Earticle

본 연구는 코로나19 팬데믹 전후 한국 청소년의 삶의 만족도와 감성 표현 양상의 변화를 실증적으로 분석하였다. 국내 포털 사이트(네이버, 다음)에서 수집된 소셜미디어 텍스트를 기반으로, 토픽 모델링 기법과 LSTM 기반 감성 분석 모델을 적용하여 청소년 감정의 정량적 변화 및 주제별 경향을 파악하였다. 분석 결과, 팬데믹 이후 긍정 감성은 현저히 감소하고 부정 감성은 크게 증가하였으며, 감성 표현의 주제도 사회적 성취에서 개인적 회복으로 이동하였다. 이는 청소년의 삶에 미치는 팬데믹의 정서적 영향이 구조적이며 광범위하다는 점을 시사한다. 본 연구는 실시간 소셜데이터 기반 감정 분석의 방법론적 타당성을 입증함과 동시에, 위기 상황에서 청소년 웰빙을 효과적으로 이해하고 대응하기 위한 정책적 기반을 제공한다. 향후 연구에서는 다양한 플랫폼과 인구 통계적 요인을 반영한 확장 분석이 요구된다.

This study investigates changes in life satisfaction and emotional expressions among Korean adolescents before and after the COVID-19 pandemic. Utilizing social media texts collected from major domestic platforms (Naver and Daum), we applied topic modeling and an LSTM-based sentiment analysis model and to quantitatively track emotional trends and associated themes. The findings reveal a significant decrease in positive sentiment and a marked increase in negative sentiment during the pandemic. Moreover, thematic shifts from social achievement to personal resilience were observed. These results highlight the structural and pervasive emotional impacts of the pandemic on adolescents. This study demonstrates the methodological potential of social media-based sentiment tracking and offers practical implications for policy design aimed at safeguarding adolescent well-being in crisis contexts. Future studies should consider broader demographic and platform diversification for generalization.

We developed a deep learning-based algorithm with plant fruit images to predict the quantitative traits, fruit size, and weight. Highbush blueberry was selected as a model plant because of its commercial importance. Mask R-CNN was adopted for a deep learning guidance model to predict fruits' width, length, and weight. The deep learning algorithm had a high performance on object detection and image segmentation with more than 90% accuracy and detection rate.

Masonry structures account for a large proportion of the building stock worldwide. Presently, the structural conditions of such structures are mostly inspected manually, and which is expensive, laborious and subjective processes. As deep learning technique for computer vision advances, there is an opportunity to automate the visual inspection process using digital images. Several studies are in progress to automatically detect cracks in masonry structures using Deep Learning. However, it is important not only detecting a crack, but also measuring a length of the crack. This is because it is necessary to consider various factors required in the actual environment, such as calculating the cost of reinforcement work. In this paper, we propose the method that detects masonry cracks and measures the length of cracks with digital images. The aim of this study is to implement Deep Learning model for crack detection on masonry structure and to apply the method of crack length measurement additionally.

Background/Objectives Deep learning which main technology in AI has high growth with being applied to field of speech recognition and Image classification. Especially, Deep learning technology in the field of Image classification is being applied as a core technology to Self-driving and crime prevention monitoring system that is recently emerging as the future industry. Methods/Statistical analysis: Various algorithm which is improved and developed CNN being able to do image process is suggested as Deep learning model in image recognition field. In this paper, we introduce various object detection algorithm including CNN. And explore most representative algorithms just R-CNN, Fast R-CNN, Faster R-CNN and difference between versions of YOLO devised to detect and track in real time. Findings: This paper evaluates deep learning algorithm’s performance by comparative analysis about mAP (mean average precision) and FPS (frames per second). In result of performance evaluation, YOLO algorithm is confirmed as that It shows excellent result in speed that detects and recognizes object and accuracy in real time system environment. Finally, we search cases in field of autonomous driving and access control system and home anti-crime system. Improvements/Applications: In this research, we can understand object detection algorithm among speech recognition technologies and proper field in each algorithm, apply security service based on image, recommend proper algorithm in various environment just like autonomous driving and security work, etc.

The existing model for sentiment analysis of product reviews learned from past data and new data was labeled based on training. But new data was never used by the existing system for making a decision. The proposed Aspect-based multi-agent Deep Reinforcement learning Sentiment Analysis (ADRSA) model learned from its very first data without the help of any training dataset and labeled a sentence with aspect category and sentiment polarity. It keeps on learning from the new data and updates its knowledge for improving its intelligence. The decision of the proposed system changed over time based on the new data. So, the accuracy of the sentiment analysis using deep reinforcement learning was improved over supervised learning and unsupervised learning methods. Hence, the sentiments of premium customers on a particular site can be explored to other customers effectively. A dynamic environment with a strong knowledge base can help the system to remember the sentences and usage State Action Reward State Action (SARSA) algorithm with Bidirectional Encoder Representations from Transformers (BERT) model improved the performance of the proposed system in terms of accuracy when compared to the state of art methods.

