딥러닝을 이용한 한국음식 분류에 대한 연구
- 저자식별ID GoogleId:GoogleId:nhjin1106
- 발행기관 강릉원주대학교 강릉원주대학원
- 발행년도 2021
- 학위수여년월 2022. 2
- 학위명 석사
- 학과 및 전공 도움말 경영정책과학대학원 의료기기융복합학과
- 실제URI http://www.dcollection.net/handler/kangnung/000000011101
- UCI I804:42001-000000011101
- 본문언어 한국어
초록/요약 도움말
Along with the sensational popularity of the Korean Wave, Korean food is also receiving global attention. According to the increasing trend of business size, the accurate classification of Korean food seems to be applicable in various projects. There were many existing deep learning research data that led to image learning, but distinguishing and judging food remains a difficult task even in CNN-based deep learning research. The contents of food dishes can be easily modified. It also usually includes complex semantics, which makes it very difficult to define their structure. The experiment in this paper uses the CNN structure to distinguish five types of food. A limited number of datasets and variations of camera images, the dataset is augmented using rotation. The proposed neural network, such as vertical flip, brightness deformation, image enlargement and reduction, uses the minimum size of the kernel. The designed neural network minimized learning time by reducing the layer layer. The dropout rate ratio was set differently to 0.2, 0.5, and 0.7. It is carefully evaluated using cross-validation methods such as confusion matrix-based. Images were compared and verified using reproduction, precision, accuracy, f1-socore, and ROC curves. The average was 0.87 when the dropout rate of the ROC curve was 0.5, the average was 0.84 when the dropout rate of the ROC curve was 0.7, and the average was 0.88 when the dropout rate of the ROC curve was 0.2. The reliability of the designed neural network was verified using the performance evaluation of the classified food.
more초록/요약 도움말
한류의 선풍적 인기와 더불어 한식 또한 세계적 관심을 받고 있다. 사업 규모의 증가 추세에 따라, 한식의 정확한 분류가 여러 사업에서 응용할 수 있을 것으로 보인다. 기존의 이미지 학습을 시키는 딥러닝 연구 자료는 많았으나, 음식을 구별하고 판단하는 것은 CNN기반 딥러닝 연구에서도 어려운 과제로 남아있다. 음식 요리의 내용물은 쉽게 변형할 수 있다. 또 보통 복잡한 의미론을 포함하며, 이것은 그들의 구조를 정의하는 작업을 매우 어렵게 만들기 때문이다. 본 논문에서의 실험은 CNN 구조를 사용하여, 다섯 종류의 음식을 구분한다. 제한된 수의 데이터 세트와 카메라 영상의 변형, 데이터 세트는 회전을 사용하여 증강 시킨다. 수직 플립, 밝기 변형, 이미지 확대 및 축소 등 그 제안된 신경망은 커널의 최소 크기를 사용한다. 설계된 신경망은 layer층을 적게 하여 학습시간을 최소화하였다. Dropout rate 비율을 0.2, 0.5, 0.7로 다르게 두어 학습시켰다. 혼동 매트릭스 기반과 같은 교차 검증 방법을 사용하여 신중하게 평가한다. 재현율(recall), 정밀도(precision), 정확도(accuracy), f1-socore, ROC curve를 활용해 이미지를 비교하여 검증하였다. ROC curve의 Dropout rate 0.5 경우 평균이 0.87, ROC curve의 Dropout rate 0.7 경우 평균이 0.84, ROC curve의 Dropout rate 0.2 경우 평균이 0.88이 나왔다. 분류된 음식의 성능평가를 이용하여 설계된 신경망의 신뢰도를 검증하였다.
more목차 도움말
Ⅰ. 서론 1
1.1 연구의 필요성 1
1.2 관련 연구 2
1.3 연구 방법 4
Ⅱ. 학습 데이터 5
2.1 데이터 수집 및 전처리 5
Ⅲ. 연구 수행 과정 7
3.1 신경망 설계 및 알고리즘 7
3.1.1 CNN기반 딥러닝 7
3.1.2 신경망 설계 8
3.2 실험환경 11
3.3 학습 과정 12
3.3.1 학습시 필요한 파라미터 12
3.3.2 드롭아웃 비율간 비교 14
3.4 성능 검증 18
3.4.1 Confusion Metrix 18
3.4.2 ROC curve with AUC area 27
Ⅳ. 결론 30
Reference 32
