• 한국방사선학회논문지
• /
• 제15권6호
• /
• pp.891-897
• /
• 2021

핵의학은 방사성 동위원소 추적자를 인체에 투여하여 질병의 형태학적 정보와 생물학적 기능 정보를 얻고 평가한 Amyloid PET Tracer 개발로 베타아밀로이드 신경반 확인을 통해서 알츠하이머 진단의 정확도를 높일 수 있다. 그러나 20분이라는 긴 영상획득 시간은 환자에게 힘든 시간 일 수 있다. PET/CT 검사는 환자의 움직임에 민감하며, 검사 결과에도 일부분 영향을 미칠 수 있다. 이에 본 연구에서는 체내 방사성 의약품의 분포를 시간에 따른 list mode acquisition 방법을 통해 영상의 정량적 평가에 영향을 미치지 않으면서 적절한 영상획득 시간 연구하였다. list mode는 기존의 frame mode에 비해 시간에 대한 정보가 포함되어 연구자들이 원하는 시간에 대한 영상을 별도로 reconstruction 할 수 있어 data 분석에 용이하다. 연구 방법은 5 min frame/bed, 10 min frame/bed, 15 min frame/bed, 20 min frame/bed 로 리스트 모드를 이용하여 시간별 재구성 영상을 획득하여 SNR(signal to noise ratio) 과 LPR(lesion-to-pons uptake ratio)의 차이와 판독의 차이를 비교 분석하여 적정한 영상획득시간을 알아보고자 하였다. 정량적 분석 결과 list mode로 측정 시 정량적 평가 결과, 영상획득 시간이 증가함에 따라 관심 영역 6개에서 SUVmean 값은 감소하였으나 5 min/bed 영상에서 가장 많은 차이를 보였고 10 min/bed 그리고 15 min/bed 순으로 SUVmean 값의 차이가 감소하였다. 따라서 15 min/bed 에서의 SUVmean 값은 영상의 평가에 영향을 끼치지 않을 만큼의 차이가 없다는 결과값이 나왔다. LPR 값의 차이는 없었다. 정성적 분석 결과, PET 영상획득시간에 따른 판독 소견의 변화는 없었으며 시간에 따른 영상 재구성의 정성적 분석 점수의 유의한 차이가 없었다. 연구 결과 F-18 fluteme tamol PET/CT 검사 시 15 min/bed 과 20 min/bed 영상이 유의한 차이가 없으므로 환자의 상태에 따라 LIST MODE를 통해 선택적으로 15 min/bed 을 사용하여 영상획득 시간을 줄이는 것이 임상적으로 유용하다고 할 수 있다.

