컨볼루션 신경망을 활용한 초·중·고 교과서의 나무 분류 모형 개발

Abstract

The goal of this study is to propose an efficient model for recognizing and classifying wooden images to measure the accuracy that can be applied to smart devices during class. From the 2009 revised textbook to the 2015 revised textbook, the learning objective to the fourth-grade science textbook of elementary schools was added to the plant recognition utilizing smart devices. Before 2009 revision textbooks, students had learned classification of plants only using eye and magnifying glass. After the revised textbook of 2015, however, it recommends that students can adapt smart devices in line with the growth of the digital age. In this study, we compared the recognition rates of trees before and after retraining using a pre-trained inception V3 model, which is the support of the Google Inception V3 (Conception Neural Network (CNN) based on Inception V3). In terms of tree recognition, it can distinguish several features, including shapes, colour, leaves, flowers, and fruits that may lead to the recognition rate. Furthermore, if all the leaves of trees may fall during winter, it may challenge to identify the type of tree, as only the pillars (bark) of the tree will remain some leaves. Therefore, the effective tree classification program is presented through the combination of the images by tree type and the method of combining the model for the accuracy of each tree type. I hope that this program will apply to smart devices used in educational settings.;본 연구의 목적은 수업 시 스마트기기에 적용할 수 있는 나무 이미지를 인식하고 분류하여 정확도를 측정할 수 있는 효율적인 모델을 제안하는 것이다. 2009개정교과서에서 2015개정교과서로 넘어가면서 초등학교 4학년 과학교과서의 학습 목표에서 스마트 기기 사용한 식물 인식이 새롭게 추가 되었다. 2009개정 이전 교과서 에서는 같은 식물 분류라는 학습 주제에 대해 눈과 돋보기를 이용하여 단순히 관찰을 하도록 학습 목표를 제시하였다. 반면 2015개정 교과서 이후에는 정보화 시대에 따른 변화를 수용하여 스마트 기기를 이용하도록 제시한다. 본 연구에서는 컨볼루션 신경망(CNN) 기반의 사전 학습(Pre-trained)된 인셉션v3(InceptionV3)모델을 이용하여 재학습(Re-trained) 전후의 나무 부위별 인식률을 비교하여 나무를 인식 및 분류하는 성능을 향상시키는 모형을 연구하였다. 특히 나무 인식의 경우 다른 사물 인식과 달리 수형, 잎, 꽃, 열매의 부위별 특징이 있으며, 계절에 따라 모양 및 색깔의 변화를 거치므로 인식률에 차이가 존재한다. 뿐만 아니라 잎이 모두 떨어지는 겨울에는 나무의 수피(기둥)만 남아 나무 종류 판별에 어려움이 따를 수 있다. 그러므로 각 나무의 유형별 이미지 정확도를 결합시키는 방식(Combined Accuracy)을 통해 효율적인 나무 분류 방안을 제시하며, 나무 유형별 최상의 이미지 조합을 제시하여 교육현장에서 사용하는 스마트기기에 적용 할 수 있을 것이라 기대한다.