| 1 |
1
FPN(Feature Pyramid Network)가 적용된 Faster R-CNN(Region-based convolutional neural network)을 기반으로 다수 크기의 병해 의심 영역 각각에 대응되는 적어도 하나의 경계 박스를 생성한 후, 경계 박스 각각의 특징 정보, 진단된 병증세 정보, 및 전체 이미지의 컨텍스트 정보를 획득 및 출력하는 병해 의심 영역 검출 단계; LSTM(Long-Short Term Memory) 기반으로 경계 박스 각각의 특징 정보, 진단된 병증세 정보로부터 병해 의심 영역별 위치와 증상을 구체적으로 설명하는 문장을 생성 및 출력함과 동시에, 전체 이미지의 컨텍스트 정보로부터 전체이미지의 전반적 상황을 설명하는 문장을 생성 및 출력하는 문장 생성 단계; 및 문장 생성의 정확도, 병해 의심 영역의 검출 정확도, 병증의 검출 정확도 기반으로 손실 지수를 산출하고, 상기 손실 지수가 최소화되도록 상기 Faster R-CNN와 상기 LSTM를 종단간 훈련시키는 단계를 포함하는 딥러닝 기반 식물 병증세 글로컬 서술 방법
|
| 2 |
2
제1항에 있어서, 상기 문장 생성 단계는 경계 박스 각각의 특징 정보로부터 검출 점수를 산출하고, 상기 검출 점수에 기반하여 경계 박스 각각의 좌표 및 크기를 조정하는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반 식물 병증세 글로컬 서술 방법
|
| 3 |
3
제2항에 있어서, 상기 문장 생성 단계는 경계 박스 각각의 특징 정보와 FPN의 마지막 특징 맵에 대응되는 컨텍스트 벡터를 두 개의 LSTM에 인가하고, 두 개의 LSTM를 통해 각 시간 단계에서 단어를 반복적으로 예측 및 조합하여, 경계 박스 각각의 위치 및 증상을 구체적으로 설명하는 문장을 생성 및 출력하는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반 식물 병증세 글로컬 서술 방법
|
| 4 |
4
제3항에 있어서, 상기 문장 생성 단계는 경계 박스별로, 경계 박스의 특징 정보와 단어 예측 결과를 매칭함으로써, 경계 박스 각각에 대응되는 구체적 설명을 식별하는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반 식물 병증세 글로컬 서술 방법
|
| 5 |
5
제1항에 있어서, 상기 문장 생성 단계는 Faster R-CNN의 마지막 특징 맵을 입력으로 독립 LSTM에 인가하고, 독립 LSTM를 통해 전체 이미지에 대한 추상적 설명을 획득 및 출력하는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반 식물 병증세 글로컬 서술 방법
|
| 6 |
6
FPN(Feature Pyramid Network)가 적용된 Faster R-CNN(Region-based convolutional neural network)을 기반으로 다수 크기의 병해 의심 영역 각각에 대응되는 적어도 하나의 경계 박스를 생성한 후, 경계 박스 각각의 특징 정보, 진단된 병증세 정보, 및 전체 이미지의 컨텍스트 정보를 획득 및 출력하는 병해 의심 영역 검출부;LSTM(Long-Short Term Memory) 기반으로 경계 박스 각각의 특징 정보, 진단된 병증세 정보로부터 병해 의심 영역별 위치와 증상을 구체적으로 설명하는 문장을 생성 및 출력함과 동시에, 전체 이미지의 컨텍스트 정보로부터 전체이미지의 전반적 상황을 설명하는 문장을 생성 및 출력하는 문장 생성부; 및 문장 생성의 정확도, 병해 의심 영역의 검출 정확도, 병증의 검출 정확도 기반으로 손실 지수를 산출하고, 상기 손실 지수가 최소화되도록 상기 Faster R-CNN와 상기 LSTM를 종단간 훈련시키는 훈련부를 포함하는 딥러닝 기반 식물 병증세 글로컬 서술 시스템
|