• 한국방사선학회논문지
• /
• 제15권6호
• /
• pp.781-788
• /
• 2021

피부는 방사선에 대한 민감도가 높기 때문에 방사선치료 시에 피부에 조사되는 선량을 정확하게 측정하여 과도한 피폭을 방지할 필요가 있다. 임상에서는 film, OSLD, TLD, glass 선량계등과 같은 선량계를 사용하여 피부선량을 측정하고 있지만, 이러한 선량계들은 피부곡면에서의 정확한 선량측정이 힘든 문제점이 있다. 본 논문에서는 이러한 문제를 해결하고자 인체 굴곡에 따라서 부착이 가능한 피부선량계를 개발하고 그 반응 특성을 평가하였다. 선량계 제작에는 높은 원자번호(Z_Pb: 82, Z_O: 8)와 밀도(9.53 g/cm³)로 방사선검출 측점에서 우수한 특성을 가지고 있는 Lead oxide(PbO)와 인체 굴곡에 따라 휘어질 수 있는 silicon 바인더를 사용하여 재조하였다. 한편 PbO 물질로 제작된 선량계의 경우 산화로 인한 성능 저하가 존재하기 때문에 parylene 등을 사용하여 성능저하를 방지해오고 있었지만, 기존에 사용된 parylene은 bending에 대한 영향을 받기 때문에 silicon을 이용한 새로운 형태의 passive layer를 제작하여 피부선량계에 적용하였다. 피부선량계의 특성평가는 SEM, 재현성, 선형성을 분석하여 평가하였다. SEM 분석을 통하여 bending에 영향을 받는지 평가하였으며, 6 MeV 에너지에서의 재현성, 선형성을 평가하여 피부선량계로 적용이 가능한지 평가하였다. SEM 분석을 통하여 선량계 표면을 관찰한 결과, parylene으로 passive layer가 올라간 parylene passive layer PbO 선량계는 구부러 졌을때, 표면에 crack이 발생하였다. 그에 반해 silicon passive layer가 올라간 silicon passive layer PbO 선량계에서는 crack 이 관찰되지 않았다. 재현성 측정 결과에서 silicon passive layer PbO 선량계의 RSD는 1.47%로 평가기준 RSD 1.5%를 만족하였으며, 선형성 평가 결과에서는 R²값이 0.9998로 나타나 평가기준 R² 0.9990을 만족하였다. silicon passive layer PbO 선량계는 bending에 따른 crack이 발생하지 않으며, 재현성, 선형성에서 높은 신호안정성과 정밀성, 정확성을 보여주어 피부선량계로의 적용이 가능한 것으로 평가되었다.

• 대한원격탐사학회지
• /
• 제37권5_1호
• /
• pp.1177-1186
• /
• 2021

북극의 융빙호(melt pond)는 해빙 면적 감소 및 북극 빙권 변화에 중요한 역할을 하기 때문에 융빙호의 정확한 관측이 필요하다. 미국 NASA의 차세대 고도계 위성인 Ice, Cloud, and Land elevation Satellite-2 (ICESat-2)는 532 nm의 녹색 레이저를 발사한 뒤 반사되는 광자(photon)의 이동 시간을 계산하여 전 지구적으로 고해상도 고도 정보를 관측한다. ICESat-2는 현재 널리 쓰이고 있는 고도계인 CryoSat-2에 비해 세밀한 관측이 가능하기 때문에, Cryosat-2에서 관측할 수 없는 작은 규모의 융빙호를 탐지할 수 있을 것으로 기대된다. ICESat-2의 기본적인 정보로는 표면 높이(surface height)와 반사되는 광자의 수(photon count)가 있다. 본 연구에서는 각 ICESat-2 지점을 중심으로 10 m 길이의 segment를 생성하여 segment 내의 높이 표준편차와 총 광자 수를 활용한 융빙호 탐지 알고리즘을 제시하였다. 융빙호는 표면이 해빙에 비해 매끄러워서 높이의 분산이 적으므로 높이의 표준편차를 활용하여 일차적으로 융빙호와 해빙을 분류하였다. 그 다음으로는 융빙호 중에서 표면이 물인 융빙호와 얼음 표면인 융빙호를 분류하였다. 표면이 물인 융빙호는 광자를 많이 흡수하기 때문에 단위 segment 내에서 반사되어 수집된 광자의 수가 적으며, 반대로 얼음으로 덮인 융빙호는 반사되는 광자의 수가 많다. 결과적으로 본 연구에서 제시하는 융빙호 탐지 방법을 통해 물과 얼음으로 덮인 융빙호를 구별하여 탐지할 수 있다. Sentinel-2 광학 영상을 활용하여 융빙호 탐지 결과의 정성적인 분석을 하였다. 그 결과 Sentinel-2 광학 영상으로 구분하기 어려운 표면이 물인 융빙호와 얼음인 융빙호를 ICESat-2를 활용해 효과적으로 분류하였다. 마지막으로 고도계 위성 및 광학 영상을 활용한 융빙호 탐지의 고찰을 서술하였다.

