Earticle

There have been exciting advancements in the fields of computer vision with the development of data analysis techniques and computational efficiency. In this project, we have built a user-friendly image processing tools using the tkinter libraries in Python by defining functions for each computer vision method and implementing pre-processing, filtering, feature extraction, and clustering on images collected from various fields such as environmental sciences, medical sciences, and mobilities. We have sought to assess the utility of automated image processing software to improve image classifiers even by nonprofessionals with no coding and no machine learning expertise. Thus, this program can be easily utilized by researchers without programming experience. This program can be used for various purposes by scholars in various fields such as education, environmental sciences and medicine.

본 논문은 AI와 시각, 컴퓨터비전과 이미지의 관계를 비평적 관점에서 논하고 있다. 초대형 IT기업들은 빠짐없이 AI의 기계학습을 위한 컴퓨터비전의 개발에 앞장서면서 이미지의 입력을 통해 세상의 정보를 데이터베이스의 형태로 집적하고 있다. 컴퓨터비전의 분야는 ‘비전’이라는 단어가 가리키듯 인간의 시각과 컴퓨터의 시각데이터집적과정을 비유하지만, 실제로는 기계적이고 알고리즘화된 인간의 시각과는 전혀 별개의 성질을 갖는다. 기계에 정보를 제공하는 기계학습을 위한 이미지의 모음인 이미지 데이터셋은 AI의 성능개발에 핵심적인데, 온라인상의 이미지가 무작위로 사용되거나 학습과정에서 사회적 차별이나 편견이 그대로 반영될 가능성이 높은 것으로 경계가 필요하다. AI와 예술의 접목에서는 주로 생성적 적대 신경망을 사용하여 기존의 미술품을 학습한 후 이와 유사하지만 다른 이미지를 만들어내는 방식이 다용되고 있다. 컴퓨터비전이 시각과 차이가 있듯, AI 미술이 기존 예술의 일부로 흡수되기 위해서는 새로운 기준들이 필요할 것이다.

This paper is a critical examination of the relationship between artificial intelligence, computer vision, and images. The IT industry has been building up massive repositories of image data to be used for machine learning and computer vision. Although the term computer “vision” suggests it assimilates human vision, they differ fundamentally because computer vision is an algorithmic process. While the collection of image datasets is crucial for enhancement of AI’s creative capability, the risk of uncontrolled mass collection of image data and their prejudicial or discriminatory use for machine learning has become highly problematic. Often in AI art, images are artificially generated by Generative Adversarial Networks (GAN) that are trained with images of historic artworks. As computer vision differs from human vision, AI-generated artistic images cannot be evaluated using conventional criteria. The formulation of new criteria would be essential if the new AI art were to be accepted into the creative art at large.

컴퓨터 비전 기술은 인공지능의 한 분야로 인간의 눈의 기능을 기계가 수행 할 수 있도록 카메라로부터 영상 이미지 를 취득하고, 알고리즘을 통하여 분석하고 판별한 후 생산부품의 양품과 불량을 판별하는 부품 검사에 많이 적용되고 있다. 볼트 생산 시스템에서 생산되는 볼트 탭의 유무를 컴퓨터 비전 기술을 적용하여 자동으로 불량품을 선별하는 장치를 개발하 였다. 형상검사 방법으로는 라인 스캔방식으로 검사영역의 시작점과 끝점의 위치를 파악하여 높이를 측정하는 방법을 사용 하였으며, 볼트 탭의 유무를 판별하기 위한 방식으로는 원형 스캔방식으로 검사영역의 평균 밝기 값의 차이를 측정하여 유 사도를 구하는 방식을 사용하였다. 두 종류의 볼트 탭의 검사 성능실험에서 총 검사에 소요되는 시간은 분당 300개 검사가 가능하며, 완벽한 검사 정확도를 나타내어 생산라인에서 검사의 정확성과 효율성을 입증하였다.

Computer vision technology is a component inspection to obtain a video image from the camera to the machine to perform the capabilities of the human eye with a field of artificial intelligence, and then analyzed by the algorithm to determine to determine the good and bad of production parts It is widely applied. Shape inspection method was used as how to identify the location of the start point and the end point of the search range, measure the height to the line scan method, in such a manner as to determine the presence or absence of the bolt tabs average brightness of the inspection area in a circular scan type value And the degree of similarity was calculated. The total time it takes to test in the test performance tests of two types of bolts tab enables test 300 min, and demonstrated the accuracy and efficiency of the inspection on the production line represented a complete inspection accuracy.

