Earticle

Environmental monitoring has become an active research area due to the current rise in the global climate change crises. Current environmental monitoring solutions, however, are characterized by high cost of acquisition and complexity of installation; often requiring extensive resources, infrastructure and expertise. It is infeasible to achieve with these solutions, high density in-situ networks such as are required to build refined scale models to facilitate robust monitoring, thus, leaving large gaps within the collected dataset. Low-Cost Sensors (LCS) can offer high-resolution spatiotemporal measurements which could be used to supplement existing dataset from current environmental monitoring solutions. LCS however, require frequent calibration in order to provide accurate and reliable data as they are often affected by environmental conditions when deployed on the field. Calibrating LCS can help to improve their data quality and ensure they are collecting accurate data. Achieving effective calibration, however, requires identifying factors that affect sensor’s data quality for a given measurement. This study evaluates the performance of three Feature Selection (FS) algorithms including Forward Feature Selection (FFS), Backward Elimination (BE) and Exhaustive Feature Selection (EFS) in identifying factors that affect data quality of low-cost IoT sensors in environmental monitoring networks. Applying the concept of data fusion, sensors data were merged with environmental factors and integrated into a single calibration equation to calibrate cairclipO3/NO2 and cairclipNO2 sensors using Linear Regression (LR) and Artificial Neural Networks (ANN). The study showed the effectiveness of calibration in improving low-cost IoT sensor data quality and also demonstrated the convenience of feature selection and the ability of data fusion to provide more consistent, accurate and reliable information for calibration models. The analysis showed that the cairclipO3/NO2 sensor provided measurements that have good correlation with reference measurements whereas the cairclipNO2 sensor showed no reasonable correlation with the reference data. Calibrating the cairclipO3/NO2 yielded good improvement in its measurement outputs when compared to reference measurements (R2=0.83). However, calibrating the cairclipNO2 sensor data yielded no significant improvement in its data quality.

Multimodal data fusion has emerged as a promising approach for improving the accuracy and robustness of diabetic retinopathy (DR) detection by integrating complementary information from heterogeneous data sources. This review systematically examines recent deep learning-based multimodal approaches for DR detection, focusing on model architectures, modality combinations, fusion strategies, and reported performance outcomes. The analysis reveals that while convolutional neural networks (CNNs) remain dominant, hybrid architectures are increasingly adopted to handle heterogeneous inputs. Combinations such as fundus with OCT or electronic health records (EHR) are frequently associated with improved performance, although results remain highly dependent on dataset characteristics and experimental design. Across studies, early and joint fusion strategies are commonly applied, but no single approach consistently outperforms others, highlighting the context-dependent nature of fusion design. Overall, this review identifies key trends, methodological gaps, and emerging directions, providing a clearer foundation for developing robust and clinically applicable multimodal DR detection systems.

This paper presents a technology of information data fusion between radar and ELINT electronic intelligence system. adar get the information of the range, direction and velocity of targets, and ELINT system get the information of the direction and angular velocity of the same targets at the same place and at the same time. Since we have some common information data of targets from radar and ELINT system, we can find the target on radar is same or not on ELINT system using the information data fusions. If the target on the radar is verified with the same target on ELINT system, we get more information of the target. e can analysis and identify the target exactly and reduce an ambiguity error of unknown targets.

Recently, for the collection and smooth management of big data, new value creation and efficient large-capacity data analysis technology by linking homogeneous and heterogeneous data platforms are required. In this paper, we designed a system that can easily link multiple data provided by homogeneous and heterogeneous platforms. The designed system uses REST-based Map API to construct a visualization environment, and we assume that it is a different DB by collecting and classifying public data from different institutions. We built our own server to connect and visualize different types of data through distance and address-based connections via the Haversine Formula, that is based on GPS coordinates by using image summary technology, heterogeneous data can be efficiently stored, analyzed, and visualized.

Recognizing anomalies in surveillance is crucial for public safety to identify events that deviate from normal patterns. Visual information is essential for effective anomaly recognition; however, audio data can enhance recognition accuracy by providing additional context. Despite this, existing systems only utilize visual information, overlooking the potential of audio modalities in anomaly recognition. This paper introduces a multi-modal framework for anomaly recognition through active learning, integrating audio and visual modalities to enhance anomaly prediction. The framework extracts features using a pretrained ResNet-50 convolutional neural network (CNN) model from the visual and audio data. The extracted features are then forwarded to the Bi-Directional Long Short-Term Memory (Bi-LSTM) network for temporal feature learning. These features are then fused and fed into a classification layer for final prediction. The proposed framework's performance is assessed on a benchmark dataset and yields promising results.

