• 한국진공학회:학술대회논문집
• /
• 한국진공학회 2000년도 제18회 학술발표회 논문개요집
• /
• pp.133-133
• /
• 2000

알루미늄 산화막은 알루미늄 전해 커패시터의 유전재료로 많이 사용되고 잇다. 기존의 생산 공정은 양극 산화법에 의한 산화막 형성으로 대부분이 이러한 습식 공정으로 생산되고 있다. 이 양극 산화법 방식은 장점도 있으나 폐기물이 많이 발생되는 단점이 있다. 본 연구에서는 폐기물의 발생을 획기적으로 줄일 수 있고 산화막 형성 효율을 높일 수 잇는 방식으로 activated reactive evaporation(ARE)을 도입하였다. 이 방식은 electron-beam에 의해 알루미늄을 증착시킬 때 plasma를 챔버 내에 발생시켜 활성 반응으로 알루미늄 원자가 산소와 반응하여 기판위에 Al2O3가 증착되는 것이다. 이 방식은 기계적 작동이 단순하고 증착이 되는 여러 변수들의 독립적 조절이 가능하므로 증착을 제어하기 쉽기 때문에 바로 산업 현장에서 적용될 수 있을 것으로 전망되어 본 연구에 도입하게 되었다. 기판은 유전용량을 증가시키기 위하여 알루미늄 원박을 에칭하였다. 이것은 기판으로 쓰일 알루미늄의 표면의 표면적을 증가시키기 위한 것으로, 알루미늄 전극의 표면적을 확대시키면 유전용량이 증가된다. 99.4%의 50$\mu\textrm{m}$와 60$\mu\textrm{m}$ 두께의 알루미늄 원박을 Ar 이온빔에 의해 1keV의 에너지로 20mA로 에칭을 하였다. 에칭 조건별로 에칭상태를 조사하였다. 에칭 후 표면 상태는 AFM으로 관찰하였다. 화성 실험은 진공 챔버 내의 진공을 약 10-7 torr까지 내린 후, 5$\times$10-5 torr까지 O2와 Ar을 주입시킨 다음 filament에서 열전자를 방출시키고 1.2 kV의 electrode에 의해 가속시켜 이들 기체들의 플라즈마를 발생시켰다. e-beam에서 증발된 알루미늄과 활성 반응을 이루어 기판에 Al2O3가 형성되었다. 여러 증착 변수들(O2와 Ar의 분압, 가속 전압, bias 전압 등)과 산화막의 상태 등을 XPS(X-ray photoelectron spectroscopy), AFM(Atomic Force Microscopy), XRD(X-Ray Diffraction), EXD로 조사하였다.

• Pediatric Infection and Vaccine
• /
• 제16권1호
• /
• pp.92-96
• /
• 2009

Mycoplasma pneumoniae는 소아 및 청소년에게 발병하는 폐렴의 주요한 원인균으로, 중추신경계, 피부나 점막, 소화기계 등의 합병증을 자주 동반하는 것으로 알려져 있다. 하지만 M. pneumoniae와 관련된 심장의 합병증은 비교적 흔하지 않은 것으로 알려져 있고 특히 소아에서는 드문 것 로 알려져 있다. 이에 저자들은 M. pneumoniae 폐렴으로 입원하여 치료 중에 속발한 심근염으로 사망한 47개월 여아에 관한 증례를 보고하는 바이다.

• 한국산업보건학회지
• /
• 제29권3호
• /
• pp.414-419
• /
• 2019

Objectives: The objective of this study was to evaluate the inhibitory effect of non-thermal dielectric barrier discharge (DBD) plasma by air volume against Mycobacterium tuberculosis (MTB). Methods: Plasma generators (TB-300, Shinyoung Airtec, Seongnam-si, Korea) were operated in a 2A type biosafety cabinet. The plasma generator was set to a wind flow rate of 14 ($80m^3/h$), 18 ($110m^3/h$), and 22 ($150m^3/h$), and exposure times were set to 0 hours, 3 hours, 6 hours, 9 hours, and 24 hours. Results: The inhibitory effects of plasma at air volume 14 with prolonged exposure time of three hours was 20%, 64% at six hours, 82.3% at nine hours, and 100% after 24 hours exposure. With air volume of 18, the inhibitory effects upon plasma exposure were 36% for three hours, and 100% from 24 hours. Greater air volume resulted in greater inhibition of tuberculosis bacterial growth. In particular, the maximum inhibitory effect (100%) was shown in air volume of 22 ($150m^3/h$) after three hours of plasma exposure. Conclusions: The results showed the correlating inhibitory effects of plasma on the growth of MTB in combination with increasing plasma exposure time and air volume.

