• 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.

• 대한교통학회지
• /
• 제19권5호
• /
• pp.119-134
• /
• 2001

본 연구에서는 지하철망에서 각 노선을 운행하는 차량과 승객을 동적으로 시뮬레이션 할 수 있는 동적 지하철차량 시뮬레이션 모형과 동적 지하철승객 시뮬레이션 모형을 개발하고, 이를 이용해 통행자 기반의 동적 지하철 출발시간 선택 알고리듬을 개발하였다. 개발된 모형은 개별적인 통행자들의 행태를 이질적(Heterogeneous)으로 설정해 기존에 이용되던 통행자간의 동질성 가정을 완화하였다. 또한, 통행자들은 불완전한 정보와 제한적인 합리성을 가진다고 가정하여 보다 현실적인 시뮬레이션이 가능하도록 하였으며, 간단한 예제 가로망에 대해 모형을 분석하였다. 분석결과 통행자들을 이질적으로 가정한 경우와 동질적으로 가정한 경우간에 출발시간선택에 명확한 차이를 보였다. 통행자들을 동질적으로 가정한 경우 출발시간선택과정에서 기종점에 관련된 특성들이 중요한 역할을 하는 반면 이질적으로 가정한 경우 개별 통행자의 선호특성이 출발시간 선택에 중요한 역할을 하는 것으로 나타났다. 특히 통행자들을 동질적으로 가정할 경우 출발시간 선택결과가 비현실적으로 나타날 수 있음도 보였다. 또, 기존의 확률과정과 달리 선택 차원이나 선택 대안의 수가 많아질 경우 추가적인 고려가 있어야 학습과정을 보다 현실적으로 모형화할 수 있음을 알 수 있었다. 본 연구모형에서는 지하철 통행자의 동적 출발시간 선택과정을 묘사하기 위해 인지 및 의사결정과정으로서 추론과정과 귀납적인 선호형성과정을 학습모형에 포함시킴으로써 보다 현실적인 분석결과가 도출되도록 하였다. 각 승객들은 충분한 학습을 거친 뒤에도 합리적인 선택을 하기보다는 자신의 경험에 따라 형성되는 선호의 영향을 받아 임의적으로 출발시간을 선택하는 문제도 나타날 수 있는 것으로 분석되었다. 이런 분석결과는 기존의 전통적인 교통수요모형(이용자균형 통행배정모형 등)들에서 주로 이용되는 통행자의 완전한 정보, 합리성 및 동질성 가정 등에 따른 집계적인 수요추정결과가 실제로 나타나는 개별적인 통행행태와 다를 수도 있음을 보여 주는 것이다.

• 인터넷정보학회논문지
• /
• 제11권1호
• /
• pp.27-33
• /
• 2010

본 논문은 실내 위치 인식을 위하여 ZigBee 이동 장치의 위치를 측정하였으며 Bayesian Markov 위치 추론 기법을 적용하였다. 정확도 분석을 위해 기존의 지도 기반의 위치 인식 기법과 비교하였는데 이 기법은 이미 지정된 위치에서의 RSSI 데이터를 데이터베이스화하여 참조하도록 하는 반면 Bayesian Markov 추론 방법은 시간, 방향, 거리의 변화에 영향을 받았다. 이 두가지 방법에 따른 측정은 지그비 모듈을 사용하여 RSSI를 측정한 결과를 토대로 이루어졌으며 그 결과 실내에서의 RSSI와 거리와의 관계로 접근하는 것이 바람직하며 Bayesian Markov에 의한 분석결과 기존의 지도 기반 위치 인식 기법에 비하여 높은 정확도를 보여주었다. 결과적으로 기존의 지도 기반 위치 인식 기법은 사전에 환경 요인에 대한 설정을 해주어야 하고, 보다 낮은 정확도를 가지고 있으므로 환경 변화가 잦은 실내에서는 부적합하다고 생각된다.

