In this paper, a water rescue mission system was developed for water safety management areas by utilizing unmanned mobility( drone systems) and AI-based visual recognition technology to enable automatic detection and localization of drowning persons, allowing timely response within the golden time. First, we detected suspected human subjects in daytime and nighttime videos, then estimated human skeleton-based poses to extract human features and patterns using LSTM models. After detecting the drowning person, we proposed an algorithm to obtain accurate GPS location information of the drowning person for rescue activities. In our experimental results, the accuracy of the Drown detection rate is 80.1% as F1-Score, and the average error of position estimation is about 0.29 meters.

Anomaly detection technique for the Unmanned Aerial Vehicles (UAVs) is one of the important techniques for ensuring airframe stability. There have been many researches on anomaly detection techniques using deep learning. However, most of research on the anomaly detection techniques are not consider the limited computational processing power and available energy of UAVs. Deep learning model convert to the model compression has significant advantages in terms of computational and energy efficiency for machine learning and deep learning. Therefore, this paper suggests a real-time anomaly detection model for the UAVs, achieved through model compression. The suggested anomaly detection model has three main layers which are a convolutional neural network (CNN) layer, a long short-term memory model (LSTM) layer, and an autoencoder (AE) layer. The suggested anomaly detection model undergoes model compression to increase computational efficiency. The model compression has same level of accuracy to that of the original model while reducing computational processing time of the UAVs. The proposed model can increase the stability of UAVs from a software perspective and is expected to contribute to improving UAVs efficiency through increased available computational capacity from a hardware perspective.

Fault detection in electromechanical systems plays a significant role in product quality and manufacturing efficiency during the transition to smart manufacturing. Because collecting a sufficient number of datasets under faulty conditions of the system is challenging in practical industrial sites, unsupervised fault detection methods are mainly used. Although fault datasets accumulate during machine operation, it is not straightforward to utilize the information it contains for fault detection after the deep learning model has been trained in an unsupervised manner. However, the information in fault datasets is expected to significantly contribute to fault detection. In this regard, this study aims to validate the effectiveness of the transition from unsupervised to supervised learning as fault datasets gradually accumulate through continuous machine operation. We also focus on experimentally analyzing how changes in the learning paradigm of the deep learning model and the output representation affect fault detection performance. The results demonstrate that, with a small number of fault datasets, a supervised model with continuous outputs as a regression problem showed better fault detection performance than the original model with one-hot encoded outputs (as a classification problem).

식중독균은 식품의 생산, 가공 및 유통 과정에서 확산 될 수 있으며, 이는 대규모 식중독 사고로 이어질 수 있 다. ‘Farm to table’ 전 과정에서의 식품 안전을 확보하기 위해서는 신속하고 정확한 검출 기술이 필수적이다. 그러 나 기존 PCR 시스템은 실험실 환경에 제한되어 있어 현 장 적용이 어렵다. 이를 해결하기 위해 현장형 PCR 기기 가 개발되었으며, 마이크로유체칩(microfluidic chip)은 고속 처리, 비용 효율성 및 다중 검출 기능을 갖춘 기술로 주목 받고 있다. 특히, 반응 구획이 분리된 다중 반응 챔버를 활용하면 여러 병원체를 동시에 검출할 수 있다. 본 연구에 서는 현장형 실시간 PCR 장비와 마이크로유체칩을 통합한 Lab-on-a-chip 시스템을 개발하고, 이를 이용한 식중독균의 신속한 현장 검출법을 검증하였다. 본 시스템은 swab 분석 을 이용한 DNA 추출법과 현장형 실시간 PCR을 결합하여 E. coli O157:H7, Salmonella spp., L. monocytogenes, S. aureus의 DNA를 식품 및 환경 시료에서 효과적으로 추출 하고 분석할 수 있었다. GENECHECKER® UF-300 실시간 PCR 시스템을 활용한 검출 결과, 30분 이내에 105-101 CFU/ mL (cm2) 수준의 검출 한계를 나타내며, 신속하고 민감한 다중 병원체 검출이 가능함을 확인하였다. 본 연구 결과 는 마이크로유체칩을 활용한 현장형 실시간 PCR 시스템 이 식품 안전 모니터링 및 현장 진단에 효과적으로 활용 될 가능성을 보여준다. 현장형 다중 검출 시스템을 통해 식중독균을 보다 신속하게 검출할 수 있어, 식중독 예방 및 감시 체계에 중요한 역할을 할 것으로 기대된다.

