메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Young-Chan Lee (Korea Maritime & Ocean Universiy) Mi-rae Kim (Korea Maritime & Ocean Universiy) HeeJoo Jang (Korea Maritime & Ocean Universiy) Tae-youl Jeon (Korea Maritime & Ocean Universiy)
저널정보
한국마린엔지니어링학회 Journal of Advanced Marine Engineering and Technology (JAMET) 한국마린엔지니어링학회지 제48권 제6호
발행연도
2024.12
수록면
502 - 509 (8page)
DOI
10.5916/jamet.2024.48.6.502

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
This study addresses the challenges of ship spare parts management, a critical task for ensuring maritime safety and operational efficiency. Due to the large number of components and reliance on manual processes, inventory discrepancies often occur, increasing the risk of safety incidents. To address these challenges, this research investigates transfer learning algorithms for the classification of ship spare parts. Pre-trained models, including Xception, DenseNet-201, InceptionV3, and NASNet-Large, were finetuned using MATLAB with the ImageNet dataset. Among the models tested, DenseNet-201 demonstrated superior performance with the lowest loss function and the highest validation accuracy. Its dense connectivity structure proved effective in minimizing misclassifications and enhancing recognition accuracy. These findings suggest that DenseNet-201 is the most suitable model for ship spare parts classification. Future work will focus on developing a real-time spare parts management system incorporating this model. The system aims to optimize operational efficiency, reduce human error, and adapt to changing requirements through automated alerts and reporting functionalities.
#Ship spare parts management #Transfer learning #Image classification #Convolutional neural networks #DenseNet-201

목차

Abstract
1. Introduction
2. Current Status and Regulations for Ship Spare Parts Management
3. Proposed Model for Ship Spare Parts Management Using Transfer Learning
4. Model Training and Results
5. Conclusion
References

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

이 논문과 함께 이용한 논문

배터리 기반의 하이브리드 전력계통 운용을 위한 선박용 EMS 연구
김민욱 ,  오진석 전기학회논문지 2024 .01
개선된 비전 트랜스포머를 이용한 단일 영상의 깊이 맵 예측
박채림 ,  이광일 ,  조석제 한국지능시스템학회 논문지 2023 .06
Monostatic/Bistatic/Multistatic 미세도플러 영상을 융합한 효과적인 탄도미사일 식별 연구
손재환 ,  차상빈 ,  정주호 외 2명 한국정보기술학회논문지 2023 .11
함정 추진체계 이상진단을 위한 회귀 모델 설계
심재순 ,  박찬영 ,  이헌석 외 1명 한국정보통신학회논문지 2023 .08
다기능 레이다 자원 관리를 위한 효율적인 드웰 타임 할당 기법
차상빈 ,  박상홍 ,  정주호 외 2명 한국정보기술학회논문지 2023 .05

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-25-02-092105022