연구목적: 2022년 산업재해 현황 부가통계에서 건설업 사망사고자 현황을 보면 건설업 전체 사망사고자 의 27.8%가 건설장비로 인해 발생하고 있다. 현장 대형화, 고층화 등으로 발생하는 순회 및 점검의 한계를 극복하기 위해 컴퓨터 비전 기술을 활용해 건설장비를 추출할 수 있는 모델을 구축하고 해당 모델의 정확 도 및 현장 적용성에 대해 분석하고자 한다. 연구방법: 본 연구에서는 건설장비 중 굴착기, 덤프트럭, 이동 식 크레인의 이미지 데이터를 딥러닝 학습시킨 뒤 학습 결과를 평가 및 분석하고 건설현장에 적용하여 분 석한다. 연구결과: ‘A’ 현장에서는 굴착기 및 덤프트럭의 객체를 추출하였으며, 평균 추출 정확도는 굴착 기 81.42%, 덤프트럭 78.23%를 나타냈다. ‘B’ 현장의 이동식 크레인은 78.14%의 평균 정확도를 보여줬다. 결론: 현장 안전관리의 효율성이 증가할 수 있고, 재해발생 위험요인을 최소화 할 수 있을것이라 본다. 또 한, 본 연구를 기반으로 건설현장에 스마트 건설기술 도입에 관한 기초적인 자료로 활용이 가능하다.

Purpose: Looking at the status of fatal accidents in the construction industry in the 2022 Industrial Accident Status Supplementary Statistics, 27.8% of all fatal accidents in the construction industry are caused by construction equipment. In order to overcome the limitations of tours and inspections caused by the enlargement of sites and high-rise buildings, we plan to build a model that can extract construction equipment using computer vision technology and analyze the model's accuracy and field applicability. Method: In this study, deep learning is used to learn image data from excavators, dump trucks, and mobile cranes among construction equipment, and then the learning results are evaluated and analyzed and applied to construction sites. Result: At site ‘A’, objects of excavators and dump trucks were extracted, and the average extraction accuracy was 81.42% for excavators and 78.23% for dump trucks. The mobile crane at site ‘B’ showed an average accuracy of 78.14%. Conclusion: It is believed that the efficiency of on-site safety management can be increased and the risk factors for disaster occurrence can be minimized. In addition, based on this study, it can be used as basic data on the introduction of smart construction technology at construction sites.

Inappropriate work postures in industry can cause musculoskeletal fatigue and strain, leading to work inefficiency, quality problems, and safety accidents. Therefore, a system capable of recognizing and intervening in dangerous postures during work in real time is needed not only for industrial safety but also for project performance management. This study proposes a 2-channel real-time work posture management system that combines RULA analysis based on frontal upper body images and REBA analysis based on lateral full-body images. The proposed prototype was implemented using synchronized frontal and lateral cameras and was preliminarily applied to three participants performing terminal connection tasks in an actual manufacturing environment under no-alarm and alarm conditions. The system records posture risks every second and generates an alarm sound if a dangerous posture persists in the same body part for more than 3 seconds. As a result of the preliminary application, the rate of adopting dangerous neck postures under alarm conditions decreased. The maximum time maintained in dangerous neck postures was also reduced. However, since this study was conducted with only three participants and a single task condition, these results should be interpreted as preliminary results demonstrating the applicability of the prototype rather than as general effects.

실세계의 산업 및 공공 데이터는 정제된 공개 데이터셋과 달리 계층 구조가 불규칙하거나 특정 단계의 정보가 생략되는 등 비정형적인 특성을 지닌다. 이러한 데이터의 불완전성은 결과적으로 분류 모델이 계층적 일관성을 유지하며 정교한 추론을 수행하는 데 큰 제약이 된다. 본 연구에서는 이러한 한계를 극복하기 위해 실세계의 복잡하고 불완전한 계층 구조를 효과적으로 학습할 수 있는 계층적 지식 증류 알고리즘을 제안한다. 제안하는 시스템은 특히 레이블 누락 문제를 해결하기 위해 가용 레이블에 대해서만 손실 함수를 계산하는 레이블 마스킹 전략과 상위 계층의 지식을 바탕으로 누락된 정보를 보완하는 의사 레이블링 기법을 도입하였다. 또한, 하위 클래스의 확률이 부모 클래스의 확률을 초과하지 않도록 강제하는 계층 일관성 제약 조건을 적용하여 구조적 모순을 차단하였다. 제안된 방법은 기존의 계층 분류 알고리즘 대비 벤치마크 데이터셋에서 우수한 성적을 거뒀다. 특히, iNaturalist2018에서는 기존 대비 Accuracy가 약 7.2% 향상된 성능을 달성했으며, 이는 본 연구에서 제안하는 방법론의 범용성과 구조적 일관성 유지 능력을 실증적으로 확인하였음을 시사한다.

