Earticle

스마트폰의 보급과 이를 활용한 SNS의 사용자가 증가하면서, 기존의 데이터 타입인 텍스트와 같은 정형 데이터뿐만 아니라 이미지, 동영상과 같은 비정형 데이터가 실시간으로 엄청난 양으로 발생하고 있다. 이런 비정형 데이터를 활용한 서비스가 늘어나면서 다양한 솔루션들이 출시되고 있다. 기존의 정형 데이터는 텍스트 분석이나 간단한 질의를 통해 분석 및 원하는 결과를 쉽게 얻을 수 있지만, 동 영상과 같은 비정형 데이터는 더욱 복잡한 과정을 통해서 분석되어야만 한다. 본 연구에서는 라즈베리파이에 연결된 인체감지 센서와 카메라 센서를 통해 수집한 영상 데이터를 전송받아 특정한 객체를 검출하는 방안을 제시하고자 한다. 이를 위해 관련 연구로서 라즈베 리파이의 하드웨어적인 특성과 컨볼루션 신경망 이론에 대해서 조사하였고, 이를 바탕으로 라즈베리파이 보드에 인체감지 센서와 카 메라 센서로 구성된 카메라 모듈을 구성하여 주변을 촬영한 영상을 관리 서버에 전송한 다음에 이를 YOLO 알고리즘을 사용해서 특정 한 객체를 검출하는 방안을 기술한다. 이를 통해 보다 쉬운 방식으로 객체를 검출함으로써 보다 다양한 분야에 응용할 수 있다.

With the spread of smartphones and the increasing number of users of SNS using them, not only structured data such as text, which is an existing data type, but also unstructured data such as images and videos are generated in huge amounts in real time. As services using such unstructured data increase, various solutions are being released. Existing structured data can be easily analyzed and desired results obtained through text analysis or simple queries, but unstructured data such as video must be analyzed through a more complicated process. In this study, we propose a method of detecting a specific object by receiving image data collected through a human body sensor and camera sensor connected to Raspberry Pi. To this end, as a related study, the hardware characteristics of Raspberry Pi and the theory of convolutional neural networks were investigated. On that basis, a method of detecting a specific object using the YOLO algorithm is described. Through this, it can be applied to more diverse fields by detecting objects in an easier way.

To address the high complexity, poor real-time performance, and the prevalence of false positives and false negatives in current algorithms for detecting small-target pollutants on UAV-based building facades, this study proposes SDS-YOLOv8. The spatial pyramid pooling structure in the backbone is enhanced to improve feature representation. DySample is incorporated into the neck to adaptively adjust sampling points based on the image feature distribution. Additionally, the SCAM module is introduced to improve the memory of important information, and the loss function is further optimized. Experimental results demonstrate that the accuracy of the proposed algorithm is significantly improved, exhibiting strong generalization capability. ⓒ2025 The Korean Institute of Communications and Information Sciences. Publishing Services by Elsevier B.V. This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).

자율주행 시스템에서 신호등을 포함한 교통 표지판의 정확한 탐지는 안전한 주행과 교통 규정을 준수하기 위해 필수 적이다. 교통 표지판은 속도 제한, 정지 신호, 차선 변경, 보행자 횡단 및 경고 표지 등 중요한 정보를 제공하며, 자율주행 차량은 이를 실시간으로 해석하여 올바른 주행 결정을 내려야 한다. 교통 표지판을 인식하지 못하거나 잘못 해석하는 경우 심각한 안전 위험을 초래할 수 있으므로, 강력한 탐지 알고리즘은 자율주행 기술의 핵심 요소로 간주된다. 본 연구는 YOLOv8 알고리즘을 활용하여 미국 교통 표지판의 인식 및 분류 성능을 향상시키는 것을 목표로 한다. 이 데이터셋은 다양 한 조명 조건, 날씨 변화, 가려짐(occlusion), 그리고 다양한 표지판 각도 등을 포함하여, 모델의 성능을 철저히 평가할 수 있도록 구성되어 있다. YOLOv8 알고리즘과 고품질 Kaggle 데이터셋을 결합함으로써, 본 연구는 교통 표지판 탐지의 정밀 도와 효율성을 향상시키는 것을 목표로 한다. 연구 결과는 자율주행 차량의 환경 인식 기술을 발전시키는 데 기여할 것이며, 복잡한 도로 환경에서도 더욱 안전하고 효과적으로 주행할 수 있도록 돕는다. 또한, 본 연구는 교통 표지판 인식 성능을 높이는 것뿐만 아니라, 자율주행 애플리케이션에서 실시간으로 활용 가능한 최적의 딥러닝 모델 개발에 대한 통찰을 제공할 것이다.

