• 대한토목학회논문집
• /
• 제28권5A호
• /
• pp.673-683
• /
• 2008

본 연구는 PSC I 거더교량을 대상으로 포장층에 축감지기가 없이 오로지 교량 상부구조 하면에서 측정한 변형률 신호만을 이용하는 차량하중분석시스템 개발에 관한 것이다. 중 차량이 교량을 주행할 때 교량 바닥판에서 측정한 변형률 신호로 차량주행정보를 추출하고, 교량 거더 및 가로보에서 측정한 변형률 신호로 차량하중정보를 추출하는 방법이다. 이러한 정보 분석을 위하여 영향선 분석방법과 인공신경망 분석방법을 사용하였다. 학습 데이터 확보 및 시스템 검증을 위하여 임의차량 및 시험차량 주행시험을 실시하였다. 대상 교량에서 하중분석결과, 가로보 변형률 신호를 이용한 경우가 거더 변형률 신호를 이용한 경우보다 더 정확한 결과를 나타내었고, 차선당 2열로 설치된 교량 바닥판 슬래브의 변형률 신호를 이용한 피크 검출 알고리즘도 차량의 속도와 축 수, 주행 차선, 축간 거리, 차간 거리 등의 주행정보를 추출하는데 매우 효과적임을 확인하였다. 또한, 가로보의 변형률 신호를 가지고 인공신경망 학습을 하여 시스템을 구성할 수 있는 경우가 기존의 거더 변형률 신호와 영향선만으로 시스템을 구성하는 경우보다 더 정확한 결과를 얻을 수 있음도 확인 하였다.

• 대한원격탐사학회지
• /
• 제39권5_1호
• /
• pp.599-608
• /
• 2023

수문학, 기상학 및 농업과 같은 응용 분야에서 위성 기반 토양 수분 정보에 대한 관심이 높아지면서 다양한 해상도에서 토양수분도를 제작하는 방법의 개발과 사례 연구는 위성 정보 활용의 주요 주제 중 하나로 대두되고 있다. 이 연구는 Google Earth Engine (GEE)에서 제공하는 Sentinel-과 Sentinel-2 공개 자료를 적용하여 토양수분도 제작 결과를 예시하였다. 토양수분도는 synthetic aperture radar (SAR) 영상과 광학 영상과 융합하여 산출하였다. SAR 영상은 GEE에서 제공하는 Sentinel-1 위성의 후반 산란 계수 analysis ready data (ARD)자료와 Sentinel-2에서 계산한 정규식생지수와 함께 Environmental Systems Research Institute (ESRI)의 토지 피복자료를 사용하였다. 호주 빅토리아 주에 위치한 연구지역을 대상으로 토양수분도를 제작하였으며, 기존 연구에서 발표된 현장 측정값과 비교 분석하였다. 현장 측정값을 기준으로 실험 결과의 정확도를 비교한 결과로 결괏값은 기준 값과 4-10%p 차이를 보이는 유의미한 범위의 일치도를 보이고, 위성 기반 토양수분도와는 0.5-2%p의 높은 일치도를 보이는 것으로 나타났다. 따라서 지역의 지표 특성에 따라 고해상도의 토양수분도가 필요한 지역은 GEE를 통하여 제공되는 공개 자료와 이 연구에서 적용한 알고리즘으로 토양수분도의 제작이 가능할 것으로 생각한다.

• 인터넷정보학회논문지
• /
• 제24권6호
• /
• pp.91-98
• /
• 2023

오늘날 인공지능 산업이 발전함에 따라 여러 분야에 걸쳐 인공지능을 통한 자동화 및 최적화가 이루어지고 있다. 국내의 철도 분야 또한 지도 학습을 이용한 레일의 결함을 검출하는 연구들을 확인할 수 있다. 그러나 철도에는 레일만이 아닌 다른 구조물들이 존재하며 그중 선로 체결 장치는 레일을 다른 구조물에 결합시켜주는 역할을 하는 장치로 안전사고의 예방을 위해서 주기적인 점검이 필요하다. 본 논문에는 선로 체결 장치의 데이터를 이용하여 준지도 학습(semi-supervised learning)과 전이 학습(transfer learning)을 이용한 분류기를 학습시켜 선로 안전 점검에 사용되는 비용을 줄이는 방안을 제안한다. 사용된 네트워크는 Resnet50이며 imagenet으로 선행 학습된 모델이다. 레이블이 없는 데이터에서 무작위로 데이터를 선정 후 레이블을 부여한 뒤 이를 통해 모델을 학습한다. 학습된 모델의 이용하여 남은 데이터를 예측 후 예측한 데이터 중 클래스 별 확률이 가장 높은 데이터를 정해진 크기만큼 훈련용 데이터에 추가하는 방식을 채택하였다. 추가적으로 초기의 레이블된 데이터의 크기가 끼치는 영향력을 확인해보기 위한 실험을 진행하였다. 실험 결과 최대 92%의 정확도를 얻을 수 있었으며 이는 지도 학습 대비 5% 내외의 성능 차이를 가진다. 이는 제안한 방안을 통해 추가적인 레이블링 과정 없이 비교적 적은 레이블을 이용하여 분류기의 성능을 기존보다 향상시킬 수 있을 것으로 예상된다.