Unlike refined public datasets, real-world industrial and public data often exhibit irregular hierarchical structures and missing information at specific levels. This data incompleteness acts as a significant constraint, preventing classification models from maintaining hierarchical consistency and performing sophisticated reasoning. To overcome these limitations, this study proposes a Hierarchical Knowledge Distillation algorithm designed to effectively learn from complex and incomplete real-world hierarchies. To specifically address the problem of missing labels, the proposed system introduces a label masking strategy that calculates loss functions only for available labels, alongside a pseudo-labeling technique that compensates for missing information based on knowledge from higher hierarchies. Furthermore, hierarchical consistency constraints are applied to prevent structural contradictions by ensuring that the probability of a sub-class does not exceed that of its parent class. The proposed method outperformed existing hierarchical classification algorithms on standard benchmark datasets. Notably, it achieved an approximately 7.2% improvement in accuracy on the iNaturalist 2018 dataset, empirically validating the proposed methodology's versatility and its ability to maintain structural consistency.

제조 산업에서 용접 결함 검사는 용접부의 신뢰성과 품질을 확보하기 위한 핵심 공정 중 하나이다. 그러나 기존의 수동 검사 방식은 검사자의 주관성, 장시간 검사로 인한 피로 누적, 그리고 숙련도 차이에 따라 검사 결과의 신뢰성 이 저하될 수 있다는 한계를 지닌다. 이러한 문제를 해결하기 위하여 본 연구에서는 인공지능(AI) 기반 컴퓨터 비전 기술을 활용한 용접 품질 자동 평가 방법을 제안한다. 구체적으로는 픽셀 수준의 세분화(segmentation)를 통해 용 접 결함을 자동으로 탐지 및 분류하고자 하였으며, 이를 위해 다양한 딥러닝 모델의 성능을 비교·분석하였다. 합성곱 신경망(CNN) 기반 모델과 트랜스포머 구조를 포함한 YOLOv5x-seg, Mask R-CNN, DeepLabv3+ 모델을 적 용하였다. 용접 결함 유형은 기공(Porosity), 융합 부족(Lack of Fusion), 용입 불량(Incomplete Penetration), 언더컷(Undercut)의 네 가지 주요 결함과 Normal Weld(정상 용접부)로 정의하였다. 먼저, 폴리곤(polygon) 형 태로 정밀하게 주석(annotation)된 용접 결함 이미지 데이터셋을 구축하였으며, 이를 각 딥러닝 모델의 학습 및 검 증에 활용하였다. 실험 결과, YOLOv5x-seg 모델은 mAP@0.5 기준 82.6%의 정확도를 기록하여 가장 우수한 성능을 나타냈으며, 다른 모델 대비 높은 결함 탐지율과 분할 성능을 확인하였다. 본 연구 결과를 통해 딥러닝 기반 용접 결함 세분화 기법이 기존의 수동검사 방식을 효과적으로 대체할 수 있음을 확인하였으며, 향후 산업 현장에서 의 실시간 용접 품질 모니터링 및 자동화 검사 시스템 구현에 대한 가능성을 입증하였다.

Weld defect inspection is a critical process for ensuring the reliability and quality of welded structures in the manufacturing industry. However, conventional inspection methods suffer from several inherent limitations, including inspector subjectivity, time-consuming procedures, fatigueinduced errors, and performance variability depending on the level of expertise. To address these challenges, this study proposes an automated weld quality evaluation method based on artificial intelligence (AI) and computer vision techniques. Pixel-level image segmentation is employed to automatically detect and classify weld defects, and the performance of various deep learning models is systematically compared. Both convolutional neural network (CNN)-based models and transformer-based architectures are implemented, including YOLOv5x-seg, Mask R-CNN, and DeepLabv3+. The proposed framework targets four major types of weld defects—porosity, lack of fusion, incomplete penetration, and undercut—along with normal welds. A weld defect image dataset with precise polygon-based annotations is constructed and utilized for model training and evaluation. Experimental results demonstrate that the YOLOv5x-seg model achieves the best overall performance, attaining a mean average precision of 82.6% at an IoU threshold of 0.5 (mAP@0.5), while outperforming the other models in both defect detection accuracy and segmentation quality. These results indicate that deep learning-based weld defect segmentation can effectively replace conventional manual inspection methods. Moreover, the proposed approach shows strong potential for real-time weld quality monitoring and the deployment of automated inspection systems in industrial environments.