• 한국지구과학회지
• /
• 제42권5호
• /
• pp.536-555
• /
• 2021

해상풍은 해양의 표층 해류 및 순환, 혼합층, 열속의 변화를 주도하며 해양-대기 상호작용을 이해할 수 있는 중요한 변수이다. 인공위성의 발달에 따라 산란계 관측 자료를 기반으로 산출한 해상풍은 여러 목적으로 광범위하게 사용되어 왔다. 한반도 연안과 같은 복잡한 해양 환경에서 산란계 관측 해상풍은 해양 및 대기 현상 이해에 중요한 요소이다. 따라서 위성 해상풍의 정확도 검증 결과가 다양한 활용을 위하여 중요하게 활용될 수 있다. 본 연구에서는 대표적인 산란계인 MetOp-A/B (METeorological OPerational satellite-A/B)에 탑재된 ASCAT (Advanced SCATterometer) 해상풍 자료를 한반도 주변의 16개 지점에서 2020년 1월부터 12월까지 실측된 해양기상부이 해상풍 자료와 비교하여 해상풍의 정확도를 검증하였다. 해수면으로부터 4-5 m 고도에서 관측된 부이 바람은 LKB (Liu-Katsaros-Businger) 모델을 활용하여 10 m의 중립 바람으로 변환하였다. 일치점 생산 과정 결과 MetOp-A와 MetOp-B에 대하여 5,544개와 10,051개의 일치점을 만들었다. 각 위성 해상풍 풍속의 평균제곱근오차는 1.36 m s^-1와 1.28 m s^-1, 편차는 0.44 m s^-1와 0.65 m s^-1로 나타났다. 산란계의 풍향은 MetOp-A와 MetOp-B에서 각각 -8.03°와 -6.97°의 음의 편차와 32.46°와 36.06°의 평균제곱근오차를 보였다. 이러한 오차들은 해양-대기 경계층 내의 성층과 역학과 관련된 것으로 추정된다. 한반도 주변 해역에서 산란계 해상풍은 특히 풍속이 약한 구간에서 실측 풍속보다 과대추정되었다. 또한 연안으로부터의 거리가 가까워질수록 오차가 증폭되는 특성이 나타났다. 본 연구 결과는 산란계 해상풍 자료를 이용하는 해양-대기 상호작용 및 태풍 연구와 같은 한반도 연안 해역의 예측 모델 발전에 기여할 수 있을 것으로 기대된다.

• 생물환경조절학회지
• /
• 제30권4호
• /
• pp.367-376
• /
• 2021

우리나라 딸기 재배는 시설 재배로 이루어지고 있으며, 대부분 농가의 급액 관리는 재배자의 경험을 토대로 타이머 제어 방식으로 이루어지고 있다. 타이머 급액 방법은 재배 환경, 작물의 생육 단계, 배지 수분 함량 등을 고려하기 어려워 작물을 최적 수준으로 관리하지 못하고, 급액 관리의 정확성이 결여되는 문제점이 있다. 적산 일사량과 배지 수분함량을 이용한 급액 방법은 작물의 생육 상태에 따라 정밀하게 양액을 공급하는 친환경적인 방법이다. 본 연구는 코이어배지를 이용한 딸기 수경재배에서 적산일사량과 배지 수분함량을 이용한 복합 급액 제어와 타이머 제어 급액 방법을 비교하고 복합 급액 제어 시 최적의 적산 일사량 기준을 설정하고자 수행하였다. 적산일사량 급액 방법은 외부 일사량을 기준으로 100, 150, 250J·cm^-2에 도달하면 자동으로 급액하며 배지 수분함량이 60% 미만이면 강제 급액하고, 1회 급액량은 50mL로 공급하였다. 타이머 제어는 대조구로 설정하였다. 급액을 개시하는 적산 일사량 기준이 작을수록 일일급액량이 많았으며 100J·cm^-2 기준 급액 시 급액량은 250J·cm^-2 처리구 대비 46% 많았다. 지상부 생체중과 건물중 모두 복합 급액 제어 방법이 타이머 제어보다 높았으며, 100, 150J·cm^-2 처리구에서 지상부 생체중이 높았고 100J·cm^-2 처리구에서 건물중이 유의하게 높은 값을 나타냈다. 수량 또한 타이머 제어 방법보다 복합 제어 방법에서 유의하게 높았으며 적산 일사량 기준이 작을수록 초기 수량이 증가하였다. 평균 과중은 타이머 제어 급액 시 가장 낮았다. 본 연구 결과 딸기의 정밀 급액 관리를 위하여 적산 일사량과 배지 수분 함량 센서를 이용한 복합 제어 활용 가능성을 확인하였다.

