형상 분산과 합성곱 신경망을 이용한 플랜트 배관 부품에 대한 3차원 점군의 분류

김병철

doi:10.3795/KSME-A.2020.44.4.313

주제분류

...

저널정보

대한기계학회
대한기계학회 논문집 A권 학술저널
대한기계학회논문집 A권 제44권 제4호(통권 제415호)
2020.04 313 - 320 (8page)
DOI : 10.3795/KSME-A.2020.44.4.313

저자정보

김병철 (한국기술교육대학교)

이용수
내서재: 0

내서재에 추가
되었습니다. 내서재에서
삭제되었습니다.

초록·키워드

오류제보하기

본 논문에서는 플랜트 배관 부품의 3차원 점군(point cloud)으로부터 부품을 분류하기 위해 합성곱신경망(convolutional neural network)을 이용하는 방법을 제안한다. 그러나 기존 연구들이 형상을 다중 뷰이미지 형태나 복셀(voxel) 모델로 표현한 반면, 본 연구에서는 점군 안에 있는 각 점들 간의 거리 분포를 1차원 히스토그램으로 표현한 형상 분산(shape distribution)으로 형상을 나타낸다. 형상 분산은 형상의 차원을 3차원에서 1차원으로 감소시킨다. 이로 인해 학습 데이터의 크기가 줄고, 학습 속도가 빨라진다. 또한 형상 분산은 형상의 크기, 자세 및 위치에 영향을 받지 않는다. 본 연구에서는 제안한 방법의 구현 및 실험을 통해 복셀 모델로 표현한 경우보다 학습 속도가 개선되는 것을 확인하였다. 그러나 차원 감소로 인해 정확도는 감소하였다.

In this study, we propose a method for classifying plant piping parts from 3-dimensional point clouds using a convolutional neural network. Whereas previous studies have represented a shape in the form of multi-view images or voxel models, this study uses a shape distribution that represents the distance distribution between each point pair as a one-dimensional histogram. Shape distribution can reduce the dimensions of a shape from three to one. Consequently, the size of the training data is reduced, and training speed increases. Also, a shape distribution is unaffected by the size, orientation, or position of a shape. Through the implementation and experimentation of the proposed method we verified that training speed improved with the use of a voxel model. However, accuracy decreased due to dimensional reduction.

#Convolutional Neural Network(합성곱 신경망) #Deep Learning(딥러닝) #Piping Part(배관 부품) #Point Cloud(점군) #Shape Classification(형상 분류) #Shape Distribution(형상 분산)