RGB-T 시각적 객체 추적은 가시광(RGB) 영상과 열적외선(TIR)을 병행해 조명·기상 변화 속에서도 대상을 지속 적으로 추적하는 기술이다. 본 연구에서는 이중 스트림 RGB-T 기반 추적기인 BAT에 밀집 Mixture-of- Experts(MoE) 게이팅을 결합한 모달리티 인지 추적기 BATMoE를 제안한다. 제안한 방법은 어텐션 투영 단계의 Q/K/V와 피드포워드 네트워크(FFN)에 MoE 구조를 적용한다. 풀링된 교차 모달 특징에 조건화된 온도 조절 softmax 게이트를 통해 모든 전문가를 밀집하게 혼합하며, 전문가 활용의 편향을 방지하기 위해 균형 정규화 항을 추가하였다. 이러한 설계는 열 교차 현상(Thermal Crossover)이나 저조도 환경과 같은 불리한 조건에서 더 신뢰 도 높은 모달리티의 기여도를 동적으로 강화하면서도, 다른 모달리티의 보완적 정보를 유지할 수 있도록 한다. LaSHeR 데이터 세트에서 수행한 실험 결과, BATMoE는 동일한 학습 및 평가 설정 하에서 기존 BAT 대비 Precision@20과 Success(AUC) 지표 모두에서 일관된 성능 향상을 보였다. 특히 Thermal Crossover, Low Illumination, Partial Occlusion과 같이 모달리티 간 신뢰도 차이가 크게 발생하는 조건에서 성능 개선이 두드 러졌으며, 속성별 분석을 통해 이러한 경향을 확인하였다. 반면 Fast Motion이나 Motion Blur와 같이 RGB와 TIR 모달리티가 동시에 약화하는 조건에서는 성능 향상이 제한적으로 나타났다. 이러한 결과는 MoE 기반 조건 적 응적 구조가 RGB-T 시각적 객체 추적에서 효과적인 융합 메커니즘이 될 수 있음을 보여준다.

We present BATMoE, a modality-aware RGB–T visual object tracker that integrates dense Mixtureof- Experts (MoE) gating into a dual-stream baseline tracker, BAT. The proposed approach applies MoE structures to both the attention projection layers (Q/K/V) and the feed-forward networks within the Transformer encoder. A temperature-controlled softmax gate, conditioned on pooled cross-modal features, densely combines all experts, while a balancing regularization term is introduced to prevent biased expert utilization. This design allows the tracker to dynamically emphasize the more reliable modality under adverse conditions, such as thermal crossover or low illumination, while preserving complementary information from the other modality. Experimental results on the LaSHeR dataset demonstrate that BATMoE consistently outperforms the baseline BAT under identical training and evaluation settings, achieving improvements in both Precision@20 and Success (AUC). Attribute-wise analysis reveals particularly notable gains in conditions where modality reliability varies significantly, including Thermal Crossover, Low Illumination, and Partial Occlusion. In contrast, performance improvements are limited under Fast Motion and Motion Blur scenarios, where both RGB and TIR modalities tend to degrade simultaneously. These results indicate that MoE-based condition-adaptive modeling provides an effective fusion mechanism for RGB–T visual object tracking.

We present an unsupervised anomaly detection framework for aluminum molten metal processes that trains exclusively on normal operational data. The extreme temperatures and dynamic luminance variations characteristic of molten metal environments make it practically infeasible to collect representative samples of anomalies—such as foreign material contamination, thermal irregularities, or flow inconsistencies—and manual annotation remains prohibitively labor-intensive. Our approach employs a Convolutional Autoencoder to capture the visual and thermal signatures of normal process states. Anomalies are detected by computing reconstruction errors and comparing them against thresholds derived from the upper percentiles of the normal error distribution. Experimental validation across multiple production lines demonstrates that our method achieves high detection accuracy even with limited abnormal samples, offering a practical solution for automated quality control and real-time process monitoring in industrial casting operations.

