We present the results of an Artificial Intelligence (AI)–based galaxy morphology classification study using morphology classification data produced by citizen scientists through the project “Everyone’s Galaxy Research Lab(모두의 은하 연구소)” conducted as part of the program “Science with Citizens(시민과 함께 과학)”. To do that, we construct a high-confidence dataset of 20,854 galaxies by aggregating crowdsourced labels and cross-validating them with previous classifications by experts for large-survey data. We train and compare VGGNet- and ResNet-based convolutional neural networks under different input strategies for the three RGB color channels, including models that integrate all color channels into a single input and ensemble models that process each color channel separately. We find that all models achieve consistently high performance (F1 ≈ 0.89) for primary morphological classes such as elliptical, disk, and spiral galaxies. However, detecting fine substructures including rings, bars, tidal tails, and irregular features is found to require deeper architectures and morphology-dependent input configurations. These results show that computationally efficient channel-separated ensemble models improve precision for geometrically well-defined structures, and that integrated RGB models more effectively capture faint, diffuse structures. Based on these results, we propose an adaptive and cost-efficient AI framework in which we tailor network depth and input configuration to the structural scale and complexity of target galaxies. Our study establishes a scalable deep learning pipeline that bridges citizen science datasets and automated analysis for next-generation large galaxy surveys.

우리나라는 국토 면적의 63%가 산림으로 기후변화 대응을 위한 탄소흡수원 관리에 핵심적인 역할을 수행하고 있다. 그러나 기존 산림 임상도는 인력 중심의 현장 조사나 육안 판독에 의존하여 정확도가 낮고 일관성이 부족한 한계가 있다. 본 연구는 항공 LiDAR(ALS) 데이터와 고해상도 항공 정사영상(RGB, NIR)을 결합하고, AI 기술을 활용하여 객체 단위의 수종 분류를 자동화하는 방법을 제안한다. 홍천 가리산 선도산림경영단지 일원(약 207 km²)을 대상으로 하여, Random Forest, XGBoost, CatBoost, LightGBM, SVM 등 5가지 머신러닝 알고리즘을 비교 분석하고, Voting 및 Stacking 앙상블 기법을 적용하여 분류 정확도를 극대화하였다. 그 결과, Random Forest, LightGBM, CatBoost 를 기본 모델로 하고 Logistic Regression을 메타 모델로 구성한 Stacking Ensemble 모델이 F1-score 0.9330으로 가장 높은 성능을 기록하였다. 또한 오픈소스 라이브러리를 활용한 3단계 후처리 과정을 통해 데이터 용량을 약 14.58배 경량화하여 실무적 활용성을 확보하였다. 본 연구는 광역 범위의 수종 분류를 자동화할 수 있는 워크플로우를 정립하여, 정밀한 산림 경영 및 탄소흡수원 관리를 위한 기초 자료로 활용될 수 있을 것으로 기대된다.