노후화 시설물의 증가에 따라 선제적 유지관리의 중요성은 점차 증대되고 있다. 선제적 유지관리는 시설물의 응답 계측으로부터 시작되기 때문에 높은 정밀도를 가지는 응답을 획득하는 것이 중요하다. 국부적인 응답 중 변형률은 균열 감지 및 피로 진전 예측 등에 활용가능하다. 변형률 센서는 크게 이산형 및 분포형 센서로 구분된다. 이산형 센서의 대표적인 예가 광섬유 브래그 격자(FBG)와 전기 저항식 게이지이다. 이산형 센서는 높은 정확성과 재현성(고 정밀)을 가지지만, 측정점이 제한된다는 한계를 가진다. 브릴루앙 산란 기반 광섬유 변형률 계측 시스템 중 하나인 Brillouin Optical Correlation Domain Analysis (BOCDA)은 대표적인 분포형 센서이며, 5 cm 라는 높은 공간 분해능을 가진다. BOCDA는 투영된 광원에서 발생하는 산란파를 이용하여 광섬유 전 구간의 변형률을 계측한다. 측정점이 많아지는 장점이 있으나, 이산형 센서에 낮은 정확도와 재현성을 가진다. 본 연구에서는 고 정밀 데이터(이산형 센서)와 저 정밀 데이터(분포형 센서) 각각의 장점을 융합하는 후처리 기법을 제안하였으며, 이에 대한 가능성을 검증 실험을 통해 확인했다.

As aging infrastructures increase along with time, the efficient maintenance becomes more significant and accurate responses from the sensors are pre-requisite. Among various responses, strain is commonly used to detect damage such as crack and fatigue. Optical fiber sensor is one of the promising sensing techniques to measure strains with high-durability, immunity for electrical noise, long transmission distance. Fiber Bragg Grating (FBG) is a point sensor to measure the strain based on reflected signals from the grating, while Brillouin Optic Correlation Domain Analysis (BOCDA) is a distributed sensor to measure the strain along with the optical fiber based on scattering signals. Although the FBG provides the signal with high accuracy and reproducibility, the number of sensing points is limited. On the other hand, the BOCDA can measure a quasi-continuous strain along with the optical fiber. However, the measured signals from BOCDA have low accuracy and reproducibility. This paper proposed a multi-fidelity data-fusion method based on Gaussian Process Regression to improve the fidelity of the strain distribution by fusing the advantages of both systems. The proposed method was evaluated by laboratory test. The result shows that the proposed method is promising to improve the fidelity of the strain.

지금까지의 정보검색 연구에서 데이터 융합 기법을 이용한 문서 검색은 하나의 알고리즘에 의한 검색에 비하여 많은 경우에 효율성이 높은 결과를 얻을 수 있었다. 하지만 이미지 검색에서 상이한 알고리즘을 이용한 다수의 검색 결과를 합쳐 하나의 검색결과를 얻는 데이터 융합 기법의 사용은 많지 않았다. 이 연구에서는 소벨 연산자를 이용한 윤곽선 검출과 자기조직화 지도 알고리즘에 의한 두 검색 결과를 융합하여 각각의 알고리즘에 의한 검색결과 보다 높은 효율성을 보여주는 방법을 제시하였다. 이 연구에서는 상용 클립아트 이미지를 이용하여 사람의 주관적인 적합성 판단을 배제한 검색 실험 데이터를 만들어 사용하였다.

In many information retrieval experiments, the data fusion techniques have been used to achieve higher effectiveness in comparison to the single evidence-based retrieval. However, there had not been many image retrieval studies using the data fusion techniques especially in combining retrieval results based on multiple retrieval methods. In this paper, we describe how the image retrieval effectiveness can be improved by combining two sets of the retrieval results using the Sobel operator-based edge detection and the Self Organizing Map(SOM) algorithms. We used the clip art images from a commercial collection to develop a test data set. The main advantage of using this type of the data set was the clear cut relevance judgment, which did not require any human intervention.

