시맨틱 세그멘테이션 기반의 P&ID 심볼 탐지에 대한 연구

Q: 이 논문에서 정의한 시맨틱 세그멘테이션이란 무엇인가?

시맨틱 세그멘테이션은 일반적인 분류 모델과 달리 이미지 내에서 픽셀 단위로 다수의 의미 영역을 구분하는 기술이다. 이는 객체를 바운딩 박스로 표시하는 오브젝트 디텍션과 다르게, 픽셀 단위로 더욱 섬세하게 픽셀의 클래스를 분류하여 정교한 객체 탐지를 가능하게 한다.

Q: P&ID 심볼 탐지에 U-Net이 FCN보다 정밀한 결과를 산출하는 이유는 무엇인가?

연구 결과, U-Net은 Up-Sampling 단계의 차수를 Down-Sampling과 동일하게 생성하여 Output Segmentation Map의 해상도를 향상한다. 또한, Down-Sampling 단계에서 저장된 지역 정보가 Up-Sampling의 동일한 단계에 전달되어 FCN의 이중 선형 보간법보다 더 정밀한 심볼 인식 결과를 산출하는 것으로 나타났다.

오상진; 이현; 이정규; 이영환; 정은경; 이현식

doi:10.7315/CDE.2020.397

추천

검색

질문

자료유형: 학술저널

저자정보: 오상진 (현대엔지니어링) 이현 (현대엔지니어링) 이정규 (현대엔지니어링) 이영환 (현대엔지니어링) 정은경 (현대엔지니어링) 이현식 (현대엔지니어링)

저널정보: (사)한국CDE학회 한국CDE학회 논문집 한국CDE학회 논문집 제25권 제4호

발행연도: 2020.12

수록면: 397 - 405 (9page)

DOI: 10.7315/CDE.2020.397

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

Although the Fourth Industrial Revolution comes to reality rapidly, construction industry is going through a difficult time to adopt new technologies. Also, improving productivity is one of the most urgent issues for major construction companies. However, reading information and digitizing them from imaged drawings takes much time and it becomes a reason for low productivity. Thus, in this paper, we propose a method to recognize symbols in P&ID (piping and instrumentation diagram) using neural networks for Semantic Segmentation. First, crop a drawing into small patches and label on them 8 classes of symbol. Then, Train U-net and FCN with 2,500 patches with annotation. After training, results of recognition are displayed with color code on imaged drawings. Finally, we run tests with 5 new P&ID drawings and scored the performance of our recognition models.

#Deep Learning #FCN #Piping and Instrument Diagram #Symbol Recognition #U-Net

참고문헌

참고문헌 신청

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2021-530-001425271

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)