• 대한토목학회논문집
• /
• 제28권3D호
• /
• pp.407-415
• /
• 2008

본 연구에서는 도시하천의 수체적 계산에 이용되는 지형측량자료의 정확도 향상을 위해 영상정보를 연계하는 기법을 제시하였다. 먼저, 사주와 초지에 대한 지형을 구축하기 위해 횡단측량자료로부터 IDW와 크리깅과 같은 GIS 공간추정기법을 적용하였으며 생성된 지형의 정확도를 평가하기 위해 검정점 측량자료와 비교하였다. 비교결과, 사주에서는 2차 제곱의 IDW가 초지영역에서는 크리깅 구형모델이 하천내 지형구축에 효과적이었으나, 보간법간의 차이는 크지 않은 것으로 나타났다. 또한 하천에 분포하고 있는 사주와 초지에 대한 영역을 효과적으로 고려하기 위해 최소거리법을 적용하여 영상을 분류하여 Water Level Point의 수위값을 적용하였다. 사주와 초지영역을 영상정보로부터 추출하여 생성한 지형자료로부터 분석한 하천내 수체적은 영상정보를 활용하지 않은 기존의 지형에 비해 사주는 20%, 초지는 13%의 정확도 개선효과를 나타내었다. 따라서, 영상정보를 연계한 하천지형분석기법은 홍수시 댐하류에 분포하는 사주와 초지영역에 대한 모니터링 및 하천내 수체적 계산에 유용하게 활용될 수 있으리라 판단된다.

• 서비스연구
• /
• 제11권3호
• /
• pp.98-116
• /
• 2021

4차 산업혁명시대의 도래로 인해 현대사회는 과거와 다르게 경제, 경영, 문화 등 다양한 요소들이 변화하고 있다. 그 중 경영적 측면에서 나타나는 주된 특징은 유형재화 중심에서 무형재화 중심으로 변화하는 것이며 이에 기업들은 새로운 경영방식 도입, 제조에서 서비스로의 전환, 기술의 확장 등 혁신을 추구하기 위해 노력 하고 있다. 하지만 변화하는 시대 지속적 가치창출을 위해 가장 중요성이 높아지고 있는 인적자원에 관해서는 아직까지 단순한 방식의 전환에 머무르고 있어 실질적인 혁신을 가능케 하는 노력이 부족한 실정이다. 이에 본 연구에서는 서비스경제시대 새로운 인재상에 대한 기업에서의 활용성을 검증하고자 인재요소에 대한 중요성을 인식하고 기존 도출 된 서비스경제시대에 변화된 인재상 요소들이 조직문화와 조직구조의 유형에 따라 어떠한 관계와 차이가 있는지를 연구하였다. 최근 연구에서 도출, 검증 된 서비스경제시대 인재상요소를 활용하여 구성원들의 생각과 행동에 영향을 주는 요소인 조직문화와 조직구조의 유형으로 나누어 관계를 검증하였으며 그 결과 조직문화와 조직유형별로 유의미한 인재상에 다소 차이가 있었으나 두 가지 요소를 결합하여 해석하였을 경우에는 새로운 인재상이 모두 유의미한 것으로 나타났으며 이는 서비스경제시대 인재상이 실제 기업에 적합하다는 것으로 해석될 수 있다. 다만 본 연구의 지표가 한정적 이었다는 한계를 극복하기 위해 향후 다양한 요인들이 고려 된 표본과 체계화 된 조직유형 및 업종별 산업별 분류를 통한 연구가 지속적으로 이어져야 할 필요가 있다.

• 한국ITS학회 논문지
• /
• 제21권1호
• /
• pp.105-122
• /
• 2022

최근 5년간 고속도로에서 발생한 사망 사고의 통계를 살펴보면, 고속도로 전체 사망자 중 갓길에서 발생한 사망자의 사망률이 약 3배 높은 것으로 나타났다. 이는 갓길 사고 발생 시 사고의 심각도가 매우 높다는 것을 보여주며, 갓길 차로 위반 차량을 단속하여 사고를 미연에 방지하는 것이 중요하다는 것을 시시한다. 이에 본 연구는 Faster R-CNN 기법을 활용하여 갓길 차로 위반 차량을 검출할 수 있는 방법을 제안하였다. Faster R-CNN 기법을 기반으로 차량을 탐지하고, 추가적인 판독 모듈을 구성하여 갓길 위반 여부를 판단하였다. 실험 및 평가를 위해 현실세계와 유사하게 상황을 재현할 수 있는 시뮬레이션 게임인 GTAV를 활용하였다. 이미지 형태의 학습데이터 1,800장과 평가데이터 800장을 가공 및 생성하였으며, ZFNet과 VGG16에서 Threshold 값의 변화에 따른 성능을 측정하였다. 그 결과 Threshold 0.8 기준 ZFNet 99.2%, Threshold 0.7 기준 VGG16 93.9%의 검출율을 보였고, 모델 별 평균 검출 속도는 ZFNet 0.0468초, VGG16 0.16초를 기록하여 ZFNet의 검출율이 약 7% 정도 높았으며, 검출 속도 또한 약 3.4배 빠름을 확인하였다. 이는 비교적 복잡하지 않은 네트워크에서도 입력 영상의 전처리 없이 빠른 속도로 갓길 차로 위반 차량의 검출이 가능함을 보여주며, 실제 영상자료 기반의 학습데이터셋을 충분히 확보한다면 지정 차로 위반 검출에 본 알고리즘을 활용할 수 있다는 것을 시사한다.

