현대 전력 시스템의 영역에서 풍력 터빈(WTs)은 중요한 환경적 이점을 확보함으로써 풍력 발전의 확장되는 지형에서 핵심적인 위치를 차지하게 되었다. 풍력 단지 시스템의 안정성을 위해 풍력 터빈의 효율적인 모니터링 및 고장 분류를 보장하는 일이 무엇보다도 필수적이다. 그러나 소규모 고장 데이터 샘플로부터 더 많은 고장 정보를 확보해야 한다는 요구로 인해 데이터의 불충분과 불균형 문제가 발생한다는 점에서 중대한 과제가 대두된다. 이러한 불균형이 고장 검출 정확도에 미치는 결과적 영향은 풍력 터빈 고장 진단에서 이 문제의 중요성을 부각시킨다. 특히, 고장 유형 간 데이터셋 크기의 불일치와 고장 클래스의 불균등한 분포는 풍력 터빈 고장 검출 분야에서 실질적인 장애물로 작용한다. 이 문제는 충분한 고장 데이터를 수집하는 데 소요되는 시간 집약적 과정에 의해 더욱 심화되며, 풍력 터빈 분야의 보다 전형적인 시나리오와는 차별화된다. 본 논문은 이러한 과제를 효과적으로 해결하기 위해 합성 고장 데이터를 생성하는 생성적 적대 신경망(Generative Adversarial Networks, GAN)을 활용하는 혁신적인 접근법을 제안한다. 본 논문은 CGAN에서 KL 발산(KL divergence)을 Wasserstein 거리(Wasserstein distance)로 대체하여, 풍력 터빈 고장 분류를 위한 합성 고장 샘플을 생성함으로써 데이터 불균형을 바로잡는 Wasserstein Conditional Generative Adversarial Network(WC-GAN)를 사용한다. 이러한 전략적 조치로 클래스 분포의 균형이 유지되며 고장 분류 정확도가 향상된다. 조건부 데이터 생성을 통합함으로써 학습 안정성과 샘플 품질을 개선하는 한편, wasserstein 거리를 활용함으로써 더 빠른 수렴 속도를 보장한다. 풍력 터빈의 고장 분류를 위한 Supervisory Control and Data Acquisition(SCADA) 데이터에 대해 수행한 실험적 검증은, 조건부로 생성된 샘플의 품질에 주로 기인하여 다른 접근법에 비해 본 방법의 우수성을 입증한다. 요컨대, 제안된 접근법은 고품질의 합성 고장 데이터를 생성함으로써 불균형 샘플의 문제를 효과적으로 해결하여 풍력 터빈 고장 분류의 효율을 높인다. • 본 연구는 WT 고장 분류를 위한 합성 고장 데이터를 생성하는 방법을 제안한다. • 향상된 고장 샘플 생성을 위해 SCADA 데이터에 맞춘 Conditional GAN을 적용한다. • 제안하는 GAN은 서로 다른 클래스 레이블을 갖는 특정 고장 샘플의 생성을 가능하게 한다. • 실제 고장 샘플과 합성 고장 샘플을 혼합하여 고장 검출 모델을 학습하였다. • 실제 데이터와 결합 데이터에 대한 실험을 통해 프레임워크의 효능을 검증한다.