‘감각(sense)’은 단순한 생리적 반응을 넘어 사회적･역사적 구성물로 주목받으며, 문학 연구에 새로운 접근의 실마리를 제공하고 있다. 본 연구는 문학 텍스트에 내재된 감각 요소의 전산적 구조화, 그리고 이를 토대로 한 딥러닝 감각 분류 모델의 구현 가능성을 시론적으로 고찰하는 데 목표가 있다. 감각 요소는 문학에서 미학의 한 측면을 구체화하는 핵심 자질로, 시각 중심의 분석을 넘어 청각, 후각, 미각, 촉각을 위시한 다양한 감각의 층위와 전이 양상을 분석할 필요성이 꾸준히 제기되어 왔다. 그러나 감정 분석에 비해 감각 분석은 데이터셋 및 디지털 도구의 부재로 인해 전산 문학적 접근이 거의 이루어지지 않고 있는 실정이다. 본 연구는 문학 감각 요소의 체계적 분석을 위한 ‘KPoSE’(Korean Poetry Sensory Elements) 데이터셋을 감각 주체, 감각 매개, 감각 대상, 감각 유형, 중심 감각, 보조 감각, 전이 감각 등의 속성을 포함한 메타데이터 구조를 바탕으로 시범적으로 설계함으로써, 문학 텍스트에 내재된 감각을 정밀하게 기술할 수 있는 전자적 기술 체계를 마련하고자 하였다. 이때 문학 감각 온톨로지는 4개 계층의 분류 체계를 기반으로 구성되며, 정지용 (鄭芝溶)･김광균(金光均)의 시 텍스트로 데이터셋의 구조를 예시하였다. 이는 단순한 감각 어휘의 빈도 분석을 넘어, 문학 텍스트의 다채로운 감각 양상을 일관적으로 포착할 수 있는 가능성을 제시한다. 또한 구축된 데이터셋은 향후 딥러닝 모델 학습을 위한 훈련 데이터로 활용될 수 있고, 문학 텍스트에 대한 감각 기반의 접근과 문학사적 연구로도 확장될 수 있다. 본 연구는 비록 실제 데이터셋을 제시하지는 못했다는 한계가 있으나, 문학 감정 데이터셋의 예시를 통해 문학 감각 전산 연구의 가능성을 탐색하고, 인공지능 시대의 문학 감각 연구를 위한 문학 감각의 전산적 기술 체계를 제시하였다는 점에서 의의를 갖는다.

The concept of ‘sense’ has received increasing attention as a socially and historically constructed phenomenon, rather than merely a biological response, offering new avenues for literary research. This study aims to explore the preliminary feasibility of computational modeling of sensory elements in literary texts and implementing a deep learning-based sensory classification model. Sensory elements constitute a core component in concretizing literature, and the need for analysis beyond a vision-centric approach— encompassing layers and transitions of auditory, tactile, and olfactory senses—has been continuously emphasized. However, unlike emotion analysis, computational approaches to literary sense remain underdeveloped due to the lack of datasets and digital tools. To address this gap, this study proposes the Korean Poetry Sensory Elements (KPoSE) dataset, designed with a metadata structure that includes attributes such as sensory subject, sensory medium, sensory target, sensory type, primary sense, mediating sense, and transferring sense. The literary sensory ontology follows a four-level hierarchical classification system, exemplified through poems by Chŏng Chiyong(鄭芝溶) and Kim Kwangkyun(金光均). This approach moves beyond simple frequency-based analysis of sensory vocabulary, offering a consistent means to capture the diverse sensory configurations found in literary texts. The dataset is expected to serve as training data for future deep learning models and facilitate sensory-based analysis and literary historical research. Although a full-scale dataset has not yet been completed, this study holds significance in proposing a computational framework for the digitalization of literary sensory elements and exploring its applicability in the age of artificial intelligence.

연구목적: 본 연구에서는 무인이동체를 활용한 철도교량의 외관조사 점검을 보다 효율적이고 신뢰성 있게 점검을 위하여 무인이동체를 통해 촬영된 이미지를 바탕으로 다양한 방식의 딥러닝 기반 자동 손 상 분석기술을 검토하였다. 연구방법: 취득된 이미지를 바탕으로 손상항목을 정의하고 학습데이터로 추출하여 딥러닝 분석 모델을 생성하였다. 그리고 철도교량의 외관 손상 중 균열, 콘크리트 박리·박락, 누수, 철근노출에 대한 손상 이미지를 학습한 모델을 적용하여 자동 손상 분석 결과로 테스트하였다. 연구결과: 분석 결과 평균 95%이상 검측 재현율을 도출하는 분석 기법을 검토할 수 있었다. 이와 같은 분 석 기술은 기존 육안점검 결과 대비 보다 객관적이고 정밀한 손상 검측이 가능하다. 결론: 본 연구를 통 해 개발된 기술을 통해 철도 유지관리 분야에서 무인이동체를 활용한 정기점검 시 자동손상분석을 통 한 객관적인 결과도출과 기존 대비 소요시간, 비용저감이 가능할 것으로 기대된다.

