http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
이동체에서 2D 선레이저를 이용한 보도블럭 프로파일링 및 균열 검출 기법
최승호,김서연,정영훈,김태식,민홍,정진만,Choi, Seungho,Kim, Seoyeon,Jung, Young-Hoon,Kim, Taesik,Min, Hong,Jung, Jinman 한국인터넷방송통신학회 2021 한국인터넷방송통신학회 논문지 Vol.21 No.5
In this paper, we propose an on-line mechanism that simultaneously detects cracks and profiling pavement blocks to detect the displacement of ground surface adjacent to the excavation in the urban area. The proposed method utilizes a 2D laser to profile the information about pavement blocks including the depth and distance among them. In particular, it is designed to enable the detection of cracks and portholes at runtime. For the experiment, real data was collected through Gocator, and trainng was carried out using Faster R-CNN. The performance evaluation shows that our detection precision and recall are more than 90% and the pavement blocks are profiled at the same time. Our proposed mechanism can be used for monitoring management to quantitatively detect the level of excavation risk before a large-scale ground collapse occurs. 본 논문에서는 배면의 지반 변형을 감지하기 위해 보도블럭 프로파일링과 균열을 동시에 검출하는 온라인 기법을 제안한다. 제안 기법은 2D 선레이저를 활용하여 이격 및 깊이 정보를 포함한 보도블럭 프로파일링이 가능하다. 특히 런타임에 수집된 선레이저의 데이터를 전처리하여 균열과 포트홀 탐지가 가능하도록 설계하였다. 실험을 위해 Gocator를 통해 실제 데이터를 수집하였고 Faster R-CNN를 활용하여 학습을 수행하였다. 성능평가 결과, 정밀도 및 재현율 기준 90% 이상을 보이며 프로파일링이 가능함을 보인다. 제안 기법은 대규모 지반붕괴 사고가 발생하기 이전에 굴착 위험도 수준을 정량적으로 감지하기 위한 모니터링 관리에 활용될 수 있다.
[융합 컴퓨팅] 컴퓨팅 자원의 가용성을 보장하기 위한 기계 학습 기반의 실시간 장애 예측 프레임워크 연구
최승호(Seungho Choi),서형준(Hyungjun Seo),노재춘(Jaechun No),박성순(Sungsoon Park) 대한전자공학회 2019 전자공학회논문지 Vol.56 No.4
컴퓨터 시스템을 통해 수많은 서비스들이 제공됨에 따라 시스템의 신뢰성 및 가용성이 중요해졌다. 이에 시스템 장애를 예측하여 이를 사전에 방지하는 것이 주요 과제가 되었다. 기존 연구에서 복잡한 시스템의 가용성을 보장하기 위해, 가장 많은 피해 비용을 초래하는 시스템 구성 자원의 장애를 예측하고자 하였으며, 시스템 지식을 기반으로 최적의 데이터 가공 및 예측 알고리즘을 적용하여 높은 예측률의 모델을 얻고자 하였다. 하지만, 최적의 모델을 얻기 위해서는 반복적인 데이터 분석 및 가공, 예측 모델 최적화 및 비교가 필요하였고 해당 과정의 일부만이 경험적 지식에 의존하여 수동적으로 수행되었다. 본 논문에서는 최적화된 예측 모델을 얻기 위한 과정을 전략적으로 자동화하여 이러한 비용을 최소화하는 프레임워크를 구현하였다. 이를 위해 기존 연구에서 장애와 높은 연관성이 검증된 데이터를 수집하는 모니터링 시스템과 자동화된 기계 학습을 적용하여 특징 공학, 알고리즘 선택, 예측모델 최적화 과정을 자동화하고, 생성된 모델을 기반으로 실시간 장애 예측을 가능하게 하였다. 또한 여러 논문에서 파편화되어 있는 장애 개념, 예측 방법 및 적용을 체계화하고 프레임워크에 반영하였다. The reliability and availability of server and storage systems became important as a number of services were prevalent on them. Therefore, predicting system failures in advance has become a major challenge. In order to ensure the availability of complex systems, several studies have been conducted to predict the critical system component faults which result in the most costly costs, and to achieve a high predictive model by applying optimal data processing and predictive algorithms based on system knowledges. However, in order to obtain such an optimal model, repeated data analysis/processing and predictive model optimization/comparison are necessary while relying on empirical knowledges and only part of them are applied. This requires a lot of time and effort to achieve an optimized predictive model. In this paper, we propose a strategy that automates the process of obtaining an optimized predictive model with the minimum cost. In our method, monitoring systems that collect important data proven from existing studies and automated machine learning have been applied to automate feature engineering, algorithm selection, and model optimization and to enable real-time failure prediction. In addition, the concepts and methods of failure prediction fragmented in various papers are systematically organized for the design of our framework.