• 한국농공학회논문집
• /
• 제64권1호
• /
• pp.15-26
• /
• 2022

3D open-field farm model developed from UAV (Unmanned Aerial Vehicle) data could make crop monitoring easier, also could be an important dataset for various fields like remote sensing or precision agriculture. It is essential to separate crops from the non-crop area because labeling in a manual way is extremely laborious and not appropriate for continuous monitoring. We, therefore, made a 3D open-field farm model based on UAV images and developed a crop segmentation model using a supervised machine learning algorithm. We compared performances from various models using different data features like color or geographic coordinates, and two supervised learning algorithms which are SVM (Support Vector Machine) and KNN (K-Nearest Neighbors). The best approach was trained with 2-dimensional data, ExGR (Excess of Green minus Excess of Red) and z coordinate value, using KNN algorithm, whose accuracy, precision, recall, F1 score was 97.85, 96.51, 88.54, 92.35% respectively. Also, we compared our model performance with similar previous work. Our approach showed slightly better accuracy, and it detected the actual crop better than the previous approach, while it also classified actual non-crop points (e.g. weeds) as crops.

• 한국산학기술학회논문지
• /
• 제14권7호
• /
• pp.3247-3252
• /
• 2013

정보기술의 융합화와 클라우드 컴퓨팅의 확산 등 빠르게 발전하는 정보통신기술은 학제간 융복합을 통해 새로운 교육의 패러다임 시대를 열고 있다. 정보통신기술의 발전에 따라 그동안 교육환경은 이러닝에서 유러닝을 거쳐 이제 스마트교육으로 변화되고 있다. 이미 교육계에서는 향후 교육환경의 변화를 가져올 스마트교육에 대한 다양한 연구들이 진행되고 있지만 스마트 환경이 구축될 교실공간, 곧 물리적 공간환경에 대한 연구는 거의 이루어지지 않고 있다. 이러한 문제의식 하에 본 연구는 교육의 새로운 패러다임으로 등장한 스마트교육과 스마트교육이 적용되는 물리공간의 특성을 살펴보았다. 그 결과 스마트교육이 적용될 물리공간은 공간의 소통성, 경계의 유연성, 요소의 다가성이 그 특성으로 나타남을 알 수 있었다.

• 한국항행학회논문지
• /
• 제16권3호
• /
• pp.495-503
• /
• 2012

사회의 변화에 따라 교육현장도 급격하게 발전하고 있다. 1996년 9월 1일 교수학습사이트인 에듀넷 시스템을 개발 보급한 이래 교수학습지원센터, 사이버가정학습 시스템을 비롯하여 진단처방시스템, 화상강의 및 상담시스템, 학력관리시스템을 지속하여 개발하였으나 상호 연계성이 부족하여 교육수요자들에게 큰 호응을 얻지 못하였다. 이는 여러 가지 원인이 있으나 새로운 변화를 예측하거나 비전을 제시하기보다 그 때마다 새로 구축하여 연속성이나 지속성을 고려하지 못한 결과이다. 스마트교육에 적합한 시스템은 독립된 시스템을 단순한 통합로그인에 의한 시스템보다 가장 기본이 되는 데이터베이스시스템에 빅데이터 개념을 도입, 다양한 데이터를 유용한 정보로 분석 가공하여 교육수요자에게 제공한 시스템으로 통합이 이루어 져야하며, 클라우드 컴퓨팅 시스템이 단순한 파일을 관리하고 응용프로그램을 제공하는 시스템이 아니라 다양한 형태의 콘텐츠와 데이터를 관리하고 제공할 수 있는 형태로 구축하여야 한다.

• 한국수학교육학회지시리즈E:수학교육논문집
• /
• 제34권4호
• /
• pp.545-561
• /
• 2020

이 연구의 목적은 국내외 인공지능을 활용한 수학교육 서비스의 주요 기능과 인공지능의 활용 가능성을 알아보는 것이다. 이 연구를 위해 최근 5년 이내에 발행한 자료를 중심으로 출판물 및 인터넷에서 "인공지능", "人工知能", "Artificial Intelligence" "AI". "수학교육"의 키워드를 독립적으로 또는 조합하여 검색하면서 관련 논문 및 보고서 그리고 인터넷 자료 등을 수집하여 분석하였다. 연구 결과, 수학교육을 위한 인공지능 서비스는 대부분 학습자의 개인별 수학 맞춤형 학습을 지원하고, 인간 수학 교사를 지원하기 위한 보조적인 역할로 규정하며, 인지적인 측면뿐만 아니라 정의적인 측면의 기술을 고도화하고 있었다. 제언으로, 정교한 수학 계통체계의 구축을 위한 연구, 인공지능 기술을 발굴하여 수학교육에 활용하는 방안, 인공지능 활용을 위한 양질의 수학 콘텐츠를 개발, 수학교육을 위한 클라우드 기반의 종합 시스템 구축과 운영이 필요함을 주장하였다.