• 한국방사선학회논문지
• /
• 제17권6호
• /
• pp.835-841
• /
• 2023

팬텀모델에서 이중에너지 전산화단츨촬영(DECT)를 이용한 요로결석의 성분분석을 통해 임상적 유용성에 대해 알아보고자 한다. 17명의 환자로부터 요로결석을 추출하여, 작은 플라스틱 병(Plastic Bottle) 안에 각각의 요로결석을 삽입한 후, 인체와 비슷한 돈육을 이용하여 실험팬텀을 제작하였다. 640-Slice MSCT(Auquilion ONE, Toshiba Medical Center, Japan)의 이중에너지 방식에서 Volume scan 방식을 사용하여 촬영하였고, 얻어진 두 가지의 영상을 Dual-energy software("DE stone Analysis" software version 4.3, Toshiba)에서 요산석과 비요산석의 성분분석하고 HU값을 각각 측정하였다. 요로결석의 성분은 전체 17개의 요로결석 중에서 요산석은 6개(35.29%)였고, 비요산석은 11개(64.71%)로 나타났다. 요산석의 경우 135kV는 348.87±166.37, 100kV는 345.33±151.18, 80kV는 337.94±172.77로 나타났고, 비요산석의 경우 135kV는 551.93±297.09, 100kV는 747.04±351.31, 80kV는 958.19±424.72로 나타났다. 80kV에서는 요산석과 비요산석의 HU값의 차이가 통계적으로 유의한 차이를 보였고(P<0.05), 비요산석의 경우에 80kV와 135kV의 HU값은 통계적의 유의한 차이를 보였다(P<0.05). 시술 후 적출된 요로결석을 이용한 팬텀실험연구에서는 DECT를 이용하여 에너지에 따라 서로 다르게 변화하는 HU값의 차이로 요산석과 비요산석을 구분할 수 있었다. 향후, 이중에너지에 대한 연구와 재구성방법의 연구가 진행된다면, 요로결석의 치료에 DECT가 유용할 것으로 기대된다.

• 대한원격탐사학회지
• /
• 제39권6_3호
• /
• pp.1679-1692
• /
• 2023

대한민국은 인구 증가와 산업 발전의 결과로 많은 양의 오염물질을 배출하는 국가이자, 지리적 위치로 인해 월경성 대기오염의 심각한 영향을 받는 국가이다. 국내외에서 발생하는 오염물질이 대한민국의 대기오염에 큰 피해를 야기하는 상황에서, 대기 오염물질 배출원의 위치 정보는 대기 중 오염물질의 이동 및 분포를 파악하고, 국가 차원의 대기오염 관리 및 대응 전략을 수립하는 데 매우 중요하다. 본 연구는 이러한 배경을 바탕으로, 고해상도 광학위성 영상과 딥러닝 기반의 영상 분할 모델을 활용하여 대기오염 현황을 분석하는 데 필수적인 국내외 대기오염물질 배출원의 공간 정보를 효과적으로 획득하는 것을 목표로 수행되었다. 특히, 월경성 대기오염에 크게 기여하는 것으로 평가된 산업단지와 채석장을 주요 연구 대상으로 선정하였으며, 이들 영역에 대한 다목적실용위성 3호 및 3A호의 영상들을 수집하여 전처리한 후, 모델 학습을 위한 입력 및 라벨 데이터로 변환하였다. 해당 데이터를 활용하여 U-Net 모델을 학습시킨 결과, 전체 정확도는 0.8484, mean Intersection over Union (mIoU)은 0.6490을 달성하였다. 모델의 예측 결과 맵은 코스 어노테이션(Course Annotation) 방식으로 제작된 라벨 데이터보다 객체의 경계를 더욱 정확하게 추출하는 것으로 나타나, 데이터 처리 및 모델 학습 방법론의 유효성을 입증하였다.

