• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2023년도 학술발표회
• /
• pp.320-320
• /
• 2023

강우 데이터는 수문기상, 환경, 농업, 자연재해, 그리고 수자원 시스템 분야에서 가장 필수적인 기본 요소 중 하나이다. 또한 강우 데이터는 수문학적 분석에서 활용되는 필수 입력 자료 중 하나로 관측 데이터의 품질에 따라 수문 모형을 이용한 모의 결과물의 정확도가 결정된다고 할 수 있다. 따라서, 강우 관측소별로 강우 데이터의 품질을 어떻게 관리하느냐에 따라 수문 모형의 활용 범위 및 수자원 관리의 효율성이 결정될 수 있다. 강우의 시공간적 변동성은 수 많은 인자들과 직간접적으로 연계되어 있기 때문에 미계측 강우 자료에 대해 직접 관측이 아닌 수치 모형을 이용하여 강우의 발생과 강우량을 산정하는 것은 매우 복잡한 과제 중 하나이다. 현재 국내에서 운용되고 있는 강우 관측소의 경우에도 미계측 된 강우 데이터가 존재함으로써 강우 데이터의 활용에 제한이 생기는 경우가 있다. 따라서, 이러한 미계측 데이터의 추정 및 보완은 보다 효과적인 수재해 방지, 수자원 관리를 위한 필수 과제 중 하나이다. 일반적으로, 미계측 강우를 산정하기 위해서 Kriging, Thiessen, 등우선법, 그리고 역거리 관측법 등 다양한 수문학적 방법들이 적용되고 있다. 이러한 방법들은 산악효과나 강우 관측소의 분포 상태 등을 고려하지 못하기 때문에 측정하는 지역에 따라 강우 추정 오차가 커질 수 있다는 한계가 있다. 최근에는 데이터 관측 시스템과 빅데이터 기술의 발전과 활용 가능한 데이터의 양이 증가함에 따라 머신러닝을 활용한 사례가 증가하고 있다. 머신러닝은 데이터 사이의 관계를 기반으로 분류, 회귀, 그리고 예측 문제에 주로 사용되는 기법 중 하나이다. 따라서, 본 연구에서는 광주광역시 지역에 위치한 주요 강우 관측 지점들을 대상으로 미계측 된 시강우 데이터를 추정 및 복원하고자 한다. 여기서 데이터 추정 기술이란 미계측 강우의 발생 유무 및 강우량을 추정할 수 있는 기술을 의미한다. 이를 위해 대표적인 머신러닝 알고리즘인 인공신경망(Artificial Neural Network) 및 랜덤포레스트(Random Forest)를 적용하였다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2022년도 학술발표회
• /
• pp.167-167
• /
• 2022

최근 빅데이터에 관련된 연구에 있어 데이터의 품질관리에 대한 논의가 꾸준히 이뤄져 오고 있다. 특히 이미지 처리 및 분석에 활용되어온 딥러닝 기술의 경우, 분류 작업 및 패턴인식 등으로부터 데이터의 특징을 추출함으로써 비지도학습(Unsupervised Learning)을 가능하게 한다는 장점이 있음에도 불구하고 빅데이터를 다루는 과정에 있어 용량, 다양성, 속도 및 신뢰성 측면에서의 한계가 있었다. 본 연구에서는 CCTV 영상을 활용한 강수량 산정 모델 개발에 있어 예측 정확도 향상 및 성능 개선을 도모할 수 있는 데이터 전처리 방법을 제안하였다. 서울 근린 AWS 4개소 지역(김포장기, 하남덕풍, 강동, 성남) 및 중앙대학교 지점 내 CCTV를 설치한 후, 최대 9개월의 영상을 확보하여 강수량 산정을 위한 딥러닝 모델을 개발하였다. 배경분리, 조도조정, 영역설정, 데이터증진, 이상데이터 분류 등이 가능한 알고리즘을 개발함으로써 데이터셋 자체에 대한 전처리 작업을 수행한 후, 이에 대한 결과를 기존 관측자료와 비교·분석하였다. 본 연구에서 제안한 전처리 방법들을 적용한 결과, 강수량 산정 모델의 예측 정확도를 평가하는 지표로 선정한 평균 제곱근 편차(Root Mean Square Error; RMSE)가 약 30% 감소함을 확인하였다. 본 연구의 결과로부터 CCTV 영상 데이터를 활용한 강수량 산정의 가능성을 확인할 수 있었으며 특히, 딥러닝 모델 개발시 필요한 적정 전처리 방법들에 대한 기준을 제시할 수 있을 것으로 판단된다.

