Earticle

기와는 고대 건축 및 생산체계를 연구하는 데 중요한 자료이다. 수막새·암막새·평기와 등에 나타나는 문양과 제작흔은 시대와 지역, 제작기술 및 생산집단의 특성을 반영한다. 그러나 기존의 기와 연구는 연구자의 육안 판독과 경험에 크게 의존하여 자료 분류와 비교 과정에서 많은 시간과 노동이 요구되며, 대량의 자료를 체계적으로 분석하는 데 한계가 있었다. 이에 본 연구는 최근 급속히 발전한 AI 기반 이미지 판별 기술을 기와 연구에 적용할 가능성을 검토하고, 실제 연구에 활용할 수 있는 기술적 방법론을 제시하는 데 목적이 있다. 대형 멀티모달 모델(LMM)과 컴퓨터 비전(Computer Vision) 기술을 활용하여 기존 발굴보고서와 이미지 자료를 자동으로 분석·추출하는 방안을 제안하였다. 특히 객체 탐지(Object Detection), 이미지 분류(Image Classification), 이미지 분할(Image Segmentation) 등의 기술을 활용하면 문양의 위치와 형태, 제작흔의 종류와 분포를 효율적으로 판별할 수 있으며, 데이터 증강과 유사 이미지 검색 기술을 통해 기와 데이터셋 구축과 자동 분류의 정확도를 향상시킬 수 있음을 논의하였다. 아울러 AI 기반 분석은 텍스트와 이미지, 3D 데이터 등 다양한 정보를 통합하여 기존 연구에서 파악하기 어려웠던 생산체계와 유통관계, 제작기법의 변화 등을 규명하는 데 기여할 수 있다. 본 연구는 기와 연구가 디지털 전환과 AI 기술의 도입을 토대로 더욱 정량적이고 체계적인 연구 방법론으로 확장될 가능성을 제시하였으며, 향후 고고학 및 문화유산 연구 전반의 새로운 연구 방향을 모색하는 기초 자료가 될 것으로 기대된다.

Roof tiles constitute important archaeological materials for understanding ancient architecture, production systems, and technological traditions. Decorative patterns and manufacturing traces preserved on these materials provide valuable information regarding chronology, regional characteristics, production techniques, and workshop organization. However, conventional studies of roof tiles have relied heavily on visual inspection and expert experience, making the analysis of large-scale datasets both time-consuming and labor-intensive. This study aims to examine the applicability of recent advances in artificial intelligence (AI)-based image recognition technologies to roof tile research and to propose methodological approaches for their practical utilization. The study identifies major visual patterns observable in archaeological roof tiles, including roof-end tile motifs, paddle marks, stamped inscriptions, textile impressions, and cord marks. Furthermore, it explores the application of large multimodal models (LMMs) and computer vision technologies to automatically extract and analyze image data from excavation reports and archaeological archives. Object detection, image classification, and image segmentation techniques are discussed as effective tools for recognizing the location, morphology, and distribution of decorative and technological features. In addition, image augmentation and similarity search methods are considered for constructing reliable datasets and improving classification accuracy. The integration of AI technologies with textual, visual, and three-dimensional data is expected to facilitate a more comprehensive understanding of production systems, distribution networks, and technological changes that have been difficult to reconstruct using traditional approaches. This study demonstrates the potential of AI-assisted methodologies to transform roof tile research into a more systematic and quantitative field and suggests new directions for digital archaeology and cultural heritage studies.

There is a function that describing the severity of vehicle’s accident by (changes of speed in the center of gravity of vehicle, km/h), impact point of the collision vehicle, the impacted point, and EES(Energy Equivalent Speed, km/h) using depth of impacted vehicle and the energy loss of the vehicle. CNN(Convolutional Neural Networks) is mainly used in Deep-learning to process image or video data. Convolution is a Neural Network model before preprocessing task. In PC-Crash V 13.0 has a EES-CNN function using EES and CNN. When user inputs image file of damaged vehicle, EES-CNN shows predicted  with a bar graph. To utilize this EES-CNN function in real accident-analysis, it has to be verified or needs improvements. In this study, after collecting images from NHTSA NASS-CDS in frontal collision condition, then verified if predicted data matches to Δυ data from NASS. Furthermore we analyzed property of pictures and presented a method of taking a picture for EES-CNN function to get higher accuracy.

After CNN basic structure was introduced by LeCun in 1989, there has not been a major structure change except for more deep network until recently. The deep network enhances the expression power due to improve the abstraction ability of the network, and can learn complex problems by increasing non linearity. However, the learning of a deep network means that it has vanishing gradient or longer learning time. In this study, we proposes a CNN structure with MLP layer. The proposed CNNs are superior to the general CNN in their classification performance. It is confirmed that classification accuracy is high due to include MLP layer which improves non linearity by experiment. In order to increase the performance without making a deep network, it is confirmed that the performance is improved by increasing the non linearity of the network.

