Earticle

연구목적: 본 연구의 목적은 건설현장의 재해 예방을 위해 딥러닝기반의 개인보호구 검출 모델을 개발 하고, 실제 건설현장에 적용하여 분석하는 것이다. 연구방법: 본 연구의 수행 방법은 실제 환경의 데이 터를 구축하고, 개발된 개인보호구 검출 모델을 적용하였다. 개인보호구 검출 모델은 크게 근로자 검출 및 개인보호구 착용 분류 모델로 구성되어 있다. 근로자 검출 모델은 딥러닝 기반의 알고리즘을 실제 현 장에서 획득한 데이터셋을 구축하여 학습 및 근로자를 검출하였고, 개인보호구 착용 분류 모델은 앞단 에서 추출된 근로자 검출영역에서 학습된 개인보호구 검출 알고리즘을 적용하였다. 구축된 모델의 검 증을 위해 건설현장 3곳에서 획득된 데이터를 통해 실험결과를 도출하였다. 연구결과: 데이터베이스 12,000장을 구축하여 정상검출 9,460장(78.8%), 오검출 1,468(12.2%), 미검출 1,072장(8.9%)으로 나타 났으며 주요 원인은 영상에서의 객체 크기, 객체간 중첩(Occulusion), 객체 잘림, 그림자에 의한 오검출 로 분류되었다. 결론: 개인보호구 검출모델은 현장 상황마다 다른 검출률을 확인할 수 있었고, 본 연구 의 결과가 차후 현장적용을 위한 연구에 활용될 수 있을 것으로 여겨진다.

Purpose: The purpose of this study is to develop a deep learning-based personal protective equipment detection model for disaster prevention at construction sites, and to apply it to actual construction sites and to analyze the results. Method: In the method of conducting this study, the dataset on the real environment was constructed and the developed personal protective equipment(PPE) detection model was applied. The PPE detection model mainly consists of worker detection and PPE classification model.The worker detection model uses a deep learning-based algorithm to build a dataset obtained from the actual field to learn and detect workers, and the PPE classification model applies the PPE detection algorithm learned from the worker detection area extracted from the work detection model. For verification of the proposed model, experimental results were derived from data obtained from three construction sites. Results: The application of the PPE recognition model to construction site brings up the problems related to mis-recognition and non-recognition. Conclusions: The analysis outcomes were produced to apply the object recognition technology to a construction site, and the need for follow-up research was suggested through representative cases of worker recognition and non-recognition, and mis-recognition of personal protective equipment.

최근 일회용품의 사용 증가로 인한 환경 파괴를 방지하지 위해, 일회용품의 사용 축소와 더불어 재활용 비율을 최대한 높이는 노력이 절실하게 필요하다. 본 논문에서는 재활용 관련 정보 제공 및 올바른 분리배출을 지원하는 스 마트폰용 애플리케이션 <RecyMera>를 소개한다. 본 시스템은 효과적인 사물 인식 기법을 적용하여, 카메라를 배출 할 물품에 비추면 즉시 해당 물품의 종류를 자동 인식 및 자동 분류하여 그 물품에 알맞은 분리배출 방법을 현장에 서 즉시 제공한다는 점에서 기존의 분리배출 정보 애플리케이션에 비해 효과적이고 편리하다. 이 시스템이 널리 활용 된다면, 일상 생활 속 재활용 비율 확대를 통한 환경보호에 기여할 수 있을 것으로 기대된다.

With the recent increase in the use of disposable products, it is urgently necessary to reduce the use of disposable products and to increase the recycling rate as much as possible in order to prevent environmental damage. In this paper, we introduce <RecyMera>, a smartphone application that provides recycling-related information and supports correct separation and discharge. This system automatically recognizes and automatically classifies the type of item, by applying an effective object recognition technique, when the camera points at the item to be discharged. It is more effective and convenient compared to other existing smartphone applications. This system is expected to contribute to environmental protection by increasing the recycling rate in daily life.

