Earticle

In this research, we evaluate on the disassemblability of recycling process for vehicle front door using the symbolic chart method and machine-learning algorithm. It is applied to the front door of 1600cc class vehicle, and then the conventional steel door and CFRP door were compared. Based on the principle symbolic chart method, the number of processes can be different according to decomposer proficiency of suitability of recycling process, so the evaluation method is required to supply this issue. The machine learning algorithm, and artificial intelligence method were applied and the applicable tools for each experiment were used to compensate the variations in the number of processes according to different proficiencies. Because CFRP front door has integrated components compare to steel door, so its disassemblability processes were decreased to 80 from 103 of the conventional steel door’s. It can be confirmed that the disassemblability was increased from the suitability of recycling equation. In case of the steel, disassemblability was approximately 60.6, in case of the CFRP is approximately 72 for car front door. Therefore, it can be concluded that the disassemblability of CFRP was better in the evaluation of suitability of recycling.

Climate change and invasive alien plant species (IAPs) are having a significant impact on mountain ecosystems. The combination of climate change and socio-economic development is exacerbating the invasion of IAPs, which are a major threat to biodiversity loss and ecosystem functioning. Species distribution modelling has become an important tool in predicting the invasion or suitability probability under climate change based on occurrence data and environmental variables. MaxEnt modelling was applied to predict the current suitable distribution of most noxious weed A. adenophora (Spreng) R. King and H. Robinson and analysed the changes in distribution with the use of current (year 2000) environmental variables and future (year 2050) climatic scenarios consisting of 3 representative concentration pathways (RCP 2.6, RCP 4.5 and RCP 8.5) in Bhutan. Species occurrence data was collected from the region of interest along the road side using GPS handset. The model performance of both current and future climatic scenario was moderate in performance with mean temperature of wettest quarter being the most important variable that contributed in model fit. The study shows that current climatic condition favours the A. adenophora for its invasion and RCP 2.6 climatic scenario would promote aggression of invasion as compared to RCP 4.5 and RCP 8.5 climatic scenarios. This can lead to characterization of the species as preferring moderate change in climatic conditions to be invasive, while extreme conditions can inhibit its invasiveness. This study can serve as reference point for the conservation and management strategies in control of this species and further research.

In this study, AAHT was estimated using machine learning algorithms of ensemble techniques to improve the limitations of existing studies. Among the machine learning algorithms, a random forest algorithm was used, and the traffic volume estimation accuracy was analyzed as MAPE 20.7%. It was analyzed that the higher the traffic volume level, the higher the traffic volume estimation accuracy, and the traffic volume level of 3,000 vehicles/hour or more was analyzed to be 8% or less of MAPE. It was analyzed that the accuracy secured at the current level was very high compared to the existing model.

본 연구에서는 머신러닝 알고리즘을 적용한 모델 별 급성관상동맥증후군 진단 정확도를 비교 평가하고자 한다. 급성 관상동맥증후군 총 857명의 데이터를 학습데이터와 검증데이터로 7 : 3 비율로 구분하고 10 fold로 설정하여 학습에 진행하였다. 학습에 사용된 모델은 random forest, gradient boosting, ada boosting로 학습 후 정확도, AUC, recall, precision, F1 score, kappa로 평가하고, 최종 생성된 모델을 통해 AUC-ROC 곡선과 혼동행렬, 정확도를 비교 평가 하였다. 실험 결과 random forest 모델의 성능이 가장 우수 하였으며, AUC-ROC곡선과 혼동행렬 검증 결과 STEMI 예측성능은 gradient boosting, NSTEMI와 불안정성협심증은 random forest가 가장 예측을 잘 하였다. 검증데이터를 이용한 정확도는 random forest가 100%로 가장 우수한 결과를 도출하였다. 머신러닝 알고리즘을 적용 한 모델에 따른 급성관상동맥증후군 예측은 random forest가 가장 우수하였다. 본 연구결과를 통해 머신러닝 알고리즘 의 보건의료분야 적용에 대한 기초 및 근거 자료로 활용 될 수 있을 것으로 사료되며, 추후 앙상블 기법을 이용한 추가 연구를 통해 효율성을 높일 수 있을 것으로 사료된다.