뇌종양 진단은 뇌에서 비정상 세포가 성장함에 따른 높은 사망률 때문에 정밀성이 요구된다. 컴퓨터보조진단(CAD) 시스템은 Convolutional Neural Networks (CNN)와 같은 첨단 기술을 활용하여 MRI 영상에서 뇌종양을 성공적으로 검출해 왔으며, 이를 통해 조기 질병 식별, 생존율 향상, 그리고 전문적인 MRI 분석에 대한 의존도를 줄일 수 있다. 그러나 기존 연구들은 Rician 잡음 및 스케일링이 딥러닝 성능에 미치는 영향을 자주 간과하며, 종양의 크기, 위치, 형태 및 경계가 다양함을 고려하지 못하는 경우가 많다. AlexNet, Residual Networks (ResNet), Inception V3와 같은 사전 학습 모델은 효과적이지만, 학습 가능한 파라미터로 인해 계산 비용이 높다. 따라서 각 합성곱 층에서 서로 다른 합성곱 필터를 사용하여 다양한 방식으로 특징을 추출하는 경량형 Multi-path Convolutional Neural Network (M-CNN)를 도입한다. 또한, 제안된 멀티패스 구조의 성능과 계산 효율을 향상시키기 위해 가장 유망한 특징을 선택하도록 구현된 최적 특징 모듈을 추가로 제안한다. 더 나아가, 제안된 M-CNN의 성능을 Convolutional Neural Network (CNN), Deep Convolutional Neural Network (D-CNN) 및 기타 최신 딥러닝 아키텍처와 비교하여, 모든 특징 및 선택된 특징을 사용한 뇌종양 검출에서의 성능을 평가한다. 제안된 M-CNN은 전통적인 Convolutional Neural Network (CNN) 아키텍처를 능가하며, 모든 특징에서 92.25%의 정확도, 선택된 특징에서 96.03%의 정확도를 달성한다. 이는 단순 CNN, Deep CNN 및 AlexNet, ResNet, Inception V3와 같은 기타 최신 아키텍처에 비해 더 낮은 계산 오버헤드 하에서 우수한 분류 성능과 효율을 보여준다. 제안된 M-CNN은 과적합 위험을 줄이면서 계산 효율을 최적화하여 정확한 뇌종양 분류를 수행한다. • 다중 합성곱 층의 통합을 기반으로 한 M-CNN 아키텍처를 개발한다. • M-CNN의 서로 다른 커널 크기가 다중 분류 뇌종양 검출에 미치는 영향을 분석한다. • 특징 선택을 적용하여 뇌종양 분류를 위한 계산 복잡도를 감소시킨다. • 제안된 M-CNN의 경험적 유효성과 계산 효율을 기존 CNN 기반 DL 아키텍처들과 비교하여 평가한다. • 뇌종양 검출을 위한 서로 다른 특징 집합을 사용해 포괄적인 분석을 제공한다.

리튬이온배터리는 에너지 출력, 밀도 및 효율이 높다는 점에서 주목할 만한 이점을 지닌다. 그러나 사용 전 기간에 걸쳐 용량 저하가 지속적으로 주요한 우려 사항으로 남아 있다. 특히 잔여 용량을 계산하는 일은 안전한 운전을 보장하는 데 필수적이며, 이에 따라 정확한 용량 추정 모델의 개발이 촉진되어 왔다. 배터리 용량 추정은 배터리 관리 시스템(Battery Management System, BMS)에서 핵심 기능 중 하나이며, 배터리 용량은 배터리의 최대 저장 능력을 나타내어 배터리 상태 진단(State of Charge, SOC) 추정 및 수명 관리에 필수적이다. 배터리 용량 예측의 정확도를 향상시키기 위해, 본 연구에서는 랜덤 서치(Random Search) 기반 하이퍼파라미터 조정을 통해 튜닝된 개선된 극한 기울기 부스팅(Extreme Gradient Boosting, XGBoost) 모델을 제안한다. 제안 방법은 대규모 데이터셋에 적용했을 때 R2 값 0.9931%, 평균제곱오차(Mean Squared Error, MSE) 0.0068, 제곱근평균제곱오차(Root Mean Squared Error, RMSE) 0.0825를 달성하였다. 이러한 결과는 기존의 회귀 모델과 비교하여 유의미한 개선을 시사한다. 또한 제안된 기법은 리튬이온배터리 용량 추정에서 우수한 정확도와 견고성을 함께 제공하는 것으로 나타났다.