Accurate detection of traffic signs, including traffic lights, is essential for autonomous driving systems to ensure safe navigation and adherence to traffic regulations. Traffic signs provide crucial information, such as speed limits, stop signals, lane changes, pedestrian crossings, and warning signs, all of which self-driving vehicles must interpret in real-time to make informed driving decisions. Failure to recognize or misinterpret traffic signs can lead to critical safety risks, making robust detection algorithms a fundamental component of autonomous vehicle technology. This research explores the application of the YOLOv8 algorithm, a state-of-the-art deep learning-based object detection model, to improve the recognition and classification of US traffic signs. By integrating the YOLOv8 algorithm with a well-curated Kaggle dataset, this study aims to enhance the precision and efficiency of traffic sign detection. The findings of this research are expected to contribute to the advancement of autonomous vehicle perception, improving their ability to navigate complex road environments safely and effectively. This study not only enhances traffic sign recognition but also provides insights into optimizing deep learning models for real-time deployment in self-driving applications.

This study aims to determine the optimal YOLO algorithm for object detection performance in PreScan simulation. YOLOv4, the current model used, is compared with five versions of YOLOv8 (v8n, v8s, v8m, v8l, v8x). The analysis focuses on simulation time, initial detection distance, and continuous detection distance to assess the suitability of each version for practical applications. YOLOv8n, designed for speed and efficiency, demonstrated significant improvements in reducing simulation time, while YOLOv8x showed exceptional performance in terms of detection accuracy and consistency. The various versions of YOLOv8 each present unique strengths, with YOLOv8n excelling in speed and YOLOv8x in accuracy. YOLOv8m offered a well-balanced approach, making it particularly suitable for scenarios where both speed and detection reliability are crucial. The study highlights the potential benefits of adopting YOLOv8 models in PreScan simulations, emphasizing their ability to enhance object detection performance in the tested scenario. While further testing is needed to confirm applicability across various conditions, the results suggest that each version has unique strengths that could be leveraged depending on specific requirements. Overall, YOLOv8m is identified as the optimal choice for balanced performance in the current test scenario, ensuring both effective simulation and reliable object detection capabilities.

코로나19로 인하여 배달 빈도수가 높은 힘든 1인가구나 맞벌이가족에게는 식자재의 낭비 및 유통기한 관리의 문제점을 가지고 있다. 이런 문제점을 해결하기 위해 본 논문에서는 사용자가 식재료의 유통기한 을 관리하고 식재료 기반 또는 사용자 행동 양식 기반으로 레시피를 추천 받을 수 있게 해주는 애플리케 이션을 설계한다. 본 애플리케이션은 객체 인식 알고리즘인 YOLO를 이용하여 카메라로 식재료를 인식 하고, 협업 필터링을 이용한 레시피 추천 시스템으로 사용자가 원하는 레시피 정보를 제공한다. 사용자 는 본 애플리케이션을 사용하여 카메라로 식재료를 인식하여 레시피를 검색할 수 있고 사용자의 과거이 력이나 취향에 연관된 레시피를 추천 받을 수 있다.

Currently, one of the fields leading the 4th industrial revolution is the image recognition field of artificial intelligence, which is showing good results in many fields. In this paper, using is a YOLO V2 model, which is one of the image recognition models, we intend to classify and select into three types according to the characteristics of fruits. To this end, it was designed to proceed the number of iterations of learning 9000 counts based on 640 mandarin image data of 3 classes. For model evaluation, normal, rotten, and unripe mandarin oranges were used based on images. We as a result of the experiment, the accuracy of the learning model was different depending on the number of learning. Normal mandarin oranges showed the highest at 60.5% in 9000 repetition learning, and unripe mandarin oranges also showed the highest at 61.8% in 9000 repetition learning. Lastly, rotten tangerines showed the highest accuracy at 86.0% in 7000 iterations. It will be very helpful if the results of this study are used for fruit farms in rural areas where labor is scarce.

