• 한국ITS학회 논문지
• /
• 제21권3호
• /
• pp.83-95
• /
• 2022

본 논문은 자율주행 차량 적용을 위한 객체 검출과 거리 추정을 수행하는 시스템을 제안한다. 객체 검출은 최근 활발하게 사용되는 딥러닝 모델 YOLOv4의 특성을 이용해서 입력 이미지 비율에 맞춰 분할 grid를 조정하고 자체 데이터셋으로 전이학습된 네트워크로 수행한다. 검출된 객체까지의 거리는 bounding box와 homography를 이용해 추정한다. 실험 결과 제안하는 방법에서 전반적인 검출 성능 향상과 실시간에 가까운 처리 속도를 보였다. 기존 YOLOv4 대비 전체 mAP는 4.03% 증가했다. 도심로 주행시 빈출하는 보행자, 차량 및 공사장 고깔(cone), PE드럼(drum) 등의 객체 인식 정확도가 향상되었다. 처리 속도는 약 55 FPS이다. 거리 추정 오차는 X 좌표 평균 약 5.25m, Y 좌표 평균 0.97m으로 나타났다.

• 한국ITS학회 논문지
• /
• 제21권6호
• /
• pp.299-310
• /
• 2022

자율주행시스템은 자율주행 센서, 판단 및 제어 알고리즘 등을 기반으로 스스로 자율주행할 수 있는 기능을 갖추고 있다. 자율주행의 안전성은 도로 네트워크의 운영 상태와 관련성이 높고 도로 인프라와의 협력이 필요하다. 자율주행의 안전한 운행을 위해서는 지속적으로 도로와 교통 조건이 적합한지를 모니터링 할 필요가 있다. 본 연구는 자율주행시스템의 ODD (Operational Design Domain) 특성에 따라 선정된 모니터링 항목을 관리할 수 있는 체계를 구축하기 위한 노드와 링크 체계를 제시하였다. 확장성을 고려하여 기존의 ITS 표준 노드링크 체계를 기반으로 하였으며, 모니터링 대상을 노드와 링크로 표출하는 방안을 제시하였다. 위험도를 5단계로 구분하고 관리하는 방안과 최적경로 탐색 및 통제 시 노드와 링크의 정보를 활용하는 방안을 제시하였다. 세종시를 대상으로 제시된 노드와 링크체계를 기반으로 한 시스템구축 사례를 소개하였다.

• 농업과학연구
• /
• 제49권2호
• /
• pp.193-202
• /
• 2022

The recurrent neural network (RNN) algorithm has been widely used in water-related research areas, such as water level predictions and water quality predictions, due to its excellent time series learning capabilities. However, studies on water quality predictions using RNN algorithms are limited because of the scarcity of water quality data. Therefore, most previous studies related to water quality predictions were based on monthly predictions. In this study, the quality of the water in a reservoir in Nonsan, Chungcheongnam-do Republic of Korea was predicted using the RNN-LSTM algorithm. The study was conducted after constructing data that could then be, linearly interpolated as daily data. In this study, we attempt to predict the water quality on the 7th, 15th, 30th, 45th and 60th days instead of making daily predictions of water quality factors. For daily predictions, linear interpolated daily water quality data and daily weather data (rainfall, average temperature, and average wind speed) were used. The results of predicting water quality concentrations (chemical oxygen demand [COD], dissolved oxygen [DO], suspended solid [SS], total nitrogen [T-N], total phosphorus [TP]) through the LSTM algorithm indicated that the predictive value was high on the 7th and 15th days. In the 30th day predictions, the COD and DO items showed R² that exceeded 0.6 at all points, whereas the SS, T-N, and T-P items showed differences depending on the factor being assessed. In the 45th day predictions, it was found that the accuracy of all water quality predictions except for the DO item was sharply lowered.

