Earticle

This study empirically validates the limitations of Vision AI(GPT-5.2) and the efficacy of Human-in-the-Loop collaboration using 280 real-world fire cases(N=280). While independent AI analysis showed potential discriminative capability (AC1=0.645), it exhibited significantly low reliability (κ=0.296) and distributional heterogeneity (Stuart-Maxwell test, p<.001), driven by “Multimodal Hallucination” and “Confirmation Bias” based on visual patterns. Conversely, incorporating expert contextual information effectively rectified misjudgments and reconstructed the AI’s causal reasoning logic. Consequently, this study demonstrates that AI cannot replace human investigators due to limitations in “Sensory Extension” and “Legal Agency,” suggesting that AI must be established as an “Intelligent Collaborative Tool” operating under the control of human investigators.

This study explored the possibility of supplementing the existing qualitative analysis method by applying artificial intelligence (AI) technology to the fire investigation field. By applying and analyzing ChatGPT and Circle-to-Search functions to the actual fire case of Nonsan Fire Station, it showed high accuracy and efficiency in tasks such as fire cause prediction, fire pattern classification, and field photo analysis. In particular, automatic analysis of visual evidence through image-based neural network model and automatic summary and classification of reports based on natural language processing suggested the possibility of greatly improving the speed and objectivity of fire investigation. In addition, by constructing the Vision AI prototype model, meaningful results were obtained to identify oil patterns on the floor, and a systematic fire investigation system was prepared by establishing an NSFI shared system. Lastly, the deployment of data collection experts to the fire investigation team was proposed.

본 연구는 기업의 AI Transformation(AX)을 지원하기 위해, Vision Language Model(VLM) 기반 지능 형 문서처리 플랫폼을 설계하고, Qwen2.5VL-7B를 활용한 영수증 처리 프로토타입을 구현하였다. 제안된 플랫폼 은 3-Tier 마이크로서비스 아키텍처를 기반으로, 프롬프트 관리 체계와 기능별 모듈화를 통해 유연하고 확장 가능 한 구조를 구현하였다. 실험 결과, 평균 91.7%의 정보 추출 정확도를 달성하였으며, 사전 템플릿 없이 다양한 문서 형식에 대응 가능한 처리 유연성을 바탕으로 실무 적용 가능성을 입증하였다. 본 연구는 OCR 중심 기술의 한계를 보완하는 프롬프트 기반 VLM 아키텍처를 실증적으로 제시하고, 금융·물류·의료 등 산업 전반에서 적용 가능한 문 서 자동화 기반을 제공하였다는 점에서 학문적·실무적 의의를 갖는다.

This study supports corporate AI Transformation (AX) by designing a document processing platform based on a Vision Language Model (VLM) and implementing a prototype using Qwen2.5VL-7B. The platform employs a three-tier microservice architecture with prompt management and modular components to ensure flexibility and scalability. Experiments showed an average information extraction accuracy of 91.7%, and the system demonstrated practical applicability by handling diverse document formats without predefined templates. This research provides an empirical implementation of a prompt-based VLM architecture that overcomes limitations of OCR technologies, offering academic and practical value as a foundation for document automation across sectors such as finance, logistics, and healthcare.

최근 극단적인 강우와 홍수의 발생 빈도가 증가함에 따라, 수자원 시설은 보다 강하고 빈번한 환경 스트레스에 노출되고 있다. 이처럼 반복적인 환경 스트레스는 구조물의 균열 형성과 확산을 가속화하며, 내구성 저하와 안전성 문제로 이어진다. 이에 본 연구에서는 건물 균열 이미지 데이터를 기반으로, 다단계 인공지능 영상 인식 가상센서를 적용한 수자원 시설 균열 자동 감지 기법을 제안하고자 한다. 첫째, YOLO11 기반 벽체 영역분할을 통해 관심 영역을 설정하고, 둘째, 동일 계열의 균열 탐지 모델로 균열 후보를 검출한다. 셋째, ResNet18 기반 이진 분류로 실제 균열 여부를 판별하며. 마지막으로 YOLO11 기반 세분화(Segmentation)모델을 적용하여 균열의 형상을 정밀하게 인식한다. 본 연구의 결과는 계층적 인공지능 분석 체계를 통해 수자원 시설 구조물의 균열을 효율적으로 감지하고 손상 위험을 조기에 파악할 수 있는 과학적 근거를 마련하는 데 기여할 것으로 기대된다.

