Earticle

본 논문은 재난 환경에 적합한 경량화된 UWB 측위에 대한 연구를 소개한다. UWB는 디바이스간 정 밀한 거리 측정 기능을 제공하여 고정밀 측위에 활용된다. 하지만 재난 환경과 같이 무선 채널이 복잡 한 경우, UWB 측위 성능이 급격히 하락하는 문제가 발생한다. 최근 UWB 신호에 딥러닝 기술을 이용 하여 성능 하락 문제를 해결하는 연구들이 제안된다. 하지만 딥러닝 기술은 고성능 컴퓨팅 자원을 요 구하여 자원 제약이 있는 재난 상황에서 활용되기 어렵다. 본 논문에서는 XAI 기술을 적용하여 딥러 닝 기술의 높은 정확도를 유지하면서 동시에 연산 복잡도를 낮추기 위한 XLNet을 제안한다.

최근 인공지능에 대한 관심과 활용이 증가하면서 의료 산업의 패러다임도 치료나 병원중심의 이 용에서 예방과 이용자 중심으로 변화되고 있다. 이와 관련된 기술발전은 의료 빅데이터 구축과 활용 을 통한 서비스 향상 및 발전으로 이어지는 사례들로 많이 구축 활용되고 있다. 이에 본 연구에서는 9천여 장의 의료 영상 데이터를 기반으로 입력 영상 크기 및 훈련 회수에 따라 정확성 값을 비교하여 높은 결과 값을 갖는 입력 영상 데이터 조건을 찾는다. 이렇게 함으로써 소규모 의료 영상 데이터를 이용하여 높은 정확성을 확보함으로써 적은 비용으로도 질병 유무 판단에 활용할 수 있을 것이다. 이 를 위해 2차원 영상 데이터 학습과 정확성 분석에 효과적인 CNN 알고리즘을 사용하여 진행한다.

Recently, as interest in and use of artificial intelligence increases, the paradigm of the medical industry is also changing from treatment or hospital-centered use to prevention and usercentered use. Technological development related to this is being built and utilized in many cases leading to service improvement and development through the establishment and use of medical big data. Therefore, in this study, based on about 9,000 medical image data, the accuracy value is compared according to the input image size and the number of training times to find the input image data condition with a high result value. In this way, it will be possible to use small-scale medical image data to secure high accuracy and use it to determine the presence or absence of disease at low cost. To this end, we use a CNN algorithm that is effective for 2D image data learning and accuracy analysis.

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.

현재 4차 산업혁명을 맞이하여 머신러닝과 인공지능 기술이 급속도로 발전하고 있으며 보안 분야에서도 머신러 닝 기술을 응용하려는 움직임이 있다. 많은 악성코드가 생성됨에 따라 사람의 힘으로는 모든 악성코드를 탐지하기 어려워지고 있기 때문이다. 이에 따라 학계와 산업계에서는 머신러닝을 통해 악성코드나 네트워크 침입 이벤트를 탐지하는 것에 관한 연구가 활발히 진행되고 있으며 국제 학회와 저널에서는 머신러닝의 한 분야인 딥러닝을 이용 한 보안데이터 분석 연구가 논문 발표되고 있다. 그러나 해당 논문들은 검출 정확도에 초점이 맞추어져 있고 검출 정확도를 높이기 위해 여러 파라미터들을 수정하지만 Dataset의 개수를 고려하지 않고 있다. 따라서 본 논문에서는 CNN Mobile net 기반 악성코드 탐지 모델에서 가장 높은 검출 정확도를 도출할 수 있는 Dataset의 개수을 찾아내 어 많은 머신러닝 연구 진행에 비용과 리소스를 줄이고자 한다.

