본 문서에서 제안하는 시스템과 같이 발의 모양을 측정합니다. 본 논문에서 제안하는 인공지능 3차원 형상 측정 시스템은 인간의 발을 측정 대상으로 사용하였다. 따라서 본 논문에서는 광원 슬릿 레이저와 CCD 카메라를 이용하여 3D 비전 시스템을 구성하여 물체의 특징을 분석할 수 있는 시스템을 구현하였다.
대신 시스템은 멀티태스킹 환경에서 효율적으로 작동했습니다. 5장에서는 본 논문에서 설계하고 구현한 측정 시스템의 연구 결과에 대한 결론을 제시한다. 본 논문에서 제안하는 3차원 측정 시스템을 구현하기 위해 사용된 인공지능(AI) 이론을 제시한다. 먼저 지능과 인간지능에 대해 소개해보자.
본 논문에서는 3차원 형상 복원 과정 중 영상 처리 및 측정 데이터 분류를 위해 신경망을 사용하였다. 저장 과정을 알려주는 영상입니다. 8개의 CCD 카메라에서 교정 플레이트의 스냅샷을 찍은 후 Matlab을 사용하여 3D 측정 시스템에 필요한 내부 및 외부 매개변수를 얻었습니다. 이 과정은 일반적으로 수행됩니다.
이는 CCD 카메라를 이용한 머신비전 시스템과 3D 영상 복원에 사용되는 카메라 보정 과정이므로 본 논문에서는 자세히 다루지 않는다. 본 논문에서는 동일한 세계 좌표계에서 8개의 카메라를 보정하도록 차원 측정 시스템을 구성하므로 차원 복원 과정에서 문제가 발생한다. 영상 처리 보드와 호스트 컴퓨터 사이의 관계를 보여줍니다.
전체 이미지는 비디오 데이터 처리 프로그램에서 전송되고 모니터링될 수 있습니다. 데이터는 전송되면서 실시간으로 획득되며, 카메라 한 대에서 약 200프레임의 비디오 데이터를 획득합니다. 필요한 치수 정보를 얻으려면
2D 이미지 획득에서 특징 매개변수를 추출하는 과정을 개략적으로 보여줍니다. 이미 언급했듯이 본 논문에서 측정하는 대상은 사람의 발이다. 이번 섹션에서는 신경망을 이용한 이진화 과정에 대한 방법을 제시한다.
2장의 제안을 바탕으로 부트스트랩 신경망 학습 방법을 소개했습니다.
Stop
YesYes
전체 측정 과정에서 하나의 카메라에서 얻은 이미지 수에 대한 데이터 수를 조사했습니다. 본 장에서는 4장의 3차원 측정 시스템에서 얻은 15개의 매개변수를 기반으로 2장에서 제안한 신경망을 사용하여 데이터를 최적으로 분류한다. 길이만을 기준으로 사이즈를 선택하면 신발의 유연성이 떨어지고 신발에 문제가 발생할 수 있습니다.또 다른 주요 발 문제입니다.
이는 클러스터 신경망이며 사전 정의된 그룹으로 분할되도록 훈련되었습니다. 결과 값의 분포는 그림에서 점선으로 표시됩니다. 비록 결과가 사진과 같이 동일인의 발을 측정한 결과이더라도, 영상 데이터 처리 과정에서 노이즈의 영향으로 측정된 데이터의 편차가 크다는 것을 알 수 있으며, 실선 그래프 선으로 표시됩니다. 그림은 본 논문에서 제안하는 신경신호를 보여준다.
네트워크 알고리즘을 적용하여 분류된 데이터 값의 분포를 보여주고 있으며, 그림에서 볼 수 있듯이 신경망 알고리즘을 이용한 측정 결과는 값의 분포가 더욱 개선되는 것을 보여줍니다. 일반 측정 개선된 측정 그림 <4.38 분류 결과-전체 길이의 분포도>-
일반 측정 강화 측정 그림 <4.40측정 결과값의 분포 폭> -
신경망 오류 역전파 알고리즘을 이용하여 입력 영상에 대한 지능적인 전처리를 수행하였고, 측정된 결과로부터 멀티태스킹을 기반으로 최적화된 데이터를 분류하였다. 치수 측정 시스템에서 얻은 매개변수는 최적화된 데이터입니다. 측정 시스템에서 얻은 결과에 사람의 입력을 추가하여 더 나은 데이터를 얻는 데 효과적으로 사용될 수 있다고 믿어집니다.
본 논문에서 사용된 이미지 캡처 보드는 8채널을 동시에 고속으로 사용할 경우 이미지 캡처 및 처리 과정에서 약간의 노이즈가 발생한다. 본 논문에서 제안하는 측정 시스템은 사람의 발 형상을 포함하여 3차원 형상 분석이 필요한 분야에 효과적으로 적용될 수 있을 것으로 기대된다.
