• Asian Journal of Atmospheric Environment
• /
• 제2권1호
• /
• pp.34-46
• /
• 2008

Emissions inputs for use in air quality modeling of Korea were generated with the emissions inventory data from the National Institute of Environmental Research (NIER), maintained under the Clean Air Policy Support System (CAPSS) database. Source Classification Codes (SCC) in the Korea emissions inventory were adapted to use with the U.S. EPA's Sparse Matrix Operator Kernel Emissions (SMOKE) by finding the best-matching SMOKE default SCCs for the chemical speciation and temporal allocation. A set of 19 surrogate spatial allocation factors for South Korea were developed utilizing the Multi-scale Integrated Modeling System (MIMS) Spatial Allocator and Korean GIS databases. The mobile and area source emissions data, after temporal allocation, show typical sinusoidal diurnal variations with high peaks during daytime, while point source emissions show weak diurnal variations. The model-ready emissions are speciated for the carbon bond version 4 (CB-4) chemical mechanism. Volatile organic carbon (VOC) emissions from painting related industries in area source category significantly contribute to TOL (Toluene) and XYL (Xylene) emissions. ETH (Ethylene) emissions are largely contributed from point industrial incineration facilities and various mobile sources. On the other hand, a large portion of OLE (Olefin) emissions are speciated from mobile sources in addition to those contributed by the polypropylene industry in point source. It was found that FORM (Formaldehyde) is mostly emitted from petroleum industry and heavy duty diesel vehicles. Chemical speciation of PM2.5 emissions shows that PEC (primary fine elemental carbon) and POA (primary fine organic aerosol) are the most abundant species from diesel and gasoline vehicles. To reduce uncertainties in processing the Korea emission inventory due to the mapping of Korean SCCs to those of U.S., it would be practical to develop and use domestic source profiles for the top 10 SCCs for area and point sources and top 5 SCCs for on-road mobile sources when VOC emissions from the sources are more than 90% of the total.

• 융합신호처리학회논문지
• /
• 제5권3호
• /
• pp.181-189
• /
• 2004

본 논문은 전조등의 특징을 이용하여 야간에 측후방에서 다가오는 차량을 탐지하는 방법을 설명한다. 야간 차량의 전조등은 검은색 배경의 야간 도로 영상에서 측후방 차량을 탐지하기 위한 좋은 특징이다. 입력 영상은 임계값 처리기법에 의해 검은색 배경과 흰색 영역으로 이루어지는 이진 영상으로 변환되고, 모폴로지 연산 중 열림 연산을 이용하여 잡음을 제거한다. 분할된 흰색 영역들에 대해 기하학적 특징과 모멘트 특징을 이용하여 전조등의 특징량을 측정하고, 의사 결정 트리에 의해 전조등 후보로 적당한 대상체들을 분류한다. 대상체들간의 위상학적 관계를 분석하여 한 쌍의 전조등을 탈지함으로써 측후방 차량을 탐지한다. 실험 결과 전조등 특징을 이용한 야간 측후방 차량 탐지 방법이 효과적임을 알 수 있었다. 제안한 방법은 야간 측후방 추돌경보시스템에 적용될 수 있으며, 향후에는 스테레오비전시스템을 사용하여 전조등 탐지 기반의 측후방 차량 거리 및 위치 측정에 관한 연구를 수행할 것이다.

• 한국전자통신학회논문지
• /
• 제15권6호
• /
• pp.1123-1130
• /
• 2020

본 연구는 고속도로 교통사고 심각도 예측모델을 구축하기 위해 다섯가지 머신러닝 기반의 분류모형 적용하였다. 2015년~2017년 동안 전국 고속도로에서 발생한 사고 데이터 21,013건을 5가지의 분류 모형을 적용한 결과 LightGBM(Light Gradient Boosting Model)이 가장 좋은 성능을 나타내는 것으로 나타났다. LightGBM에서는 교통사고심각도 추정에 있어 우선순위 요인으로 사고차량 수, 사고유형, 사고지점, 사고차로유형, 사고차량 유형 순으로 나타났다. 이러한 모형의 결과를 기반으로 일관적인 사고심각도 예측 과정을 통하여 교통사고대응관리 전략 수립에 활용할 수 있다. 본 연구는 국내 기계학습을 활용한 사례가 적은 여건에서 향후 빅데이터 기반의 다양한 기계학습 기법을 활용이 가능함을 제시하고 있다.

• 한국항행학회논문지
• /
• 제25권3호
• /
• pp.256-266
• /
• 2021

국내외 연구들은 무인항공기 사고의 주원인으로 인적요인을 지목하고 있고, 이러한 인적요인을 효과적으로 분석하는 기법으로 HFACS를 소개하고 있다. 현재까지는 HFACS를 이용해 무인항공기 사고의 인적요인을 분석했던 국내외 사례는 주로 군용 무인항공기가 대상이었는데, 항공사고를 유발하는 인적요인 정보를 분석하여 객관적 원인 규명과 유사 사고 예방 도구로 사용할 수 있는 HFACS가 국내 민간 무인항공기 분야에서도 활용이 필요한 시점이다. 특히, 국내 민간 무인항공기의 성능과 운용 여건을 고려한 HFACS 적용중점을 식별한다면 사고 발생 시 원인 규명과 재발 방지에 큰 도움이 될 것으로 예상된다. 본 연구는 HFACS version 7.0을 근간으로 우리나라 항공철도사고조사위원회가 수행했던 사고조사 결과보고서 자료를 분석하여 국내 민간 무인항공기 사고조사에 활용할 수 있는 HFACS 적용중점을 식별하였다.