• 한국지진공학회논문집
• /
• 제9권4호
• /
• pp.55-66
• /
• 2005

본 논문에서는 스마트 면진장치를 효과적으로 제어하기 위하여 퍼지관리제어기를 개발하였고 그 효율성을 검토하였다. 이를 위하여 1세대 스마트 면진 벤치마크 건물을 이용하여 수치해석을 수행하였다. 대상 벤치마크 구조물은 부정형의 평면을 가지고 있는 8층 건물이고 탄성베어링과 MR 감쇠기로 이루어진 스마트 면진장치가 설치되어 있다. 본 논문에서는 다목적 유전자 알고리즘을 이용하여 원거리 지진과 근거리 지진에 대하여 각각 면진구조물을 효과적으로 제어할 수 있는 하위 퍼지제어기를 개발한다. 최적화과정에서는 구조물의 최대 및 RMS 가속도와 면진층 변위의 저감이 목적으로 사용된다. 벤지마크 건물에 지진하중이 가해지면 두 개의 하위 퍼지제어기에서는 각각 다른 명령전압이 제공되는데 이 명령전압들은 퍼지관리제어기의 추론과정에 기반하여 실시간으로 참여율이 조절되어 하나의 명령전압으로 조합된다. 수치해석을 통하여 제안된 퍼지관리제어기법을 사용함으로써 상부구조물의 응답과 면진층의 변위를 효과적으로 줄일 수 있음을 확인할 수 있다.

• 전자공학회논문지CI
• /
• 제49권2호
• /
• pp.38-43
• /
• 2012

콘크리트 건물의 보수 작업은 표면에 발생하는 균열을 정확하게 계측함으로써 비용적인 측면과 안전성이 결정된다. 하지만 표면에 발생한 균열은 대부분 점검자에 의해 수작업으로 계측되기 때문에 시간적 측면에서 비효율적이다. 또한 콘크리트 표면의 균열은 영상 획득 과정에서 빛이나 외부 환경에 의해 훼손되는 경우가 발생한다. 또한 콘크리트 표면이 고르지 않은 영상이나 잡음이 많이 존재하는 콘크리트 영상에서는 기존의 균열 추출 방법으로는 균열이 검출되지 않는 경우가 발생한다. 따라서 본 논문에서는 형태가 왜곡되지 않은 균열뿐만 아니라, 잡음과 유사한 미세 균열까지 효과적으로 추출하고 분석할 수 있는 방법을 제안한다. 본 논문에서 제안하는 균열 검출 방법은 콘크리트 슬래브 표면의 R, G, B 채널 값을 퍼지 기법에 적용하여 후보 균열 영역을 추출한 후, 추출한 후보 균열 영역에 SOM 기법을 적용하여 1차적으로 잡음 영역을 제거한다. 잡음이 제거된 후보 균열 영역에서 밀도 정보를 이용하여 2차적으로 세부적인 잡음 영역을 제거하여 최종적으로 균열 영역을 검출한다. 실제 콘크리트 균열 영상을 대상으로 실험한 결과, 다양한 콘크리트 균열 영상에서 기존의 균열 추출 방법보다 균열 검출 성능이 개선되었음을 확인하였다.

• 국제학술발표논문집
• /
• The 9th International Conference on Construction Engineering and Project Management
• /
• pp.1243-1244
• /
• 2022

