2023년 발표된 해양사고 통계에 따르면 해양 사고로 인한 인명피해는 소폭 감소하였지만, 해양 사고 발생 건수는 2021 ~ 2023년 까지 꾸준히 증가하고 있다. 이러한 해양사고의 예방 및 조치를 위해 정부 기관, 지자체 등에서는 안전 사업 추진 및 CCTV 관제 시스템을 구축하고 있다. 그 중 CCTV 관제 시스템은 야간 환경에서 가시거리 감소, 객체 식별의 어려움 등의 한계를 가지고 있다. 이러한 한계를 극복하기 위해 본 연구에서는 저조도 개선 알고리즘을 활용한 야간 해양 환경 개선에 관한 연구를 진행했다. 연구 진행간 저조도 개선 성 능과 실시간 안전 모니터링을 위한 영상 데이터의 처리에 초점을 맞췄다. 총 3가지의 저조도 개선 알고리즘과 2가지의 딥러닝 모델 경량 화 기법을 활용하여 최적의 실시간 저조도 개선 알고리즘을 선정하였다. 본 연구에서는 Bread 알고리즘에 Tensor RT 기법을 적용한 경우 에서 SSIM 0.7, FPS 100을 기록하며 저조도 개선 성능 및 실시간 데이터 처리에 가장 적합한 방안인 것을 입증하였다.

기계 장비의 진동 데이터는 필연적으로 노이즈를 포함하고 있다. 이러한 노이즈는 기계 장비의 유지보수를 진행하는데 악영향 을 끼친다. 그에 따라 데이터의 노이즈를 얼마나 효과적으로 제거해주냐에 따라 학습 모델의 성능을 좌우한다. 본 논문에서는 시계열 데 이터를 전처리 함에 있어 특성추출 과정을 포함하지 않는 Denoising Auto Encoder 기법을 활용하여 데이터의 노이즈를 제거했다. 또한 기계 신호 처리에 널리 사용되는 Wavelet Transform과 성능 비교를 진행했다. 성능비교는 고장 탐지율을 계산하여 진행했으며 보다 정확한 비교 를 위해 분류 성능 평가기준 중 하나인 F-1 Score를 계산하여 성능 비교를 진행했다. 고장을 탐지하는 과정에서는 One-Class SVM 기법을 활용하여 고장 데이터를 탐지했다. 성능 비교 결과 고장 진단율과 오차율 측면에서 Denoising Auto Encoder 기법이 Wavelet Transform 기법 에 비해 보다 좋은 성능을 나타냈다.