In this study, we aimed to compare and evaluate the diagnostic accuracy of acute coronary syndrome for each model to which machine learning algorithm was applied. The data of a total of 857 patients with acute coronary syndrome were divided into train dataset and test dataset at a ratio of 7 : 3, and learning was performed by setting 10 folds. The model used for learning is evaluated by accuracy, AUC, recall, precision, F1 score, and kappa after training with random forest, gradient boosting, and ada boosting, and the AUC-ROC curve, confusion matrix, and accuracy are compared through the final model generated. evaluated. As a result of the experiment, the performance of the random forest model was the best, and as a result of the AUC-ROC curve and confusion matrix verification, the prediction performance of STEMI was gradient boosting, and the random forest predicted NSTEMI and unstable angina the best. As for the accuracy using verification data, the random forest produced the best results with 100%. The prediction of acute coronary syndrome according to the model applying the machine learning algorithm was the best in the random forest. It is believed that the results of this study can be used as basic and evidence data for the application of machine learning algorithms to the health care field, and further research using ensemble techniques can improve efficiency.

The duration of an inpatient stay affects hospital administration and improves hospital effectiveness in terms of controlling expenses and raising patient standards. It also assists in identifying the correlations among illnesses requiring hospitalization. For our study, we took 24,150 records from of the Open Data database pertaining to inpatient admissions in 2023. We used a number of methods, including Neural Networks, Deep Learning, Linear Regression, and Support Vector Machines, to predict the Length of Stay (LOS). We converted the data to numerical form for predictive purposes, dividing the dataset into 70% for training and 30% for testing. We assessed the model's performance using Root Mean Squared Error (RMSE) and split the forecast into four LOS categories: 0-2, 3-4, 5-7, and 8 days or more. The study also employed the Apriori algorithm to identify illness association rules that could impact LOS estimates. The results showed that identifying illness correlations is one element that might aid in enhancing the capacity to predict LOS.

본 연구에서는 청소년 비행이 지속적인 사회문제로 대두됨에 따라 청소년의 온․오프라인 비행을 예측하는 주요 요인들을 탐색하고 전통적 비행이론(사회학습이론, 일반긴장이론, 사회통제이론, 일상활동이론, 낙인이론)의 적용 가능성을 살펴보았다. 분석에 활용된 데이터는 한국아동․청소년패널조사 2010(KCYPS 2010)의 초1, 초4, 중1 패널 6차년도 데이터이다(N=4,137). 예측 모형을 구축함에 있어 전통적 통계기반의 회귀모형 대신 랜덤포레스트 머신러닝 기법을 활용함으로써 예측 성능 향상과 더불어 보다 많은 예측요인의 고려 가능성에 초점을 두었다. 랜덤포레스트 분석 결과, 청소년의 온․오프라인 비행을 설명하는 데에 전통적인 비행이론은 여전히 유효하였으며, 온라인 비행은 주로 개인적 요인(일상활동이론, 낙인이론)과, 오프라인 비행은 사회적 요인(사회학습이론, 사회통제이론)과 관련이 있는 것으로 나타났다. 또한 일반긴장이론은 온라인 비행과 오프라인 비행 모두를 예측하는 중요한 이론적 기반임을 확인할 수 있었다. 본 연구는 머신러닝 기법을 통해 청소년 비행에 영향을 주는 주요 요인을 도출하고, 기존 비행이론의 활용 가능성도 함께 고려했다는 점에서 의의가 있으며, 청소년 온․오프라인비행에 대한 예방 및 개입 방향성을 재고하는 기반을 제공할 것이라 기대된다.

