본 논문은 딥러닝 알고리즘을 이용하여 딸기 영상 데이터의 병충해 존재 여부를 자동으로 검출할 수 있는 서비스 모델을 제안한다. 또한 병징에 특화된 분할 이미지 데이터 세트를 제 안하여 딥러닝 모델의 병충해 검출 성능을 향상한다. 딥러닝모델은 CNN 기반 YOLO를 선정하여 기존의 R-CNN 기반 모델의 느린 학습속도와 추론속도를 개선하였다. 병충해 검 출 모델을 학습하기 위해 일반적인 데이터 세트와 제안하는 분할 이미지 데이터 세트를 구축하였다. 딥러닝 모델이 일반 적인 학습 데이터 세트를 학습했을 때 병충해 검출률은 81.35%이며 병충해 검출 신뢰도는 73.35%이다. 반면 딥러닝 모델이 분할 이미지 학습 데이터 세트를 학습했을 때 병충해 검출률은 91.93%이며 병충해 검출 신뢰도는 83.41%이다. 따 라서 분할 이미지 데이터를 학습한 딥러닝 모델의 성능이 우 수하다는 것을 증명할 수 있었다.

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.

최근 초고층 및 초장대와 같은 대형 구조물들이 시공되고 있으며, 이에 대한 구조물 건전성 모니터링 기술들이 연구되고 있다. 하지만 기존의 기술들은 계측 센서의 관리와 센서로부터 계측된 데이터에 효율적으로 access하지 못하고 있다. 본 논문에서는 구조물 건전성 모니터링을 위한 증강현실 기반 센서 위치인식 및 데이터 시각화 기술을 소개한다. 모바일 디바이스에 내장된 GPS를 통하여 센서와 사용자 간의 거리를 파악하게 된다. 뿐만 아니라, 센서로부터 계측된 데이터는 위치정보시스템 서버에 저장되며, RSS방식을 통해 전송되어 사용자가 모바일 디바이스를 통해 쉽게 계측 데이터를 가시화 할 수 있게 된다. 이 기술을 이용하여 사용자는 센서의 위치인식을 통해 계측센서를 관리하고, 계측 데이터를 시각화하여 시간과 공간에 제약 없이 구조물의 건전성을 모니터링 할 수 있게 된다.

In this paper, augmented reality (AR)-based sensor awareness and data visualization for environmental information monitoring of structures without the limitations of time and space is proposed. The proposed technique will improves the work efficiency and help to maintain good health for modern people by providing a comfortable indoor environment.