At the present stage of the fourth industrial revolution, machine learning and artificial intelligence technologies are rapidly developing, and there is a movement to apply machine learning technology in the security field. Malicious code, including new and transformed, generates an average of 390,000 a day worldwide. Statistics show that security companies ignore or miss 31 percent of alarms. As many malicious codes are generated, it is becoming difficult for humans to detect all malicious codes. As a result, research on the detection of malware and network intrusion events through machine learning is being actively conducted in academia and industry. In international conferences and journals, research on security data analysis using deep learning, a field of machine learning, is presented. have. However, these papers focus on detection accuracy and modify several parameters to improve detection accuracy but do not consider the ratio of dataset. Therefore, this paper aims to reduce the cost and resources of many machine learning research by finding the ratio of dataset that can derive the highest detection accuracy in CNN Mobile net-based malware detection model.

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.

The current education is becoming more extensive with the application of various teaching methods. This is a problem that is so distributed that it is difficult for users to find the data and it takes a long time to find the information they need. Currently, various educational services, materials, and instruments are developed and scattered. Therefore, it is important to raise students' awareness of aptitude and career path with customized education tailored to students. Conventional education platforms have very difficult to choose the right materials for students because of the spread of educational programs and institution materials. To solve this, we propose a customized recommendation approach to recommend customized educational service materials and institution for students to teachers, which helps teachers conveniently choose materials suitable for their respective environments. On this new platform, the CNN algorithm provides recommended content for classes and students. For real service on the educational service platform, we implement this system for Jeil edus business . Through this mechanism, we expect to improve the quality of education by helping to select the right service.

As accidents and crimes have increased at an alarming rate lately, most people are faced with the necessity of security and surveillance in private places as well as in public places. Therefore, the demand for intelligent surveillance systems has been increasing, and various technologies for image recognition and analysis from cameras are being developed for use in automatic monitoring. Among these techniques, the most popular and advanced method is deep learning. It is a field of machine learning based on neural networks. In this paper, we propose the object classifier technique with the Convolutional Neural Networks (CNN) algorithm, which is most widely used in image processing. Additionally, we implement the image analysis bot system based on the above proposed algorithm.

Recently, as the demand for limited resources continues to rise and problems of resource depletion rise worldwide, the importance of renewable energy is gradually increasing. In order to solve these problems, various methods such as energy conservation and alternative energy development have been suggested, and biogas, which can utilize the gas produced from biomass as fuel, is also receiving attention as the next generation of innovative renewable energy. New and renewable energy using biogas is an energy production method that is expected to be possible in large scale because it can supply energy with high efficiency in compliance with energy supply method of recycling conventional resources. In order to more efficiently produce and manage these biogas, a biogas plant has emerged. In recent years, a large number of biogas plants have been installed and operated in various locations. Organic wastes corresponding to biogas production resources in a biogas plant exist in a wide variety of types, and each of the incoming raw materials is processed in different processes. Because such a process is required, the case where the biogas plant process is inefficiently operated is continuously occurring, and the economic cost consumed for the operation of the biogas production relative to the generated biogas production is further increased. In order to solve such problems, various attempts such as process analysis and feedback based on the feedstock have been continued but it is a passive method and very limited to operate a medium/large scale biogas plant. In this paper, we propose "CNN-based production yield prediction algorithm for increasing process efficiency of biogas plant" for efficient operation of biogas plant process. Based on CNN-based production yield forecasting, which is one of the deep-leaning technologies, it enables mechanical analysis of the process operation process and provides a solution for optimal process operation due to process-related accumulated data analyzed by the automated process.

This study proposes a method for estimating gender and age that is robust to various external environment changes by applying deep learning-based learning. To improve the accuracy of the proposed algorithm, an improved CNN network structure and learning method are described, and the performance of the algorithm is also evaluated. In this study, in order to improve the learning method based on CNN composed of 6 layers of hidden layers, a network using GoogLeNet's inception module was constructed. As a result of the experiment, the age estimation accuracy of 5,328 images for the performance test of the age estimation method is about 85%, and the gender estimation accuracy is about 98%. It is expected that real-time age recognition will be possible beyond feature extraction of face images if studies on the construction of a larger data set, pre-processing methods, and various network structures and activation functions have been made to classify the age classes that are further subdivided according to age.

