본문 바로가기
KERD
논문KCI 등재

항공기 1차조종면 제어를 위한 딥러닝 기반 음성인식 비행 제어장치의 구현

Implementation of Speech Recognition and Flight Controller Based on Deep Learning for Control to Primary Control Surface of Aircraft

김태선|박명철|허화라
한국컴퓨터정보학회 (The Korean Society Of Computer And Information)|2021.09|한국컴퓨터정보학회논문지 (Journal of The Korea Society of Computer and Information)|제26권 제9호|pp. 57-64|DOI https://doi.org/10.9708/jksci.2021.26.09.057

0

조회

0

다운로드

1

인용

0

참고문헌

키워드

합성곱 신경망CNNTensorFlow텐서플로우Speech RecognitionMFCC음성 인식비행 제어장치Flight Controller
주제분류컴퓨터학

초록

본 논문에서는 음성 명령을 인식하여 비행기의 1차 조종면을 제어할 수 있는 장치를 제안한다. 음성 명령어는 19개의 명령어로 구성되며 총 2,500개의 데이터셋을 근간으로 학습 모델을 구성한다. 학습 모델은 TensorFlow 기반의 Keras 모델의 Sequential 라이브러리를 이용하여 CNN 모델로 구성되며, 학습에 사용되는 음성 파일은 MFCC 알고리즘을 이용하여 특징을 추출한다. 특징을 인식하기 위한 2단계의 Convolution layer 와 분류를 위한 Fully Connected layer는 2개의 dense 층으로 구성하였다. 검증 데이터셋의 정확도는 98.4%이며 테스트 데이터셋의 성능평가에서는 97.6%의 정확도를 보였다. 또한, 라즈베리 파이 기반의 제어장치를 설계 및 구현하여 동작이 정상적으로 이루어짐을 확인하였다. 향후, 음성인식 자동 비행 및 항공정비 분야의 가상 훈련환경으로 활용될 수 있을 것이다.

Abstract

In this paper, we propose a device that can control the primary control surface of an aircraft by recognizing speech commands. The speech command consists of 19 commands, and a learning model is constructed based on a total of 2,500 datasets. The training model is composed of a CNN model using the Sequential library of the TensorFlow-based Keras model, and the speech file used for training uses the MFCC algorithm to extract features. The learning model consists of two convolution layers for feature recognition and Fully Connected Layer for classification consists of two dense layers. The accuracy of the validation dataset was 98.4%, and the performance evaluation of the test dataset showed an accuracy of 97.6%. In addition, it was confirmed that the operation was performed normally by designing and implementing a Raspberry Pi-based control device. In the future, it can be used as a virtual training environment in the field of voice recognition automatic flight and aviation maintenance.

참고문헌 (15)

