문제 이슈 학습의 배경데이터를 만들어야 하는데 촬영된 데이터(*.raw)를 학습용 데이터로 변환하는 작업을 수행하는 작업 중 데이터 본질에서 노이즈에 대한 이슈가 있었다. 노이즈 값은 pixel이 0의 값을 가지고 있으며 X-ray 특징상 투과되지 못한 데이터일 경우 0의 값을 반환한다. 해당 데이터의 잡음을 제거하되 merge같은 이미지필터를 통해 영상전체에 영향을 주면 안된다. 그리고 이미지가 높은 픽셀쪽으로 전체적으로 치우쳐져있기 때문에 평활화를 진행해야한다. 결과(잡음) 이전 이후 결과(전체) 이전 이후 Git https://github.com/MizzleAa/Xray_Image_Processing_Algorithm/blob/main/library/images/convert.py GitHub - ..
문제 인공지능 학습을 위해 데이터 증설이 필요하다. 그래서 이미지 합성알고리즘을 만들었다. 해결 16bit gray scale 인 2개 이미지를 합성을 수행한다. 합성할 이미지 1 합성할 이미지 2 합성 X-ray 이미지는 투과되는 영상이기 때문에 투영도를 조절해서 수식을 개발해야했다. 일반 이미지 처리 수식이 아닌 직접 수식을 개발하였고 실제 환경과 비교하였다. 데이터 증설을 위한 합성 수행 Git https://github.com/MizzleAa/Xray_Image_Processing_Algorithm/blob/main/library/images/synthesis.py GitHub - MizzleAa/Xray_Image_Processing_Algorithm: xray에 사용된 영상처리 알고리즘 및 학..
ℹ️요약 이미지의 크기를 고정(600x600)시킨다. 해당 객체에 대한 bounding Box를 잘라 객채별로 분류한다. 잘라진 이미지 크기(224x224)를 변형한다. vgg16(backbone)의 입력값을 224x224로 변경한다. faster-rcnn을 통해 학습을 수행한다. 0. Abstract 학습 검출기로는 데이터 분류가 가능하나 가시적인 공개 데이터 셋에 대해서 효능적인 성능을 내지 못하는 문제가 있다. 이에 따라 본 논문에서는 X-ray를 위한 물체 검출 알고리즘을 제안한다. X-ray 물체를 이미제에서의 객체 및 색상을 기반으로 하는 전경-배경 분할 알고리즘을 사용한다. 그 후 해당 객체를 각각의 유형의 개체로 분류하고 개요를 설명한다. 학습 알고리즘은 Faster R-CNN을 사용한다...
- Total
- Today
- Yesterday
- SI Xray
- Example
- 이미지 잡음
- Prototype
- faiss
- GD Xray
- React Redux
- cascade Mask R-CNN
- fastapi
- 인공지능
- OPI Xray
- torchvision
- gitmoji
- pytorch
- Python
- 16bit 합성
- REACT
- segment anything
- Ai
- 산업용
- X-RAY
- X-ray Dataset
- pytest
- X-ray 합성
- C#
- ROI
- Filter
- image noise
- 산업용 X-Ray
- 연관 이미지 검색
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 | 31 |