With the increasing frequency of extreme rainfall and flooding events, water infrastructure has been increasingly exposed to stronger and more frequent environments stresses. Such repetitive external loads accelerate the formation and propagation of cracks in structures, leading to reduced durability and potential safety issues. In this study, a multi-stage artificial intelligence vision-based virtual sensor approach is proposed to automatically identify cracks in water infrastructure using building crack image data. First, the region of interest (ROI) is defined through wall segmentation based on YOLO11, followed by crack candidate detection using the same YOLO11 framework. Next, a ResNet18-based binary classification model determines the actual presence of cracks, and finally, a YOLOv11-based segmentation model is applied to precisely identify the crack geometry. The Proposed multi-stage AI analysis framework enables efficient crack identify in water infrastructure and provides a scientific foundation for the early identification of potential structural damage.

본 논문은 딥러닝을 기반으로하여 SMT 공정 중 스크린 프린터를 통과한 PCB를 확인하여 솔더크림이 지정 된 위치에 일정한 높이로 도포되지 않은 경우 불량 PCB로 간주하고 해당 PCB의 불량 위치를 경계상자로 설정하 도록 하는 딥러닝 적용 불량검출 AI엔진 시스템 설계 및 개발에 관한 연구이다. 솔더크림 도포 불량 유형은 자주 발생되는 7가지로 구성하였으며 실증 업체로부터 불량 PCB를 수집하여 촬영하고 데이터셋을 준비하였다. 학습에 사용된 데이터셋은 Train, Validation, Test의 그룹으로 나누어 RT-DETR 모델을 기반으로 훈련시켰다. 연구 결 과 목표로 삼은 7개 유형의 결함이 성공적으로 탐지됨을 확인할 수 있었다. 이후 추가적인 현장 실증 및 고도화를 통하여 SMT공정 중 스크린 프린팅 결과물을 대상으로 실시간 불량을 식별해 내는 AI머신비전 시스템으로써 역할 을 크게 할 것으로 기대된다.

This paper is about the design and development of a defect detection AI engine system based on deep learning that checks a PCB that passed through a screen printer during the SMT process, and if the solder cream is not applied to a specified location and at a certain height, it is considered a defective PCB and sets the defective location of the PCB as a bounding box. The types of solder cream application defects consisted of seven frequently occurring types, and defective PCBs were collected from a verification company, photographed, and a dataset was prepared. The dataset used for learning was divided into groups of Train, Validation, and Test and trained based on the RT-DETR model. As a result of the study, it was confirmed that the seven types of defects targeted were successfully detected. In the future, through field verification and advancement, it is expected to play a significant role as an AI machine vision system that identifies defects in real time for screen printing results during the SMT process.

이 논문은 Vision AI 및 컴퓨터 비전 기술을 활용하여 임대 장비의 불법 거래를 탐지하는 시스템을 개발하고, 온라인 중고거래 플랫폼에서 통신사 장비의 불법 유통 문제를 해결하기 위해 인공지능 기반 이미지 분석 기술을 적용한 사례 연구이다. 학습데이터 구축은 이미지 데이터 수집, 어노테이션, 전처리, 데이터 증강, 모델 학습의 5단계 수행 과정 과, YOLOv8 객체 탐지 모델의 탐지 성능을 91.4% 수준을 달성하기 위한 데이터셋 개선 및 성능 측정 결과도 상세히 도식화한다. 본 연구는 Vision AI 기술의 실제 적용 사례로, 관련 분야의 연구 및 실무에 있어 중요한 기술적 타당성과 실무적 활용 가능성을 제시할 뿐만 아니라 다양한 산업 분야에서 불법 거래 방지 및 안전한 거래 환경 구축을 위한 적용 방향을 제시한다.

This paper presents a system designed to detect illegal transactions involving rental equipment by utilizing Vision AI and computer vision technologies. It serves as a case study demonstrating how AI-powered image analysis can address the issue of illegal distribution of telecommunications equipment on online second-hand trading platforms. The development process involves five key steps: image data collection, annotation, preprocessing, data augmentation, and model training. Detailed results are provided, highlighting dataset improvements and performance evaluations, with the YOLOv8 object detection model achieving a detection accuracy of 91.4%. This study illustrates a practical application of Vision AI technology, showcasing its technical feasibility and practical usability. It also offers insights into how this technology can prevent illegal transactions and promote a safer trading environment across various industries.

