• 생태와환경
• /
• 제56권1호
• /
• pp.45-56
• /
• 2023

본 연구는 저서성 대형무척추동물을 이용한 RIVPACS 유형의 국내 실정에 맞는 수생태계 예측 및 평가모델을 구축하기 위한 사전 연구로서 수행되었다. 자연상태의 하천인 887개의 참조하천을 선정하고, 참조하천을 저차하천과 고차하천으로 구분한 뒤 random forest 알고리즘을 이용하여 각각의 과에 대하여 예측모델을 구축하였다. 저차하천은 학습과 검증 데이터를 7 : 3의 비율로 나누어 구축하였으며, 고차하천의 경우에는 leave-one-out 방법을 이용하였다. 예측모델에 사용된 환경변수는 비계량 다차원 척도법(NMDS)을 이용하여 선정되었으며, 고도, 경사각, 평년평균기온, 숲의 비율, 하폭, 여울 비율, 하상 구조의 큰돌의 비율로 7개의 변수가 선택되었다. 3,224개의 조사대상 지점을 하천차수에 따른 유형에 따라 구분한 뒤, 각각의 유형에 해당하는 모델을 이용하여 30개 과에 대한 과 단위의 생물상을 예측하였다. 예측된 생물상(E)은 실제 생물상(O)과 생물지수를 이용하여 비교되었다. 생물지수는 BMWPK 지수를 과의 수로 나눈 ASPT를 이용하였다. 그 이후 EQR 지수(O/E)를 이용하여 각 조사지점의 건강성을 평가하였다. 마지막으로, EQR 값을 기존에 이용되고 있는 BMI 값과 비교하였다. 건강성 점수 평가 결과, 실제 군집은 0~20과, 예측된 군집은 0~19과 범위로 예측되어 유사하게 나타났다. 실제 ASPT는 평균 4.82 (±2.04 SD), 예측된 ASPT는 6.30 (±0.79 SD)으로 예측된 값이 더 높게 나타났다. ASPT와 BMI의 비교 결과, 대체로 EQR이 BMI 지수보다 높은 값을 보였다. 이는 참조하천 선정에 있어서 조금 교란된 지점도 자연상태로 가정하여 참조하천으로 이용되었기 때문으로 보인다. RIVPACS 모델은 생태학적 상태에 대한 단순하지만 명확한 진단을 제공해줌으로써 국내 하천 관리에 도움이 될 것으로 기대된다. 본 연구는 연구가 미진하였던 우리나라 실정에 맞는 RIVPACS 유형의 평가법을 개발하는 선행 연구로서의 의의가 있다.

• 한국식품위생안전성학회지
• /
• 제39권1호
• /
• pp.35-43
• /
• 2024

손 위생 제품이 다양화됨과 동시에 각 활용 방법에 따라 그 효능을 평가하는 여러 시험 방법들이 보고되고 있다. 하지만 평가 방법에 따라 각 제품의 항균 효능은 다르게 나타나며, 이로 인해 제품의 실제적인 효능을 확인하는 데에 어려움이 있을 수 있다. 손 위생 제품의 효능평가방법 비교에 초점을 둔 연구는 매우 제한적이며, 특히 돼지피부를 이용한 ex vivo에 대한 연구는 극히 드물다. 이에 본 연구는 손 위생 제품 중 리브온 소독제와 워시오프 세정제에 대해 각각의 항균 평가 방법을 종합적으로 비교했고, ex vivo 시험에 영향을 미칠 수 있는 요인을 파악하여 연구 단계에서 효율적인 ex vivo 시험의 신뢰성을 향상시키고자 하였다. in vitro 시험으로써 액체 현탁을 기반으로 하는 time-kill 시험을 진행했고, in vivo 시험은 최소 20명의 참여자를 대상으로 진행되었다. ex vivo 시험은 규격화된 돼지 피부를 이용하여 in vivo 시험과 동일한 방법으로 진행하면서 소독제의 최적 처리량과 세정제 사용 시 첨가되는 물의 양을 제안했다. 시험에 사용된 손 소독제는 in vitro 시험에서 모두 5 log 이상의 세균 감소율을 보인 반면, ex vivo와 in vivo에서는 훨씬 낮은 살균 활성을 보였으며, 특히 알코올 함량이 낮은 손 소독제에서는 1 log 미만의 살균 활성을 나타냈다. 반면에 손 세정제의 in vitro 시험 결과, 대장균에 대해서는 1 log 이하의 낮은 항균력을 보였으나, ex vivo 와 in vivo 시험 결과에서는 이보다 높은 항균력을 유사하게 나타냈다. 본 연구에서는 ex vivo 와 in vivo 시험 방법이 리브온과 워시오프 타입 제품의 두가지 다른 항균 메커니즘을 반영할 수 있음을 확인했다. 이로 인해 최적의 조건으로 설정된 ex vivo 시험은 빠르고 정확한 항균 평가법이 될 수 있음을 제시한다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.139-156
• /
• 2021

이미지 분류에서 딥러닝 모형을 사용하는 가장 큰 이유는 이미지의 전체적인 정보에서 각 지역 특징을 추출하여 서로의 관계를 고려할 수 있기 때문이다. 하지만 이미지의 지역 특징이 없는 감정 이미지 데이터는 CNN 모델이 적합하지 않을 수 있다. 이러한 감정 이미지 분류의 어려움을 해결하기 위하여 매년 많은 연구자들이 감정 이미지에 적합한 CNN기반 아키텍처를 제시하고 있다. 색깔과 사람 감정간의 관계에 대한 연구들도 수행되었으며, 색깔에 따라 다른 감정이 유도된다는 결과들이 도출되었다. 딥러닝을 활용한 연구에서도 색깔정보를 활용하여 이미지 감성분류에 적용하는 연구들이 있어왔으며, 이미지만을 가지고 분류 모형을 학습한 경우보다 이미지의 색깔 정보를 추가로 활용한 경우가 이미지 감성 분류 정확도를 더 높일 수 있었다. 본 연구는 사람이 이미지의 감정을 분류하는 기준 중 많은 부분을 차지하는 색감을 이용하여 이미지 감성 분류 정확도를 향상시키는 방안을 제안한다. 이미지의 RGB 값에 K 평균 군집화 방안을 적용하여 이미지를 대표하는 색을 추출하여, 각 감성 클래스 별 해당 색깔이 나올 확률을 가중치 식으로 변형 후 CNN 모델의 최종 Layer에 적용하는 이-단계 학습방안을 구현하였다. 이미지 데이터는 6가지 감정으로 분류되는 Emotion6와 8가지 감정으로 분류되는 Artphoto를 사용하였다. 학습에 사용한 CNN 모델은 Densenet169, Mnasnet, Resnet101, Resnet152, Vgg19를 사용하였으며, 성능 평가는 5겹 교차검증으로 CNN 모델에 이-단계 학습 방안을 적용하여 전후 성과를 비교하였다. CNN 아키텍처만을 활용한 경우보다 색 속성에서 추출한 정보를 함께 사용하였을 때 더 좋은 분류 정확도를 보였다.