• 한국측량학회지
• /
• 제39권6호
• /
• pp.507-513
• /
• 2021

GPR (Ground Penetrating RADAR)은 도로의 포장 상태 및 싱크홀, 지하관로를 검사하는 센서로 도로관리에 활발히 사용되는 센서이다. MMS (Mobile Mapping System)는 도로 표면과 주변 환경에 대한 정확한 정밀 도로 지도를 제공한다. 두 종류의 데이터가 동일한 지역에서 구축되면 지상과 지하의 공간정보를 동시에 구축할 수 있어서 효율적이며 육안으로 도로와 도로 주변의 중요 시설물, 지하의 관로 위치등을 파악할 수 있어서 현장에 대한 직관적인 이해가 가능하여 도로나 시설물을 관리하는데 있어서 유용한 도구가 된다. 그러나 이러한 최신 기술을 적용한 해외의 장비는 고가이며 국내 실정에 맞지 않다. 해외 개발 장비를 대체하고 향후 국산 장비를 개발할 수 있는 원천기술을 확보하기 위해 LiDAR (Light Detection And Raging)와 GNSS/INS (Global Navigation Satellite System / Inertial Navigation System)를 동기화 하고, 동일한 GNSS/INS에 GPR 데이터도 동기화 하였다. 동기화된 GPR 데이터를 취득 당시의 GNSS/INS의 위치와 자세정보를 이용하여 지오레퍼런싱을 수행하는 소프트웨어를 개발하였다. 개활지와 비개활지로 구분하여 도로 현장에서 실험을 수행하였으며, LiDAR를 통해 취득되는 3D 포인트 클라우드 데이터를 통해서 지상의 도로와 주변 시설물을 육안으로 쉽게 확인할 수 있었다. 지오레퍼런싱된 GPR 데이터도 점군데이터와 함께 3D 뷰어로 볼 수 있었으며, 지하의 시설물의 위치를 GPR 데이터를 통해 쉽고 빠르게 확인할 수 있었다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2022년도 추계학술대회
• /
• pp.562-565
• /
• 2022

최근 증가하고 있는 도로 위 적재 불량 화물차는 비정상적인 무게 중심으로 인해 물체 낙하, 도로 파손, 연쇄 추돌 등 교통 안전에 위해가 되고 한번 사고가 발생하면 큰 피해가 유발할 수 있다. 하지만 이러한 비정상적인 무게 중심은 적재 불량 차량 인식을 위한 주행 중 축중 시스템으로는 검출이 불가능하다는 한계점이 있다. 본 논문에서는 이러한 사회 문제를 야기하는 적재 불량 차량을 관리하기 위한 객체 인식 기반 AI 모델을 구축하고자 한다. 또한 AI-Hub에 공개된 약 40만장의 대형차, 소형차, 중형차 별 적재 불량 차량과 일반차량으로 구분 된 데이터 셋 중 종류별로 제공되는 CCTV, 블랙박스, 카메라 시점의 적재 불량 차량 데이터 셋을 분석하여 전처리를 통해 적재 불량 차량 검지 AI 모델의 성능을 향상시키는 방법을 제시한다. 이를 통해, 원시 데이터를 활용한 학습 성능 대비 약 23% 향상된 적재 불량 차량의 검출 성능을 나타냄을 보였다. 본 연구 결과를 통해 공개 빅데이터를 보다 효율적으로 활용하여, 객체 인식 기반 적재 불량 차량 탐지 모델 개발에 적용할 수 있을 것으로 기대된다.

