http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 조완희(Wanhee Cho) (검색결과 6 건)
- 무료
- 기관 내 무료
- 유료
-
문종윤(Jongyoon Mun),조완희(Wanhee Cho),성보람(Boram Seong),한수만(Sooman Han),최진휴(Jinhyu Choi) 한국해양환경·에너지학회 2021 한국해양환경·에너지학회 학술대회논문집 Vol.2021 No.5
본 연구는 한반도 주변의 기상정보로 파랑을 예측하고 CCTV 영상에서 월파를 감지하는 기술을 개발하였다. 성능의 우수성이 널리 알려진 인공신경망(Artificial Neural Network, ANN)의 한 종류인 합성곱신경망(Convolutional Neural Network, CNN)을 사용하여 파랑예측과 월파감지 모델을 구축하였다. 파랑예측에 사용된 CNN모델은 U-net을 기반으로 구축하였으며 월파감지에 사용된 CNN모델은 객체 검출 모델을 사용하였다. 파랑예측 모델의 입력 자료는 일본 기상청(Japan Meteorological Agency, JMA)의 대기 예측정보인 MSM(Meso Scale Model)을 사용하였다. 합성곱신경망 파랑예측 모델의 학습데이터는 ADSWAN(ADCIRC + SWAN) 파랑모의 결과의 위도 30˚ ∼42.75˚, 경도 122.5˚∼135.25˚영역을 사용하였으며 격자 간격은 0.05˚로 설정하였다. 파랑 예측 모델의 정확도 향상을 위해 기존 U-net 구조의 인코더와 디코더 레이어의 깊이를 7층으로 확장하여 사용하였다. 상관성 분석 결과, 파고와 주기는 각각 풍속과 파고에 상관성이 높게 나타나 바람장 정보로부터 유의파고를 예측하고 예측된 유의파고로부터 주기를 예측하는 두 단계의 예측 모델을 구성하였다. 예측 결과에서 ADSWAN 파랑모의와의 상관성은 0.93, 관측치와의 상관성은 0.83으로 분석되었고 1시간 예측에 약 0.024초가 소요되었다. 월파감지 모델의 학습데이터는 삼척과 주문진의 CCTV 1년 1개월 분량의 영상(2018.10.01. ∼ 2019.10.31.)에서 월파가 발생한 프레임을 수동으로 추출하여 약 2만장의 데이터를 구축하였다. 월파의 기준은 탐지된 파도 영역이 난간을 넘는 것으로 설정하였으며, 난간을 넘지 않는 파도를 구분하기 위해 배경과 파도를 분리하고 난간 구역과 비교하여 여과하는 알고리즘을 구축하였다. 또한, 해수면과 분리된 파도 영역을 비교하여 실제 처오름높이를 산정하였으며, 월파감지의 정확도 분석 결과 mAP<sub>50</sub>은 0.60, 속도는 80.5fps로 나타났다. In this study, we developed a technology to predict wave using atmospheric modeling data around the Korean Peninsula and to detect wave overtopping using CCTV images. For the development, we adopted Convolutional Neural Network(CNN), a kind of Artificial Neural Network(ANN) known for its high performance. Wave prediction model is based on U-net, whereas overtopping detection model makes use of object detection models. Input data for the wave prediction model is MSM (Mesoscale Model) atmospheric forecasting data from the Japan Meteorological Agency(JMA). The training data for wave prediction model is ADSWAN(ADCIRC+SWAN) wave simulation results, whose spatial extension is 122.50°E 135.25°E, 30.00°N∼42.75°N with resolution of 0.05°. In order to improve the accuracy of wave prediction model, we extend the depth of the encoder and decoder layers from the U-net structure to the seventh layers. Correlation analysis shows that wave heights are highly correlated with wind speeds while wave periods are with wave heights. Thus, we constructed a two-step model that predicts wave heights from the former and wave periods from the latter. In our prediction results, correlations with ADSWAN wave simulation results and observation were found to be 0.93 and 0.83 respectively. The 1-hour prediction took about 0.024 seconds. The training data for overtopping detection model is around 20,000 frames manually extracted from one year-long CCTV video images (2018.10.01. ∼ 2019.10.31.) from Samcheok and Jumunjin. We defined wave over the fence as a overtopping event, and developed a filtering algorithm to separate the background from the wave by comparing regions. Furthermore, we estimated wave run-up height from the separated wave regions and preformed the accuracy analysis, mAP<sub>50</sub> being 0.60 and the processing speed being 80.5fps.
