Smart Media Journal (스마트미디어저널)

THE KOREAN INSTITUTE OF SMART MEDIA (한국스마트미디어학회)
권호 표지
DOI QR코드

DOI QR Code

Classification of Clothing Using Googlenet Deep Learning and IoT based on Artificial Intelligence

인공지능 기반 구글넷 딥러닝과 IoT를 이용한 의류 분류

  • 노순국 (조선대학교 SW중심대학사업단)
  • Received : 2020.07.31
  • Accepted : 2020.08.26
  • Published : 2020.09.30
Download PDF
⟨ Previous Next ⟩

Abstract

Recently, artificial intelligence (AI) and the Internet of things (IoT), which are represented by machine learning and deep learning among IT technologies related to the Fourth Industrial Revolution, are applied to our real life in various fields through various researches. In this paper, IoT and AI using object recognition technology are applied to classify clothing. For this purpose, the image dataset was taken using webcam and raspberry pi, and GoogLeNet, a convolutional neural network artificial intelligence network, was applied to transfer the photographed image data. The clothing image dataset was classified into two categories (shirtwaist, trousers): 900 clean images, 900 loss images, and total 1800 images. The classification measurement results showed that the accuracy of the clean clothing image was about 97.78%. In conclusion, the study confirmed the applicability of other objects using artificial intelligence networks on the Internet of Things based platform through the measurement results and the supplementation of more image data in the future.

최근 4차 산업혁명 관련 IT기술 중에서 머신러닝과 딥러닝으로 대표되는 인공지능과 사물인터넷은 다양한 연구를 통해 여러 분야에서 우리 실생활에 적용되고 있다. 본 논문에서는 사물인터넷과 객체인식 기술을 활용한 인공지능을 적용하여 의류를 분류하고자 한다. 이를 위해 이미지 데이터셋은 웹캠과 라즈베리파이를 이용하여 의류를 촬영하고, 촬영된 이미지 데이터를 전이학습된 컨벌루션 뉴럴 네트워크 인공지능망인 구글넷에 적용하였다. 의류 이미지 데이터셋은 온전한 이미지 900개와 손상이 있는 이미지 900 그리고 총 1800개를 가지고 상하의 2개의 카테고리로 분류하였다. 분류 측정 결과는 온전한 의류 이미지에서는 약 97.78%의 정확도를 보였다. 결론적으로 이러한 측정결과와 향후 더 많은 이미지 데이터의 보완을 통해 사물인터넷 기반 플랫폼상에서 인공지능망을 활용한 여타 사물들의 객체 인식에 대한 적용 가능성을 확인하였다.

Keywords

References

  1. 문성은 외 3명, "기계학습 및 딥러닝 기술 동향," 한국통신학회지(정보와 통신), 제33권, 제10호, 49-56쪽, 2016년 9월
  2. 정상근, "산업의 변화와 인공지능," 한국통신학회지(정보와 통신), 제33권, 제10호, 57-59쪽, 2016년 9월
  3. Dong Ju Park, Byeong Woo Kim, Young-Seon Jeong, Chang Wook Ahn, "Deep Neural Network Based Prediction of Daily Spectators for Korean Baseball League : Focused on Gwangju-KIA Champions Field," Smart Media Journal, vol. 7, no. 1, pp. 16-23, 2018. https://doi.org/10.30693/SMJ.2018.7.1.16
  4. Jung-Won Oh, Hangkon Kim, Il-Tae Kim, "Design and Implementation of Fruit harvest time Predicting System based on Machine Learning," Smart Media Journal, vol. 8, no. 1, pp. 73-81, 2019.
  5. 인공지능, 객체인식, 반드시 알아야 할 3가지, http://www.aitimes.kr/news/articleView.html?idxno=12087 (accessed March, 3, 2020).
  6. 유병인 외 5명, "인간수준에 근접한 딥러닝 기반 영상 인식의 동향," 한국정보과학회지, 제33권, 제9호, 32-41쪽, 2015년 9월
  7. Szegedy, Christian, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed,Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, and Andrew Rabinovich., "Going deeper with convolutions," In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 1-9. 2015.
  8. 김영근, 조민희, 김원중. "라즈베리파이 보드 기반의 빅데이터 분석을 위한 학습시스템," 한국전자통신학회, 제11권, 제4호, 433-440쪽, 2016년 https://doi.org/10.13067/JKIECS.2016.11.4.433
  9. 김강철 외 1인. "라즈베리파이를 이용한 얼굴검출인식시스템 개발," 한국전자통신학회지, 제12권, 제5호, 859-8646쪽, 2017년
  10. 김재상, 문해민, 반성범. "오픈소스 하드웨어 기반차선검출 기술에 대한 연구," 한국스마트미디어저널, 제6권, 제3호, 15-20쪽, 2017년
  11. Karl Weiss, Taghi M. Khoshgoftaar, DingDing Wang, "A survey of transfer learning," Joural of Big data, May, 2016.
  12. 라즈베리파이재단, www.raspberrypi.org (accessed April, 10, 2020).
  13. 이정륜, 이민선, 손혜연, 노순국, "라즈베리파이를 이용한 움직이는 물체 촬영 및 블루투스 전송," 2020 한국스마트미디어학회 춘계학술대회, vol. 9, no. 1, 2020년 5월
  14. 딥러닝을 사용하여 웹캠 영상 분류하기, https://kr.mathworks.com/help/deeplearning/examples/classify-images-from-webcam-using-deep-learning.html (accessed March, 3, 2020).