도시가 복잡해짐에 따라 보행도로에는 시각장애인들의 보행을 방해하는 다양한 장애물들이 점차 많아지고 있다. 대표적으로 볼라드, 주차차단기, 입간판 등을 예로 들 수 있는데, 이들은 일반적으로 보행에 심각한 방해가 되지 않지만, 시각장애인들에게는 오히려 충돌로 인한 부상의 위험을 발생시킬 수 있다. 이를 해결하기 위해 GPS를 비롯한 다양한 장치를 이용한 방법들이 제안되었으나, 장소의 제약, 장애물 감지의 부정확성, 특수한 장치에 대한 요구 등의 문제로 인해 대중적으로 사용하기에는 한계를 지니고 있다. 본 논문에서는 최신 스마트폰에 기본적으로 장착된 간단한 장치만을 활용하여 보행 중에 출현하는 각종 장애물을 자동인식하고 충돌의 위험을 사전에 알려주는 방법을 제안한다. 제안된 방 법은 전방을 촬영한 동영상에서 장애물의 종류뿐만 아니라 거리를 파악하여 보행인에게 실시간으로 안내해줌으로써 장 애물과의 충돌을 방지하도록 지원한다. 이를 위해 최신 딥러닝 알고리즘을 이용한 객체 인식 기술을 활용하여 장애물 출현 여부와 장애물의 종류를 인식하였다. 또한, 보행자의 보폭을 이용한 이동 거리를 계산하는 방법을 응용하여 장애물 과의 거리를 측정하였다. 제안된 방법은 기존의 시각장애인을 위한 보행 안내 기술과 비교하여 실내외 장소에 구애받지 않으면서 간단한 장치만으로도 정확한 보행 안내가 가능하다는 장점을 갖는다.

As city environments have recently become crowded, there are many obstacles that interfere with the walking of the visually impaired on pedestrian roads. Typical examples include ballads, parking breakers and standing signs, which usually do not get in the way, but blind people may be injured by collisions. To solve such a problem, many solutions have been proposed, but they are limited in applied in practical environments due to the several restrictions such as outside use only, inaccurate obstacle sensing and requirement of special devices. In this paper, we propose a new method to automatically detect obstacles while walking on the pedestrian roads and warn the collision risk in advance by using only sensors embedded in typical mobile phones. The proposed method supports the walking of the visually impaired by notifying the type of obstacles appearing in front of them as well as the distance remaining from the obstacles. To accomplish this goal, we utilized an object recognition technology applying the latest deep learning algorithms in order to identify the obstacles appeared in real-time videos. In addition, we also calculate the distance to the obstacles using the number of steps and the pedestrian's stride. Compared to the existing walking support technologies for the visually impaired, our proposed method ensures efficient and safe walking with only simple devices regardless of the places.

최근 범죄예방과 안전문제 등으로 CCTV와 같은 영상장비가 다양하게 활용되고 있다. 영상기기들은 대부분 24시 간 작동되기 때문에 경비 인력을 절감할 수 있지만, 녹화된 영상에서 특정 인물과 같은 객체를 검색하는 업무는 여전히 수동으로 이루어지고 있어, 실시간 검색이 요구되는 상황에서는 정확하고 빠른 대처가 미흡하다. 본 논문에서는 최신 딥러닝 기술과 OpenCV 라이브러리를 이용하여 사용자의 의해 입력된 의상정보를 바탕으로 특정인물을 영상에서 빠르 게 검색하고, 그 결과를 실시간으로 전송하는 기술을 제안한다. 개발된 시스템은 YOLO 라이브러리를 이용하여 실시간 으로 인물객체를 탐지한 후, 딥러닝 기술을 이용하여 인간의 의상을 상/하의로 구분하고 OpenCV 라이브러리를 통해 색을 검출하여 특정 인물객체를 자동으로 인식하도록 구현하였다. 본 논문에서 개발한 시스템은 특정 의상을 갖춘 인물 객체를 정확하고 빠르게 인식할 뿐만 아니라 기타 객체 인식에도 활용할 수 있는 확장성을 갖추고 있어 다양한 용도의 영상감시시스템에 활용될 수 있을 것으로 기대된다.

Recently, video-taping equipment such as CCTV have been seeing more use for crime prevention and general safety concerns. Since these video-taping equipment operates all throughout the day, the need for security personnel is lessened, and naturally costs incurred from managing such manpower should also decrease. However, technology currently used predominantly lacks self-sufficiency when given the task of searching for a specific object in the recorded video such as a person, and has to be done manually; current security-based video equipment is insufficient in an environment where real-time information retrieval is required. In this paper, we propose a technology that uses the latest deep-learning technology and OpenCV library to quickly search for a specific person in a video; the search is based on the clothing information that is inputted by the user and transmits the result in real time. We implemented our system to automatically recognize specific human objects in real time by using the YOLO library, whilst deep learning technology is used to classify human clothes into top/bottom clothes. Colors are also detected through the OpenCV library which are then all combined to identify the requested object. The system presented in this paper not only accurately and quickly recognizes a person object with a specific clothing, but also has a potential extensibility that can be used for other types of object recognition in a video surveillance system for various purposes.