대형서점의 도서위치 안내시스템은 텍스트 기반으로 해석이 필요하며 안내된 위치에 도서가 없는 경우가 다수 발생해 도서를 찾는데 시간과 노력이 소요되고 있다. 딥러닝 기술 중 CNN(Convolutional Neural Network)을 이용해 이미지 분석을 활용해, 찾고자 하는 도서의 실시간 위치를 이미지 기반으로 안내하 는 시스템 개발을 실시하였다. 이를 통해 사용자와 서점 관계자 모두 도서 탐색에 시간과 노력을 절감 할 수 있으며 증강현실 기술과의 융합을 통해 더욱 사용성을 증진시킨다.

This paper proposed a system that will guard infrastructures against incoming threats from drones by detecting it with the use of a radar device-based detection scheme. The database acquired, named Real Doppler RAD-DAR (Radar with Digital Array Receiver) is constructed by a Microwave and Radar Group. The radar used uses a Frequency Modulated Continuous Wave (FMCW) on an 8.75 GHz based frequency band with a BW of 500 MHz. The proposed Convolutional Neural Network (CNN), CNN-32DC is varied with different number of filters, combination layers, and number of feature extraction blocks, the preference that will give the most accurate result was selected and compared with different machine learning and classification learning algorithms gained an accuracy that exceeds other networks with less processing time.

음성인식 기술은 딥러닝과 결합되며 빠른 속도로 발전하고 있다. 특히 음성인식 서비스가 인공지능 스피커, 차량 용 음성인식, 스마트폰 등의 각종 기기와 연결되며 음성인식 기술이 산업의 특정 분야가 아닌 다양한 곳에 활용되고 있다. 이러한 상황에서 해당 기술에 대한 높은 기대 수준을 맞추기 위한 연구 역시 활발히 진행되고 있다. 그중에서 자연어처리 (NLP, Natural Language Processing)분야에서 음성인식 인식률에 많은 영향을 주는 주변의 소음이나 불필요한 음성신 호를 제거하는 분야에 연구가 필요한 상황이다. 이미 많은 국내외 기업에서 이러한 연구를 위해 최신의 인공지능 기술을 활용하고 있다. 그중에서 합성곱신경망 알고리즘(CNN)을 활용한 연구가 활발하게 진행되고 있다. 본 연구의 목적은 합성 곱 신경망을 통해서 사용자의 발화구간에서 비음성 구간을 판별하는 것으로 5명의 발화자의 음성파일(wav)을 수집하여 학습용 데이터를 생성하고 이를 합성곱신경망을 활용하여 음성 구간과 비음성 구간을 판별하는 분류 모델을 생성하였다. 이후 생성된 모델을 통해 비음성 구간을 탐지하는 실험을 진행한 결과 94%의 정확도를 얻었다.

Speech recognition technology is being combined with deep learning and is developing at a rapid pace. In particular, voice recognition services are connected to various devices such as artificial intelligence speakers, vehicle voice recognition, and smartphones, and voice recognition technology is being used in various places, not in specific areas of the industry. In this situation, research to meet high expectations for the technology is also being actively conducted. Among them, in the field of natural language processing (NLP), there is a need for research in the field of removing ambient noise or unnecessary voice signals that have a great influence on the speech recognition recognition rate. Many domestic and foreign companies are already using the latest AI technology for such research. Among them, research using a convolutional neural network algorithm (CNN) is being actively conducted. The purpose of this study is to determine the non-voice section from the user's speech section through the convolutional neural network. It collects the voice files (wav) of 5 speakers to generate learning data, and utilizes the convolutional neural network to determine the speech section and the non-voice section. A classification model for discriminating speech sections was created. Afterwards, an experiment was conducted to detect the non-speech section through the generated model, and as a result, an accuracy of 94% was obtained.

In outdoor optical wireless communication systems, weather-induced turbulence affects optical signals, resulting in distortion, thereby, degradation in communication performance. The channel model including turbulence is used for estimating the performance of optical wireless communication system under turbulence. A deep learning algorithm is developed to classify degree of turbulence. This study is based on channel classification using a convolutional neural network for a 4-PSK optical wireless communication system. The channel characteristics are generated following the gamma-gamma distribution. By labeling each data point and distorted constellation for different degrees of turbulence, the deep learning model is trained, and its classification performance is evaluated.

에어컴프레서는 다양한 제조공장에서 널리 사용되고 있는 원동기이며, 공기역학을 기반으로 하는 다수의 제조 장비 에 동력을 제공하고 있어, 예기치 못한 고장이 발생할 경우 전체 제조라인의 가동이 중단될 수 있다. 본 연구에서는 컴프레서에 통신이 가능한 진동센서를 부착하여 컴프레서 가동 시 발생되는 진동 데이터를 클라우드 상에 축적하고 수집된 데이터로부터 컴프레서의 운영 상태 진단을 위한 특징들을 추출하였다. ‘합성곱신경망(Convolutionl Neural Networks)’을 활용하여 수집된 데이터와 추출된 특징들을 학습시켜 컴프레서의 상태 건전성을 자동으로 예측할 수 있도록 인공지능 알고리즘을 고안하였다. 이후 합성곱신경망의 최적화 파라미터별로 컴프레서의 건전성 예측 정확도에 어떠한 영향을 미치는지 실험하였다. 실험결과, 합성곱신경망을 통한 컴프레서의 진동 데이터 분석에 서는 ‘모멘텀’ 최적화 기법의 판정 정확도가 가장 우수하였다. 데이터 셋의 특성에 따라 적절한 신경망 최적화 기법 이 합성곱신경망 학습 효율과 예측 정확도를 결정짓는 매우 중요한 요소임을 확인할 수 있었다.