• 한국컴퓨터정보학회논문지
• /
• 제25권12호
• /
• pp.63-71
• /
• 2020

본 논문에서는 최근 가장 신뢰도 높은 인공지능 탐지 알고리즘인 YOLOv3와 EfficientDet을 이용한 화재 탐지 기술과 문자, 웹, 앱, 이메일 등 4종류의 알림을 동시에 전송하는 알림서비스 그리고 화재 탐지와 알림서비스를 연동하는 AWS 시스템을 제안한다. 우리의 정확도 높은 화재 탐지 알고리즘은 두 종류인데, 로컬에서 작동하는 YOLOv3 기반의 화재탐지 모델은 2000개 이상의 화재 데이터를 이용해 데이터 증강을 통해 학습하였고, 클라우드에서 작동하는 EfficientDet은 사전학습모델(Pretrained Model)에서 추가로 학습(Transfer Learning)을 진행하였다. 4종류의 알림서비스는 AWS 서비스와 FCM 서비스를 이용해 구축하였는데, 웹, 앱, 메일의 경우 알림 전송 직후 알림이 수신되며, 기지국을 거치는 문자시스템의 경우 지연시간이 1초 이내로 충분히 빨랐다. 화재 영상의 화재 탐지 실험을 통해 우리의 화재 탐지 기술의 정확성을 입증하였으며, 화재 탐지 시간과 알림서비스 시간을 측정해 화재 발생 후 알림 전송까지의 시간도 확인해보았다. 본 논문의 AI 화재 탐지 및 알림서비스 시스템은 과거의 화재탐지 시스템들보다 더 정확하고 빨라서 화재사고 시 골든타임 확보에 큰 도움을 줄 것이라고 기대된다.

• 지능정보연구
• /
• 제26권2호
• /
• pp.1-25
• /
• 2020

본 연구에서는 모바일 기기를 이용하여 획득한 가스계량기 사진을 서버로 전송하고, 이를 분석하여 가스 사용량 및 계량기 기물 번호를 인식함으로써 가스 사용량에 대한 과금을 자동으로 처리할 수 있는 응용 시스템 구조를 제안하고자 한다. 모바일 기기는 일반인들이 사용하는 스마트 폰에 준하는 기기를 사용하였으며, 획득한 이미지는 가스 공급사의 사설 LTE 망을 통해 서버로 전송된다. 서버에서는 전송받은 이미지를 분석하여 가스계량기 기물 번호 및 가스 사용량 정보를 추출하고, 사설 LTE 망을 통해 분석 결과를 모바일 기기로 회신한다. 일반적으로 이미지 내에는 많은 종류의 문자 정보가 포함되어 있으나, 본 연구의 응용분야인 가스계량기 자동 검침과 같이 많은 종류의 문자 정보 중 특정 형태의 문자 정보만이 유용한 분야가 존재한다. 본 연구의 응용분야 적용을 위해서는 가스계량기 사진 내의 많은 문자 정보 중에서 관심 대상인 기물 번호 및 가스 사용량 정보만을 선별적으로 검출하고 인식하는 관심 문자열 인식 기술이 필요하다. 관심 문자열 인식을 위해 CNN (Convolutional Neural Network) 심층 신경망 기반의 객체 검출 기술을 적용하여 이미지 내에서 가스 사용량 및 계량기 기물번호의 영역 정보를 추출하고, 추출된 문자열 영역 각각에 CRNN (Convolutional Recurrent Neural Network) 심층 신경망 기술을 적용하여 문자열 전체를 한 번에 인식하였다. 본 연구에서 제안하는 관심문자열 기술 구조는 총 3개의 심층 신경망으로 구성되어 있다. 첫 번째는 관심 문자열 영역을 검출하는 합성곱신경망이고, 두 번째는 관심 문자열 영역 내의 문자열 인식을 위해 영역 내의 이미지를 세로 열 별로 특징 추출하는 합성곱 신경망이며, 마지막 세 번째는 세로 열 별로 추출된 특징 벡터 나열을 문자열로 변환하는 시계열 분석 신경망이다. 관심 문자열은 12자리 기물번호 및 4 ~ 5 자리 사용량이며, 인식 정확도는 각각 0.960, 0.864 이다. 전체 시스템은 Amazon Web Service 에서 제공하는 클라우드 환경에서 구현하였으며 인텔 제온 E5-2686 v4 CPU 및 Nvidia TESLA V100 GPU를 사용하였다. 1일 70만 건의 검침 요청을 고속 병렬 처리하기 위해 마스터-슬레이브 처리 구조를 채용하였다. 마스터 프로세스는 CPU 에서 구동되며, 모바일 기기로 부터의 검침 요청을 입력 큐에 저장한다. 슬레이브 프로세스는 문자열 인식을 수행하는 심층 신경망으로써, GPU에서 구동된다. 슬레이브 프로세스는 입력 큐에 저장된 이미지를 기물번호 문자열, 기물번호 위치, 사용량 문자열, 사용량 위치 등으로 변환하여 출력 큐에 저장한다. 마스터 프로세스는 출력 큐에 저장된 검침 정보를 모바일 기기로 전달한다.