Earticle

이미지 분류, 객체 감지 등에 널리 쓰이는 EfficientNet은 기존에 수동으로 모델의 깊이, 너비, 입력 이미 지의 크기를 조절해 모델의 정확도를 높인 것과는 달리 이 3가지 요인마다의 상관관계를 찾아내었고 이 를 수식으로 만들었다. 이를 실제 데이터인 UCF-Crime 데이터셋에 적용하여 최적의 모델 정확성을 찾는 작업을 통해 적절한 접근법을 찾는 것이 중요하다 할 수 있다.

본 연구에서는 진단검사 분야에 인공지능 기술을 도입하기 위해 검사를 위한 전처리 도구인 검체 분류 장비에 영상 기반의 온라인 분류를 적용하였다. 이를 위해 실제 제어 소프트웨어인 C# 프로그램에 Python으로 구현된 EfficientNet을 적용하였다. 이미지 분류 알고리즘은 PyTorch 모델을 ONNX 모델로 변환하고 파이프라인을 통 해 딥 러닝 모델을 호출하여 C# 기반 제어 프로그램에서 구현된다. 변환 후 실제 환경에서 분류를 검증하여 알고리 즘이 제대로 수행되었는지를 확인한다. 기존 PyTorch 모델은 오프라인 테스트에서는 99%의 높은 정확도를 보였 지만, 온라인 검증 시 총 500개의 검증 샘플 중 트리거 시간 오차로 인해 9개의 오차가 발생했으며, 실제 분류 오차 는 16건으로 95.91%의 분류 정확도를 보였다. 다양한 의료 환경에서 제품 수준의 높은 분류 정확도를 달성하려면 다양한 조명 조건에서 더 많은 이미지 데이터를 수집하고 학습해야 할 것으로 생각된다.

In this study, to introduce artificial intelligence technology in the field of diagnostic testing, online classification using images is applied to specimen classification equipment, which is a pre-processing tool for examination. For this purpose, EfficientNet implemented in Python was applied to the C# program, which is the actual control software. The image classification algorithm is implemented in the C# based control program by converting the PyTorch model to the ONNX model and calling the deep learning model through the pipeline. After conversion, the classification is verified in real environment to show whether the algorithm is properly performed. The existing PyTorch model showed a high accuracy of 99% in the offline test, but during onlie verification, 9 errors occurred due to trigger time error among a total of 500 verification samples, and the actual classification error are 16 cases, showing the classification accuracy of 95.91%. In order to achieve product-level high classification accuracy in various medical environments, it is necessary to collect and learn more image data under varying lighting conditions.

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.

Precision agriculture increasingly relies on advanced technologies to enhance sustainability and productivity. Among these, deep learning and machine learning play a critical role in developing automated systems capable of accurately identifying plant diseases. This study presents a comparative analysis of various deep learning models for plant disease classification. Specifically, we employ transfer learning using pre-trained architectures such as VGG16, ResNet-50, DenseNet-121, and EfficientNet-B0, alongside a custom convolutional neural network (CNN) trained from scratch. The models are evaluated using a dataset containing images of both healthy and diseased plants. Experimental results indicate that transfer learning models outperform the custom CNN, with DenseNet-121 and EfficientNet-B0 offering the optimal balance between computational efficiency and classification accuracy. These findings underscore the potential of deep learning techniques to support precision agriculture by enabling faster, more accurate, and scalable disease detection—reducing the reliance on manual inspection and facilitating timely interventions.

Overloaded and improperly loaded trucks cause serious road hazards, such as rollovers and cargo falls. Although automatic enforcement methods are being studied, they face challenges in accuracy and legal application. Thus, a technology for direct tracking and enforcement is needed. This study uses EfficientNet to extract features of vehicles and license plates, and applies cosine similarity to identify the same vehicle. Comparisons were divided into “same vehicle” and “similar vehicle,” with a threshold-based method and five classification types. Results showed that the average similarity of the same vehicle group was 0.11 higher than that of the similar vehicle group. The accuracy of correctly identifying the same vehicle was 84.54%. Integrating OCR or LPR is expected to further improve tracking performance.