Adolescent delinquency is a substantial social problem that occurs in both offline and online domains. The current study utilized random forest algorithms to identify predictors of adolescents’ online and offline delinquency. Further, we explored the applicability of classic delinquency theories (social learning, strain, social control, routine activities, and labeling theory). We used the first-grade and fourth-grade elementary school panels as well as the first-grade middle school panel (N=4,137) among the sixth wave of the nationally-representative Korean Children and Youth Panel Survey 2010 for analysis. Random forest algorithms were used instead of the conventional regression analysis to improve the predictive performance of the model and possibly consider many predictors in the model. Random forest algorithm results showed that classic delinquency theories designed to explain offline delinquency were also applicable to online delinquency. Specifically, salient predictors of online delinquency were closely related to individual factors(routine activities and labeling theory). Social factors(social control and social learning theory) were particularly important for understanding offline delinquency. General strain theory was the commonly important theoretical framework that predicted both offline and online delinquency. Findings may provide evidence for more tailored prevention and intervention strategies against offline and online adolescent delinquency.

본 논문에서는 기계학습과 관련된 다양한 사례들에 대한 연구를 바탕으로 기계학습 응용 및 학습 알고리즘의 성능 개선 방안을 제시한다. 이를 위해 기계학습 기법을 적용하여 결과를 얻어낸 문헌을 자료로 수집하고 학문 분야로 나누어 각 분야에서 적합한 기계학습 기법을 선택 및 추천하였다. 공학에서는 SVM, 의학에서는 의사결정나무, 그 외 분야에서는 SVM이 빈번한 이용 사례와 분류/예측의 측면에서 그 효용성을 보였다. 기계학습의 적용 사례 분석을 통해 응용 방안의 일반적 특성화를 꾀할 수 있었다. 적용 단계는 크게 3단계로 이루어진다. 첫째, 데이터 수집, 둘째, 알고리즘을 통한 데이터 학습, 셋째, 알고리즘에 대한 유의미성 테스트 이며, 각 단계에서의 알고리즘의 결합을 통해 성능을 향상시킨다. 성능 개선 및 향상의 방법은 다중 기계학습 구조 모델링과 +α 기계학습 구조 모델링 등으로 분류한다.

This paper aims to present the way to bring about significant results through performance improvement of learning algorithm in the research applying to machine learning. Research papers showing the results from machine learning methods were collected as data for this case study. In addition, suitable machine learning methods for each field were selected and suggested in this paper. As a result, SVM for engineering, decision-making tree algorithm for medical science, and SVM for other fields showed their efficiency in terms of their frequent use cases and classification/prediction. By analyzing cases of machine learning application, general characterization of application plans is drawn. Machine learning application has three steps: (1) data collection; (2) data learning through algorithm; and (3) significance test on algorithm. Performance is improved in each step by combining algorithm. Ways of performance improvement are classified as multiple machine learning structure modeling, +α machine learning structure modeling, and so forth.

산불은 인류의 자원인 산림을 파괴하고 야생 동식물에 많은 피해를 주고 있다. 이와 같은 산불은 기상 조건 및 인간의 활동에 의해서 발생하고 있다. 각 국가별로 산불을 감지하고 효율적으로 진압하기 위해서 다양한 연구를 진행하고 있다. 본 연구에서는 산불을 예측할 수 있는 머신 러닝 모델을 제안하였다. 연구에서는 신뢰할 수 있는 산불 데이터베이스를 사용하여 제안하는 모델을 검증하였다. 검증을 위해서 데이터 세트 수집, 데이터 전 처리, 모델 학습, 모델 테스트 등을 수행하였다. 산불 예측 모델을 만들기 위해서 ANN을 활용하였다. 학습한 모 델을 이용하여 산불을 예측하고 빠른 조치를 하기 위해서 웹 사이트를 구축하였다. 제안하는 모델을 이용하여 실 험한 결과 87%의 정확도를 보이는 것을 확인하였다.

