딥러닝을 활용한 실내 식물 이미지 분류 및 식물 정보 제공 웹 어플리케이션
Indoor Plants Image Classification Using Deep Learning and Web Application for Providing Information of Plants
1
조회
0
다운로드
7
인용
0
참고문헌
키워드
초록
식물은 공기정화와 조경 등의 좋은 효과를 주지만, 자신을 보호하기 위해 특별한 성분을 가진다. 식물 자신을 보호하기 위해 만든 성분이 사람이나 동물에게 피해를 줄 수 있다. 또한 식물 생김새가 유사한 다른 식물로 오인하여 발생한 사고들이 있다. 우리는 식물을 구분할 수 있고 각 식물들의 정보를 보여줄 수 있는 프로그램을 구현했다. 이미지를 분류할 수 있는 딥러닝을 사용하여 식물의 이름을 예측하고, 예측한 식물에 일치하는 정보를 보여줄 수 있는 웹 어플리케이션을 제작하였다. 61가지의 실내 식물을 구글 이미지 검색을 이용하여 데이터 세트를 제작했다. 실내 식물의 긍정적인 효과와 부정적인 독성을 데이터베이스에 정리하였다. 딥러닝은 Pytorch기반의 프레임워크인 fast.ai를 사용하여 구현하였다. Data Augmentation을 거쳐 학습할 이미지 수를 증가시켰다. 다양한 이미지를 이용하여 Pretrain된 모델인 ResNet50을 사용하여 실내 식물 이미지 데이터를 학습했다. 모델의 정확도는 약 97.5%로 대부분의 식물들을 정확하게 예측할 수 있었다. Python기반의 웹 프레임워크인 flask를 활용하여 웹 어플리케이션을 구현하였다. 구현된 이미지 분류 딥러닝 모델을 이용하여 식물의 이름을 예측하고, 예측된 식물 이름에 맞는 정보를 웹 페이지에 출력해준다. 웹 어플리케이션을 모바일 기기에 최적화하여 편리하게 사용을 할 수 있다.
Abstract
Plants have good effects such as air purification and landscaping, but they have special ingredients to protect themselves. Ingredients made to protect the plant itself can harm people or animals. There are also accidents that are mistaken for other plants with similar plant features. We have implemented a program that can identify plants and display information about each plant. Using deep learning to classify images, we created a web application that predicts plant names and displays information that matches the predicted plants. We created a data set of 61 indoor plants using Google Image Search. The positive effects and negative toxicity of indoor plants are summarized in the database. Deep learning is implemented using fast.ai, a Pytorch-based framework. Through data Augmentation, we increased the number of images to learn. Indoor plant image data were trained using ResNet50, a pretrained model using various images. The accuracy of the model was about 97.5%, which predicted most plants accurately. The web application was implemented using flask, a Python-based web framework. Using the implemented image classification deep learning model, the plant name is predicted and the information corresponding to the predicted plant name is displayed on the web page. The web application can be optimized for mobile devices and used conveniently.
참고문헌 (18)
- "Naver news" (2018)[URL]
- "Naver news" (2016)[URL]
- "Nerium image" (2019)[URL]
- "Naver news" (2017)[URL]
- "Naver news" (2017)[URL]
- "Naver news" (2017)[URL]
- "Dieffenbachia image" (2019)[URL]
- "Pytorch" (2019)[URL]
- "Fast.ai" (2019)[URL]
- K. He, "Deep residual learning for image recognition", 2015 IEEE Conference on Computer Vision and Pattern Recognition (2016)
- 박선, "오픈 소스 기반의 딥러닝을 이용한 적조생물 이미지 분류", 스마트미디어저널, 7(2), pp.34~39 (2018), (사)한국스마트미디어학회[DOI]
- 서영민, "딥러닝 기반 암세포 사진 분류 알고리즘", 방송공학회 논문지, 23(5), pp.669~681 (2018), 한국방송∙미디어공학회[DOI]
- S. C. Kim, "Implementation of plant leaf image retrieval system over mobile platform", Journal of Computing Science and Engineering (2015)
- "tensorflow" (2019)[URL]
- A. Krizhevsky, "ImageNet classification with deep convolutional neural networks", NIPS Conference (2012)
- K. Simonyan, "Very deep convolutional networks for large-scale image recognition", International Conference on Learning Representations (2015)
- C. Szegedy, "Going deeper with convolutions", 2015 IEEE Conference on Computer Vision and Pattern Recognition (2015)
- H. J. Shin, "House plants classification and information web using deep learning", 2019Autumn Conference on KOREA SOCIETY OF IT SERVICES (2019)