• 대한원격탐사학회지
• /
• 제37권5_3호
• /
• pp.1475-1490
• /
• 2021

SAR 이미지의 통계적 특징을 이용하여 유류오염영역을 특정하는 방법은 분류규칙이 복잡하고 이상값에 의한 영향을 많이 받는다는 한계가 있어, 최근 인공신경망을 기반으로 유류오염영역을 특정하는 연구가 활발히 이루어지고 있다. 하지만, 다양한 유류오염 사례에 대해 모델의 탐지 성능 및 특성을 평가한 연구는 부족하였다. 따라서, 본 연구에서는 기본적인 구조의 CNN인 Simple CNN과 픽셀 단위의 영상 분할이 가능한 U-net을 이용하여, CNN의 구조와, 유류오염의 분포특성에 따른 모델의 탐지성능차이가 존재하는지 분석하였다. 연구결과, 축소경로만 존재하는Simple CNN과 축소경로와 확장경로가 모두 존재하는U-net의 F1 score는 86.24%와 91.44%로 나타나, 두 모델 모두 비교적 높은 탐지 정확도를 보여주었지만, U-net의 탐지성능이 더 높은 것으로 나타났다. 또한 다양한 유류오염 사례에 따른 모델의 성능 비교를 위해, 유류오염의 공간적 분포특성(유류오염 주변의 육지의 분포)과 선명도(유출된 기름과 해수의 경계면이 뚜렷한 정도)를 기준으로, 유류오염 발생사례를 4가지 유형으로 구분하여 탐지 정확도를 평가하였다. Simple CNN은 각각의 유형에 대해 F1 score가 85.71%, 87.43%, 86.50%, 85.86% 로 유형별 최대 편차가 1.71%인 것으로 나타났으며, U-net은 동일한 지표에 대해 89.77%, 92.27%, 92.59%, 92.66%의 F1 score를 보여 최대 편차가 2.90% 로 두 CNN모델 모두 유류오염 분포특성에 따른 수치상 탐지성능의 차이는 크지 않은 것으로 나타났다. 하지만 모든 유류오염 유형에서 Simple CNN은 오염영역을 과대탐지 하는 경향을, U-net은 과소탐지 하는 경향을 보여, 모델의 구조와 유류오염의 유형에 따라 서로 다른 탐지 특성을 가진다는 것을 확인하였고, 이러한 특성은 유류오염과 해수의 경계면이 뚜렷하지 않은 경우 더 두드러지게 나타났다.