• 한국수자원학회논문집
• /
• 제54권spc1호
• /
• pp.1071-1081
• /
• 2021

본 연구에서는 기상청에서 수행하는 기존의 기상 관측에 대한 품질관리 절차 이외에 향후 스마트시티 등에서 활용될 수 있는 머신러닝 기반의 Internet of Things (IoT) 도시기상 관측 자료에 대한 품질검사 기준을 제안한다. 현재 기상청에서 종관기상관측(Automated Synoptic Observing System, ASOS)과 방재기상관측(Automatic Weather System, AWS) 기반으로 설정한 기준이 도시기상에 적합한지 확인하기 위하여 서울시에 설치된 SKT AWS 자료를 기반으로 사용성을 검증하였고, IoT 자체의 데이터가 가지는 특성을 고려하여 최종적으로 머신러닝 기반의 품질검사 알고리즘을 제안하였다. 품질검사 방법으로는 IoT 기기 자체에 대한 결측값 검사, 값 패턴 검사, 충분 데이터 검사, 통계적 범위 이상 검사, 시간값 이상 검사, 공간값 이상 검사를 먼저 수행하고, 기상청에서 제시하고 있는 기상 관측에 대한 품질검사인 물리한계검사, 단계검사, 지속성 검사, 기후범위 검사, 내적 일치성 검사를 5가지 기상요소에 대하여 각각 수행하였다. 제안한 알고리즘의 검증을 위하여 인천광역시 송도에 위치한 관측소에 실제 IoT 도시기상관측 데이터에 이를 적용하였다. 이를 통해 기존의 기상청 QC로는 확인할 수 없었던 IoT 기기가 가질 수 있는 결함을 확인할 수 있고, 알고리즘에 대한 검증을 진행하여 향후 스마트시티에 설치될 IoT 기상관측기기에 대한 품질검사 방법을 제안한다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제11권6호
• /
• pp.255-266
• /
• 2022

콘크리트의 주재료인 골재 중 굵은 골재의 품질관리는 현재 샘플링을 통한 통계적 공정관리(SPC) 방법으로 하고 있다. 본 논문은 굵은 골재에 대한 품질관리를 현재의 체거름 방식을 대신 카메라를 통해 획득한 영상을 기반으로 굵은 골재를 검사하게 바꾸어 제조 혁신을 위한 스마트팩토리를 구축하였다. 먼저, 얻은 영상을 전처리 하였고, 딥러닝으로 학습된 HED(Holistically-nested Edge Detection)필터는 각각의 물체를 Segmentation하였다. 이 Segmentation한 결과를 영상 처리하여 각각의 골재를 분석 후 이 결과를 바탕으로 조립률, 입형률을 파악한다. 영상을 통해 얻은 골재들의 조립률, 입형률을 계산하여 골재의 품질을 검사하였고 알고리즘의 정확도는 실제로 체 가름 방식을 통해 골재의 품질을 비교한 것과 90% 이상의 정확도를 보이는 결과가 나왔다. 또한 기존의 방법으로는 골재의 입형률을 검사할 수 없었지만 본문의 내용을 통해 골재의 입형률도 측정할 수 있게 되었다. 입형률의 경우 도형을 사용하여 검증하였는데 이는 ±4.5%의 차이를 보였다. 골재의 길이 측정의 경우 실제 골재의 길이를 비교하였는데 ±6%의 차이를 보였다. 실제 3차원의 데이터를 2차원의 영상에서 분석하다보니 실제 데이터와 차이가 생겼는데 이는 추후 연구가 필요하다.

• 한국정보통신학회논문지
• /
• 제25권6호
• /
• pp.749-756
• /
• 2021

제조 생산공정에는 다양한 센서를 통해 실시간으로 양질의 데이터가 데이터베이스에 축적되고 있다. 이와 함께 통계적으로 접근하기 까다로운 데이터에 대해서 높은 수준의 정확도로 예측모델을 구축할 수 있는 머신러닝이 보급되면서 '4차 산업화 시대'를 맞이하고 있다. 본 논문에서는 이러한 제조업계의 흐름에 따라 업계의 주요 관심사인 제품의 품질특성을 예측하는 머신러닝 모델의 성능을 향상하는 방법을 제시한다. 머신러닝 모델의 성능을 향상하는데 일반적으로 사용되는 샘플 크기의 증가, Hyper-Parameter의 최적화 및 적절한 알고리즘 선택의 효과를 검증한다. 그리고, 새로운 성능향상 방법을 제시하고, 그 효과를 검증해본다. 논문에서 제시한 방법을 통해서 제조업에서는 더욱 향상된 성능의 예측모델을 구축, 품질예측과 관리에 크게 이바지할 수 있을 것이다.