데이터 융합 기술은 단일 독립 레이더에 의해 이루어지는 것보다 더 정확한 추정치들을 갖기 위해 다중 레이더와 관련 정보로부터 데이터를 결합한다. 본 논문에서는 다중 레이더에서 처리되는 패킷의 지연 시간 및 손실을 분석하여 다중 레이더 데이터 융합시 중앙 자료처리 연산부에서 자료 처리 인터벌을 최소화한다. 이를 위하여 중앙 집중형 자료융합에 대한 레이더 네트워크를 모델링하고, NS-2를 이용하여 각각의 큐를 M/M/1/K로 가정하고 큐 내부에서의 패킷 지연시간과 패킷 손실을 분석한다. 분석 자료를 통해 다중 레이더 자료를 융합처리 할 때 평균 지연시간을 확인 하였으며, 이 지연시간은 융합센터에서의 레이더 자료 대기시간 기준으로 사용될 수 있다.

Data fusion techniques combine data from multiple radars and related information to achieve more accurate estimations than could be achieved by a single, independent radar. In this paper, we analyze delay and loss of packets to be processed by multiple radar and minimize data processing interval from centralized data processing operation as fusing multiple radar data. Therefore, we model radar network about central data fusion, and analyze delay and loss of packets inside queues on assuming queues respectively as the M/M/1/K using NS-2. We confirmed average delay time, processing fused multiple radar data, through the analysis data. And then, this delay time can be used as a reference time for radar data latency in fusion center.

수자원의 계절적 편중이 심한 한반도에서 농업용 저수지는 이를 효과적으로 유지 및 관리하기 위한 필수적인 구조물이다. 저수지 모니터링을 위한 수단으로 광학 및 합성개구레이더(Synthetic Aperture Radar, SAR) 위성영상이 활용되고 있으나, 광학영상은 기상현상에 의한 간섭이 심하다는 한계점이 존재하며, SAR 영상은 짙은 식생에서 일어나는 다중 산란 및 노이즈에 의한 오탐지 및 미탐지가 발생하기 쉽다. 이에 본 연구에서는 광학 영상과 SAR 영상의 융합을 통해 저수지 수체 탐지 정확도를 높이고 상호보완적 작용에 대해 정량적으로 분석하고자 하였다. 경기도 이동저수지, 충청남도 천태 저수지를 대상으로, 국내 고해상도 위성인 차세대중형위성 1호, 다목적실용위성 3호 및 3A호, 그리고 유럽우주국의 Sentinel-2 영상 기반 Normalized Difference Water Index (NDWI)와 SAR 탑재 위성인 Sentinel-1 단일 영상에 비지도학습 기법인 K-means 클러스터링 기법을 사용하여 수체를 탐지하고, NDWI-SAR 후방산란계수로 이루어진 2-D grid space에 동일 기법을 활용하여 정확도의 향상 정도를 파악하였다. 전반적인 정확도는 다목적실용위성이 가장 높은 것으로 나타났으며(두 저수지 모두 0.98), 이후 Sentinel-1(두 저수지 모두 0.93), Sentinel-2(이동: 0.83, 천태: 0.97), 차세대중형위성(이동: 0.69, 천태: 0.78) 순서로 감소하였다. 천태저수지에서 2-D K-means 클러스터링 기법을 적용한 결과 차세대중형위성의 수체탐지 정확도는 약 85%의 정밀도 향상과 14%의 재현율 감소와 함께 약 22% 향상되었으며(정확도 약 0.95), 다목적실용위성 및 Sentinel-2의 수체탐지 정밀도는 3-5% 향상되었고, 재현율은 4-7% 감소하였다. 추후 차세대중형위성 5호인 수자원위성 등 고해상도 SAR 위성과 이를 활용할 수 있는 고도화된 영상 융합기술, 수체 탐지 기술이 개발된다면 국내 수자원에 대한 매우 정확한 모니터링이 가능할 것으로 기대된다.