결빙(Black Ice)은 도로 포장체 표면의 균열 등에 스며든 습기나 눈, 그리고 차량 주행 중 발생하는 타이어 분진 및 배 기가스 등의 영향으로 인해 도로 표면과 유사한 색상의 얇은 얼음막이 형성되는 현상을 의미한다(Cho et al., 2021). 도로 노면이 결빙 상태일 경우, 평균 미끄럼 저항 계수는 건조 노면의 약 30% 수준으로 크게 낮아진다(Lee et al., 2024). 또 한, 결빙은 도로 표면과 색상이 유사하여 운전자가 노면 상태를 즉각적으로 인지하기 어렵고, 이에 따라 제동이나 회피 를 위한 충분한 시간을 확보하기 어렵다. 최근 5년간 발생한 서리·결빙 노면 교통사고의 치사율(사고 100건당 사망자 수) 은 2.69명으로, 이는 건조 노면 교통사고 치사율의 약 2배, 습윤 노면의 1.3배 수준에 해당한다(KoROAD, 2024). 이러한 위험성을 고려하여 국토교통부는 2020년 전국 고속국도 및 일반, 위임국도를 대상으로 403개 구간을 결빙 취약 구간으로 지정하였으며, 이후 464개소로 확대하여 자동염수분사시설, 그루빙(Grovving), 결빙주의표지판 등 안전시설을 확충하여 결빙사고를 집중적으로 관리하고 있다(MOLIT, 2020; BAI 2021). 하지만, 결빙사고 발생건수는 2020년 524건, 2021년 1,204건, 2022년 1,042건으로 증가추세를 보이고 있어, 결빙 취약 구간의 평가 적절성과 실효성에 대한 검토 필요성이 대 두되고 있다(KoROAD, 2024). 본 연구에서는 최근 10년 고속국도에서 발생한 결빙사고와 결빙사고 영향인자를 Random Forest Algorithm으로 분석하 여 도로 구간별 결빙사고 위험도를 평가하였다. 국가교통정보센터의 노드·링크(Node·Link) 체계를 기반으로 전국 고속국 도의 동절기 기상, 기하구조, 교통량 등 결빙사고 영향인자를 구간별로 수집하였다. 각 구간은 최근 10년 결빙사고 데이 터를 통해 결빙사고 발생구간과 비발생 구간으로 분류하였다. 구간별 수집한 결빙사고 영향인자를 독립변수, 사고발생유 무를 종속변수로하여 알고리즘 학습을 위한 데이터셋(Data Set)을 구성하고, 데이터불균형 문제를 해결하기 위해 오버샘 플링(OverSampling) 기법 중 하나인 SMOTE(Synthetic Minority Oversampling Technique)을 적용하였다. 최종적으로 Random Forest Classification Model을 학습하고, 모델의 하이퍼파라미터 조정(HyperParameter Tunning)을 거처 결빙사 고 발생구간 예측성능이 가장 높은 모델을 결정하였다. 이를 통해, 전국 고속국도의 구간별 결빙사고 발생 위험도를 평 가하고 각 결빙사고 영향인자의 변수중요도를 분석함으로써 결빙 취약구간 평가 방안의 신뢰성 제고를 기대한다.

In the military, ammunition and explosives stored and managed can cause serious damage if mishandled, thus securing safety through the utilization of ammunition reliability data is necessary. In this study, exploratory data analysis of ammunition inspection records data is conducted to extract reliability information of stored ammunition and to predict the ammunition condition code, which represents the lifespan information of the ammunition. This study consists of three stages: ammunition inspection record data collection and preprocessing, exploratory data analysis, and classification of ammunition condition codes. For the classification of ammunition condition codes, five models based on boosting algorithms are employed (AdaBoost, GBM, XGBoost, LightGBM, CatBoost). The most superior model is selected based on the performance metrics of the model, including Accuracy, Precision, Recall, and F1-score. The ammunition in this study was primarily produced from the 1980s to the 1990s, with a trend of increased inspection volume in the early stages of production and around 30 years after production. Pre-issue inspections (PII) were predominantly conducted, and there was a tendency for the grade of ammunition condition codes to decrease as the storage period increased. The classification of ammunition condition codes showed that the CatBoost model exhibited the most superior performance, with an Accuracy of 93% and an F1-score of 93%. This study emphasizes the safety and reliability of ammunition and proposes a model for classifying ammunition condition codes by analyzing ammunition inspection record data. This model can serve as a tool to assist ammunition inspectors and is expected to enhance not only the safety of ammunition but also the efficiency of ammunition storage management.