딥 러닝 기반 객체 탐지 및 영상처리 분야에서 모델의 인식률과 정확도를 보장하기 위해 다량의 데이터 확보는 필수적이다. 본 논문에서는 학습데이터가 적은 경우에도 인공지능 모델의 높은 성능을 도출하기 위해 전이학습 기반 객 체탐지 알고리즘을 제안한다. 본 논문에서는 객체탐지를 위해 사전 학습된 Resnet-50 네트워크와 YOLO(You Only Look Once) 네트워크를 결합한 전이학습 네트워크를 구성하였다. 구성된 전이학습 네트워크는 Leeds Sports Pose 데이터셋의 일부를 활용하여 이미지에서 가장 넓은 영역을 차지하고 있는 사람을 탐지하는 네트워크로 학습을 진행하였 다. 실험결과는 탐지율 84%, 탐지 정확도 97%를 기록하였다.

To guarantee AI model’s prominent recognition rate and recognition precision, obtaining the large number of data is essential. In this paper, we propose transfer learning-based object detection algorithm for maintaining outstanding performance even when the volume of training data is small. Also, we proposed a tranfer learning network combining Resnet-50 and YOLO(You Only Look Once) network. The transfer learning network uses the Leeds Sports Pose dataset to train the network that detects the person who occupies the largest part of each images. Simulation results yield to detection rate as 84% and detection precision as 97%.

터널은 지중에 건설되는 구조물이므로 육안으로 터널 강지보재의 위치 등의 확인이 불가능하다. 이에, 터널 유지관리시에는, 일반적으로 GPR 이미지를 활용하여 강지보재 탐지를 수행한다. 인공신경망을 통한 GPR 이미지 분석에 대한 연구는, 주로 지하배관, 도로 손상 등의 탐지에 집중되어 있으며, 강지보재 등의 터널 GPR 데이터를 분석한 사례는 해외와 국내 모두 제한적이다. 본 연구에서는, 합성곱 신경망을 기반으로 하는 1단계 객체인식 알고리즘인 YOLO를 활용하여, GPR 데이터를 바탕으로 한 터널 강지보재의 위치 탐지를 자동화하고, 그 성능을 분석한다. 원본 이미지 데이터는 총 512개이며 원본 이미지 데이터로 이루어진 데이터 세트와 원본 이미지 데이터와 증식기법이 적용된 이미지 데이터를 병합한 2,048개의 데이터로 이루어진 데이터 세트를 해석에 활용하였다. 증식한 데이터를 사용한 모델의 강지보재 누락율(전체 강지보재와 탐지하지 못한 지보재 숫자의 비율)은 0.38%, 원본 데이터만을 활용한 모델의 강지보재 누락율은 7.18%로 나타났다. 따라서, 분석 자동화 측면에서는, 증식기법이 적용된 데이터 세트를 활용하는 것이 더 실용적일 것으로 판단된다.

Since tunnels are built underground, it is impossible to check visually the location and degree of deterioration of steel ribs. Therefore, in tunnel maintenance, GPR images are generally used to detect steel ribs. While research on GPR image analysis employing artificial neural networks has primarily focused on detecting underground pipes and road damage, there have been limited applications for analyzing tunnel GPR data, specifically for steel rib detection, both internationally and domestically. In this study, a one-step object detection algorithm called YOLO, based on a convolutional neural network, was utilized to automate the localization of steel ribs using GPR data. The performance of the algorithm is then analyzed. Two datasets were employed for the analysis. A dataset comprising 512 original images and another dataset consisting of 2,048 augmented images. The omission rate, which represents the ratio of undetected steel ribs to the total number of steel ribs, was 0.38% for the model using the augmented data, whereas the omission rate for the model using only the original data was 7.18%. Thus, from an automation standpoint, it is more practical to employ an augmented dataset.

시각이 온전한 사람들은 식사를 할 때 시각에 대한 의존도를 깊게 인지하지 못한다. 그러나 시각장애인은 식단에 어떤 음식이 있는지 알지 못하기 때문에 옆에 있는 보조인이 시각장애인 수저로 음식의 위치를 시계방향 또는 전후좌우 등 일정한 방향으로 설명하여 그릇 위치를 확인한다. 본 논문에서는 시각장애인이 스마트폰의 카메라를 이용하여 자신의 식단을 비추면 각각의 음식 이미지를 인식하여 음성으로 음식의 이름을 알려주는 식사보조 시스템의 개발 내용에 대해 기술한다. 이 시스템은 음식과 식기도구(숟가락)의 이미지를 학습한 YOLO모델을 통해 숟가락이 놓인 음식을 추출해 내고, 이 음식이 무엇인지를 인식하여 이를 음성으로 알려준다. 본 시스템을 통해 시각장애인은 식사보조인의 도움없이 식사를 할 수 있음으로써 자립의지와 만족도를 높일 수 있을 것으로 기대한다.