• 한국융합학회논문지
• /
• 제12권12호
• /
• pp.31-37
• /
• 2021

본 논문은 특징 융합과 공간 강조를 적용하여 작고 페색된 객체 검출을 위한 개선된 YOLOv4S를 제안하였다. 기존 YOLOv4S은 경량 네트워크로 깊은 네트워크 대비 특징 추출 능력 부족하다. 제안하는 방법은 먼저 feature fusion으로 서로 다른 크기의 특징맵을 결합하여 의미론적 정보 및 저수준 정보를 개선하였다. 또한, dilated convolution으로 수용 영역을 확장하여 작고 폐색된 객체에 대한 검출 정확도를 향상시켰다. 두 번째로 spatial attention으로 기존 공간 정보 개선하여 객체간 구분되어 폐색된 객체의 검출 정확도를 향상시켰다. 제안하는 방법의 정량적 평가를 위해 PASCAL VOC 및 COCO 데이터세트를 사용하였다. 실험을 통해 제안하는 방법은 기존 YOLOv4S 대비 PASCAL VOC 데이터세트에서 mAP 2.7% 및 COCO 데이터세트에서 mAP 1.8% 향상되었다.

• 융합정보논문지
• /
• 제11권9호
• /
• pp.28-34
• /
• 2021

딥러닝을 이용한 객체 검출의 경우 정확도와 실시간성을 모두 요구한다. 그러나, 한정된 자원 환경에서는 수 많은 양의 데이터를 처리하는 딥러닝 모델을 사용하기 어렵다. 이러한 문제 해결을 위해 본 논문에서는 소형임베디드 장치를 위한 객체 검출을 모델을 제안하였다. 일반적인 검출 모델과 달리 사전 학습된 특징 추출기를 제거한 구조를 사용하여 모델 크기를 최소화하였다. 모델의 구조는 경량화된 컨볼루션 블록을 반복해서 쌓는 구조로 설계하였다. 또한, 검출 오버헤드를 줄이기 위해 영역 제안 횟수를 크게 줄였다. 제안하는 모델은 공개 데이터 셋인 PASCAL VOC를 사용하여 학습 및 평가하였다. 모델의 정량적 평가를 위해 검출 분야에서 사용하는 average precision으로 검출 성능을 측정하였다. 그리고 실제 임베디드 장치와 유사한 라즈베리 파이에서 검출 속도를 측정하였다. 실험을 통해 기존 검출 방법 대비 향상된 정확도와 빠른 추론 속도를 달성하였다.

• 융합정보논문지
• /
• 제11권10호
• /
• pp.45-52
• /
• 2021

본 논문에서는 U-Net 기반의 semantic segmentation 방법에서 정확도를 개선하기 위한 Atrous Residual U-Net (AR-UNet)을 제안하였다. U-Net은 의료 영상 분석, 자율주행 자동차, 원격 감지 영상 등의 분야에서 주로 사용된다. 기존 U-Net은 인코더 부분에서 컨볼루션 계층 수가 적어 추출되는 특징이 부족하다. 추출된 특징은 객체의 범주를 분류하는 데 필수적이며, 부족할 경우 분할 정확도를 저하시키는 문제를 초래한다. 따라서 이 문제를 개선하기 위해 인코더에 residual learning과 ASPP를 활용한 AR-UNet을 제안하였다. Residual learning은 특징 추출 능력을 개선하고, 연속적인 컨볼루션으로 발생하는 특징 손실과 기울기 소실 문제 방지에 효과적이다. 또한 ASPP는 특징맵의 해상도를 줄이지 않고 추가적인 특징 추출이 가능하다. 실험은 Cityscapes 데이터셋으로 AR-UNet의 효과를 검증하였다. 실험 결과는 AR-UNet이 기존 U-Net과 비교하여 향상된 분할 결과를 보였다. 이를 통해 AR-UNet은 정확도가 중요한 여러 응용 분야의 발전에 기여할 수 있다.

• 한국융합학회논문지
• /
• 제10권5호
• /
• pp.27-34
• /
• 2019

본 논문에서는 문자 영역의 패턴을 분석하여 배경 영역을 제거하는 방법을 제안하였다. 명암이 일정한 영역을 구분하는 MSER(Maximally Stable External Regions)방법의 문자 검출에서는 배경 영역이 포함되어 검출되었다. 이러한 문제점을 해결하기 위해 자연 이미지에서 MSER 방법을 사용하여 명암 값이 차이가 나는 영역과 차이가 나지 않는 영역 즉 문자 영역과 배경 영역을 구해 변화율을 계산하여 배경을 제거하였다. 그러나 배경이 제거된 이미지에서 일부 제거되지 않는 배경 영역이 생겨 LBP(Local Binary Patterns)방법을 사용하여 이미지에서 균일한 값을 갖는 영역을 문자 영역이라고 판단하고 문자를 검출하였다. 실험 데이터는 배경이 단순한 이미지, 문자가 정면으로 구성된 이미지, 문자가 기울어진 이미지 등의 다양한 자연 이미지를 실험하였다. 제안하는 방법을 기존의 MSER, MSER+LBP 방법의 문자 검출 방법과 비교하였을 때 약 1.73%로 높은 검출률을 보였다.

