포장상태 평가를 위한 노면영상 촬영은 라인스캔 방식이 주를 이루고 있다. 라인스캔 특성 상, 조사환경이나 장비특성이 달라질 경 우 밝기가 상이한 노면영상을 취득할 수 있고 이는 U-net과 같은 픽셀 단위 segmentation 딥러닝 모델의 균열 자동검출 성능에 영향을 미친다. 본 연구에서는 인공지능 검출 모델의 변경 없이 영상의 밝기 최적화와 morphology 연산기법을 노면영상 전·후처리 방법으로 제시하고 그 효과를 분석하였다. 영상 처리를 통해 과다 검출경향을 보인 이상치들이 제거되었으며 정답으로 간주할 수 있는 전문요 원 분석결과인 GT 균열률과의 상관성 또한 향상됨을 확인하였다.

The integration of machine learning for species identification is becoming increasingly important in entomological research. However, automatic species identification faces significant challenges such as low resolution, sample discoration, and small dataset sizes, which impede the reliability of traditional machine learning methods. Building upon the previous research on quantification of the color patterns of Stenaptinus occipitalis jessoensis using R-based analysis, this study demonstrates how to overcome these challenges in training machine learning for species identification. This approach allowed us to successfully classify geographic variations of S. occipitalis. Our results demonstrate the model's ability to identify these variations, despite the small size of the image datasets. This advancement shed some light on the potential of machine learning to identify morphological variation in highly polymorphic species.

최근 광주 화정아이파크, 인천 검단 신도시 아파트 사고 등 국내에서 건축물 안전사고가 잇따라 발 생하고 있다. 시공 중 발생한 구조물 붕괴로 인해 인명·재산 피해가 수반된 대형 건설사고가 다수 발 생하였다. 건축물 안전사고의 발생 원인으로 무단 구조변경, 설계 및 시공 시 철근 누락 등이 제시되 면서 부실 감리에 대한 우려가 증가하고 있다. 하지만 현실적으로 건설 현장의 모든 장소에서 감리직 원이 상주하며 확인하는 것은 불가능하며 시공 정확도 검사 역시 감리자의 경험에 근거하여 육안 판 독 및 일부 수작업 계측으로 진행되고 있다. 감리 작업의 효율성을 높이기 위해 최근에는 3D 스캐너, Depth Camera 등을 구조 감리 기법 연구가 진행되고 있다. 철근 길이와 철근 배근 간격에 대한 연구 는 많이 진행되었지만 철근 직경의 검출 정확도는 아직 미흡한 상황이며, 특히 직경이 작은 D10과 D13의 구별에서는 한계를 나타내고 있다. 따라서 본 연구에서는 접근성이 용이한 스마트폰을 사용하 여 영상을 획득하고 이를 기반으로 3D 포인트 클라우드를 제가한 다음 철근 직경, 철근 길이, 철근 배근 간격 등의 자동 검측 기술을 개발하고 건설현장에서의 적용 가능성을 확인하고자 한다. 검증을 위한 실험체는 길이 2100mm, 폭 195mm, 높이 395mm의 철근 조립 상태의 보이다. 포인트 클라우드 제작을 위한 영상 촬영은 iPhone SE (3rd generation)을 사용하였다. 이후 MATLAB과 METASHAPE 를 사용하여 포인트 클라우드를 생성하고 Computer Vision과 Image Processing 기술을 활용하여 구 하고자 하는 철근 정보를 자동 검출하였다. 이후 실제 측정한 값과 자동 검출한 값을 비교하여 개발한 기법에 대한 적합성을 확인하였다.

PURPOSES : This study uses deep learning image classification models and vehicle-mounted cameras to detect types of pavement distress — such as potholes, spalling, punch-outs, and patching damage — which require urgent maintenance. METHODS : For the automatic detection of pavement distress, the optimal mount location on a vehicle for a regular action camera was first determined. Using the orthogonal projection of obliquely captured surface images, morphological operations, and multi-blob image processing, candidate distressed pavement images were extracted from road surface images of a 16,036 km in-lane distance. Next, the distressed pavement images classified by experts were trained and tested for evaluation by three deep learning convolutional neural network (CNN) models: GoogLeNet, AlexNet, and VGGNet. The CNN models were image classification tools used to identify and extract the combined features of the target images via deep layers. Here, a data augmentation technique was applied to produce big distress data for training. Third, the dimensions of the detected distressed pavement patches were computed to estimate the quantity of repair materials needed. RESULTS : It was found that installing cameras 1.8 m above the ground on the exterior rear of the vehicle could provide clear pavement surface images with a resolution of 1 cm per pixel. The sensitivity analysis results of the trained GoogLeNet, AlexNet, and VGGNet models were 93 %, 86 %, and 72 %, respectively, compared to 62.7 % for the dimensional computation. Following readjustment of the image categories in the GoogLeNet model, distress detection sensitivity increased to 94.6 %. CONCLUSIONS : These findings support urgent maintenance by sending the detected distressed pavement images with the dimensions of the distressed patches and GPS coordinates to local maintenance offices in real-time.

