요통을 호소하는 환자에서의 자기공명영상 검사는 다른 영상 진단법에 비해 요추와 주변 조직에 대한 높은 대조도와 해상력, 다양한 영상면의 획득으로 해부학적 구조 파악과 다양한 척추 질환의 진단에 널리 활용되고 있다. 그러나 자기공명 영상 검사는 검사 시간이 길기 때문에 통증으로 협조가 되지 않는 환자들에게서 움직임에 의한 인공물을 유발하는 경우가 많아 검사 시간을 최소화하는 것이 중요하다. 이에 자기공명영상 검사 시간 단축을 위한 다양한 기법들이 개발되어 왔으며, 최근 높은 영상의 질을 유지하면서 검사 시간은 크게 줄이는 K-공간 기반 딥 러닝(K-space based Deep Learning, DL) 기법이 주목받고 있다. 본 연구는 요추 자기공명영상 검사에서 DL 기법의 유용성을 알아보기 위해 본원을 내원하여 척추 질환이 의심되는 환자를 대상으로 DL 기법 적용 전후 시상면 T2 강조 영상과 축상면 T2 강조 영상을 각각 획득하였으며, 신호대잡음비와 대조대잡음비, 영상 획득 시간, 전체적인 영상의 질 및 병변 진단 일치도를 비교 분석하였다. 연구 결과 영상의 질 향상과 검사 시간의 단축뿐만 아니라 빠른 영상 획득으로 움직임이나 호흡에 의한 인공물 또한 감소하는 것을 볼 수 있었다. 따라서 자기공명영상 검사에서 DL 기법 사용 시 진단적 가치가 보다 높은 영상을 제공하는 동시에 환자의 만족도를 높여 임상에서도 유용한 방법이 될 것으로 사료된다.

MRI는 연부조직에 대한 고해상도의 영상을 제공하며 진단적 가치가 매우 높은 영상 검사이며, 디지털 데이터를 이용하여 딥러닝 기술을 통해 컴퓨터 보조 진단 역할을 수행할 수 있다. 본 연구는 딥러닝 기반 YOLOv3를 이용하여 뇌종양 분류 성능을 확인해 보고자 한다. 253장의 오픈 MRI 영상을 이용하여 딥러닝 학습을 진행하고 학습 평가지표는 평균손실(average loss)와 region 82와 region 94를 사용하였으며, 뇌종양 분류 모델 검증을 위해 학습에 사용되지 않은 영상을 이용하여 검출 성능을 평가하였다. 평균손실은 2248 epochs 시 0.1107, region 82와 region 94의 24079 반복학습 시 average IoU, class, .5R, .75R은 각각 0.89와 0.81, 1.00과 1.00, 1.00과 1.00, 1.00과 1.00의 결과값을 도출하였다. 뇌종양 분류 모델 검증 결과 정상 뇌와 뇌종양 각각 95.00%, 75.36%의 정확도로 분류할 수 있었다. 본 연구 결과를 통해 MRI 영상을 활용한 딥러닝 연구 및 임상에 기초자료로 사용될 것이라 사료된다.

본 연구에서는 영상기반 딥러닝 및 이미지 프로세싱 기법을 이용한 볼트풀림 손상검출 기법을 제안하였다. 이를 위해 먼저, 딥러닝 및 이미지 프로세싱 기반 볼트풀림 검출 기법을 설계하였다. 영상기반 볼트풀림 검출 기법은 볼트 이미지 검출 과정 및 볼트풀림 각도 추정 과정으로 구성된다. 볼트 이미지의 검출을 위하여 RCNN기반 딥러닝 알고리즘을 이용하였다. 영상의 원근왜곡 교정을 위해 호모그래피 개념을 이용하였으며 볼트풀림 각도를 추정을 위하여 Hough 변환을 이용하였다. 다음으로 제안된 기법의 성능을 검증을 위하여 거더의 볼트 연결부 모형을 대상으로 볼트풀림 손상검출 실험을 수행하였다. 다양한 원근 왜곡 조건에 대하여 RCNN 기반 볼트 검출기와 Hough 변환 기반 볼트풀림 각도 추정기의 성능을 검토하였다.

PURPOSES: In this study, algorithms were proposed for determining the crack condition of an asphalt pavement image using deep learning methods. METHODS: For the configuration of a deep learning network, the study used a Convolution Neural Network and You Only Look Once algorithms. To obtain input data for analysis, a camera was mounted on the bonnet of the vehicle to obtain images of asphalt pavement and to mark the ground-truth cracks in the asphalt pavement image. In addition, an algorithm suitable for the automatic determination function of Deep Learning was proposed in order to calculate the crack ratio and crack rating. RESULTS: The result of analysis showed that the recall rate of cracks in this system was higher from FPPW 5.0E-06 to 96.03%. Furthermore, the accuracy of the grading system was found to be 100%, enabling the determination of very accurate ratings. The rate of processing per image was 0.4448 seconds on average, and the real-time analysis of pavement images presented no problem because the assessment took place within a short time. CONCLUSIONS : Applying this system to the pavement management system is expected to reduce the time required in finishing work and to determine a quantitative crack rating.

