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.

본 연구는 YOLO(You Only Look Once)-Segmentation 기반 해양생물 탐지 모델의 성능 비교와 수중 이미지의 색상 왜곡 보정을 위한 딥러닝 모델 구축에 중점을 둔다. 탐지 모델 구축에는 Ultralytics에서 공식적으로 배포하는 YOLO의 버전별 객체분할 모델인 YOLOv5-Seg, YOLOv8-Seg, YOLOv9-Seg, YOLOv11-Seg를 활용하였으며, 22종의 해양생물 데이터셋을 사용해 동일한 학습 과정을 거쳤다. 이 를 통해 각 버전의 탐지 성능을 비교한 결과, YOLOv9c-Seg 모델이 정밀도(Precision) 0.908, 재현율(Recall) 0.912, mAP@50 0.943으로 가장 높 은 성능을 기록하며 최적의 모델로 선정되었다. 또한, 수중 환경에서 발생하는 색상 왜곡 문제를 해결하고 탐지 정확도를 높이기 위해 CLAHE, White Balance, Image Filter 등의 RGB 요소 변환 기법을 적용한 PhysicalNN 기반 이미지 보정 모델을 구축하였다. 선정된 탐지 모델 과 이미지 보정 모델을 이용해 수중영상 내 탐지된 생물의 위치를 정확히 파악하고, Monocular Depth Estimation(MDE) 알고리즘과 거리 및 크기 측정을 위한 가이드 스틱을 활용하여 대상 생물의 거리와 크기를 추정하였다. 이를 통해 단안 카메라 영상만으로도 3차원 공간의 해 양생물 크기와 이에 따른 체중을 간접적으로 추정하였으며, 향후 해양 생태계 모니터링에 활용할 수 있는 가능성을 시사한다.

Loop-mediated isothermal amplification (LAMP)는 PCR 보다 빠르고 간편한 새로운 분자 검출 방법이다. 본 연구 에서는 식품에서 오염된 Bacillus cereus 그룹 중 식중독 을 유발할 수 있는 bceT 유전자를 가진 B. cereus와 B. thuringiensis를 신속하게 검출하기 위한 LAMP 방법을 개 발하고 평가하였다. LAMP 방법은 외부 프라이머와 내부 프라이머를 포함한 4개의 프라이머를 사용하기 때문에 다 른 검사 방법보다 특이성이 높다. 시험결과, LAMP의 특 이도는 100%였으며, 검출한계는 10(CFU/반응)이었다. 이 분석은 다양한 식품에서 인위적으로 접종하여 장독소 유 전자 함유 B. cereus 그룹을 분석하는 데 사용하였다. 일 반가공식품 뿐아니라 즉석조리식품 중 전투식량, 냉동볶 음밥 등 포함한 20개의 모든 식품에서 적용하여 검출하였다. 결론적으로, 장독소 유전자 함유 B. cereus 와 B. thuringiensis 특이적 LAMP는 소상공인 제조업체뿐만 아 니라 식품 관련 기관 등에서도 진단방법으로 유용하게 사 용될 수 있을 것으로 판단된다.

본 연구에서는 baird paker agar (BPA)와 MC-media pad SA (MMPSA)의 황색포도상구균 검출효율과 정성 및 정 량 정확도를 비교하여 황색포도상구균 건조필름의 사용가 능성을 평가하였다. 본 실험에 사용된 재료는 마카롱(30건), 편육(30건) 및 김밥(30건), 총 90건을 실험 재료로 사용하 였다. 유통식품 90건의 황색포도상구균 검출효율 실험결과, BPA와 MMPSA의 검출효율은 48건(53.3%)으로 동일 하게 검출되었다. 또한 정량 정확도는 BPA와 MMPSA에 서 각각 2.0±0.8, 2.0±0.7 log CFU/g로 유의적인 차이가 나 타나지 않았다. 황색포도상구균의 정성 정확도 실험결과, BPA의 경우 97.7%, MMPSA의 경우 96.4%로 산출되어 유 의적인 차이가 나타나지 않았다. 황색포도상구균의 검출효 율, 정성과 정량 정확도 실험결과, BPA와 MMPSA 두 배지 에서 유의적인 차이가 나타나지 않아 황색포도상구균 정성 과 정량실험 시 MMPSA도 사용이 가능할 것으로 판단된다.