문화유산 보존과 접근성 향상을 위한 디지털화가 가속화됨에 따라, 효과적인 회화 이미지 검색 시스템의 중요성이 증가하고 있다. 그러나 라벨이 부족한 데이터셋과 미세한 시각적 차이가 완전히 다른 예술 장르를 나타내는 회화 도 메인의 특성으로 인해, DINOv2와 같은 기존의 비지도 학습 기반 이미지 임베딩 방법은 제한적인 성능을 보인다. 본 연구에서는 이러한 한계를 극복하기 위해 Vision-LLM을 활용하여 회화 이미지에 대한 풍부한 텍스트 설명을 생성하고, 이를 문장 임베딩 모델을 통해 벡터화하여 의미론적 유사도 기반 검색을 수행하는 새로운 접근법을 제안 한다. 다양한 Vision-LLM 모델과 문장 임베딩 모델, 유사도 측정 방법을 체계적으로 비교한 결과, 제안된 방법은 accuracy 79.17%, mAP 0.6771로 기존 비지도 학습 기반 접근법인 DINOv2 대비 Accuracy에서 171.41%, mAP에서 211.45% 향상된 성능을 보였다. 특히 Qwen2.5-VL-3B-Instruct 모델과 문맥 인식 임베딩 모델 조합 이 가장 우수한 성능을 달성했으며, 이는 언어 기반 의미론적 접근법이 시각적 특징만으로는 포착하기 어려운 회화 의 맥락적, 의미론적, 상징적 특성을 효과적으로 활용할 수 있음을 시사한다.

As the digitization of cultural heritage accelerates to improve preservation and accessibility, the importance of effective artwork image retrieval systems is increasing. However, existing unsupervised learning-based image embedding methods such as DINOv2 show limited performance in the artwork domain, which is characterized by datasets lacking labels and subtle visual differences that represent completely different artistic genres. This study proposes a novel approach to overcome these limitations by utilizing Vision-LLMs to generate rich textual descriptions of artwork images, vectorizing them through sentence embedding models, and performing semantic similarity-based retrieval. Through systematic comparison of various Vision-LLM models, sentence embedding models, and similarity measurement methods, the proposed approach achieved 79.17% accuracy and 0.6771 mAP, demonstrating a 171.41% improvement in accuracy and 211.45% improvement in mAP compared to the existing unsupervised learning-based approach DINOv2. In particular, the combination of the Qwen2.5-VL-3B-Instruct model and context-aware embedding models achieved the best performance, suggesting that language-based semantic approaches can effectively leverage contextual, semantic, and symbolic characteristics of artworks that are difficult to capture through visual features alone.

본 논문은 지식 증류(Knowledge Distillation, KD)의 개념, 최신 동향 및 응용을 소개한다. KD는 대형 모델의 지식을 소형 모델에 전 달해 성능을 유지하면서도 모델을 경량화하는 기술이다. 수식적으로는 소프트 타겟을 기반으로 한 손실 함수 설계가 핵심이며, 로짓 (모델이 예측한 결과값) 기반, 특징 기반, 관계 기반 지식이 주요 전달 형태이다. KD는 오프라인, 온라인, 자기 증류 등 다양한 방식으로 구현되며, 컴퓨터 비전에서는 이미지 분류, 객체 검출, 영상 분할 분야에 적용된다. 특히 구조적 정보나 어텐션 맵을 활용한 기법들이 좋은 성능을 보이고 있다. 자연어 처리 분야에서는 DistilBERT, TinyBERT 등으로 대표되며, 최근에는 API 기반 대화형 LLM에 대한 블랙박스 증류도 활발하다. 한계점으로는 교사-학생 간 용량 차이, 지식 편향 전이, 데이터 의존성 등이 있으며, 이를 극복하기 위한 보 조 교사, 데이터프리 증류, 이론적 분석 등이 향후 과제로 제시된다. KD는 모델 압축과 AI 기술 확산에 있어 실용성과 학술적 중요성을 동시에 지닌 기술이다.

This paper presents an overview of the concept, recent trends, and applications of Knowledge Distillation (KD). KD is a model compression technique that transfers knowledge from a large teacher model to a smaller student model while maintaining performance. The core mechanism involves designing a loss function based on soft targets, with knowledge typically transferred in the form of logits, feature representations, or relational information. KD can be implemented in various forms such as offline, online, and self-distillation, and has been widely applied in computer vision tasks including image classification, object detection, and semantic segmentation—often leveraging structural information or attention maps for improved performance. In natural language processing, representative models include DistilBERT and TinyBERT, with recent advancements focusing on black-box distillation from API-based conversational LLMs. Challenges such as teacher-student capacity gaps, biased knowledge transfer, and data dependency remain, and future directions include using auxiliary teachers, data-free distillation, and theoretical analyses. KD holds both practical utility and academic significance in advancing model efficiency and democratizing AI deployment.