Agricultural reservoirs are crucial structures for water resources monitoring especially in Korea where the resources are seasonally unevenly distributed. Optical and Synthetic Aperture Radar (SAR) satellites, being utilized as tools for monitoring the reservoirs, have unique limitations in that optical sensors are sensitive to weather conditions and SAR sensors are sensitive to noises and multiple scattering over dense vegetations. In this study, we tried to improve water body detection accuracy through optical-SAR data fusion, and quantitatively analyze the complementary effects. We first detected water bodies at Edong, Cheontae reservoir using the Compact Advanced Satellite 500(CAS500), Kompsat-3/3A, and Sentinel-2 derived Normalized Difference Water Index (NDWI), and SAR backscattering coefficient from Sentinel-1 by K-means clustering technique. After that, the improvements in accuracies were analyzed by applying K-means clustering to the 2-D grid space consists of NDWI and SAR. Kompsat-3/3A was found to have the best accuracy (0.98 at both reservoirs), followed by Sentinel-2(0.83 at Edong, 0.97 at Cheontae), Sentinel-1(both 0.93), and CAS500(0.69, 0.78). By applying K-means clustering to the 2-D space at Cheontae reservoir, accuracy of CAS500 was improved around 22%(resulting accuracy: 0.95) with improve in precision (85%) and degradation in recall (14%). Precision of Kompsat-3A (Sentinel-2) was improved 3%(5%), and recall was degraded 4%(7%). More precise water resources monitoring is expected to be possible with developments of high-resolution SAR satellites including CAS500-5, developments of image fusion and water body detection techniques.

○ 본고는 고해상도 유물 3D 스캔(Scan)을 위한 사진측량(Photogrammetry) 디바이스의 설계와 개발, 성능 실험 및 이종 스캔데이터 융합을 목적으로 비롯되었다. 새로운 시대를 맞아 문화유산의 디지털화가 가속되어가고 있는 현재 해상도가 높은 텍스처(Texture)를 취득하기 위해서 사진측량은 결코 배제할 수 없는 스캔방법 중의 하나이다. 본문에서는 이에 대응하기 위한 최적화된 사진측량의 방법을 제안하고, 관련 디바이스(Device) 장치의 설계와 제작, 그리고 성능 실험을 진행하였다. 이를 통해 고해상도의 유물 3D 텍스처 데이터를 생성하였으나, 사진측량의 단점 중 하나로 거론되는 상대적으로 낮은 메쉬 품질을 완전하게 극복할 수는 없었다. 다만, 정확도 측면에서는 구조광 스캐너 등 다른 정밀한 스캔방법을 통해 생성된 데이터와 큰 차이가 없음을 확인하였다.결론적으로 메쉬, 텍스처, 정확도가 모두 우수한 고품질의 유물 3D모델을 생성하기 위해서는 여러 스캔방법을 동시적으로 사용하여 하나의 스캔데이터로 융합하는 것이 최선의 대안이자 문화유산 디지털화 기록과 보존을 위한 최적의 방법이라고 판단하였다.

This paper aims to design, develop, and test the performance of a photogrammetry device for high-resolution 3D scanning of artifacts, as well as to explore the fusion of heterogeneous scan data. With the accelerating digitization of cultural heritage in the modern era, photogrammetry remains an indispensable scanning method for acquiring high-quality textures. In this study, we propose an optimized photogrammetry method, present the design and fabrication of a corresponding device, and conduct performance experiments. Through this process, we successfully generated high-resolution 3D texture data of artifacts. However, one of the inherent limitations of photogrammetry-relatively lower mesh quality-could not be completely overcome. Nonetheless, in terms of accuracy, the photogrammetric results showed no significant difference when compared with data obtained from other precise scanning methods such as structured light scanners.In conclusion, we determine that the only viable solution for creating high-quality 3D models of artifacts is to integrate multiple scanning methods into a single dataset. This approach currently represents the most effective means for the digital documentation and preservation of cultural heritage.

항공기에 탑재된 센서들은 임무 수행에 필수 요소이며 센서들을 통해 얻어진 데이터의 융합은 임무 효율을 높이고 조종사의 부담을 줄이기 위해 적용되고 있다. 센서들로부터 얻어진 데이터를 특정 대상에 대해 일관되고 보다 정리된 형태로 조종사에게 제공하기 위해 데이터 융합이 적용되어 발전하고 있다. 현재 운용되고 있는 군용 항공기는 Link-16 과 같은 전술데이터링크에 연동하여 향상된 전술 상황을 조종사에게 전시하여 임무 효율을 높이고 있다. 항공기에 탑재된 센서가 고성능화 되면서 얻어진 정확도가 향상된 센서 데이터와 전술데이터링크를 통해 수신한 전술상황정보를 융합하여 조종사에게 고신뢰성의 전술상황 및 임무 환경을 제공하고 효율적인 임무 수행과 높은 생존성을 기대할 수 있다. 본 논문에서는 항공기 실시간 센서 데이터와 전술데이터링크를 통해 얻어지는 데이터를 종합된 정보 형태로 제공하기 위한 융합 구조를 보인다.