Wildfires destroy forests, a resource for mankind, and cause great damage to wild animals and plants. These wildfires are caused by weather conditions and human activities. Various researches are being conducted in each country to detect and effectively suppress wildfires. In this study, a machine learning model that can predict wildfires was proposed. In the study, the proposed model was validated using a reliable forest fire database. For verification, data set collection, data preprocessing, model training, and model testing were performed. ANN was used to create a forest fire prediction model. A website was built to predict wildfires and take quick action using the learned model. As a result of the experiment using the proposed model, it was confirmed that the accuracy was 87%.

최근 코로나 사태로 인하여 비대면 거래가 점점 증가하는 추세로 그 중 모바일 소액 결제가 점점 높 은 비중을 차지하고 있다. 이와 동시에 모바일 금융 결제를 악용하여 보이스 피싱, 스미싱, 휴대폰 소 액결제 한도를 현금으로 바꿔주는 이른바 '소액결제 깡' 등 이상거래로 인하여 피해 사례도 함께 증가 하는 추세다. 이러한 이상거래는 점점 교묘해지고 피해 유형이 다양해짐에 따라 규칙 기반의 탐지만으 로는 한계가 있다. 이 한계를 보완하기 위해서는 이상 거래 패턴을 스스로 학습하여 이상거래를 스스 로 판단할 수 있는 기계학습 기법을 이용한 이상거래 탐지 시스템 (Fraud Detection System) 구축해 야 한다. 하지만 이상 거래 데이터는 정상 거래에 비해서 현저하게 적기 때문에 기계 학습 시 제한이 있다. 이러한 데이터 불균형을 보완하기 위해서 데이터 전처리 과정에서 Over-Sampling 방법론을 이용한다. 모바일 소액 결제는 사용자 편의성과 동일한 서비스와의 경쟁을 위하여 빠른 속도가 중요하 다. 그리하여 성능이 가장 뛰어난 알고리즘으로 기존의 결제 시스템의 성능보다 뛰어나거나 차이가 없 는 것에 중점을 두고 진행하고자 한다. 이를 기반한 알고리즘을 기존 룰 기반의 탐지 시스템에 연동하 여 이상 거래 탐지율 및 정확도를 상승시키고 오탐률을 최소화함으로써 기존 고객 이탈률을 최소화하 고, 추가적인 이상 거래 피해자 및 금융 이상 거래 발생률을 낮추는 것을 목표로 한다

For a plastic diffusion lens to uniformly diffuse light, it is important to minimize deformation that may occur during injection molding and to minimize deformation. It is essential to control the injection molding condition precisely. In addition, as the number of meshes increases, there is a limitation in that the time required for analysis increases. Therefore, We applied machine learning algorithms for faster and more precise control of molding conditions. This study attempts to predict the deformation of a plastic diffusion lens using the Decision Tree regression algorithm. As the variables of injection molding, melt temperature, packing pressure, packing time, and ram speed were set as variables, and the dependent variable was set as the deformation value. A total of 256 injection molding analyses were conducted. We evaluated the prediction model's performance after learning the Decision Tree regression model based on the result data of 256 injection molding analyses. In addition, We confirmed the prediction model's reliability by comparing the injection molding analysis results.

하천의 과다한 조류 발생은 취수원 및 수생태 환경에 좋지 않은 영향을 줄 수 있으며 이에 대한 지속적인 관리가 중요하다. 본 연구에서는 낙동강 유입 지류 하천에서 조류 발생의 정량적 지표인 chlorophyll-a 농도를 예측하는 자동 머신러닝 모형 (AutoML: automated machine learning)을 구축하였다. AutoML은 머신러닝 모형의 구축을 위한 데이터 전처리, 모형 선정 및 최적화 과정의 편의성을 높여 상대적으로 용이한 모형 구축을 가능하게 하는 장점이 있으며, 본 연구에서는 AutoGluon을 이용하여 AutoML을 구축하고 기존에 널리 사용되는 머신러닝 모형인 random forest 및 XGBoost모형과 그 성능을 비교하였다. 모형 성능의 비교는 모형 성능의 평가에 활용되는 정량 지표인 Nash-Sutcliffe coefficient of efficiency (NSE), root mean squared error (RMSE) 및 RMSE-standard deviation ratio (RSR)를 활용하였다. 분석결과 AutoGloun, RF, XGB 세가지 모형의 RSR 값이 각각 0.564, 0.752, 0.811로 AutoGluon이 가장 우수한 성능을 보이는 것으로 확인되었다. 또한 AutoGluon 모형의 구축에 사용된 각 변수가 모형의 성능에 미치는 상대적 중요도인 feature importance를 확인하여 중요도가 낮은 변수부터 순차적으로 변수를 제거하면서 성능의 변화를 비교하였다. 분석결과 RSR이 0.542–0.579의 범위를 보여 입력변수가 제한적인 경우에도 일정 수준 이상의 안정적인 성능이 확보될 수 있음을 확인하였다.