수산자원의 지속 가능한 관리와 증대는 전 세계적으로 중요한 이슈로 부상하고 있으며, 본 연구는 이에 대응하는 한국수산자 원공단의 수산자원 현존량 추정을 위한 딥러닝 기반 수산자원 증대사업 효과조사 기법 개발을 위해 구성 기술 중 하나인 어류 탐지 및 분류 모델 구축과 성능 비교를 수행하였다. 다양한 크기의 YOLOv8-Seg 모델에 어류 이미지 데이터셋을 학습한 후 각 성능평가 지표를 비 교 분석하여 적용 가능한 최적의 모델을 선정하고자 하였다. 모델 구축에 사용된 자료는 총 12종의 어류로 이루어진 36,749장의 이미지와 라벨 파일로 이루어지며, 학습에는 증강을 적용하여 데이터의 다양성을 증가시켰다. 동일한 환경 및 조건에서 총 다섯 개의 YOLOv8-Seg 모델을 학습 및 검증한 결과 중간 크기의 YOLOv8m-Seg 모델이 가장 짧은 13시간 12분의 학습 시간과     0.933, 추론 속도 9.6 ms로 높은 학습 효율성과 우수한 탐지 및 분류 성능을 보였으며, 각 지표 간의 균형을 고려할 때 실시간 처리 요구사항을 충족하는 가장 효율 적인 모델로 평가되었다. 이와 같은 실시간 어류 탐지 및 분류 모델을 활용하여 효율적인 수산자원 증대사업의 효과조사가 가능할 것으 로 보이며, 지속적인 성능 개선 및 추가적인 연구가 필요할 것으로 사료된다.

PURPOSES : To prevent an increasing number of drowsiness-related accidents, considering driver fatigue is necessary, which is the main cause of drowsiness accidents. The purpose of this study is to propose a methodology for selecting drowsiness hotspots using continuous driving time, a variable that quantifies driver fatigue. METHODS : An analysis was conducted by dividing driver fatigue, which changes according to time and space, into temporal and spatiotemporal scenarios. The analysis technique derived four evaluation indicators (precision, recall, accuracy, and F1 score) using a random forest classification model that is effective for processing large amounts of data. RESULTS : Both the temporal and spatiotemporal scenarios performed better in models that reflected the characteristics of road sections with changes in time and space. Comparing the two scenarios, it was found that the spatiotemporal scenario showed a difference in precision of approximately 10% compared with the temporal scenarios. In addition, [Model 2-2] of the spatiotemporal scenario showed the best predictive power by assessing the model’s accuracy via a comparison of (1-recall) and precision. This shows better performance in predicting drowsy accidents by considering changes in time and space together rather than constructing only temporal changes. CONCLUSIONS : To classify hotspots of drowsiness, spatiotemporal factors must be considered. However, it is possible to develop a methodology with better performance if data on individuals driving vehicles can be collected.

목적 : 본 연구의 목적은 Coronavirys Disease(COVID-19) 팬데믹을 거친 고령자의 사회적 건강의 수준의 변화궤적에 대한 잠재계층을 분류하고 잠재 계층별 특성을 분석함에 있다. 또한 이러한 사회적 건강에 영향을 미치는 예측요인을 파악하여 고령자의 사회적 건강을 증진을 위한 기초자료를 마련하고자 한다. 연구방법 : 국내 고령자의 사회적 친밀도에 따른 사회적 건강 유형을 파악하기 위해서 한국복지패널의 3 년차 종단자료를 토대로 분석하였으며, 연구대상자는 세 시점 모두를 응답한 2845명의 고령자를 대상으 로 하였다. 대상자중심접근인 성장혼합모형(Growth Mixture Model; GMM)을 적용하여 변화궤적에 따 른 잠재계층을 분석 하였고, 도출된 각 잠재유형별 특성을 파악하기 위해 χ2 분석, 분산분석을 실시하 였으며, 계층 간 차이를 유발하는 요인을 파악하기 위해 다항로지스틱 회귀분석을 실시하였다. 결과 : GMM 적용결과, 사회적 건강의 변화궤적에 대한 잠재계층은 최종 4개의 집단으로 저수준 감소-증 가 집단, 중수준 유지-증가 집단, 고수준-감소 집단, 고수준 유지’집단으로 분류되었다. 또한 사회적 건강 수준에 따라 여가만족도에서 차이가 나타나는 것으로 드러났으며, 그 외에도 연령 차이가 존재하였 다. 잠재계층분류에 영향을 미치는 영향변인을 검증한 결과, 특히 여성일수록, 종교를 가지고 있을수록, 여가만족도와 전반적 만족도가 모두 높을수록 고수준 유지 집단에 속할 확률이 높은 것으로 나타났다. 결론 : 국내 고령자의 사회적 건강은 시간이 지남에 따라 감소하는 궤적을 보이는 것으로 나타났다. 변화 궤적에 따라 4개의 집단으로 구분 지을 수 있으며, 각 잠재 유형별 연령과 여가 만족도 부분에서 집단별 차이가 드러났다.