The research on improvement of false alarm from the automatic fire detection system has been continually achieved in the meantime. But the research for the code-transmitter as one of component devices of the automatic fire detection system. In order to improve difficulty of the code-transmitter check-up, introduction for the address type-code-transmitter and the automatic recovery system for check up of the code-transmitter was proposed. In order to prevent against occurrence of noise and signal attenuation, introduction of the optical fiber cables that noise and signal attenuation do not occur and introduction for an optical communication relay that can apply to was proposed respectively.

The goals of automatic fire detection equipment in Japan and South Korea are the detection in early fire stage, alarm and finding the location of the fire. Japan also has similar operation system and signal transmission method compared with South Korea. The standards of fire detection equipment in Japan are established their own standards. The automatic fire detection equipment in Korea has been developed with benchmarking the Japanese system in early 1950’s and follows the decree on the basis of Japan’s fire services. NFPA 72, which is automatic fire detection equipment in U.S.A. and verified through the experiment and test, expects to reflect to our automatic fire detection equipment after modification and supplement.

이 연구는 파각란 선별기 도입을 비용 편익분석 목적으로 수행되었다. 계란 파각란 선별기를 도입할 때의 총수입과 총비용 평가액의 추정결과는 다음과 같다. 총비용의 경우 구입가격, 고정비용 및 유동비용의 합계로 나타내었고, 할인율에 따라 5%, 10%일 때 각각 232,904천원과 242,904천원으로 산정되었다. 계란 파각란 선별기 평가액은 할인율에 따라 228,543천원(할인율 5%인 경우)과 218,543천원(할인율 10%인 경우)으로 추정되었다(Table 6). 파각란 선별기 기술가치에 대한 평가는 B/C비율, 순현재가치(NPV), 내부수익율(IRR)의 값으로 판단되었고, 내부수익율 IRR의 값은 가정했던 할인율보다 훨씬 높게 나타났고, 순현재가치도 0보다 큰 값으로 나타났으며, B/C비율도 1.0 이상으로 나타나 경제적 타당성을 가지는 것으로 판단되었다(Table 7).

Inter-granular Bright Points (igBPs) are small-scale objects in the Solar photosphere which can be seen within dark inter-granular lanes. We present a new algorithm to automatically detect and extract igBPs. Laplacian and Morphological Dilation (LMD) technique is employed by the algorithm. It involves three basic processing steps: (1) obtaining candidate "seed" regions by Laplacian; (2) determining the boundary and size of igBPs by morphological dilation; (3) discarding brighter granules by a probability criterion. For validating our algorithm, we used the observed samples of the Dutch Open Telescope (DOT), collected on April 12, 2007. They contain 180 high-resolution images, and each has a 85×68arcsec2 85×68arcsec2 field of view (FOV). Two important results are obtained: first, the identified rate of igBPs reaches 95% and is higher than previous results; second, the diameter distribution is 220±25km 220±25km , which is fully consistent with previously published data. We conclude that the presented algorithm can detect and extract igBPs automatically and effectively.

논문에서는 하천 수위 감지용 CCD카메라에서 입력된 동영상에서 다리 기둥 영역과 물 영역을 구분하여 수위를 감지하는 방법을 제안한다. 하천 영상에서는 다리 기둥이 있고 그 사이로 강물이 흐르기 때문에, 물이 흐르는 부분에서만 강한 움직임이 발생하게 된다. 따라서, 본 논문에서는 optical flow를 사용하여 강물의 움직임을 감지하고 움직임이 감지된 픽셀들을 Y축으로 투영시켜 움직임 누적 히스토그램을 생성한다. 이후, 생성된 움직임 누적 히스토그램에 대해 K-means 군집화를 적용 시킨다. 단순히 기둥 영역과 물 영역을 구분하기 위해서는 K=2인 K-means 군집화를 수행하면 되지만, 기둥 영역과 물보라가 심한 부분, 물이 잔잔하게 흐르는 부분으로 나누기 위해서 K=3인 K-means 군집화를 수행한다. K-means 군집화에 의해 3개의 군집으로 나뉜 히스토그램에서 위쪽 첫 번째 군집과 두 번째 군집의 경계를 검출하면 그 부분이 곧 하천의 수위가 된다. 본 논문에서는 K=2, K=3일 경우의 K-means 군집화를 사용한 방법과 기존의 CCD카메라 기반의 수위감지알고리즘을 비교 실험하였고, 실험 결과 기존의 연구보다 움직임백터와 K-means 군집화 방법을 결합한 방법이 가장 좋은 성능을 보여 주었다.

