This study aims to develop a deep learning model to monitor rice serving amounts in institutional foodservice, enhancing personalized nutrition management. The goal is to identify the best convolutional neural network (CNN) for detecting rice quantities on serving trays, addressing balanced dietary intake challenges. Both a vanilla CNN and 12 pre-trained CNNs were tested, using features extracted from images of varying rice quantities on white trays. Configurations included optimizers, image generation, dropout, feature extraction, and fine-tuning, with top-1 validation accuracy as the evaluation metric. The vanilla CNN achieved 60% top-1 validation accuracy, while pre-trained CNNs significantly improved performance, reaching up to 90% accuracy. MobileNetV2, suitable for mobile devices, achieved a minimum 76% accuracy. These results suggest the model can effectively monitor rice servings, with potential for improvement through ongoing data collection and training. This development represents a significant advancement in personalized nutrition management, with high validation accuracy indicating its potential utility in dietary management. Continuous improvement based on expanding datasets promises enhanced precision and reliability, contributing to better health outcomes.

이웃한 상수도시스템의 공급 가능지역이 중첩될 경우, 이들 시스템을 연계함으로써 경제성과 수질 조건을 만족시키는 조건별 용수공급체계를 구축하는 것이 필요하다. 용수수요 조건별 경제적 급수구역과 최적 펌프운영율을 산정하기 위하여 관망수리해석 모형(EPAnet)과 네트워크 최적화모형(KModSim)을 연계 하는 최적 네트워크모형을 개발하였다. 개발된 최적 네트워크 모형을 사등가압장, 구천댐 그리고 연초댐의 3개 상수원이 존재하는 거제지역 상수도시스템에 적용하

본 연구의 목적은 중소하천에서의 홍수예측을 위해 사용되는 기존의 수문학적 모형이 가지고 있는 문제점을 개선한 홍수예측 모형을 개발하는데 있다. 이를 위해 기존의 수문학적 강우-유출 모형에서 사용되는 많은 수문학적 자료 및 매개변수들의 사용 없이 오직 수위 및 강우측정 자료만을 이용하여 홍수를 예측할 수 있는 Takagi-Sugeno 퍼지 추론기법과 신경망을 연계한뉴로-퍼지홍수예측 모형을 구축하고자 하였다. 뉴로-퍼지 홍수예측 모형의 예측정확도는 입력자료