본 연구는 기존의 "CCTV 장면에서의 물피도주 차량 탐지 자동화 시스템"을 개선한 시스템을 제안한다. 물피도주는 주차된 차량에 충돌사고를 내고 현장을 이탈하는 행위로, 매년 증가하고 있으나, 현재 수사 방식은 수사관이 CCTV 영상을 장시간 직접 분석해야 하는 비효율적인 과정을 포함한다. 개선된 시스템은 기존 시스템의 주요 약점인 영상 처리 속도, 주변 객체에 의한 오검출, 그리고 복잡한 알고리즘 구조를 해결하였다. 특히 광학 흐름 계산 알고리즘을 최적화하고, 벡터화 연산을 도입하여 처리 효율을 높였으며, 프레임 간격 샘플링 기법으로 분석 시간을 단축시켰다. 주요 개선점으로 기존 시스템에서 사용하던 복잡한 깊이 추정 모델을 완전히 제거하고, 2D 평면상의 객체 위치와 움직임 분석을 통해 사고 시점을 더 정확히 식별하는 단순화된 접근 방식을 도입하였다. 이를 통해 계산 복잡성이 크게 감소하고 알고리즘의 효율성이 향상되었다. 실험 결과 개선된 시스템은 이전 시스템에 비해 효율적인 처리가 가능하며, 특히 야간 영상에서의 오검출이 67% 감소하였다. 또한 모든 테스트 영상에서 사고 시점을 우수한 정확 도로 탐지하였으며, 본 시스템의 개선은 물피도주 사건의 수사 효율성 향상에 기여할 것으로 기대된다.

This research proposes an improved system for the "automatic hit-and-run vehicle detection system in CCTV footage." Hit-and-run incidents involve collisions with parked vehicles followed by fleeing the scene, which has been increasing annually. However, the current investigation method includes inefficient processes, such as investigators having to analyze CCTV footage manually for long periods. The improved system addresses key weaknesses of the existing system, such as video processing speed, false detection caused by surrounding objects, and complex algorithm structures. In particular, the optical flow calculation algorithm was optimized, and vectorized operations were introduced to improve processing efficiency. Additionally, the use of frame interval sampling techniques shortened analysis time. A major improvement involved completely removing the complex depth estimation model previously used in the system, and adopting a simplified approach that more accurately identifies the accident point through the analysis of object positions and movements on a 2D plane. As a result, computational complexity was significantly reduced, and the algorithm's efficiency was enhanced. Experimental results show that the improved system provides more efficient processing compared to the previous system, with a 67% reduction in false detections in nighttime footage. Moreover, it accurately detects the accident points across all test videos, and the improvements made to the system are expected to contribute to enhancing the efficiency of investigations into hit-and-run incidents.

본 연구는 최신 딥러닝 아키텍처를 활용하여 도배 하자의 자동 분류 시스템을 제안한다. 특히 데이터 불 균형과 하자 유형 간 유사성이라는 기술적 과제를 효과적으로 해결하기 위한 새로운 방법론을 제시한다. 데이터 불균형과 하자 유형 간 유사성 문제를 해결하기 위해 ConvNeXt 아키텍처를 기반으로 하되, 하자 유형별 특성을 고려한 맞춤형 데이터 증강 기법과 앙상블 학습을 도입하였다. 총 19개 하자 유형에 대해 3,457개의 이미지로 구 성된 데이터셋을 활용하였으며, 데이터 불균형 해소를 위해 Focal Loss와 Class-Balanced Loss를 결합한 하이브 리드 손실 함수를 적용하였다. 실험 결과, 제안된 모델은 Weighted F1 Score 0.889를 달성하여 기존 ResNet50 기반 모델 대비 8.8%의 성능 향상을 보였으며, 45.2ms의 평균 추론 시간은 실제 하자 검수 업무에 적용 가능한 수준임을 검증하였다. 본 연구의 결과는 건설 현장에서의 도배 하자 검수 자동화 가능성을 제시하며, 품질 관리 프로세스의 효율성 향상에 기여할 것으로 기대된다.

This study proposes an automated classification system for wallpaper defects using state-of-the-art deep learning architectures. In particular, it introduces novel methodologies to effectively address technical challenges such as data imbalance and similarities between defect types. To address challenges such as data imbalance and similarity between defect types, the model is based on the ConvNeXt architecture and incorporates customized data augmentation methods and ensemble learning tailored to the characteristics of each defect type. A dataset of 3,457 images across 19 defect types was utilized, and a hybrid loss function combining Focal Loss and Class-Balanced Loss was applied to mitigate data imbalance. Experimental results demonstrate that the proposed model achieves a weighted F1 score of 0.889, representing an 8.8% performance improvement over existing ResNet50-based models, with an average inference time of 45.2ms validating its feasibility for practical defect inspection tasks. These findings suggest the potential for automating wallpapering defect inspection in construction sites, thereby contributing to enhanced efficiency in quality control processes.