식물 병해는 전 세계 농업 생산성에 중대한 도전 과제를 제기하며, 그 영향을 완화하기 위해서는 조기이면서도 정확한 탐지가 필요하다. 본 연구는 특징 추출과 계산 효율성 사이의 균형을 달성하기 위해 새로운 다중 패치 선택(multi-patch selection) 방식을 활용하는 Vision Transformer(ViT) 기반 프레임워크를 도입하여 사과 잎 병해를 분류한다. 잎 이미지는 ViT 프레임워크와의 호환성을 확보하기 위해 전처리한 뒤, 크기가 서로 다른 패치(32 × 32, 16 × 16, 8 × 8)로 분할하여, 네 가지 범주인 Apple Scab(사과 딱지병), Black Rot(흑색무름병), Cedar Rust(시더녹병), Healthy Leaves(건강한 잎)를 분류하는 데 있어 국소 및 전역 특징을 모두 포착할 수 있도록 하였다. 제안된 Plant Leaf Disease Vision Transformer(PLD-ViT) 프레임워크는 16 × 16 패치 구성에서 97.76%의 검증 정확도, 95.34%의 정밀도, 95.11%의 재현율, 95.06%의 F1-score를 달성하여, ResNet-50(96.75% 검증 정확도, 95.11% 정밀도, 93.42% 재현율, 95.31% F1-score) 및 Swin Transformer(96.79% 검증 정확도, 95.76% 정밀도, 95.94% 재현율, 95.89% F1-score)보다 유의하게 우수한 분류 성능을 보이면서도 계산 효율성을 유지한다(각각 1.0× GFLOPs 대 3.8× 및 4.5×). 본 모델은 서로 다른 범주를 견고하게 분류하지만, Cedar Rust와 Healthy Leaves처럼 시각적으로 유사한 집단을 구별하는 데에는 어려움이 있다. 그럼에도 불구하고, 본 모델은 통제된 데이터셋에 의존한다는 점과 더 작은 패치 크기와 관련된 계산 요구량이라는 한계를 가진다. 본 ViT 기반 프레임워크는 정밀 농업을 위한 실용적이고 확장 가능한 해결책을 제공하며, 지속 가능한 영농을 지원하고 전 세계 식량 안보를 증진하는 접근 가능한 도구를 위한 기반을 마련한다.

파운데이션 모델은 뛰어난 소수 샷 학습과 데이터 생성 능력을 가진다. 우리는 이를 활용하여 최소한의 실제 데이터로 자동 유도 차량(Automated Guided Vehicle, AGV) 비례–적분–미분(Proportional–Integral–Derivative, PID) 제어기를 적응적으로 튜닝한다. 우리의 소수 샷 전이 학습 전략은 새로운 조건에서 요구되는 지루한 시행착오 기반 재튜닝을 해결한다. 초기 AGV 데이터로 앙상블 회귀 모델을 학습한 뒤, 사전 학습된 파운데이션 모델을 사용하여 소수의 신규 시행으로부터 합성 제어 샘플을 생성하고 이를 통해 데이터셋을 증강한다. 이렇게 결합된 실제 및 합성 데이터로 앙상블을 파인튜닝하면 시나리오가 변화하는 동안 효과적인 비례–적분(Proportional–Integral, PI) 이득에 신속히 수렴하면서도 정밀하고 안정적인 주행을 보장한다. 실제 자동 유도 차량(AGV) 시험 결과, 다양한 속도에서 견고한 추종 성능을 확인하였고, 수동 재튜닝 노력을 감소시켰다. 측면 추종 Root Mean Square Error(RMSE)는 몇 차례의 적응 사이클 동안 20 m/min에서 1.17 m에서 0.71 m로 감소하였다. 오프라인에서는 생성적 사전학습 트랜스포머(Generative Pre-trained Transformer, GPT) 기반 학습이 5–25 m/min 구간에서 높은 예측 정확도(R 2 > 0.90)를 유지하는 반면, 실제 로그만으로 학습한 경우 고속 영역에서 R 2가 약 0.33으로 저하되었다. 생성형 AI와 고전적 제어를 결합한 본 접근은 새로운데, 광범위한 데이터가 필요하거나 수동 조정이 요구되는 기존 방법들과 달리, 우리는 소수 샷 측정과 최소 시행만으로 적응 성능을 구현하기 위해 인공 지능(AI)이 합성한 데이터를 활용한다.