Normal people are not deeply aware of their dependence on sight when eating. However, since the visually impaired do not know what kind of food is on the table, the assistant next to them holds the blind spoon and explains the position of the food in a clockwise direction, front and rear, left and right, etc. In this paper, we describe the development of a meal assistance system that recognizes each food image and announces the name of the food by voice when a visually impaired person looks at their table using a smartphone camera. This system extracts the food on which the spoon is placed through the YOLO model that has learned the image of food and tableware (spoon), recognizes what the food is, and notifies it by voice. Through this system, it is expected that the visually impaired will be able to eat without the help of a meal assistant, thereby increasing their self-reliance and satisfaction.

한국 수출입의 99.7%는 해상운송이 차지하고 있으며, 항만의 효율적 운영을 위해 해운 물류 모니터링 시스템 개발 필요성이 대두되고 있다. 현재 automatic identification system (AIS)를 기반으로 선박의 정보를 조회하여 해상 물동량 추정 연구가 진행되고 있지만, AIS를 운영하지 않는 선박들에 대한 모니터링은 불가능하다는 한계가 있다. 고해상도 광학 위성 영상은 광역의 범위에서 AIS 미운영 선박 및 소형 선박을 식별할 수 있기 때문에 AIS 기반 물동량 모니터링의 공백을 보완할 수 있다. 그러므로 선박 및 물동량 모니터링에 활용하기 위해, 고해상도 광학 위성영상에서 선박을 탐지하고 화물선 및 소형 선박을 분류하는 연구가 필요하다. 본 연구는 초기 국토위성영상을 이용하여 생산된 학습 자료 기반으로 인공지능 모델을 훈련시키고 다른 영상에서 탐지를 수행함으로써, 국토위성영상의 딥러닝 학습 자료 생산 및 선박 모니터링 활용 가능성을 알아보고자 하였다. 학습 자료는 황해 및 황해 주요 항만 구역 내 선박들을 추출하여 제작했으며, You Only Look Once (YOLO) 알고리즘을 사용하여 탐지 모델은 구축하고 국내외 주요 항만 각 1개소를 대상으로 선박 탐지 성능을 평가하였다. 항만 접안 및 해상 정박중인 선박을 대상으로 탐지 모델에 적용한 결과를 AIS의 선종 정보와 비교하였고, 국내 항만에서 85.5%와 89%, 국외 항만에서 70%의 선종 분류 정확도를 확인하였다. 본 연구 결과는 정박중인 선박을 중심으로 고해상도 국토위성영상을 활용하여 모니터링이 가능함을 확인하였다. 향후 지속적인 학습 자료 구축을 통해 탐지 모델의 정확도를 향상시킨다면 전세계 주요 항만에서 선박 및 물동량 모니터링 분야에 활용할 수 있을 것으로 기대된다.

Maritime transport accounts for 99.7% of the exports and imports of the Republic of Korea; therefore, developing a vessel monitoring system for efficient operation is of significant interest. Several studies have focused on tracking and monitoring vessel movements based on automatic identification system (AIS) data; however, ships without AIS have limited monitoring and tracking ability. High-resolution optical satellite images can provide the missing layer of information in AIS-based monitoring systems because they can identify non-AIS vessels and small ships over a wide range. Therefore, it is necessary to investigate vessel monitoring and small vessel classification systems using high-resolution optical satellite images. This study examined the possibility of developing ship monitoring systems using Compact Advanced Satellite 500-1 (CAS500-1) satellite images by first training a deep learning model using satellite image data and then performing detection in other images. To determine the effectiveness of the proposed method, the learning data was acquired from ships in the Yellow Sea and its major ports, and the detection model was established using the You Only Look Once (YOLO) algorithm. The ship detection performance was evaluated for a domestic and an international port. The results obtained using the detection model in ships in the anchorage and berth areas were compared with the ship classification information obtained using AIS, and an accuracy of 85.5% and 70% was achieved using domestic and international classification models, respectively. The results indicate that high-resolution satellite images can be used in mooring ships for vessel monitoring. The developed approach can potentially be used in vessel tracking and monitoring systems at major ports around the world if the accuracy of the detection model is improved through continuous learning data construction.