• 대한원격탐사학회지
• /
• 제39권3호
• /
• pp.269-282
• /
• 2023

본 연구는 딥러닝 모델(deep learning model)을 활용하여 토지피복분류를 수행하였으며 입력 이미지의 크기, Stride 적용 등 데이터세트(dataset)의 조절을 통해 토지피복분류를 위한 최적의 딥러닝 모델 선정을 목적으로 하였다. 적용한 딥러닝 모델은 3종류로 Encoder-Decoder 구조를 가진 U-net과 DeeplabV3+, 두 가지 모델을 결합한 앙상블(Ensemble) 모델을 활용하였다. 데이터세트는 RapidEye 위성영상을 입력영상으로, 라벨(label) 이미지는 Intergovernmental Panel on Climate Change 토지이용의 6가지 범주에 따라 구축한 Raster 이미지를 참값으로 활용하였다. 딥러닝 모델의 정확도 향상을 위해 데이터세트의 질적 향상 문제에 대해 주목하였으며 딥러닝 모델(U-net, DeeplabV3+, Ensemble), 입력 이미지 크기(64 × 64 pixel, 256 × 256 pixel), Stride 적용(50%, 100%) 조합을 통해 12가지 토지피복도를 구축하였다. 라벨 이미지와 딥러닝 모델 기반의 토지피복도의 정합성 평가결과, U-net과 DeeplabV3+ 모델의 전체 정확도는 각각 최대 약 87.9%와 89.8%, kappa 계수는 모두 약 72% 이상으로 높은 정확도를 보였으며, 64 × 64 pixel 크기의 데이터세트를 활용한 U-net 모델의 정확도가 가장 높았다. 또한 딥러닝 모델에 앙상블 및 Stride를 적용한 결과, 최대 약 3% 정확도가 상승하였으며 Semantic Segmentation 기반 딥러닝 모델의 단점인 경계간의 불일치가 개선됨을 확인하였다.

• Asia Marketing Journal
• /
• 제12권4호
• /
• pp.183-201
• /
• 2011

아주캐피탈의 경우에는 M&A 이후에 사용된 브랜드 전략은 두 회사 브랜드 중에서 하나의 브랜드만을 사용하는 단일 브랜드(one brand) 전략을 사용하는 것으로 결정하였다. 이를 위해서 M&A 이후에도 충분한 브랜드 이전 기간을 가지면서 기존의 대우캐피탈과 관련된 마케팅 하부구조(infrastructure)를 이전시키는 작업을 효과적으로 진행하였다. 흡수합병과정에서 아주캐피탈은 피 합병브랜드인 대우캐피탈을 우선적으로 사용하고 이전 단계를 거쳐서 아주캐피탈로 단일 브랜드로 운용하는 전략을 결정하였다. 즉 대우캐피탈이 아주그룹에 편입된 시기는 2005년이지만 적절한 때 사명을 바꿔 '대우'의 긍정적 브랜드 이미지를 이어가면서 '아주'의 론칭효과를 극대화했다. 이를 위해서 아주캐피탈은 조심스럽고 정교한 브랜드 이전전략을 수립하였다. 1) 대우캐피탈의 개별 상품 브랜드 "내게론" 강화를 통한 브랜드 연결화(Brand bridge) 전략 2) 고객에 대한 고객만족의 강화를 통한 아주캐피탈의 브랜드 이미지 구축 3) 아주 캐피탈 브랜드 단일화 단계 (2009년 9월-현재)를 거쳐 브랜드 이전 작업을 완성하였다. 현재 아주캐피탈 영업부문은 전문화를 통해 질적 성장을 구현하고 있다. 기존에 한 지점에서 여러 상품을 취급하던 것을 각 상품별로 전문화해 체계적인 양질의 영업 포트폴리오를 구축한다는 전략이다. 2009년에는 강남 지역에 수입차 전문 지점을 오픈했고 중고차는 6개의 전문 지점으로 확대했다. 아울러 개인신용대출 '내게론'의 영업지점을 3개에서 11개로 대폭 확대하기도 했다. 최근에는 주력인 오토금융 외에도 개인 및 기업금융에 활력을 불어 넣을 것으로 기대하고 있다.

• 전기전자학회논문지
• /
• 제28권2호
• /
• pp.150-157
• /
• 2024

본 논문은 딥러닝 기반 객체 탐지 모델과 다항 회귀모델을 이용하여 사과나무에 열린 사과의 개수를 예측할 수 있는 새로운 알고리즘을 제안한다. 사과나무에 열린 사과의 개수를 측정하면 사과 생산량을 예측할 수 있고, 농산물 재해 보험금 산정을 위한 손실을 평가하는 데에도 활용할 수 있다. 사과 착과량 측정을 위해 사과나무의 앞면과 뒷면을 촬영하였다. 촬영된 사진에서 사과를 식별하여 라벨링한 데이터 세트를 구축하였고, 이 데이터 세트를 활용하여 1단계 객체 탐지 방식의 CNN 모델을 학습시켰다. 그런데 사과나무에서 사과가 나뭇잎, 가지 등으로 가려진 경우 영상에 포착되지 않아 영상 인식 기반의 딥러닝 모델이 해당 사과를 인식하거나 추론하는 것이 어렵다. 이 문제를 해결하기 위해, 우리는 두 단계로 이루어진 추론 과정을 제안한다. 첫 번째 단계에서는 영상 기반 딥러닝 모델을 사용하여 사과나무의 양쪽에서 촬영한 사진에서 각각의 사과 개수를 측정한다. 두 번째 단계에서는 딥러닝 모델로 측정한 사과 개수의 합을 독립변수로, 사람이 실제로 과수원을 방문하여 카운트한 사과 개수를 종속변수로 설정하여 다항 회귀 분석을 수행한다. 본 논문에서 제안하는 2단계 추론 시스템의 성능 평가 결과, 각 사과나무에서 사과 개수를 측정하는 평균 정확도가 90.98%로 나타났다. 따라서 제안된 방법은 수작업으로 사과의 개수를 측정하는 데 드는 시간과 비용을 크게 절감할 수 있다. 또한, 이 방법은 딥러닝 기반 착과량 예측의 새로운 기반 기술로 관련 분야에서 널리 활용될 수 있을 것이다.