본 연구는 YOLOv7 모델을 활용하여 우회전 교차로에서 보행자와 차량을 탐지하고, 제한된 리소스 환경에서도 실시간 탐지가 가능한 시스템을 구현하고자 하였다. 이를 위해 AIHub 교통 데이터 세트와 커스텀 데이터 세트를 결합하고, 데이터 전처리 및 증강 기법을 적용하여 학습 데이터의 품질을 강화하였다. 특히 커스텀 데이터 세트는 교차로 환경을 실제와 유사하게 설계하여 탐지 성능을 높이는 데 기여하였다. 모델 학습 과정에서 YOLOv7 모델은 학습률 0.1, 배치 크기 8, 에포크 200회로 설정하였으며, 입력 이미지 크기는 640×640으로 통일하였다. 학습 결과, YOLOv7 모델은 mAP@0.5에서 93.2%, mAP@0.5:0.95에서 76.5%의 성능을 기록하였으며, 평균 응답 시간은 118ms로 Jetson Nano 환경에서도 실시간 탐지가 가능함을 확인하였다. 이는 기존 YOLOv7 모델 대비 성능이 개선되었으며, 제한된 환경에서도 높은 정확도와 신뢰성을 제공함을 입증하였다. 본 연구는 YOLOv7 기반 객체 탐지 시스템이 실시간 안전 모니터링 및 경고 시스템으로 활용 가능함을 제시하였다. 향후 연구에서는 하이퍼파라미터 최적화, 관심 영역(ROI) 조정, 경고 알고리즘 개선 등을 통해 시스템의 실시간성과 신뢰성을 더욱 강화할 계획이다.

This study utilized the YOLOv7 model to detect pedestrians and vehicles at right-turn intersections and aimed to implement a system capable of real-time detection even in resource-constrained environments. To achieve this, the AIHub traffic dataset was combined with a custom dataset, and data preprocessing and augmentation techniques were applied to enhance the quality of the training data. Notably, the custom dataset was designed to closely resemble actual intersection environments, contributing to improved detection performance. During the training process, the YOLOv7 model was configured with a learning rate of 0.1, a batch size of 8, and 200 epochs, with input image sizes standardized to 640×640. As a result, the YOLOv7 model achieved an mAP@0.5 of 93.2% and an mAP@0.5:0.95 of 76.5%, with an average response time of 118ms, demonstrating its capability for real-time detection in Jetson Nano environments. These results indicate that the proposed YOLOv7 model improved performance compared to the original YOLOv7 and provides high accuracy and reliability even in constrained settings. This study suggests that the YOLOv7-based object detection system can be utilized as a real-time safety monitoring and alert system. Future research will focus on optimizing hyperparameters, adjusting the region of interest (ROI), and improving alert algorithms to further enhance the system's real-time capabilities and reliability.

In this study, we analyzed animal registration data to identify the most popular dog breeds raised in South Korea. And then, a dataset was collected for the identified dog breeds and used to perform transfer learning on the YOLOv8 model to develop a breed classification model, and the classification accuracy was measured for each dog breed. The accuracy of classifying dog breeds by breed was confirmed to be at least 84% and up to 100%.

RGB 영상과 Thermal 영상의 다중 모달리티의 활용은 악천후나 안개, 조명 환경 등으로 가시성이 저하되는 다양 한 상황에서 그 가치를 발휘한다. 이전 의미론적 분할 작업에서 RGB 영상에서 추출된 특징을 Thermal 영상의 특 징과 결합하는 방식으로 높은 인지 성능을 달성했지만, 모달리티의 특성에 따른 모델 가중치는 고려하지 않고 출력 된 특징을 결합했기 때문에 제한적인 성능을 보인다. 본 논문에서는 RGB 영상과 Thermal 영상을 학습하는 과정 에서 네트워크가 공통적인 가중치를 갖도록 구성하고, 손실 계산 단계에서 더 많은 정보를 가진 모달리티 특징이 다 른 모달리티를 이끌도록 구성하였다. 또한 상호보완적인 마스킹 모듈과 잔차 네트워크를 구성하여 FMB[1] 데이터 세트에서 12.25의 성능 향상을 이뤘다.

