This study develops a Skip-Connected Temporal Contextual Deep Learning (SC-TCDL) model to forecast monthly inbound foreign tourist arrivals to South Korea, targeting demand volatility and structural shocks such as COVID-19 while supporting planning-oriented decision making. SC-TCDL adopts a dual-stream architecture that disentangles inputs by function: an LSTM branch encodes a 12-month rolling history of arrivals with calendar indicators, while an encoder-only Transformer processes forward-looking exogenous variables with positional encodings. The LSTM temporal representation is injected into the Transformer and fused with the Transformer output via an MLP through skip connections. COVID-period distortion (Mar 2020 Dec 2023) is addressed by virtual demand restoration using a counterfactual LSTM trained on pre-pandemic data. Probabilistic forecasts are generated via Monte Carlo Dropout. Using monthly data (Feb 2013 Apr 2025), SC-TCDL outperforms SARIMA, vanilla LSTM, and a Transformer on the test period (May 2024 Apr 2025), achieving MAE 78,626, RMSE 94,019, and MAPE 6.94%, reducing MAE by 30.5% relative to SARIMA, 28.3% relative to vanilla LSTM, and 24.9% relative to the Transformer, with statistically significant improvements by Wilcoxon signed-rank tests. By structurally separating temporal and contextual learning while enabling controlled fusion and uncertainty quantification, SC-TCDL offers a robust framework for tourism demand forecasting in shock-prone environments.

자기공명영상(MRI)은 연부조직의 대조도가 우수하여 신경 및 근골격계 이상을 평가하는 데 탁월한 진단 도구로 활 용되고 있다. 특히 요천추 신경총과 같은 복잡한 신경 구조의 정밀한 영상화에 적합하여 임상 진단 과정에서 중요한 역할을 담당한다. 기존에 사용된 SPACE 3D, STIR, 그리고 최근에는 딥러닝 재구성 기법 등 다양한 MRI 기법이 도입되어 영상 화질 향상과 검사 효율성을 동시에 개선하고 있다. 본 연구에서는 조영제 주입 후 요천추 신경총 MRI 검사에서 얇은 슬라이스 두께로 획득한 SPACE 3D T2 STIR 기법과 딥러닝 TSE T2 STIR 기법을 비교하여, 요천추 신경총 영상에 유용한 MRI 기법을 알아보고자 하였다. 요천추 신경총 병변이 의심되는 20명의 환자를 대상으로 하 여 SPACE 3D T2 STIR 기법과 DL TSE T2 STIR 기법을 적용해 관상면 영상을 획득한 후, 신호대잡음비, 대조대 잡음비, 검사 시간 및 영상의 질을 정량적·정성적 방법으로 분석하였다. 그 결과, 기법 간 통계적으로 유의한 차이 가 확인되었으며, 특히 DL 기법은 검사 시간 단축과 우수한 대조도를 제공하였다. 환자의 임상 상태와 촬영 여건을 고려하여 적절한 기법을 선택한다면, 요천추 신경총 MRI 진단에 최적화된 영상 품질을 확보할 수 있을 것으로 사료 된다.

병충해의 조기 발견과 이에 따른 신속한 조치는 농업 생산성 유지와 생태계 보전에 있어 핵심적인 요소이다. 그러나 병충해 발생 초 기 단계에서는 일반적인 카메라나 센서를 통해 식생의 미세한 변화를 관측하는 데 한계가 있다. 이러한 한계를 극복하기 위해 초분광 모듈을 활용하여 파장대별 식물 데이터를 정밀하게 관측하고, 이를 딥러닝 모델에 적용함으로써 가로수 식생의 건강 상태를 판별하고 병충해 발생 여부를 조기에 확인할 수 있다. 이와 같은 방법을 통해 병충해에 대한 선제적 대응이 가능해지며, 결과적으로 피해의 확 산을 효과적으로 방지할 수 있다. 이러한 접근 방식은 농업 및 생태학 분야에서 식물의 건강 상태를 지속적으로 모니터링하고 보전하 기 위한 기술로 활발히 연구되고 있다.