The role of the library is as a public institution that provides academic information to a variety of people, including students, the general public, and researchers. These days, as the importance of lifelong education is emphasized, libraries are evolving beyond simply storing and lending materials to complex cultural spaces that share knowledge and information through various educational programs and cultural events. One of the problems library user’s faces is locating books to borrow. This problem occurs because of errors in the location of borrowed books due to delays in updating library databases related to borrowed books, incorrect labeling, and books temporarily located in different locations. The biggest problem is that it takes a long time for users to search for the books they want to borrow. In this paper, we propose a system that visually displays the location of books in real time using an AI vision sensor and LED. The AI vision sensor-based book location guidance system generates a QR code containing the call number of the borrowed book. When the AI vision sensor recognizes this QR code, the exact location of the book is visually displayed through LED to guide users to find it easily. We believe that the AI vision sensor-based book location guidance system dramatically improves book search and management efficiency, and this technology is expected to have great potential for use not only in libraries and bookstores but also in a variety of other fields.

실시간 처리 및 프라이버시 강화를 위해 인공지능 모델을 엣지에서 동작시킬 수 있는 온디바이스 AI 기술이 각광받고 있다. 지능형 사물인터넷 기술이 다양한 산업에 적용되면서 온디바이스 AI 기술을 활용한 서비스가 크게 증가 하고 있다. 그러나 일반적인 딥러닝 모델은 추론 및 학습을 위해 많은 연산 자원을 요구하고 있다. 따라서 엣지에 적용되 는 경량 기기에서 딥러닝 모델을 동작시키기 위해 양자화나 가지치기와 같은 다양한 경량화 기법들이 적용되어야 한다. 본 논문에서는 다양한 경량화 기법 중 가지치기 기술을 중심으로 엣지 컴퓨팅 기기에서 딥러닝 모델을 경량화하여 적용 할 수 있는 방안을 분석한다. 특히, 동적 및 정적 가지치기 기법을 적용하여 경량화된 비전 모델의 추론 속도, 정확도 그리고 메모리 사용량을 시험한다. 논문에서 분석된 내용은 실시간 특성이 중요한 지능형 영상 관제 시스템이나 자율 이동체의 영상 보안 시스템에 적용될 수 있다. 또한 사물인터넷 기술이 적용되는 다양한 서비스와 산업에 더욱 효과적으 로 활용될 수 있을 것으로 기대된다.

On-device AI technology, which can operate AI models at the edge devices to support real-time processing and privacy enhancement, is attracting attention. As intelligent IoT is applied to various industries, services utilizing the on-device AI technology are increasing significantly. However, general deep learning models require a lot of computational resources for inference and learning. Therefore, various lightweighting methods such as quantization and pruning have been suggested to operate deep learning models in embedded edge devices. Among the lightweighting methods, we analyze how to lightweight and apply deep learning models to edge computing devices, focusing on pruning technology in this paper. In particular, we utilize dynamic and static pruning techniques to evaluate the inference speed, accuracy, and memory usage of a lightweight AI vision model. The content analyzed in this paper can be used for intelligent video control systems or video security systems in autonomous vehicles, where real-time processing are highly required. In addition, it is expected that the content can be used more effectively in various IoT services and industries.

본 논문에서는 지능형 엣지 컴퓨팅을 지원할 수 있는 경량 임베디드 기기를 설계하고, 영상 기기로부터 입력되는 이미지에서 객체를 실시간으로 빠르게 검출할 수 있음을 보인다. 제안하는 시스템은 산업 현장이나 군 지역과 같이 사전 에 설치된 인프라가 없는 환경에 적용되는 지능형 영상 관제 시스템이나 드론과 같은 자율이동체에 탑재된 영상 보안 시스템에 적용될 수 있다. 지능형 비전 인지 시스템이 확산 적용되기 위해 온디바이스 AI(On-Device Artificial intelligence) 기술 적용 필요성이 증대되고 있다. 영상 데이터 취득 장치에서 가까운 엣지 기기로의 컴퓨팅 오프 로딩은 클라우드를 중심으로 수행되는 인공지능 서비스 대비 적은 네트워크 및 시스템 자원으로도 빠른 서비스 제공이 가능하 다. 또한, 다양한 해킹 공격에 취약한 공격 표면의 감소와 민감한 데이터의 유출을 최소화 할 수 있어 다양한 산업에 안전하게 적용될 수 있을것으로 기대된다.