최근, 동영상 콘텐츠 소비와 제품구매 행동이 자연스럽게 이어지는 마케팅 연구가 활발하게 이루어지고 있다. 본 논문에서는 유튜브의 영상 시청중에 자연스럽게 인터넷 쇼핑으로 이어질 수 있도록 관련 제품을 탐지하고 유사 제품을 추천해주는 서비스 기술을 제안하고 구현하였다. 제안한 기술은 YOLOv8과 미리 학습된 EfficientNetV2 를 사용하였고, 제한적으로 탐지할 수 있는 제품 클래스의 개수를 해결하기 위해 CNN모델을 추가함으로써 단일 객체 탐지 모델의 한계를 극복하였다. 또한 탐지할 수 있는 제품의 분류 성능을 높이기 위해 Weighted Box Fusion기법을 적용하였다. 테스트 모델에 사용된 제품 검출 성능 평가 결과에서 mAP는 최고 91.2%의 높은 검출 률을 보였다. 구현결과, 제안한 기술은 시청중에 판매가 이루어질 수 있는 다양한 동영상 플랫폼의 End-to-End 서비스에 활용될 수 있을 것으로 기대한다.

Recently, there has been active research in marketing connecting video content consumption to product purchasing behaviors seamlessly. In this paper, we propose and implement a service technology that detects related products during YouTube video viewing and recommends similar products, enabling a smooth transition to online shopping. Our proposed technology utilizes YOLOv8 and a pre-trained EfficientNetV2, and overcomes the limitations of a single object detection model by adding a CNN model to address the issue of a limited number of detectable product classes. Additionally, the Weighted Box Fusion technique is applied to enhance the product classification performance of detectable products. The product detection performance of the test model showed a high mAP of up to 91.2%. Based on our results, we anticipate that the proposed technology can be applied to various video platforms where sales can be made during viewing, offering an end-to-end service.

같은 문화를 공유하는 인종 간에 비슷한 외모를 가지고 있는 한국, 중국, 일본인에 대해 CNN 구조를 기 반한 EfficientNet으로 얼굴 이미지를 학습시킨 결과, 약 92%의 높은 정확도를 확인하였다. EfficientNet의 인식률 이 높다는 점은 고무적이지만, 모델을 빌드하고 처리하는 것에 많은 시간이 필요하므로 좀 더 효율적인 방법이 요 구된다. 따라서 본 논문은 인종을 구분하는 데에 가장 큰 영향을 미치는 얼굴의 특징을 알아내어 빠르게 분석할 수 있는 알고리즘을 만들고자 한다. 이를 위하여 첫째, Face Landmark를 사용하여 얼굴의 전체 윤곽을 점으로 표시하고 기준점으로부터의 각 거리를 측정하여 특정 부위의 비율을 계산한다. 둘째, eXplainable AI (XAI) 기법 중 Grad-CAM을 통해 신경망이 판단한 특징을 기반으로 특정 영역의 비율 값을 머신러닝 알고리즘과 DNN으로 학습한다. 그 결과 Face Landmark를 활용한 방법이 약 63%의 정확도로 가장 높은 것을 확인하였다.

As a result of learning facial images with EfficientNet based on CNN structure for Koreans, Chinese, and Japanese who have similar appearances among races sharing the same culture, we confirmed a high accuracy of about 92%. The high recognition rate of EfficientNet is encouraging, but more efficient methods are required as it takes a lot of time to build and process the model. Therefore, this paper aims to create an algorithm that can quickly analyze facial features that have the greatest influence on classifying race. To this end, first, the percentage of a specific area is calculated by using Face Landmark to dot the entire outline of the face and measuring each distance from the reference point. Second, based on features determined by the neural network through Grad-CAM among eXpliable AI (XAI) techniques, the ratio values of specific regions are learned by machine learning algorithms and DNN. As a result, it was confirmed that the method using Face Landmark was the highest with an accuracy of about 63%.

