[논문 리뷰] Automatic Recognition of Coal and Gangue based on Convolution Neural Network

Huichao Hong, Lixin Zheng외 3명|arXiv (Cornell University)|2017. 12. 03.

Mineral Processing and Grinding참고 문헌 7인용 수 25

한 줄 요약

이 논문은 제한된 훈련 데이터 문제를 해결하기 위해 데이터 증강과 전이 학습을 통합한 수정된 AlexNet 모델을 기반으로 한 CNN 기반 자동 쐐기 및 부산물 인식 시스템을 제안한다. 기존의 SVM 및 신경망 모델보다 높은 인식 정확도를 달성하며, 최적화된 이미지 전처리 및 영역 기반 훈련을 통해 산업적 쐐기 분류 응용 분야에서 뛰어난 성능을 보여준다.

ABSTRACT

We designed a gangue sorting system,and built a convolutional neural network model based on AlexNet. Data enhancement and transfer learning are used to solve the problem which the convolution neural network has insufficient training data in the training stage. An object detection and region clipping algorithm is proposed to adjust the training image data to the optimum size. Compared with traditional neural network and SVM algorithm, this algorithm has higher recognition rate for coal and coal gangue, and provides important reference for identification and separation of coal and gangue.

연구 동기 및 목표

• 부족한 훈련 데이터로 인해 발생하는 쐐기 및 부산물 분류의 낮은 인식 정확도 문제를 해결한다.
• 산업적 쐐기 정제 공장에서 실시간으로 쐐기와 부산물을 식별할 수 있는 자동화된 시스템을 개발한다.
• 특정 쐐기 및 부산물의 시각적 특성에 맞게 최적화된 딥 러닝 기법을 활용해 분류 성능을 향상시킨다.
• 이미지 입력을 최적화하기 위해 영역 클리핑 및 크기 정규화를 적용하여 딥 러닝 모델의 훈련 효율성을 높인다.
• 컨volutional neural networks를 활용한 실용적이고 확장 가능한 솔루션을 쐐기 세척 공장에 구현하기 위해 제공한다.

제안 방법

• 특징 추출 및 쐐기 및 부산물 이미지 분류를 위한 기초 모델로 애초의 AlexNet 아키텍처를 변형 적용한다.
• 훈련 데이터셋을 인위적으로 확장하고 모델의 일반화 능력을 향상시키기 위해 데이터 증강 기법을 적용한다.
• 부족한 데이터 문제를 해결하기 위해 사전 훈련된 AlexNet을 쐐기 및 부산물 데이터셋에 맞게 미세 조정함으로써 전이 학습을 활용한다.
• CNN에 최적의 입력을 제공하기 위해 관련 이미지 패치를 추출하고 일관된 크기로 조정하는 객체 검출 및 영역 클리핑 알고리즘을 구현한다.
• 레이블이 부여된 쐐기 및 부산물 이미지로 함께 학습하여 엔드 투 엔드 분류를 가능하게 하기 위해 지도 학습 방식으로 모델을 훈련시킨다.
• 동일한 평가 조건에서 제안된 CNN 모델을 기존의 SVM 및 표준 신경망 기준 모델과 비교한다.

실험 결과

연구 질문

• RQ1 딥 컨volution 네트워크가 쐐기 및 부산물 분류에 있어 기존의 머신러닝 모델인 SVM보다 더 높은 인식 정확도를 달성할 수 있는가?
• RQ2 훈련 데이터가 제한된 상황에서 데이터 증강과 전이 학습이 모델 성능 향상에 어느 정도 기여하는가?
• RQ3 제안된 영역 클리핑 및 이미지 크기 조정 기법이 CNN 입력 최적화에 얼마나 효과적인가?
• RQ4 제안된 시스템은 실제 쐐기 세척 환경에서 자동 분류를 위해 효과적으로 구현될 수 있는가?
• RQ5 인식률과 내구성 측면에서 전통적인 방법에 비해 CNN 기반 방법의 비교적 성능은 어떠한가?

주요 결과

• 제안된 CNN 모델은 기존의 신경망 및 SVM 알고리즘보다 쐐기 및 부산물에 대해 더 높은 인식률을 달성했다.
• 제한된 훈련 샘플에도 불구하고 데이터 증강과 전이 학습이 모델 성능 향상에 크게 기여했다.
• 영역 클리핑 및 이미지 크기 조정 기법은 모델 훈련 효율성 향상과 입력 일관성 향상에 기여했다.
• 실제 쐐기 분류 데이터에 대해 강력한 일반화 능력을 보이며 실용적인 산업 적용 가능성을 입증했다.
• 사전 훈련된 AlexNet을 활용한 전이 학습은 훈련 시간을 단축시키고 목표 데이터셋에서 수렴 성능을 향상시켰다.
• 전반적인 인식 정확도에서 제안된 방법은 기준 모델을 뛰어넘었으며, 이는 이 분야에서 딥 러닝의 효과성을 확인시켰다.