국내 노후 교량의 증가에 따라 유지관리 비용과 사회적 피해가 지속적으로 확대되고 있으며, 특히 포트홀 발생으로 인한 피해 보상액 또한 최근 증가하는 추세를 보이고 있다. 교량 포장 구조에서 포트홀은 아스팔트 포장과 콘크리트 바닥판 사이 계면의 박리로부터 구조적으로 시작된다. 차량 제동 및 가속에 따른 수평 하중, 수분 침투, 층간 차등 팽창 등은 계면에 인 장응력을 유발하여 결합 상태를 약화시키며, 이는 표면 균열로 진전되어 최종적으로 포트홀로 이어진다. 따라서 계면 박리는 포트홀 발생의 구조적 전조증상으로 볼 수 있다. 하지만 기존의 육안 점검은 표면 손상 중심의 평가에 국한되어 계면 박리 와 같은 내부 구조 상태를 직접적으로 파악하는 데 한계가 있다. 최근에는 구조물 내부 상태를 평가하기 위해 다양한 NDT 기법의 활용이 증가하고 있으나, 탄성파 기반의 IE(Impact-Echo) 및 UT(Ultrasonic Testing) 기법은 아스팔트와 같은 다공성 재료 내부에서 신호 감쇠가 발생하여 적용에 제약이 있다. 반면, 전자기파를 활용하는 GPR(Ground Penetrating Radar)은 포 장 내부 및 계면 상태 평가에 적합하나, 신호 해석 과정에서 전문가의 경험에 의존하는 주관적 한계가 존재한다. 이에 본 연구에서는 GPR 데이터를 기반으로 계면 박리 유무를 자동으로 분류하고, 이를 통해 포트홀 발생 위험 지점을 예측하는 딥 러닝 기반 프레임워크를 제안하였다. ResNet-50을 백본으로 하는 2-stage 전이학습 기법을 적용하였으며, 1단계에서는 3,708 개의 시험체 데이터를 활용하여 기초 분류 모델을 구축하고, 2단계에서는 28,890개의 실교량 데이터를 추가 학습하여 현장 조건에 대한 일반화 성능을 향상시켰다. 그 결과, 제안된 모델은 전체 정확도 85.2%와 weighted F1-score 0.8493의 성능을 나 타내었다. 본 연구에서 제안한 방법은 포트홀 발생 이전 단계에서 내부 계면 박리를 탐지할 수 있는 기술적 기반을 제시하 였으며, 이를 통해 선제적 유지관리 전략 수립과 교통 안전성 향상, 유지관리 비용 및 피해 보상액 감소에 기여할 수 있을 것으로 판단된다.

상수관로의 노후화는 수질 안전성 저하와 수자원 손실, 유지보수 비용 증가 등의 문제를 야기하며, 이에 따라 지중 매설관의 상태를 신속하고 정확하게 진단할 수 있는 기술의 중요성이 커지고 있다. 특히 내시경 영상을 활용한 관로 점검은 가장 보편적인 방식으로 자리 잡았으나, 판독자의 숙련도에 따라 해석 편차가 발생하고, 대량 데이터의 신속한 처리에는 한계가 있다. 이러한 배경에서 본 연구는 관종⋅관경⋅용도 등 상수관 메타데이터를 모델에 통합하고, 관로 내 결함의 존재 여부와 유형, 크기를 동시에 예측할 수 있는 다중과제 학습(Multi-task Learning) 기반 인공지능 모델을 제안한다. 제안한 모델은 두 개의 예측 헤드를 통해 결함 판별과 정량적 분류를 병행하도록 설계되었으며, SHAP 기반 분석을 통해 모델의 판단 근거가 상수관로의 실제 결함 특성과 일치함을 확인하였다. 이러한 접근은 수작업 판독의 부담을 경감하고, 관로 상태 기록의 표준화 및 정량화를 통해 예방 중심의 유지관리 전략 수립을 효과적으로 지원할 수 있다.

게임 콘텐츠가 점점 복잡해짐에 따라 기존의 수동 테스트 및 스크립트 기반 테스트 방법 은 비용과 테스트 범위 측면에서 한계를 보이고 있다. 본 연구에서는 픽셀 수준의 시각 정 보만을 사용하여 게임의 그래픽 사용자 인터페이스(GUI)와 상호작용하는 딥 강화학습(DRL) 기반 자동 게임 테스트 에이전트를 제안한다. 제안된 에이전트는 ResNet18 기반 시각 인식 모듈과 Proximal Policy Optimization(PPO) 알고리즘을 결합하여, 게임에 대한 어떠한 선 해 정보 없이도 게임 내 장애물을 만났을 때 점프, 웅크리기, 벽 오르기와 같은 회피 방법 을 효과적으로 선택할 수 있다. 실험 결과, 제안된 에이전트는 다양한 장애물 구성 환경에 서 무작위 기준 모델 대비 더 높은 과제 성공률과 안정적인 학습 성능을 보였으며, 이를 통해 블랙박스 게임 환경에서 DRL 기반 자동 테스트의 실현 가능성을 입증하였다.