In recent years, the growing interest in off-site construction has led to factories scaling up their manufacturing and production processes in the construction sector. Consequently, continuous large-scale site monitoring in low-variability environments, such as prefabricated components production plants (precast concrete production), has gained increasing importance. Although many studies on computer vision-based site monitoring have been conducted, challenges for deploying this technology for large-scale field applications still remain. One of the issues is collecting and transmitting vast amounts of video data. Continuous site monitoring systems are based on real-time video data collection and analysis, which requires excessive computational resources and network traffic. In addition, it is difficult to integrate various object information with different sizes and scales into a single scene. Various sizes and types of objects (e.g., workers, heavy equipment, and materials) exist in a plant production environment, and these objects should be detected simultaneously for effective site monitoring. However, with the existing object detection algorithms, it is difficult to simultaneously detect objects with significant differences in size because collecting and training massive amounts of object image data with various scales is necessary. This study thus developed a large-scale site monitoring system using edge computing and a small-object detection system to solve these problems. Edge computing is a distributed information technology architecture wherein the image or video data is processed near the originating source, not on a centralized server or cloud. By inferring information from the AI computing module equipped with CCTVs and communicating only the processed information with the server, it is possible to reduce excessive network traffic. Small-object detection is an innovative method to detect different-sized objects by cropping the raw image and setting the appropriate number of rows and columns for image splitting based on the target object size. This enables the detection of small objects from cropped and magnified images. The detected small objects can then be expressed in the original image. In the inference process, this study used the YOLO-v5 algorithm, known for its fast processing speed and widely used for real-time object detection. This method could effectively detect large and even small objects that were difficult to detect with the existing object detection algorithms. When the large-scale site monitoring system was tested, it performed well in detecting small objects, such as workers in a large-scale view of construction sites, which were inaccurately detected by the existing algorithms. Our next goal is to incorporate various safety monitoring and risk analysis algorithms into this system, such as collision risk estimation, based on the time-to-collision concept, enabling the optimization of safety routes by accumulating workers' paths and inferring the risky areas based on workers' trajectory patterns. Through such developments, this continuous large-scale site monitoring system can guide a construction plant's safety management system more effectively.

• 한국지능시스템학회논문지
• /
• 제21권6호
• /
• pp.749-754
• /
• 2011

본 연구에서는 최적 pRBFNNs 패턴분류기 기반 2차원 영상과 ASM 알고리즘을 이용한 얼굴인식 시스템을 설계하고자 한다. 기존의 2차원 영상 기반 얼굴 인식 기법들은 인식하고자 하는 객체의 영상내의 위치, 크기 및 배경의 존재 유무에 따라 인식률이 영향을 받는 단점이 있으며, 본 연구에서는 이를 보완하기 위하여 관심 영역 내에서의 얼굴 영역 추출 및 특징 추출기법을 이용한 얼굴인식 방법을 소개한다. 본 연구에서는 CCD 카메라를 이용하여 영상을 획득하고 히스토그램 평활화를 이용하여 조명으로 왜곡된 영상정보를 개선한다. AdaBoost 알고리즘을 이용하여 얼굴영역을 검출하고 ASM을 통하여 얼굴 윤곽선 및 형상을 추출하여 개인 프로필을 구성한 후 PCA 알고리즘을 사용하여 고차원 얼굴데이터의 차원을 축소한다. 그리고 인식 모듈로서 pRBFNNs 패턴분류기를 제안한다. 제안된 다항식 기반 RBFNNs은 조건부, 결론부, 추론부 세 가지의 기능적 모듈로 구성되어 있고 조건부는 퍼지 클러스터링을 사용하여 입력 공간을 분할하고, 결론부는 분할된 로컬 영역을 다항식 함수로 표현한다. 또한 차분진화 알고리즘을 이용하여 제안된 분류기의 파라미터, 즉, 학습률, 모멘텀 계수, 퍼지 클러스터링의 퍼지화 계수를 최적화한다. 제안된 다항식 기반 RBFNNs는 얼굴 인식을 위한 패턴분류기로서 직접 CCD 카메라로부터 입력받은 데이터를 영상 보정, 얼굴 검출 및 특징 추출 등과 같은 데이터 전 처리 과정을 포함하여 고차원 데이터로 이루어진 얼굴 영상에 대한 인식 성능을 확인한다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2016년도 학술발표회
• /
• pp.197-197
• /
• 2016

