이미지 분석 딥러닝을 이용한 다중모션 분류 시스템
- 발행기관 강릉원주대학교 일반대학원
- 발행년도 2020
- 학위수여년월 2021. 2
- 학위명 석사
- 학과 및 전공 도움말 일반대학원 의료기기융복합학과
- 실제URI http://www.dcollection.net/handler/kangnung/000000010808
- UCI I804:42001-000000010808
- 본문언어 한국어
초록/요약 도움말
Real life application using AI is a topic of great national interest. Advanced AI algorithms, computing resources, and the rapid increase in stored data have provided algorithms that can solve a variety of problems across industries. Among them, due to the pandemic phenomenon caused by Covid-19, people became more interested in Health Care, a preventive activity to protect his own health. The interest in personal movements applying the existing smart healthcare has risen significantly. If the human behavior recognition technique using AI is applied to such smart healthcare, it is possible to achieve health management through automatic classification and storage of not only personal exercise but also daily life. Therefore, in this study, 6-axis sensors (3 axes of angular velocity, acceleration) can be achieved. A system capable of recognizing posture and behavior through multidimensional measurements of 3 axes) was proposed. The system of existing research consists of data collection, purification, and model learning. Data is collected through a 6-axis sensor consisting of acceleration and angular velocity. This study adds the process of refining the collected data to images. We develop a model that recognizes human activity in action by using deep learning on the produced image. The technique used in this study is a convolutional neural network (CNN) using TensorFlow, which has an excellent effect on extracting image features. This is an alternative method for the case where it is difficult to classify motions beyond 2D in the method of recognition through images, which is a method that has been widely used in the past. You can learn more intuitive and efficient than other machine learning. Most of all, the equipment is inexpensive and the accessibility is very good because it enables effective learning with data that can be collected by sensors that are also built into recent smart phones. As a result, this method is expected to be applied to rapid model development using AI due to its high accessibility and accuracy in data collection and model design. The data for this experiment were collected from 6 actual experimenters, and the body information of the experimenter was also written and recorded for the reliability of the data.
more초록/요약 도움말
AI를 활용한 실생활 적용은 국가적으로 큰 관심을 가진 주제다. 발전된 AI 알고리즘과 컴퓨팅 자원, 저장된 데이터의 급격한 증가는 산업 전반에 걸쳐 다양한 문제를 해결할 수 있는 알고리즘을 제공했다. 그중에서도 팬데믹(Pandemic) 현상으로 인하여 자신의 건강을 지키기 위한 예방적 활동인 헬스케어(Health Care)에 더 많은 관심을 두게 되었다. 기존의 스마트 헬스케어를 적용한 개인운동의 관심이 크게 상승하였다. 이러한 스마트 헬스케어에 AI를 활용한 인간 행동 인식 기법을 적용한다면 개인의 운동뿐만 아니라 일상생활 또한 자동 분류 및 저장을 통한 효과적인 건강관리를 꾀할 수 있다.이에 본 논문에서는 효과적인 인간 행동 인식 인공지능 개발을 위해 비가공 데이터를 그래프화 하여 모델을 딥러닝(Deep Learning) 했을 때와 그대로 데이터를 이용했을 때의 성능 차이를 알아보았다. 기존 연구의 시스템은 데이터 수집, 정제, 딥러닝 학습으로 이루어져 있다. 첫 단계에는 가속도, 각속도로 구성된 6축 센서를 통해 데이터를 수집한다. 본 연구는 기존 딥러닝 과정에 수집된 데이터를 이미지로 정제하는 과정을 추가한다. 이렇게 제작된 이미지를 딥러닝을 활용하여 활동 중인 인간의 행동을 인식(Human Activity Recognition)하는 모델을 개발한다. 이 연구에 사용되는 기법은 텐서플로를 이용한 합성곱 신경망(CNN)으로서 이미지의 특징추출에 뛰어난 효과를 가진 기법이다. 이는 기존에 많이 사용되고 있는 방법인 영상을 통한 인식방법이 2차원을 넘어선 동작에 대해서 분류가 곤란한 경우에 대하여 대체가 되는 방법이다. 다른 머신러닝 학습보다 직관적이고 효율적인 학습을 할 수 있다. 무엇보다도 장비가 저렴하고 최근 스마트폰에도 내장되어있는 센서로도 수집할 수 있는 데이터로도 효과적인 학습이 가능하여 접근성이 매우 훌륭하다. 이번 연구는 개인 PC를 갖고 약 3분 만에 2661개의 이미지 데이터를 99.6%의 정확도로 분류 하는 모델을 만든 결과이다. 4층의 CNN 모델 학습을 통해 얻은 분류 정확도는 99.6%이며 1회 에폭(Epoch)을 실행 할 때 걸리는 시간은 평균적으로 12초가 걸렸다. 또한, 최저 손실 점에 도달하기 까지 걸리는 에폭은 15∼20회였다. 이 방법은 데이터 수집과 딥러닝 설계에 있어 접근성과 정확도가 높아 AI를 활용한 신속한 인간 행동 인지 딥러닝 개발에 적용될 수 있을 것으로 기대한다. 이 실험을 위한 데이터는 실제 실험자 6명을 대상으로 수집되었으며, 실험자의 신체 정보 또한 작성하여 수록하였다.
more목차 도움말
I. 서론 1
1. 연구 배경 1
2. 관련 연구 4
3. 연구 목적 및 계획 14
II. 이론적 배경 16
1. 하드웨어 구성 16
2. 소프트웨어 구성 18
3. 측정자세 정의 및 센서의 부착 위치 21
4. 데이터 수집과 전처리 방법 25
III. 실험 방법과 결과 30
1. 실험 장치 및 방법 30
2. 센서 측정 데이터 32
3. 데이터 전처리(최대-최소) 33
4. 데이터를 이용한 그래프 제작 34
5. 합성곱 신경망(Convolution Neural Network) 42
IV. 고찰 50
V. 결론 51