• 대한원격탐사학회지
• /
• 제39권5_4호
• /
• pp.1125-1134
• /
• 2023

우리나라의 17,000여개의 저수지 중 13,600개소의 소규모 농업용 저수지에는 수문 계측 시설이 설치되지 않아서, 저수율 예측과 합리적인 저수지 운영이 쉽지 않다. 본 연구는 인공지능 기술을 이용하여 농업용 저수지의 저수율을 예측하는 것을 목적으로 하며, 단변량 long short-term memory (LSTM)에서 저수율 그 자체를 사용하는 것뿐만 아니라, 다변량 LSTM에서 강수 등의 기상변수와 시기 등의 계절변수를 추가하여 예측에 활용하였다. 이동저수지의 2013년부터 2020년까지 8년간 데이터로 모델을 학습시키고, 모델의 예측 결과를 2021년의 일일 저수율 데이터로 검증하였다. 단변량 LSTM은 1일 후 저수율을 root-mean square error (RMSE) 1.04%, 3일 후 2.52% 이내, 5일 후 4.18%의 오차로 예측하였으며, 다변량 LSTM은 1일 후 저수율을 RMSE 0.98%, 3일 후 1.95%, 5일 후 2.76%의 오차로 예측하여 더 좋은 성능을 보였다. 1일 후 저수율을 예측하는 다변량 모델의 경우, 시계열 저수율 이외에도 date of year (DOY)와 1일 및 5일 누적 강수량이 중요한 변수인 것으로 나타났는데, 이를 통해 볼 때 당일 저수율에 영향을 미치는 강수의 시간적 범위는 5일 정도인 것으로 사료된다.

• 대한원격탐사학회지
• /
• 제39권5_4호
• /
• pp.1155-1164
• /
• 2023

현재 국가산림자원조사(National Forest Inventory, NFI)는 인력에 의한 수목정보를 수집하고 있어 조사 범위와 시간의 한계가 따른다. 항공 Light Detection And Ranging (LiDAR) 및 항공 사진 등을 이용하여 넓은 지역의 수목 정보를 추출하기 위한 연구가 활발하게 진행되고 있으나 수목의 간격이 넓은 지역이거나 수목의 간격이 일정하게 배치된 지역을 대상으로 이루어지고 있어 우리나라 산림지역 특성을 반영하지 못하고 있다. 이에 본 연구에서는 항공 LiDAR를 이용하여 수치표면모델(Digital Surface Model, DSM), 수치표고모델(Digital Elevation Model, DEM), 수목높이모델(Canopy Height Model, CHM) 영상을 생성한 후 local maxima 기법을 통해 수고를 추출하고 산정식을 통해 흉고직경(Diameter at Breast Height, DBH)을 산정하는 방법론을 제안하였다. 제안한 방법론을 통해 추출한 수목의 검출 정확도는 매목지구별 각 88.46%, 86.14%, 84.31%로 나타났으며, 수고 값을 기반으로 산정한 DBH의 평균제곱근오차(Root Mean Squared Error, RMSE)가 5 cm 내외로 나타나 제안한 방법론의 활용 가능성을 확인하였다. 향후 다양한 유형의 산림에 대한 표준화 연구를 진행한다면 수작업으로 이루어지는 국가산림자원조사의 자동화 적용 범위를 확대할 수 있을 것으로 사료된다.