본 연구에서는 Plate Count Agar (PCA; 48시간 배양)와 MC-Media Pad A.C+ (MMPAC+; 24시간 배양)의 검출 효 율과 정량 정확도를 비교하여 건조필름의 배양시간 단축 가능성을 평가하였다. 샐러드 60건에 대한 검출 효율 실 험에서 PCA는 6.1±1.0 log CFU/g, MMPAC+은 6.3±1.1 log CFU/g의 결과를 나타냈다. PCA와 MMPAC+의 P-value 는 0 .3 3 5로 유의적인 차이를 나타내지 않았다. 상관계수 (R2)는 0.5545로 상당한 상관관계를 보였다. 샐러드에 일 반세균을 저농도로 접종한 결과 PCA의 경우 3.3±0.1 log CFU/g, MMPAC+의 경우 3.4±0.1 log CFU/g로 나타났고 P-value는 0.251로 유의적인 차이를 나타내지 않았다. 고 농도로 접종한 결과 PCA의 경우 8.9±0.2 log CFU/g, MMPAC+의 경우 9.0±0.3 log CFU/g로 나타났고, P-value 는 0.561로 유의적인 차이를 나타내지 않았다. 따라서 PCA(48시간 배양)와 더불어 MMPAC+ 건조필름을 24시 간 배양하여 일반세균 실험에 사용할 수 있을 것으로 판 단되었다.

국제무역의 확대는 농산물과 화훼류의 이동을 증가시켜 해충의 확산 위험을 높이고 있다. 그중 총채벌레는 원예 산업에서 식물에 심각한 피해 를 유발하는 주요 해충으로, 이를 방지하기 위한 검역의 중요성이 날로 강조되고 있다. 최근 10년간(2015-2024년) 수입절화에서 검출된 총채벌레 목(Thysanoptera)의 검출 기록을 분석한 결과, 총 누적 검출 건수는 13,960건으로 확인되었으며, 이는 수입 절화류에서 검출된 전체 해충의 52% 를 차지하는 것으로 나타났다. 가장 많이 검출된 품목은 장미(10.8%)와 클레마티스(9.7%) 절화였으며, 검출 빈도가 가장 높은 국가는 네덜란드 (50.6%)와 중국(13.9%)이었다. 아울러 DNA 바코드 분석을 활용하여 총채벌레목의 정확한 동정을 시도하였다. 본 연구를 통해 수입 절화류에 대 한 실험실 정밀검역의 기초 자료로 활용할 수 있는 데이터를 제공하고자 하였다.

Salmonella spp.는 식중독의 주요 원인균으로, 신속하고 정확한 검출 방법이 요구된다. 본 연구에서는 간소화된 direct multiplex real-time PCR 방법인 FS Finder SL키트 의 분석법 활용 가능성을 평가하고, 평판배지법과의 검출 성능을 비교하였다. 또한, real-time PCR의 검출 효율을 평 가하기 위해 FS Finder SL 키트에서 제공하는 세 가지 전 처리 방법(Method 1, 2, 3)을 비교 분석하였다. 실험 결과, 세 가지 전처리 방법을 이용한 direct multiplex real-time PCR 방법은 Salmonella spp.를 100% 검출할 수 있었으며, Ct 값 비교를 통한 통계적 분석에서도 세 방법 간 유의한 차이가 없는 것으로 나타났다(P>0.05). 반면, 선택 배지를 이용한 검출에서는 2 log CFU/g 이상으로 접종된 샘플에 서만 Salmonella spp.가 검출되었으나 real-time PCR법의 경우 0-3 log CFU/g 범위의 샘플에서 모두 검출이 가능 하였다. 또한, 실험에 사용된 세 가지 즉석섭취식품군(알 가공품, 닭가슴살 제품, 편의점 도시락)에서 자연균총의 영 향을 평가한 결과, 도시락 샘플의 일반세균수가 3.56±0.18 log CFU/g으로 가장 높았으며, 알가공품과 닭가슴살 제품 에서는 검출되지 않았다. 결론적으로 FS Finder SL 키트 를 활용한 real-time PCR 방법은 기존의 평판배지법보다 높은 검출 감도를 보였으며, 검출까지의 소요 시간을 대 폭 단축할 수 있었다. 특히, 복합적인 식품 매트릭스에서 도 신속하고 정밀한 검출이 가능함을 확인하였다. 본 연 구는 즉석섭취식품 중 Salmonella spp. 검출을 위한 효율 적인 direct multiplex real-time PCR 분석법의 적용 가능 성을 제시하며, 향후 식품안전 관리 시스템에서 활용될 수 있는 기초 자료를 제공한다.