Excessive algal blooms in rivers can have negative impacts on water resources and aquatic ecosystems. Therefore, continuous management of algal bloom is essential. In this study, an automated machine learning (AutoML) model was developed to predict chlorophyll-a concentrations. AutoML has the advantage of simplifying the machine learning model development process by streamlining data preprocessing, model selection, and optimization, thus making model construction relatively easier. In this study, AutoGluon was used to implement AutoML, and its performance was compared with that of widely used machine learning models (i.g. Random Forest and XGBoost). Model performance was evaluated using three quantitative metrics: Nash–Sutcliffe Efficiency (NSE), Root Mean Squared Error (RMSE), and the Root Mean Squared Error–Observation Standard Deviation Ratio (RSR). The analysis showed that the RSR values for AutoGluon, RF, and XGB models were 0.564, 0.752, and 0.811, respectively, indicating that AutoGluon demonstrated the best performance. Additionally, the relative importance of the input features used in the development of the AutoGluon model was explored. Features were sequentially removed based on their importance ranking to assess the impact on model performance. The results showed that the RSR ranged from 0.542 to 0.579, verifying that the model maintained a stable performance even when input variables were limited.

본 연구는 제품 속성별로 차이를 보이는 사용자 기반-, 아이템 기반 추천 알고리즘의 예측 정확도를 실증분석하는 한편 건선 치료 화장품에 대한 양 추천 방식의 상대적 적합성을 고찰하였다. 주요 관점으로는 제품 소비에 따른 고객이 기대하는 경험적 가치와 기능적 가치 실현이 다르 다는 논리를 채택하였고, 영화, 뷰티상품, 자동차, 전자제품과 더불어 건선 치료 화장품을 연구 대상으로 파이썬 알고리즘 검증 방법을 통해 핵 심 가설을 검증하였다. 실증 분석에 사용된 표본으로는 영화의 경우 Movie Lens 100k 데이터와 뷰티상품, 자동차, 전자제품은 아마존 상품 데이 터를 활용하였고, 건선 치료 화장품의 경우 연구자들이 수집한 건선 환자들의 치료 화장품 사용에 관한 평점 및 사용후기 정보를 사용하였다. 상 이한 추천 알고리즘의 예측력 비교를 위해 평가 지표로 평균제곱근오차(RMSE: Root Mean Square Error)를 사용하였고, K-겹 교차검증 기법을 채택하였다. 분석 결과, 경험적 가치가 중요한 제품(영화, 뷰티)은 아이템 기반 추천 방식 보다 사용자 기반 추천 방식이 우수한 것으로 나타났고 (가설 1 지지), 기능적 가치가 중요한 제품(자동차, 전자제품)은 아이템 기반 추천 방식이 사용자 기반 추천 방식 보다 예측력이 우수한 것으로 확인되었다(가설 2 지지). 또한 건선 치료 화장품은 아이템 기반 추천 방식이 우수한 것으로 나타나 기능적 가치가 중요한 제품임을 확인할 수 있었다(가설 3지지). 이상과 같이 발견된 사실로부터 제품 속성에 따라 추천 알고리즘의 예측력이 다양하게 나타난다는 이론적 시사점과, 건선 치료 화장품 시장을 위한 마케팅 전략 수립을 위한 실무적 시사점을 도출하였다.