이미지 인식 및 영상처리, 컴퓨터 비전 등의 분야에서 합성곱 인공신경망 (Convolutional Neural Network, CNN)은 다양하게 응용되고 탁월한 성능을 내고 있다. 본 논문에서는 CNN을 활용한 이미지 인식 시스템에서 인식률을 저하시키는 요인 중 하나인 이미지의 회전에 대한 해결책으로써 CNN 기반 이미지 회전 보정 알고리즘을 제안한다. 본 논문에서는 Leeds Sports Pose 데이터셋을 활용하여 이미지를 임의의 각도만큼 회전시킨 학습데이터로 인공지능 모델 을 학습시켜 출력으로 회전된 각도를 추정하도록 실험을 진행하였다. 학습된 인공지능 모델을 100장의 테스트 데이터 이미지로 실험하여 mean absolute error (MAE) 성능지표를 기준으로 4.5951의 값을 얻었다.

Recently, convolutional neural network (CNN) have been showed outstanding performance in the field of image recognition, image processing and computer vision, etc. In this paper, we propose a CNN-based image rotation correction algorithm as a solution to image rotation problem, which is one of the factors that reduce the recognition rate in image recognition system using CNN. In this paper, we trained our deep learning model with Leeds Sports Pose dataset to extract the information of the rotated angle, which is randomly set in specific range. The trained model is evaluated with mean absolute error (MAE) value over 100 test data images, and it is obtained 4.5951.

기존의 CNN 알고리즘은 위성영상과 같은 대형 이미지에서 소형 객체를 식별하는 것이 불가능하다는 문제점을 가지고 있었다. 본 연구에서는 이러한 문제를 해결하기 위해 관심영역 설정 및 이미지 분할 기법을 적용한 CNN 알고리즘 개선방안을 제시하였다. 실험은 비행장 및 항공기 데이터셋으로 전환학습한 YOLOv3 / Faster R-CNN 알고리즘과 테스트용 대형 이미지를 이용하여 진행하였으며, 우선 대형 이미지에서 관심영역을 식별하고 이를 순차적으로 분할해 나가며 CNN 알고리즘의 객체식별 결과를 비교하였다. 분할 이미지의 크기는 실험을 통해 최소 분할로 최대의 식별률을 얻을 수 있는 최적의 이미지 조각 크기를 도출하여 적용하였다. 실험 결과, 본 연구에서 제시한 방안을 통해 CNN 알고리즘으로 대형 이미지에서의 소형 객체를 식별하는 것이 충분히 가능함을 검증하였다.

Conventional Convolutional Neural Network(CNN) algorithms have limitations in detecting small objects in large image. In this paper, we propose an improved model which is based on Region Of Interest(ROI) selection and image dividing technique. We prepared YOLOv3 / Faster R-CNN algorithms which are transfer-learned by airfield and aircraft datasets. Also we prepared large images for testing. In order to verify our model, we selected airfield area from large image as ROI first and divided it in two power n orders. Then we compared the aircraft detection rates by number of divisions. We could get the best size of divided image pieces for efficient small object detection derived from the comparison of aircraft detection rates. As a result, we could verify that the improved CNN algorithm can detect small object in large images.

In this paper, we propose a CNN-based swimmer detection algorithm. Every year, water safety accidents have been occurred frequently, and accordingly, intelligent video surveillance systems are being developed to prevent accidents. Intelligent video surveillance system is a real-time system that detects objects which users want to do. It classifies or detects objects in real-time using algorithms such as GMM (Gaussian Mixture Model), HOG (Histogram of Oriented Gradients), and SVM (Support Vector Machine). However, HOG has a problem that it cannot accurately detect the swimmer in a complex and dynamic environment such as a beach. In other words, there are many false positives that detect swimmers as waves and false negatives that detect waves as swimmers. To solve this problem, in this paper, we propose a swimmer detection algorithm using CNN (Convolutional Neural Network), specialized for small object sizes, in order to detect dynamic objects and swimmers more accurately and efficiently in complex environment. The proposed CNN sets the size of the input image and the size of the filter used in the convolution operation according to the size of objects. In addition, the aspect ratio of the input is adjusted according to the ratio of detected objects. As a result, experimental results show that the proposed CNN-based swimmer detection method performs better than conventional techniques.