  1. M. A. Anusuya, "Speech Recognition by Machine, A Review", International Journal of Computer Science and Information Security, IJCSIS, 6(3), pp.181~205 (2009)
  2. Myeong-Chul Park, "Drone controller using motion imagery brainwave and voice recognition", Proceedings of the Korean Society of Computer Information Conference, pp.257~258 (2020)
  3. T. N. Sainath, "Deep convolutional neural networks for LVCSR", 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, pp.8614~8618 (2013)
  4. Mitra. Vikramjit, "Evaluating robust features on Deep Neural Networks for speech recognition in noisy and channel mismatched conditions", Proceedings of the Annual Conference of the International Speech Communication Association, pp.895~899 (2014)
  5. V. Pratap, "Wav2Letter++: A Fast Open-source Speech Recognition System", IEEE International Conference on Acoustics, Speech and Signal Processing, pp.6460~6464 (2019)
  6. S. Davis, "Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentences", IEEE Transactions on Acoustics, Speech, and Signal Processing, 28(4), pp.357~366 (1980), Institute of Electrical and Electronics Engineers (IEEE)[DOI]
  7. Warden. Pete, "Speech Commands : A Dataset for Limited-Vocabulary Speech Recognition", ArXiv Preprint ArXiv:1804.03209, ~ (2018)
  8. Ali Bou Nassif, "Speech Recognition Using Deep Neural Networks: A Systematic Review", IEEE Access, 7, pp.19143~19165 (2019), Institute of Electrical and Electronics Engineers (IEEE)[DOI]
  9. 장동열, "음성인식과 딥러닝 기반 객체 인식 기술이 접목된 모바일 매니퓰레이터 통합 시스템", 로봇학회 논문지, 16(3), pp.270~275 (2021), 한국로봇학회[DOI]
  10. 소순원, "한국어 음성을 이용한 연령 분류 딥러닝 알고리즘 기술 개발", 의공학회지, 39(2), pp.63~68 (2018), 대한의용생체공학회
  11. Tomasz Rogalski, "A concept of voice guided general aviation aircraft", Aerospace Science and Technology, 14(5), pp.321~328 (2010), Elsevier BV[DOI]
  12. 김성우, "전투기용 음성명령 시스템에 대한 연구", 한국항공우주학회지, 41(12), pp.1011~1017 (2013), 한국항공우주학회
  13. Aziz Siyaev, "Towards Aircraft Maintenance Metaverse Using Speech Interactions with Virtual Objects in Mixed Reality", Sensors, 21(6), pp.2066~ (2021), MDPI AG[DOI]
  14. Yu-Yi Lin, "A Speech Command Control-Based Recognition System for Dysarthric Patients Based on Deep Learning Technology", Applied Sciences, 11(6), pp.2477~ (2021), MDPI AG[DOI]
  15. Ruben Contreras, "Unmanned Aerial Vehicle Control through Domain-Based Automatic Speech Recognition", Computers, 9(3), pp.75~ (2020), MDPI AG[DOI]

관련 논문AI추천

키넥트 센서의 음성인식을 이용한 UAV 비행제어김기원, 김석훈, 양진영한국지식정보기술학회 · 한국지식정보기술학회 논문지2012 · 제7권 제6호환경 소음 제거를 통한 범용적인 드론 음향 탐지 구현강해영, 이경호한국정보보호학회 · 정보보호학회논문지2022 · 제32권 제5호한국어 음성 명령어 인식을 위한 자동데이터 구축박정식, 서덕진, 임연수, 정유철한국컴퓨터정보학회 · 한국컴퓨터정보학회논문지2019 · 제24권 제12호무인항공기 이상탐지를 위한 CNN-LSTM-Autoencoder 모델 개발 및 경량화정 훈, 나동길, 유영웅, 이상일, 이한섭한국산업경영시스템학회 · 한국산업경영시스템학회지2025 · 제48권 제2호심층학습 기반의 자동 객체 추적 및 핸디 모션 제어 드론 시스템 구현 및 검증김승필, 김영수, 이준범, 이찬영, 전혜리대한임베디드공학회 · 대한임베디드공학회논문지2021 · 제16권 제5호적응 MFCC와 Neural Network 기반의 음성인식법배현수, 이석규대한임베디드공학회 · 대한임베디드공학회논문지2010 · 제5권 제2호

이 간행물의 다른 논문 (21건)

GPU 프로그램의 수행 중에 원자성위배를 자율적으로 수리하는 도구이건표, 이성진, 전용기pp. 1-12관계속성 기반의 개념분석 및 개념계층구조 가시화 기법 개발과 공공오픈 데이터집합에 대한 적용황석형pp. 13-25인공신경망으로 제어되는 포식자-피식자 개체군의공진화를 통한 안정성 시뮬레이션이태우, 심윤식, 김수균pp. 27-35U-네트의 수용 영역 다양화를 이용한 혀 영역 분할이옥걸, 정성태pp. 37-47기울어진 차량 번호판 탐지를 위해 객체 세그먼테이션을 이용한 개선된 2-단계 차량 번호판 탐지 기법이상원, 김유성, 최범석pp. 49-55
원문 보기