본 논문은 골프 그린에서 홀 컵을 인식하는 인공 지능 모델의 개발에 관한 연구이다. 그린에서 홀 컵의 인지을 위하여 CNN기반 물체 탐지 알고리즘을 사용하였다. 또한 물체 탐지 알고리즘의 모델을 생성하기 위하여 애플사의 CreateML을 사용하였다. 본 논문은 CreateML의 요구에 맞도록 120개의 학습 이미지 및 주석 데이터로 JSON 파일을 만들었다. 또한 정확한 학습을 위하여 학습 데이터에 데이터 증폭 알고리즘을 사용하여 288개의 학습 데이터로 증폭하 였고, 이를 사용하여 학습하였다. CreateML에서 요구하는 Iterations, Batch size, Grid size를 변화시키면서 모델의 성능을 높이는 파라미터 값을 찾았다. 개발된 모델을 적용하여 프로토타입 앱을 개발하였고, 이 프로토타입을 이용하여 실제 골프장 그린에서 홀 컵 인지에 대한 성능을 측정하였다. 측정 결과 일반적인 골퍼의 퍼팅 거리인 10m이내에서 홀 컵을 정확히 인지함을 알 수 있었다.

This paper is a study on the development of an artificial intelligence model that recognizes a hole cup on a golf green. A CNN-based object detection algorithm was used to recognize the hole cup on the green. Also, Apple's CreateML was used to create a model of the object detection algorithm. This paper created a JSON file with 120 training images and annotations to meet the needs of CreateML. In addition, for more accurate learning, data amplification algorithm was used for learning data and 288 learning data were used for learning. By changing the Iterations, Batch size, and Grid size required by CreateML, we found parameter values that improve the performance of the model. A prototype app was developed by applying the developed model, and performance was measured on an actual golf course green using the prototype app. As a result of the measurement, it was found that the hole cup was accurately recognized within 10m, which is the typical golfer's putting distance.

This study investigates the factors hindering the adoption of computer vision object recognition technology in construction sites, focusing on user perception and technology acceptance. Using the Technology Acceptance Model (TAM) alongside factors such as price efficiency, social influence, and associated experience, the research reveals key reason. Price efficiency significantly enhances both perceived ease of use (PEOU) and PU, suggesting economic benefits make the technology more accessible and beneficial. Conversely, social influence negatively impacts PEOU, indicating that higher social pressure may make the technology seem more challenging to use. Associated experience positively affects PU, implying that prior experience makes the technology more valuable to users. Both PEOU and PU positively influence the intention to use the technology, with PEOU having a particularly strong effect. Emphasizing economic efficiency and ease of use is crucial for technology adoption, while addressing social influence through education and awareness can mitigate its negative impact. Survey results highlight the importance of cost support, showing users are sensitive to financial aspects. These findings offer valuable insights for promoting advanced safety technologies in the construction industry.

우리나라 농업은 고령화로 인해 인력이 부족해 생산성이 감소하고 있다. 이를 극복하기 위해 농업용 로봇 시장이 빠르게 성장하고 있으며 농업용 로봇의 원격제어와 자율주행에 관한 연구가 진행되고 있다. 본 연구는 농업용 로봇의 외형 및 구조를 설계하고 구동을 위한 장치 및 제어시스템을 구현하였다. LiDAR 센서를 활용, 최적화해 자율주행을 위한 필수 기능인 객체 인식기술을 적용하였다. 이를 통해 농업에서 노동력이 가장 많이 필요한 운송작업의 인건비 절감과 더불어 생산성을 향상 시킬 수 있다.

Agriculture in South Korea is losing productivity due to the lack of manpower as aging population increases. To overcome this, the agricultural robot market is growing rapidly, and research is being conducted on remote control and autonomous driving of agricultural robots. This work designs the appearance and structure of agricultural robots and implements the devices and control systems for driving. By utilizing and optimizing LiDAR sensors, we applied object recognition technology, which is an essential function for autonomous driving. This can reduce labor costs and improve productivity of transportation tasks that require the most labor in agriculture.

