기술 트렌드가 증가함에 따라, 엄청난 양의 데이터가 생성되고 있습니다. 많은 양의 데이터가 소비되는 기술 분야 중 하나는 컴퓨터 비전이다. 인간은 기계와 비교할 때 시각에 영향을 미치는 표정, 조명 또는 시야각과 같은 외부 조건에서도 얼굴이나 사물을 쉽게 감지하고 인식할 수 있다. 그 이유는 그것과 관련된 높은 차원 의 데이터 때문이다. 데이터 차원성은 모든 관측치에서 측정되는 변수의 총 수를 말합니다. 이번 사업은 안 면인식시스템에 적합한 다양한 차원감소 기법을 비교하고 조도가 다양한 안면이미지로 구성된 다양한 데이 터세트로 테스트해 모델의 정확도 향상에 도움이 되는 기법의 앙상블 모델을 제안하고 성능을 측정하는 것 이 목적이다.렉스 배경과 표현. 제안된 앙상블 모델은 주성분 분석(PCA)과 로컬 선형 임베딩(LLE)이라는 두 가지 차원 감소 기술의 혼합에서 벡터를 추출하고, 이를 밀도 높은 컨볼루션 신경망(CNN)을 통해 전달하여 야생 면(LFW) 데이터 세트의 얼굴을 예측한다. 이 모형은 0.95의 검정 정확도와 0.94의 검정 F1 점수로 수행 됩니다. 제안된 시스템은 시스템이 얼굴을 예측할 수 있는 제안된 앙상블 모델과 통합된 웹캠에서 라이브 비 디오 스트림을 캡처하는 플라스크를 사용하여 개발된 웹 앱을 포함한다.

In this paper, a GAN-based data augmentation method is proposed for topology optimization. In machine learning techniques, a total amount of dataset determines the accuracy and robustness of the trained neural network architectures, especially, supervised learning networks. Because the insufficient data tends to lead to overfitting or underfitting of the architectures, a data augmentation method is need to increase the amount of data for reducing overfitting when training a machine learning model. In this study, the Ganerative Adversarial Network (GAN) is used to augment the topology optimization dataset. The produced dataset has been compared with the original dataset.

Deep convolutional network is a deep learning approach to optimize image recognition. This study aimed to apply DCNN to the reading of mandibular cortical thinning in digital panoramic radiographs. Digital panoramic radiographs of 1,268 female dental patients (age 45.2 ± 21.1yrs) were used in the reading of the mandibular cortical bone by two maxillofacial radiologists. Among the subjects, 535 normal subject’s panoramic radiographs (age 28.6 ±7.4 yrs) and 533 those of osteoporosis pationts (age 72.1 ± 8.7 yrs) with mandibular cortical thinning were used for training DCNN. In the testing of mandibular cortical thinning, 100 panoramic radiographs of normal subjects (age 26.6 ± 4.5 yrs) and 100 mandibular cortical thinning (age 72.5 ± 7.2 yrs) were used. The sensitive area of DCNN to mandibular cortical thinning was investigated by occluding analysis. The readings of DCNN were compared by two maxillofacial radiologists. DCNN showed 97.5% accuracy, 96% sensitivity, and 99% specificity in reading mandibular cortical thinning. DCNN was sensitively responded on the cancellous and cortical bone of the mandibular inferior area. DCNN was effective in diagnosing mandibular cortical thinning.

Recently, transfer learning techniques with a base convolutional neural network (CNN) model have widely gained acceptance in early detection and classification of crop diseases to increase agricultural productivity with reducing disease spread. The transfer learning techniques based classifiers generally achieve over 90% of classification accuracy for crop diseases using dataset of crop leaf images (e.g., PlantVillage dataset), but they have ability to classify only the pre-trained diseases. This paper provides with an evaluation scheme on selecting an effective base CNN model for crop disease transfer learning with regard to the accuracy of trained target crops as well as of untrained target crops. First, we present transfer learning models called CDC (crop disease classification) architecture including widely used base (pre-trained) CNN models. We evaluate each performance of seven base CNN models for four untrained crops. The results of performance evaluation show that the DenseNet201 is one of the best base CNN models.

