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.

Extensive soft tissue defects involving loss of skin, fat, and muscle often result from trauma or tumor resection. Current treatments, including autografts and flaps, are limited by donor-site morbidity and scarce tissue availability. Animal models, particularly in rodents, are essential for research but are limited by their primary healing mechanism—contraction via the panniculus carnosus—which does not accurately reflect human healing. Furthermore, standardized models for complex skin–muscle defects are lacking. Therefore, this study aims to create a clinically relevant composite soft tissue defect model in mice using a three-dimensional (3D) polylactic acid (PLA) chimney splint to inhibit contraction and better mimic human wound healing mechanisms (re-epithelialization and granulation tissue formation). A composite defect was created on the dorsum of 8-week-old BALB/c nude mice. The biocompatibility of the 3D-printed PLA chimney was assessed via MTT assay. In vivo, fixation methods—tissue adhesive (TA), simple interrupted sutures (SI), and purse-string suture (PS)—were compared. Wound healing was evaluated over 4 weeks via gross and histological analyses. PLA material showed excellent biocompatibility in vitro, with cell viability consistently above 85%, indicating noncytotoxicity. In vivo, the TA and SI groups showed severe inflammation, tissue necrosis, and splint detachment. In contrast, the PS group remained stable for 4 weeks with no complications. Histologically, the PS group effectively suppressed contraction. Re-epithelialization from the wound edge, well-organized granulation tissue with active angiogenesis, abundant fibroblasts, and collagen deposition, and spindle-shaped cells were clearly observed. In conclusion, this study establishes a reproducible and stable murine composite soft tissue defect model by combining a 3D-printed chimney splint with a PS technique. This model overcomes a key limitation of rodent wound models by controlling contraction, offering a robust preclinical platform to study composite tissue healing and evaluate next-generation regenerative medicine therapies.

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.

In the production sites of small and medium sized manufacturing enterprises, the increasing proportion of foreign workers has led to frequent difficulties in responding promptly to process defects and equipment setting errors during night and weekend shifts due to the absence of Korean supervisors. If such issues are not addressed in a timely manner, they can lead to large scale defects and reduced production efficiency. In this study, we developed an AI-based defect prediction and prevention system for the bearing machining process to overcome these on site management limitations. Real time machining data, equipment information, and quality inspection results were collected from the production lines of the target company, and the prediction accuracy of three models, RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory), and GRU(Gated Recurrent Unit), was compared. As a result, the LSTM model demonstrated the best performance. The developed system visualizes real time defect prediction results in the form of a dashboard, enabling workers to immediately detect anomalies and adjust the process accordingly. Particularly in bearing machining processes where mass production occurs in short periods, the risk of lot level defects is high, while this system can contribute to improved production quality and efficiency by enabling early defect prediction and immediate response.

With the increasing number of aging buildings, the importance of structural safety inspections has grown significantly. Traditional methods for inspecting welding defects, such as visual inspection and magnetic testing, rely heavily on human expertise, making them time-consuming, costly, and subjective. To address these limitations, thermographic technology has been introduced as a non-contact alternative, significantly reducing both time and cost. Furthermore, by incorporating AI, an objective and automated evaluation of welding defects can be achieved. In this study, we propose an AI-based thermographic approach for detecting welding defects. To validate the applicability of this method, a Mock-up Test was conducted. Specifically, 12 types of welding specimens with 4 welding part were prepared, generating a dataset of 6,500 thermographic images. Among 7 regression algorithms tested, RF and EXT were selected due to their superior performance. By ensemble learning these two models, we developed a robust welding defect measurement algorithm. To further verify its effectiveness, we applied the developed algorithm to 2 real projects, evaluating its applicability using 450 thermographic images. The results of this study demonstrate the feasibility of AI and thermographic technology in welding defect detection, highlighting its potential to enhance the efficiency and reliability of structural safety inspections in aging infrastructures.

본 연구에서는 교목성 낙엽침엽수인 메타세쿼이아(Metasequoia glyptostroboides)가 가로수로 식재된 국내 8개 지역(삼척, 대전, 대구, 구미, 포항, 부산, 진안, 담양)의 10개 도로에서 총 280본을 대상으로 결함 및 관리 특성을 조사하였다. 육안 평가를 기반으로 2022년과 2023년 6~7월에 기본 현황, 결함, 관리 특성을 종합적으로 분석하였다. 결함도는 고사지, 줄기 상처, 병해충 등을 조사하여 정량화하였다. 메타세쿼이아의 평균 수고는 17.8m, 흉고직경 43.2cm, 근원직경 62.3cm, 수관폭 7.7m, 지하고 4.1m였으며, 흉고직경과 수고 간에는 전반적으로 양의 상관관계가 확인되었다. 그러나 흉고직경 기준 수고 예측 모델을 사용하였을 때 자연 집단보다 수고가 최대 11.9m 낮았다. 결함도는 평균 2.21점으로, 근계 결함(96.79%), 해충 피해(60.00%), 고사지(46.79%)가 가장 빈번했다. 보호틀 폭은 대부분 1~2m였으나 일부 구간은 1m 내외로 근계 손상이 발생하였고, 전선 비지중화 구간에서는 가지치기로 인해 수형이 고착되는 경향을 보였다. 교목성 가로수로서 전국적으로 조성된 메타세쿼이아 가로수의 지속 가능한 관리를 위한 종합적인 방안을 강구하는 것이 필요하다.