Purpose: In this study, various methods of deep learning-based automatic damage analysis technology were reviewed based on images taken through Unmanned Aerial Vehicle to more efficiently and reliably inspect the exterior inspection and inspection of railway bridges using Unmanned Aerial Vehicle. Method: A deep learning analysis model was created by defining damage items based on the acquired images and extracting deep learning data. In addition, the model that learned the damage images for cracks, concrete and paint scaling·spalling, leakage, and Reinforcement exposure among damage of railway bridges was applied and tested with the results of automatic damage analysis. Result: As a result of the analysis, a method with an average detection recall of 95% or more was confirmed. This analysis technology enables more objective and accurate damage detection compared to the existing visual inspection results. Conclusion: through the developed technology in this study, it is expected that it will be possible to analysis more accurate results, shorter time and reduce costs by using the automatic damage analysis technology using Unmanned Aerial Vehicle in railway maintenance.

본 연구는 딥러닝 기반 자연어처리 기법을 활용하여 한국과 중국의 소셜미디어 공간에서 나타나는 반일 담론의 정서적･의미적 구조를 비교 분석하였다. 트위터(X), 웨이보, 바이두에 서 수집된 약 9,000건의 온라인 게시글을 바탕으로, 워드임베딩, t–SNE 시각화, 감성어 사전 기반 감정 분석 등의 기법을 적용하여 한･중 반일 감정의 언어적 표출 방식을 실증적으로 고 찰한 것이다. 분석 결과, 한국과 중국 모두 반일 정서가 강하게 나타났으나, 그 표현 방식과 정서적 구현 양상에서 상이한 특성이 관찰되었다. 한국의 반일 담론은 역사적 피해 의식을 바탕으로 정치 적 이슈, 소비자운동, 대중문화와 같은 다양한 분야로 확산되어 있으며, 부정적 감정과 일상 적 수용 정서가 혼재된 양가적인 구조를 형성하고 있는 것으로 나타났다. 특히 ‘불매’, ‘역사 왜곡’, ‘우익’ 등과 같은 키워드는 정서적으로 강한 반감과 함께, 국가 정체성 및 도덕적 정당 성을 강조하는 담론 구조와 연결되어 있었다. 반면 중국의 반일 담론은 난징대학살, 식민지배, 전쟁 범죄 등 역사적 피해 경험에 대한 집 단 기억을 중심으로 구성되어 있었으며, ‘仇恨(증오)’, ‘侵略(침략)’, ‘右翼(우익)’ 등과 같은 키 워드를 통해 민족주의적 감정과 도덕적 비판이 강하게 표출되고 있었다. 동시에 일본 대중문 화 콘텐츠에 대한 관심과 소비 행태에 있어서는 별도의 정서적 층위가 형성되고 있어, 반감 과 수용이 공존하는 이중적인 양상이 확인되었다. 감정어 분석에서도 한국은 ‘역사’, ‘사과’, ‘자유’, ‘친일파’ 등의 단어가 긍정･부정 감성어 와 복합적으로 연결되며, 반일 정서가 단순한 외부 비판을 넘어 국내 정치적･도덕적 질서와 도 연결되어 있는 양상을 보였다. 중국 역시 부정 감성어를 중심으로 ‘전범’, ‘군국주의’, ‘역 사 수정’ 등의 키워드가 다수 확인되었으며, 이는 일본에 대한 도덕적 불신과 정치적 반감이 여실히 드러났다. 이러한 결과는 한국과 중국의 반일 감정이 유사한 역사적 배경을 공유하면서도, 각국의 사 회문화적 맥락과 담론 형성 방식에 따라 상이한 양상으로 전개되고 있다는 것을 확인해 주는 것이다. 나아가 디지털 공간에서의 집단 정서가 단순한 감정 표출을 뛰어넘어, 역사 인식과 문화적 태도의 차이를 반영하는 중요한 지표로 활용될 수 있다는 것을 보여준 것이다.

