금속탐지를 위한 CNN 및 RNN 네트워크 개발에 관한 연구
A Study on the Metal Detection Development for CNN and RNN Algorithm Based
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
본 논문은 다중 MI 센서에서 얻은 데이터에 대한 딥 러닝을 이용한 신호 처리 필터링 방법과 금속 탐지 방법의효율성에 관한 연구이다. MI 센서는 자기장의 변화를 감지하는 원리로 금속 물체를 감지하는 수동형 센서입니다. 다만, 금속 물체를 검출할 경우, 금속에 의한 자기장의 변화량이 적기 때문에 검출 가능한 거리에 한계가 있다. 이를효과적으로 감지하고 분석하기 위해 딥러닝을 활용한 방법이 적용됐다. 또한 신호처리 필터링 방법을 이용하여 딥러닝 모델의 성능을 비교 분석하였다. 본 논문에서는 자기 임피던스 센서에서 추출한 데이터에서 CNN과 RNN 네트워크의 탐지 성능을 비교 분석하였다. RNN 모델은 CNN 모델보다 더 높은 성능을 보였다. 그러나 얕은 단계에서는CNN 모델이 RNN 모델보다 더 높은 성능을 보였다.
Abstract
This paper is a study on the efficiency of the filtering method of signal processing and the metal detection method using deep learning for data obtained from multiple MI sensors. The MI sensor is a principle that detects changes in magnetic field and is a passive sensor that detects metal objects. However, when detecting a metal object, the amount of change in the magnetic field caused by the metal is small, so there is a limit to the detectable distance. In order to effectively detect and analyze this, a method using deep learning was applied. In addition, the performance of the deep learning model was compared and analyzed using the filtering method of signal processing. In this paper, the detection performance of CNN and RNN networks was compared and analyzed from the data extracted from the self-impedance sensor. The RNN model showed higher performance than the CNN model. However, in the shallow stage, the CNN model showed higher performance than the RNN model.
참고문헌 (13)
- 이동우, "얼굴 검출을 위한 Flood Fill 기반의 개선된 피부색 추출기법", 한국융합학회논문지, 10(6), pp.7~14 (2019), 한국융합학회[DOI]
- 김회준, "동영상에서 보행자 추적을 위한 변형된 HOG 특징 추출에 관한 연구", 한국융합학회논문지, 10(3), pp.39~47 (2019), 한국융합학회[DOI]
- Kim, H., "NRANet;Neg-Region Attention Network for Salient Object Detection with Gaze Tracking", Sensors, 21(5), pp.1753~ (2021)
- 김동인, "얼굴 검출을 위한 피부색 추출 과정에서 피부색 손실 영역 개선에 관한 연구", 한국융합학회논문지, 10(5), pp.1~8 (2019), 한국융합학회[DOI]
- Kumar, S. D., "Prediction of depression from EEG signal using long short term memory (LSTM)", 2019 3rd International Conference on Trends in Electronics and Informatics (ICOEI), pp.1248~1253 (2019)
- Liu, C., "Plant electrical signal prediction based on LSTM Neural Network", Chinese Automation Congress (CAC) (2019), IEEE
- Tozer, J. C., "Magnetic Impedance Tomographya", Annals of the New York Academy of Sciences, 873(1), pp.353~359 (1999)
- Jankowski, J., "Hall sensors for extreme temperatures", Sensors, 11(1), pp.876~885 (2011)
- Freitas, P. P., "Magnetoresistive sensors", Journal of Physics: Condensed Matter, 19(16), pp.165221~ (2007)
- Li, B., "Flexible magnetoimpedance sensor", Journal of Magnetism and Magnetic Materials, 378, pp.499~505 (2015)
- Krizhevsky, A., "Imagenet classification with deep convolutional neural networks", Advances in neural information processing systems, pp.1097~1105 (2012)
- LeCun, Y., "Gradient-based learning applied to document recognition", Proceedings of the IEEE, 86(11), pp.2278~2324 (1998)
- Basha, S. S., "Impact of fully connected layers on performance of convolutional neural networks for image classification", Neurocomputing, 378, pp.112~119 (2020)