본 연구는 현재 GOP감시 체계의 고유한 특성을 고려하여 AI 중심 감시 체계 구축이라는 목표를 달성하기 위해 필요한 요구와 그것을 해결하기 위한 방안을 다룬다. 첫째, 드론 및 쓰레기 풍선과 같은 북한의 위협은 지상뿐만 아니라 공중 영역까지 감시 범위를 요구한다. 둘째, 제한된 학습 데이터와 예측 불가능한 전장 환경과 같은 군 작전의 제약은 군사 분야에서 견고한 AI 모델을 개발하는 데 어려움을 야기한다. 셋째, 각 부대의 다양한 작전 환경은 단일 부대에서 학습된 모델의 일괄 적용을 어렵게 만든다. 이러한 문제를 해결하기 위해, 본 연구는 퓨삿 러닝(few-shot learning)과 연합 학습(federated learning)을 통합한 공중 객체 인식 기법을 제안한다. 퓨삿 러닝 알고리즘은 적은 양의 데이터로도 효과적인 학습과 추론이 가능하므로, 공중 감시에서의 데이터 부족 문제에 적합하다. 본 연구에서는 제안한 모델의 일반화 성능을 기존의 감독 학습 기반 모델과 비교하였다. 연합 학습은 분산형 기계 학습의 일종으로, 다양한 작전 환경을 가진 감시 부대를 개별 클라이언트로 모의함으로써 데이터 프라이버시를 보호하고 네트워크 부하를 줄이면서도 일관된 모델 성능을 가능하게 한다. 대공감시분야를 기존의 지도 학습 모델로 구현 시에는 보지 못한 클래스에 대한 추론에서 어려움이 발생한다. 그러나 퓨삿 러닝을 적용한 모델은 49.86%의 일반화 성능을 달성하였다. 더불어, 연합 학습 시스템 적용 후에는 클라이언트 간 성능 격차가 약 1.6배 감소하였으며, 네트워크 부하는 81% 줄어들었다. 본 연구에서 제안한 방안은 국방 AI 모델이 직면한 어려움을 해결할 수 있는 방안 중 하나로 퓨삿 러닝과 연합 학습을 결합함으로써 데이터 부족과 일반화 한계를 극복하고, 네트워크 부하까지 최소화할 수 있을 것으로 기대된다.

To achieve the goal of building an “AI-centered surveillance system”, this study focuses on the unique characteristics and challenges of the current GOP(General Outpost) surveillance systems. First, North Korea's threats, such as drones and trash balloons, require surveillance coverage across both ground and aerial domains. Second, the military’s operational constraints, including limited training data and unpredictable battlefield conditions, make it challenging to develop robust AI model in military domain. Third, the diverse operational environments of each unit prevent the uniform application of models trained in a single unit. To address these challenges, this study proposes an aerial object recognition methodology that integrates few-shot learning and federated learning. Few-shot learning algorithm allows for effective learning and inference from minimal data, making it well-suited to the data scarcity of aerial surveillance. We compared the generalization performance of our model to that of traditional supervised learning-based model. Federated learning, a form of decentralized machine learning, was used to simulate surveillance units with different operational environments as individual clients. It enabled consistent model performance across heterogeneous environments while preserving data privacy and reducing network load. The results showed that traditional supervised learning-based model struggled to infer unseen classes, while our model employing few-shot learning achieved a generalization performance of 49.86%. Furthermore, after implementing the federated learning system, the performance gap among clients was reduced by approximately 1.6 times, and network load decreased by 81%. The methodology proposed in this study aims to address the critical challenges currently facing defense AI models. By integrating few-shot learning and federated learning, it effectively tackles the issues of data scarcity and limited generalization while minimizing network load. This approach is expected to contribute to the development of a future platform for collecting and training military-specific datasets.

본 논문에서는 차량 정차해있거나 저속 주행 중 차량 사각지대에 위치한 객체(보행자, 자전거, 이륜차) 인식 가능하고 초당 30프레임의 빠른 객체 인식 성능을 갖는 DPS(FPGA) 기반 객체 인식 방법을 제시한다.