This study applied deep learning–based natural language processing methods to analyze anti–Japanese discourse in Korean and Chinese online spaces. Using approximately 9,000 posts collected from Twitter (X), Weibo, and Baidu, the research employed word embedding, t–SNE visualization, and sentiment lexicon–based analysis to investigate how anti–Japanese sentiment is linguistically structured in each country. The findings reveal that while both Korea and China exhibit strong anti–Japanese sentiment, the ways in which these emotions are expressed differ significantly. In Korea, anti–Japanese discourse expands beyond historical grievances to include political issues, consumer activism, and cultural preferences, forming an ambivalent emotional structure. Keywords such as “boycott” and “right–wing” reflect a discourse that is intertwined with national identity and domestic moral narratives. China’s discourse, on the other hand, is more deeply rooted in historical trauma and nationalist emotion, centering on themes such as invasion and war crimes. At the same time, admiration for Japanese pop culture exists in a separate emotional layer, reflecting a coexistence of hostility and cultural appreciation. These results suggest that anti–Japanese sentiment in both countries is shaped by distinct sociocultural contexts, and that online discourse functions not only as a medium of public opinion but also as a space where historical memory and national identity are actively constructed.

본 논문에서는 모의 화재 실험에 필수적으로 요구되는 화재 영상 분석 시스템을 제안한다. 시스템 구성은 CCTV 이미지 자동 분석기, 화재 진행을 다른 센서들과 동기화하기 위한 디지털 타이머 체계를 포함한다. 이미 지 자동 분석기는 YOLOv5 딥러닝을 기반으로 진행하며 화재 실험 과정에 주로 나타나는 화염 영상을 중심으로 학습하도록 구현하였다. 전체 시스템에서 딥러닝 화재 영상 분석은 디지털 타이머 클럭으로 트리거되어 다른 센 서들과 동기화되도록 디자인하였다. 구현된 검출 시스템의 신뢰성을 높이기 위한 다양한 이미지 분석, 후처리 개 선 실험을 진행하였고 신뢰할만한 화염 검출 성능을 확인할 수 있었다.

In this paper, we propose a fire image analysis system essential for simulated fire experiments. The system configuration includes an automatic CCTV image analyzer and a digital timer system to synchronize fire progress with other sensors. The automatic image analyzer is based on YOLOv5 deep learning and implemented to learn mainly from flame images that appear mainly in the fire experiment process. In the entire system, deep learning fire image analysis is triggered by a digital timer clock and designed to be synchronized with other sensors. Various image analysis and post-processing improvement experiments were conducted to increase the reliability of the implemented detection system, and reliable flame detection performance was confirmed.

클러스터링은 데이터의 정답값(실제값)이 없는 데이터를 기반으로 데이터의 특징벡터의 거리 기반 등으로 군집 화를 하는 비지도학습 방법이다. 이 방법은 이미지, 텍스트, 음성 등 다양한 데이터에 대해서 라벨링이 없이 적용 할 수 있다는 장점이 있다. 기존 클러스터링을 하기 위해 차원축소 기법을 적용하거나 특정 특징만을 추출하여 군 집화하는 방법이 적용되었다. 하지만 딥러닝 기반 모델이 발전하면서 입력 데이터를 잠재 벡터로 표현하는 오토인 코더, 생성 적대적 네트워크 등을 통해서 딥 클러스터링의 기술이 연구가 되고 있다. 본 연구에서, 딥러닝 기반의 딥 클러스터링 기법을 제안하였다. 이 방법에서 오토인코더를 이용하여 입력 데이터를 잠재 벡터로 변환하고 이 잠재 벡터를 클러스터 구조에 맞게 벡터 공간을 구성 및 k-평균 클러스터링을 하였다. 실험 환경으로 pytorch 머 신러닝 라이브러리를 이용하여 데이터셋으로 MNIST와 Fashion-MNIST을 적용하였다. 모델로는 컨볼루션 신경 망 기반인 오토인코더 모델을 사용하였다. 실험결과로 k가 10일 때, MNIST에 대해서 89.42% 정확도를 가졌으며 Fashion-MNIST에 대해서 56.64% 정확도를 가진다.

Clustering is an unsupervised learning method that involves grouping data based on features such as distance metrics, using data without known labels or ground truth values. This method has the advantage of being applicable to various types of data, including images, text, and audio, without the need for labeling. Traditional clustering techniques involve applying dimensionality reduction methods or extracting specific features to perform clustering. However, with the advancement of deep learning models, research on deep clustering techniques using techniques such as autoencoders and generative adversarial networks, which represent input data as latent vectors, has emerged. In this study, we propose a deep clustering technique based on deep learning. In this approach, we use an autoencoder to transform the input data into latent vectors, and then construct a vector space according to the cluster structure and perform k-means clustering. We conducted experiments using the MNIST and Fashion-MNIST datasets in the PyTorch machine learning library as the experimental environment. The model used is a convolutional neural network-based autoencoder model. The experimental results show an accuracy of 89.42% for MNIST and 56.64% for Fashion-MNIST when k is set to 10.

