• Journal of Radiation Protection and Research
• /
• 제35권2호
• /
• pp.69-76
• /
• 2010

현재 개발중에 있는 이중 산란형 컴프턴 카메라는 두 대의 산란부 검출기(양면 실리콘 스트립 검출기, DSSD)와 하나의 흡수부 검출기(NaI(Tl) 섬광 검출기)로 구성되며, 소형이면서도 높은 영상해상도를 제공할 수 있는 구조를 가지고 있다. 본 연구에서는 이중 산란형 컴프턴 카메라를 구성하고 있는 감마선 검출기들의 에너지 분해능 및 시간 분해능을 평가하고, 산란부 검출기의 에너지 분해능에 영향을 미치는 인자들을 등가 노이즈 전하(equivalent noise charge)를 통하여 분석하였다. DSSD-1은 평균적으로 59.5 keV 피크($^{241}Am$)에 대하여 $25.2keV{\pm}0.8keV$ FWHM의 에너지 분해능을 보였으며, DSSD-2는 $31.8keV{\pm}4.6keV$ FWHM의 에너지 분해능 지니고 있는 것으로 확인되었다. DSSD의 시간 분해능은 57.25 ns FWHM으로 평가되었고, NaI(Tl) 섬광 검출기의 시간 분해능은 7.98 ns FWHM이었다. 또한 이중산란형 컴프턴 카메라를 이용하여 $^{137}Cs$ 점선원에 대한 컴프턴 영상을 획득한 후 성능을 평가하였다. 이번 실험을 통해서 영상해상도 8.4 mm FWHM (각 분해능 $8.1^{\circ}$ FWHM)을 획득하였고, 영상감도는 $1.5{\times}10^{-7}$(고유 효율=$1.9{\times}10^{-6}$)으로 나타났다.

• Journal of Radiation Protection and Research
• /
• 제39권2호
• /
• pp.81-88
• /
• 2014

최근, 인체 내 양성자 빔의 선량 분포를 검증하기 위해 새로운 개념의 영상기법인 감마 꼭지점 영상(gamma vertex imaging, GVI)이 제안되었다. GVI는 양성자 빔과 매질과의 핵반응으로 인해 발생하는 즉발감마선의 발생 위치를 결정하기 위해 입사한 감마선을 전자 변환기에서 전자로 변환한 후 전자의 궤적을 추적하는 방법을 사용한다. GVI 영상장치는 감마선을 전자로 변환하기 위한 전자 변환기, 전자 궤적을 추적하기 위한 2대의 양면 실리콘 스트립 검출기(double-sided silicon strip detector, DSSD)와 전자의 에너지 결정을 위한 섬광체 흡수부 검출기로 이루어진다. 본 연구에서는 GVI 영상 장치를 구성하는 DSSD 전용의 신호처리 장치를 구성하는 핵심 장치인 전하 민감형 전치증폭기(charge sensitive preamplifier, CSP) 모듈과 성형 증폭기 모듈을 개발하였으며, 상용 제품과 성능을 비교해 보았다. 감마선원의 에너지 스펙트럼 측정 결과, 자체제작 CSP 모듈이 상용 제품보다 에너지 분해능이 약간 낮은 것을 확인하였으며, 성형 증폭기의 경우 거의 동일한 성능을 보여주는 것을 확인할 수 있었다. 개발된 신호처리 장치의 노이즈의 크기를 나타내는 $V_{rms}$ 값은 6.48 keV으로 평가되었으며, 이는 145 ${\mu}m$의 DSSD에 전달되는 전자의 에너지( > ~51 keV)를 고려할 때 본 장치를 이용하여 전자의 궤적을 충분히 정확하게 결정할 수 있음을 확인할 수 있음을 보여준다.

• 대한방사선방어학회:학술대회논문집
• /
• 대한방사선방어학회 2011년도 추계 학술발표회 및 심포지엄
• /
• pp.240-241
• /
• 2011

• 산업공학
• /
• 제2권1호
• /
• pp.59-68
• /
• 1989

The determination of the optimal depreciation as constrained by the tax law is very complicated computation which is laborious and time-comsurning process. The objective of this research effort is to develop a Decision Support System for Depreciation(DSSD) that can be used by a decision maker to analyze alternative depreciation strategies and to select that strategy which will be most beneficial to the firm from a tax and net profit standpoint.

• 대한방사선기술학회지:방사선기술과학
• /
• 제34권3호
• /
• pp.215-219
• /
• 2011

양성자 치료에서 X선 영상정보가 직접적인 양성자의 저지능 정보를 제공할 수 없는 한계로 인한 자료의 오류를 피하기 위해, 양성자 빔을 이용한 전산화단층촬영 영상의 사용을 위한 전산모사 연구를 시행하고, 적절한 하드웨어 구성과 그 가능성을 연구하였다. GEANT4를 사용한 전산모사에서 두 개의 DSSD를 사용하여 입사되는 양성자 빔의 위치정보를 획득하고 LYSO 섬광검출기로 에너지를 측정하여 획득한 양성자 영상을 단층촬영 영상으로 재구성하여 사용할 수 있음을 확인하였다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2021년도 춘계학술발표대회
• /
• pp.418-421
• /
• 2021

모바일 디바이스 화면에 대하여 클릭 가능한 객체를 인식하기 위한 Object detection network architecture 를 제안한다. DSSD 를 Baseline 으로 SE block 이 추가된 Backbone network 와 SSD layer, FPN 구조를 사용한다. 기존의 1:1 비율의 네트워크의 Input resolution 을 모바일 화면과 유사한 1:2 비율로 변경하여 효율적으로 피처를 추출한다. 또한 해당 모델을 학습하기 위한 효율적인 데이터셋을 구축한다. 모바일 화면에서 클릭 가능한 객체를 기준으로 데이터를 수집하여 총 24,937 개의 Annotation data 를 Text, Image, Button, Region 등 8 개의 카테고리로 세분화하였다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제13권4호
• /
• pp.1795-1811
• /
• 2019

In order to achieve rapid and accurate detection of vehicle objects in complex traffic conditions, we propose a novel vehicle detection method. Firstly, more contextual and small-object vehicle information can be obtained by our Joint Feature Network (JFN). Secondly, our Evolved Region Proposal Network (EPRN) generates initial anchor boxes by adding an improved version of the region proposal network in this network, and at the same time filters out a large number of false vehicle boxes by soft-Non Maximum Suppression (NMS). Then, our Mask Network (MaskN) generates an example that includes the vehicle occlusion, the generator and discriminator can learn from each other in order to further improve the vehicle object detection capability. Finally, these candidate vehicle detection boxes are optimized to obtain the final vehicle detection boxes by the Fine-Tuning Network(FTN). Through the evaluation experiment on the DETRAC benchmark dataset, we find that in terms of mAP, our method exceeds Faster-RCNN by 11.15%, YOLO by 11.88%, and EB by 1.64%. Besides, our algorithm also has achieved top2 comaring with MS-CNN, YOLO-v3, RefineNet, RetinaNet, Faster-rcnn, DSSD and YOLO-v2 of vehicle category in KITTI dataset.