Land monitoring involves systematically understanding changes in land use, leveraging spatial information such as satellite imagery and aerial photographs. Recently, the integration of deep learning technologies, notably object detection and semantic segmentation, into land monitoring has spurred active research. This study developed a web service to facilitate such integrations, allowing users to analyze aerial and drone images using CNN models. The web service architecture comprises AI, WEB/WAS, and DB servers and employs three primary deep learning models: DeepLab V3, YOLO, and Rotated Mask R-CNN. Specifically, YOLO offers rapid detection capabilities, Rotated Mask R-CNN excels in detecting rotated objects, while DeepLab V3 provides pixel-wise image classification. The performance of these models fluctuates depending on the quantity and quality of the training data. Anticipated to be integrated into the LX Corporation's operational network and the Land-XI system, this service is expected to enhance the accuracy and efficiency of land monitoring.

간 동적 조영검사에 사용하고 있는 VIBE 시퀀스의 고식적인 방법과 딥러닝 방법에 관한 선행된 연구가 부족하여 영상의 평가와 검사의 방향성 및 타당성을 제시하고자 한다. ACR 팬텀 실험은 30회 반복 실험하였고, 저 대조도 분해능 평가영역 에서 syngo.via View&Go를 이용하여 신호대잡음비와 대조대잡음비를 평가하였고, 공간분해능 평가영역에서 MATLAB 을 통해 신호강도의 높이와 반치폭으로 공간 분해능을 평가했다. 팬텀 실험을 기준으로 Matrix 352를 설정하여 30명의 환자 실험을 했다. 간 실질, 간 문맥, 내림 대동맥에서 대조대잡음비를 평가했고, 공간 분해능은 간 문맥, 내림 대동맥의 경계면을 평가했다. 결과 분석은 이원배치 분산 분석으로 진행하고, 사후 분석은 Duncan을 사용했다. 통계분석은 정량적 으로 p-value 0.05 미만으로 유의한 것으로 판단했다. 팬텀 실험의 신호대잡음비와 대조대잡음비 결과는 Matrix 416 이하에서 유의하였으며, 공간분해능 결과는 고식적인 방법 Matrix 352 이하, 딥러닝 방법 288 이하에서 평가할 수 없었 다. 환자 실험 결과는 신호대잡음비, 대조대잡음비, 공간분해능 모두 유의했다. 본 연구는 고식적인 방법보다 딥러닝 방법 이 영상은 더 향상되었고, 획득 시간은 평균 4초(22.4%)가 단축되었다. 딥러닝 방법에서 Matrix 352를 적용하였을 때 검사 시간의 감소로 재현성과 호흡에 의한 인공물 감소가 있었다. 이에 딥러닝 방법에서 Matrix size 적용의 방향성을 제시할 수 있었다.

In the realm of dental prosthesis fabrication, obtaining accurate impressions has historically been a challenging and inefficient process, often hindered by hygiene concerns and patient discomfort. Addressing these limitations, Company D recently introduced a cutting-edge solution by harnessing the potential of intraoral scan images to create 3D dental models. However, the complexity of these scan images, encompassing not only teeth and gums but also the palate, tongue, and other structures, posed a new set of challenges. In response, we propose a sophisticated real-time image segmentation algorithm that selectively extracts pertinent data, specifically focusing on teeth and gums, from oral scan images obtained through Company D's oral scanner for 3D model generation. A key challenge we tackled was the detection of the intricate molar regions, common in dental imaging, which we effectively addressed through intelligent data augmentation for enhanced training. By placing significant emphasis on both accuracy and speed, critical factors for real-time intraoral scanning, our proposed algorithm demonstrated exceptional performance, boasting an impressive accuracy rate of 0.91 and an unrivaled FPS of 92.4. Compared to existing algorithms, our solution exhibited superior outcomes when integrated into Company D's oral scanner. This algorithm is scheduled for deployment and commercialization within Company D's intraoral scanner.