• 한국정보과학회논문지:컴퓨팅의 실제 및 레터
• /
• 제14권1호
• /
• pp.1-12
• /
• 2008

본 논문에서는 야외 및 실내에서 촬영된 차량 영상에 대해 실시간으로 차량 색상을 인식할 수 있는 GPU(Graphics Processing Unit) 기반의 알고리즘을 제시한다. 전처리 과정에서는 차량 색상의 표본 영상들로부터 특징벡터를 계산한 뒤, 이들을 색상 별로 조합하여 GPU에서 사용할 참조 텍스쳐(Reference texture)로 저장한다. 차량 영상이 입력되면, 특징벡터를 계산한 뒤 GPU로 전송하고, GPU에서는 참조 텍스쳐 내의 표본 특징리터들과 비교하여 색상 별 유사도를 측정한 뒤 CPU로 전송하여 해당 색상명을 인식한다. 분류의 대상이 되는 색상은 가장 흔히 발견되는 차량 색상들 중에서 선택한 7가지 색상이며, 검정색, 은색, 흰색과 같은 3가지의 무채색과 빨강색, 노랑색, 파랑색, 녹색과 같은 4가지의 유채색으로 구성된다. 차량 영상에 대한 특징벡터는 차량 영상에 대해 HSI(Hue-Saturation-Intensity) 색상모델을 적용하여 색조-채도 조합과 색조-명도 조합으로 색상 히스토램을 구성하고, 이 중의 채도 값에 가중치를 부여함으로써 구성한다. 본 논문에서 제시하는 알고리즘은 다양한 환경에서 촬영된 많은 수의 표본 특징벡터를 사용하고, 색상 별 특성을 뚜렷이 반영하는 특징벡터를 구성하였으며, 적합한 유사도 측정함수(likelihood function)를 적용함으로써, 94.67%에 이르는 색상 인식 성공률을 보였다. 또한, GPU를 이용함으로써 대량의 표본 특징벡터의 집합과 입력 영상에 대한 특징벡터 간의 유사도 측정 및 색상 인식과정을 병렬로 처리하였다. 실험에서는, 색상 별로 1,024장씩, 총 7,168장의 차량 표본 영상을 이용하여 GPU에서 사용하는 참조 텍스쳐를 구성하였다. 특징벡터의 구성에 소요되는 시간은 입력 영상의 크기에 따라 다르지만, 해상도 $150{\times}113$의 입력 영상에 대해 측정한 결과 평균 0.509ms가 소요된다. 계산된 특징벡터를 이용하여 색상 인식의 수행시간을 계산한 결과 평균 2.316ms의 시간이 소요되었고, 이는 같은 알고리즘을 CPU 상에서 수행한 결과에 비해 5.47배 빠른 속도이다. 본 연구에서는 차량만을 대상으로 하여 색상 인식을 실험하였으나, 일반적인 피사체의 색상 인식에 대해서도 제시된 알고리즘을 확장하여 적용할 수 있다.