This study evaluates the accuracy and reliability of brain hemorrhage prediction using the EfficientNet B7 model. The model achieved an accuracy of 94.2% and a recall of 94.0%, demonstrating high sensitivity that enhances its clinical applicability. The model achieved a loss of 0.40 during training and validation, showing stable convergence. These results expand the potential for AI in medical image analysis, ultimately contributing to improved diagnostic accuracy for healthcare professionals. Future research will verify the model's versatility using diverse datasets and increase interpretability for better clinical integration.

COVID-19의 확산으로 공중 보건에 대한 관심이 어느 때 보다 많아지고 있다. 기침은 COVID- 19 뿐만 아니라 다양한 감염성 질환의 주요 감염 경로 중 하나다. COVID-19는 주로 호흡기를 통 해 사람에게서 사람으로 전파되며, 공기를 통해 퍼지기 때문에 오염된 공기를 그대로 들이마시거나, 감염자의 비말이 묻어서 오염된 물체의 표면을 손으로 만진 뒤 얼굴이나 입을 다시 만지는 행위 등 으로 감염된다. 이러한 원인들 때문에 기침시에는 마스크를 착용하거나 팔 등으로 막는게 가장 중 요하다. 기침 소리를 감지하는 모델을 만들고 기침 소리가 발생하면 마스크 착용 여부나 기침 에티 켓 등을 방송하는 등 추가적인 응용이 가능한 시스템을 연구했다. 녹음기나 마이크를 통해 소리를 녹음하고 이미지 분류 딥 러닝 모델로 소리를 기침하는지 아닌지를 판단하기 위해 이미지로 변환한 다. 변환된 이미지를 분류 모델을 통해 기침인지 아닌지 판단하며 기침일 경우에는 추가적으로 여 러 응용이 가능하다. 실험은 자체 녹음된 소리에 대해 기침소리 샘플 15개와 일상소리 샘플 15개 로 총 30개 중 23개를 맞추어 76.67%의 정확도를 보여준다. 이는 데이터 세트에 샘플이 부족하기 때문으로 추정되는데 소리 데이터셋의 경우 특정 소리에 대한 데이터보단 여러 소리에 대한 데이터 셋이 대부분이기 때문이다.

목조문화재는 나무의 재료의 특성상 노후화가 진행되어 다양한 변위가 발생하기도 하며, 집중호우와 같은 자연재해로 인 해 문화재에 변위가 나타나기도 한다. 변위들을 정확히 파악하고 예상되는 문제에 대한 예방책을 강구하기 위해서는 정기 적인 모니터링이 요구된다. 하지만 정기적인 모니터링은 시간적, 비용적 측면에서 한계가 존재하기 때문에 딥러닝을 활용 한 모니터링 방식이 필요하다. 본 연구에서는 CCTV 영상 데이터를 활용하여 맑음, 흐림, 구름, 눈, 비 환경에 대한 데이터 셋을 구축한 후 EfficientNetB0 모델로 실험을 진행했다. 실험 결과 모든 환경이 동일한 변형과 다양한 변형에서 99.68% 이 상의 예측 정확도를 보여주었다. 모델 성능 검증 결과를 통해 환경을 통합할 때 높은 예측 정확도를 보여줄 수 있는 조합을 분석하였다. 이를 바탕으로 2가지 환경에 대한 통합 데이터셋을 구축해 2가지 환경통합 실험을 한 결과, 모든 환경에서 동 일한 변형과 다양한 변형이 99.84% 이상의 높은 예측 정확도를 보여주었다. 생성한 모델마다 학습에 사용하지 않은 14개 의 데이터셋으로 모델 성능 검증을 통해 최적의 지붕부 기울음 예측 모델을 제안한다.