조류는 생태계를 구성하는 중요한 요소이다. 그러나 남조류의 과도한 성장은 하천환경에 다양한 악영향을 발생시키고 규조류는 상수원과 정수장 공정관리에 영향을 미친다. 지속적이고 효율적인 조류 관리를 위해 조류 모니터링이 중요 하다. 본 연구에서는 You Only Look Once (YOLO)의 최신 알고리즘 YOLO v8을 사용하여 조류경보제 기준에 사 용하는 유해 남조류 4종과 정수처리공정에 영향이 큰 규조류 1종 총 5종의 이미지를 분류하는 이미지 분류모형을 구 축하였다. 기본모형의 mAP는 64.4로 분석되었다. 모형의 학습에 사용된 원본 이미지에 회전, 확대, 축소를 수행하여 이미지의 다양성을 높인 5가지 모형을 구축하여 입력자료로 사용된 이미지의 구성에 따른 모형 성능의 변화를 비교 하였다. 분석결과 회전, 확대, 축소를 모두 적용한 모형이 mAP 86.5로 가장 좋은 성능을 보이는 것을 확인하였다. 이 미지의 회전만을 적용한 모형, 회전과 확대를 적용한 모형, 이미지의 회전과 축소만를 적용한 모형의 mAP는 각각 85.3, 82.3, 83.8로 분석되었다.

Algae are an important component of the ecosystem. However, the excessive growth of cyanobacteria has various harmful effects on river environments, and diatoms affect the management of water supply processes. Algal monitoring is essential for sustainable and efficient algae management. In this study, an object detection model was developed that detects and classifies images of four types of harmful cyanobacteria used for the criteria of the algae alert system, and one diatom, Synedra sp.. You Only Look Once(YOLO) v8, the latest version of the YOLO model, was used for the development of the model. The mean average precision (mAP) of the base model was analyzed as 64.4. Five models were created to increase the diversity of the input images used for model training by performing rotation, magnification, and reduction of original images. Changes in model performance were compared according to the composition of the input images. As a result of the analysis, the model that applied rotation, magnification, and reduction showed the best performance with mAP 86.5. The mAP of the model that only used image rotation, combined rotation and magnification, and combined image rotation and reduction were analyzed as 85.3, 82.3, and 83.8, respectively.

뇌 구조 자기공명영상 데이터로부터 알츠하이머 환자인지 아닌지 분류하는 작업은 알츠하이머 질환의 조기 발견을 위해 도움이 되는 진단 기법이고, 최근 들어 딥러닝을 이용하여 진단의 정확도를 높이는 연구가 많이 진행되고 있 다. 3차원 영상으로부터 일부 슬라이스를 추출한 후 예측 모델 학습 및 검증을 진행하는 연구가 보고되고 있다. 본 논문에서는 슬라이스 선택 방식에 따른 차이가 뇌영상 알츠하이머 질환 딥러닝 분류의 성능에 어떤 영향을 주는지 비교 분석한다. Coronal 방향의 영상에서 세가지 방식을 비교한다. 엔트로피 순으로 선택하되 슬라이스 덩어리 별 로 선택하지 않는 방식과 덩어리 별로 선택하는 방식, 그리고 그룹간 L2-norm 값이 큰 순으로 선택하되 덩어리 단 위로 선택하는 방식을 비교한다. 5-fold 교차검증을 이용하여 모델 학습 및 검증을 수행한다. 딥러닝 모델로는 이미 지넷 데이터로 사전 학습한 가중치를 갖는 4가지 딥러닝 모델과 사전 학습하지 않은 딥러닝 모델을 이용하여 학습한 다. 검증 결과 엔트로피 기반 방식이 L2-norm 차이 기반의 방식에 비해 구현이 간단하면서도, 비슷한 예측 성능을 보여주고 있다.

The classification of Alzheimer patients vs. normals based on brain structural MRI data is helpful for early diagnosis of Alzheimer’s disease. Recently, numerous research studies investigated deep learning to improve diagnostic accuracy. Several research groups proposed methods for selecting slices from the 3D MRI data and utilized the selected slices as input to model training and validation. This paper addresses the effect of slice selection methods on deep learning classifiers’ performances in predicting Alzheimer’s disease. From the coronal slice orientation, we compared three slice selection methods: Entropy-based method without chunk selection and with chunk selection, and L2-norm-based method with chuck selection. Model development and validation were performed with a five-fold cross validation. We considered four deep convolutional neural network (CNN) models pretrained with ImageNet database as well as one deep CNN model without pretraining. Our results indicate that the entropy-based slice selection method is simpler than the L2-norm-based method in its implementation, and it produces performance similar to the L2-norm-based method.