Oral cancer has a high mortality rate, making early diagnosis crucial for effective treatment and prognosis. Unlike other cancers, oral cancer develops in the oral cavity, enabling direct contact between saliva and cancer cells. Therefore, saliva is a more useful diagnostic tool than serum or tissue. When DNA, RNA, or proteins produced by cancer cells enter the saliva, they can be easily detected as tumor markers. Therefore, salivary biomarkers can serve as a noninvasive alternative to serum- or tissue-based biomarkers. Early diagnosis is essential for increasing the treatment success rate, improving prognosis, and enhancing post-treatment recovery, ultimately improving the quality of life. Proteins are essential molecules involved in key processes, such as the development, growth, death, and metastasis of oral cancer. Recent advancements in molecular biology and salivary proteomics have enabled the detection and analysis of numerous proteins in saliva. Many of these protein molecules are currently the focus of extensive research. This article aims to review the potential of saliva as a diagnostic tool, techniques for detecting protein biomarkers, and salivary protein biomarkers for oral cancer diagnosis.

결빙되거나 적설이 있는 도로와 같이 마찰이 작은 노면에서는 일반 노면과 비교했을 때 제동거리가 크게 증가하기 때문에 심각한 교통사고로 이어질 수 있다. 이에 블랙 아이스(Black ice)와 같은 노면 위험을 감지 하기 위한 노면 분류 기술에 대한 연구가 지금까지 지속적으로 이루어지고 있다. ESC(Electronic Stability Control) 시스템은 차량 자세 제어를 통해 마찰이 작은 노면에서 차량의 미끄러짐 및 전복을 방지하는 능동 안전시스템(Active safety system)이다. ESC 시스템의 성능을 위해서는 정확한 노면 마찰 계수(Road friction coefficient) 추정을 통한 노면 분류가 중요하다. 최근의 노면 분류 기술은 카메라, LiDAR 등의 이미 지 기반의 방법에 중점을 두고 연구가 진행되고 있다. 그러나 이러한 이미지 기반의 방법들은 정확도가 낮을 뿐만 아니라 높은 계산 복잡도의 문제를 가지고 있다. 이뿐만 아니라 높은 비용으로 인해 상용화 측면에서도 단점을 드러내고 있다. 본 연구에서는 그림1처럼 센서 융합 기술을 활용하여 이미지 기반 방법의 문제점을 해결하고자 한다. 차량 횡방향 동역학 모델(Vehicle lateral dynamic model)을 선형화하여 칼만 필터(Kalman filter)를 적용한 노면 마찰 계수 추정 알고리즘을 설계하고, 기계학습(Machine learning) 모델을 적용하여 블랙 아이스 검출 알고 리즘을 설계한다. 전기차 CAN 버스로부터 얻을 수 있는 차량 종방향 가속도(Vehicle longitudinal acceleration)를 제어 입력으로 하고, 요 레이트(Yaw rate)를 측정값으로 하여 칼만 필터에 적용하여 차량 종 방향 속도(Vehicle longitudinal velocity)와 차량 횡방향 속도(Vehicle lateral velocity), 요 레이트, 차량 횡방 향 힘(Vehicle lateral force)을 추정한다. 이때 전통적인 칼만 필터 대신 EKF-UI(Extended kalman filter with unknown input)를 적용하여 시스템 행렬의 크기를 줄여 계산 복잡도를 감소시키고 차량의 거동 변화 를 보다 정확하게 반영할 수 있도록 하였다. 추정된 차량 종방향 속도, 차량 횡방향 속도, 요 레이트를 통해 사이드 슬립 각(Side slip angle)을 구해 사이드 슬립 각과 차량 횡방향 힘의 관계를 이용해 특징들을 찾아 기계학습 모델(e.g. 앙상블 기법, SVM 등)을 적용하여 블랙 아이스를 검출할 수 있다. MATLAB/Simulink SW 및 CarSim을 사용하여 개발한 알고리즘의 성능을 검증하였으며, 본 연구의 결과는 ESC 시스템의 성능 을 개선시켜 차량의 미끄러짐으로 인한 교통사고의 예방에 도움이 될 것으로 예상한다. 여기에 스마트 타이 어(Smart tire)의 센서도 추가해 노면과 타이어 사이의 직접적인 데이터를 추가해 검출 성능을 높일 것이다.

