• Journal of Energy Engineering
• /
• v.20 no.3
• /
• pp.216-223
• /
• 2011

This paper presents an effective energy saving algorithm for lighting control systems using M&V method in various buildings and factories. It is important to aggregate a various demand side resource which is controllable at the peak power time to reduce the energy cost. Previous demand side algorithm appropriate for building is based on peak power. In this paper, we develop the new energy saving algorithm using M&V method to reduce the quantity of power consumption. The simulation results show that the proposed method is very effective.

• Health Policy and Management
• /
• v.4 no.2
• /
• pp.126-147
• /
• 1994

Lyme 질환은 미국 코넷티컷주의 라임지방에서 관절염증상을 보이는 소아과환자에게서 1975년 처음 발견되었다, 사슴, 누루, 개 등에 기생하는 진드기에 의해 전염되며, 발병초기에는 감기증상을 수반한 황소의 눈과 비슷한 붉은 반점이 생긴다. 적기에 치료하지 않으면, 관절염, 심장질환, 안면신경마비 등으로 악화될 수 있다. 본 논문의 목적은 두가지로 나누어 볼 수 있다. 먼저, 진단초기의 Lyme질환과 관련된 의료 및 기타 경제적 비용을 저렴하게 계측할 수 있는 방법론을 개발하고 그 유효성을 검증하는 것이다. 둘째로 lyme질환의 비용에 대한 여러종류의 총괄적 계측치를 제공하고 발병의 위험요인을 색출하는 것이다. 본 논문에서는 차트분석이나 임상연구 등 고가의 비용이 수반되는 분석기법 대신에 Lyme질환 다발지역에 대한 설문조사를 실시하고 그 유효성을 재설문조사를 통해서 검증하는 방법을 사용하였다. 자료분석상의 난점은 조사대상자마다 응답하지 않은 항목(Missing Value)이 다르기 때문에, 총 비용을 계산할 때 모든 항목에 응답한 조사대상자만을 사용한다면 표본의 크기가 너무 작아지는 것이었다. 이에 대한 대안으로 총비용 및 부분별 비용의 합을 계산할 때 표본의 일부가 응답하지 않은 항목에 대해서는 그 항목에 응답한 나머지 조사대상자의 응답치 평균을 대체하는 방법을 사용하였다. 통계적 분석결과, 질환의 증상시작부터 설문조사시기까지 Lyme질환과 관련된 사회적 총비용은 US$ 6400으로 추정되었다. 이중에 200가량은 환자의 보호자와 관련된 비용이고 나머지는 환자와 관련되 것이다. 총의료비용의 평균은 계산방법에 따라서 US$ 3000-4200의 범위를 보였다. 응답되지 않은 항목을 해당항목에 대한 응답치평균으로 대체하였을 때 총의료비평균은 US$ 4108이었다. 시간비용을 생산성손실에 대한 사회적 가치와 실제임금 손실의 두가지 방법에 의해 계산되었다. 실제임금손실은 생산손실의 사회적 가치의 약 30%에 불과하였다. 본 논문의 결과는 의료비용 및 비용과 생산성손실에 대한 정보가 지역보건담당자에 의한 전화설문조사에 의해 경제적이고도 일관성 있게 수집될 수 있다는 근거로 해석될 수 있다.

• The Journal of Korea Institute of Information, Electronics, and Communication Technology
• /
• v.16 no.6
• /
• pp.392-399
• /
• 2023

This paper proposes a deep learning model to determine the region and depth of cabbage cores for robotic automation of the cabbage core removal process during the kimchi manufacturing process. In addition, rather than predicting the depth of the measured cabbage, a model was presented that simultaneously detects and classifies the area by converting it into a discrete class. For deep learning model learning and verification, RGB images of the harvested cabbage 522 were obtained. The core region and depth labeling and data augmentation techniques from the acquired images was processed. MAP, IoU, acuity, sensitivity, specificity, and F1-score were selected to evaluate the performance of the proposed YOLO-v4 deep learning model-based cabbage core area detection and classification model. As a result, the mAP and IoU values were 0.97 and 0.91, respectively, and the acuity and F1-score values were 96.2% and 95.5% for depth classification, respectively. Through the results of this study, it was confirmed that the depth information of cabbage can be classified, and that it can be used in the development of a robot-automation system for the cabbage core removal process in the future.