• International journal of advanced smart convergence
• /
• 제11권2호
• /
• pp.22-29
• /
• 2022

In this paper, for the purpose of designing an real-time unmanned monitoring system, the YOLOv5s (small) object detection model was applied on the NVIDIA TX2^TM AI (Artificial Intelligence) edge computing platform in order to design the fundamental function of an unmanned monitoring system that can detect objects in real time. YOLOv5s was applied to the our real-time unmanned monitoring system based on the performance evaluation of object detection algorithms (for example, R-CNN, SSD, RetinaNet, and YOLOv5). In addition, the performance of the four YOLOv5 models (small, medium, large, and xlarge) was compared and evaluated. Furthermore, based on these results, the YOLOv5s model suitable for the design purpose of this paper was ported to the NVIDIA TX2^TM AI edge computing system and it was confirmed that it operates normally. The real-time unmanned monitoring system designed as a result of the research can be applied to various application fields such as an security or monitoring system. Future research is to apply NMS (Non-Maximum Suppression) modification, model reconstruction, and parallel processing programming techniques using CUDA (Compute Unified Device Architecture) for the improvement of object detection speed and performance.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2022년도 춘계학술대회
• /
• pp.639-641
• /
• 2022

사회적으로 고령화 문제가 심화되면서, 독거노인 모니터링 시스템에 관한 연구가 활발히 진행되고 있다. 일반적으로 모니터링 시스템은 영상, 센서, 계측값 등의 정보를 바탕으로 서버에서 연산을 수행하여, 사용자에게 모니터링 서비스를 제공한다. 서버를 이용하는 시스템의 구조상 데이터 유출의 위험이 존재하며, 데이터 보안을 고려한 설계가 필수적이다. 본 논문에서는 영상보안 구조 기반의 지능형 독거노인 모니터링 시스템을 제안한다. 제안하는 시스템은 Edge AI 모듈을 사용하여 카메라 모듈과 서버 간의 통신을 차단하는 구조를 통해 높은 보안성을 보장한다. Edge AI 모듈은 Verilog HDL로 설계되었으며, Field Programmable Gate Array (FPGA)를 통해 기능을 구현하였다. 본 시스템을 검증하기 위해 5,144개의 프레임 데이터에 대해 실험하였으며, 사람의 움직임이 일정 시간 감지되지 않았을 때 위험 감지 신호가 올바르게 발생하는 것을 확인하였다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2021년도 춘계학술대회
• /
• pp.431-433
• /
• 2021

본 논문에서는 YOLO 인공 지능 플랫폼을 이용하는 이상행동 감시 시스템을 구현하였으며, YOLO 시스템의 one-shot 감지 시스템 사용으로 기존 감시 시스템에 비해 우수한 응답 특성을 갖는다. YOLO 인공 플랫폼은 폭행, 절도, 방화와 같은 이상행동들로 구성된 이미지 세트로 학습되었다. 이상행동 감시 시스템은 서버와 클라이언트로 구성되어 있으며, 상용화될 경우 각종 범죄 문제를 풀기 위해 스마트시티에 적용이 가능하다.

• 드라이브 ㆍ 컨트롤
• /
• 제18권1호
• /
• pp.24-30
• /
• 2021

There is an increasing interest in condition-based maintenance for the prevention of economic loss due to failure. Moreover, immense research is being carried out in related technologies in the field of construction machinery. In particular, data-based failure diagnosis methods that employ AI (machine & deep learning) algorithms are in the spotlight. In this study, we have focused on the failure diagnosis and mode classification of reduction gear of excavator's travel device by using the AI algorithm. In addition, a remote monitoring system has been developed that can monitor the status of the reduction gear by using the developed diagnosis algorithm. The failure diagnosis algorithm was performed in the process of data acquisition of normal and abnormal under various operating conditions, data processing and analysis by the wavelet transformation, and learning. The developed algorithm was verified based on three-evaluation conditions. Finally, we have built a system that can check the status of the reduction gear of travel devices on the web using the Edge platform, which is embedded with the failure diagnosis algorithm and cloud.

• 지적과 국토정보
• /
• 제52권1호
• /
• pp.17-36
• /
• 2022

본 연구의 목적은 현행 개발제한구역 단속 및 관리체계의 문제점을 진단하고 데이터 기반 모니터링 체계로 전환할 수 있도록 구축방안을 마련하는 것이다. 개발제한구역은 타 용도지역지구와 달리 최소한의 유지 외 모든 개발행위를 금지하고 지자체에서 엄격히 단속 및 관리해야 하는 구역이다. 그러나 현재의 개발제한구역 관리체계는 지자체별 여건에 따라 분산 운영되고, 설문 결과와 같이 전체 개발제한구역의 변화를 모니터링하기보다 민원(신고)에 의존하거나 단속업무 수행에 어려움을 겪는 등 데이터 기반의 모니터링체계를 필요로 하고 있다. 특히 본 연구에서는 AI 기반 모니터링체계를 도입하여 국토교통부에서 매년 정기적 시점(월별·분기별)을 두고 동일한 단속 기준으로 전국 권역별 변화를 탐지한 결과를 지자체에 송부하고 지자체에서는 단속 결과를 입력하면서 신뢰할 수 있는 개발제한구역 관리현황 통계정보가 생산될 수 있는 체계로의 전환 방법을 구체적으로 제안하였다. 이러한 방법론 제안을 위해 첫째, 지자체와 관련 전문가를 대상으로 설문조사 및 인터뷰를 수행하였다. 설문 결과 현장 단속과 인허가 관련 행정업무에 어려움을 겪고 있으며, AI 기반 모니터링체계 도입에 대해서는 긍정적 답변이 우세하였다. 둘째, AI 영상분석을 통한 객체 검출 방법론을 실증 지자체에 적용한 사례를 분석하여 모니터링체계 도입에 따른 단속업무 효율화 방안을 제안하였다. 셋째, (현(現))개발제한구역관리정보시스템의 고도화를 기반으로 한 개발제한구역 모니터링체계 구축방안을 마련하였다. 지자체업무 수요에 기반해 드론 촬영 및 분석, 모바일 단속지원체계 등 필요한 서비스들이 지원될 수 있도록 프레임워크를 구성하였다. 이러한 모니터링체계는 향후 주기적 단속과 관리가 필요한 토지를 대상으로 확대 적용이 가능하며 본 연구에서는 이를 실현하기 위한 방법론과 정책을 제안하고자 하였다.