This study empirically analyzes the prediction accuracy of user-based and item-based recommendation algorithms that show differences by product attribute, while examining the relative suitability of both recommendation methods for psoriasis cosmeceutical. Adopting the logic that the experiential value and functional value realization expected by customers according to product consumption are different, main hypotheses were tested. As samples used for empirical analysis, Movie Lens 100k data for movies and Amazon product data for beauty products, automobiles, and electronic products were employed, and for psoriasis treatment cosmetics, the ratings and review information for single products was used. To compare the predictive power of different recommendation algorithms, Root Mean Square Error (RMSE) was employed as an evaluation index, and a K-fold cross-validation technique was adopted. As a result of the analysis, it was found that the user-based recommendation algorithm was superior to the item-based recommendation algorithm for products for which experiential value was important, such as movies and beauty products (supporting hypothesis 1). Concerning products for which functional value was important, such as automobiles and electronic products, the superiority of item-based recommendation was confirmed. The algorithm was confirmed to have better predictive power than the user-based recommendation algorithm (supporting hypothesis 2). In addition, it was found that the item-based recommendation method for psoriasis cosmeceutical was superior, confirming that functional values are important for it(supporting hypothesis 3). From the findings, theoretical implications that the predictive power of the recommendation algorithm varies according to product attributes and practical implications for establishing a marketing strategy for the psoriasis treatment cosmetics market were derived.

This study quantitatively examines stylistic differences between human and machine translation in literary texts. A parallel corpus was constructed from five source languages-German, Arabic, Indonesian, Japanese, and Chinese-each translated into Korean by professional human translators and two machine translation systems, Google Translate and Gemini. Using five machine learning algorithms (Decision Tree, Random Forest, XG-Boost, t-SNE, and PCA), we analyzed a range of stylometric features to determine the separability of human and machine outputs. Our results show that human and machine translations are highly distinguishable, with classification models achieving over 90%accuracy. Gemini’s stylistic profile aligned more closely with that of Google Translate than with human translators. The analysis revealed comma ratio as the strongest discriminator, followed by sentence count and pronoun ratio. These findings provide empirical evidence of a persistent stylistic gap between human and machine translation in the literary domain and identify specific linguistic features that mark this divide.

본 연구의 목적은 다양한 암 환자에서 PD-1 또는 PD-L1 억제제와 관련된 중증 면역 관련 혈액학적 부작용 (irHAEs)의 위험을 예측할 수 있는 간단한 머신러닝(ML) 모델을 개발하는 것이다. 우리는 대한민국 대학병원의 전자 의무기록 데이터를 기반으로 한 Observational Medical Outcomes Partnership (OMOP) 공통 데이터 모델을 활용하였 다. 중증 irHAEs는 Common Terminology Criteria for Adverse Events (CTCAE) 버전 5.0에 따라 3등급에서 5등급으 로 정의되었다. 예측 모델은 3차 병원(KHMC)의 주요 데이터 세트를 사용하여 개발되었다. 예측 모델은 특징 중요도 값(FIV)을 기반으로 중요한 특성에 집중하여 최소화되었다. 코호트는 397명의 환자가 포함되었다. 테스트된 ML 알 고리즘 중 Random forest가 가장 우수한 예측 성능을 보였으며(AUROC 0.88), FIV의 합이 전체 모델의 50%로 줄어 든 모델까지 전체 모델과 유사한 예측 성능을 나타났다(AUROC 0.83, P>0.05). 최소 예측 모델은 furosemide, oxygen gas, piperacillin/tazobactam, acetylcysteine과 같은 예측 feature 추출되었다. 간결성과 적절한 예측 성능을 고려할 때, 우 리의 ML 최소 예측 모델은 임상 현장에서 쉽게 적용될 수 있으며, 궁극적으로 암 면역 치료를 받는 환자의 약물 안 전성을 향상시킬 수 있을 것이다.