• 경영정보학연구
• /
• 제24권4호
• /
• pp.97-118
• /
• 2022

이미지와 같은 비정형 데이터의 불균형 클래스 문제 해결에 있어 생산적 적대 신경망(generative adversarial network)에 기반한 오버샘플링 기법의 우수성이 알려짐에 따라 다양한 연구들이 이를 정형 데이터의 불균형 문제 해결에도 적용하기 시작하였다. 그러나 이러한 연구들은 데이터의 형태를 비정형 데이터 구조로 변경함으로써 정형 데이터의 특징을 정확하게 반영하지 못한다는 점이 문제로 지적되고 있다. 본 연구에서는 이를 해결하기 위해 순환 생산적 적대 신경망(cycle GAN)을 정형 데이터의 구조에 맞게 재구성하고 이를 SMOTE(synthetic minority oversampling technique) 기법과 결합한 하이브리드 오버샘플링 기법을 제안하였다. 특히 기존 연구와 달리 생산적 적대 신경망을 구성함에 있어 1차원 합성곱 신경망(1D-convolutional neural network)을 사용함으로써 기존 연구의 한계를 극복하고자 하였다. 본 연구에서 제안한 기법의 성능 비교를 위해 불균형 정형 데이터를 기반으로 오버샘플링을 진행하고 그 결과를 SMOTE, ADASYN(adaptive synthetic sampling) 등과 같은 기존 기법과 비교하였다. 비교 결과 차원이 많을수록, 불균형 정도가 심할수록 제안된 모형이 우수한 성능을 보이는 것으로 나타났다. 본 연구는 기존 연구와 달리 정형 데이터의 구조를 유지하면서 소수 클래스의 특징을 반영한 오버샘플링을 통해 분류의 성능을 향상시켰다는 점에서 의의가 있다.

• Korean Journal of Radiology
• /
• 제22권11호
• /
• pp.1764-1776
• /
• 2021

Objective: This study aimed to validate a deep learning-based fully automatic calcium scoring (coronary artery calcium [CAC]_auto) system using previously published cardiac computed tomography (CT) cohort data with the manually segmented coronary calcium scoring (CAC_hand) system as the reference standard. Materials and Methods: We developed the CAC_auto system using 100 co-registered, non-enhanced and contrast-enhanced CT scans. For the validation of the CAC_auto system, three previously published CT cohorts (n = 2985) were chosen to represent different clinical scenarios (i.e., 2647 asymptomatic, 220 symptomatic, 118 valve disease) and four CT models. The performance of the CAC_auto system in detecting coronary calcium was determined. The reliability of the system in measuring the Agatston score as compared with CAC_hand was also evaluated per vessel and per patient using intraclass correlation coefficients (ICCs) and Bland-Altman analysis. The agreement between CAC_auto and CAC_hand based on the cardiovascular risk stratification categories (Agatston score: 0, 1-10, 11-100, 101-400, > 400) was evaluated. Results: In 2985 patients, 6218 coronary calcium lesions were identified using CAC_hand. The per-lesion sensitivity and false-positive rate of the CAC_auto system in detecting coronary calcium were 93.3% (5800 of 6218) and 0.11 false-positive lesions per patient, respectively. The CAC_auto system, in measuring the Agatston score, yielded ICCs of 0.99 for all the vessels (left main 0.91, left anterior descending 0.99, left circumflex 0.96, right coronary 0.99). The limits of agreement between CAC_auto and CAC_hand were 1.6 ± 52.2. The linearly weighted kappa value for the Agatston score categorization was 0.94. The main causes of false-positive results were image noise (29.1%, 97/333 lesions), aortic wall calcification (25.5%, 85/333 lesions), and pericardial calcification (24.3%, 81/333 lesions). Conclusion: The atlas-based CAC_auto empowered by deep learning provided accurate calcium score measurement as compared with manual method and risk category classification, which could potentially streamline CAC imaging workflows.

