머신러닝 기법의 발달과 함께 기계에서 발생하는 다양한 종류(진동, 온도, 유량 등)의 데이터를 활용하여 기계의 상태를 진단하고 이상 탐지 및 비정상 분류 연구도 활발히 진행되고 있다. 특히 진동 데이터를 활용한 회전 기계의 상태 진단은 전통적인 기계 상태 모니터링 분야로 오랜 기간 동안 연구가 진행되었고, 연구 방법 또한 매우 다양하다. 본 연구에서는 가정용 에어컨에 사용되는 로터리 압축기에 가속도계를 직접 설치하여 진동 데이터를 수집하는 실험을 진행하였다. 데이터 부족 문제를 해결하기 위해 데이터 분할을 수행하였으며, 시간 영역에서의 진동 데이터로부터 통계적, 물리적 특징들을 추출한 후, Chi-square 검증을 통해 고장 분류 모델의 주요 특징을 추출하였다. SVM(Support Vector Machine) 모델은 압축기의 정상 혹은 이상 유무를 분류하기 위해 개발되었으며, 파라미터 최적화를 통해 분류 정확도를 개선하였다.

본 논문에서는 피부색 정보의 적응적 선택과 투영 기법을 이용한 얼굴 영역 추출 알고리즘을 제안한다.얼굴 후보 영역은 피부색 정보를 얻은 후, 전체 화소수와 추출된 화소수의 비에 따라 3단계로 나누어 추출한다. 투영 기법에서는 얼굴 후보 영역을 수직 투영하여 얼굴 폭을 추정한 후, 추정된 정보를 수평 투영에 적용하여 얼굴 길이를 추정함으로써 최종 얼굴 영역을 추출하였다. 인터넷 및 다양한 환경에서 획득된 영상에 대한 실험 결과 제안한 알고리즘은 정확한 얼굴 영역을 추출할 수 있음을 알 수 있었다.

This paper presents a convolutional neural network to automatically conduct the peak picking in frequency domain of structural responses. The peaks in frequency domain have a high potential to be the natural frequencies, which are one of the important indicator to be used for structural health monitoring purposes, such as damage detection, cable tension estimation, and finite element model updating. In general, the peaks with the corresponding natural frequencies are manually selected by the users from the frequency domain. Although this previous approach is possible to simply extract the candidate of natural frequencies, it is inappropriate in the practical applications of the long-term monitoring and the implementation for wireless smart sensor. To overcome the drawbacks, this study proposes the convolutional neural network that can automatically identify the peaks with the corresponding natural frequencies from the frequency domain of structural responses.

In this paper, we propose a new algorithm of the guidance line extraction for autonomous agricultural robot based on vision camera in paddy field. It is the important process for guidance line extraction which finds the central point or area of rice row. We are trying to use the central region data of crop that the direction of rice leaves have convergence to central area of rice row in order to improve accuracy of the guidance line. The guidance line is extracted from the intersection points of extended virtual lines using the modified robust regression. The extended virtual lines are represented as the extended line from each segmented straight line created on the edges of the rice plants in the image using the Hough transform. We also have verified an accuracy of the proposed algorithm by experiments in the real wet paddy.

흙-함수특성곡선(Soil-Water Characteristic Curve, SWCC)은 모관흡수력과 포화도 혹은 체적함수비 사이의 관계를 나타내어주는 불포화토 고유의 물성으로서 불포화토의 흐름특성을 이해하고 함수량에 따른 흙의 강도 및 응력 거동특성을 해석하는 데 필수적인 요소이다. 흙-함수특성곡선에 대한 선행 연구결과들의 경우, 건조 및 습윤과정에서의 간극수 유출입량을 측정하여 모관흡수력에 대한 체적함수비를 산출하여 왔다. 본 연구에서는, 압력판 추출 시험기(VPPE)에 전자기파의 시간영역반사법(Time Domain Reflectometry, TDR)을 도입하여 불포화토의 건조 및 습윤과정에 따른 유전상수 측정을 통해 체적함수비를 산정하고자 하였다. 압력판 추출 시험기는 압력셀, 압력조절장치, 뷰렛 시스템, TDR 프로브로 구성된다. 압력조절장치로 압력셀 내부에 공기압을 가하여 모관흡수력을 조절하였고, 가압범위는 0.1kPa-50kPa으로 설정하였다. 모관흡수력 변화에 따라 시료내 함수량이 변화하였으며, 뷰렛 시스템을 통하여 변화량을 측정하였다. 프로브의 경우 압력셀 내부에 설치하고, 프로브 양단에서 발생되는 전자기파의 반사 신호를 이용하여 유전율을 산정하였다. 실험결과, 전자기파의 시간영역반사법에 의해 산정된 체적함수비는 시료의 체적함수비와 높은 상관성을 나타내었다. 본 논문은 흙-함수특성곡선 연구에 시간영역반사법을 접목시켜 불포화토의 함수특성을 파악하고, 기존 방식과의 비교를 통해 함수특성곡선 결과에 대해 검증할 수 있다는 점에서 의미가 있다.

자동차 번호판 인식 시스템에서 가장 중요한 요소가 자동차 이미지 영역에서 번호판 영역을 정확히 검출해 내는 것이다. 자동차 이미지에서 번호판 영역을 추출하기 위한 방법으로 색상과 밝기 정보와 자동차 번호판의 가로 세로 비율 등 번호판을 인식할 수 있는 정보를 혼용한 ACL 알고리즘을 제안한다. ACL 알고리즘을 사용함으로써 기존의 색상 정보나 명암 정보만을 이용할 경우 자동차 번호판 영역 추출이 잘되지 않는 문제를 해소시켜 준다. 본 논문에서 제안하는 ACL 알고리즘은 자동차 이미지에서 번호판 영역을 추출할 경우 색상 정보와 명암정보, 기타 자동차 번호판을 판단할 수 있는 정보를 모두 이용한다. ACL 알고리즘을 이용하여 번호판 추출 실험을 한 결과 97%의 추출률을 보였다. ACL 알고리즘을 이용하여 추출된 번호판을 이용하여 문자 영역, 문자 인식을 한 결과 92%의 결과를 보였다.