• 한국항행학회논문지
• /
• 제25권6호
• /
• pp.510-516
• /
• 2021

최근 무인항공기의 활용 범위와 수요가 지속적으로 증가하고 있으며, 저고도 무인항공기의 경우 유인항공기와 별개의 관리 체계 개발을 통해 별도의 운영 시스템 구축에 관한 연구가 진행되고 있다. 저고도 무인항공기의 경우도 공역을 비행하는 비행체 이므로 비행체의 운영에 필요한 기술 기준 및 인증 제도의 수립이 필수적이며, 이에 대한 연구도 함께 진행되고 있다. 비행체의 운영 기준 및 인증 요건이 제시되는 경우, 이를 확인할 수 있는 시험방법도 함께 제시되어야 한다. 특히, 소형무인항공기의 경우는 비행중 요구되는 항법의 정확도 수준이 유인항공기 또는 대형 무인항공기 보다 정밀한 비행을 요구하므로, 기존의 비행체 비행에서만 확인할 수 있는 비행 결과 정확도 산출이 아닌 별도의 항법오차의 산출이 필요할 것으로 판단하였다. 본 연구에서는 기존 유인항공기와 다른 장시간의 운영 데이터 획득이 어려운 무인항공기에 적용이 가능한 항법 오차 도출에 관한 시험 방법에 대하여 제시하였고, 실증 시험을 수행하였다.

• 한국ITS학회 논문지
• /
• 제22권6호
• /
• pp.114-123
• /
• 2023

컴퓨터 비전(Computer Vision: CV) 기술 발전으로 폐쇄회로 TV(Closed-Circuit television: CCTV)와 같은 영상 센서로 돌발상황을 검지하고 있다. 그러나 현재 이러한 기술은 대부분 고정식 영상 센서를 기반으로 한다. 따라서 고정식 장비의 영상 범위가 닿지 않는 음영지역의 돌발상황 검지에는 한계가 존재해왔다. 최근 엣지 컴퓨팅(Edge-computing) 기술의 발전으로 이동식 영상정보의 실시간 분석이 가능해졌다. 본 연구는 차량 내 설치된 이동식 영상 센서(dashboard camera 혹은 dash cam)에 컴퓨터 비전 기술을 도입하여 고속도로에서 실시간으로 돌발상황 검지 가능성에 대해 평가하는 것이 목적이다. 이를 위해 한국도로공사 순찰차량에 장착된 dash cam에서 수집된 4,388건의 스틸 프레임 데이터 기반으로 학습데이터를 구축하였으며, YOLO(You Only Look Once) 알고리즘을 활용하여 분석하였다. 분석 결과 객체 모두 예측 정밀도가 70% 이상으로 나타났고, 교통사고는 약 85%의 정밀도를 보였다. 또한 mAP(mean Average Precision)의 경우 0.769로 나타났고, 객체별 AP(Average Precision)를 보면 교통사고가 0.904로 가장 높게 나타났고, 낙하물이 0.629로 가장 낮게 나타났다.

• 경영정보학연구
• /
• 제25권1호
• /
• pp.93-110
• /
• 2023

최근 비정형 자료인 텍스트를 벡터로 변환하고 이를 통해 다양한 목적으로 방대한 양의 자연어를 분석하는 시도가 이루어지고 있다. 특히 코퍼스 규모가 제한적일 수밖에 없는 전문적인 도메인의 텍스트에 대해서도 분석 수요가 급증하면서, 해당 전문 분야의 문서를 범용 문서와 함께 분석하기 위한 연구가 활발하게 이루어지고 있다. 특정 전문어를 해당 전문어 코퍼스 외부의 일반적인 범용어와 함께 분석하기 위해서는, 전문어 임베딩 공간을 범용어 임베딩 공간과 일치시키는 것이 필요하다. 기존에는 변환 행렬 또는 매핑 함수 등을 통해 전문어 코퍼스로부터 얻은 전문어 임베딩 값을 범용어 임베딩 공간으로 변환, 일치시키려는 시도가 있었지만, 변환 행렬을 기반으로 하는 선형 변환은 국지적인 범위에서만 근사적인 변환 효과가 있다는 일반적인 선형 변환의 한계를 극복하지 못했다. 이러한 선형 변환의 한계를 극복하기 위해 최근에는 다양한 형태의 비선형적인 변환 방법이 제안되고 있으며, 본 연구에서는 오토인코더(Autoencoder)와 회귀 모델을 동시에 학습하는 종단형 학습을 통해 전문어 임베딩 공간을 범용어 임베딩 공간으로 변환하여 임베딩 공간을 일치시키는 모델을 제안한다. 실제 "보건의료" 분야의 R&D 문서에 대해 임베딩 변환 실험을 진행한 결과, 제안 방법론이 기존의 오토인코더를 활용한 방법 대비 변환 정확도 측면에서 우수한 성능을 보임을 확인하였다.