영상 인스턴스 분할(Video instance segmentation, VIS)은 로봇 지각에 있어 중요하지만, 최신 트랜스포머 기반 방법은 엣지 배치를 위한 계산 자원을 요구한다. 우리는 비디오 인스턴스 분할을 위해 특별히 설계된 최초의 지식 증류 프레임워크인 Edge-VIS를 제안한다. 이는 이전에 탐구되지 않았던, 트랜스포머 기반 교사(GenVIS-Swin-L, 1,229 M 파라미터)로부터 경량 CNN 기반 학생(수정된 YOLOv8n-seg, 2.7 M 파라미터)으로 동시에 정교한 시공간 추론, 공간 분할 정확도, 그리고 시간적 인스턴스 추적 일관성을 전이하는 문제를 다룬다. 엣지 로봇 시스템을 위한 실시간 엣지 배치를 목표로 한다. 우리의 다단계 증류 전략은 분할 품질과 시간적 안정성을 모두 보존하기 위해 특징 수준, 반응 수준, 그리고 주의(attention) 기반 증류를 포함한다. 심각한 제약을 강조하는 난도 높은 폐색 비디오 인스턴스 분할(Occluded Video Instance Segmentation, OVIS) 데이터셋에서 Edge-VIS는 mAP@0.5 기준 46.0%를 달성하면서, 14 GFLOPs만을 요구하여(기준 대비 36.4% 감소) 2.7 M 파라미터만 사용한다(기준 YOLOv8n-seg 대비 15.6% 감소). 교사 모델 대비 Edge-VIS는 정확도 66.5%를 달성하며, 455배 더 높은 파라미터 효율성을 보이고 10.4배 더 빠른 추론을 제공한다(52 대 5 FPS). NVIDIA Jetson AGX Orin에서의 배치는 29 W의 전력 소모만으로 250 FPS에서 실시간 성능을 입증하여, 배터리 구동 로봇 시스템에서의 실용 가능성을 확인한다.

현대 전력 시스템의 영역에서 풍력 터빈(WTs)은 중요한 환경적 이점을 확보함으로써 풍력 발전의 확장되는 지형에서 핵심적인 위치를 차지하게 되었다. 풍력 단지 시스템의 안정성을 위해 풍력 터빈의 효율적인 모니터링 및 고장 분류를 보장하는 일이 무엇보다도 필수적이다. 그러나 소규모 고장 데이터 샘플로부터 더 많은 고장 정보를 확보해야 한다는 요구로 인해 데이터의 불충분과 불균형 문제가 발생한다는 점에서 중대한 과제가 대두된다. 이러한 불균형이 고장 검출 정확도에 미치는 결과적 영향은 풍력 터빈 고장 진단에서 이 문제의 중요성을 부각시킨다. 특히, 고장 유형 간 데이터셋 크기의 불일치와 고장 클래스의 불균등한 분포는 풍력 터빈 고장 검출 분야에서 실질적인 장애물로 작용한다. 이 문제는 충분한 고장 데이터를 수집하는 데 소요되는 시간 집약적 과정에 의해 더욱 심화되며, 풍력 터빈 분야의 보다 전형적인 시나리오와는 차별화된다. 본 논문은 이러한 과제를 효과적으로 해결하기 위해 합성 고장 데이터를 생성하는 생성적 적대 신경망(Generative Adversarial Networks, GAN)을 활용하는 혁신적인 접근법을 제안한다. 본 논문은 CGAN에서 KL 발산(KL divergence)을 Wasserstein 거리(Wasserstein distance)로 대체하여, 풍력 터빈 고장 분류를 위한 합성 고장 샘플을 생성함으로써 데이터 불균형을 바로잡는 Wasserstein Conditional Generative Adversarial Network(WC-GAN)를 사용한다. 이러한 전략적 조치로 클래스 분포의 균형이 유지되며 고장 분류 정확도가 향상된다. 조건부 데이터 생성을 통합함으로써 학습 안정성과 샘플 품질을 개선하는 한편, wasserstein 거리를 활용함으로써 더 빠른 수렴 속도를 보장한다. 풍력 터빈의 고장 분류를 위한 Supervisory Control and Data Acquisition(SCADA) 데이터에 대해 수행한 실험적 검증은, 조건부로 생성된 샘플의 품질에 주로 기인하여 다른 접근법에 비해 본 방법의 우수성을 입증한다. 요컨대, 제안된 접근법은 고품질의 합성 고장 데이터를 생성함으로써 불균형 샘플의 문제를 효과적으로 해결하여 풍력 터빈 고장 분류의 효율을 높인다. • 본 연구는 WT 고장 분류를 위한 합성 고장 데이터를 생성하는 방법을 제안한다. • 향상된 고장 샘플 생성을 위해 SCADA 데이터에 맞춘 Conditional GAN을 적용한다. • 제안하는 GAN은 서로 다른 클래스 레이블을 갖는 특정 고장 샘플의 생성을 가능하게 한다. • 실제 고장 샘플과 합성 고장 샘플을 혼합하여 고장 검출 모델을 학습하였다. • 실제 데이터와 결합 데이터에 대한 실험을 통해 프레임워크의 효능을 검증한다.