The air compressor is a common rotating machine that is widely used in various manufacturing plants, and provides power to a number of manufacturing devices based on aerodynamics in the plant, so if an unexpected failure occurs, the entire manufacturing line can be shut down. In this study, a vibration sensor capable of communication was attached to the compressor, the vibration data generated during compressor operation was accumulated on the cloud, and features for diagnosing the operating status of the compressor were extracted from the collected data. An artificial intelligence algorithm was designed to automatically predict the health-condition of the air- compressor by learning the collected data and extracted features using ‘Convolutional Neural Network (CNN). And then we tested how each CNN optimization parameter affected the compressor's health prediction accuracy. As a result of the experiment, in analyzing compressor vibration data through CNN, the ‘momentum’ optimization algorithm had the best accuracy, and depending on the characteristics of the data set. We found that appropriate neural network optimization techniques are a very important factor in determining CNN learning efficiency and prediction accuracy.

본 논문에서는 연구실에서의 보호 장비 미착용 및 안전수칙 미준수로 인하여 꾸준히 발생하고 있는 사고를 예방 하기 위해 AI 기반의 연구실 출입관리시스템을 개발하였다. 이 시스템은 연구실 출입 전 사용자의 얼굴을 인식하여 신원 을 확인하고, 복장 인식을 통해 적절한 보호 장비 착용 여부를 확인한다. 얼굴 및 복장 인식을 위하여 AI 기술이 적용되 었으며 실험실 출입 기록과 사용자 정보는 데이터베이스에 저장된다. 또한 시스템 관리자에게 서비스를 통하여 실험실의 출입 관리를 손쉽게 할 수 있도록 구현하였다.

In this paper, we developed the laboratory access management system based on AI to prevent accidents that frequently occur due to the failure to wear protective equipment and non-compliance with safety rules in laboratories. The system recognizes the user's face before entering the laboratory to verify their identity and checks whether appropriate protective gear is worn through attire recognition. Additionally, AI-based face and attire recognition enables the inspection of attire during entry, and entry records along with user information are stored in a database. In addition, it was implemented to make it easier for system managers to manage access to the laboratory through services.

오늘날 디지털 플랫폼의 발달과 팬데믹 상황에 더불어 온라인 시장은 급속도로 성장하였다. 이로 인해 기존의 오프라인 시장과 다르게 온라인 시장에서의 특수성으로 인해 사용자들은 온라인 리뷰를 확인하게 되었고, 여러 연구들의 선례를 통해 리뷰가 사용자의 구매 의도를 정하는 데 중요한 역할을 하는 것을 확인할 수 있었다. 하지만 기존의 리뷰 작성 방식에서는 작성자의 감정이 글의 어투나 단어와 같은 요소들을 통해 표현됨으로써 다른 사용자가 작성자의 감정을 쉽게 파악하기 어려웠으며 작성자가 감정을 표현하기 위해 강조하고 싶은 부분이 있다면 작성자가 일일이 강조하고 싶은 부분의 굵기를 굵게 하거나 감정에 따라 색상을 바꾸는 등 여러 번거로운 작업의 수고가 필요하였다. 따라서, 본 논문에 서는 기존의 이러한 점을 보완하기 위해 카메라를 이용하여 표정 인식을 통해 사용자의 감정을 확인하고 기존의 감정과 색상에 관한 연구를 활용하여 각 감정에 맞는 색상을 자동으로 설정하고 사용자의 의도에 따라 사용자 리뷰에서 색상을 부여하는 기법을 제안하고자 한다.

Today, the online market has grown rapidly due to the development of digital platforms and the pandemic situation. Therefore, unlike the existing offline market, the distinctiveness of the online market has prompted users to check online reviews. It has been established that reviews play a significant part in influencing the user's purchase intention through precedents of several studies. However, the current review writing method makes it difficult for other users to understand the writer's emotions by expressing them through elements like tone and words. If the writer also wanted to emphasize something, it was very cumbersome to thicken the parts or change the colors to reflect their emotions. Therefore, in this paper, we propose a technique to check the user's emotions through facial expression recognition using a camera, to automatically set colors for each emotion using research on existing emotions and colors, and give colors based on the user's intention.

CNN(Convolution Neural Network)은 합성곱(Convolution)을 이용해서 시각적 이미지를 분석하는데 사용되는 인공지능 기술이다. 본 논문에서는 CNN을 이용한 실시간 심리 상담 서비스에 대해 논한다. 상담 서비스에 심리학과 CNN을 접목시킴으로써 내담자의 사진을 심리학적 비언어 행동을 기반으로 분석하여 내담자의 예상 심리를 파악하고, 유의미한 상담 자료를 생성해 상담의 질을 향상시킬 수 있도록 한다.