Wooden cultural heritages can be deteriorated due to the aged materials or natural disasters such as localized heavy rains. Regular monitoring is necessary to accurately identify displacements and take precautions against anticipated problems. However, regular monitoring has limitations in terms of time and cost. So, If Deep Learning technology is used when displacement occurs, it will be a great help to the conservation of cultural heritages. In this study, we constructed data for each environment using CCTV data. Then, we confirmed whether it is possible to predict the tilt of the roof using EfficientNetB0 model. As a result of experiment, it showed prediction accuracy of 99.68% or higher in all environments such as clear, overcast, cloud, snow, and rain. Based on the results of the model verification, we analyzed the combinations that demonstrate high predictive accuracy when integrating environments. Integrated datasets were constructed for both environments, and experiments were conducted, showing high prediction accuracy of over 99.84% for both the same and different variations in all environments. We propose optimal prediction models for tilt of roof validating their performance on 14 datasets that were not used to train the respective models.

Background: Evaluating embryo quality is crucial for the success of in vitro fertilization procedures. Traditional methods, such as the Gardner grading system, rely on subjective human assessment of morphological features, leading to potential inconsistencies and errors. Artificial intelligence-powered grading systems offer a more objective and consistent approach by reducing human biases and enhancing accuracy and reliability. Methods: We evaluated the performance of five convolutional neural network architectures—EfficientNet-B0, InceptionV3, ResNet18, ResNet50, and VGG16— in grading blastocysts into five quality classes using only embryo images, without incorporating clinical or patient data. Transfer learning was applied to adapt pretrained models to our dataset, and data augmentation techniques were employed to improve model generalizability and address class imbalance. Results: EfficientNet-B0 outperformed the other architectures, achieving the highest accuracy, area under the receiver operating characteristic curve, and F1-score across all evaluation metrics. Gradient-weighted Class Activation Mapping was used to interpret the models’ decision-making processes, revealing that the most successful models predominantly focused on the inner cell mass, a critical determinant of embryo quality. Conclusions: Convolutional neural networks, particularly EfficientNet-B0, can significantly enhance the reliability and consistency of embryo grading in in vitro fertilization procedures by providing objective assessments based solely on embryo images. This approach offers a promising alternative to traditional subjective morphological evaluations.

Detecting mass lesions not only helps reduce the cost of treating breast cancer but also enhances the lifespan of patients. Various computer-aided detection (CAD) systems have been developed to assist physicians in detecting mass in mammograms for early cancer screening. In this paper, a method for suspicious massive lesion segmentation in patches is proposed, which modified UNet with EfficientNet as the encoder. The proposed architectures are evaluated on publicly available dataset, namely the Curated Breast Imaging Subset of Digital Database for Screening Mammography (CBIS-DDSM). The quantitative results show that the proposed architecture can achieve mass segmentation with segmentation ac- curacy, Dice and IoU scores of 95.23%, 92.56% and 88.81% respectively in patches extracted from CBIS-DDSM.

본 논문에서는 이미지 데이터와 각종 텍스트 기반의 데이터를 적절히 결합하여 유용한 데이터를 만들어 내는 방법을 제안한다. 그 사례로 편의점 상품 이미지와 편의점 프로모션 데이터, 사용자 위치정보 데이터를 적절히 결합하여 사용자가 편의점 상품 전면 이미지를 제공했을 때, 해당 상품이 어떤 편의점 브랜드에서 어떤 프로모션을 진행하고 있는지, 그리고 현재 위치에서 가까운 점포가 어디인지를 사용자에게 제공하는 시스템을 구현한다. 이미지를 어떤 데이터와 결합하는지에 따라 다양한 요구사항에 대응할 수 있다.

본 논문에서는 시설재배 작물 중 딸기의 초기 병해를 방제하고자 이미지를 자동으로 취득하고, EfficientNet 모델을 활용해 병해를 분석하여 농민에게 병해 여부를 알려주고, 전문가를 통한 병해 진단 서비스를 제안한다. 딸기 생육단계의 이미지를 취득하고, 학습된 EfficientNet 모델을 활용해 병해 진단 분석결과를 농민의 애플리케이션으로 전송 후 전문가의 피드백을 신속하게 받을 수 있다. 데이터 세트로는 실제 시설재배를 운영하는 농민을 섭외하여 시스템을 이용해 이미지를 취득하였고, 핸드폰으로 촬영한 이미지의 초안을 활용하여 데이터가 부족한 문제를 해결했다. 실험 결과 EfficientNet B0부터 B7까지의 정확도는 유사하여 추론 속도가 가장 빠른 B0를 채택했다. 성능향상을 위해 ImageNet으로 사전학습 된 모델을 사용해 Fine-tuning 했고, 100 Epoch부터 급격한 성능향상을 확인했다. 제안하는 서비스는 초기 병해를 빠르게 탐지하여 생산량을 증대시킬 것으로 기대한다.