• 스마트미디어저널
• /
• 제11권11호
• /
• pp.92-98
• /
• 2022

섬유산업에서 생산된 직물의 결함을 식별하는 것은 품질관리를 위한 핵심적인 절차이다. 본 연구는 직물의 이미지를 분석하여 결함을 검출하는 모델을 만들고자 하였다. 연구에 사용된 모델은 딥러닝 기반의 VGGNet 과 ResNet이었고, 두 모델의 결함 검출 성능을 비교하여 평가하였다. 정확도는 VGGNet 모델이 0.859, ResNet 모델이 0.893으로 ResNet 모델의 정확도가 더 높은 결과를 보여주었다. 추가적으로 딥러닝 모델이 직물의 이미지 내에서 결함으로 인식한 부분의 위치를 알아보기 위하여 XAI(eXplainable Artificial Intelligence)기법인 Grad-CAM 알고리즘을 사용하여 모델의 관심영역을 도출하였다. 그 결과 딥러닝 모델이 직물의 결함으로 인식한 부분이 육안으로도 실제 결함이 있는 것으로 확인되었다. 본 연구의 결과는 직물의 결함 검출에 있어서 딥러닝 기반의 인공지능을 활용함으로써 섬유의 생산과정에서 발생하는 시간과 비용을 줄일 수 있을 것으로 기대된다.

• 한국전자통신학회논문지
• /
• 제18권3호
• /
• pp.441-448
• /
• 2023

제조 공정 데이터에 있어 주조 공정은 가장 중요한 공정이면서 높은 불량률의 원인을 발생시키는 공정이다. 주조 공정의 품질관리는 생산성과 품질평가의 핵심 요소라 할 수 있다. 본 연구에서는 공정 데이터를 통한 요인 분석, 상관 분석, 회귀 분석 결과를 기반으로 최적화 된 머신러닝 모델 알고리즘을 개발한다. 이를 적용한 주조공정을 통해서 불량률을 줄이고 스마트 팩토리의 데이터 적합성을 검증하고자 한다.

• 디지털융복합연구
• /
• 제12권2호
• /
• pp.475-482
• /
• 2014

A wide variety of contents are now provided along with the development of information appliances. The purpose of this study was to examine what should be considered to boost the quality of mobile device based e-learning contents. For this study, 12 evaluation domains and 26 evaluation items were selected using the Delphi method. The factors to be considered for mobile device based e-learning contents quality are summarized 4 factor. In other words, for the purpose of managing the quality of mobile device based e-learning contents, there exist four areas to be considered, 'foundation', 'contents', 'teaching design' and 'technology.' The findings of this study are expected to contribute to the improvement of the quality of the educational contents.

• 지질공학
• /
• 제31권1호
• /
• pp.31-42
• /
• 2021

도로비탈면관리시스템(Cut-Slope Management System, CSMS)은 전국 일반국도 비탈면에 대해 기초·정밀 조사를 바탕으로 데이터베이스를 구축해왔다. 그런데 이러한 데이터는 사람에 의해 기록되기 때문에 데이터 누락 및 오기입 문제가 발생할 수밖에 없다. 본 연구에서는 데이터의 불완전성 문제를 극복하기 위해 여러 머신러닝 기반의 예측모델들을 개발하고 이를 이용한 데이터 품질 강화 가능성을 검토하고자 하였다. 우선 다 범주 문자형 데이터를 수치화하는 과정을 수행하였고, 선정된 데이터 항목들에 대해 다항 로지스틱 회귀분석(Multinomial Logistic Regression)과 심층신경망(Deep-Neural-Network) 기반의 예측모델들을 개발하였다. 그 결과, 심층신경망 모델들의 정확도가 월등히 높은 것으로 나타났다. 향후 개발된 모델들을 활용하여 누락 및 오기입 데이터의 보완이 가능할 것으로 기대된다.

• 문화기술의 융합
• /
• 제8권2호
• /
• pp.385-391
• /
• 2022

소도체의 품질평가는 축산업 분야의 중요한 문제이다. 최근 인공지능을 기반으로 한 AI 모니터 시스템을 통해 품질 관리사는 소도체 영상의 분석이나 결과 정보를 기반으로 정확한 판단에 도움을 받을 수 있다. 이러한 인공지능의 데이터셋은 성능을 판단하는 중요한 요소이다. 기존의 데이터셋은 표면의 방향이나 해상도가 달라질 수 있다. 본 논문에서는 딥러닝을 이용한 소도축 영상의 등급을 효율적으로 관리할 수 있는 단계별 분류 모델을 제안하였다. 그리고 기존의 세그멘테이션 추출된 영상의 데이터셋의 다양한 조건의 일관성을 위해 새로운 데이터셋 1,300장을 구성하였다. 새로운 데이셋을 이용한 5등급 분류에 대한 딥러닝의 인식률은 72.5%를 얻었다. 제안된 단계별 분류는 1++, 1+, 1등급과 2, 3등급의 차이가 크다는 것을 이용한 방안이다. 이로 인해 제안된 2단계 모델의 두 가지 방법에 따른 실험 결과, 73.7%, 77.2%의 인식률을 얻을 수 있었다. 이처럼 1단계 인식률을 100%를 갖는 데이터셋을 가진다면 더욱 효율적인 방법이 될 것이다.