• Smart Structures and Systems
• /
• 제31권4호
• /
• pp.351-363
• /
• 2023

Visual structural inspections are an inseparable part of post-earthquake damage assessments. With unmanned aerial vehicles (UAVs) establishing a new frontier in visual inspections, there are major computational challenges in processing the collected massive amounts of high-resolution visual data. We propose twin deep learning models that can provide accurate high-resolution structural components and damage segmentation masks efficiently. The traditional approach to cope with high memory computational demands is to either uniformly downsample the raw images at the price of losing fine local details or cropping smaller parts of the images leading to a loss of global contextual information. Therefore, our twin models comprising Trainable Resizing for high-resolution Segmentation Network (TRS-Net) and DmgFormer approaches the global and local semantics from different perspectives. TRS-Net is a compound, high-resolution segmentation architecture equipped with learnable downsampler and upsampler modules to minimize information loss for optimal performance and efficiency. DmgFormer utilizes a transformer backbone and a convolutional decoder head with skip connections on a grid of crops aiming for high precision learning without downsizing. An augmented inference technique is used to boost performance further and reduce the possible loss of context due to grid cropping. Comprehensive experiments have been performed on the 3D physics-based graphics models (PBGMs) synthetic environments in the QuakeCity dataset. The proposed framework is evaluated using several metrics on three segmentation tasks: component type, component damage state, and global damage (crack, rebar, spalling). The models were developed as part of the 2^nd International Competition for Structural Health Monitoring.

• 지역연구
• /
• 제39권3호
• /
• pp.35-48
• /
• 2023

본 연구는 온라인에서 발생하는 소셜 빅데이터를 활용하여 양재시민의 숲 공원의 유입 요인을 분석하였다. 이를 위해 도시공원에 대한 인식을 분석하고 해당공원이 지닌 특성과 이용상의 차이를 확인하는 방법으로써 감성정보 분석방법의 적용 가능성을 확인하고자 한다. 분석은 빅데이터를 활용하며, 연구의 핵심이 키워드 네트워크 분석임에 따라 저자가 특허 등록한 '감성정보 분석 방법'의 방법론을 적용하였다. 분석결과, 시민들이 인지하는 양재시민의 숲의 유입 요인 중 가장 긍정 감성으로 도출된 것은 '공원 콘텐츠' 관련 요인으로 도출되었으며, 부정 감성 요인으로는 '공원 관리' 관련 요인으로 도출되었다. 이러한 연구 결과는 향후 도시공원 활성화 지원사업 실행 시, '공원 콘텐츠'의 발굴에 더 심도 있는 프로그램 개발과 운영이 필요함을 시사한다.

• 디지털융복합연구
• /
• 제20권3호
• /
• pp.75-83
• /
• 2022

OECD 국가 중 보행자 사망 비율이 가장 높은 대한민국은 보행자 중심으로 법령이 제정하면서 안전한 보행환경 개선을 위해 노력하고 있다. 이 연구는 노인 인구와 학원이 밀도가 높은 대구광역시를 대상으로 보행자 교통사고 클러스터를 포아송분포를 이용한 스캔통계량으로 파악하고자 한다. 어린이와 노인에 관한 교통사고의 대중 인식을 수집하여 워드클라우드로 살펴본 결과 어린이는 정부와 기업인의 캠페인을 중심으로 노출되고 있고, 노인은 사고감소를 위한 정책연구를 중심으로 노출되고 있었다. 어린이 보행자 교통사고의 상대적 위험성은 공단이 많은 평리·내당·용산동에서 높았고, 학원 밀집도가 높은 만촌·봉무·범어동에서 낮았다. 노인 보행자 교통사고의 상대적 위험성은 도심에 가까운 용산·죽전·두류·내당동에서 높았고, 범어·삼덕·팔공·봉무동에서 낮았다. 대구광역시 내당동과 용산동은 어린이와 노인 보행사고 위험성이 높아 보행 안전 취약지역으로 파악되었다. 이는 스캔통계량이 교통사고 위험 지역 탐색에 효과적임을 의미한다.

• 한국차세대컴퓨팅학회논문지
• /
• 제13권1호
• /
• pp.7-21
• /
• 2017

4세대 이동통신 시스템에 적용되는 다중 안테나 기술은 전송 환경과 안테나 설정에 따라 성능이 영향을 받는다. 본 논문에서는 실내 환경에서 다양한 다이버서티 전송 기법과 전파 조건을 고려하여 LTE(Long-term Evolution) MIMO(multiple-input multiple-output) 기술의 성능을 평가하였다. 특히, 다양한 실내 전파 환경에 대한 매체 접속 제어 처리률 (MAC TP)과 LTE 시스템 관련 파라미터들이 분석되었으며, 전송 다이버서티와 단일 안테나 모드에서의 MIMO 성능을 비교 분석하였다. 성능 평가 분석 결과는 다양한 실내 채널 환경에 대한 LTE 2×2 MIMO 안테나 설정에 대한 기준을 제시하고 더 나아가 안테나 제조업자 및 네트워크 운용자들을 위한 기준으로 활용될 수 있다.