In this paper, we design a lightweight embedded device that can support intelligent edge computing, and show that the device quickly detects an object in an image input from a camera device in real time. The proposed system can be applied to environments without pre-installed infrastructure, such as an intelligent video control system for industrial sites or military areas, or video security systems mounted on autonomous vehicles such as drones. The On-Device AI(Artificial intelligence) technology is increasingly required for the widespread application of intelligent vision recognition systems. Computing offloading from an image data acquisition device to a nearby edge device enables fast service with less network and system resources than AI services performed in the cloud. In addition, it is expected to be safely applied to various industries as it can reduce the attack surface vulnerable to various hacking attacks and minimize the disclosure of sensitive data.

본 연구에서는 로봇 비전용 영상 인식을 비롯한 다양한 AI 분야에서 널리 활용되는 전이학습에 대한 정량적 평가를 제시하였다. 전이학습을 적용한 연구 결과에 대한 정량적, 정성적 분석은 제시되나, 전이학습 자체에 대해서는 논의되지 않는다. 따라서 본 연구에서는 전이학습 자체에 대한 정량적 평가를 숫자 손글씨 데이터베이스인 MNIST 를 기반으로 제안한다. 기준 네트워크를 대상으로 전이학습 동결층의 깊이 및 전이학습 데이터와 사전 학습 데이터의 비율에 따른 정확도 변화를 추적하였다. 이를 통해 첫번째 레이어까지 동결할 때 전이학습 데이터의 비율이 3% 이상 일 경우, 90% 이상의 정확도를 안정적으로 유지할 수 있음이 확인되었다. 본 연구의 전이학습 정량 평가 방법은 향 후 네트워크 구조와 데이터의 종류에 따라 최적화된 전이학습을 구현하는데 활용 가능하며, 다양한 환경에서 로봇 비 전 및 이미지 분석 AI의 활용 범위를 확대할 것이다.

This study suggests a quantitative evaluation of transfer learning, which is widely used in various AI fields, including image recognition for robot vision. Quantitative and qualitative analyses of results applying transfer learning are presented, but transfer learning itself is not discussed. Therefore, this study proposes a quantitative evaluation of transfer learning itself based on MNIST, a handwritten digit database. For the reference network, the change in recognition accuracy according to the depth of the transfer learning frozen layer and the ratio of transfer learning data and pre-training data is tracked. It is observed that when freezing up to the first layer and the ratio of transfer learning data is more than 3%, the recognition accuracy of more than 90% can be stably maintained. The transfer learning quantitative evaluation method of this study can be used to implement transfer learning optimized according to the network structure and type of data in the future, and will expand the scope of the use of robot vision and image analysis AI in various environments.

고령화로 인해 65세 이상 운전자가 급증하며 고령운전자의 교통사고 비율이 증가함에 따라 시급한 사회 문제로 떠오르고 있다. 이에 본 연구에서는 객체 검출, 인식 모델을 결합하고 신호등을 인식하여 Text-To-Speech(TTS)로 알리는 쿠버네티스 기반의 프레임워크를 제안한다. 객체 검출 단계에서는 YOLOv5 모델들의 성능을 비교하여 활용하였으며 객체 인식 단계에서는 C-RNN 기반의 attention-OCR 모델을 활용하였다. 이는 신호등의 내부 LED 영역이 아닌 이미지 전체를 인식하는 방식으로 오탐지 요소를 낮춰 인식률을 높였다. 결과적으로 1,628장의 테스트 데이터에서 accuracy 0.997, F1-score 0.991의 성능 평가를 얻어 제안한 프레임워크의 타당성을 입증하였다. 본 연구는 후속 연구에서 특정 도메인에 딥러닝 모델을 한정하지 않고 다양한 분야의 모델을 접목할 수 있도록 하며 고령 운전자 및 신호 위반으로 인한 교통사고 문제를 예방할 수 있다.