안정적이고 효율적인 수자원 공급을 보장하는 것은 가정, 산업, 공공 보건 분야 복지에 필수적이다. 상수도 시스템에서 이상을 감지하기 위해 데이터 모델, 수리 모델 기반 시뮬레이션 등 다양한 접근 방식을 통해 이상감지 역량이 꾸준히 향상되어 왔으나, 현장 적용 및 검증에 한계가 있어 실질적인 활용은 폭 넓게 이루어지지 못하고 있다. 실제 적용 가능한 이상감지 시스템 측면에서, 본 연구에서는 유량 및 압력 계측 데이터를 활용하여 시스템 내 이상 발생을 신속하게 감지하고 개략적인 위치를 파악하기 위한 실시간 이상감지 및 탐색 모델을 제안하였다. 제안된 모델은 유량수지 분석, 유량-수두손실 관계, EPANET 기반 수리 해석 방법을 통합하여 이상 감지 및 위치 파악의 정확성을 개선시키고자 하였다. 현장 실험 결과, 제안된 모델은 높은 신뢰도에서 시스템 내 이상유량의 발생을 효과적으로 감지하고, 발생 구간을 파악할 수 있는 것으로 나타났다. 본 연구 성과는 시스템의 실시간 이상 감지 및 운영관리를 위한 실효성 있는 접근 방식을 제공함으로써 상수도 시스템의 지속 가능하고 회복력 있는 운영관리에 기여할 것으로 기대된다.

A simple and effective method was developed to prepare fluorescent carbon quantum dots (CQDs) for the detection of Fe3+ and Cu2+ in aqueous solution. The water-soluble CQDs with the diameter around 2–5 nm were synthesized using anthracite coal as the precursor. In addition, the as-prepared CQDs exhibits sensitive detection properties for Fe3+ and Cu2+ metal cations with a detection limit of 18.4 nM and 15.6 nM, respectively, indicating that the coal-derived CQDs sensor is superior for heavy metal recognition and environmental monitoring.

Gold nanoparticles (Au NPs) decorated carbon nanofibers (CNFs) have been prepared by an electrospinning approach and then carbonized. The prepared Au-CNFs were employed to modifying a screen printed electrode (SPE) for simultaneous determination of ascorbic acid (AA), dopamine (DA) and uric acid (UA). Au NPs are uniformly dispersed on carbon nanofibers were confirmed by the structure and morphological studies. The modified electrodes were tested in cyclic voltammetry (CV), differential pulse voltammetry (DPV) and chronoamperometry (CA) to characterize their electrochemical responses. Compared to bare SPE, the Au-CNFs/SPE had a better sensing response to AA, DA, and UA. The electrochemical oxidation signal of AA, DA and UA are well separated into three distinct peaks with peak potential separation of 280 mV, 159 mV and 439 mV between AA-DA, DA-UA and AA-UA respectively in CV studies and the corresponding peak potential separation in DPV studies are 290 mV, 166 mV and 456 mV. The Au-CNFs/SPE has a wide linear response of AA, DA and UA in DPV analysis over the range of 5–40 μM ( R2 = 0.9984), 2–16 μM ( R2 = 0.9962) and 2–16 μM ( R2 = 0.9983) with corresponding detection limits of 0.9 μM, 0.4 μM and 0.3 μM at S/N = 3, respectively. The developed modified SPE based sensor exhibits excellent reproducibility, stability, and repeatability. The excellent sensing response of Au-CNFs could reveal to a promising approach in electrochemical sensor.