Utilizing the multi-modality of RGB and thermal images is valuable in various situations where visibility is reduced due to bad weather, fog, or lighting conditions. In previous semantic segmentation work, high recognition performance has been achieved by combining features extracted from RGB images with features from thermal images, but the performance is limited because the output features are combined without considering the model weights according to the characteristics of the modalities. In this paper, we configure the networks to have common weights during the learning process of RGB and Thermal images, and configure the modality features with more information to lead the other modalities in the loss calculation step. We also configure complementary masking modules and residual networks to achieve a performance improvement of 12.25 on the FMB dataset.

차량 자율주행 시스템의 핵심 구성 요소인 비전 인식 기술의 발전은 다양한 환경 조건에서의 운행 안전성을 크게 향상 시켰다 수 있다. 열화상 카메라의 활용은 야간이나 극심한 날씨 조건에서의 기존 RGB 카메라 기반 시스템의 한계를 극복하기 위해 특 히 중요하다. 본 연구는 MobileNetV2를 기반으로 한 경량 중요 객체 검출 모델을 안드로이드 디바이스에 적용함으로써, RGB-T 이미지를 통해 향상된 객체 인식 능력을 연구해 보고자 한다. 이는 자율주행 차량의 안전성 및 신뢰성을 극대화하는 데 기여할 것으로 기대된다. 본 연구에서는 다양한 환경 조건에서의 객체 검출 능력 강화를 위해 RGB 이미지와 열화상 이미지를 활용한다. 이를 통해 모델 이 실제 환경에서 발생할 수 있는 다양한 시나리오에 대해 강건한 인식 능력을 개발할 수 있도록 한다.

사람들의 차량 보유 대수가 증가함에 따라 물피도주 사건도 증가하고 있지만, 수사 과정에서 장시간의 CCTV 영상 을 수동으로 검수하므로 용의자를 식별하는 데 많은 시간이 필요하고 비효율적이다. 따라서, 불필요한 인력 소모를 줄이기 위해서는 물피도주 피의자 식별 자동화 시스템의 구축이 필수적이다. 본 논문에서는 CCTV 영상에 인공지 능 기술을 활용해 CCTV 영상에서 '물피도주' 사건의 시점을 자동으로 탐지하고 가해 차량을 무엇인지 추적하는 시 스템을 제안한다. 이 시스템은 CCTV 영상을 수신하면 피해 차량 선택, 사고 시점 추정, 가해 차량 추정의 과정을 거치며 가장 확률이 높은 물피도주 가해 차량을 탐지한다. 기존 차 사고 차량 사고 검출 방식의 취약점을 보완하고, 사고와 무관한 주변 객체로 인한 오류를 줄이기 위해 객체 분할과 객체 탐지 모델, 그리고 객체 추적과 깊이 추정 모델을 활용하여 주변 객체들을 별도로 분류하는 과정이 도입되었다. 또한 CCTV 영상에 촬영된 국내 차량의 탐지 성능을 향상하기 위해 별도로 구성한 데이터 세트를 통해 객체 탐지 성능을 향상했고, 실제 CCTV에서 촬영된 물피 도주 사례들에 이 시스템을 적용했을 때 사고 발생 시점을 정확하게 검출하였고, HD 해상도의 영상에서 27fps 이 상의 처리 속도를 보인다.

As the number of vehicles owned by individuals increases, so does the occurrence of hit-and-run incidents. However, the investigation process is time-consuming and inefficient due to the need for manual review of long-duration CCTV footage to identify suspects. Therefore, it is essential to establish an automated system for identifying hit-and-run suspects to reduce unnecessary manpower consumption. This paper proposes a system that utilizes artificial intelligence technology on CCTV footage to automatically detect the moment of a 'hit-and-run' incident and track the offending vehicle. Upon receiving CCTV footage, the system undergoes processes of selecting the victim vehicle, estimating the time of the accident, and estimating the offending vehicle, thereby detecting the most probable hit-and-run offending vehicle. To address the vulnerabilities of existing vehicle accident detection methods and to reduce errors caused by irrelevant surrounding objects, the process of object segmentation and detection models, as well as object tracking and depth estimation models, were introduced to separately classify surrounding objects. Additionally, to enhance the detection performance of domestic vehicles captured in CCTV footage, a separate dataset was compiled to improve object detection performance. When this system was applied to actual hit-and-run cases recorded by CCTV, it accurately detected the time of the accident and demonstrated a processing speed of over 27fps in HD resolution video.