fix README

-1. 계획서 업로드 
+Automatic Calculation System with Image Recognition deep running
+=================================================================================================================================
+Service introduce
+---------------------------------------------------------------------------------------------------------------------------------
+
+>편의점이나 대형마트에서는 바코드 스캐닝 시스템을 사용하고 있다. 이와 같은 방법으로는 바코드를 찾기 위한 시간이 지체되거나 바코드가 손상되어 인식이 어려운 경우등 바코드 스캐닝을 이용하는데에 문제점이 발생한다. 
+따라서 본 논문에서는 이와 같은 기존의 바코드 계산 시스템의 문제들을 해결하기 위해 이미지 인식 딥러닝 기반의 자동 계산 시스템을 제시한다. 
+
+
+Supported Platforms & Test Environments
+---------------------------------------------------------------------------------------------------------------------------------
+
+>Raspberry Pi 3 Model B
+Paspberry Pi Camera Rev. 1.3
+Ubuntu MATE 16.04.2
+C++ 컴파일러 버전 11이상
+
+
+Application Project Setup
+---------------------------------------------------------------------------------------------------------------------------------
+
+>1. 프로젝트 Clone 
+
+>2. 쉘파일에 권한 부여
+~~~
+chmod +x ./predict.sh
+~~~
+
+>3. c++코드 컴파일
+~~~
+g++ -std=c++11 main.cpp
+~~~
+
+>4. 실행
+~~~
+./predict.sh
+~~~
+
+
+Detail
+---------------------------------------------------------------------------------------------------------------------------------
+
+>1. 계획서 업로드 
 [강현준, 권은진, 김효은, 하미르] 라즈베리파이에 이미지 프로세싱 딥러닝을 적용한 자동화 계산 시스템
 
 
-2. 중간보고서(논문) 업로드 
+>2. 중간보고서(논문) 업로드 
 [강현준, 권은진, 김효은, 하미르] 이미지 인식 딥러닝을 적용한 자동화 계산 시스템_중간보고서(논문)
 
 
-3. simple_convnet 원본코드 업로드
+>3. simple_convnet 원본코드 업로드
 
 
-4. params.pkl->params.csv
+>4. params.pkl->params.csv
 프로그램의 속도보장을 위해 python->c++ 컨버팅 작업이 필요함
 python 코드에서 가중치를 pickle 파일에 저장하는데 c++에서는 pickle 파일을 읽는 데에 어려움이 있음
 pickletools라는 라이브러리가 있지만 에러가 많고, 자바, 파이썬, C++ 여러 언어를 지원해 무겁기 때문에 속도를 올리기 위한 컨버팅 작업에는 적절하지 않음
 그래서, 파라미터를 저장하는 부분을 csv로 바꿔  C++에서 그 파일로 읽기위해 params.pkl을 params.csv로 바꾸는 코드를 추가함
 
 
-5.  params.pkl->params.txt
+>5.  params.pkl->params.txt
 입력처리할 때 csv파일로 읽으면 속도가 느림
 이 또한 속도를 올리기 위한 컨버팅 작업의 목적에 맞지 않기 때문에 params.pkl 파일을 csv 파일이 아닌 txt 파일로 바꿈
 
 
-6. python test 코드 추가
+>6. python test 코드 추가
 test하는 부분만 골라내기 위해 python test 코드를 추가(test.py), simple_convnet 내용 추가
 
 
-7. python test 폴더 추가
+>7. python test 폴더 추가
 python test 폴더에는 test에 필요하지 않은 train 부분을 삭제함 
 
 
-8. make_img.py 추가
+>8. make_img.py 추가
 이미지를 불러와 (32,32,3)의 크기로 resize한 후 input.txt에 저장함
 
 
-9. simple_convnet_cpp 코드 추가
+>9. simple_convnet_cpp 코드 추가
  1) layers.hpp : Convolution, ReLu, Normalization, Pooling, DW_Conv등 각 layer가 구현
  2)  SimpleConvNet.hpp : 딥러닝 모델이 구현
  3) input.txt : make_img.py코드로 만든 이미지를 (32,32,3)의 크기로 만들어 txt파일로 저장
@@ -44,39 +86,39 @@ python test 폴더에는 test에 필요하지 않은 train 부분을 삭제함
  *프로젝트 생성 시 sdl 검사 체크 해제
 
 
-10. google_image_crwaling 코드 추가
+>10. google_image_crwaling 코드 추가
 필요한 데이터셋을 만들기 위한 google_image_crwaling 코드 추가
 
 
-11. chrome_crwaling 확장프로그램 추가
+>11. chrome_crwaling 확장프로그램 추가
 앞서 만든 코드는 1회에 20장의 사진만 다운로드 가능
 데이터셋을 만들기 위해서는 훨씬 더 방대한 양의 데이터가 필요함
 googel chrome의 확장프로그램을 활용한 구글 이미지 검색 결과 크롤링 프로그램 구현
 
 
-12. simple_convnet_rasberryPi 코드 추가
+>12. simple_convnet_rasberryPi 코드 추가
 라즈베리파이에서 구동되는 코드 추가
 make_img.py에서는 라즈베리파이에 연결된 카메라가 촬영을 하면 그 사진을 32*32*3 사이즈로 resize해준 후 input.txt파일로 변환해줌
 main.cpp에서 convnet 코드 실행
 predict.sh 쉘파일로 전체 실행
 
 
-13. dataset 추가
+>13. dataset 추가
 image_process.py : cropping을 통해 정사각형 형태를 만들고 32*32 크기로 resize, 사진 반전, 회전을 통해 사진 1개당 8개의 데이터를 생성
 크롤링을 통해 휴지, 소주, 캔음료, 라면, 삼각김밥 각각 500개씩의 이미지를 다운받음
 한 카테고리당 4000개의 데이터를 생성
 
 
-14. data.bin.gz
+>14. data.bin.gz
 직접 만든 데이터셋. 32*32의 이미지를 rgb로 분리하여 이미지 1개당 3072개의 데이터, 1개의 label을 포함하여 3073개의 데이터를 갖음 
 
 
-15. params.pkl 추가
+>15. params.pkl 추가
 제작한 데이터셋을 트레이닝하고 나온 가중치를 저장한 params.pkl 파일 추가
 
 
-16. simple_convnet_rasberryPi 코드 추가
+>16. simple_convnet_rasberryPi 코드 추가
 인식한 결과에 따라 계산서가 나오도록 코드를 추가
 
 
-17. 최종 발표 ppt 및 데모 영상 추가
\ No newline at end of file
+>17. 최종 발표 ppt 및 데모 영상 추가
\ No newline at end of file