뇌종양 진단은 뇌에서 비정상 세포가 성장함에 따른 높은 사망률 때문에 정밀성이 요구된다. 컴퓨터보조진단(CAD) 시스템은 Convolutional Neural Networks (CNN)와 같은 첨단 기술을 활용하여 MRI 영상에서 뇌종양을 성공적으로 검출해 왔으며, 이를 통해 조기 질병 식별, 생존율 향상, 그리고 전문적인 MRI 분석에 대한 의존도를 줄일 수 있다. 그러나 기존 연구들은 Rician 잡음 및 스케일링이 딥러닝 성능에 미치는 영향을 자주 간과하며, 종양의 크기, 위치, 형태 및 경계가 다양함을 고려하지 못하는 경우가 많다. AlexNet, Residual Networks (ResNet), Inception V3와 같은 사전 학습 모델은 효과적이지만, 학습 가능한 파라미터로 인해 계산 비용이 높다. 따라서 각 합성곱 층에서 서로 다른 합성곱 필터를 사용하여 다양한 방식으로 특징을 추출하는 경량형 Multi-path Convolutional Neural Network (M-CNN)를 도입한다. 또한, 제안된 멀티패스 구조의 성능과 계산 효율을 향상시키기 위해 가장 유망한 특징을 선택하도록 구현된 최적 특징 모듈을 추가로 제안한다. 더 나아가, 제안된 M-CNN의 성능을 Convolutional Neural Network (CNN), Deep Convolutional Neural Network (D-CNN) 및 기타 최신 딥러닝 아키텍처와 비교하여, 모든 특징 및 선택된 특징을 사용한 뇌종양 검출에서의 성능을 평가한다. 제안된 M-CNN은 전통적인 Convolutional Neural Network (CNN) 아키텍처를 능가하며, 모든 특징에서 92.25%의 정확도, 선택된 특징에서 96.03%의 정확도를 달성한다. 이는 단순 CNN, Deep CNN 및 AlexNet, ResNet, Inception V3와 같은 기타 최신 아키텍처에 비해 더 낮은 계산 오버헤드 하에서 우수한 분류 성능과 효율을 보여준다. 제안된 M-CNN은 과적합 위험을 줄이면서 계산 효율을 최적화하여 정확한 뇌종양 분류를 수행한다. • 다중 합성곱 층의 통합을 기반으로 한 M-CNN 아키텍처를 개발한다. • M-CNN의 서로 다른 커널 크기가 다중 분류 뇌종양 검출에 미치는 영향을 분석한다. • 특징 선택을 적용하여 뇌종양 분류를 위한 계산 복잡도를 감소시킨다. • 제안된 M-CNN의 경험적 유효성과 계산 효율을 기존 CNN 기반 DL 아키텍처들과 비교하여 평가한다. • 뇌종양 검출을 위한 서로 다른 특징 집합을 사용해 포괄적인 분석을 제공한다.