The sensors of aircraft are necessity for mission performance and fusion process of data from them is applied for increase of mission efficiency and decrease of aircraft pilot workload. Data fusion is applied and developed to provide pilot a series of more processed data format about a specific target from sensors in aircraft. Military aircraft currently in operation are linked with a tactical data link such as Link-16 to display improved tactical situation to pilots to increase mission efficiency. By fusing the sensor data with improved accuracy obtained as the sensors' performance mounted on the aircraft become higher and the tactical situation information received through the tactical data link, it provides the pilot with a highly reliable tactical situation and mission environment, and expects efficient mission performance and high survivability. In this paper, a fusion architecture to produce fused data with realtime information from the sensors and data through a tactical data link is shown.

본 논문은 통합 전자전 환경에서 일정한 지역에 위치한 다수의 감시/정찰 로봇이 분산되어있는 표적의 유형에 대한 정보를 융합하는 기법을 제안한다. 로봇이 획득한 정보는 확률속성을 갖는 값으로 정의되며, 표적의 유형에 대한 신뢰도를 나타낸다. 다수의 로봇이 획득한 정보를 융합하여 표적의 유형에 대한 종합적인 하나의 예측값을 제공하기 위하여 일련의 융합규칙을 사용한다. 표적과 로봇사이의 거리에 따른 표적 탐지에 대한 확률분포를 생성하였으며, 이를 기반으로 표적의 유형에 대한 정보를 융합하는 실험을 다양한 전장상황에서 수행한다. 또한 센서로부터 표적의 각도 정보를 수신하여 센서의 위치 좌표와 표적의 각도 정보를 바탕으로 분산된 다중표적의 각 위치좌표를 추정한다. 추정기법으로는 사인 법칙을 이용한 삼각측량법과 직선의 방정식을 이용한 교차점 방식을 사용하며, 표적이 센서 탐지거리를 벗어나는 경우에는 선형예측을 이용한 위치추정을 수행한다. 시뮬레이터를 활용한 실험에서 제안한 융합규칙을 이용하여 임의로 생성된 분산표적의 유형에 대한 신뢰도를 성공적으로 융합할 수 있음을 확인하고, 표적과 센서의 개수 변화에 따른 각 좌표 추정 방식의 장단점과 추정오차를 비교해본다.

This paper addresses the fusion processing techniques of multi-sensor data perceived through IR sensors of the military robots for surveillance, in which they are positioned in a limited range with a close distance between each of the robots. To combine multi-sensor data from distributed battlefield robots, we propose a set of fusion rules to formulate the combined prediction from multi-source data expressed in degrees of reliability for the type of a target that has the mathematical properties of probabilities. We have implemented three fusion operators to compare the capabilities of their fusion processing, and have experimented them in simulated, uncertain battlefield environments. In addition, the locations of multiple targets are estimated from the angle of arrival and the locations of multi-sensors. We use the triangulation method and the line equation method for the location estimation, and also use the linear prediction for the out-of-sight targets. The experimental results show that the fusion of multi-sensor data from military robots and location estimation for multiple targets can be successfully tested in randomly generated military scenarios.

