도로의 포장 상태의 노후화나 관리미흡으로 인하여 시민의 사유 재산 중 주요한 요소인 자동차 등의 손상이나 자동차 사고 로 이어질 수 있어 큰 사회적 비용이 발생할 뿐 아니라, 시민들의 불편과 불만을 초래할 수 있다. 최근 도로 포장의 경우 포트홀 발생 건수와 그에 따른 민원 및 소송 건수가 증가해 행정력 및 예산이 낭비되고 있으며, 서울시의 경우 포장도로 노후화 추이가 증가함에 따라 유 지 관리 비용 또한 증가하고 있다. SOC 시설물 안전성 강화에 대한 사회적 요구는 지속적으로 증가하고 있어 한정된 예산의 효율적 활용을 위한 첨단 유지관리기술 도입이 시급하다.

PURPOSES : This study develops a model that can estimate travel speed of each movement flow using deep-learning-based probe vehicles at urban intersections. METHODS : Current technologies cannot determine average travel speeds for all vehicles passing through a specific real-world area under obseravation. A virtual simulation environment was established to collect information on all vehicles. A model estimate turning speeds was developed by deep learning using probe vehicles sampled during information processing time. The speed estimation model was divided into straight and left-turn models, developed as fully-offset, non-offset, and integrated models. RESULTS : For fully-offset models, speed estimation for both straight and left-turn models achieved MAPE within 10%. For non-offset models, straight models using data drawn from four or more probe vehicles achieved a MAPE of less than 15%. The MAPE for left turns was approximately 20%. CONCLUSIONS : Using probe-vehicle data(PVD), a deep learning model was developed to estimate speeds each movement flow. This, confirmed the viability of real-time signal control information processing using a small number of probe vehicles.

With the recent surge in YouTube usage, there has been a proliferation of user-generated videos where individuals evaluate cosmetics. Consequently, many companies are increasingly utilizing evaluation videos for their product marketing and market research. However, a notable drawback is the manual classification of these product review videos incurring significant costs and time. Therefore, this paper proposes a deep learning-based cosmetics search algorithm to automate this task. The algorithm consists of two networks: One for detecting candidates in images using shape features such as circles, rectangles, etc and Another for filtering and categorizing these candidates. The reason for choosing a Two-Stage architecture over One-Stage is that, in videos containing background scenes, it is more robust to first detect cosmetic candidates before classifying them as specific objects. Although Two-Stage structures are generally known to outperform One-Stage structures in terms of model architecture, this study opts for Two-Stage to address issues related to the acquisition of training and validation data that arise when using One-Stage. Acquiring data for the algorithm that detects cosmetic candidates based on shape and the algorithm that classifies candidates into specific objects is cost-effective, ensuring the overall robustness of the algorithm.

인공 고관절 치환술에 사용되는 금속 삽입물은 크기와 성분에 따라 주변 조직과 크고 작은 자화율의 차이를 일으켜 다양한 금속 인공물의 원인이 되며, 영상에 진단적 가치를 떨어뜨린다. 수신대역폭을 높이는 것은 인공물 감소에 효과가 있으나, 높은 수신대역폭은 획득 영상의 신호대잡음비를 감소시키는 단점이 있어 일정 수치 이상으로는 적용 하기에는 어려움이 있다. 딥러닝 알고리즘은 영상의 신호대잡음비를 높이고 전체 영상에서 균일하게 배경 잡음을 제거하는 데 매우 효과적이다. 이에 본 연구에서는 금속 인공물 감소를 위해 기존에 높은 수신대역폭을 이용하는 MARS(metal artifact reduction sequence) 프로토콜과 더욱 높은 수신대역폭을 설정한 프로토콜(Ultra MARS) 을 획득한 후 딥러닝을 이용하여 딥러닝 Ultra MARS로 변환한 후에 금속 인공물의 차이를 비교하였다. 딥러닝 적 용 후 Ultra MARS에서 적용 전 또는 기존의 MARS 기법보다 인공물의 크기가 작게 측정이 되었다. 또한, 인공물의 전체적인 SSIM(structural similarity index measure)에서도 기존의 MARS 기법보다 전체면적이 작게 측정되었 다. 더 나아가 SSIM의 결과 딥러닝 적용 전후의 구조적 유사성 역시 유사하게 나왔다. 딥러닝 알고리즘을 기존에 인공물을 줄이기 위해 사용하는 MARS와 같은 기법에서도 월등하게 높은 수치를 사용하는 강조영상을 획득 가능하 며 영상의 인공물도 줄이며, 영상의 대조도 또한 유지되는 영상을 제공할 수 있을 것으로 사료된다.