해양 환경에서 발생하는 화재는 일반적인 화재 상황에 비해 빠르게 화염이 전파되기 때문에 초기 발견과 대응이 매우 중 요하다. 최근의 화재 감지 시스템은 카메라 센서와 딥러닝 검출 모델을 활용하여 개발되고 있지만, 해양 환경에 특화된 딥러닝 모델 을 학습하기 위해 해양 환경에서 화재 데이터를 실제로 수집하는 것은 기술적, 경제적 측면에서 어려움이 존재한다. 본 논문에서는 이러한 문제를 해결하기 위해 언리얼 엔진 기반 가상 데이터 생성 도구를 활용하여 가상 환경에서 해양 환경을 구축하고 여러 상황 의 시나리오에서 데이터를 수집하여 해양 환경 화재 가상 데이터셋을 구축하였다. 가상 데이터셋으로 학습한 RT-DETR-L 모델은 실 제 해양 환경에서 발생한 화재 상황을 수집하여 제작한 테스트 데이터셋에서 mAP50:95 0.529를 달성하였다. 또한 가상 데이터로 학습 한 검출 모델은 일반적인 화재 상황이나 항만시설에서 연기만 발생하는 상황에서도 화재를 검출하는 것을 볼 수 있었다. 이를 통해 실제 데이터가 아닌 가상 데이터셋을 사용하여 데이터셋을 구축하여도 해양 환경 화재와 같은 특수한 상황에서의 검출 모델 성능 향 상에 도움을 줄 수 있다는 것을 확인하였다.

테트로도톡신(tetrodotoxin, TTX)은 강력한 해양생물 유 래 신경독소로, 수산물 내 TTX를 검출하기 위해 기존에 주로 사용되는 mouse bioassay (MBA)와 LC-MS/MS 기법 은 낮은 검출한계와 동물 윤리 문제 등의 한계가 있어 이 를 대체할 새로운 시험법 개발이 필요합니다. Neuro-2a assay는 대표적인 세포기반 대체 시험법으로, 이 방법은 마우스 신경모세포인 Neuro-2a 세포주에 ouabain (O)과 veratridine (V)을 처리하여 과도한 Na+ 유입으로 인한 세 포 사멸을 유도한 후, Na+ 채널 억제제인 TTX가 Na+ 유 입을 차단해 세포를 보호하는 원리를 이용해 TTX를 정량 합니다. 본 연구에서는 Neuro-2a assay를 국내 실험실 환경에 적용하기 위해 TTX 처리 조건과 O/V 농도 등의 매 개변수를 최적화하였습니다. 그 결과, 최적 O/V 농도로 600/60 μM를 설정하였으며, S자형 용량-반응 곡선이 도출 되는 8가지 농도(50-0.195 ng/mL)를 확인하였습니다. 또한, 24번의 반복 실험을 통해 데이터의 신뢰도를 평가할 수 있는 6가지 data criteria를 확립하였으며, 이 중 EC50 값 은 약 3.824-1.268 ng/mL로 나타났습니다. 실험실 간 변동 성 비교 결과, COV+와 Bottom OD값을 제외한 모든 품 질 관리 기준(quality control criteria)과 데이터 기준(data criteria)의 변동계수(CVs)는 1.31-14.92%로 도출되어, 실험 의 적정성과 재현성이 확인되었습니다. 본 연구는 국내에 서 활용 가능한 TTX 검출용 Neuro-2a assay의 최적 조 건과 신뢰성을 평가할 수 있는 quality control criteria와 data criteria를 제시하였습니다. 아울러, TTX뿐만 아니라 유사체인 4,9-anhydroTTX에 대한 TEF 값을 0.2098로 산 출하여, TTX뿐 아니라 다양한 유사체의 검출이 가능함 을 확인하였습니다. 향후, 본 시험법은 국내 수산물 내 TTX 검출을 위한 MBA 대체법으로 활용될 것으로 기대 됩니다.