Forecasting future drought events in a region plays a major role in water management and risk assessment of drought occurrences. The creeping characteristics of drought make it possible to mitigate drought's effects with accurate forecasting models. Drought forecasts are inevitably plagued by uncertainties, making it necessary to derive forecasts in a probabilistic framework. In this study, a new probabilistic scheme is proposed to forecast droughts, in which a discrete-time finite state-space hidden Markov model (HMM) is used aggregated with the Representative Concentration Pathway 8.5 (RCP) precipitation projection (HMM-RCP). The 3-month standardized precipitation index (SPI) is employed to assess the drought severity over the selected five stations in South Kore. A reversible jump Markov chain Monte Carlo algorithm is used for inference on the model parameters which includes several hidden states and the state specific parameters. We perform an RCP precipitation projection transformed SPI (RCP-SPI) weight-corrected post-processing for the HMM-based drought forecasting to derive a probabilistic forecast that considers uncertainties. Results showed that the HMM-RCP forecast mean values, as measured by forecasting skill scores, are much more accurate than those from conventional models and a climatology reference model at various lead times over the study sites. In addition, the probabilistic forecast verification technique, which includes the ranked probability skill score and the relative operating characteristic, is performed on the proposed model to check the performance. It is found that the HMM-RCP provides a probabilistic forecast with satisfactory evaluation for different drought severity categories, even with a long lead time. The overall results indicate that the proposed HMM-RCP shows a powerful skill for probabilistic drought forecasting.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제15권12호
• /
• pp.4420-4438
• /
• 2021

Image dehazing is an ill-posed problem which is far from being solved. Traditional image dehazing methods often yield mediocre effects and possess substandard processing speed, while modern deep learning methods perform best only in certain datasets. The haze removal effect when processed by said methods is unsatisfactory, meaning the generalization performance fails to meet the requirements. Concurrently, due to the limited processing speed, most dehazing algorithms cannot be employed in the industry. To alleviate said problems, a lightweight fast dehazing network based on a multiple scale-patch framework (MSP) is proposed in the present paper. Firstly, the multi-scale structure is employed as the backbone network and the multi-patch structure as the supplementary network. Dehazing through a single network causes problems, such as loss of object details and color in some image areas, the multi-patch structure was employed for MSP as an information supplement. In the algorithm image processing module, the image is segmented up and down for processed separately. Secondly, MSP generates a clear dehazing effect and significant robustness when targeting real-world homogeneous and nonhomogeneous hazy maps and different datasets. Compared with existing dehazing methods, MSP demonstrated a fast inference speed and the feasibility of real-time processing. The overall size and model parameters of the entire dehazing model are 20.75M and 6.8M, and the processing time for the single image is 0.026s. Experiments on NTIRE 2018 and NTIRE 2020 demonstrate that MSP can achieve superior performance among the state-of-the-art methods, such as PSNR, SSIM, LPIPS, and individual subjective evaluation.

• 방송공학회논문지
• /
• 제25권2호
• /
• pp.275-278
• /
• 2020

본 논문에서는 가상 데이터 생성을 통한 딥러닝 기반 문자인식 시스템을 제안한다. 지도학습에서 가장 큰 비중을 차지하는 학습 데이터를 확보하기 위하여 가상 데이터를 생성하였다. 또한 가상 데이터를 생성 후 증강 파라미터를 이용하여, 실제 다양한 데이터에 대응하기 위해서 데이터 일반화를 하였다. 최종적으로 학습 데이터 구성은 증강 파라미터와 폰트 인자에 다양한 값을 대입하여 데이터를 생성하였다. 문자인식 성능을 측정하기 위한 테스트 데이터는 실제 촬영된 이미지 데이터에서 문자영역을 크롭하여 구성하였다. 테스트 데이터는 실제환경에서 발생할 수 있는 이미지 왜곡을 고려하여 데이터 증강하였다. 딥러닝 알고리즘은 실시간 검출에 용이한 YOLO v3를 사용하였으며, 추론결과는 후처리를 통하여 최종 검출결과를 출력한다.