머신러닝과 딥러닝의 과정에서 중요한 단계인 특성 엔지니어링은 모델 성능에 큰 영향을 미치지만, 복잡한 모델 구조에서는 적용이 어렵다는 한계가 지속적으로 제기되어왔다. 본 연구에서는 이러한 문 제를 해결하기 위해 Permutation importance 기법을 활용하여, 딥러닝 모델의 성능을 효율적이고 안정 적으로 향상시키는 방법을 제안하였으며, 차후 다양한 AI 분야에서도 범용적으로 활용될 수 있는 가 능성을 함께 제시하였다.

본 논문에서는 개인의 성향을 추출하기 위한 딥러닝 기반의 SNS 리뷰 분석 방법을 제안한다. 기존의 SNS 리뷰 분석 방법은 대부분이 가장 높은 가중치를 기반으로 처리되기 때문에 여러 관심사에 대한 다양한 의견을 반영하지 못하 는 문제점이 있다. 이를 해결하기 위해 제안된 방법은 음식을 대상으로 한 SNS의 리뷰에서 사용자의 개인적인 성향을 추출하기 위한 방법이다. YOLOv3 모델을 사용하여 분류체계를 작성하고, BiLSTM 모델을 통해 감성분석을 수행한 후 집합 알고리즘을 통해 다양한 개인적 성향을 추출한다. 실험 결과, YOLOv3 모델의 경우 Top-1 88.61%, Top-5 90.13%의 성능을 보여주었으며, BiLSTM 모델의 경우 90.99%의 정확도를 보여주었다. 또한, SNS 리뷰 분류에서의 개인 성향에 대한 다양성을 히트맵을 통해 시각화하여 확인하였다. 향후에는 다양한 분야에서의 개인 성향을 추출하여 사용자 맞춤 서비스나 마케팅 등에 활용될 것으로 기대된다.

In this paper, we proposed an SNS review analysis method based on deep learning for user tendency. The existing SNS review analysis method has a problem that does not reflect a variety of opinions on various interests because most are processed based on the highest weight. To solve this problem, the proposed method is to extract the user’s personal tendency from the SNS review for food. It performs classification using the YOLOv3 model, and after performing a sentiment analysis through the BiLSTM model, it extracts various personal tendencies through a set algorithm. Experiments showed that the performance of Top-1 accuracy 88.61% and Top-5 90.13% for the YOLOv3 model, and 90.99% accuracy for the BiLSTM model. Also, it was shown that diversity of the individual tendencies in the SNS review classification through the heat map. In the future, it is expected to extract personal tendencies from various fields and be used for customized service or marketing.

최근 인공지능(AI) 기반 의료기기의 임상 적용이 확대되면서, 단일 기관에서 개발된 AI 모델이 타 기관 환경에서 성능이 저하되는 '도메인시프트(Domain Shift)' 문제가 상용화의 핵심 장벽으로 부각되고 있다. 본 연구는 척추측만증 진단에 활용되는 Risser Grade 자동 분류 딥러닝 모델을 대상으로, 국내 2개 의료기관(영남대학교병원 1,618건, 인제대학교 백병원 1,000건)의 골반 X-ray 데이터를 활용하여 다기관 외부 검증(cross-institutional external validation)을 수행하였다. 실험 결과, 기관 내 성능(quadratic weighted κ = 0.915)에 비해 기관 간 적용 시 κ = 0.903으로 Δκ = 0.012의 소폭 하락이 관찰되었다. 이는 기존 의료 영상 AI 도메인 시프트 연구(Zech et al., 2018: Δ=0.20)에서 보고된 심각한 성능 저하와는 대조적인 결과로, Risser Grade 분류에서는 도메인 시프트의 영향이 상대적으로 제한적임을 시사한다. 등급별 분석에서는 Grade 1~3에서 상대적으로 큰 민감도 하락(Δsens = -0.028~-0.040)이 관찰된 반면, Grade 0과 5에서는 거의 변동이 없었다. 본 연구는 Risser Grade AI 분류 분야에서 최초의 다기관 외부 검증이라는 학술적 기여와 함께, AI 의료기기 개발 기업의 다기관 데이터 확보 전략 및 규제 대응에 대한 경영학적 시사점을 제공한다.

