암퇘지( Sus scrofa domesticus Erxleben) 의 발정 상태를 파악하는 데에는 상당한 노동 투입이 필요하며, 지속적인 실시간 모니터링은 현실적으로 어렵다. 작업자들은 통상 정해진 간격으로 발정을 확인하고, 경험에 근거하여 인공수정 시점을 결정한다. 그러나 경험 기반 방법은 주관적이며 작업자의 숙련도에 따라 달라져, 대규모 농장에서의 표준화된 관리에 장애가 된다. 본 연구에서는 카메라와 딥러닝을 이용하여 암퇘지를 검출하고 자세 변화(postural changes)를 분석함으로써 발정 탐지와 최적 인공수정 시점 예측을 가능하게 한다. 실험 결과, 제안된 방법은 정확도 70%(42/60)를 달성하였고, 권장 인공수정 시점은 인간의 결정과 비교하여 24시간 미만의 차이를 보였다. 이러한 접근은 데이터 기반의 발정 탐지 및 수정 스케줄링을 촉진하여, 노동 집약도를 낮추고 생식 성과를 개선할 수 있으며, 특히 노동 집약적이고 대규모의 돈사 생산 시스템에 유리할 것으로 기대된다.

사육돈장의 생산 성과를 향상시키기 위해 발정 발현(발정기) 탐지는 가장 중요한 과업 중 하나이다. 그러나 모든 모돈을 일일이 확인하는 데 시간이 많이 소요되며, 특히 특정 근무 시간대에는 발정의 시작 시점을 정확히 판단하기가 어렵다. 또한 발정 판정 기준은 표준화되어 있지 않은데, 관리자는 각자의 경험에 의존하기 때문이다. 본 연구에서는 딥러닝 기법을 이용하여 모돈의 발정을 예측하는 방법을 제안하였다. 모돈을 검출하고 자세를 분류하기 위해 경량 딥러닝 기반 객체 검출 모델인 You Only Look Once version 5 (YOLOv5)를 사용하였다. 또한 각 자세와 유지 시간의 조합으로 구성된 시계열 데이터를 사용하여 지도학습 모델인 Bidirectional Long Short-Term Memory (Bi-LSTM) 예측 모델 중 하나를 학습시켰다. 관리자가 발정을 판정한 24 h 이전의 데이터에 정답(ground truth)을 설정함으로써, 발정 예측 정확도 86 %를 달성하였다. 본 연구는 폐쇄회로 텔레비전(CCTV) 영상의 활용 가능성을 입증하며, 제안된 방법은 발정 확인에 필요한 노동력을 감소시키는 데 기여할 수 있다.

표 검출은 문서 분석을 위하여 필수적이지만, 표의 종류와 형태가 다양하기 때문에 자동으로 검출하는 것은 매우 어렵다. 최근 대량의 표 데이터 구축과 딥러닝 기법을 통해 표 검출 성능이 크게 향상되었지만, 그래프나 그림을 표로 잘못 인식하는 문제는 여전히 남아있다. 이러한 표 오검출 문제가 발생하는 이유는 모델이 추출한 표 영역의 특징 벡터에 다른 객체의 특징벡터가 일부 포함되기 때문이며, 본 논문에서는 이와 같은 공통적인 특징 벡터를 제거하기 위해 손실 보상 기반의 학습 기법을 수행한다. 적절한 손실 값을 추가하기 위해 표 영역과 배경 영역을 도메인으로 정의하고 두 도메인을 분류하는 손실 보상모듈을 제안하며, 해당 모듈을 Faster R-CNN에 추가하여 표 영역이 가지는 고유한 특징을 추출할 수 있도록 개발하였다. 실험을 통해 제안하는 방식이 별도의 학습 데이터 추가 없이 표 오검출율을 크게 낮출 수 있음을 증명하였고, 그 결과 Faster R-CNN과 비교하여 향상된 표 검출 성능을 확인하였다.