본 연구는 자율주행차 사고 데이터를 활용하여 사고 위험 예측을 위한 분석 구조를 구성하 고, 정형 데이터와 비정형 사고 설명문이 사고 위험 설명에 기여하는 역할을 단계적으로 검토 하였다. 먼저 사고 발생 환경, 도로 및 차량 상태와 같은 정형 데이터를 기반으로 사고 위험과 관련된 구조적 특성을 분석하고, 사고 발생 과정이 서술된 비정형 사고 설명문을 통해 사고 상황의 맥락적 특성을 정리하였다. 이를 통해 각 데이터 유형이 사고 위험을 설명하는 데 제공 하는 정보의 성격과 한계를 비교하였다. 이후 정형·비정형 데이터에서 도출된 정보를 결합한 예측 구조를 구성하고, 회귀 기반 성능 지표를 활용하여 결합 모델의 사고 위험 예측 결과를 분석하였다. 분석 결과, 결합 모델은 사고 위험 분산의 상당 부분을 설명하며, 단일 데이터 기 반 분석에서 포착하기 어려운 사고 위험 특성을 보다 안정적으로 반영하는 경향을 보였다. 본 연구는 자율주행차 사고 위험 분석에서 정형·비정형 데이터의 역할을 구분하여 정리하고, 이 를 결합한 예측 구조의 적용 가능성을 제시하였다는 점에서 의의를 가진다.

This study developed an analytical framework for predicting the crash risk using autonomousvehicle crash data by examining the roles of structured data and unstructured crash descriptions in explaining the crash risk. Structured data representing crash environments, roadway conditions, and vehicle states were first analyzed to identify the structural characteristics associated with the crash risk. In addition, unstructured crash descriptions were examined to capture contextual information describing crash scenarios and crash progression. Based on these analyses, the characteristics and limitations of each data type in explaining the crash risk were reviewed. A combined prediction framework integrating information derived from structured and unstructured data was then constructed, and the performance of the combined model was evaluated using regression-based metrics. These results showed that the combined model explains a substantial portion of the crash risk variability and provides more stable risk estimates than analyses relying on a single data type. These findings highlight the importance of integrating heterogeneous data sources for crash risk prediction and demonstrate the applicability of a structured–unstructured data fusion approach in autonomous vehicle crash analysis.

본 연구는 PC 구조물용 철선을 생산하는 3단 신선 공정을 대상으로, 품질 불량을 조기에 예측 하기 위한 멀티모달 AI 기반 실시간 품질 예측 시스템을 제안한다. 다이스 마모, 원재료 물성 편차, RPM 변동, 윤활·발열 조건 등 품질 영향 요인을 체계적으로 분석하고, 이를 반영하도록 컴퓨터 비전, 레 이저 직경 측정기, 공정 파라미터, 원재료 물성 데이터를 통합한 CNN-LSTM 하이브리드 딥러닝 모 델을 설계하였다. 총 1,247개 로트에 대해 시간 기반 rolling-window validation과 lot-level bootstrap 신뢰구간 평가를 수행한 결과, F1-Score 0.855±0.012, AUROC 0.971±0.008, Recall 0.917±0.015 를 보였으며, 추론 지연시간 28.3ms로 현장 실시간 운영 요건을 충족하였다. Ablation study를 통해 멀티모달 융합이 단일 모달리티 대비 F1-Score를 최대 25.4% 향상시킴을 확인하였고, SHAP 분석을 통해 2차 다이스 구간이 품질에 가장 결정적인 영향을 미치는 관리 포인트임을 도출하였다. 다만 단 일 기업·단일 라인 데이터 및 제한된 불량 표본 등의 한계가 있으나, 데이터 인프라가 취약한 중소 철 선 제조기업 환경에서 멀티모달 품질 예측 체계를 설계·구축·운영한 실증 사례로서 의의를 갖는다.

This study proposes a multimodal AI-based real-time quality prediction system for a three-stage wire drawing process producing steel wire for precast concrete structures. Qualityinfluencing factors including die wear, raw-material variation, RPM fluctuation, and lubrication conditions were analyzed, and computer vision, laser diameter gauges, process parameters, and raw-material properties were integrated using a CNN-LSTM architecture. The model was evaluated on 1,247 production lots through rolling-window validation and lot-level bootstrap confidence intervals, achieving F1 0.855±0.012, AUROC 0.971±0.008, and Recall 0.917±0.015 with 28.3 ms inference latency, meeting real-time requirements. Ablation analysis confirmed that multimodal fusion improved F1 by up to 25.4% over single-modality baselines, and SHAP analysis identified the second-stage die as the most critical control point. Limitations include a single-company dataset, limited defective samples, and absence of same-input Transformer comparisons. Nevertheless, this study demonstrates the practical feasibility of designing and operating a multimodal quality prediction system in a resource-constrained SME manufacturing environment.