자기공명영상은 고해상도의 연부조직에 대한 영상정보를 제공하며, 뇌종양 등 연부조직 진단에 활용된다. 본 연구는 합성곱신경망 인공지능을 통해 뇌종양 자기공명영상 분류성능을 확인해 보고자 한다. 4개 종류로 구분된 3264 장의 MRI 데이터 세트(data set)를 이용하였으며, 인공지능 학습을 위해 훈련용 데이터와 시험용 데이터를 9 : 1, 훈련용 데이터의 10%를 검증용 데이터로 구분하였다. 합성곱신경망은 기본 CNN과 VGG16으로 구성하였으며, 학습 평가는 정확도와 손실율로 확인하였으며, 생성된 모델을 통해 분류성능 정확도를 확인하였다. 실험 결과 과적합은 없었으며, 분류성능은 기본 CNN과 VGG16 각각 67%와 80%의 분류성능을 보였다. 도출된 뇌종양 자기공명영상 분류 결과를 통해 자기공명영상과 인공지능 접목에 관한 기초 자료로 사용될 수 있을 것이라 사료된다.

This ammonia prediction study was performed using the time-series artificial neural network model, Long-short term memory (LSTM), after long-term monitoring of ammonia and environmental factors (ventilation rate (V), temperature (T), humidity (RH)) from a slurry finishing pig farm on mechanical ventilation system. The difference with the actual ammonia concentration was compared through prediction of the last three days of the entire breeding period. As a result of the analysis, the model which had a low correlation (ammonia concentration and humidity) was confirmed to have less error values than the models that did not. In addition, the combination of two or more input values [V, RH] and [T, V, RH] showed the lowest error value. In this study, the sustainability period of the model trained by multivariate input values was analyzed for about two days. In addition, [T, V, RH] showed the highest predictive performance with regard to the actual time of the occurrence of peak concentration compared to other models . These results can be useful in providing highly reliable information to livestock farmers regarding the management of concentrations through artificial neural network-based prediction models.

이 논문에서는 공용중인 구조물의 상시 계측 자료를 사용한 온라인 유한요소 모델 업데이트 방법을 제안한다. 일반적인 최적화 방법에 기반한 기존의 방법은 최적해를 찾기까지 반복적으로 고유치 해석을 수행해야 하므로 상시 업데이트에 사용하기에는 효과적이지 못하다. 제안하는 방법은 별도의 오프라인 작업이나 사용자의 개입이 없이 자동화된 과정으로 계측과 동시에 온라인 유한요소모델 업데이트를 수행할 수 있는 새로운 방법이다. 자동화된 Cov-SSI 알고리즘을 통해 구조물의 진동 계측 신호로부터 고유진동수 및 모드 형상을 식별하고, 이를 다시 역 고유치 신경망에 입력하여 최종적으로 업데이트된 유한요소 모델의 파라미터를 추정한다. 풍하중을 받는 20층 전단 빌딩 구조 모형에 대한 수치예제를 통해 제시한 방법이 자동으로 연속적인 유한요소모델 업데이트를 할 수 있었음을 확인하였다. 또한, 계측 도중 구조물의 특성이 변화하는 시나리오에 대한 예제에서 구조물의 변화가 일어나는 시점과 변화 후 변동된 구조 모델 파라미터 값을 성공적으로 추정할 수 있음을 확인하였다.

본 연구의 목적은 Neural Network Regression 모델을 활용하여 선박의 가치평가 모델을 개발하는 것이다. 가치평가의 대상은 중고 VLCC선이며, 선행연구를 통해 선박의 가치 변화를 유발하는 주요 요인들을 선별하여 변수를 설정하고, 2000년 1월부터 2020년 8 월까지의 해당 데이터를 확보하였다. 변수의 안정성을 판단하기 위해 다중 공선성 검사를 수행하여 최종적으로 6개의 독립변수와 1개의 종속변수를 선정하고 연구 구조를 설계하였다. 이를 바탕으로 Linear Regression, Neural Network Regression, Random Forest Algorithm을 활용하여 총 9개의 시뮬레이션 모델을 설계하였다. 또한 각 모델간의 비교검증을 통해 평가결과의 정확성을 제고시켰다. 평가 결과, VLCC실제값과의 비교를 통해 2층으로 구성된 Hidden Layer의 Neural Network Regression 모델이 가장 정확도가 높은 것으로 나타났다. 본 연구의 시사점은 첫째, 기존 정형화된 평가기법에서 벗어나 기계학습기반 모델을 선박가치평가에 적용하였다는 점이다. 둘째, 해운시 장 변화요인을 동태적 관점에서 분석하고 예측함으로써 연구결과의 객관성을 제고시켰다고 할 수 있다.