• International Journal of Advanced Culture Technology
• /
• 제10권1호
• /
• pp.274-283
• /
• 2022

Korea is facing a number difficulties arising from rising housing prices. As 'housing' takes the lion's share in personal assets, many difficulties are expected to arise from fluctuating housing prices. The purpose of this study is creating housing price prediction model to prevent such risks and induce reasonable real estate purchases. This study made many attempts for understanding real estate instability and creating appropriate housing price prediction model. This study predicted and validated housing prices by using the LSTM technique - a type of Artificial Intelligence deep learning technology. LSTM is a network in which cell state and hidden state are recursively calculated in a structure which added cell state, which is conveyor belt role, to the existing RNN's hidden state. The real sale prices of apartments in autonomous districts ranging from January 2006 to December 2019 were collected through the Ministry of Land, Infrastructure, and Transport's real sale price open system and basic apartment and commercial district information were collected through the Public Data Portal and the Seoul Metropolitan City Data. The collected real sale price data were scaled based on monthly average sale price and a total of 168 data were organized by preprocessing respective data based on address. In order to predict prices, the LSTM implementation process was conducted by setting training period as 29 months (April 2015 to August 2017), validation period as 13 months (September 2017 to September 2018), and test period as 13 months (December 2018 to December 2019) according to time series data set. As a result of this study for predicting 'prices', there have been the following results. Firstly, this study obtained 76 percent of prediction similarity. We tried to design a prediction model of real estate transaction price with the LSTM Model based on AI and Bigdata. The final prediction model was created by collecting time series data, which identified the fact that 76 percent model can be made. This validated that predicting rate of return through the LSTM method can gain reliability.

• 대한토목학회논문집
• /
• 제28권2D호
• /
• pp.269-276
• /
• 2008

오늘날 도로망에 대한 자료기반을 구축하고, 유지 관리하는 것은 교통, 도시계획 등과 같은 많은 사회 전반 업무에서 필수적인 요소로 자리 잡고 있으며, 비상사태 대처나 재난 관리와 같은 많은 중요한 요소들이 그와 같은 자료에 바탕을 두고 있다. 그러나 도로망 자료를 구성하고 보완하는 일에는 높은 비용이 필요하며, 대부분의 시간을 많은 인력에 의존해야 하는 것이 현실이다. 본 연구에서는 LiDAR 원시자료로부터 도로관련 자료기반 구축을 위한 도로 포인트 추출을 위하여 정보량 추정의 척도로 사용되는 정보이론적 관점에서의 엔트로피 이론을 도입하여 LiDAR 자료의 표고정보에 대한 엔트로피를 계산함으로써 포인트들을 분류하여 그룹화하고 분류된 그룹들의 반사강도를 이용하여 도로로 예상되는 그룹을 추출하였으며, 법령에서 규정하고 있는 각종 도로 및 시설의 특징을 이용하여 도시지역 LiDAR 원시자료로부터 도로포인트를 자동적으로 추출하기 위한 방법을 제시하였다.

• 대한토목학회논문집
• /
• 제26권5B호
• /
• pp.511-517
• /
• 2006

홍수 피해는 인간에게 영향을 미치는 가장 중요하고 영향력 있는 자연재해 가운데 하나이다. 도시지역에서 국지적인 호우가 배수시스템의 용량을 초과할 경우 홍수피해가 발생된다. 도시지역에서 발생한 홍수는 도시산업과 교통 시스템을 마비시키며, 공공시설물에 막대한 피해를 야기시키다. 도시지역에서 이러한 피해를 줄이기 위해서는 도시지역의 복잡한 지형과 인위적인 배수시스템을 동시에 고려하기에 적합한 모형이 필요하다. 본 연구에서는 도시홍수의 침수범위, 침수심과 같은 홍수특성을 모의하기 위한 비정형격자기반 도시침수해석모형을 개발하였고, 이를 배수 시스템과 연계하였다. 본 연구를 통해 홍수 위험지역을 계산하고, 홍수대비지도를 만드는데 활용될 수 있다. 또한, 홍수담당기관의 의사지원시스템의 한 부분으로 활용되어 침수경감대책수립에 이용될 수 있다.