The automatic fire detection system is an important facility installed with focusing on minimizing the damage from a fire. This paper presents in the followings as the methods to reduce the false alarm of the automatic fire detection system; first, to prepare for legal standard so that revised legal standard can be applied to the fire fighting property prior to revision; second, to introduce the performance based fire detection protection design in the law based fire protection design; third, to maintain the wiring of worn-out detector; forth, to introduce an evaluation system to the education for the fire warden; fifth, to extend the standard of MTBF(meantime between failure) of the detector; sixth, to extend of installing the analog type detector; seventh, to improve the structure of reset switch.

Accurate estimation of pest density is a prerequisite in achieving efficient pest management. An automatic pest detection system with image processing was installed on a robot to recognize brown marmorated stink bug (Halyomorphahalys) on leaves of paprika(Capsicumannuumvar.angulosum). The shape of pest was recognized and subsequently the robot arm was moved toward the leaves to spray pesticides. The detection system was efficient along with increasing population densities increased. The robot with image processing system was useful for estimating population densities in spatial and temporal domain efficiently.

인공위성 원격탐사를 이용한 선박탐지는 주요 적용 분야 중 하나로, 광역의 환경 감시와 해상보안에 적용되고 있다. 이를 통하여 어장을 포함한 해상교통을 모니터링할 수 있으며, 기름유출 선박을 찾기도 한다. 본 연구에서는, RADARSAT의 합성개구레이더(SAR) 영상을 기반으로 개발한 자동선박탐지기법을 제시하고, 2004년 8월 6일에 얻어진 영상에 적용을 하여 현장 자료와의 비교를 실시하였다. 선박탐지알고리듬은 보정, 랜드마스킹, 필터링, 위치 등록 그리고 식별의 5단계로 구성된다. 울산항을 중심으로 이루어진 위성 촬영시점의 풍속은 최대 0.4m/s이었다. 전장이 68m 이상인 묘박지의 선박을 중심으로 한 선박 탐지 결과는 울산 항만교통정보시스템의 레이더정보와 잘 일치하였다. 바지선과 같은 소형선박의 경우, SAR에 의한 선박 탐지 능력이 육상에 설치된 레이더보다 더 높은 경우도 있었다. 또한, SAR 레이더 산란 단면적(RCS)을 이용하여 선박의 길이와 폭을 계산하였으나, 레이오버와 그림자 효과 때문에 실제 값보다 비교적 높게 추정되었다.

딥러닝 모델은 주어진 학습용 데이터에서 탐지하고자 하는 물체의 특징을 추출하기 때문에, 딥러닝 모델 학습을 위한 학습용 데이터 구축은 매우 중요하다. 본 연구에서는 균열을 탐지하는 딥러닝 모델의 성능을 향상시키기 위해, 실제 콘크리트 구조물이나 아스팔트 도로 표면에서 자주 발견될 수 있는 나뭇가지, 거미줄, 전선 등을 학습 데이터에 자동으로 포함시키고, negative 영역으로 분류하는 알고리즘을 개발하였다. 제안된 알고리즘을 사용하여 학습된 딥러닝 모델을 실제 도로 표면에 발생한 균열 탐지에 적용하여 실제 균열 탐지에 사용될 수 있음을 보였다.

Pavement condition deteriorates due to various environmental issues. This can be seen on the pavement surface as a form of distress. A crack can be considered as a typical form of pavement distress in which it may reveal a critical condition of the road. Therefore, automatic and accurate detection of pavement crack and segmentation are crucial for pavement condition assessment and maintenance.

A robot usually adopts ANN (artificial neural network)-based object detection and instance segmentation algorithms to recognize objects but creating datasets for these algorithms requires high labeling costs because the dataset should be manually labeled. In order to lower the labeling cost, a new scheme is proposed that can automatically generate a training images and label them for specific objects. This scheme uses an instance segmentation algorithm trained to give the masks of unknown objects, so that they can be obtained in a simple environment. The RGB images of objects can be obtained by using these masks, and it is necessary to label the classes of objects through a human supervision. After obtaining object images, they are synthesized with various background images to create new images. Labeling the synthesized images is performed automatically using the masks and previously input object classes. In addition, human intervention is further reduced by using the robot arm to collect object images. The experiments show that the performance of instance segmentation trained through the proposed method is equivalent to that of the real dataset and that the time required to generate the dataset can be significantly reduced.