본 연구에서는 T2 터보 스핀 에코 지방 포화 기법 중 딥러닝 기반 T2 터보 스핀 에코 Dixon 기법에서 지방분율에 대한 분석을 통해 정확한 지방 포화가 이루어지는지 알아보고자 하였다. 이에 미국 방사선학회 인증 팬텀을 기준 팬텀으로 설정 하고, 액체 지방 팬텀을 이용하여 일반 T2 지방 포화 기법들과 딥러닝 기반 T2 Dixon 기법의 지방분율을 정량적으로 분석 하였다. 연구 방법은 기준 팬텀 3시 방향에 지방 함유율이 0, 10, 20, 30%인 액체 지방 팬텀을 고정하고, 기법별 액체 지방 팬텀 중심부의 신호강도 값을 도출하였다. 그리고 측정된 값을 지방분율 공식을 이용하여 수치화하였다. 연구 결과 각각의 액체 지방 팬텀의 지방분율 측정에서 T2 Dixon 딥러닝 기법과 Dixon 기법이 다른 일반 지방 포화 기법들과 비교해 기준 지방분율에 가장 근접하였다. 그리고 두 기법 간 통계적 차이는 없어 딥러닝 영상 재구성이 지방 포화에 영향을 미치 지 않음을 알 수 있었다. 따라서 딥러닝 기반 T2 터보 스핀 에코 Dixon 기법은 정확한 지방분율로 지방 포화를 할 수 있어 그 유용성이 있다고 생각한다.

Nowadays, artificial intelligence model approaches such as machine and deep learning have been widely used to predict variations of water quality in various freshwater bodies. In particular, many researchers have tried to predict the occurrence of cyanobacterial blooms in inland water, which pose a threat to human health and aquatic ecosystems. Therefore, the objective of this study were to: 1) review studies on the application of machine learning models for predicting the occurrence of cyanobacterial blooms and its metabolites and 2) prospect for future study on the prediction of cyanobacteria by machine learning models including deep learning. In this study, a systematic literature search and review were conducted using SCOPUS, which is Elsevier’s abstract and citation database. The key results showed that deep learning models were usually used to predict cyanobacterial cells, while machine learning models focused on predicting cyanobacterial metabolites such as concentrations of microcystin, geosmin, and 2-methylisoborneol (2-MIB) in reservoirs. There was a distinct difference in the use of input variables to predict cyanobacterial cells and metabolites. The application of deep learning models through the construction of big data may be encouraged to build accurate models to predict cyanobacterial metabolites.

On pig farms, the highest mortality rate is observed among nursing piglets. To reduce this mortality rate, farmers need to carefully observe the piglets to prevent accidents such as being crushed and to maintain a proper body temperature. However, observing a large number of pigs individually can be challenging for farmers. Therefore, our aim was to detect the behavior of piglets and sows in real-time using deep learning models, such as YOLOv4-CSP and YOLOv7-E6E, that allow for real-time object detection. YOLOv4-CSP reduces computational cost by partitioning feature maps and utilizing Cross-stage Hierarchy to remove redundant gradient calculation. YOLOv7-E6E analyzes and controls gradient paths such that the weights of each layer learn diverse features. We detected standing, sitting, and lying behaviors in sows and lactating and starving behaviors in piglets, which indicate nursing behavior and movement to colder areas away from the group. We optimized the model parameters for the best object detection and improved reliability by acquiring data through experts. We conducted object detection for the five different behaviors. The YOLOv4-CSP model achieved an accuracy of 0.63 and mAP of 0.662, whereas the YOLOv7-E6E model showed an accuracy of 0.65 and mAP of 0.637. Therefore, based on mAP, which includes both class and localization performance, YOLOv4-CSP showed the superior performance. Such research is anticipated to be effectively utilized for the behavioral analysis of fattening pigs and in preventing piglet crushing in the future.

본 논문에서는 소형어선의 운동 응답을 예측하기 위해 딥러닝 모델을 구축하였다. 크기가 다른 두 소형어선을 대상으로 유체 동역학 성능을 평가하여 데이터세트를 확보하였다. 딥러닝 모델은 순환 신경망 기법의 하나인 장단기 메모리 기법(LSTM, Long Short-Term Memory)을 사용하였다. 딥러닝 모델의 입력 데이터는 6 자유도 운동 및 파고의 시계열 데이터를 사용하였으며, 출력 라벨로는 6 자유도 운동의 시계열 데이터로 선정하였다. 최적 LSTM 모델 구축을 위해 hyperparameter 및 입력창 길이의 영향을 평가하였다. 구축된 LSTM 모 델을 통해 입사파 방향에 따른 시계열 운동 응답을 예측하였다. 예측된 시계열 운동 응답은 해석 결과와 전반적으로 잘 일치함을 확인 할 수 있었다. 시계열의 길이가 길어짐에 따라서 예측값과 해석 결과의 차이가 발생하는데, 이는 장기 데이터에 따른 훈련 영향도가 감 소 됨에 따라 나타난 것으로 확인할 수 있다. 전체 예측 데이터의 오차는 약 85% 이상의 데이터가 10% 이내의 오차를 보였으며, 소형어 선의 시계열 운동 응답을 잘 예측함을 확인하였다. 구축된 LSTM 모델은 소형어선의 모니터링 및 경보 시스템에 활용될 수 있을 것으로 기대한다.