In this paper, we present a DPS (FPGA)-based object recognition method that can recognize objects (pedestrians, bicycles, motorcycles) located in the vehicle's blind spot while the vehicle is stopped or driving at low speed and has a fast object recognition performance of 30 frames per second.

객체 인식이란 하나의 특정 이미지를 입력했을 때, 주어진 이미지를 분석하여 특정한 객체(object)의 위치(location)와 종류(class)를 파악하는 것이다. 최근 객체 인식 기술이 적극적으로 접목되는 분야 중 하나는 자율주행 차량이라 할 수 있고, 본 논문에서는 자율주행 차량에서 영상 기반의 객체 인식 인공지능 기술에 대해 기술한다. 영상 기반 객체 검출 알고리즘은 최근 두 가지 방법(단일 단계 검출 방법 및 두 단계 검출 방법)으로 좁혀지고 있는데, 이를 중심으로 분석 정리하고자 한다. 두 가지 검출 방법의 장단점을 분석 제시하고, 단일 단계 검출 방법에 속하는 YOLO/SSD 알고리즘과 두 단계 검출 방법에 속하는 R-CNN/Faster R-CNN 알고리즘에 대해 분석 기술한다. 이를 통해 자율주행에 필요한 각 객체 인식 응용에 적합한 알고리즘이 선별적으로 선택되어 연구개발 되어질 수 있기를 기대한다.

Object recognition is to identify the location and class of a specific object by analyzing the given image when a specific image is input. One of the fields in which object recognition technology is actively applied in recent years is autonomous vehicles, and this paper describes the trend of image-based object recognition artificial intelligence technology in autonomous vehicles. The image-based object detection algorithm has recently been narrowed down to two methods (a single-step detection method and a two-step detection method), and we will analyze and organize them around this. The advantages and disadvantages of the two detection methods are analyzed and presented, and the YOLO/SSD algorithm belonging to the single-step detection method and the R-CNN/Faster R-CNN algorithm belonging to the two-step detection method are analyzed and described. This will allow the algorithms suitable for each object recognition application required for autonomous driving to be selectively selected and R&D.

최근 증강현실 기술은 스마트폰 증가추세에 따라 사용자 중심의 상호작용을 지원하는 형태로 발전하고 있다. 논문에서 우리는 관광지 사물인식 기술과 사용자의 위치 정보를 이용하여 실감체험이 가능한 어플리케이션을 구현하였다. 개발 시스템은 스마트폰의 GPS와 비콘 정보를 이용하여 사용자와 관광지 사물의 현 위치를 파악한 후, 두 지점간의 거리와 방향을 계산하여 해당 관광지의 실감체험 콘텐츠를 제공한다. 실감체험 앱을 통하여 우리는 제주를 찾는 관광객들에게 제주의 문화에 대한 이해와 감동을 주는 한편, 무명 관광지의 자원화 가능성을 높이고, 제주 관광의 이미지를 개선하는 효과를 기대할 수 있다.

In recent years, the Augmented Reality Technology is improving in order to support the user-oriented interaction depending on growing trend in smart phones. In this paper, we present the Realistic Experience App. Contents which help the smart phone users experience the real situations by using the Object Recognition Technology of the tourist attractions and the users' location information. The developed system pinpoints both the location of the user and that of the tourist spot object through the GPS of the smart phone and the information of Beacon, providing the realistic experience contents about the tourist attraction after estimating the distance and the direction between the user and the place. The Realistic Experience App. Contents are expected not only to impress the culture of Jeju on the tourists but also to increase the potential to uncover the unknown tourist attractions and improve the image of Jeju as one of the best sightseeing cities.

본 논문에서는 지능형 인식 기술인 RBFNNs 패턴분류기와 추적 기법인 Particle Filter를 융합한 다중 객체 추적 시스템을 설계한다. 여러 객체가 동시에 존재하는 상황에서 각각의 객체를 개별적으로 추적하기 위해 추적 기법에 인식 알고리즘을 추가하였다. 학습 데이터는 다양한 상황에서 정확한 인식 결과를 확인하기 위해 정면, 좌, 우측 데이터를 사용하였으며, 테스트 영상에서 검출된 얼굴 이미지를 테스트 데이터로 사용하였다. 추적 알고리즘인 Particle Filter를 사용하여 검출된 객체의 추적을 수행하며, 인식 결과를 바탕으로 다양한 객체에 대하여 개별적인 추적을 수행한다.