http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
보라시 콩(Borasy Kong),원인수(In su Won),권장우(Jang woo Kwon) 한국장애인재활협회 2017 재활복지 Vol.21 No.3
본 연구는 실내에서 화재 발생시 시각 장애인들을 지원하기 위한 영상 기반의 화재감지기를 제안한다. 건물 내에 화재가 발생하는 비상 상황 발생시 시각 장애인은 일반인보다 상황을 인지하는 것이 늦기 때문에 위험한 상황에 노출되기 쉽다. 기존의 연기 감지기와 같은 현재의 화재 감지 방법은 화재 발생시 발생하는 화학 센서 기반 기술을 사용함으로써 감지가 상대적으로 늦으며 화재가 확산된 후에 감지가 되는 등 낮은 신뢰성이 문제가 될 수 있다. 이를 보완하기 위해 영상 기반의 화재 감지 기술이 개발되었지만 낮은 정확도가 문제가 되어 실용화되지 못하였다. 최근 인공 지능을 위한 심층 학습 분야의 큰 발전으로 영상 내의 물체 인식률이 높아짐에 따라 관련 연구가 활발히 진행되고 있다. 따라서 본 연구에서는 보안 카메라 영상을 사용하여 화재를 감지할 수 있는 심층 학습 기반의 화재 감지기를 제안한다. 심층 학습 기반의 접근법은 영상에서 자동으로 특징을 학습할 수 있으므로 일반적으로 복잡한 상황에 대해서도 일반화가 가능하다. 본 논문에서는 화재감지 정확도와 속도 측면의 균형을 고려하여 두 개의 심층 합성곱 신경망 모델을 제안하였다. 실험을 통해 두 모델 모두 99%의 평균 정밀도로 화재를 감지할 수 있으며 첫번째 모델은 초당 30장의 처리 속도와 76%의 정확도를 나타냈다. 두번째 모델은 초당 50장의 처리 속도와 61%의 정확도를 나타낸다. 또한 두 개의 모델의 메모리 사용량을 서로 비교하였으며 다양한 실제 화재 시나리오에서 테스트하여 신뢰할 수 있는 모델임을 증명하였다. 본 논문에 제안한 영상 기반 화재 감지기가 상용화된다면 상대적으로 실내 화재에 취약한 시각 장애인들의 안전에 도움이 될 것이다. In an event of an emergency, such as fire in a building, visually impaired and blind people are prone to exposed to a level of danger that is greater than that of normal people, for they cannot be aware of it quickly. Current fire detection methods such as smoke detector is very slow and unreliable because it usually uses chemical sensor based technology to detect fire particles. But by using vision sensor instead, fire can be proven to be detected much faster as we show in our experiments. Previous studies have applied various image processing and machine learning techniques to detect fire, but they usually don t work very well because these techniques require hand-crafted features that do not generalize well to various scenarios. But with the help of recent advancement in the field of deep learning, this research can be conducted to help solve this problem by using deep learning-based object detector that can detect fire using images from security camera. Deep learning based approach can learn features automatically so they can usually generalize well to various scenes. In order to ensure maximum capacity, we applied the latest technologies in the field of computer vision such as YOLO detector in order to solve this task. Considering the trade-off between recall vs. complexity, we introduced two convolutional neural networks with slightly different model s complexity to detect fire at different recall rate. Both models can detect fire at 99% average precision, but one model has 76% recall at 30 FPS while another has 61% recall at 50 FPS. We also compare our model memory consumption with each other and show our models robustness by testing on various real-world scenarios.
신뢰성 있는 기동 항적 추적을 위한 다중 레이더 융합 알고리즘
조태환 ( Tae Hwan Cho ),이창호 ( Chang Ho Lee ),김진욱 ( Jin Wook Kim ),원인수 ( In Su Won ),조윤현 ( Yun Hyun Jo ),박효달 ( Hyo Dal Park ),최상방 ( Sang Bang Choi ) 한국항행학회 2011 韓國航行學會論文誌 Vol.15 No.4
레이더를 이용한 항적 융합 알고리즘은 반드시 필요하며, 이를 통해서 높은 신뢰성을 확보할 수 있다. 본 논문에서는 칼만필터 보다 성능이 좋다고 알려진 IMM(Interacting Multiple Model) 필터를 이용하여 다중 레이더 융합 알고리즘을 제안하였다. 분산형 융합 방식을 적용하였고, 부필터 3개, 주필터 1개를 이용하였다. 성능분석은 등속운동, 가속운동, 선회 등 항공기 기동을 묘사한 가상의 레이더 데이터를 이용하여 분석하였다. 성능분석 결과, 항공기가 기동하는 구간에서도 좋은 추적 성능을 보였다. Data Fusion algorithm is essential in Target Detection using radar, and it has more reliability. In this paper, Multi Radar Fusion algorithm using IMM(Interacting Multiple Model) filter is suggested. This well-known IMM filter has better performance than Kalman filter has. In this simulation, Distributed Data Fusion process was applied, and three sub-filters and one main filter were employed. In addition, this simulation was evaluated by virtual radar data which include constant velocity, constant accelerate, turn rate. The result of an evaluation shows better performance in the maneuvering section of aircraft.