냉매 오충전은 에어컨에서 빈번하게 발생하는 고장 모드 중 하나로, 적정 충전량 대비 부족 및 과충전 모두 냉방 성능의 저하를 유 발하므로 충전된 냉매량을 정확하게 판단하는 것이 중요하다. 본 연구에서는 퍼지 군집화 기법을 통한 정상상태 식별을 통해 냉매 오 충전량을 다중 분류하는 모델을 개발하였다. 정상상태 식별을 위해 에어컨 운전 데이터에 대해 이동 평균 간의 차이를 활용한 퍼지 군 집화 알고리즘을 적용하였으며, IFDR를 통해 기존 연구된 정상상태 판단 기법들과 식별 결과를 비교하였다. 이후, 시스템 내 상관성 을 고려한 mRMR을 이용해 특징을 선택하였으며, 도출된 특징을 이용해 SVM 기반의 다중 분류 모델이 생성되었다. 제안된 방법은 시험 데이터를 통해 만족할 만한 분류 정확도와 강건성을 도출하였다.

Elevators are the main means of transport in buildings. A malfunction of an elevator in operation may cause in convenience to users. Furthermore, fatal accidents, such as injuries and death, may occur to the passengers also. Therefore, it is important to prevent failure before accidents happen. In related studies, preventive measures are proposed through analyzing failures, and the lifespan of elevator components. However, these methods are limited to existing an elevator model and its surroundings, including operating conditions and installed environments. Vibration occurs when the elevator is operated. Experts have classified types of faults, which are symptoms for malfunctions (failures), via analyzing vibration. This study proposes an artificial intelligent model for classifying faults automatically with deep learning algorithms through elevator vibration data, hereby preventing failures before they occur. In this study, the vibration data of six elevators are collected. The proposed methodology in this paper removes "the measurement error data" with incorrect measurements and extracts operating sections from the input datasets for proceeding deep learning models. As a result of comparing the performance of training five deep learning models, the maximum performance indicates Accuracy 97% and F1 Score 97%, respectively. This paper presents an artificial intelligent model for detecting elevator fault automatically. The users’ safety and convenience may increase by detecting fault prior to the fatal malfunctions. In addition, it is possible to reduce manpower and time by assisting experts who have previously classified faults.

자기공명영상은 고해상도의 연부조직에 대한 영상정보를 제공하며, 뇌종양 등 연부조직 진단에 활용된다. 본 연구는 합성곱신경망 인공지능을 통해 뇌종양 자기공명영상 분류성능을 확인해 보고자 한다. 4개 종류로 구분된 3264 장의 MRI 데이터 세트(data set)를 이용하였으며, 인공지능 학습을 위해 훈련용 데이터와 시험용 데이터를 9 : 1, 훈련용 데이터의 10%를 검증용 데이터로 구분하였다. 합성곱신경망은 기본 CNN과 VGG16으로 구성하였으며, 학습 평가는 정확도와 손실율로 확인하였으며, 생성된 모델을 통해 분류성능 정확도를 확인하였다. 실험 결과 과적합은 없었으며, 분류성능은 기본 CNN과 VGG16 각각 67%와 80%의 분류성능을 보였다. 도출된 뇌종양 자기공명영상 분류 결과를 통해 자기공명영상과 인공지능 접목에 관한 기초 자료로 사용될 수 있을 것이라 사료된다.