• 산업경영시스템학회지
• /
• 제45권4호
• /
• pp.1-7
• /
• 2022

Explainable AI (XAI) is an approach that leverages artificial intelligence to support human decision-making. Recently, governments of several countries including Korea are attempting objective evidence-based analyses of R&D investments with returns by analyzing quantitative data. Over the past decade, governments have invested in relevant researches, allowing government officials to gain insights to help them evaluate past performances and discuss future policy directions. Compared to the size that has not been used yet, the utilization of the text information (accumulated in national DBs) so far is low level. The current study utilizes a text mining strategy for monitoring innovations along with a case study of smart-farms in the Honam region.

• International journal of advanced smart convergence
• /
• 제12권4호
• /
• pp.190-201
• /
• 2023

Securing transportation safety infrastructure technology for Lv.4 connected autonomous driving is very important for the spread of autonomous vehicles, and the safe operation of level 4 autonomous vehicles in adverse weather has limitations due to the development of vehicle-only technology. We developed the radar-enabled AI convergence transportation entities detection system. This system is mounted on fixed and mobile supports on the road, and provides excellent autonomous driving situation recognition/determination results by converging transportation entities information collected from various monitoring sensors such as 60GHz radar and EO/IR based on artificial intelligence. By installing such a radar-enabled AI convergence transportation entities detection system on an autonomous road, it is possible to increase driving efficiency and ensure safety in adverse weather. To secure competitive technologies in the global market, the development of four key technologies such as ① AI-enabled transportation situation recognition/determination algorithm, ② 60GHz radar development technology, ③ multi-sensor data convergence technology, and ④ AI data framework technology is required.

• 한국컴퓨터그래픽스학회논문지
• /
• 제30권3호
• /
• pp.159-169
• /
• 2024

본 논문에서는 증강 현실 (AR) 기술과 사물 인터넷 (IoT) 기술을 융합하여 새로운 실시간 화재 모니터링 및 대피 내비게이션 시스템을 제안한다. 제안된 시스템은 건물 내에 설치된 IoT 온도 측정 디바이스를 통해 온도 데이터를 수집하고, 이를 IoT 플랫폼을 통해 MySQL 클라우드 데이터베이스에 자동으로 전송함으로써 실시간으로 정확한 데이터를 모니터링한다. 이후, 건축 정보 모델링 (BIM)을 통해 생성된 3D 건물 모델에 실시간 IoT 데이터를 가시화하고, AR 기술을 통해 현실 세계에 모델을 표현함으로써 직관적으로 화재 발생 위치를 파악할 수 있다. 또한, Vuforia 엔진의 Device Tracking 및 Area Targets 기능을 활용하여 사용자의 실시간 위치를 파악하고, 개선된 A* 알고리즘을 통해 여러 비상구 중 최적의 대피 경로를 찾는다. 본 논문에서는 다양한 가상 화재 시나리오를 기반으로 사용자 실험 평가를 진행하여 제안된 시스템의 실용성과 빠르고 안전한 대피 효과를 입증한다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2022년도 추계학술대회
• /
• pp.69-71
• /
• 2022

오늘날 AI의 발전으로 인하여 AI 시장은 매우 커지고 있다. 그중 가장 많이 발전된 AI는 이미지 탐지이다. 그리하여 YOLOv5을 이용하는 많은 객체 탐지 모델이 존재한다. 하지만 AI의 대부분의 객체 탐지는 정형화된 객체 탐지에 중점이 잡혀 있으며 비정형 객체에 대한 연구는 상대적으로 적은 편이다. 따라서 본 논문에서는 YOLOv5을 이용한 화재 감시 시스템을 설계하여 비정형 화재 데이터를 탐지 및 분석하여 화재 탐지시스템을 설계하고 구현하였다.

• International journal of advanced smart convergence
• /
• 제12권3호
• /
• pp.104-108
• /
• 2023

This paper deals with research on innovative systems using Python-based artificial intelligence technology in the field of plant growth monitoring. The importance of monitoring and analyzing the health status and growth environment of plants in real time contributes to improving the efficiency and quality of crop production. This paper proposes a method of processing and analyzing plant image data using computer vision and deep learning technologies. The system was implemented using Python language and the main deep learning framework, TensorFlow, PyTorch. A camera system that monitors plants in real time acquires image data and provides it as input to a deep neural network model. This model was used to determine the growth state of plants, the presence of pests, and nutritional status. The proposed system provides users with information on plant state changes in real time by providing monitoring results in the form of visual or notification. In addition, it is also used to predict future growth conditions or anomalies by building data analysis and prediction models based on the collected data. This paper is about the design and implementation of Python-based plant growth monitoring systems, data processing and analysis methods, and is expected to contribute to important research areas for improving plant production efficiency and reducing resource consumption.