본 논문에서는 전산구조 해석 데이터를 기반으로 인공 신경망을 활용하여 헬리데크 구조물에 대한 손상 추정 기법을 제안하였다. 헬리데크를 구성하는 트러스와 서포트 부재들에 대해서 절점을 공유하는 부재들을 70개의 모델로 그룹화 하였으며, 최대 3가지 부재 그룹에 무작위로 손상을 부여하여 총 37,400개의 손상 시나리오를 생성하였다. 이들 각각에 대해서 구조 해석 프로그램을 통해 모드 해석을 수행하였으며, 전체 손상 시나리오를 사용 목적에 따라 학습, 유효성 검사, 그리고 검증 시나리오로 분리하였다. 헬리데크의 손상 및 비손상 상태의 동적 응답 특성에 대한 패턴 인식을 위해 PyTorch 프로그램을 활용하여 3개의 은닉층을 가지는 인공 신경망을 구성하였으며, 이에 대해서 다양한 손상 시나리오를 반복 학습함으로써 손실 함수를 최소로 하는 인공 신경망을 도출하였다. 최종적으로 총 400개의 검증 시나리오에 대해서 인공 신경망이 추정한 손상률과 실제 부여된 손상률을 비교하였으며, 그 결과 본 연구를 통해 얻어진 인공 신경망이 손상 부재의 위치와 손상 정도를 매우 높은 정확도로 예측하는 것을 확인하였다.

작물의 생체중을 추정하기 위해 다양한 연구가 시도되었지만, 이미지를 활용하여 생체중을 추정한 예는 없었다. 최근 합성곱 신경망을 사용한 이미지 처리 연구가 늘고 있으며, 합성곱 신경망은 미가공 데이터를 그대로 사용할 수 있다. 본 연구에서는 합성곱 신경망을 이용하여 미가공 데이터 상태인 특정 시점의 파프리카 이미지를 입력으로 작물의 생체중을 추정하도록 학습하였다. 실험은 파프리카(Capsicum annuum L.)를 재배하는 온실에서 수행하였다. 합성곱 신경망의 출력값인 생체중은 파괴조사를 통해 수집한 데이터를 기반으로 회귀 분석하였다. 학습된 합성곱 신경망의 결정 계수(R2)의 최고값은 0.95로 나타났다. 생체중 추정값은 실제 측정값과 매우 유사한 경향성을 보여주었다.

본 연구에서는 인공신경망을 이용해 건물 구조물의 가속도계 설치 위치 및 개수를 선정하는 방법을 제안한다. 인공신경망의 입력 층에는 층에 설치되는 가속도계로부터 얻는 가속도이력데이터가 입력되며, 출력층에는 구조물을 정의하는 각 층의 질량과 강성 값을 출력하도록 신경망을 구성한다. 가속도계의 설치 위치 및 개수를 선정하기 위해 여러 설치 시나리오를 가정하고 훈련을 통해 인공신경망을 구한다. 훈련에 사용되지 않은 예제를 이용해 예측 성능을 비교하였다. 센서 개수 및 위치에 따른 예측 성능을 비교하여 설치위치 및 개수를 선정한다. 6층과 10층 예제 적용을 통해 제안하는 방법을 검증하였다.

Recently, deep learning that is the most popular and effective class of machine learning algorithms is widely applied to various industrial areas. A number of research on various topics about structural engineering was performed by using artificial neural networks, such as structural design optimization, vibration control and system identification etc. When nonlinear semi-active structural control devices are applied to building structure, a lot of computational effort is required to predict dynamic structural responses of finite element method (FEM) model for development of control algorithm. To solve this problem, an artificial neural network model was developed in this study. Among various deep learning algorithms, a recurrent neural network (RNN) was used to make the time history response prediction model. An RNN can retain state from one iteration to the next by using its own output as input for the next step. An eleven-story building structure with semi-active tuned mass damper (TMD) was used as an example structure. The semi-active TMD was composed of magnetorheological damper. Five historical earthquakes and five artificial ground motions were used as ground excitations for training of an RNN model. Another artificial ground motion that was not used for training was used for verification of the developed RNN model. Parametric studies on various hyper-parameters including number of hidden layers, sequence length, number of LSTM cells, etc. After appropriate training iteration of the RNN model with proper hyper-parameters, the RNN model for prediction of seismic responses of the building structure with semi-active TMD was developed. The developed RNN model can effectively provide very accurate seismic responses compared to the FEM model.