As artificial intelligence (AI)-based medical devices increasingly enter clinical practice, domain shift---the performance degradation when a model trained at one institution is deployed at another---has emerged as a critical barrier to commercialization. This study investigates domain shift effects on deep learning-based Risser Grade classification using pelvic X-ray data from two Korean medical institutions (Institution A: 1,618 cases for training; Institution B: 1,000 cases for external testing). A two-stage pipeline was developed: YOLOv8-nano for automatic iliac crest ROI detection, followed by EfficientNet-B4 for six-class Risser Grade classification. Intra-institutional performance yielded a quadratic weighted kappa (QW-κ) of 0.915, comparable to clinician inter-rater agreement (κ = 0.909--0.930). Cross-institutional performance yielded QW-κ = 0.903, with a domain shift of only Δκ = 0.012. This is markedly smaller than domain shifts reported in other medical imaging tasks. Grade-specific analysis revealed that Grades 1--3 experienced relatively larger sensitivity drops compared to Grades 0 and 5. From a management perspective, these findings challenge the prevailing assumption that multi-institutional data universally constitutes a VRIN resource. We discuss implications for regulatory strategy, cost-efficient market expansion, and user trust management. To our knowledge, this is the first cross-institutional external validation study in Risser Grade AI classification.

본 연구에서는 배터리 파쇄 공정 산물에 대해 영상 인식 기반 분석 기법을 적용하여, 복합 폐기물의 재활용 효율 향상을 도모하고자 하였다. YOLOv8을 기반으로 재질 인식을 위한 학습 모델을 구축하였으며, Canny edge 기반 윤곽선 검출 및 기준선 보정 기법을 통해 입자의 면적을 정량화하였다. 약 7,000개의 이미지를 학습 데이터로 활용하였으며, 데이터 증강 및 보정 알고리즘을 이용하여 mAP 0.971의높은 객체 인식 정확도를 달성하였다. 입자 면적 정보를 기반으로 단위 면적당 질량(g/mm2)을 통해 입자별 질량을 추정하였으며, 이를 통해 영상 기반 회수율 및 순도를 계산하였다. 예측값은 실험을 통해 얻은 실측값과 비교되었으며, 회수율은 모든 재질에서 95% 이상, 순도는 약 90% 수준의 정합률을 보여 영상 기반 분석의 신뢰성을 입증하였다. 영상인식 기반의 재질 인식 및 입자 특성 분석을 통한 선별 회수율 및 순도 계산에 대한 신뢰도를 확보하였다. 연구는 영상 기반 분석이 기존 장비 대비 신속하고 효율적임을 보여주며, 향후 실시간 품질모니터링 및 공정 최적화 시스템으로의 확장 가능성을 제시한다.

In this study, an image recognition-based analysis method was applied to by-products generated from the battery crushing process, aiming to improve the recycling efficiency of complex waste streams. A deep learning model for material classification was developed based on YOLOv8, and particle areas were quantified using Canny edge-based contour detection along with baseline calibration techniques. Approximately 7,000 images were utilized for training, and data augmentation and correction algorithms enabled the model to achieve a high object detection accuracy with an mAP of 0.971. Based on the quantified particle area and the calibrated mass per unit area (g/mm2), the mass of each particle was estimated. These values were used to calculate recovery and grade, and the predicted results were compared with experimentally measured data. Recovery exceeded 95% across all material types, and the correspondence rate for grade reached approximately 90%, confirming the reliability of the image-based analysis. The study demonstrates that material classification and particle property analysis based on image processing enable accurate evaluation of separation recovery and product grade. In addition, the method shows potential for rapid and efficient assessment compared to conventional equipment and can be further expanded into real-time quality monitoring and process optimization systems.

본 연구는 의료 데이터 분석에서 단순모형과 복잡모형의 방법론적 우수성을 비교하였다. 두 모형의 우수성 비교를 위한 실증분석을 위해 피 마 인디언 당뇨(Pima Indians Diabetes) 자료를 사용해 0값을 결측으로 처리하고 중앙값 대치·표준화를 거친 뒤 70:30 분할 및 동일 전처리 파 이프라인으로 로지스틱 회귀(단순), 랜덤포레스트, 다층퍼셉트론(MLP)을 학습·평가하였다. 두 모형의 성능평가를 위해서는 임계값 의존 지표 (정확도, 민감도, 특이도, 정밀도(PPV), 음성예측도, 조화평균(F1), 균형정확도, 매튜스 상관계수(MCC))와 임계값 무관·보정 지표(ROC-AUC, PR-AUC, Brier(↓), 보정 절편/기울기, Hosmer-Lemeshow(HL), 임상 순이득(DCA))를 적용하였다. 실증분석 결과, 로지스틱 회귀는 정확도 0.7662, 민감도 0.7160, F1 0.6824, 균형정확도 0.7547, MCC 0.4995로 전반적으로 가장 견조했으며 ROC-AUC 역시 0.8365로 최고였다. 반면 랜덤포레스트는 특이도 0.8733과 PPV 0.6885로 확증 성능이 우수했고, 보정 품질에서도 Brier 0.1594, 보정 절편 0.1356, 기울기 0.9914, HL p=0.7606으로 이상적 수준에 근접했다. 다층퍼셉트론은 동일 조건에서 상대적으로 열세를 보였다. 한편 DCA 차원에서는 전 구간 공통으로 모형 간 격차는 크지 않되, 임계값 선택에 따라 승자가 바뀌었다(0.10: 랜덤포레스트, 0.20~0.30: 로지스틱 회귀). 따라서 실제 적용 시 목표 pt 와 FN/FP 비용구조를 먼저 정하고, 그 범위에서 순이득이 가장 큰 모형-컷오프 조합을 선택하는 것이 합리적이다. 종합하자면, 특정 모형의 방 법론적 우수성은 절대적이지 않고 상대적이며, 분석목적에 따라 선택이 필요하다. 구체적으로 선별(미탐 최소화)이 목표일 때는 로지스틱 회 귀가 적합하며, 확증(위양성 최소화)이나 확률 기반 의사결정에는 보정이 우수한 랜덤포레스트가 적합하다. 따라서 분석모형의 최적 선택은 유병률·FN/FP 비용·임계확률을 반영한 DCA와 함께 이뤄져야 한다.