PVA 섬유 보강 시멘트 복합체는 매우 복잡한 미세구조를 가지고 있으며, 재료의 거동을 정확히 평가하기 위해서는 미세구조 특성 을 반영하여 실제 실험과 시너지효과를 내며 효율적인 재료 설계를 가능하게 하는 해석 모델의 개발이 중요하다. PVA 섬유 보강 시멘 트 복합체의 역학적 성능은 PVA 섬유의 방향성에 큰 영향을 받는다. 그러나 마이크로-CT 이미지로부터 얻은 PVA 섬유의 회색조 값 을 인접한 상과 구분하기 어려워, 섬유 분리 과정에 많은 시간이 소요된다. 본 연구에서는 섬유의 3차원 분포를 얻기 위하여 0.65μm3 의 복셀 크기를 가지는 마이크로-CT 이미지 촬영을 수행하였다. 학습에 사용될 학습 데이터를 생성하기 위해 히스토그램, 형상, 그리 고 구배 기반 상 분리 방법을 적용하였다. 본 연구에서 제안된 U-net 모델을 활용하여 PVA 섬유 보강 시멘트 복합체의 마이크로- CT 이미지로부터 섬유를 분리하는 학습을 수행하였다. 훈련의 정확도를 높이기 위해 데이터 증강을 적용하였으며, 총 1024개의 이미지 를 훈련 데이터로 사용하였다. 모델의 성능은 정확도, 정밀도, 재현율, F1 스코어를 평가하였으며, 학습된 모델의 섬유 분리 성능이 매 우 높고 효율적이며, 다른 시편에도 적용될 수 있음을 확인하였다.

식량 작물의 확보 및 생산량 예측은 국가 발전에 있어 필수적이며, 국가 경제뿐만 아니라 전 세계 식량 안보에 기여 한다. 최근 환경오염으로 인한 이상기후는 식량 작물 생산량에 직ㆍ간접적으로 부정적 영향을 끼치고 있어, 작물 수확량 예측 불확실성이 높아지고 있다. 특히, 노지 작물의 경우 생산량 감소와 품질 저하 문제가 화두 되고 있다. 이러한 문제는 농가들뿐만 아니라 소비자들에게도 큰 피해를 안겨주고 있다. 이러한 생산량 예측 이슈를 해결하기 위해 최근에는 인공지능 기술이 농업 분야에도 활발히 적용되고 있다. 작물 수확량의 정확한 예측을 위한 머신러닝 기반 연구가 집중적으로 수행되고 있다. 따라서, 본 연구에서는 이와 같은 인공지능 기반의 노지 작물 수확량 예측 기술(머신러닝, 딥러닝, 하이브리드 모델 등) 현황 및 작물 수확량에 가장 영향을 많이 끼치는 모델 파라미터 등을 조사하였다.

기후변화 영향으로 이상고수온, 태풍, 홍수, 가뭄 등 재난 및 안전 관리기술은 지속적으로 고도화를 요구받고 있으며, 특히 해 수면 온도는 한반도 주변에서 발생되는 여름철 적조 발생과 동해안 냉수대 출현, 소멸 등에 영향을 신속하게 분석할 수 있는 중요한 인자 이다. 따라서, 본 연구에서는 해수면 온도 자료를 해양 이상현상 및 연구에 적극 활용되기 위해 통계적 방법과 딥러닝 알고리즘을 적용하 여 예측성능을 평가하였다. 예측에 사용된 해수면 수온자료는 흑산도 조위관측소의 2018년부터 2022년까지 자료이며, 기존 통계적 ARIMA 방법과 Long Short-Term Memory(LSTM), Gated Recurrent Unit(GRU)을 사용하였고, LSTM의 성능을 더욱 향상할 수 있는 Sequence-to-Sequence(s2s) 구조에 Attention 기법을 추가한 Attention Long Short-Term Memory (LSTM)기법을 사용하여 예측 성능 평가를 진행하 였다. 평가 결과 Attention LSTM 모델이 타 모델과 비교하여 더 좋은 성능을 보였으며, Hyper parameter 튜닝을 통해 해수면 수온 성능을 개 선할 수 있었다.