가뭄은 일반적으로 장기간에 걸쳐 물 공급이 부족하여 나타나는 환경 재앙 중 하나로 대부분 넓은 지역에 걸쳐 나타난다. 원격탐사 자료는 이러한 넓은 지역에서 나타나는 가뭄 모니터링에 적합한 방법이다. 따라서 이 연구에서는 강원도 소양호 지역의 Landsat 위성 영상 자료를 활용하여 약 30년(1985-2015) 동안의 소양호 면적을 산출하고 이를 가뭄 패턴과 분석하였다. 특히 ISODATA, Maximum likelihood 및 인공신경망을 활용하여 Landsat 영상을 분류하여 소양호 면적을 산출하였다. 또한 가뭄 패턴을 분석하기 위하여 산출된 호수 면적과 소양호 지역의 강수량을 활용한 표준 강수지수(Standardized Precipitation Index: SPI)와의 상관관계를 분석하였다. 영상 분류 연구 결과, ISODATA, Maximum likelihood 및 인공신경망 방법 중에서 호수 면적 산출의 최적의 방법은 인공신경망 방법임을 알 수 있었다. 또한, 인공신경망 방법을 적용하여 산출한 호수 면적과 SPI와의 상관관계 분석 결과 R 2 값이 0.52를 가진다. 즉, SPI 지수가 낮을 때 호수 면적이 감소하는 것을 알 수 있었다. 즉 호수 면적 변화를 통하여 소양호 지역의 가뭄 상태 감지 및 모니터링이 가능하다는 것을 알 수 있었다. 이 연구는 향후 지역 가뭄 모니터링 프로그램 개발 등에 사용이 가능할 것이다.

Vegetation segmentation in a field color image is a process of distinguishing vegetation objects of interests like crops and weeds from a background of soil and/or other residues. The performance of the process is crucial in automatic precision agriculture which includes weed control and crop status monitoring. To facilitate the segmentation, color indices have predominantly been used to transform the color image into its gray-scale image. A thresholding technique like the Otsu method is then applied to distinguish vegetation parts from the background. An obvious demerit of the thresholding based segmentation will be that classification of each pixel into vegetation or background is carried out solely by using the color feature of the pixel itself without taking into account color features of its neighboring pixels. This paper presents a new pixel-based segmentation method which employs a multi-layer perceptron neural network to classify the gray-scale image into vegetation and nonvegetation pixels. The input data of the neural network for each pixel are 2-dimensional gray-level values surrounding the pixel. To generate a gray-scale image from a raw RGB color image, a well-known color index called Excess Green minus Excess Red Index was used. Experimental results using 80 field images of 4 vegetation species demonstrate the superiority of the neural network to existing threshold-based segmentation methods in terms of accuracy, precision, recall, and harmonic mean.

This study was conducted as part of a series of studies to introduce the Convolutional Neural Network(CNN) into the diagnostic field of osteoporosis. The purpose of this study was to compare the results when testing Digital Radiography(DR) and Computed Radiography(CR) panoramic radiographs by CNN that were trained by DR panoramic radiographs. The digital panoramic radiographs of females who visited for the purpose of diagnosis and treatment at Chonnam National University Dental Hospital were taken. Two Oral and Maxillofacial Radiologists were selected for the study to compare the panoramic radiographs with normal and osteoporosis images. Among them, 1068 panoramic radiographs of females{Mean [± standard deviation] age: 49.19 ± 21.91 years} obtained by DR method were used for training of CNN. 200 panoramic radiographs of females{Mean [± standard deviation] age: 63.95 ± 6.45 years} obtained by DR method and 202 panoramic radiographs of females{Mean [± standard deviation] age: 62.00 ± 6.86 years} obtained by CR method were used for testing of CNN. When the DR panoramic radiographs were tested, the Accuracy was 92.5%. When the CR panoramic radiographs were tested, the Accuracy was 76.2%. It can be seen that the CNN trained by DR panoramic radiographs is suitable to be tested with the same DR panoramic radiographs.

화재의 초기 검출은 인명과 재화의 손실을 최소화하기 위한 중요한 요소이다. 불꽃과 연기를 신속하면서 동시에 검출해야 하며 이를 위해 영상 기반의 화재 검출에 관한 연구가 다양하게 진행되고 있다. 기존의 화재 검출은 불꽃과 연기의 특징을 추출하기 위해 여러 알고리즘을 거쳐서 화재의 검출 유무를 판단하므로 연산량이 많이 소모되었으나, 딥러닝 알고리즘인 합성곱 신경망을 이용 하면 별도의 과정이 생략되므로 신속하게 검출할 수 있다. 본 논문에서는 선박 기관실에서 화재 영상을 녹화한 데이터로 실험을 수행 하였다. 불꽃과 연기의 특징을 외각 상자로 추출한 후 합성곱 신경망 중 하나인 욜로(YOLO)를 이용하여 학습하고 결과를 테스트하였 다. 실험 결과를 검출률, 오검출률, 정확도로 평가하였으며 불꽃은 0.994, 0.011, 0.998, 연기는 0.978, 0.021, 0.978을 나타내었고, 연산시간 은 0.009s를 소모됨을 확인하였다.