In this paper, images are automatically acquired to control the initial disease of strawberries among facility cultivation crops, and disease analysis is performed using the EfficientNet model to inform farmers of disease status, and disease diagnosis service is proposed by experts. It is possible to obtain an image of the strawberry growth stage and quickly receive expert feedback after transmitting the disease diagnosis analysis results to farmers applications using the learned EfficientNet model. As a data set, farmers who are actually operating facility cultivation were recruited and images were acquired using the system, and the problem of lack of data was solved by using the draft image taken with a cell phone. Experimental results show that the accuracy of EfficientNet B0 to B7 is similar, so we adopt B0 with the fastest inference speed. For performance improvement, Fine-tuning was performed using a pre-trained model with ImageNet, and rapid performance improvement was confirmed from 100 Epoch. The proposed service is expected to increase production by quickly detecting initial diseases.

도로 포장에 널리 사용되는 아스팔트는 도로가 노출되는 환경에 따라 요구되는 물리적 특성이 상이하다. 이에 따라 첨가제의 배합에 따라 아스팔트가 어떤 물리적 특성을 나타내는지 평가하고 도로의 교통, 기후 환경에 맞추어 적절한 배합을 선택하는 것이 아스팔트 도로의 수명을 확보하기 위해 필수적이다. 아스팔트의 다양한 물리적 특성 중 소성변형에 대한 저항성을 측정하기 위해서는 Dynamic shear rheometer(DSR) 테스트를 주로 사용한다. 하지만 DSR 테스트는 실험 세팅에 따라 결과가 상이하고 특정 온도 범위 내에만 측정이 가능한 단점이 있다. 따라서 본 연구에서는 DSR 테스트의 단점을 극복하고자, Atomic force microscopy로부터 수집된 이미지를 학습하여 레올로지적 특성을 예측하고자 했다. 딥러닝 아키텍처 중 하나인 EfficientNet을 통해 이미지를 학습하였고 딥러닝 모델의 한계인 많은 데이터를 요구한다는 점을 극복하기 위해 전이학습을 이용하여 학습을 진행하였다. 학습된 모델은 이종의 첨가제를 사용하였음에도 높은 정확도로 아스팔트 바인더의 레올로지적 특성을 예측하였다. 특히, 전이학습을 사용하지 않았을 때와 비교하여 빠르게 학습이 가능했다.

Asphalt, widely used for road pavement, has different required physical properties depending on the environment to which the road is exposed. Therefore, it is essential to maximize the life of asphalt roads by evaluating the physical properties of asphalt according to additives and selecting an appropriate formulation considering road traffic and climatic environment. Dynamic shear rheometer(DSR) test is mainly used to measure resistance to rutting among various physical properties of asphalt. However, the DSR test has limitations in that the results are different depending on the experimental setting and can only be measured within a specific temperature range. Therefore, in this study, to overcome the limitations of the DSR test, the rheological characteristics were predicted by learning the images collected from atomic force microscopy. Images and rheology properties were trained through EfficientNet, one of the deep learning architectures, and transfer learning was used to overcome the limitation of the deep learning model, which require many data. The trained model predicted the rheological properties of the asphalt binder with high accuracy even though different types of additives were used. In particular, it was possible to train faster than when transfer learning was not used.