This study proposes a surrogate model framework that integrates finite element analysis and deep learning to rapidly estimate equivalent material properties of patterned sheets. Conventional homogenization methods can only be applied after the pattern geometry has been finalized, requiring additional modeling and simulation. In contrast, the proposed approach establishes a surrogate model in advance, enabling the immediate estimation of equivalent material properties once the pattern geometry is defined. A dataset of 5,000 cases was generated using simulations, and Bayesian hyperparameter optimization was applied to improve model performance. The surrogate model achieved R² values above 0.99 for all target properties, confirming high internal consistency. Experimental validation with patterned STS304 specimens yielded meaningful results, with all errors remaining within 15%, which demonstrates the reliability of the proposed surrogate model despite minor deviations caused by fabrication imperfections and limited training data. Despite these limitations, the proposed system enables instant estimation of equivalent properties from pattern geometries, offering significant reduction in computational cost and design time. This approach enhances design reliability and provides a practical tool for the application of patterned materials in industrial engineering.

최근 국민 삶의질 향상, 인구구조 변화 등에 따라 관광수요가 증가하고 관광활동 또한 다양화되고 있다. 특히 국가어항은 단순 한 어업 활동의 거점을 넘어 지역 경제, 관광, 문화까지 아우르는 복합 기능 공간으로 활용되고 있다. 본 연구는 부산 기장군에 위치한 대 변항을 대상으로 관광수요를 예측함으로써 정책적 활용이 가능한 기초자료를 제공하고자 한다. 2015년부터 2024년까지의 월별 위치 기반 방문객수를 입력 데이터로 설정하여 시계열 예측을 수행하였다. 연구방법론으로 전통적인 통계방법인 SARIMA를 기준으로 예측 정확도 를 향상시키기 위해 Hybrid model을 활용하였다. 특히 기존의 선형적 방법과 비선형 방법을 결합한 Hybrid model을 제안하고자 한다. 시계 열 구조적 분해방법인 STL 기법과 비구조적 잔차 제거 방법인 DAE 분석을 수행하였다. 즉 Trend와 Seasonal을 분해하는 STL과 머신 러닝 기반의 DAE를 활용하여 분해하고, 설명되지 않은 잔차를 대상으로 딥 러닝을 통해 예측함으로써 선형과 비선형 방법을 결합하여 예측 정확도를 제고하고자 한다. 분석결과, 연구진이 제안한 모델로 STL와 DAE를 활용하여 2중 분해하고 LSTM과 Attention을 결합한 Hybrid deep learning model이 가장 예측 정확도가 높았다. 향후 관광수요 예측에서는 분해와 잔차 기반의 노이즈 제거 과정을 거친 후, 딥 러닝 기 법을 결합하는 것이 정확성 측면에서 효과적인 방법임을 확인하였다. 본 연구는 연안 국가어항의 미래 관광수요를 전망함으로써, 관광추 세를 반영한 지속가능한 수요 대응 전략 수립 및 정책 의사결정에 기여할 수 있을 것으로 기대된다.

Cordycepin is the principal bioactive compound produced by Cordyceps militaris and exhibits diverse pharmacological properties. However, cordycepin production is highly sensitive to cultivation conditions, leading to substantially variable production amounts and challenges in process optimization. An interpretable machine learning framework was established in this study to predict the cordycepin produced by C. militaris cultivated on Pinus densiflora sawdust. Three key cultivation parameters—input weight, growth weight, and particle size—were quantified using submerged mycelial culture. The cordycepin content was measured via high-performance liquid chromatography. Four predictive models (random forest, support vector machine, XGBoost, and artificial neural network) were optimized through a randomized hyperparameter search and evaluated using internal validation and Tropsha’s external quantitative structure-activity relationship criteria. The validation accuracy of XGBoost was the highest (root mean square error = 42.67 μg/mL), whereas the external performance of random forest was the most reliable (R² = 0.898). Shapley additive explanations revealed that input weight most strongly influenced cordycepin production, followed by growth weight and particle size, with distinct nonlinear and interaction-driven effects among the cultivation variables. Kernel density and dependence analyses confirmed the occurrence of multimodal production regimes associated with the substrate loading and particle size characteristics. Finally, the best-performing model was deployed through a streamlit-based graphical user interface, enabling the real-time prediction of cordycepin concentration with a 95% confidence interval. The results collectively demonstrate the utility of interpretable AI-driven modeling for unveiling complex biological responses, providing a practical decision-support tool for optimizing cordycepin production in fungal biotechnologies.

Defect detection in manufacturing processes is a critical requirement for ensuring product reliability and maintaining production stability. As smart manufacturing environments continue to advance, the need for precise and robust vision-based inspection methods has become increasingly significant. This study proposes a hybrid defect analysis framework that integrates YOLOv5-based defect candidate detection with an Attention U-Net–based segmentation module. Experiments conducted on chromate-coated industrial images demonstrate that the proposed framework achieves an accuracy of 0.97, precision of 0.91, recall of 0.89, F1-score of 0.93, and IoU of 0.88, exhibiting stable performance even for small defects and irregular boundaries. The combination of region- of-interest extraction and attention-enhanced pixel-level segmentation improves both computational efficiency and boundary reconstruction quality. The findings extend the applicability of attention-based segmentation to industrial defect inspection and provide practical insights for deploying deep learning–based quality monitoring systems in automated manufacturing environments.