Artificial intelligence (AI) provides new opportunities for high-resolution behavioral analysis and automated, human-free experiments. Here we present AVATAR (AI Vision Analysis for Three-dimensional Action in Real-time). This AI-driven system reconstructs 3D mouse motions by detecting key body parts from synchronized multi-view videos and converting into action skeletons. AVATAR achieves near-human accuracy in pose estimation, enables robust extraction of kinematic and postural features, and supports scalable analysis of model animal behaviors. Using these features represented by 3D action skeleton, LSTM-based model reliably classifies freely moving mouse behaviors during various experimental paradigms with low-latency processing (100 ms) enables real-time closed-loop optogenetic stimulation. As a demonstration of generalizability, we applied AVATAR framework to bottom-view predatory hunting paradigm. AVATARnet accurately detected mouse poses and extracted dynamic behavioral features of the mouse. Using AVATARnet-driven dynamic features, an XGBoost-based classifier automated action segmentation annotation during complex predatory chasing behavior. Together, AVATAR provides 3D pose estimation, dynamic quantification, classification, and closed-loop manipulation in real-time.

Object detection techniques based on deep learning such as YOLO have high detection performance and precision in a single channel video stream. In order to expand to multiple channel object detection in real-time, however, high-performance hardware is required. In this paper, we propose a novel back-end server framework, a real-time AI vision platform (RAVIP), which can extend the object detection function from single channel to simultaneous multi-channels, which can work well even in low-end server hardware. RAVIP assembles appropriate component modules from the RODEM (real-time object detection module) Base to create per-channel instances for each channel, enabling efficient parallelization of object detection instances on limited hardware resources through continuous monitoring with respect to resource utilization. Through practical experiments, RAVIP shows that it is possible to optimize CPU, GPU, and memory utilization while performing object detection service in a multi-channel situation. In addition, it has been proven that RAVIP can provide object detection services with 25 FPS for all 16 channels at the same time.

본 논문에서는 이러한 어류 가공 현장의 문제점을 개선하기 위해서 AI 머신 비전을 이용한 어류의 목표 중량 절단 예측기법을 제안한다. 제안하는 방법은 먼저 입력된 물고기의 평면도와 정면도를 촬영하여 이미지기반의 전처리를 수행한다. 그런 다음 RANSAC(RANdom SAMmple Consensus)를 사용하여 어류의 윤곽선을 추출한 다음 3D 모델링을 사용하여 물고기의 3D 외부 정보를 추출한다. 이어서 추출된 3차원 특징 정보와 측정된 중량 정보를 머신러닝하여 목표 중량에 대한 절단 지점을 예측하기 위한 신경망 모델을 생성한다. 마지막으로 제안기법을 통해 예측된 절단 지점으로 직접 절단한 뒤 그 중량을 측정하였다. 그리고 측정된 무게를 목표 무게와 비교하여 MAE(Mean Absolute Error) 와 MRE(Mean Relative Error)와 같은 평가 방법을 사용해 성능을 평가하였다. 그 결과, 목표 중량과 비교해 3% 이내의 평균 오차율을 달성하였다. 제안된 기법은 향후 자동화 시스템과 연계되어 수산업 발전에 크게 기여할 것으로 전망한다.

In this paper, to improve the conditions of the fish processing site, we propose a method to predict the cutting point of fish according to the target weight using AI machine vision. The proposed method performs image-based preprocessing by first photographing the top and front views of the input fish. Then, RANSAC(RANdom SAmple Consensus) is used to extract the fish contour line, and then 3D external information of the fish is obtained using 3D modeling. Next, machine learning is performed on the extracted three-dimensional feature information and measured weight information to generate a neural network model. Subsequently, the fish is cut at the cutting point predicted by the proposed technique, and then the weight of the cut piece is measured. We compared the measured weight with the target weight and evaluated the performance using evaluation methods such as MAE(Mean Absolute Error) and MRE(Mean Relative Error). The obtained results indicate that an average error rate of less than 3% was achieved in comparison to the target weight. The proposed technique is expected to contribute greatly to the development of the fishery industry in the future by being linked to the automation system.

기술의 발전으로 인해 스마트 가전제품이 늘어나며 스마트 홈 기술이 주목을 받고 있다. 그러나 이러한 기술은 설정과정의 복잡성으로 사용자들이 쉽게 접근하기 어렵다. 특히 디지털 기기 사용에 익숙하지 않은 사용자들을 스마트 홈 기술로부터 소외시키는 결과를 낳고 있다. 본 논문에서는 사용자 친화적인 스마트 홈 시스템을 제안한다. 사용자의 시선 방향을 추적하여 디바이스를 선택하고 간단한 인터페이스의 컨트롤러로 디바이스를 손쉽게 조작할 수 있도록 한다. 또한, 생성형 인공지능과 RAG 를 결합하여 사용자가 가전제품과 자연스럽게 대화하며 정보를 얻을 수 있는 인터페이스를 제공한다.