• 대한원격탐사학회지
• /
• 제37권5_1호
• /
• pp.959-974
• /
• 2021

Forel-Ule Index (FUI)는 자연에 존재하는 담수 및 해수의 색을 남색부터 고동색까지 21 가지의 등급으로 구분하는 지표이다. FUI는 여러 선행연구에서 수계의 부영양화 지수, 수질인자, 광 특성 등과 연관 지어 분석되었으며, 여러 수질인자의 광학적 정보를 동시에 가지고 있는 새로운 수질 지표로써의 가능성이 제시되었다. 본 연구에서는 500 m의 높은 공간해상도를 가지는 정지궤도 해양위성해색탑재체(Geostationary Ocean Color Imager; GOCI) 관측 자료와 Random Forest (RF) 기계학습 기법을 활용하여 Ocean Colour-Climate Change Initiative(OC-CCI) 기반의 4 km FUI 자료를 공간 상세화 시켰다. 이를 활용하여 우리나라 연안 해역에 대한 수질인자와의 상관관계와 주요 해역에 대한 FUI의 공간적 분포 및 계절별 특성 변화를 분석하였다. 검증 결과 RF 기법으로 추정한 RF FUI는 결정계수(R²)=0.81, 평균 제곱근 오차(Root Mean Square Error; RMSE)=0.7784로, Pitarch의 OC-CCI FUI 알고리즘을 적용하여 계산한 GOCI FUI 추정 정확도(R²=0.72, RMSE=0.9708) 대비 향상된 결과를 보였다. RF FUI는 총 질소(Total Nitrogen), 총 인(Total Phosphorus), 클로로필-a(Chlorophyll-a), 총 부유물질(Total Suspended Solids), 투명도(Secchi Disk Depth)를 포함하는 5가지 수질인자와 각각 0.87, 0.88, 0.97, 0.65, -0.98의 상관계수로 강한 상관성을 보였다. 산출된 FUI의 시간적 패턴 역시 여러 수질인자와의 물리적 관계를 반영하며 유의미한 계절적 패턴의 변화를 보였다. 본 연구의 결과로 한반도 연안 수질 관리에서 고해상도 FUI의 활용 가능성을 제시하였다.

• 대한원격탐사학회지
• /
• 제37권5_2호
• /
• pp.1281-1293
• /
• 2021

최근 GOCI-II 위성이 발사되면서 우리나라는 세계 최초로 약 20년 동안 정지궤도상에 있는 천리안 해양위성 시리즈(GOCI, GOCI-II)를 운용하게 되었다. 본 연구에서는 GOCI-II 주요 해색산출물인 엽록소-a 농도(Chl-a), 유색용존유기물(CDOM), 원격반사도(R_rs)를 GOCI 자료와 비교 분석하여, 위성 임무초기 산출물의 현황을 파악하고 향후 천리안 해양위성 시리즈 데이터 구축을 위한 알고리즘 개선 방향을 논의한다. 2020년 황해, 남해, 울릉분지에서 GOCI-II의 엽록소-a 농도의 공간적인 분포는 GOCI 뿐 아니라 MODIS와도 잘 일치한다(상관계수: 0.83 이상). 특히, 여름철 울릉 분지 영역에서는 GOCI와 GOCI-II 자료의 엽록소-a 농도는 RMSE도 낮으며(~0.08), 편향성(Systematic Bias)도 거의 없었다. 선택된 모든 영역에서 490 nm와 555 nm 원격반사도는 GOCI와 GOCI-II 간 불확도가 낮고, 유사한 경향성이 나타났다. 그러나, 남해와 황해의 443 nm 원격반사도의 경우 GOCI-II가 GOCI에 비해 과소추정하여, 엽록소-a 농도와 유색용존유기물의 과다추정을 유도한다. 또한, 660 nm 원격반사도의 경우에도 systematic bias가 나타나 총부유입자 산출물에 영향을 줄 수 있다. 본 연구는 현재 GOCI-II 자료는 기본적으로 GOCI나 MODIS와 잘 일치하고 있어, 해양환경 관측을 위한 기본적인 신뢰도는 확보되었음을 의미한다. 그러나, 향후 GOCI-II 복사보정, 산출물 검보정, 알고리즘 개선으로 자료의 정량적인 정확도를 개선하는 연구가 반드시 필요하며, 이를 기반으로 20년간 천리안 해양위성자료의 일괄적 재처리로 GOCI, GOCI-II 연속성이 보장된 자료를 제공할 수 있다.