• 한국의류학회지
• /
• 제31권6호
• /
• pp.848-858
• /
• 2007

의복의 자아 근접성 개념을 기반으로 한 여러 연령층의 설문조사 결과를 바탕으로 하여 2004년에 Sontag과 Lee가 객관적 측정도구, 의복의 자아 근접성 척도(PCS Scale)를 개발하였다. Sontag과 Lee는 24-항목을 포함한 4-요인으로 구성된 PCS 척도를 청소년층을 대상으로 타당화 하였다. 본 연구는 그들 연구의 연계로 초기 6-요인으로 구성되었던 PCS 척도를 노년층에 적용하여 19-항목을 포함한 3-요인으로 구성된 PCS 척도를 타당화 한다. 65세 이상의 노인층이 본 연구의 표본집단으로 설정되었고 임의 표집방법을 이용, 미국 전역 1,700명의 노년 표본이 표본조사회사로부터 구입되었다. 2004년 11월 설문조사가 시작되어 2005년 2월에 총 250개의 이용 가능한 설문자료가 수집되었다(15.6%의 응답 비율). PCS 척도의 타당성을 검증하기 위하여 Sontag과 Lee의 연구에서 사용한 요인분석과 신뢰도분석을 동일하게 3단계 절차로 노인층을 대상으로 실시하였다. AMOS 5.0 을 사용한 3단계 신뢰도 분석 결과 19-항목을 포함한 3-요인으로 구성된 PCS척도의 타당성이 노인층을 대상으로 검증되었다. 노인층의 PCS척도는 다음의 3-요인으로 구성된다: 1) 의복이 자아 구성 과정에 미치는 영향(PCS 요인 1-2-3의 병합), 2) 의복이 평가적이고 정서적인 자존 형성과정에 미치는 영향(PCS 요인 4-5의 병합), 그리고 3) 의복이 신체상과 신체에 쏟는 정신 집중정도에 미치는 영향(PCS 요인 6). Sontag과 Lee가 초기적으로 가설한 6-요인 PCS 척도는 청소년층과 노인층을 대상으로 한 어느 연구에서도 검증되지 않았다. 더 나아가, 이들이 검증한 청소년층의 4-요인 PCS 척도도 노인층을 대상으로 한 연구에서 검증되지 않았다. 이는 노인들의 자아 구성 이젊은 층보다 더 통괄/복합적인 것에서 기인된다고 보인다. 이 글은 PCS 척도의 앞으로의 연구방향과 이용방향을 끝으로 마무리 지어 진다.

• 마케팅과학연구
• /
• 제18권2호
• /
• pp.65-88
• /
• 2008

본 연구는 중국 프랜차이즈 시스템에 참여하는 본부와 가맹점 사이의 신뢰에 영향을 미치는 요인에 대해서 규명하고자 하였다. 중국의 외식 프랜차이즈 산업 가맹점을 조사대상으로 한 실증분석 결과, 프랜차이즈 시스템에서는 신뢰의 형성이 매우 중요하며, 이를 위하여 본부의 가맹점에 대한 지원의 강화, 양자 간의 원활한 커뮤니케이션, 가맹점의 과거결과에 대한 만족의 증진, 양자 간의 갈등 예방 및 해소가 필요하며, 이러한 본부의 가맹점에 대한 지원과 원활한 커뮤니케이션이 가맹점의 과거결과에 대한 만족을 증가시킬 수 있고, 원활한 커뮤니케이션이 양자 간의 갈등을 감소시킬 수 있는 것으로 나타났다.