본 연구는 선박 기관실 내에 설치된 증기 배관을 대상으로 누설 감지 및 상태 모니터링을 위한 방법론을 다루고 있다. 일반적 으로 기관실 내의 증기 배관은 보온재로 둘러싸여 있으므로, 증기가 누설되더라도 육안으로 식별하기 어려워 초기 대응을 지연시키는 상 황이 발생할 수 있다. 이에 본 논문은 RGB 카메라와 Thermal 카메라를 이용하여 상호보완적 정보 제공이 가능한 센서 시스템을 개발하기 위한 하드웨어 및 소프트웨어의 설계 방법을 제안한다. 보다 세부적으로 제안된 시스템은 카메라 서버 모듈, 카메라 보정 모듈, 영상 정합 모듈, 열-지도 학습 모듈, 추론 및 시각화 모듈로 구성된다. 특히 증기 배관의 누설이 이상 고온을 초래한다는 점을 고려하여, 본 논문은 열-지도의 개념을 정의하고 열-지도의 효과적인 학습, 열-지도에 기반한 이상 고온 감지, 감지된 이상 고온 영역의 시각화를 위한 알고리 즘을 제안한다. 제안된 방법은 선박 증기 배관 시스템을 모사한 실험 장치를 이용하여 다양한 실험을 통해 그 효용성을 입증한다.

Bearing-shaft systems are essential components in various automated manufacturing processes, primarily designed for the efficient rotation of a main shaft by a motor. Accurate fault detection is critical for operating manufacturing processes, yet challenges remain in sensor selection and optimization regarding types, locations, and positioning. Sound signals present a viable solution for fault detection, as microphones can capture mechanical sounds from remote locations and have been traditionally employed for monitoring machine health. However, recordings in real industrial environments always contain non-negligible ambient noise, which hampers effective fault detection. Utilizing a high-performance microphone for noise cancellation can be cost-prohibitive and impractical in actual manufacturing sites, therefore to address these challenges, we proposed a convolution neural network-based methodology for fault detection that analyzes the mechanical sounds generated from the bearing-shaft system in the form of Log-mel spectrograms. To mitigate the impact of environmental noise in recordings made with commercial microphones, we also developed a denoising autoencoder that operates without requiring any expert knowledge of the system. The proposed DAE-CNN model demonstrates high performance in fault detection regardless of whether environmental noise is included(98.1%) or not(100%). It indicates that the proposed methodology effectively preserves significant signal features while overcoming the negative influence of ambient noise present in the collected datasets in both fault detection and fault type classification.

The purpose of this study is to develop a timely fall detection system aimed at improving elderly care, reducing injury risks, and promoting greater independence among older adults. Falls are a leading cause of severe complications, long-term disabilities, and even mortality in the aging population, making their detection and prevention a crucial area of public health focus. This research introduces an innovative fall detection approach by leveraging Mediapipe, a state-of-the-art computer vision tool designed for human posture tracking. By analyzing the velocity of keypoints derived from human movement data, the system is able to detect abrupt changes in motion patterns, which are indicative of potential falls. To enhance the accuracy and robustness of fall detection, this system integrates an LSTM (Long Short-Term Memory) model specifically optimized for time-series data analysis. LSTM's ability to capture critical temporal shifts in movement patterns ensures the system's reliability in distinguishing falls from other types of motion. The combination of Mediapipe and LSTM provides a highly accurate and robust monitoring system with a significantly reduced false-positive rate, making it suitable for real-world elderly care environments. Experimental results demonstrated the efficacy of the proposed system, achieving an F1 score of 0.934, with a precision of 0.935 and a recall of 0.932. These findings highlight the system's capability to handle complex motion data effectively while maintaining high accuracy and reliability. The proposed method represents a technological advancement in fall detection systems, with promising potential for implementation in elderly monitoring systems. By improving safety and quality of life for older adults, this research contributes meaningfully to advancements in elderly care technology.

This study presents the development of an algorithm that detects potential front bumper collisions caused by road inclinations and provides early warnings to drivers. The system uses a Time-of-Flight (ToF) infrared distance sensor and an obstacle detection sensor, both implemented on an Arduino-based platform. By continuously monitoring the road ahead, the algorithm measures and analyzes the slope angle to identify potential hazards. This solution offers a cost-effective and efficient alternative to traditional warning systems, notifying drivers in advance of dangerous road conditions and helping to prevent vehicle damage caused by sudden changes in road gradient.