This study compared the methodological superiority of simple models and complex models in medical data analysis. For an empirical analysis to compare the superiority of the two model classes, we used the Pima Indians Diabetes dataset, treated zeros as missing, performed median imputation and standardization, split the data 70:30, and trained/evaluated logistic regression (simple), random forest, and multilayer perceptron (MLP) under an identical preprocessing pipeline. For performance evaluation of the two model classes, we applied threshold-dependent metrics (accuracy, sensitivity, precision, specificity, F1, balanced accuracy, MCC) and threshold-independent and calibration metrics (ROC-AUC, PR-AUC, Brier, calibration intercept/slope, Hosmer–Lemeshow, clinical net benefit (DCA)). In the empirical results, logistic regression was overall the most robust, with accuracy 0.7662, sensitivity 0.7160, F1 0.6824, balanced accuracy 0.7547, and MCC 0.4995, and also achieved the highest ROC-AUC of 0.8365. By contrast, random forest showed superior rule-in performance with specificity 0.8733 and PPV 0.6885, and was close to an ideal level in calibration quality, with Brier 0.1594, calibration intercept 0.1356, slope 0.9914, and HL p=0.7606. The MLP was relatively inferior under the same conditions. Meanwhile, in the DCA dimension, the gaps between models were not large across the range, but the winner changed with the choice of threshold (0.10: random forest; 0.20–0.30: logistic regression). Therefore, in practical application, it is reasonable to first specify the target pt and the FN/FP cost structure, and then choose the model–cutoff combination that yields the largest net benefit within that range. In sum, the methodological superiority of a given model is not absolute but relative, and selection should depend on the analytic objective. Specifically, when the goal is screening (minimizing missed positives), logistic regression is appropriate, whereas for rule-in (minimizing false positives) or probability-based decision making, random forest with superior calibration is suitable. The optimal choice of analysis model should be made together with DCA that reflects prevalence, FN/FP costs, and the threshold probability.

최근 기계 번역 기술과 자동 노이즈 생성 방법론을 기반으로 한국어 맞춤법 교정 연구가 활발히 이루어지고 있다. 해당 방법론들은 노이즈를 생성하여 학습 셋과 데이터 셋으로 사용한다. 이는 학습에 사용된 노이즈 외의 노이즈가 테스트 셋에 포함될 가능성이 낮아 정확한 성능 측정이 어렵다는 한계점이 존재한다. 또한 실제적인 오류 유형 분류 기준이 없어 연구마다 사용하는 오류 유형이 다르므로 질적 분석에 어려움을 겪고 있다. 이를 해결하기 위해 본 논문은 딥러닝 기반 한국어 맞춤법 교정 연구를 위한 새로운 ’오류 유형 분류 체계‘를 제안하며 이를 바탕으로 기존 상용화 한국어 맞춤법 교정기(시스템 A, 시스템 B, 시스템 C)에 대한 오류 분석을 수행하였다. 분석결과, 세 가지 교정 시스템들이 띄어쓰기 오류 외에 본 논문에서 제시한 다른 오류 유형은 교정을 잘 수행하지 못했으며 어순 오류나 시제 오류의 경우 오류 인식을 거의 하지 못함을 알 수 있었다.

Recently, studies on Korean spelling correction have been actively conducted based on machine translation and automatic noise generation. These methods generate noise and use as train and data set. This has limitation in that it is difficult to accurately measure performance because it is unlikely that noise other than the noise used for learning is included in the test set In addition, there is no practical error type standard, so the type of error used in each study is different, making qualitative analysis difficult. This paper proposes new 'error type classification' for deep learning-based Korean spelling correction research, and error analysis perform on existing commercialized Korean spelling correctors (System A, B, C). As a result of analysis, it was found the three correction systems did not perform well in correcting other error types presented in this paper other than spacing, and hardly recognized errors in word order or tense.