The objective of this study was to develop a simple machine learning (ML) model predictive of the risk for severe immune-related hematological adverse events (irHAEs) associated with PD-1 or PD-L1 inhibitors in patients with various cancers. We utilized the Observational Medical Outcomes Partnership (OMOP) Common Data Model based on electronic medical record data from a university hospital in South Korea. Severe irHAEs were defined as Grades 3 to 5 according to the Common Terminology Criteria for Adverse Events (CTCAE) version 5.0. The predictive model was developed using the primary dataset from a tertiary hospital (KHMC). The model was simplified by focusing on critical features based on the feature importance values (FIVs). A total of 397 patients were included in the cohort. Among the tested ML algorithms, Random forest showed the best predictive performance (AUROC 0.88), and a parsimonious model, reduced to 50% of the full model's FIVs, demonstrated similar predictive performance to the full model (AUROC 0.83, P > 0.05). The parsimonious model included predictive features such as furosemide, oxygen gas, piperacillin/tazobactam, and acetylcysteine. Considering its simplicity and adequate predictive performance, our parsimonious ML model can be easily implemented in clinical practice and ultimately enhance medication safety in patients treated with cancer immunotherapy.

본 연구는 양파 육묘의 생육 상태와 병해충 피해 여부를 인공지능(AI)과 다분광 이미지 분석 기술을 활용하여 자동 판별하기 위한 실증 시스템을 구축하고 그 성능을 검증하였다. 연구는 전남 나주시의 첨단 무인화 농업단지 육묘장을 대상으로 진행되었으며, 이동형 다분광 카메라 장치와 클 라우드 기반 데이터 수집 및 관리 시스템을 개발하였다. 인공지능 학습에는 Mask R-CNN 및 Mask2Former 모델을 비교 적용하였으며, NDVI·NDRE·GNDVI·GCI 등 식생지수를 주요 분석 변수 로 사용하였다. 실증 결과, 양파 육묘의 건강도 판별 정확도는 약 80±%를 기록하였으며, 500건 이 상의 생육 메타데이터가 구축되었다. 본 연구는 데이터 기반 농업 의사결정의 실현 가능성을 입증하 였고, 향후 병해충 데이터의 확장 및 다품종 적용 연구를 통해 스마트 농업 고도화에 기여할 것으로 기대된다.

This study developed and validated an artificial intelligence AI-driven system that automatically diagnoses the growth status and pest damage of onion seedlings using multispectral image analysis. The research was conducted at the seedling nursery of the Advanced Automated Agricultural Complex in Naju, Jeollanam-do, Republic of Korea. A mobile multispectral imaging device and a cloud-based data collection and management system were developed to facilitate large-scale data acquisition. The performance of Mask R-CNN and Mask2Former architectures was comparatively evaluated for model training, incorporating vegetation indices (e.g., NDVI, NDRE, GNDVI, and GCI) as key parameters. The experimental results achieved an average diagnostic accuracy of approximately 80%, and more than 500 sets of seedling growth metadata were collected. These findings demonstrate the feasibility of data-driven decision-making in agricultural management. Furthermore, this study lays the foundation for advancing smart farming through future dataset expansion and application to diverse crop species.

본 논문에서는 기계학습 기반의 실시간 이미지 인식 알고리즘을 개발하고 개발한 알고리즘의 성능을 테스트 하였다. 실시간 이미지 인식 알고리즘은 기계 학습된 이미지 데이터를 바탕으로 실시간으로 입력되는 이미지를 인식한다. 개발한 실시간 이미지 인식 알고 리즘의 성능을 테스트하기 위해 자율주행 자동차 분야에 적용해보았고 이를 통해 개발한 실시간 이미지 인식 알고리즘의 성능을 확인해보았다.

In this paper, we developed a real-time image recognition algorithm based on machine learning and tested the performance of the algorithm. The real-time image recognition algorithm recognizes the input image in real-time based on the machine-learned image data. In order to test the performance of the real-time image recognition algorithm, we applied the real-time image recognition algorithm to the autonomous vehicle and showed the performance of the real-time image recognition algorithm through the application of the autonomous vehicle.