인공위성은 최첨단 기술로써 시공간적 관측제약이 적어 해양 사고에 효과적 대응과 해양 변동 특성 분석 등으로 각국의 국가 기관들이 위성 정보를 활용하고 있다. 하지만 고해상도 위성 관측 기반 해수면 온도 자료(Operational Sea Surface Temperature and Sea Ice Analysis, OSTIA)는 위성의 기기적, 또는 지리적 오류와 구름으로 인해 낮게 관측되거나 공백으로 처리되며 이를 복원하기까지 수 시간이 소요된다. 본 연구는 최신 딥러닝 기반 알고리즘인 LaMa 기법을 활용하여 결측된 OSTIA 자료를 복원하고, 그 성능을 기존에 이용되어 온 세 가지 영상처리 기법들의 성능과 비교하여 평가하였다. 결정계수(R²)와 평균절대오차(MAE) 값을 이용하여 각 기법의 위성 영상 복원 성 능을 평가한 결과, LaMa 알고리즘을 적용하였을 때의 R²과 MAE 값이 각각 0.9 이상, 0.5℃ 이하로, 기존에 사용되어 온 쌍 선형보간법, 쌍 삼차보간법, DeepFill v1 기법을 적용한 것보다 더 우수한 성능을 보였다. 향후에는 현업 위성 자료 제공 시스템에 LaMa 기법을 적용하여 그 가능성을 평가해 보고자 한다.

Nowadays, artificial intelligence model approaches such as machine and deep learning have been widely used to predict variations of water quality in various freshwater bodies. In particular, many researchers have tried to predict the occurrence of cyanobacterial blooms in inland water, which pose a threat to human health and aquatic ecosystems. Therefore, the objective of this study were to: 1) review studies on the application of machine learning models for predicting the occurrence of cyanobacterial blooms and its metabolites and 2) prospect for future study on the prediction of cyanobacteria by machine learning models including deep learning. In this study, a systematic literature search and review were conducted using SCOPUS, which is Elsevier’s abstract and citation database. The key results showed that deep learning models were usually used to predict cyanobacterial cells, while machine learning models focused on predicting cyanobacterial metabolites such as concentrations of microcystin, geosmin, and 2-methylisoborneol (2-MIB) in reservoirs. There was a distinct difference in the use of input variables to predict cyanobacterial cells and metabolites. The application of deep learning models through the construction of big data may be encouraged to build accurate models to predict cyanobacterial metabolites.

On pig farms, the highest mortality rate is observed among nursing piglets. To reduce this mortality rate, farmers need to carefully observe the piglets to prevent accidents such as being crushed and to maintain a proper body temperature. However, observing a large number of pigs individually can be challenging for farmers. Therefore, our aim was to detect the behavior of piglets and sows in real-time using deep learning models, such as YOLOv4-CSP and YOLOv7-E6E, that allow for real-time object detection. YOLOv4-CSP reduces computational cost by partitioning feature maps and utilizing Cross-stage Hierarchy to remove redundant gradient calculation. YOLOv7-E6E analyzes and controls gradient paths such that the weights of each layer learn diverse features. We detected standing, sitting, and lying behaviors in sows and lactating and starving behaviors in piglets, which indicate nursing behavior and movement to colder areas away from the group. We optimized the model parameters for the best object detection and improved reliability by acquiring data through experts. We conducted object detection for the five different behaviors. The YOLOv4-CSP model achieved an accuracy of 0.63 and mAP of 0.662, whereas the YOLOv7-E6E model showed an accuracy of 0.65 and mAP of 0.637. Therefore, based on mAP, which includes both class and localization performance, YOLOv4-CSP showed the superior performance. Such research is anticipated to be effectively utilized for the behavioral analysis of fattening pigs and in preventing piglet crushing in the future.

Land monitoring involves systematically understanding changes in land use, leveraging spatial information such as satellite imagery and aerial photographs. Recently, the integration of deep learning technologies, notably object detection and semantic segmentation, into land monitoring has spurred active research. This study developed a web service to facilitate such integrations, allowing users to analyze aerial and drone images using CNN models. The web service architecture comprises AI, WEB/WAS, and DB servers and employs three primary deep learning models: DeepLab V3, YOLO, and Rotated Mask R-CNN. Specifically, YOLO offers rapid detection capabilities, Rotated Mask R-CNN excels in detecting rotated objects, while DeepLab V3 provides pixel-wise image classification. The performance of these models fluctuates depending on the quantity and quality of the training data. Anticipated to be integrated into the LX Corporation's operational network and the Land-XI system, this service is expected to enhance the accuracy and efficiency of land monitoring.