본 연구는 트레버 페글렌의 예술 실천이 인공지능시각 체계에 대한 비판적 재현을 넘어, 기술 시스템의작동 방식에 개입하는 전술적 매개로 기능한다는 문제의식에서 시작되었다. 본 연구의 목적은 페글렌의 예술 실천을 1990년대 이후의 택티컬 미디어 개념과 연결하여, 인공지능 시각 체계에 대한 예술적 개입의 전술적 구조를 규명하는 것이다. 따라서 본 논문은 택티컬 미디어의 개념을 이론적으로 검토하고, 페글렌의 작품 세계를 해당 맥락 속에 위치시킨 뒤, AI 시각체계 관련 작품을 대상으로 사례분석을 이행하였다. 이 과정에서 각 작품은 대상 기술, 작동 과정, 매개방식의 세 층위에서 분석되었다. 연구 결과 및 내용은 다음과 같다. 첫째, 페글렌의 초기 연구 기반 행동주의 실천을 재검토하여 보이지 않는 기술 인프라를 가시화 해 온 그의 작업이 택티컬 미디어의 역사적 궤적과 어떻게 연결되는지 분석하였다. 둘째, 페글렌의 작품을 대상 기술, 작동 과정, 매개 기술의 층위에서 분석하여 AI 시각 체계에 개입하는 미학적 전술을 구체화하였다. 셋째, 이러한 분석을 바탕으로 인공지능 시대의 전술적 예술 실천이 성립하기 위한 비평적 조건으로서 ‘기술의 가시화’를 넘어선 ‘전술적 매개’의 중요성을 논의하였다. 이러한 연구결과를 바탕으로 지배적인 기술 체계에 대한 예술적 개입이 단순한 비판적 재현을 넘어 실질적인 사회적담론을 형성하는 미디어로서 발전적으로 기능하기를 기대한다.

This study began from the premise that Trevor Paglen’s artistic practice functions not merely as a critical representation of AI visual systems, but as a tactical mediation that intervenes in the operational mechanisms of technological systems. The purpose of this study is to situate Paglen’s artistic practice within the conceptual framework of tactical media since the 1990s and, in doing so, to identify the tactical structure of artistic intervention into AI visual systems. Accordingly, this paper theoretically examines the concept of tactical media, positions Paglen’s body of work within this context, and conducts a case analysis of his works related to AI visual systems. In this process, each work is analyzed across three dimensions: target technology, operational process, and mediating technique. The findings and core contents are structured as follows: First, by revisiting Paglen’s early research-based activism, this study analyzes how his efforts to visualize invisible infrastructures align with the historical trajectory of tactical media. Second, by dissecting Paglen’s works across three layers?target technology, operational process, and mediation technique?it materializes the aesthetic tactics utilized to intervene in AI-driven visuality. Third, building upon these analyses, the paper discusses the necessity of "tactical mediation" over mere "visualization" as a vital condition for critical art practice today. Through these findings, it is expected that artistic interventions into governing technological regimes will evolve beyond simple critical representation to function as a potent medium for fostering substantive social discourse.

본 연구는 온실 환경에서 모종 이식 작업을 지능형 로봇 시스템으로 자동화하고, 그 실용 가능성을 검증하는 것을 목표로 한다. 이를 위해 두 대의 협동 로봇, 모종 투입 및 이송 장치, 모종 공급 트레이로 구성된 통합 시스템을 설계하였다. 이 구성 요소들은 모종 이식 작업의 전반적인 효율성과 신뢰성을 향상시키기 위해 유기적으로 작동한다. 또한, 딥러닝 기반 이미지 처리 알고리즘을 활용하여 배지의 크기, 형태, 모종의 유무를 정밀하게 분석함으로써, 로봇이 높은 정밀도로 최적의 이식 좌표를 산출할 수 있도록 하였다. 더불어, 배지 표면의 깊이와 모종의 높이를 정밀하게 측정하기 위해 깊이 센서를 시스템에 통합하였다. 이를 통해 이식 과정에서 로봇의 엔드 이펙터를 보다 정밀하게 제어할 수 있어, 안정적이고 일관된 작업이 가능해졌다. 로봇 시스템은 모바일 이송 장치와 연계되어 온실 내 여러 이식 지점에서 원활하게 작동하며 전체 공정을 효율화한다. 실험 결과, 본 시스템은 반복적인 모종 이식 작업에서 수작업을 크게 줄이고, 작업의 일관성과 정밀성을 향상시킴으로써 스마트 농업의 생산성을 높이는 데에 높은 가능성을 지니고 있음을 확인하였다.