암퇘지( Sus scrofa domesticus Erxleben) 의 발정 상태를 파악하는 데에는 상당한 노동 투입이 필요하며, 지속적인 실시간 모니터링은 현실적으로 어렵다. 작업자들은 통상 정해진 간격으로 발정을 확인하고, 경험에 근거하여 인공수정 시점을 결정한다. 그러나 경험 기반 방법은 주관적이며 작업자의 숙련도에 따라 달라져, 대규모 농장에서의 표준화된 관리에 장애가 된다. 본 연구에서는 카메라와 딥러닝을 이용하여 암퇘지를 검출하고 자세 변화(postural changes)를 분석함으로써 발정 탐지와 최적 인공수정 시점 예측을 가능하게 한다. 실험 결과, 제안된 방법은 정확도 70%(42/60)를 달성하였고, 권장 인공수정 시점은 인간의 결정과 비교하여 24시간 미만의 차이를 보였다. 이러한 접근은 데이터 기반의 발정 탐지 및 수정 스케줄링을 촉진하여, 노동 집약도를 낮추고 생식 성과를 개선할 수 있으며, 특히 노동 집약적이고 대규모의 돈사 생산 시스템에 유리할 것으로 기대된다.

사육돈장의 생산 성과를 향상시키기 위해 발정 발현(발정기) 탐지는 가장 중요한 과업 중 하나이다. 그러나 모든 모돈을 일일이 확인하는 데 시간이 많이 소요되며, 특히 특정 근무 시간대에는 발정의 시작 시점을 정확히 판단하기가 어렵다. 또한 발정 판정 기준은 표준화되어 있지 않은데, 관리자는 각자의 경험에 의존하기 때문이다. 본 연구에서는 딥러닝 기법을 이용하여 모돈의 발정을 예측하는 방법을 제안하였다. 모돈을 검출하고 자세를 분류하기 위해 경량 딥러닝 기반 객체 검출 모델인 You Only Look Once version 5 (YOLOv5)를 사용하였다. 또한 각 자세와 유지 시간의 조합으로 구성된 시계열 데이터를 사용하여 지도학습 모델인 Bidirectional Long Short-Term Memory (Bi-LSTM) 예측 모델 중 하나를 학습시켰다. 관리자가 발정을 판정한 24 h 이전의 데이터에 정답(ground truth)을 설정함으로써, 발정 예측 정확도 86 %를 달성하였다. 본 연구는 폐쇄회로 텔레비전(CCTV) 영상의 활용 가능성을 입증하며, 제안된 방법은 발정 확인에 필요한 노동력을 감소시키는 데 기여할 수 있다.

표 검출은 문서 분석을 위하여 필수적이지만, 표의 종류와 형태가 다양하기 때문에 자동으로 검출하는 것은 매우 어렵다. 최근 대량의 표 데이터 구축과 딥러닝 기법을 통해 표 검출 성능이 크게 향상되었지만, 그래프나 그림을 표로 잘못 인식하는 문제는 여전히 남아있다. 이러한 표 오검출 문제가 발생하는 이유는 모델이 추출한 표 영역의 특징 벡터에 다른 객체의 특징벡터가 일부 포함되기 때문이며, 본 논문에서는 이와 같은 공통적인 특징 벡터를 제거하기 위해 손실 보상 기반의 학습 기법을 수행한다. 적절한 손실 값을 추가하기 위해 표 영역과 배경 영역을 도메인으로 정의하고 두 도메인을 분류하는 손실 보상모듈을 제안하며, 해당 모듈을 Faster R-CNN에 추가하여 표 영역이 가지는 고유한 특징을 추출할 수 있도록 개발하였다. 실험을 통해 제안하는 방식이 별도의 학습 데이터 추가 없이 표 오검출율을 크게 낮출 수 있음을 증명하였고, 그 결과 Faster R-CNN과 비교하여 향상된 표 검출 성능을 확인하였다.