-
-
김지호(Jiho Kim),조완희(Wanhee Cho),이두희(Doohee Lee),제현규(Hyoungyu Je),정용진(Youngjin Jeong),송오영(Ohyoung Song) 한국HCI학회 2012 한국HCI학회 학술대회 Vol.2012 No.1
본 논문에서는 IEEE 802.15.4(ZigBee, 지그비)통신기술을 이용하여 일정 구역단위로 인식범위를 구분한 뒤, 감지신호에 따라 해당 사용자/객체의 특정 위치 진입/이탈 여부를 판단하는 방식의 위치인식 플랫폼(Location-Aware Platform)을 설계하였다. 그리고 미디어 브로드캐스팅과 서비스 개인화를 가능케 하는 다중 채널(Channel selection) 기술에 기반 다중 객체 추적 서비스를 제안하였다. In this paper, we have designed inexpensive zoning platform using IEEE 802.15.4(ZigBee) communications technology. Also we have designed multi-user tracking multimedia service using media broadcasting and location-aware channel selection that is enable to provide the personalized service.
-
문종윤(Jongyoon Mun),조완희(Wanhee Cho),성보람(Boram Seong) 한국해양환경·에너지학회 2021 한국해양환경·에너지학회 학술대회논문집 Vol.2021 No.10
본 연구에서 영상기반 인공지능을 활용하여 CCTV 영상 데이터를 통한 연안 지역의 해수위 시계열 데이터를 산출하는 기술을 개발하였다. 학습을 위한 데이터로는 부산 조위관측소 인근의 2020년 상반기 영상(2020.01.01.~2020.06.30.)과 1분 간격의 조위 관측 데이터를 확보하여 사용하였다. 인공지능 학습용 데이터셋을 구축하기 위해 CCTV 영상의 프레임 별 실제 시간은 광학문자인식(OCR) 기술로부터 취득하였고, 관측된 조위 데이터의 시간과 매칭하여 영상 데이터의 프레임을 1분 간격으로 저장하였다. 학습 데이터는 전체 데이터의 80%, 검증 데이터는 전체 데이터의 15%, 테스트 데이터는 전체 데이터의 5% 비율로 나누었다. 해수위를 관측할 경우 개별적인 레이블이 아닌 연속적인 값을 추정해야 하므로 인공신경망 모델을 분류모델이 아닌 회귀(Regression) 모델로 구성하였다. 테스트 데이터(2020.06.22.~2020.06.30.)의 정확도는 Correlation 0.96, RMSE 11.13cm로 나타났다. In this study, we developed a technology to observe sea level data in coastal areas through CCTV image data using deep learning. As for training dataset, the 2020 cctv images(2020.01.01.~2020.06.30.) near the Busan tidal observation station and tidal observation data at 1-minute intervals were used. In order to construct the train dataset, we acquired the actual time for each frame of CCTV images using optical character recognition(OCR) technology, and stored frames of image data at 1-minute intervals in accordance with the time of observed tidal data. We divided the train data into 80% of the total data, the validation data into 15% of the total data, and the test data into 5% of the total data. When observing sea levels, it is appropriate to configure the artificial neural network model as a regression model rather than a classification model. The accuracy in the test data (2020.06.22~2020.06.30) was calculated as Correlation 0.96 and RMSE 11.13 cm.
-
-
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