This study aims to develop an intelligent robotic system to automate the seedling transplanting process in greenhouse environments and to validate its practical applicability. To achieve this goal, a comprehensive system was designed consisting of two collaborative robots, a seedling feeding and transport mechanism, and a seedling supply tray. These components work in coordination to enhance the overall efficiency and reliability of the transplanting operation. A deep learning-based image processing algorithm was employed to perform a detailed analysis of the substrate, including the size, shape, and presence of seedlings. This enabled the system to determine the optimal coordinates for transplanting with high precision. In addition, a depth sensor was integrated into the system to measure both the depth of the substrate surface and the height of the seedlings. This allowed for more accurate control of the robot’s end-effector during the transplanting process, ensuring stability and consistency. The robotic system was further linked to a mobile transport platform to streamline the entire transplanting workflow, enabling seamless operation across multiple planting sites within the greenhouse. Experimental validation demonstrated that the proposed system significantly reduces manual labor, enhances operational consistency, and ensures precise placement of seedlings. These findings suggest a strong potential for applying robotic automation to improve productivity in modern agricultural practices.

본 연구는 AI 비전 기반 산업안전교육프로그램에 대한 건설 현장 관리자의 인식을 조사하였다. 전통적 주입식 산업안전교육의 한계를 극복하기 위해 보호구 착용 자동 감지, 작업자 행동 패턴 모니터링, 시각적 학습 콘텐츠를 통합한 개념적 교육 모델을 소개하였다. 수도권 소재 건설 현장 관리자 90명을 대상으로 10점 리커트 척도를 사용하여 (A) 산업안전 인식 및 태도, (B) 위험 상황 대응 역량, (C) 산업안전교육 필요성 인식, (D) 보호구 착용 및 안전수칙 준수도의 4개 영역을 측정하였다(전 영역 Cronbach's α≥.80). 연구결과, 모든 영역에서 긍정적 인식이 확인되었으며, C영역(산업안전교육 필요성 인식)이 평균 8.67점(SD=0.98)으로 가장 높았고 응답자의 88.9%가 '높음' 이상의 교육 필요성을 인식하였다. C·D영역 간에는 약한 정적 상관(r=.21, p<.05)이 확인되었으며, 연령대별 분산분석 결과, A영역(F=3.73, p=.028)과 C영역(F=4.34, p=.016)에서 유의한 집단 간 차이가 확인되었으며, 특히 50대 이상이 AI 비전 기반 산업안전교육의 필요성을 유의하게 높게 인식하는 것으로 나타났다. 본 연구의 결과는 건설 현장 관리자 대상 AI 비전 기반 산업안전교육프로그램 개발을 위한 탐색적 기초자료를 제공하며, 향후 사전-사후 실험 설계를 통한 교육 효과 검증 연구의 토대가 될 수 있다.

This study investigated construction managers' perceptions of an AI vision-based industrial safety training program. To address the limitations of conventional lecture-based training, we introduced a conceptual educational model incorporating automatic PPE detection, worker behavior monitoring, and visual learning content. A cross-sectional survey was conducted with 90 construction site managers in the Seoul metropolitan area. Perceptions were measured using a 10-point Likert scale across four domains: (A) industrial safety awareness and attitude, (B) hazard response capability, (C) perception of industrial safety training necessity, and (D) industrial safety regulation compliance. All domains demonstrated satisfactory reliability(Cronbach's α≥.80). Domain C yielded the highest mean score(M=8.67, SD=0.98), with 88.9% of respondents reporting high levels of perceived training necessity. A weak but statistically significant positive correlation was observed between Domains C and D(r=.21, p<.05). One-way ANOVA with age-group recategorization revealed significant differences in Domain A(F=3.73, p=.028) and Domain C(F=4.34, p=.016), with managers aged 50 and above perceiving significantly higher training necessity than younger age groups. These findings provide exploratory foundational data on construction managers' perceptions and receptiveness toward AI vision-based industrial safety training, and call for further validation through pre-post experimental designs.