재건축아파트 하자담보책임 소송은 원고와 피고가 실질적으로 동일한 구성원 집단에 속할 수 있는 특수한 구조적 특성으로 인해 심각한 이해상충 문제를 내포하 고 있다. 본 연구는 이러한 구조적 모순이 소송의 공정성과 효율성에 미치는 영향을 분석하였다. 또한, 절차적 공정성 확보를 위한 개선방안을 모색하였다. 특히 조합원이자 구분소유자인 당사자들의 이중적 지위로 인해 전통적 대립당사자 주의 원칙이 훼손될 수 있다. 재건축아파트의 공용부분 재산 관리를 위한 총회결의 요건과 신속한 권리구제 필요성 간의 긴장관계가 소송 진행을 지연시킬 수도 있다. 이를 해결하기 위해 특별대리인 제도의 예방적 활용, 중립적 판단기구 도입, 외부 중립기관 개입 확대 등의 절차적 공정성 확보방안을 제시하였다. 또한 미국 HOA 제도와의 비교분석을 통해 입주자대표회의의 법적 지위 명확화, 포괄적 소송권한 부여 등의 입법적 개선방안을 도출하였다. 본 연구는 재건축하자 소송 제도의 구조적 문제 해결과 구분소유자 권익보호 강화에 기여할 것으로 기대된다.

가로수의 수종에 따른 결함 요인을 분석하고자 인천광역시의 가로수 느티나무, 백합나무, 양버즘나무 와 왕벚나무 4수종을 대상으로 시각적 수목평가를 실시하고 위해 정도를 파악하였다. 느티나무는 변재 부의 부후 상처가 다른 수종에 비해 많고 상처면적이 큰 개체도 다수 발견되나 줄기에서 관찰되는 공동 의 수는 적고 균류의 자실체 발생률 또한 낮았다. 반면 타진음 검사에서 이상 소견이 가장 많이 관찰되었 고 동일세력 줄기의 발생률과 분기지점의 결함 수관에서 차지하는 고사지의 비율 등은 다른 수종에 비 해 높다. 또한 줄기를 옥죄는 뿌리의 발생률은 비교적 낮고 수관이 차도 또는 보행로 방향으로 편중된 경향을 보였다. 백합나무는 구조적으로 안정된 수형을 이루고 있으며, 변재부의 부후상처 발생률, 타진음 검사결과 동일세력 줄기의 결함 등은 다른 수종에 비해 건전한 것으로 분석되었다. 그러나 백합나무 는 줄기가 직립하는 성질이 강하여 수관이 편향된 개체의 비율은 비교적 낮은 편이다. 양버즘나무는 세장비가 비교적 높고 줄기가 약하게 기울어 자라는 특성이 관찰되나 활관비가 높아 활력을 유지하는 것으로 판단된다. 줄기에 발생하는 결함 요인들도 비교적 낮은 수준이어서 건강성이 높으나 위험하지 않을 정도로 줄기가 기울어 수관이 차도 방향으로 편중된 개체의 비율은 높다. 왕벚나무는 세장비가 4수종 중 가장 낮아 초살이 잘 발달하는 수종이며, 활관비와 줄기의 기울기 각도는 비교적 안정한 편이 다. 그러나 부후와 공동의 발생률은 다른 수종에 비해 유의적으로 높아 상처에 취약한 수종임을 확인할 수 있다. 수종별 위험도 등급을 구분한 결과 느티나무와 왕벚나무의 결함 발생률과 위험도가 비교적 높게 나타났으며, 백합나무와 양버즘나무는 상대적으로 도로환경의 적응도가 높은 것으로 판단된다. 시각적 수목평가는 조사할 나무의 수량이 많고 선형으로 식재된 가로수의 위험성 평가에 흔히 통용되 는 방법인데, 향후 가로수의 건강한 생육과 안전한 관리를 위해 평가 항목을 개발하고 평가 기준을 표준 화하는 등의 추가적인 연구가 필요하다.

Recently, there has been an increasing attempt to replace defect detection inspections in the manufacturing industry using deep learning techniques. However, obtaining substantial high-quality labeled data to enhance the performance of deep learning models entails economic and temporal constraints. As a solution for this problem, semi-supervised learning, using a limited amount of labeled data, has been gaining traction. This study assesses the effectiveness of semi-supervised learning in the defect detection process of manufacturing using the MixMatch algorithm. The MixMatch algorithm incorporates three dominant paradigms in the semi-supervised field: Consistency regularization, Entropy minimization, and Generic regularization. The performance of semi-supervised learning based on the MixMatch algorithm was compared with that of supervised learning using defect image data from the metal casting process. For the experiments, the ratio of labeled data was adjusted to 5%, 10%, 25%, and 50% of the total data. At a labeled data ratio of 5%, semi-supervised learning achieved a classification accuracy of 90.19%, outperforming supervised learning by approximately 22%p. At a 10% ratio, it surpassed supervised learning by around 8%p, achieving a 92.89% accuracy. These results demonstrate that semi-supervised learning can achieve significant outcomes even with a very limited amount of labeled data, suggesting its invaluable application in real-world research and industrial settings where labeled data is limited.