최근 고도화된 딥러닝 모형을 이용하여 하천 수질에 영향을 줄 수 있는 과도한 조류(algae) 발생을 예측하는 연구에 대한 관심이 지속되고 있으며, 모형의 구축에 사용되는 현장 측정 자료의 특성상 다양한 이상치를 포함할 수 있어 데이터의 이상치 관리 필요성이 높아지고 있다. 본 연구에서는 현장 자료의 이상치가 딥러닝 모형의 성능에 미치는 영향을 분석하기 위해 딥러닝 Long Short-Term Memory(LSTM) 모형을 이용하여 하천 조류 발생을 정량적으로 평가하는 지표인 클로로필-a를 예측하는 모형을 구축하였으며, 10%의 이상치를 포함한 자료와 이상치가 포함되지 않은 원본 자료로 학습된 모형의 성능을 비교하였다. 또한 딥러닝 기반 이상치 탐지 알고리즘인 Autoencoder(AE)를 이용하여 이상치를 제거한 후 모형의 성능에 미치는 영향을 비교하였다. 분석 결과 이상치를 포함하지 않은 자료로 학습된 Base 모형과 10%의 이상치를 포함한 자료로 학습된 모형의 Nash-Sutcliffe efficiency(NSE)가 각각 0.882 및 0.858로 나타나 이상치가 모형의 성능을 저하시킬 수 있음을 확인하였다. 한편 AE를 이용하여 이상치를 다양한 비율로(5–20%) 제거한 자료로 학습된 모형의 성능을 분석한 결과 NSE가 0.883–0.896으로 이상치의 제거에 따라 모형의 성능이 Base 모형과 유사한 수준으로 개선되는 것으로 나타났다. 본 연구에서는 이상치가 딥러닝 모형에 미치는 영향을 분석하고 이상치 탐지 모형의 활용에 따른 조류 발생 예측 딥러닝 모형의 성능 향상이 가능함을 확인하였다.

모빌리티 기기에 주로 사용되는 리튬 이온 배터리는 고장 시 심각한 인명 피해로 이어질 수 있어, 실시간으로 배터리의 건전성 상태 (State of Health, SOH)를 정확하게 추정하고 모니터링하는 것이 매우 중요하다. 본 논문에서는 TCN-GRU 하이브리드 딥러닝 신경망 기반 리튬 이온 배터리의 SOH 추정 방법을 제안한다. 제안한 모델은 모빌리티 온보드 시스템에 적용 가능하도록 배터리 관리 시스템 (BMS)에서 직접 측정 가능한 전류, 전압, 시간의 원시 데이터를 리샘플링하여 입력으로 사용하였다. 해당 입력 데이터는 과거와 현재 의 데이터만을 활용하여 학습하는 TCN 모델을 통해 국소적 용량 회복을 포함한 배터리 열화 과정에서 나타나는 비선형적인 특징을 효과적으로 추출함으로써 모델의 신뢰성을 향상시켰다. 추출된 특징은 GRU 모델에 입력되어 시간적 정보 및 패턴을 학습하며, 정밀 한 SOH 추정 결과를 도출하였다. 제안한 방법은 CALCE 배터리 열화 데이터를 기반으로 검증하였으며, 평가 지표인 MAE와 RMSE 는 모든 배터리 셀에 대해 각각 최대 0.55 및 0.7의 일관되고 우수한 성능을 보였다.

This study aimed to develop a model for accurately predicting the acute aquatic toxicity (48h- EC50) of chlorine disinfection by-products (DBPs). DBPs have caused environmental risks, but experimental toxicity data are difficult to obtain due to time, cost, and ethical constraints. Therefore, a deep learning model was developed using actual concentration-based data. Toxicity data for 139 aliphatic chlorinated compounds were from the OECD QSAR Toolbox and from aquatic toxicity test results provided by the japan ministry of the environment. Various concentration criteria, including nominal and measured concentrations, were encoded as additional inputs, and EC50 values were augmented via log transformation and structural string modifications to overcome small data limitations. The directed message passing neural network (D-MPNN) model, which considers bond directionality, was applied to reflect structural complexity accurately. Also, this model effectively reflected subtle structural differences and showed stable performance even with limited data. Comparisons between models with and without concentration criteria revealed that the model considering all concentration criteria had superior predictive accuracy. This result shows that concentration criteria are a critical factor in toxicity prediction. This study suggests a baseline model that works reliably even with small datasets reflecting realistic concentration criteria, showing its potential use for replacing some experiments and for screening toxic substances.