• 전기전자학회논문지
• /
• 제25권3호
• /
• pp.493-500
• /
• 2021

본 논문에서는 다각형 용기의 품질 향상을 위한 딥러닝 구조 개발을 제안한다. 딥러닝 구조는 convolution 층, bottleneck 층, fully connect 층, softmax 층 등으로 구성된다. Convolution 층은 입력 이미지 또는 이전 층의 특징 이미지를 여러 특징 필터와 convolution 3x3 연산하여 특징 이미지를 얻어 내는 층이다. Bottleneck 층은 convolution 층을 통해 추출된 특징 이미지상의 특징들 중에서 최적의 특징들만 선별하여 convolution 1x1 ReLU로 채널을 감소시키고convolution 3x3 ReLU를 실시한다. Bottleneck 층을 거친 후에 수행되는 global average pooling 연산과정은 convolution 층을 통해 추출된 특징 이미지의 특징들 중에서 최적의 특징들만 선별하여 특징 이미지의 크기를 감소시킨다. Fully connect 층은 6개의 fully connect layer를 거쳐 출력 데이터가 산출된다. Softmax 층은 입력층 노드의 값과 연산을 진행하려는 목표 노드 사이의 가중치와 곱을 하여 합하고 활성화 함수를 통해 0~1 사이의 값으로 변환한다. 학습이 완료된 후에 인식 과정에서는 학습 과정과 마찬가지로 카메라를 이용한 이미지 획득, 측정 위치 검출, 딥러닝을 활용한 비원형 유리병 분류 등을 수행하여 비원형 유리병을 분류한다. 제안된 다각형 용기의 품질 향상을 위한 딥러닝 구조의 성능을 평가하기 위하여 공인시험기관에서 실험한 결과, 양품/불량 판별 정확도 99%로 세계최고 수준과 동일한 수준으로 산출되었다. 검사 소요 시간은 평균 1.7초로 비원형 머신비전 시스템을 사용하는 생산 공정의 가동 시간 기준 내로 산출되었다. 따라서 본 본문에서 제안한 다각형 용기의 품질 향상을 위한 딥러닝 구조의 성능의 그 효용성이 입증되었다.

• 방송공학회논문지
• /
• 제26권4호
• /
• pp.453-462
• /
• 2021

자동차 번호인식을 위해선 수많은 번호판 데이터가 필요하다. 번호판 데이터는 과거의 번호판부터 최신의 번호판까지 균형 있는 데이터의 확보가 필요하다. 하지만 실제 과거의 번호판부터 최신의 번호판의 데이터를 획득하는데 어려움이 있다. 이러한 문제를 해결하기 위해 인조 번호판을 이용하여 자동차 번호판을 생성하여 딥러닝을 통한 번호판 인식 연구가 진행되고 있다. 하지만 인조 데이터는 실제 데이터와 차이가 존재하며, 이러한 문제를 해결하기 위해 다양한 데이터 증강 기법을 사용한다. 기존 데이터 증강 방식은 단순히 밝기, 회전, 어파인 변환, 블러, 노이즈등의 방법을 사용하였다. 본 논문에서는 데이터 증강 방법으로 인조데이터를 실제 데이터 스타일로 변환하는 스타일 변환 방법을 적용한다. 또한 실제 번호판 데이터는 원거리가 많고 어두운 경우 잡음이 많이 존재한다. 단순히 입력데이터를 가지고 문자를 인식할 경우 오인식의 가능성이 높다. 이러한 경우 문자인식 향상을 위해 본 논문에서는 문자인식을 위하여 화질개선 방법으로 DeblurGANv2 방법을 적용하여 번호판 인식 정확도를 높였다. 번호판 검출 및 번호판 번호인식을 위한 딥러닝의 방식은 YOLO-V5를 사용하였다. 인조 번호판 데이터 성능을 판단하기 위해 자체적으로 확보한 자동차 번호판을 수집하여 테스트 셋을 구성하였다. 스타일 변환을 적용하지 않은 번호판 검출이 0.614mAP를 기록하였다. 스타일 변환을 적용한 결과 번호판 검출 성능이 0.679mAP 기록하여 성능이 향상되었음을 확인하였다. 또한 번호판 문자인식에는 화질 개선을 하지 않은 검출 성공률은 0.872를 기록하였으며, 화질 개선 후 검출 성능이 0.915를 기록하여 성능 향상이 되었음을 확인 하였다.