IoT AI model project

• IoT 데이터를 활용한 AI 모델 개발 프로젝트 입니다.
• Target Device : Nivida jetson TX2 (4GB)
• 학습머신에서는 Pytorch, Tensorflow로 모델 개발 및 학습하고 ONNX로 전환하며, 최종적으로 Jetson TX2에서 ONNX를 TensorRT 모델로 전환하여 사용합니다.
• 공개된 학습데이터셋을 활용하며, 본 프로젝트 코드에는 데이터셋은 포함되어 있지 않습니다. (아래 링크를 따라 별도로 다운로드)

이미지 분류 모델

1. Inception v4

• 목적 : 주조 제품의 불량 검출 (Classification, 클래스 2종)
• 학습 데이터 : 224x224 이미지, 5만장
  • https://www.kaggle.com/datasets/ravirajsinh45/real-life-industrial-dataset-of-casting-product
• 목표 성능치 : 8.8 fps, F1-Score 90%
• Refercences
  • Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning, 2016

2. ResNet50

• 목적 : 주조 제품의 불량 검출 (Classification, 클래스 2종)
• 학습 데이터 : 224x224 이미지, 5만장
  • https://www.kaggle.com/datasets/ravirajsinh45/real-life-industrial-dataset-of-casting-product
• 목표 성능치 : 28.8 fps, F1-Score 90%
• Refercences
  • Deep Residual Learning for Image Recognition, 2015

객체 인식 모델

3. SSD ResNet18

• 목적 : 디지털 배전판, 계기판 숫자 인식 (Text recongnition)
• 학습 데이터 : 서버실 디지털 온도계, 습도계, 시계, 디지털 카운터
  • https://www.kaggle.com/datasets/keshavaprasad/svhnvocyolodigitdetector?resource=download
• 목표 성능치 : 12.8 fps, mAP@0.75 90%
• Refercences
  • Deep Residual Learning for Image Recognition, 2015
  • SSD: Single Shot MultiBox Detector, 2015

4.Yolo3

• 목적 : 디지털 배전판, 계기판 숫자 인식 (Text recongnition)
• 학습 데이터 : 서버실 디지털 온도계, 습도계, 시계, 디지털 카운터
  • https://www.kaggle.com/datasets/keshavaprasad/svhnvocyolodigitdetector?resource=download
• 목표 성능치 : 20 fps, mAP@0.75 90%
• Refercences
  • YOLO: Real-Time Object Detection
  • YOLOv3: An Incremental Improvement, 2018

이미지 분할 모델 (Image Segmentation)

5. Unet

• 목적 : 이미지 내의 사람 영역 인식
• 학습 데이터 : 다양한 크기와 자세인 사람(전신, 상반신) 이미지 (supervisely human)
  • https://www.kaggle.com/datasets/tapakah68/supervisely-filtered-segmentation-person-dataset
• 목표 성능치 : 13.5 fps, Dice coefficient 90%
• Refercences
  • U-Net: Convolutional Networks for Biomedical Image Segmentation, 2015

시계열 분류 모델

6. LSTM

• 목적 : 3상 모터의 전류 데이터 기반 이상 감지 (Classification, 클래스 5종)
• 학습 데이터 : 지하철 환풍구 3상모터의 전류 데이터
  • https://aihub.or.kr/aihubdata/data/view.do?currMenu=116&topMenu=100&aihubDataSe=ty&dataSetSn=238
• 목표 성능치 : F1-Score 90%

7. RNN

• 목적 : 3상 모터의 진동 데이터 기반 이상 감지 (Classification, 클래스 5종)
• 학습 데이터 : 지하철 환풍구 3상모터의 진동 데이터
  • https://aihub.or.kr/aihubdata/data/view.do?currMenu=116&topMenu=100&aihubDataSe=ty&dataSetSn=238
• 목표 성능치 : F1-Score 90%