• 한국습지학회지
• /
• 제10권2호
• /
• pp.115-128
• /
• 2008

도시화 및 산업화 등 인간의 다양한 활동은 하천의 주요 오염원으로 평가되어져 왔다. 현재 하천의 수질에 악영향을 미치는 요인으로 토지의 이용 및 축산업에 따른 비점오염원을 관리하기 위한 다양한 연구들이 이루어고 있으며, 이 가운데 서울을 비롯한 경기도의 상수원을 공급하는 주요 수자원으로 이용되고 있는 팔당호의 관리 방안에 대한 초유의 관심이 모아지고 있는 실정이다. 지금까지 팔당호의 수질개선을 위한 노력의 일환으로 경안천 살리기 운동과 같은 지자체의 노력이 이루어지고 있으며, 상당한 액수의 경비를 소요하고 있는 실정이다. 특히, 경안천 하류에 대단위 인공습지 조성사업을 계획 시행하고 있으며, 이와 더불어 하수처리장의 신설 및 증설이 이루어지고 있어 팔당호 수질의 주요인으로 인정되고 있는 경안천의 수질이 상당 부분 개선될 것으로 전망되어지고 있다. 하지만 지금까지의 그러한 수질개선사업은 근본적인 원인 분석 및 적극적 대안 제시가 아닌 아쉬움을 내포하고 있어 보다 세밀하고 과학적인 분석이 우선시되어져야 한다. 따라서 본 연구에서는 경안천 수질 개선을 위한 수질 및 부하량 분포를 공간적으로 파악함과 동시에 고해상도 위성영상을 통한 대상지의 토지이용행태 분석과 GIS분석을 통한 습지의 입지 가능성을 분석하고, 이들의 종합적인 조건에 부합할 수 있는 인공습지의 위치 및 규모를 산정하고자 하였다. 연구의 진행은 (1) 수질 및 부하량에 대한 공간분석을 통한 최대 오염부하 구역을 선정, (2)고해상도 위성영상을 통한 토지이용 현황 파악, (3) 습지 조성 가능 대상지의 위치 선정, (4) GIS를 이용한 인공습지의 면적 및 체적 산정 등으로 이루어졌다. 기본적으로 인공습지의 규모는 수자원공사에서 제공하고 있는 습지처리효율에 따른 설계기준을 통해 유도되었으며, 그 결과 경안천 일대에 2개 구역(용인하수처리장 부근, 대대천 주북천 일대)에서 인공습지의 조성이 필요하다고 판단되었고, 그 면적은 각각 $127,586m^2$과 $1,647m^2$로 책정되었다.

• Journal of the Korean Academy of Child and Adolescent Psychiatry
• /
• 제14권1호
• /
• pp.81-94
• /
• 2003

목 적：발달성 읽기 장애는 정상적인 읽기 능력의 현저한 발달 저하나 지속적인 오류를 보이는 질환이며, 학령기 아동의 $3{\sim}7$%에서 관찰된다. 기존에 사용되는 기초학습기능검사의 단점을 보완하고 발달성 읽기 장애의 진단과 평가를 위해 단어/비단어 읽기 검사와 글자기호감별검사의 신뢰도와 타당도를 검증하였다. 방 법：DSM-IV의 진단 기준과 임상적인 판단에 근거하여 읽기 장애 아동 63명(평균 연령 10.48세)과 정상 아동 77명(평균 연령 10.33세)을 대상으로 하였다. 이들에게 기초학습기능검사의 읽기 I과 II목을 실시하였고, 단어/비단어 읽기 검사와 글자기호감별검사를 시행하였다. 단어/비단어 읽기 검사는 각 100문항씩의 익숙한 단어와 의미를 갖지 않는 생소한 비단어를 각각 1.2초와 2.4초안에 읽도록 하여, 이를 통해 자동화된 음운 처리 능력과 의식적인 글자-음소 처리 능력을 평가하였다. 글자기호감별검사를 통해 읽기 장애 환자들이 오류를 일으키는 거울상 반전 글자들의 조합을 판별하는 능력을 검사하였다. 이들 검사의 내적 일치도 등의 신뢰도 검사와 공존타당도, 구성타당도, 판별타당도 등을 검증하였다. 결 과：단어/비단어 읽기 검사는 내적 일치도가 0.96으로서 신뢰할 수 있고, 기초학습기능검사와 0.94의 공존타당도를 나타내었으며, 단어와 비단어 모두 발달성 읽기 장애와 정상 아동을 통계적으로 구분할 수 있었고, 판별 분석에서 원집단에 속한 83.0%를 정확하게 판별할 수 있었다. 글자기호감별검사는 내적 일치도가 0.86으로서 신뢰할 수 있고, 기초학습기능검사와 0.86의 공존타당도를 나타내었으며, 요인 분석 결과 안구 운동 거울상 처리, 전반적 정확성, 거울상 반전 오류, 정지상 처리, 전반적 기민성 부족, 부주의-충동성 등의 여섯 요인으로 구성되어 있었다. 글자기호감별검사의 각 항목 별로 발달성 읽기 장애와 정상 아동을 통계적으로 구분할 수 있었으며, 판별분석에서 원집단에 속한 대상의 87.3%를 정확하게 판별할 수 있었다. 결 론：발달성 읽기 장애 아동은 읽기 과정의 자동적인 시각-의미 연결 기전과 의식적인 형태소-음소 상응 규칙 적용 능력 모두에서 장애를 보였으며, 거울상 반전 오류 등 시각적 정보 처리 기능의 장애도 나타내었다. 이들 장애는 단어/비단어 읽기 검사와 글자기호감별검사를 통해 신뢰할 수 있고 타당성 있게 구분하고 평가할 수 있었다.