본 논문에서는 증강현실 기술을 적용하여 실내 가구 인테리어를 배치하는데 작업의 효율성을 높일 수 있는 모델을 연구하였다. 현재 증강현실을 적용한 기존 시스템에서는 가구의 이미지를 출력할 때 기업 제품의 규모와 성격 등에 따라 정보가 제한적으로 제공되는 문제가 있다. 이러한 문제점을 해결하기 위해 본 논문에서는 AR 레이블링 알고리즘을 제시하였다. AR 레이블링 알고리즘은 촬영된 이미지에서 특징점을 추출하고 실내 위치 정보를 포함한 데이터베이스를 구축하였다. CNN 기법을 활용하여 실내 공간에서 가구의 위치 데이터를 검출해 학습시키는 방법을 채택하였다. 학습한 결과를 통해 실내 위치와 학습시켜 나타낸 위치와의 오차를 현저히 낮출 수 있다는 것을 확인한다. 또한 가구의 정확한 이미지 추출과 함께 가구에 대한 상세한 정보를 받아 사용자가 원하는 가구들을 증강현실을 통해 쉽게 배치할 수 있도록 하는 연구를 진행하였다. 연구 결과 모델의 정확도와 손실률이 99%, 0.026으로 나타나 신뢰성을 확보하여 본 연구가 유의미함을 알 수 있었다. 본 연구 결과는 AR 레이블의 설계, 구현을 통해 원하는 가구들을 실내에 정확히 배치하여 소비자의 만족도와 구매 욕구를 충족시킬 수 있을 것으로 기대된다.

In this paper, a model that can increase the efficiency of work in arranging interior furniture by applying augmented reality technology was studied. In the existing system to which augmented reality is currently applied, there is a problem in that information is limitedly provided depending on the size and nature of the company's product when outputting the image of furniture. To solve this problem, this paper presents an AR labeling algorithm. The AR labeling algorithm extracts feature points from the captured images and builds a database including indoor location information. A method of detecting and learning the location data of furniture in an indoor space was adopted using the CNN technique. Through the learned result, it is confirmed that the error between the indoor location and the location shown by learning can be significantly reduced. In addition, a study was conducted to allow users to easily place desired furniture through augmented reality by receiving detailed information about furniture along with accurate image extraction of furniture. As a result of the study, the accuracy and loss rate of the model were found to be 99% and 0.026, indicating the significance of this study by securing reliability. The results of this study are expected to satisfy consumers' satisfaction and purchase desires by accurately arranging desired furniture indoors through the design and implementation of AR labels.

대장 내부 미생물 환경이 개체 건강의 중요 척도라는 것을 누에나방 유충 분변을 통해 확인하고, 장내미생물 Gram 염색패턴 데이터를 활용한 인공지능 Convolutional neural network(CNN) 모델을 구축해서 모델의 사용 가능성을 확인하였다. 황 성분이 포함되어 있어 장 내 염증을 유발하는 물질인 Dextran Sulfate Sodium(DSS)의 농도를 변화시켜 뽕나무 잎과 함께 누에나방 유충에게 먹인 실험군은 정상 개체인 대조군에 비해 장내미생물의 종 다양성이 감소하였으며 체중 증가와 함께 탈피속도가 빨라지면서 고치 형성이 빠르게 일어났다. 메타지놈 분석을 통해 Phylum 수준에서는 Proteobacteria의 경우 대조군에서 높은 분포 비율이 확인되지만, 실험군에서는 낮은 분포 비율을 보였다. Firmicutes의 경우에는 반대의 경향을 보였다. 이런 경향은 하위 분류단계로 이어졌으며 Gram 염색패턴 변화로 확인되었다. 실험군에서는 종 다양성 지수가 낮았으나 대조군에서는상대적으로 높게 나타나 DSS 용액 처리가 개체의 건강에 큰 영향을 미쳤을 것으로 판단된다. 실험군과 대조군에 대한 장내미생물 Gram 염색패턴에 대한 빅 데이터를 통해 CNN 알고리즘 모델을 구축하고, 검증군을이용한 검증 결과 높은 정확도를 보였다. 향후 Gram 염색 등과 같은 전처리 과정이 정교해진다면 장내미생물을 통해 누에나방 유충 건강 상태를 CNN 알고리즘모델로 빠르게 예측할 수 있다는 것이 확인되었다.

