컴퓨터 이미지 분석 기술을 이용한 목재 표면 화상 분석은 목재 품질의 객관적인 평가와 이를 통한 목재 생산의 고속화를 위해 필요하다. 인공지능을 활용한 딥러닝(Deep Learning) 기술은 높은 정확도와 빠른 속도로 이미지 화상 분석 분야에서 높은 활용도를 보여주고 있다. 본 연구에서는 여러 딥러닝 기술 중 이미지 구획화에서 활용되는 합성곱 신경망(Convolutional Neural Network, CNN)을 이용하여 잣나무재 표면 옹이를 구획화하고, 그 종류를 분류하였다. 잣나무 각재에서 획득한 128개의 제재목 사진을 사용하였고, 이들 제재목 사진에서 추출한 227개의 옹이 이미지를 4가지 종류로 분류하였다. VGG Image Annotator를 이용하여 옹이의 위치와 종류에 대한 데이터베이스를 만들고, 이를 통해 제재목 표면의 옹이를 구획화하여 표시하고, 종류를 분류하는 알고리즘 모델 학습을 진행하였다. 또한, 색상으로 인한 분류 오차가 생길 수 있다고 판단하여 흑백으로 변환한 잣나무재 이미지에서도 옹이 구획화 및 분류를 진행하였다. 잣나무재 표면 옹이 구획화 및 분류 학습을 진행한 결과 옹이의 종류나 크기 등의 변수가 존재함에도 높은 정확도로 목재 표면 옹이를 탐지할 수 있었고, 옹이 종류 분류에서도 준수한 정확도를 보여주었다. 그리고 RGB 이미지보다 흑백으로 변환한 이미지를 분류할 때 조금 더 높은 정확도를 보였는데, 이를 통해 이미지 분류에서 색상으로 인한 변수가 존재함을 추론할 수 있었다. 옹이 종류에 따라 이미지 개수의 현저한 격차가 존재하여 분류 학습에 어려움이 있었는데, 이미지 개수가 적은 희귀 종류 옹이를 추가로 학습시킨다면 더 높은 정확도를 얻을 수 있을 것으로 기대된다.

IT인프라 운영자는 장애 없이 시스템을 안정적으로 운영하기 위해 365일, 24시간 철저한 모니터링과 점검을 수행하고 있다. 그러나 점검해야 할 시스템은 많고, 기타 업무로 인해 점검 시기를 놓치거나 모니터링을 하지 못하는 경우도 자주 발생한다. 또한, 매일 대기모드로 시스템을 감시 및 점검해야 하므로 운영자들에게 과중한 업무가 부과된다. 그러므로 숙련된 운영자처럼 시스템의 이상 패턴을 미리 감지하고 알려줄 수 있는 IT운영을 위한 인공지능 개발이 필요하다. 본 연구에서는 서버에서 측정된 네트워크 데이터를 통하여 서버의 비정상적인 패턴 탐지 및 부하 예측을 위한 방법론으로 단일 클래스 서포트 벡터 머신 기반의 다변량 관리도 및 서포트 벡터 회귀를 제안한다. 건전성 지수 및 이산웨이블릿 변환을 통한 허스트 지수 산출, 이를 이용한 단일 클래스 서포트 벡터 머신 기반의 다변량 관리도 구축을 통한 이상현상 탐지 및 서포트 벡터 회귀를 이용한 부하 예측을 실시하여 네트워크 장애에 선제적으로 대응함으로써 고장 복구 수리시간을 획기적으로 줄일 수 있으며, 소수의 인원으로 다중의 관제가 가능한 모니터링 환경 구성과 운영자 편의성 및 효율성 향상을 도모할 수 있다. 실제로 제안된 방법론을 네트워크 데이터에 적용할 경우, 서버의 실시간 모니터링 및 고장 발생 시점 예측이 가능하다는 결과를 도출하였다.

수년전부터 세계의 해양을 오염시키는 미세플라스틱이 이슈화되면서도 우리 일상에서는 큰 변화가 없었다. 2018년 폐플라스틱 수거 대란이 일어나면서 우리가 얼마나 플라스틱을 무분별하게 사용하게 되었으며, 어떻게 하면 되는가를 고민하게 되었고 플라스틱의 역습에 관심을 가지게 되었다. 또한 최근 코로나19 사태로 플라스틱 사용량이 증가하고 있다. 플라스틱은 가볍고 실용적이어서 많은 사람이 사용하고 있지만 다른 쓰레기에 비해 잘 썩지 않고, 썩는데 500년 이상이 걸리는 등의 문제점으로 폐플라스틱의 재활용에 대해 관심이 커지고 있다. 우리나라는 폐기물 재활용율이 매우 높은편에 속한다. 폐플라스틱의 약 83%정도가 재활용되는 것으로 통계를 통해 확인할 수 있다. 그러나 산업계에서 재활용되는 플라스틱은 부가가치가 매우 낮아 동산업계가 자생할 수 있는 경제적인 편익이 매우 낮은 게 현실이다. 또한 육상에서 재활용 되지 못한 플라스틱은 해양의 미세플라스틱으로 변환되어 생태계를 위협하고 있다. 석유에서 추출되어 우리 생활계에 공급되는 플라스틱의 공급량을 줄이기 위해서는 기존 사용되어 폐기되는 폐플라스틱을 최대한 고부가가치의 재생원료로 생산하여 재사용함으로써 우리 생태계를 보존할 수 있을 것이다. 본 연구에서는 NIR 분광 분석 알고리즘 개발로 실험장치 제작 설치 후 작업환경 빅데이터 구축 및 카메라, 센서, 로봇팔 통합시스템 개발과 플라스틱 물체 인식 알고리즘 개발을 진행한다. 이를 통해 폐플라스틱 물질 재활용을 위한 인공지능 결합 고속 자동화 선별 공정 구축으로 플라스틱 재질 및 색상 선별을 무인화, 모듈화 할 수 있을 것이다. 궁극적으로는 폐플라스틱의 물질 재활용을 위한 재생 원료의 품질 개선 및 대량 처리가 기대된다.