전기화재 원인분석을 위한 용융흔 외형 판별 딥러닝 알고리즘 설계

국문 초록 (Abstract)

본 논문에서는, 단락흔과 열흔 판별을 위한 CNN기법과 ResNet의 성능 분석을 비교 분석하는 알고리즘 을 제안하고 검증하였다. 학습을 위한 데이터는 실험을 통해 제작하여 원본 데이터로 생성한 후, 알고리즘에 적용 시켜 학습데이터와 검증데이터로 확보하였다. Resnet 기법을 활용하여 CNN의 오차를 줄이는 방법으로 신경망의 파라미터를 학습하는 것과는 다르게 입력과 출력의 차이를 이용하는 잔차 학습(Residual learning)을 도입함으로 써, 더욱 깊은 네트워크층을 사용하여 효율적으로 학습 가능한 구조를 나타내고 있다. 분석결과 CNN과 Resnet 판별 정확도는 각각 93,54%, 96.81%로 얻었다.

다국어 초록 (Multilingual Abstract)

In this paper, we proposed and verified an algorithm that compares and analyzes the performance analysis of the CNN method and Resnet for the distinguish Arc beads and Molten mark. The data for training was produced through experiments and generated as original data, and then applied to the algorithm to obtain training data and validation data. Unlike learning neural network parameters as a way to reduce CNN errors using Resnet techniques, by introducing Residual learning that utilizes the difference between input and output, it shows a structure that can be efficiently learned using a deeper network layer. As a result of the analysis, the CNN and Resnet classification accuracies were 93.54% and 96.81% respectively.

목차 (Table of Contents)

• 요약
• Abstract
• Ⅰ. 서론
• Ⅱ. 딥러닝 알고리즘을 이용한 용융흔외형 모델 구조
• 2.1 Machine learning
• 2.2 용융흔 외형 판별을 위한 알고리즘 설계
• Ⅲ. 결론
• REFERENCES

참고문헌 (Reference)

1 김민기, "심층 신경망 기반의 앙상블 방식을 이용한 토마토 작물의 질병 식별" 한국멀티미디어학회 23 (23): 1250-1257, 2020

2 이미경, "샴 신경망 출력값의 우도비 기반 동일인 필적 여부에 관한 분석" 국제차세대융합기술학회 5 (5): 503-509, 2021

3 곽내정, "변형된 잔차블록을 적용한 CNN" 한국멀티미디어학회 23 (23): 803-811, 2020

4 Y. H. Kim, "Visual inspection methods of Short-circuit traces of the electrical wiring" 212-222, 2016

5 K. M. Park, "The comparison of grain orientation characteristics of primary and secondary beads using EBSD and statistical analysis by T test and F test" Chonbuk National University 2018

6 H. J. Lee, "Mid-layer visualization for microstructural images cast irons using convolutional neural network" Graduate School of Chosun University 2021

7 Y. L. He, "Image processing system based on convolutional neural networks" Graduate School of Paichai University Daejeon 2018

8 R. J. Roby, "Forensic investigation techniques for inspecting electrical conductors involved in fire" 2012

9 National Fire Agency, "Fire statistical yearbook"

10 박광묵, "EBSD를 이용한 1, 2차 용융흔 결정립의 방위 비교 분석" 한국전기전자재료학회 30 (30): 728-733, 2017

11 K. H. Park, "Displacement prediction of structures using signal image data based CNN" Yonsei University 2021

12 E. P. Lee, "Discrimination between primary and secondary molten marks on electric wires by DAS" 49 (49): 32-37, 1999

13 K. He, "Deep residual learning for image recognition" 770-778, 2016

14 S. W. Nam, "An experimental study on the discrimination criteria of the fire cause by analysis of melting marks on electric wire" Gyeonggi University 2014

15 C. H. Lee, "An empirical evaluation of residual network" 20 (20): 73-76, 2016