The present article confirms the crucial role of the microbial environment in the large intestine as a measure of individual health, as demonstrated through silkworm larvae feces. To further explore this, an artificial intelligence-based Convolutional Neural Network (CNN) model was constructed using Gram staining pattern data of intestinal microbes, and its usability was confirmed. In order to investigate the effect of intestinal inflammation on individual health, silkworm moth larvae were fed Dextran Sulfate Sodium (DSS) along with mulberry leaves, and the concentration of DSS was varied. The experimental group exhibited a low distribution ratio of Proteobacteria at the Phylum level, while the control group had a high distribution ratio. The opposite trend was observed in Firmicutes, which was confirmed by changes in the Gram staining pattern at the sub-classification stage. The experimental group had a lower species diversity index compared to the control group, suggesting a significant effect of the DSS solution treatment on individual health. As a result, cocoon formation occurred more rapidly in the experimental group, and the rate of molting increased with weight gain. The CNN algorithm model was developed using big data on Gram staining patterns of intestinal microbes from both the experimental and control groups. Verification using the validation group demonstrated high accuracy. These findings suggest that the health status of silkworm larvae can be predicted through intestinal microbes using the CNN algorithm model, provided that pre-processing procedures such as Gram staining are further elaborated in future studies.

현재 영상 처리에 활발히 사용되고 있는 CNN 알고리즘은 고해상도/대규모 위성사진을 직접 처리하지 못한다. 이 문제를 해결하기 위해, 많은 연구에서 인공 신경망에 다양한 기술을 결합하려고 노력해왔다. 그러나 물체 식별과 검출에 영향을 미치는 여러 가지 요인에 의해 만족스러운 성과를 거두지 못하고 있는 실정이다. 특히 항공기 탐지의 경우 탑승구, 건물, 공항 내 교차로 등 항공기와 유사한 물체를 잘못된 탐지하는 문제가 제대로 해결되지 않았다. 본 논문은 이러한 오탐을 줄이기 위해 Mask R_CNN 알고리즘과 YOLO 알고리즘을 결합한 CNN 알고리즘을 제안한다. 제안된 접근방식의 성과를 평가하기 위해, 항공기와 유사한 물체가 다수 포함된 공항의 위성 영상에 대해 항공기 탐지 실험을 실시하였고, 그 결과 오탐이 상당히 감소함을 확인하였다.

CNN algorithms, which are currently actively used for image processing, do not process high resolution/large-scale satellite images directly. To address this problem, many researchers have tried to combine various techniques into the artificial neural networks. However, many studies have not achieved satisfactory performance due to various factors affecting object identification and detection. Especially in the case of aircraft detection, the false detection of objects similar to aircraft, such as boarding gates, buildings, and intersections within the airport, is not solved properly. This paper proposes a coupled CNN algorithm that combines the Mask R_CNN algorithm with the YOLO algorithm to reduce such false detection. To evaluate the performance of the proposed approach, we conduct the aircraft detection test was conducted on satellite images of airports containing a number of objects similar to aircraft.

Visual Object Tracking is known as the most fundamental problem in the field of computer vision. Object tracking localize the region of target object with bounding box in the video. In this paper, a custom CNN is created to extract object feature that has strong and various information. This network was constructed as a Siamese network for use as a feature extractor. The input images are passed convolution block composed of a bottleneck layers, and features are emphasized. The feature map of the target object and the search area, extracted from the Siamese network, was input as a local proposal network. Estimate the object area using the feature map. The performance of the tracking algorithm was evaluated using the OTB2013 dataset. Success Plot and Precision Plot were used as evaluation matrix. As a result of the experiment, 0.611 in Success Plot and 0.831 in Precision Plot were achieved.