우리는 윤곽선 검출 방법이 생성하는 파열(단절)로 인해 끊어진 윤곽선을 연결하기 위한 딥러닝 기반 윤곽선 복원 프레임워크를 제시한다. 본 아이디어는 합성곱 신경망이 파열의 끝점에서 시작하여 실제 윤곽선의 방향을 따라 성장할 수 있는 벡터를 반복적으로 예측한다는 것이다. 이러한 예측을 위해 우리는 이전 추론으로부터 연속적인 예측을 모델링하는 잔차 연결 학습(residual connections training)을 사용한다. 그러나 기존의 잔차 연결 학습은 각 추론 단계마다 오류가 점진적으로 누적되기 쉽다. 본 연구에서는 딥러닝 모델을 효율적이고 신뢰성 있게 훈련하기 위한 정답(ground truth) 선택 알고리즘과 하위 반복(sub-iteration) 학습을 제안한다. 정답 선택은 실제 윤곽선을 나타내기 위해 좌표의 소수 집합을 추출한다. 하위 반복 학습은 주요 네트워크를 복제한 네트워크의 추가 훈련을 통해 예측되는 다음 입력을 생성한다. 실험 결과는 정답 선택이 윤곽선 복원에 적합한 정답을 만든다는 것을 보여준다. 또한 제안 방법은 기존의 대표적인 윤곽선 검출 방법의 결과에 적용할 때 윤곽선 검출 성능을 향상시킨다.

최근 공공기관, 금융기관, 기업 등에 문서 제출 시, 스캔하거나 사진을 찍어 만든 PDF나 이미지 파일을 사용하는 경우가 많다. 이러한 문서를 수집, 저장, 관리하는 기관과 기업은, 개인정보 유출 방지를 위하여, 문서상의 개인정보 부분을 검출하여 블러링(blurring)하거나, 개인정보들은 추출하여 별도로 관리하고 문서는 암호화하여 저장하는 등의 조치를 취한다. 하지만, 문서 이미지의 양이 많고 종류가 다양하며 이미지의 품질이 낮은 경우가 많아, 문서의 종류를 분류하고 개인정보를 추출하는데 많은 노력이 필요하다. 본 논문에서는, 이미지 내 문서의 종류를 자동으로 분류하는 방법을 소개한다. 문서가 포함되어 있는 전체 이미지에서, 이미지의 인식 범위를 추출하는 이미지 샘플링 단계와 이미지의 인식 범위를 조절하는 제목 좌표 추론 단계의 반복적 피드백 학습을 통해 인식문서의 제목이 있는 영역의 위치를 찾아감으로써 사전에 학습하지 않은 다양한 배경의 문서 이미지도 분류할 수 있도록 하였다. 실험을 통하여 제안하는 기법의 제목 검출 성능을 확인하고, 기존의 이미지 분류를 위한 딥러닝 기법들과의 비교를 통하여 문서 분류 정확도를 평가한다.

로보틱스 연구에서, 모바일 로봇의 모션 제어를 위해서는 로봇의 실제 위치를 정확히 추정하는 것이 중요하다. 이를 위해 본 연구에서는, 두 개의 서로 다른 센서 데이터를 칼만필터로 융합하여 로봇의 위치인식을 개선하는 연구를 진행한다. 칼만필터로 융합한 두 개의 센서 측정값은 카메라 영상으로부터 측정된 모바일 로봇의 전역(global) 위치 좌표(x, y)값과 모바일 로봇 바퀴에 부착된 엔코더로부터 측정된 로봇의 직선 및 각속도 값이다. 다음으로 칼만필터로부터 계산된 모바일 로봇의 위치값을 모바일 로봇의 자세 안정화에 피드백하여 모션 제어의 퍼포먼스를 향상시켰다. 최종적으로 논문에서 제안한 센서융합 위치인식 기술과 모션제어기를 실제 로봇에 적용하여 실험적으로 검증하였다. 또한 모션제어에 단일 센서를 피드백으로 사용한 경우와 칼만필터로 융합한 위치 값을 사용한 경우를 비교하므로 칼만필터 기반 센서 융합 기술을 사용한 경우의 퍼포먼스 향상을 확인하였다.