• Journal of Platform Technology
• /
• 제9권4호
• /
• pp.90-96
• /
• 2021

현재 개발중인 그리고 운행중인 대부분의 자동차에는 다양한 IoT 센서들이 탑재되어 있지만, 자동차 사고를 일으키는 요인 중 몇몇 요인들은 상대적으로 탐지하기 힘들다. 이러한 요소 중 대표적인 위험 요인 중 하나가 블랙 아이스이다. 블랙 아이스는 블랙 아이스가 깔린 부분을 지나가는 모든 차량에 영향을 줄 수 있어 대형 사고를 유발할 가능성이 가장 높은 요인 중 하나이다. 따라서 대형 사고를 막기 위해 블랙 아이스 검출기법은 꼭 필요하다. 이를 위해 몇몇 연구가 과거 진행되었으나 몇몇 부분에서 현실적이지 않는 요소들이 반영된 경우가 있어, 이를 보충하기 위한 연구가 필요하다. 본 논문에서는 CNN 기법으로 컬러 이미지를 분석하여 블랙 아이스를 탐지하고자 하였으며, 일정 수준의 블랙 아이스 탐지에 성공하였다. 다만 기존 연구 와 차이가 있어 그 이유를 분석하였다.

• 한국환경복원기술학회지
• /
• 제26권6호
• /
• pp.85-96
• /
• 2023

This study proposes a method for forest vegetation monitoring using high-resolution aerial imagery captured by unmanned aerial vehicles(UAV) and deep learning technology. The research site was selected in the forested area of Mountain Dogo, Asan City, Chungcheongnam-do, and the target species for monitoring included Pinus densiflora, Quercus mongolica, and Quercus acutissima. To classify vegetation species at the pixel level in UAV imagery based on characteristics such as leaf shape, size, and color, the study employed the semantic segmentation method using the prominent U-net deep learning model. The research results indicated that it was possible to visually distinguish Pinus densiflora Siebold & Zucc, Quercus mongolica Fisch. ex Ledeb, and Quercus acutissima Carruth in 135 aerial images captured by UAV. Out of these, 104 images were used as training data for the deep learning model, while 31 images were used for inference. The optimization of the deep learning model resulted in an overall average pixel accuracy of 92.60, with mIoU at 0.80 and FIoU at 0.82, demonstrating the successful construction of a reliable deep learning model. This study is significant as a pilot case for the application of UAV and deep learning to monitor and manage representative species among climate-vulnerable vegetation, including Pinus densiflora, Quercus mongolica, and Quercus acutissima. It is expected that in the future, UAV and deep learning models can be applied to a variety of vegetation species to better address forest management.

• 한국측량학회지
• /
• 제38권6호
• /
• pp.671-679
• /
• 2020

경지면적의 작물 상황에 대한 모니터링 및 분석은 식량자급율을 높이기 위한 가장 중요한 요소이지만, 기존의 모니터링 방법은 노동 집약적이며 시간이 많이 들어 식량자급율을 높이기 위한 방안으로 그 활용성이 떨어진다. 이와같은 단점을 극복하기 위하여 국내에 다수 존재하고 있는 소규모 농지에서의 복합 작물 정보를 모니터링 하기위한 효율적인 방법을 개발할 필요가 있다. 본 연구에서는 복합작물의 분류 정확도를 높이기 위하여 무인항공기에서 취득된 RGB영상과 이를 이용한 식생지수를 딥러닝 입력데이터로 적용하고 복합 밭작물을 분류하였다. 각각의 입력데이터 분류 결과 RGB 영상을 이용한 분류는 전체정확도 80.23%, Kappa 계수 0.65가 나타났고, RGB영상과 식생지수를 이용한 방법의 경우 식생지수 3개(ExG,ExR,VDVI) 추가 데이터는 전체정확도 89.51%, Kappa 계수 0.80이며, 식생지수 6개(ExG,ExR,VDVI,RGRI,NGRDI,ExGR)는 90.35%, Kappa 계수 0.82로 분석되었다. 분류결과 RGB영상만을 이용한 방법에 비하여 식생지수를 추가한 결과 값이 비교적 높게 분석되었으며, 복합작물을 분류하는데 있어 식생지수를 추가한 데이터가 더 좋은 결과를 나타내었다.

