• Macromolecular Research
• /
• 제10권1호
• /
• pp.2-12
• /
• 2002

The small-angle X-ray scattering (SAXS) beamline BL4C1 at the 2.5 GeV storage ring of the Pohang Accelerator Laboratory (PAL) has been in its first you of operation since August 2000. During this first stage it could meet the basic requirements of the rapidly growing domestic SAXS user community, which has been carrying out measurements mainly on various polymer systems. The X-ray source is a bending magnet which produces white radiation with a critical energy of 5.5 keV. A synthetic double multilayer monochromator selects quasi-monochromatic radiation with a bandwidth of ca. 1.5%. This relatively low degree of monochromatization is sufficient for most SAXS measurements and allows a considerably higher flux at the sample as compared to monochromators using single crystals. Higher harmonics from the monochromator are rejected by reflection from a flat mirror, and a slit system is installed for collimation. A charge-coupled device (CCD) system, two one-dimensional photodiode arrays (PDA) and imaging plates (IP) are available its detectors. The overall performance of the beamline optics and of the detector systems has been checked using various standard samples. While the CCD and PDA detectors are well-suited for diffraction measurements, they give unsatisfactory data from weakly scattering samples, due to their high intrinsic noise. By using the IP system smooth scattering curves could be obtained in a wide dynamic range. In the second stage, stating from August 2001, the beamline will be upgraded with additional slits, focusing optics and gas-filled proportional detectors.

• 대한원격탐사학회지
• /
• 제38권5_2호
• /
• pp.793-810
• /
• 2022

실시간 범람 모니터링을 위해 인공위성 SAR영상을 활용하는 수체탐지에 대한 필요성이 대두되었다. 주야와 기상에 상관없이 주기적으로 촬영 가능한 인공위성 SAR 영상은 육지와 물의 영상학적 특징이 달라 수체탐지에 적합하나, 스페클 노이즈와 영상별 상이한 밝기 값 등의 한계를 내포하여 다양한 시기에 촬영된 영상에 일괄적으로 적용 가능한 수체탐지 알고리즘 개발이 쉽지 않다. 이를 위해 본 연구에서는 Convolutional Neural Networks (CNN)기반 모델인 U-Net 아키텍처에 레이어의 조합인 모듈을 추가하여 별도의 전처리 없이 수체탐지의 정확도 향상 방법을 제시하였다. 풀링 레이어의 조합을 활용하여 형태학적 연산처리 효과를 제공하는 Morphology Module과 전통적인 경계탐지 알고리즘의 가중치를 대입한 컨볼루션 레이어를 사용하여 경계 학습을 강화시키는 Edge-enhanced Module의 다양한 버전을 테스트하여, 최적의 모듈 구성을 도출하였다. 최적의 모듈 버전으로 판단된 min-pooling과 max-pooling이 연속으로 이어진 레이어와 min-pooling로 구성된 Morphology 모듈과 샤를(Scharr) 필터를 적용한 Edge-enhanced 모듈의 산출물을 U-Net 모델의 conv 9에 입력자료로 추가하였을 때, 정량적으로 9.81%의 F1-score 향상을 보여주었으며, 기존의 U-Net 모델이 탐지하지 못한 작은 수체와 경계선을 보다 세밀하게 탐지할 수 있는 성능을 정성적 평가를 통해 확인하였다.