Camera trapping has been used as a non-invasive survey method that minimizes anthropogenic disturbance to ecosystems. Nevertheless, it is labor-intensive and time-consuming, requiring researchers to quantify species and populations. In this study, we aimed to improve the preprocessing of camera trapping data by utilizing an object detection algorithm. Wildlife monitoring using unmanned sensor cameras was conducted in a forested urban forest and a green space on a university campus in Cheonan City, Chungcheongnam-do, Korea. The collected camera trapping data were classified by a researcher to identify the occurrence of species. The data was then used to test the performance of the YOLO-X object detection algorithm for wildlife detection. The camera trapping resulted in 10,500 images of the urban forest and 51,974 images of green spaces on campus. Out of the total 62,474 images, 52,993 images (84.82%) were found to be false positives, while 9,481 images (15.18%) were found to contain wildlife. As a result of wildlife monitoring, 19 species of birds, 5 species of mammals, and 1 species of reptile were observed within the study area. In addition, there were statistically significant differences in the frequency of occurrence of the following species according to the type of urban greenery: Parus varius(t = -3.035, p < 0.01), Parus major(t = 2.112, p < 0.05), Passer montanus(t = 2.112, p < 0.05), Paradoxornis webbianus(t = 2.112, p < 0.05), Turdus hortulorum(t = -4.026, p < 0.001), and Sitta europaea(t = -2.189, p < 0.05). The detection performance of the YOLO-X model for wildlife occurrence was analyzed, and it successfully classified 94.2% of the camera trapping data. In particular, the number of true positive predictions was 7,809 images and the number of false negative predictions was 51,044 images. In this study, the object detection algorithm YOLO-X model was used to detect the presence of wildlife in the camera trapping data. In this study, the YOLO-X model was used with a filter activated to detect 10 specific animal taxa out of the 80 classes trained on the COCO dataset, without any additional training. In future studies, it is necessary to create and apply training data for key occurrence species to make the model suitable for wildlife monitoring.

AOI (Automatic Optical Inspection) of PCB (Printed Circuit Board) is a very important step to guarantee the product performance. The process of registering components called teaching mode is first perform, and AOI is then carried out in a testing mode that checks defects, such as recognizing and comparing the component mounted on the PCB to the stored components. Since most of registration of the components on the PCB is done manually, it takes a lot of time and there are many problems caused by mistakes or misjudgement. In this paper, A components classifier is proposed using YOLO (You Only Look Once) v2's object detection model that can automatically register components in teaching modes to reduce dramatically time and mistakes. The network of YOLO is modified to classify small objects, and the number of anchor boxes was increased from 9 to 15 to classify various types and sizes. Experimental results show that the proposed method has a good performance with 99.86% accuracy.

독거노인이 증가하면서 낙상 사고 빈도도 높아지고 있다. 낙상은 노인들의 건강을 위협할 뿐만 아니라, 독립적인 생활을 위협할 수 있다. 이 문제를 해결하기 위해서는 독거노인의 위급한 상태를 인식하고 대응할 수 있는 실시간 기술이 필요하다. 따라서 본 논문은 독거노인을 위해 긴급 상황 중 하나인 낙상을 실시간으로 확인할 수 있는 YOLO-KCF를 기반 개선된 낙상 감지 알고리즘을 제안한다. YOLO는 물체의 검출뿐 아니라 서 있는 행동과 쓰러지는 행동 유행을 감지할 수 있다. 따라서 본 논문은 서 있는 행동 유형과 쓰러지는 행동 유형간의 경계 박스의 형태 변화를 이용하여 낙하를 검출할 수 있으며, KCF의 단점을 개선할 수 있다.

As the number of elderly people living alone increases, the frequency of fall accidents is also increasing. Falls are a threat to the health of older adults and can reduce their ability to remain independent. To solve this problem, we need real-time technology to recognize and respond to the critical condition of the elderly living alone. Therefore, this paper proposes a modified fall detection algorithm based on YOLO-KCF that can check one of the emergency situations in real time for the elderly living alone. YOLO can detect not only the detection of objects, but also the behavior of objects, namely stand and fall. Therefore, this paper can detect fall using the ratio of change of boundary box between stand and falling situation, and this algorithm can improve the shortcomings of KCF.

본 논문에서는 YOLOv5m과 이미지 전처리 기법을 활용한 문 객체 감지 시스템을 제안한다. 이미지 전처리를 하지 않은 Original 이미지 그리고 이미지 전처리를 한 CLAHE 이미지, Bilateral 이미지 세 가지를 사용해서 가장 좋은 기법을 비교한다. mAP 진행 그래프 및 이미지 출력을 통해 결과를 검증한다. 본 논문의 목표는 인공지능이 문을 감지하는 알고리즘을 구현하여 배송 로봇이 목적지의 문을 찾아내는 것이다