Recomendados
Recomendados
Mais conteúdo relacionado
Semelhante a Inuit-어디보냐(ATTenTion DeTection).pptx
Semelhante a Inuit-어디보냐(ATTenTion DeTection).pptx (16)
Inuit-어디보냐(ATTenTion DeTection).pptx
- 1. Capstone Design Capstone Design 김동규, 김남형, 최경수 2022/05/12 INUIT
- 2. Table of content 개발 동기 집중도 판단 모델 시연 01 02 03 04 시스템 개요
- 3. 개발 동기 01
- 4. 개발 동기 • 코로나 바이러스의 확산으로 Online에서 학습하는 시간이 증가 • 혼자 학습하는 시간이 증가 -> 집중력↓ 학습성취도↓ • 집중도 측정 및 기록 -> 측정 중이라는 자각 -> 집중력↑ 학습성취도↑ • 집중도 측정 및 기록할 수 있는 프로그램의 개발 필요성 대두
- 5. 시스템 개요 02
- 6. 시스템 개요 - Learning rate : 0.001 - Epochs : 10번 ResNet50
- 7. 집중도 판단 모델 03
- 8. ResNet50 - Learning rate : 0.001 - Epochs : 10번 ResNet50 Layer(Tensorflow) - Flatten layer • 3차원인 사진을 1차원으로 변환 - Dense layer1 • activation func : relu - BatchNormalization - Dense layer2 • Activation func : sigmoid result
- 9. 모델 데이터셋 0 50 100 150 200 mask_wear_model no_mask_model mask_model 이미지 수 데이터셋 수 집중 비집중 Model - no_mask_model • 마스크 안 썼을 때, 집중 비집중을 판별하는 모델 - mask_wear_model • 마스크 착용 여부를 판단하는 모델 - mask_model • 마스크를 썼을 때, 집중 비집중을 판별하는 모델
- 10. 판단 알고리즘 새로 판단하는 방법 마스크 착용 여부 판단 no_mask_model 마스크 착용 X 마스크 착용 mask_model 집중 여부 판단 mask_wear_model
- 11. 정확도 0 20 40 60 80 100 120 마스크 착용 마스크 미착용 Accuracy(%) mask_wear_model Accuracy mask_wear_model 95.66 100 98.95 95.5 100 93.6 99.61 97.25 0 50 100 150 사람1 사람2 사람3 사람4 Accuracy(%) no_mask_model Accuracy 비집중 집중 no_mask_model mask_model 98 98 0 20 40 60 80 100 120 집중 비집중 Accuracy(%) mask_model
- 12. 시연 04
- 13. 시연 영상
Notas do Editor
- INUIT 발표시작하겠습니다.
- 개발 동기입니다. 우선 재작년 코로나 바이러스의 확산으로 인해 온라인에서 학습하는 시간이 늘어났습니다. 그로 인해 혼자 학습하는 시간이 많다보니 자연스래 집중력이 낮아지고 따라서 학습성취도도 낮아지는 현상이 빈번했습니다. 이러한 문제의식에서 저희는 어떡하면 학습성취도를 높일 수 있을까라는 고민을 하다가 결국 찾은 해결 방안이, 학습하는 동안 집중도를 측정하고 이를 기록하게 되면 학습자 스스로 기록 중이라는 자각을 해 집중력 향상으로 이어진다는 생각을 하여 이러한 프로그램을 개발하게 되었습니다.
- 시스템 개요에 대해 설명하겠습니다. 사용자는 웹캠이 장착된 개인 랩탑 또는 데스크탑 PC에서 장고에서 제공되는 경량 웹 서버를 실행시킵니다. 그런 다음 웹 브라우저를 통해 루프백 주소의 8000번 포트로(127.0.0.1:8000) 들어가면 서비스를 이용할 수 있습니다. 집중도 측정 페이지에서 시작 버튼을 누르면 웹캠이 작동하여 웹캠에서 촬영한 사용자의 이미지를 통해 딥러닝 모델은 집중도를 판단하게 되고 그 결과는 데이터베이스에 저장됩니다. 학습을 종료하면 데이터베이스에 저장된 기록을 불러와 시간에 따른 점수의 그래프로 보여주며 다시 전체 평균 점수를 계산하여 데이터베이스에 저장합니다. 전체 평균 점수는 영구적으로 저장되며 학습 이력 조회 서비스에서 캘린더의 형태로 조회 할 수 있습니다.
- 이미지의 딥러닝을 위해 ResNet50을 사용했습니다. Learning rate는 0.001, Epochs는 10번으로 했습니다. 딥러닝 모델는 Tensorflow의 Dense, flatten, Batchnormalization 와 ResNet50를 이용해서 구성했습니다. 딥러닝 모델의 layer는 다음과 같습니다. Flatten layer와 2개의 Dense layer가 배치했습니다. 2개의 Dense layer 사이에는 배치 노멀라이재이션을 했습니다. 그 결과 행렬의 shape은 오른쪽 사진을 보면 알 수 있습니다. rhosc
- 앞에서 설명한 딥러닝 모델을 이용해서 총 3가지의 모델을 만들었습니다. No_mask_model은 마스크를 안 썼을 때, 집중 비집중을 판별하는 모델이고 mask_wear_model은 마스크 착용 여부를 판단하는 모델이고 mask_model은 마스크를 썼을 때, 집중 비집중을 판별하는 모델입니다. Mask_wear_model은 집중 비집중 각각 135장, no_mask_model은 집중 비집중 각각 150장, mask model은 집중 비집중 각각 165장의 사진을 사용했습니다.
- 이 순서도는 집중력 판단을 하는 과정을 나타낸 것입니다. 처음에는 마스크를 쓴 여부를 판단한 후 마스크를 착용했을 때와 착용하지 않았을 때를 각각 다른 모델로 집중력을 판단하는 방법을 사용했습니다.
- 다음은 각각 모델의 정확도를 나타낸 것 입니다. 마스크 착용 여부를 판단하는 mask_model1은 100%의 성능을 보여졌고 집중력 판별을 하는 모델인 model7과 model_only_mask1는 90가 넘는 정확도를 보여주었습니다.