본 연구는 화재 등 긴급 상황에서 물리적 환경의 제약과 인프라 파손을 극복하기 위해 비전 AI와 딥러닝을 결합한 지능형 재난 대응 플랫폼을 제안한다. 기존 물리적 통신의 한계를 넘어 실내 공간을 수학적 그래프로 벡터화하여 동적 경로 최적화 알고리즘을 연구하였다. 특정 장소뿐만 아니라, 모든 건물에 적용가능한 유용성을 목표로 하였다. 물리적 센서에 의존하던 기존 방식을 소프트웨어 정의 중심 아키텍처로 전환함으로써, 저비용으로 구축 가능하며 재난 상황에서 높은 생존성을 보장하는 차세대 지능형 안전 시스템의 가능성을 제시한다.

This study proposes an intelligent disaster response platform that combines Vision AI and deep learning to overcome physical environmental constraints and infrastructure damage during emergencies such as fires. Moving beyond the limitations of conventional physical communication, this research investigates a dynamic path optimization algorithm by vectorizing indoor spaces into mathematical graphs. The objective is to ensure universal applicability across diverse building types rather than being limited to specific locations. By shifting from traditional reliance on physical sensors to a software-defined architecture, this paper presents the potential for a next-generation intelligent safety system that is cost-effective and ensures high survivability in disaster scenarios.

Intracranial hemorrhage (ICH) refers to acute bleeding inside the intracranial vault. Not only does this devastating disease record a very high mortality rate, but it can also cause serious chronic impairment of sensory, motor, and cognitive functions. Therefore, a prompt and professional diagnosis of the disease is highly critical. Noninvasive brain imaging data are essential for clinicians to efficiently diagnose the locus of brain lesion, volume of bleeding, and subsequent cortical damage, and to take clinical interventions. In particular, computed tomography (CT) images are used most often for the diagnosis of ICH. In order to diagnose ICH through CT images, not only medical specialists with a sufficient number of diagnosis experiences are required, but even when this condition is met, there are many cases where bleeding cannot be successfully detected due to factors such as low signal ratio and artifacts of the image itself. In addition, discrepancies between interpretations or even misinterpretations might exist causing critical clinical consequences. To resolve these clinical problems, we developed a diagnostic model predicting intracranial bleeding and its subtypes (intraparenchymal, intraventricular, subarachnoid, subdural, and epidural) by applying deep learning algorithms to CT images. We also constructed a visualization tool highlighting important regions in a CT image for predicting ICH. Specifically, 1) 27,758 CT brain images from RSNA were pre-processed to minimize the computational load. 2) Three different CNN-based models (ResNet, EfficientNet-B2, and EfficientNet-B7) were trained based on a training image data set. 3) Diagnosis performance of each of the three models was evaluated based on an independent test image data set: As a result of the model comparison, EfficientNet-B7's performance (classification accuracy = 91%) was a way greater than the other models. 4) Finally, based on the result of EfficientNet-B7, we visualized the lesions of internal bleeding using the Grad-CAM. Our research suggests that artificial intelligence-based diagnostic systems can help diagnose and treat brain diseases resolving various problems in clinical situations.

본 논문에서는 목조 문화재의 변위 현상 중 하나인 크랙 현상을 감지할 수 있는 EfficientNet 기반 모델을 제안한다. 우선 사전 학습된 EfficientNet모델을 통해 학습 이미지로부터 심층 특징을 추출하고 크랙이 존재하는지 아닌지에 대해 분류하기 위한 완전 연결 신경망을 학습한다. 그런 다음 새로운 목조 문화재 이미지가 들어왔을 때 학습한 모델을 통해서 크랙이 존재하는지에 대해 최종적으로 판별하게 된다. 데이터 셋으로는 충주시 근처의 문화재에 방문해서 수집한 목조 이미지를 가지고 정상 및 비정상으로 구분한 데이터 셋을 사용하였다. 실험 결과 EfficientNet을 사용한 딥 러닝 기반 모델이 다른 사전 학습된 합성 곱 신경망 모델보다 더 좋은 성능을 나타냄을 확인하였다. 이러한 결과로부터 우리가 제안한 방법이 목재 문화재에서의 크랙 검출에 있어서 적합함을 보여준다.