• 한국도로학회논문집
• /
• 제11권4호
• /
• pp.69-78
• /
• 2009

경부고속도로 건설을 기점으로 급격한 경제성장을 이룬 우리나라 고속도로는 현재 신규도로의 건설사업 물량이 둔화되면서 기존의 도로망을 효율적으로 활용하고 최적의 공용성 유지가 필요한 시점이 되었다. 최적의 공용성 확보를 위해 교통하중을 가장 적극적으로 통제하는 방법은 과적단속이다. 본 연구에서는 과적단속의 효율화를 위해 고속축하중측정 시스템을 개발하고 이를 통해 국내 고속도로 과적화물차 행태 분석을 실시하며, 본 시스템을 활용한 과적단속시스템 개발 가능성에 대하여 검토하는 것을 목적으로 하였다. 본 연구에서 개발한 고속축하중측정 시스템은 차로당 2조의 루프센서와 2조의 축중센서, 2조의 원더링센서로 이루어져 있다. 특히 원더링센서는 차량의 좌우 타이어의 위치 판독이 가능하여 과적단속 시스템으로 활용시 차로의 이탈유무를 판독할 수 있으며, 윤거 측정 및 윤형식(단륜/복륜) 구분이 가능하여 차종을 구분함에 있어서 기존 차종분류 시스템보다 세분화된 분류가 가능하여 12종 차종분류시 오분류 비율이 매우 낮은 장점을 가지고 있다. 본 시스템에 대한 검증시험 결과 모든 시험조건의 전체평균오차가 축하중 15% 이내, 총하중 7% 이내로 나타났다. COST-323에서 제시하고 있는 WIM 등급기준에 따르면 사회기반시설 설계와 유지관리 및 평가목적으로 사용가능한 B(10) 등급으로 나타났으며, 과적이 가장 문제되는 5축 카고 화물차에 대한 분석결과는 축중량 오차 8%, 총중량 오차 5%로 단속가능 수준인 A(5)등급으로 나타났다. 고속도로의 차종별 중량분석 결과 12종 분류기준에서 5종, 6종, 7종, 12종 차량이 하중기준을 초과하는 비율이 가장 높게 나타났으며, 주로 가변축을 장착한 차량으로 축조작에 의한 축하중 과적비율이 매우 높게 나타나 이러한 차량에 대한 실효성 있는 과적단속기법이 필요한 것으로 판단된다. 도로교통분야에 있어서 차종별 교통량 자료는 도로의 계획과 건설, 유지관리, 교통류분석 및 도로행정에 필요한 기본 자료이며 각종 연구에 필요한 기초자료로 활용되어지는 필수적인 요소이다.

• 대한교통학회지
• /
• 제19권5호
• /
• pp.85-97
• /
• 2001

최근 급격히 증가하고 있는 교통수요에 능동적으로 대처해 나가기 위해서는 도시 가로망이 도시교통환경에서 담당하는 교통기능을 체계적으로 분석하여 도로의 기능적 위계를 이루고, 제약된 예산 하에 최대의 효율을 누릴 수 있는 교통관리계획이나 시설계획을 수립해야 할 것이다. 그러나 기능적 위계의 설정 지표 중 중요도가 높은 차량의 운행경로는 조사상 불가능하거나 큰 어려움을 내포하고 있다. 이러한 문제점을 해결하기 위해 본 논문에서는 Simulation기법을 이용하여 차량의 운행경로 및 운행거리를 파악하였다. 이에 본 연구는 특정 경로에 유출입하는 교통량을 알 수 있는 경로OD교통량과 특정 경로내의 특정 노드(i, j)사이에 통과하는 경로교통량이라는 개념을 도입하였다. 이러한 통행량들을 분석하여 도시 가로망의 기능적 분류를 가능케 하는 정량적 지표를 정립하였으며, 더 나아가 효율적 투자계획 및 정책결정권자의 계획방향 판단에 일조할 수 있는 '집중관리구간' 선정영역을 제시하였다.

• 한국컴퓨터정보학회논문지
• /
• 제28권5호
• /
• pp.17-28
• /
• 2023

포장도로에서 발생하는 포트홀은 고속 주행 차량에 치명적인 영향을 미치며, 사망사고를 유발할 수 있는 도로상의 장애물이다. 이를 방지하기 위해 일반적으로는 작업자가 직접 포트홀을 탐지하는 방식을 사용해왔으나, 이는 작업자의 안전 문제와 예측하기 어려운 범주에서 발생하는 모든 포트홀을 인력으로 탐지하는 것이 비효율적이기 때문에 한계가 있다. 또한, 도로 환경과 관련된 지반 환경이 포트홀 생성에 영향을 미치기 때문에, 완벽한 포트홀 방지는 어렵다. 데이터셋 구축을 위해서는 전문가의 지도하에 라벨링 작업이 필요하지만, 이는 매우 시간과 비용이 많이 필요하다. 따라서, 본 논문에서는 Mean Teacher 기법을 사용하여 라벨링된 데이터의 샘플 수가 적더라도 지도학습보다 더욱 강인한 포트홀 이미지 분류 성능을 보여준다. 이러한 결과는 성능지표와 GradCAM을 통해 입증되었으며, 준지도학습을 사용할 때 15개의 사전 학습된 CNN 모델이 평균 90.41%의 정확도를 달성하며, 지도학습과 비교하여 2%에서 9%의 차이로 강인한 성능을 나타내는 것을 확인하였다.