본 연구는 국내 산사태 발생 데이터를 기반으로 시뮬레이션 모델을 머신러닝 기법을 통해 학습시켜 산 사태의 토석류 흐름을 구현하는 알고리즘에 대한 연구이다. 전통적인 프로그래밍을 통한 산사태 시뮬레이션 모델 개발을 해당 시스템에 더 많은 고도의 물리학 법 칙을 통합 적용시켜 토석류의 흐름을 공학적으로 재현해내는데 중점을 두고 개발이 진행되지만, 본 연구에 서 다루는 머신러닝 기법을 통한 산사태 시뮬레이션 모델 개발의 경우 시스템에 입력되는 데이터를 기반 으로한 학습을 통하여 토석류 흐름에 영향을 미치는 변수와 파라메터를 산출하고 정의는데 중점을 두고 개발이 진행된다. 본 연구에서 산사태 시뮬레이션 모델 개발에 활용하는 머신러닝 알고리즘은 강화학습 알고리즘으로 기 존 산사태 발생 지점을 기반으로 에이전트를 설정해 시간에 따라 시뮬레이션의 각 스텝에서 토석류의 흐 름 즉 액션을 환경에 따른 가중치를 기준으로 산정하게 된다. 여기서 환경에 따른 가중치는 시뮬레이션 모 델에 정의된 메서드에 따라 산정된다. 시간이 목표값에 도달하여 결과가 출력되면 출력된 결과와 해당 산 사태 발생 지점의 실제 산사태 피해 지역 데이터 즉 시뮬레이션 결과 이상치와의 비교를 통하여 시뮬레이 션을 평가하게 된다. 이러한 평가는 시뮬레이션 데이터와 실제 데이터간의 유사도 비교를 통해 손실률을 도출하게 되고 이러한 손실률을 경사하강법등의 최적화 알고리즘을 통해 최소화 하여 입력된 데이터를 기 반으로한 최적의 토석류 흐름 구현 알고리즘을 도출한다.

제4차 산업혁명 시대의 도래 후 국가 경쟁력의 가장 중요한 요소는 인공지능이라고 할 수 있다. 그러나, 인공 지능의 발달은 빅데이터를 기반한 머신러닝 없이는 불가능하기 때문에 미래형 인재는 머신러닝을 어릴 때부터 친숙하게 활용하고 이해하여 실생활에 창의적으로 적용할 수 있는 역량이 필수적으로 수반되어야 한다. 이에 본 논문에서는 K-NN 알고리즘 이해를 기반한 초등학생 대상 머신러닝 교육 프로그램을 개발하고 적용하여 그 효 과를 분석하였다. 그 결과 교육 프로그램을 적용한 학생들의 K-NN 알고리즘에 대한 이해를 바탕으로 머신러닝 원리와 적용에 대한 이해도가 향상되었음을 알 수 있었다. 이를 통하여 제안된 교육 프로그램의 효과가 검증되 었으며, 정보 기술에 대한 기초 지식 수준이 낮은 학생들에게도 머신러닝을 교육시킬 수 있는 방안에 대한 가능 성을 확장시켰다는 관점에서 본 논문의 의의를 찾을 수 있다.

After the advent of the 4th industrial revolution era, the essential element of national competitiveness can be said to be artificial intelligence. However, since artificial intelligence is impossible without machine learning based on big data, future talents must be accompanied by the ability to use and understand machine learning familiarly from childhood and apply creatively to real life. In this paper, we developed and applied a machine learning education program based on understanding the K-NN algorithm for elementary school students and analyzed the effect. As a result, we found that the students' understanding of machine learning principles and machine learning application were improved based on understanding the K-NN algorithm. Through these results, the effectiveness of the proposed education program was verified. The significance of this paper can be found from the viewpoint of expanding the possibility of a way to educate machine learning even for students with low basic knowledge of information technology.