안면 부 MRI 검사는 주변 조직에 대한 높은 대조도 와 해상력으로 해부학적 구조 파악과 질환 진단에 이용되고 있다. 최근 검사 시간을 줄이는 동시에 영상의 질을 향상하는 딥러닝이 주목받고 있다. 본 연구는 안면 부 MRI 검사에서 딥러닝 의 유용성을 알아보기 위해 34명의 환자를 대상으로 딥러닝 T2 강조 영상과 고식적인 T2 강조 영상의 축상면, 관상면 영상을 각각 획득하여, 무참조 영상 품질평가 기법인 NIQE와 NIMA를 통하여 정량적 평가하였고, 리커트 4점 척도를 통해 정성적 평가하였다. NIQE 결과에서 딥러닝 T2 강조 영상은 고식적인 T2 강조 영상보다 영상 품질이 우수하였고, NIMA 결과에서는 딥러닝 T2 강조 영상의 축상면은 통계적으로 유의한 차이가 없었고, 딥러닝 T2 강조 영상의 관상면에서는 통계 적으로 유의한 차이가 있었다. 정성적 평가지표에서는 입 인두, 후두 인두에서 질적인 이득이 있었다. 연구 결과를 통해 안면 부 영역 중 무의식적인 움직임이 많은 영역에서 딥러닝을 적용함으로써 고식적인 T2 강조 영상보다 높은 영상의 품질 을 제공하고, 상대적으로 움직임이 덜한 구조물에서도 품질을 유지하며 검사 시간을 2분 이상 단축하여 움직임에 의한 인공 물을 감소시킴으로써 응급 환자 및 비협조 환자의 진단에 유용하게 활용될 것으로 사료 된다.

본 연구는 간 담도기 이미지에서 CAIPIRINHA, 압축 센싱(CS), 딥러닝(DL) 기법을 비교하여 주관적 영상의 질과 국소병변 을 평가하였다. 후향적 연구로 간 담도기 이미지를(획득 시간, CAIPIRINHA 16초, DL 11초, CS 15초; 절편두께, 3mm, 3mm, 1.5mm) 포함한 가도세틱산 조영증강 자기공명영상을 시행한 51명의 환자에서 3개의 이미지와 국소 간 병변은 주관적 이미지 질 평가를 분석하였다. 간 가장자리 선명도는 CAIPIRINHA(3.9±0.8), DL(4.5±0.6), CS(4.5±0.8), 호흡에 의한 운동 허상은 CAIPIRINHA(4.3±0.9), DL(4.7±0.6), CS(4.5±0.8)를 보였다. 21명 환자의 48개 병변에서, 가장자리 선예 도는 CAIPIRINHA(4.3±0.7), DL(4.5±0.6), CS(4.6±0.5), 선명도는 CAIPIRINHA(4.4±0.7), DL(4.7±0.5), CS (4.7±0.5)을 보였다. DL은 검사 시간을 줄이면서 CAIPIRINHA와 비슷한 질을 보이고 호흡 허상을 줄일 수 있다. CS는 얇은 절편 영상의 획득이 가능하여 비슷한 영상의 질을 보여 선택적으로 유용하게 사용할 수 있다.

Surveillance plays a crucial role in safeguards. Reviewing surveillance data requires a significant number of inspection manpower. As the number of surveillance cameras increases, the demand for such manpower is expected to grow even more. Recently, in the field of security, there has been a development of deep learning models that automatically detect abnormal events from video images, and their usage is expanding. In this study, we used an AutoEncoder-based semi-supervised learning model, which can detect unexpected abnormal events, to detect anomalies in the UCSDped2 dataset and in simulating safeguards-related event videos taken at Dry Mockup facility of KAERI. To improve the model performance, we transformed the video images into two parts: the appearance part, which are sequences of video image frames, and the motion part, which are the pixel value differences of consecutive video frames. In addition, we added memory module to the bottle neck of the AutoEncoder model, and skip connection to enhance the model performance. To evaluate the model performance, we proposed a new evaluation index, which is adequate to the video images of safeguards surveillance in addition to the widely used AUC (Area Under the ROC Curve).