This paper presents a new benchmark system for visual odometry (VO) and monocular depth estimation (MDE). As deep learning has become a key technology in computer vision, many researchers are trying to apply deep learning to VO and MDE. Just a couple of years ago, they were independently studied in a supervised way, but now they are coupled and trained together in an unsupervised way. However, before designing fancy models and losses, we have to customize datasets to use them for training and testing. After training, the model has to be compared with the existing models, which is also a huge burden. The benchmark provides input dataset ready-to-use for VO and MDE research in ‘tfrecords’ format and output dataset that includes model checkpoints and inference results of the existing models. It also provides various tools for data formatting, training, and evaluation. In the experiments, the exsiting models were evaluated to verify their performances presented in the corresponding papers and we found that the evaluation result is inferior to the presented performances.

In the ground environment, mobile robot research uses sensors such as GPS and optical cameras to localize surrounding landmarks and to estimate the position of the robot. However, an underwater environment restricts the use of sensors such as optical cameras and GPS. Also, unlike the ground environment, it is difficult to make a continuous observation of landmarks for location estimation. So, in underwater research, artificial markers are installed to generate a strong and lasting landmark. When artificial markers are acquired with an underwater sonar sensor, different types of noise are caused in the underwater sonar image. This noise is one of the factors that reduces object detection performance. This paper aims to improve object detection performance through distortion and rotation augmentation of training data. Object detection is detected using a Faster R-CNN.

영상 인식 기술은 평면 영상에 대해서 많이 연구되고 그 성능 또한 발전하고 있다. 그러나 평면 영상이 아닌 구면 파노라마 영상과 다양한 환경에서 주어지는 특수한 형태의 영상에 대한 인식은 평면과 다르게 기하학적인 왜곡으로 인해서 많은 어려움이 따른다. 본 논문에서는 평면영상의 인식 기술에서 최근 각광받는 훈련을 통한 신경망 인식 기법이 구면 파노라마 영상의 인식에서도 쓰일 수 있음을 보인다. 또한 구면 영상에 대한 기존 신경망 모델의 인식률을 높이기 위해서 큐브맵 변환을 활용하는 방법을 제시한다.

Recently, there have been many studies to classify the image-based damage of bridge using the deep learning and to evaluate the condition. These attempts are one of the ways to overcome limitations of visual inspection through inspectors, and it is also aimed to reduce the cost of necessary maintenance budget by enabling accurate and rapid damage assessment of rapidly growing old facilities and difficult parts of visual inspection. However, it is possible to classify and quantitatively express simple damage (one damage classification such as cracks) with image information (big data) of bridges, but classification and quantification of complex damage can be done by using one deep learning is a limit. Therefore, this study presents considerations and a method to be used for damage detection on the image basis using deep learning.

This paper presents the applicability and reliability of the crack detection technique of concrete structures developed based on the use of digital image analysis technologies through on - site tests. The problem of aging of infrastructure is a serious threat to the national and national security and there is a growing interest in the development and application of effective inspection and maintenance techniques for related infrastructure. Therefore, instead of the existing traditional manpower-based infrastructure inspection and maintenance techniques, which involve lots of time and money consumption and reliability of results, research using digital image analysis technology is actively being carried out.

This paper proposes real-time image-based damage detection method for concrete structures using deep learning. The proposed method is composed of three steps: (1) collection of a large volume of images containing damage information from internet, (2) development of a deep learning model (i.e., convolutional neural network (CNN)) using collected images, and (3) automatic selection of damage images using the trained deep learning model. The whole procedure of the proposed method has been applied to some figures taken in a real structure. This method is expected to facilitate the regular inspection and speed up the assessment of detailed damage distribution the without losing accuracy.

This paper proposes a deep learning-based crack evaluation technique using hybrid images. The use of the hybrid images combining vision and infrared images are able to improve crack detectability while minimizing false alarms. In particular, large-scale infrastructures can be inspected by an UAV-mounted hybrid image scanning (HIS)　system, and the corresponding huge amount of data is typically difficult to be analyzed by experts. To automate such making-decision process, deep convolutional neural network is used in this study. As the very first stage, a lab-scale HIS system is developed using a scanning zig and experimentally validated using a concrete specimen with various-size cracks. The test results reveal that macro- and micro-cracks are successfully and automatically detected with minimizing false-alarms.