최근 소프트웨어 유통망(ESD)를 통해 유통되는 게임이 늘어남에 따라 사용자들이 원하는 게임을 찾는데 어려움을 겪고 있다. 이에 따라 사용자들이 원하는 게임을 찾기 쉽게 태그를 생성하는 모델의 필요성이 대두 되고 있다. 본 논문에서는 태그를 생성하는 모델을 BERT를 통해 설계하였다. 태그 100개 중 가장 적합한 태그를 4개 추출하기 위해 입력된 문장에 대해 각 태그별로 이진분류를 수행하고 이진분류 당시의 Softmax 값이 가장 컸던 태그 4개를 선택했다. 또한, 모델의 정확도를 위해서 약 33억 개의 다국어 단어로 학습한 pre-trained Multilingual BERT 모델과 약 5천만 개의 한국어 단어로 학습한 KoBERT 모델을 가져와 한국어 데이터로 학습(finetuning) 시켜 사용하였다. 실험에서 BERT 모델은 KoBERT 모델보다 F- 점수에서 9.19 % 더 나은 성능을 보입니다. 이는 언어 학습 데이터 세트의 크기가 특정 언어인 한국어 특성보다 더 중요하다는 것을 나타낸다.

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.

Recently, service quality must reflect several demands of customers who show rapid and various changes so as to be compared with the past. So, objective and rapid methods for them are necessary more. For them, first of all, service company must calculate their standard of service quality accurately by measuring service quality exactly. To measure service quality accurately, this researcher collected and analyzed data by survey for customers who are customers of logistics services, grasped potential satisfaction standard(P) by 5 point Likert scale and one survey for accurate classification of quality attributes through weighted customer satisfaction coefficient changing quality attributes by developing the study on Kano model and Timko's customer satisfaction coefficient, and suggested Potential Customer Satisfaction Improvement index(PCSI) for examining the improvement of customer satisfaction so as to utilize them as an index of differentiated and concrete measurement of service quality.

This study has suggested an image analysis system based on the Deep Learning for CCTV pedestrian detection and tracing improvement and did experiments for objective verification by designing study model and evaluation model. The study suggestion is that if someone’s face did not be recognized in crime scene CCTV footage, the same pedestrian would be traced and found in other image data from other CCTV by using Color Intensity Classification method for clothes colors as body features and body fragmentation technique into 7 parts (2 arms, 2 legs, 1 body, 1 head, and 1 total). If one of other CCTV footage has recorded its face, the identity of the person would be secured. It is not only detection but also search from stored bulk storage to prevent accidents or cope with them in advance by cost reduction of manpower and a fast response. Therefore, CIC7P(Color Intensity Classification 7 Part Base Model) had been suggested by learning device such as Machine Learning or Deep Learning to improve accuracy and speed for pedestrian detection and tracing. In addition, the study has proved that it is an advanced technique in the area of pedestrian detection through experimental proof.

본 연구에서는 고속도로를 대상으로 각각의 구간에 대한 선형유형을 구분하여 사고빈도모형을 개발하였다. 현재 사고빈도모형 부문의 연구는 주로 고속도로 구간 전체를 대상으로 한 연구가 대부분이기 때문에 거시적인 측면에서 사고빈도모형이 개발되었다고 할 수 있으며, 이에 따라 각각의 구간특성이 정확히 반영되지 않은 상태에서의 사고빈도를 예측하였다고 볼 수 있다. 본 연구에서는 이러한 문제점을 인식하여, 동질구간 분할법을 사용하여 고속도로의 평면선형을 직선부, 곡선부, 연속곡선부로 구분하였고, 이를 군집분석을 통하여 직선부와 곡선부의 유형을 구분하여 고속도로의 각각의 구간별 특성을 반영한 사고빈도모형을 구축하였다. 본 연구 결과는 고속도로 각 구간의 사고빈도를 예측하는데 있어 더 정확하고 합리적인 결과를 도출해 낼 것이라 판단한다.