• 경영정보학연구
• /
• 제22권4호
• /
• pp.21-39
• /
• 2020

딥러닝(Deep learning) 기법은 패턴분석, 이미지분류 등 다양한 분야에서 높은 성과를 나타내고 있다. 특히, 주식시장 분석문제는 머신러닝 연구분야에서도 어려운 분야이므로 딥러닝이 많이 활용되는 영역이다. 본 연구에서는 패턴분석과 분류능력이 높은 딥러닝의 일종인 합성곱신경망(Convolutional Neural Network) 모델을 활용하여 주가방향 예측방법을 제안한다. 추가적으로 합성곱신경망 모델을 효율적으로 학습시키기 위한 속성선택(Feature Selection, FS)방법이 적용된다. 합성곱신경망 모델의 성과는 머신러닝 단일 분류기와 앙상블 분류기를 벤치마킹하여 객관적으로 검증된다. 본 연구에서 벤치마킹한 분류기는 로지스틱 회귀분석(Logistic Regression), 의사결정나무(Decision Tree), 인공신경망(Neural Network), 서포트 벡터머신(Support Vector Machine), 아다부스트(Adaboost), 배깅(Bagging), 랜덤포레스트(Random Forest)이다. 실증분석 결과, 속성선택을 적용한 합성곱신경망이 다른 벤치마킹 분류기보다 분류 성능이 상대적으로 높게 나타났다. 이러한 결과는 합성곱신경망 모델과 속성선택방법을 적용한 예측방법이 기업의 재무자료에 내포된 가치를 보다 정교하게 분석할 수 있는 가능성이 있음을 실증적으로 확인할 수 있었다.

• Korean Journal of Radiology
• /
• 제21권7호
• /
• pp.869-879
• /
• 2020

Objective: To evaluate the performance of a convolutional neural network (CNN) model that can automatically detect and classify rib fractures, and output structured reports from computed tomography (CT) images. Materials and Methods: This study included 1079 patients (median age, 55 years; men, 718) from three hospitals, between January 2011 and January 2019, who were divided into a monocentric training set (n = 876; median age, 55 years; men, 582), five multicenter/multiparameter validation sets (n = 173; median age, 59 years; men, 118) with different slice thicknesses and image pixels, and a normal control set (n = 30; median age, 53 years; men, 18). Three classifications (fresh, healing, and old fracture) combined with fracture location (corresponding CT layers) were detected automatically and delivered in a structured report. Precision, recall, and F1-score were selected as metrics to measure the optimum CNN model. Detection/diagnosis time, precision, and sensitivity were employed to compare the diagnostic efficiency of the structured report and that of experienced radiologists. Results: A total of 25054 annotations (fresh fracture, 10089; healing fracture, 10922; old fracture, 4043) were labelled for training (18584) and validation (6470). The detection efficiency was higher for fresh fractures and healing fractures than for old fractures (F1-scores, 0.849, 0.856, 0.770, respectively, p = 0.023 for each), and the robustness of the model was good in the five multicenter/multiparameter validation sets (all mean F1-scores > 0.8 except validation set 5 [512 x 512 pixels; F1-score = 0.757]). The precision of the five radiologists improved from 80.3% to 91.1%, and the sensitivity increased from 62.4% to 86.3% with artificial intelligence-assisted diagnosis. On average, the diagnosis time of the radiologists was reduced by 73.9 seconds. Conclusion: Our CNN model for automatic rib fracture detection could assist radiologists in improving diagnostic efficiency, reducing diagnosis time and radiologists' workload.

• 마이크로전자및패키징학회지
• /
• 제31권2호
• /
• pp.28-35
• /
• 2024

전자패키지 내부의 부식이 시스템 성능 및 신뢰성에 큰 영향을 미치고 있어, 시스템 건전성 관리를 위해 부식에 대한 비파괴적 진단 기법의 필요성이 커지고 있다. 본 연구에서는 복소 임피던스의 크기와 위상을 통합적으로 시각화하는 도구인 스미스 차트를 활용하여, 구리 인터커넥트의 부식을 비파괴적으로 평가하는 방법을 제시하고자 한다. 실험을 위해 구리 전송선을 모사한 시편을 제작하고, MIL-STD-810G 기준 온습도 사이클에 노출시켜 시편에 부식을 인가하였다. R 채널 기반 색변화로 시편의 부식도를 정량적으로 평가하고 레이블링 하였다. 부식의 성장에 따라 시편의 S-파라미터와 스미스 차트를 측정한 결과, 5 단계의 부식도에 따라 유의미한 패턴의 변화가 관찰되어, 스미스 차트가 부식도 평가에 효과적인 도구임을 확인하였다. 더 나아가 데이터 증강을 통해 다양한 부식도를 갖는 4,444개의 스미스 차트를 확보하여, 스미스 차트를 입력 받아 구리 인터커넥트의 부식 단계를 출력하는 인공지능 모델을 학습시켰다. 이미지 분류에 특화된 CNN 및 Transfomrer 모델을 적용한 결과, ConvNeXt 모델이 정확도 89.4%로 가장 높은 부식 진단 성능을 보였다. 스미스 차트를 이용하여 전자패키지 내부 부식을 진단할 경우, 전자신호를 이용하는 비파괴적 평가를 수행할 수 있다. 또한. 신호 크기와 위상 정보를 통합적으로 시각화 하여 직관적이며 노이즈에 강건한 진단이 가능할 것으로 기대한다.