구조물의 상태를 파악하기 위한 균열조사는 정밀안전 진단에 필수적인 검사 항목이다. 그러나 육안으로 이루어지는 균열조사 방식은 현장 상황의 변화에 따라 주관적으로 수행될 수 있다. 이러한 육안검사의 한계를 극복하기 위해 본 연구에서는, ResNet, FPN, Mask R-CNN을 백본(Backbone), 넥(Neck), 헤드(head)로 구성한 합성곱 신경망을 바탕으로, 이미지 데이터에서의 콘크리트 균열 탐지를 자동화하고. 그 성능을 IoU 값을 바탕으로 분석하였다. 해석에 사용된 데이터는 총 1,203개의 이미지 데이터로 구성하였으며, 이 중 70%를 훈련(Training)에, 20%를 검증(Validation)에, 그리고 10%의 데이터를 시험(Testing)에 사용하였다. 시험 결과의 평균 IoU값은 95.83%로 산정되었고, 또한 이미지 내 균열이 전혀 탐지되지 않는 경우는 존재하지 않아, 본 연구에 가정한 모델이 콘크리트의 균열 탐지를 성공적으로 수행하는 것을 확인하였다.

Inspecting cracks to determine a structure's condition is crucial for accurate safety diagnosis. However, visual crack inspection methods can be subjective and are dependent on field conditions, thereby resulting in low reliability. To address this issue, this study automates the detection of concrete cracks in image data using ResNet, FPN, and the Mask R-CNN components as the backbone, neck, and head of a convolutional neural network. The performance of the proposed model is analyzed using the intersection over the union (IoU). The experimental dataset contained 1,203 images divided into training (70%), validation (20%), and testing (10%) sets. The model achieved an IoU value of 95.83% for testing, and there were no cases where the crack was not detected. These findings demonstrate that the proposed model realized highly accurate detection of concrete cracks in image data.

도로 하부에 발생된 이상구간은 사용자의 안전을 위협하고 보수하기 위해서도 많은 사회적 비용이 동반된다. 본 연구에서는 적외선 카메라를 사용하여 이상구간 매질에 따른 온도 분포를 실험적으로 평가하고 이를 머신러닝 기법으로 분석하고자 하였다. 대상 현장은 가로와 세로 및 깊이가 모두 50cm인 정육면체 형태로 설정하였고, 이상구간은 물과 공기로 결정하였다. 실험부지의 상부는 포장층을 모사하기 위해 콘크리트 블록을 설치하였으며, 오후 4시부터 다음날 오후 3시까지 총 23시간 동안 포장층의 온도 분포를 측정하였다. 측정된 값은 이미지 형태로 도출되었으며, 이미지 중간부분에서 측정 온도의 수치를 추출하였다. 최대온도와 최저온도의 차이는 물, 공기, 그리고 원 지반에서 각각 34.8℃, 34.2℃ 그리고 28.6℃로 나타났으며, 이미지 분석 기법인 convolution neural network(CNN) 방법을 활용하여 각 측정 이미지에 해당하는 조건을 분류하였다. 분류를 수행하기 위해서는 res net 101과 squeeze net 네트워크가 이용되었다. res net 101의 분류 정확도는 물, 공기 그리고 원 지반에서 각각 70%, 50% 그리고 80%로 나타났고, squeeze net의 분류 정확도는 60%, 30% 그리고 70%로 나타났다. 해당 연구 결과는 수치데이터로 특징 판단이 어려울 경우 이미지 기반의 CNN 알고리즘을 활용하면 매질 특성 분석이 가능하고 지반내 상태도 예측할 수 있는 방법론을 보여준다.