기후 변화로 인한 해양 온도 상승으로 해양생물독소의 발생 빈도가 점점 증가하고 있으며, 이는 식품 안전과 공 중 보건에 중대한 위협을 가하고 있다. 해양생물독소를 검 출하기 위한 기존의 방법인 마우스 생체검사(MBA), 고성 능 액체 크로마토그래피(HPLC), 액체 크로마토그래피-질 량 분석법(LC-MS) 등은 절차가 오래 걸리고 비용이 많이 든다는 한계가 있다. 이러한 문제를 해결하기 위한 대안 으로 바이오센서 기술이 유망한 해결책으로 부상하고 있 다. 이러한 바이오센서는 세포, 항체, 압타머, 펩타이드와 같은 바이오리셉터를 이용해 해양생물독소를 신속하고 정 확하게 검출한다. 본 리뷰에서는 다양한 종류의 바이오리 셉터를 논의하고, 해양생물독소 검출을 위한 바이오센서 기술의 최근 발전을 탐구한다. 또한, 이러한 바이오리셉터 의 장점을 강조하며, 해양생물독소 검출을 위한 바이오센 서 성능 향상을 위한 미래 연구 방향을 고려한다.

PURPOSES : This study aimed to compare the object detection performance based on various analysis methods using point-cloud data collected from LiDAR sensors with the goal of contributing to safer road environments. The findings of this study provide essential information that enables automated vehicles to accurately perceive their surroundings and effectively avoid potential hazards. Furthermore, they serve as a foundation for LiDAR sensor application to traffic monitoring, thereby enabling the collection and analysis of real-time traffic data in road environments. METHODS : Object detection was performed using models based on different point-cloud processing methods using the KITTI dataset, which consists of real-world driving environment data. The models included PointPillars for the voxel-based approach, PartA2-Net for the point-based approach, and PV-RCNN for the point+voxel-based approach. The performance of each model was compared using the mean average precision (mAP) metric. RESULTS : While all models exhibited a strong performance, PV-RCNN achieved the highest performance across easy, moderate, and hard difficulty levels. PV-RCNN outperformed the other models in bounding box (Bbox), bird’s eye view (BEV), and 3D object detection tasks. These results highlight PV-RCNN's ability to maintain a high performance across diverse driving environments by combining the efficiency of the voxel-based method with the precision of the point-based method. These findings provide foundational insights not only for automated vehicles but also for traffic detection, enabling the accurate detection of various objects in complex road environments. In urban settings, models such as PV-RCNN may be more suitable, whereas in situations requiring real-time processing efficiency, the voxelbased PointPillars model could be advantageous. These findings offer important insights into the model that is best suited for specific scenarios. CONCLUSIONS : The findings of this study aid enhance the safety and reliability of automated driving systems by enabling vehicles to perceive their surroundings accurately and avoid potential hazards at an early stage. Furthermore, the use of LiDAR sensors for traffic monitoring is expected to optimize traffic flow by collecting and analyzing real-time traffic data from road environments.

교통안전시설물의 관리는 도로교통의 안전과 직결되는 문제이다. 운전자는 신호등, 표지판, 노면표시 등을 통해 운전에 필요한 정보 를 얻는다. 노후된 표지판과 노면표시는 운전자에게 잘못된 정보를 제공할 수 있으므로 주기적인 시설물의 관리가 필요하다. 본 연구 는 딥 러닝 기술을 활용해 운전자 시각의 영상 자료에서 교통안전표지를 자동으로 탐지하고자 하며, 교통안전표지의 공통된 색상 특 징을 기반으로 클래스를 그룹으로 묶어 데이터셋을 구축하는 방법을 제안한다. 객체탐지의 성능지표로 널리 활용되는 mAP를 사용해 클래스 묶음 여부에 따른 탐지 성능을 비교한 결과, 색상 기반 클래스 묶음을 적용한 모델의 탐지 성능이 비교군에 비해 약 36% 상승 함을 확인하였다.