• 디지털융복합연구
• /
• 제19권5호
• /
• pp.307-313
• /
• 2021

본 논문에서는 기존 객체 검출 방법 대비 매개변수를 감소시킨 경량화 네트워크를 제안하였다. 현재 사용되는 검출 모델의 경우 정확도 향상을 위해 네트워크 복잡도를 크게 늘렸다. 따라서, 제안하는 네트워크는 EfficientNet을 특징 추출 네트워크로 사용하였으며, 후속 레이어는 저수준 세부 특징과 고수준의 의미론적 특징을 활용하기 위해 피라미드 구조로 형성하였다. 피라미드 구조 사이에 attention process를 적용하여 예측에 불필요한 노이즈를 억제하였다. 네트워크의 모든 연산 과정은 depth-wise 및 point-wise 컨볼루션으로 대체하여 연산량을 최소화하였다. 제안하는 네트워크는 PASCAL VOC 데이터셋으로 학습 및 평가하였다. 실험을 통해 융합된 특징은 정제 과정을 거쳐 다양한 객체에 대해 견고한 특성을 보였다. CNN 기반 검출 모델과 비교하였을 때 적은 연산량으로 검출 정확도가 향상되었다. 향후 연구로 객체의 크기에 맞게 앵커의 비율을 조절할 필요성이 사료된다.

• 한국융합학회논문지
• /
• 제11권12호
• /
• pp.15-22
• /
• 2020

본 논문은 채널 강조(Channel Attentin)와 공간 강조(Spatial Attention) 방법을 결합한 딥 러닝 기반의 초해상도 방법을 제안하였다. 초해상도 과정에서 질감, 특징과 같은 주변 픽셀의 변화량이 큰 고주파 성분의 복원이 중요하다. 채널 강조와 공간 강조를 결합한 특징 강조를 이용한 초해상도 방법을 제안하였다. 기존의 CNN(Convolutional Neural Network) 기반의 초해상도 방법은 깊은 네트워크의 학습이 어려우며, 고주파 성분의 강조가 부족하여 윤곽선이 흐려지거나 왜곡이 발생한다. 문제를 해결하기 위해 스킵-커넥션(Skip Connection)을 적용한 채널 강조와 공간 강조를 결합한 강조 블록과 잔차 블록(Residual Block)을 사용하였다. 방법으로 추출한 강조된 특징 맵을 부-픽셀 컨볼루션(Sub-pixel Convolution)을 통해 특징맵을 확장하여 초해상도를 진행하였다. 이를 통해 기존의 SRCNN과 비교하여 약 PSNR는 5%, SSIM은 3% 향상되었으며 VDSR과 비교를 통해 약 PSNR는 2%, SSIM은 1% 향상된 결과를 보였다.

• 디지털융복합연구
• /
• 제19권6호
• /
• pp.251-258
• /
• 2021

본 논문에서는 U-Net 기반의 semantic segmentation 방법에서 정확도를 향상시키기 위해 residual learning을 활용한 인코더-디코더 구조의 모델을 제안하였다. U-Net은 딥러닝 기반의 semantic segmentation 방법이며 자율주행 자동차, 의료 영상 분석과 같은 응용 분야에서 주로 사용된다. 기존 U-Net은 인코더의 얕은 구조로 인해 특징 압축 과정에서 손실이 발생한다. 특징 손실은 객체의 클래스 분류에 필요한 context 정보 부족을 초래하고 segmentation 정확도를 감소시키는 문제가 있다. 이를 개선하기 위해 제안하는 방법은 기존 U-Net에 특징 손실과 기울기 소실 문제를 방지하는데 효과적인 residual learning을 활용한 인코더를 통해 context 정보를 효율적으로 추출하였다. 또한, 인코더에서 down-sampling 연산을 줄여 특징맵에 포함된 공간 정보의 손실을 개선하였다. 제안하는 방법은 Cityscapes 데이터셋 실험에서 기존 U-Net 방법에 비해 segmentation 결과가 약 12% 향상되었다.