The presence of abnormalities in the subgrade of roads poses safety risks to users and results in significant maintenance costs. In this study, we aimed to experimentally evaluate the temperature distributions in abnormal areas of subgrade materials using infrared cameras and analyze the data with machine learning techniques. The experimental site was configured as a cubic shape measuring 50 cm in width, length, and depth, with abnormal areas designated for water and air. Concrete blocks covered the upper part of the site to simulate the pavement layer. Temperature distribution was monitored over 23 h, from 4 PM to 3 PM the following day, resulting in image data and numerical temperature values extracted from the middle of the abnormal area. The temperature difference between the maximum and minimum values measured 34.8℃ for water, 34.2℃ for air, and 28.6℃ for the original subgrade. To classify conditions in the measured images, we employed the image analysis method of a convolutional neural network (CNN), utilizing ResNet-101 and SqueezeNet networks. The classification accuracies of ResNet-101 for water, air, and the original subgrade were 70%, 50%, and 80%, respectively. SqueezeNet achieved classification accuracies of 60% for water, 30% for air, and 70% for the original subgrade. This study highlights the effectiveness of CNN algorithms in analyzing subgrade properties and predicting subsurface conditions.

최근 AI(artificial intelligence)를 이용한 기술개발이 다양한 분야에서 진행되고 있다. 일반적인 개인 취향에 맞는 개인 맞춤형 추천 시스템에서 특정 목적에 부합한 응용 기술개발에 이르기까지 많은 부분에서 활용되고 있다. 본 연구에서는 성인 검출을 위해서 초등학교 학생들이 많이 생활하는 초등학교를 대상으로 성인을 검출할 수 있는 방법을 제안한다. 성인과 어린이를 구분하기 위한 요소로서 의류 색상, 패턴, 스타일이나 신체적 크기 등을 이용하며, 이를 통해 초등학교에 무단 침입한 성인이나 인가받지 않은 성인을 신속하게 탐지하여 사전 인지 시스템에 활용이 가능할 것이다.

Recently, technology development using artificial intelligence (AI) is being conducted in various fields. It is being used in many areas, from a personalized recommendation system for general personal taste to the development of application technology that meets a specific purpose. In this study, for adult detection, we propose a method for detecting adults in elementary schools where many elementary school students live. Clothing color, pattern, style, or physical size are used as factors to differentiate between adults and children, and through this, it will be possible to quickly detect adults or unauthorized adults who break into elementary schools and use them in the pre-recognition system.

국내에서 국가유산은 보존할 만한 가치가 있는 문화유산·자연유산·무형유산을 뜻한다. 하지만 국가유산들의 값을 매기고 판매, 구매되는 거래의 문제, 소유권을 가지고 분쟁이 일어나는 소유권의 문제, 환수받지 못한 환수의 문제가 발생하고 있다. 본 논문에서는 CNN(:Convolutional Neural Network) 알고리즘을 활용하여 국가유산의 보존과 소유권 공유를 위한 시스템을 개발하고 그 성능을 분석한다. 이 시스템은 이미지 인식 기술과 크라우드 펀딩을 결합하여 문제점들을 해결할 수 있는 새로운 관리 방안을 제시한다. 이미지 인식 기술인 Vision AI를 활용하여 자동 감정 기능을 통해 국가유산의 가치를 신속하게 평가하며, 사용자가 국가유산의 지분을 공유하고 실시간으로 가치를 확인할 수 있다. 이를 통해 국가유산의 보존과 환수에 대한 혁신적인 접근 방식을 제공하고, 다수의 사용자가 국가유산 보호에 적극적으로 참여할 수 있는 시스템으로 구성하였다.

The term national heritage in Korea refers to cultural heritage, natural heritage, and intangible heritage that are deemed valuable for preservation. However, challenges arise related to the valuation, transaction, and ownership disputes of these heritage assets, as well as issues concerning their repatriation. This paper presents the development and performance analysis of a system designed for the preservation and ownership sharing of national heritage utilizing Convolutional Neural Network (CNN) algorithms. In this paper, we proposed system that integrates image recognition technology and crowdfunding to address these issues. By employing Vision AI for automated valuation, the system enables rapid assessment of national heritage values and allows users to share ownership and monitor real-time valuations. This approach offers an innovative solution for heritage preservation and repatriation, facilitating active participation form a broad user base in the protection of national heritage.