• Korean Journal of Radiology
• /
• 제24권11호
• /
• pp.1151-1163
• /
• 2023

Objective: To develop a deep-learning-based bone age prediction model optimized for Korean children and adolescents and evaluate its feasibility by comparing it with a Greulich-Pyle-based deep-learning model. Materials and Methods: A convolutional neural network was trained to predict age according to the bone development shown on a hand radiograph (bone age) using 21036 hand radiographs of Korean children and adolescents without known bone development-affecting diseases/conditions obtained between 1998 and 2019 (median age [interquartile range {IQR}], 9 [7-12] years; male:female, 11794:9242) and their chronological ages as labels (Korean model). We constructed 2 separate external datasets consisting of Korean children and adolescents with healthy bone development (Institution 1: n = 343; median age [IQR], 10 [4-15] years; male: female, 183:160; Institution 2: n = 321; median age [IQR], 9 [5-14] years; male: female, 164:157) to test the model performance. The mean absolute error (MAE), root mean square error (RMSE), and proportions of bone age predictions within 6, 12, 18, and 24 months of the reference age (chronological age) were compared between the Korean model and a commercial model (VUNO Med-BoneAge version 1.1; VUNO) trained with Greulich-Pyle-based age as the label (GP-based model). Results: Compared with the GP-based model, the Korean model showed a lower RMSE (11.2 vs. 13.8 months; P = 0.004) and MAE (8.2 vs. 10.5 months; P = 0.002), a higher proportion of bone age predictions within 18 months of chronological age (88.3% vs. 82.2%; P = 0.031) for Institution 1, and a lower MAE (9.5 vs. 11.0 months; P = 0.022) and higher proportion of bone age predictions within 6 months (44.5% vs. 36.4%; P = 0.044) for Institution 2. Conclusion: The Korean model trained using the chronological ages of Korean children and adolescents without known bone development-affecting diseases/conditions as labels performed better in bone age assessment than the GP-based model in the Korean pediatric population. Further validation is required to confirm its accuracy.

• 농촌계획
• /
• 제30권1호
• /
• pp.57-66
• /
• 2024

This study aimed to develop a precise vegetation cover classification model for small streams using the combination of drone remote sensing and support vector machine (SVM) techniques. The chosen study area was the Idong stream, nestled within Geosan-gun, Chunbuk, South Korea. The initial stage involved image acquisition through a fixed-wing drone named ebee. This drone carried two sensors: the S.O.D.A visible camera for capturing detailed visuals and the Sequoia+ multispectral sensor for gathering rich spectral data. The survey meticulously captured the stream's features on August 18, 2023. Leveraging the multispectral images, a range of vegetation indices were calculated. These included the widely used normalized difference vegetation index (NDVI), the soil-adjusted vegetation index (SAVI) that factors in soil background, and the normalized difference water index (NDWI) for identifying water bodies. The third stage saw the development of an SVM model based on the calculated vegetation indices. The RBF kernel was chosen as the SVM algorithm, and optimal values for the cost (C) and gamma hyperparameters were determined. The results are as follows: (a) High-Resolution Imaging: The drone-based image acquisition delivered results, providing high-resolution images (1 cm/pixel) of the Idong stream. These detailed visuals effectively captured the stream's morphology, including its width, variations in the streambed, and the intricate vegetation cover patterns adorning the stream banks and bed. (b) Vegetation Insights through Indices: The calculated vegetation indices revealed distinct spatial patterns in vegetation cover and moisture content. NDVI emerged as the strongest indicator of vegetation cover, while SAVI and NDWI provided insights into moisture variations. (c) Accurate Classification with SVM: The SVM model, fueled by the combination of NDVI, SAVI, and NDWI, achieved an outstanding accuracy of 0.903, which was calculated based on the confusion matrix. This performance translated to precise classification of vegetation, soil, and water within the stream area. The study's findings demonstrate the effectiveness of drone remote sensing and SVM techniques in developing accurate vegetation cover classification models for small streams. These models hold immense potential for various applications, including stream monitoring, informed management practices, and effective stream restoration efforts. By incorporating images and additional details about the specific drone and sensors technology, we can gain a deeper understanding of small streams and develop effective strategies for stream protection and management.