본문 바로가기

전체 글

(주)싱스웰 구축사례: 혁신적인 건강 관리 및 체험설비 통합운용시스템 혁신적인 학생 건강 관리, 체험설비 통합운용시스템경기도교육청 학생건강증진센터에서 제공하는 체험설비 통합운용시스템은 한층 효율적이고 편리한 제어 환경을 제공합니다. 이 시스템은 다양한 체험설비의 통합 관리 및 제어를 통해 학생 건강증진을 위한 최적의 사용자 경험을 선사합니다.경기도교육청 학생건강증진센터  통합운용시스템 구축 배경 및 특징구축 배경학생 건강 증진의 필요성현대 학생들은 학업 스트레스와 건강 관리 부족으로 인해 신체 및 정신 건강 문제가 증가하고 있습니다. 이러한 상황에서 경기도교육청 학생건강증진센터는 체험 기반의 통합적 관리 시스템을 통해 건강 증진 솔루션을 제공하고자 합니다.효율적인 설비 관리의 요구다양한 체험설비가 분산되어 운영될 경우 관리의 복잡성과 효율성 저하가 문제가 될 수 있습니다... 더보기
위험 상황 조기 감지 및 인터랙티브 알람 생성을 위한 모의 테스트 방법 및 리빙 랩 구축 방법 위험 상황 조기 감지 및 인터랙티브 알람 생성을 위한 모의 테스트 방법 및 리빙 랩 구축 방법목표작업자 위험 감지 시스템의 효과를 검증하기 위해 모의 테스트 환경 및 **리빙 랩(Living Lab)**을 구축합니다. 이는 작업자 위험 감지 모델, 인터랙티브 알람, 페르소나 기반 시스템을 실제 상황에 가까운 환경에서 테스트하는 것을 목표로 합니다.1. 모의 테스트 방법론1단계: 시나리오 설계대표적인 시나리오 정의:페르소나 모델에 기반하여 현실적이고 빈번히 발생할 수 있는 위험 상황을 정의합니다.시나리오 1: 작업자가 이동 중 기계의 위험 구역에 접근.시나리오 2: 작업자가 화학물질 유출로 어지러움을 호소.시나리오 3: 정비 작업 중 추락 발생.시나리오 4: 자동화 로봇 팔 근처에서 발생하는 근접 경고.페.. 더보기
고급 최신 솔루션: AI 기반 최적화와 통합을 통한 ONNX 확장 고급 및 최신 솔루션: AI 기반 최적화와 통합을 통한 ONNX 확장ONNX의 기존 한계를 보완하고 기능을 향상하기 위해, 최신 기술과 프레임워크를 활용한 다음과 같은 고급 솔루션을 제안합니다.1. 고급 모델 관리 및 변환 도구 활용ONNX Model Zoo와 Hugging Face Optimum 또는 Netron 같은 타사 모델 변환 도구를 결합하여 원활한 모델 변환 파이프라인을 구축합니다.AI 기반 변환 어시스턴트:변환 중 발생하는 호환성 문제(예: 지원되지 않는 연산자 또는 맞춤 레이어)를 자동으로 감지하고 해결하는 AI 도구를 활용합니다.ONNX와 호환 가능한 로직을 생성하거나 사전 제작된 플러그인을 통합합니다.2. AI 기반 모델 최적화를 통한 적응형 성능 향상자동 양자화 및 혼합 정밀도(Mix.. 더보기
FAISS 소개: 배경, 특징, 필요성 FAISS 소개: 배경, 특징, 필요성배경데이터의 양이 기하급수적으로 증가하면서, 대규모 데이터셋에서 유의미한 정보를 검색하는 문제는 다양한 분야에서 중요한 과제로 떠오르고 있습니다. 인공지능(AI), 추천 시스템, 검색 엔진, 계산 생물학 등 여러 응용 분야에서 유사한 요소를 식별하는 효율적인 방법이 필수적입니다. 예를 들어, 입력 이미지와 유사한 이미지를 검색하거나, 센서 데이터에서 이상 징후를 감지하거나, 데이터베이스에서 관련 기사를 찾는 경우가 이에 해당합니다.하지만 데이터셋 크기와 차원이 증가함에 따라 전통적인 유사도 검색 방법은 계산 비용이 지나치게 커지는 문제가 발생합니다. 이를 해결하기 위해 연구자들은 근사 최근접 이웃(ANN, Approximate Nearest Neighbor) 검색과 .. 더보기
위험 상황 조기 감지 및 인터랙티브 알람 생성을 위한 모의 테스트 방법 및 리빙 랩 구축 방법 위험 상황 조기 감지 및 인터랙티브 알람 생성을 위한 모의 테스트 방법 및 리빙 랩 구축 방법목표작업자 위험 감지 시스템의 효과를 검증하기 위해 모의 테스트 환경 및 **리빙 랩(Living Lab)**을 구축합니다. 이는 작업자 위험 감지 모델, 인터랙티브 알람, 페르소나 기반 시스템을 실제 상황에 가까운 환경에서 테스트하는 것을 목표로 합니다.1. 모의 테스트 방법론1단계: 시나리오 설계대표적인 시나리오 정의:페르소나 모델에 기반하여 현실적이고 빈번히 발생할 수 있는 위험 상황을 정의합니다.시나리오 1: 작업자가 이동 중 기계의 위험 구역에 접근.시나리오 2: 작업자가 화학물질 유출로 어지러움을 호소.시나리오 3: 정비 작업 중 추락 발생.시나리오 4: 자동화 로봇 팔 근처에서 발생하는 근접 경고.페.. 더보기
페르소나 모델 기법을 활용한 위험 상황 조기 감지 및 대화형 경보 생성을 위한 개발 방법개요 페르소나 모델 기법을 활용한 위험 상황 조기 감지 및 대화형 경보 생성을 위한 개발 방법개요작업자 위험 상황의 조기 감지 및 대화형 경보 생성을 위한 시스템을 구현하기 위해 페르소나 모델 기법을 사용할 수 있습니다. 이 기술에는 위험 감지 및 대응을 개인화하기 위한 자세한 작업자 프로필을 만드는 작업이 포함됩니다. 이 시스템은 오디오, 비디오, 레이더와 같은 센서의 실시간 데이터를 활용하고 사전 정의된 작업자 페르소나를 기반으로 위험 상황을 동적으로 예측하고 대응합니다.주요 개념페르소나 모델:페르소나는 일반적인 행동, 움직임, 작업, 환경적 상호 작용을 포함하는 작업자의 상세한 프로필입니다.페르소나는 역할(예: 기계 운영자, 유지보수 작업자), 신체적 능력, 위험 노출 수준에 따라 분류됩니다.대화형 경보.. 더보기
텍스트 데이터 벡터화 방법 및 작업자 위험 시나리오의 예제별 테스트 텍스트 데이터 벡터화 방법 및 작업자 위험 시나리오의 예제별 테스트목표오디오에서 추출된 텍스트 데이터를 벡터화하고, 유사한 과거 사례를 식별하거나 적절한 대응을 생성하기 위해 벡터 데이터베이스를 활용합니다. 이는 작업자 위험 상황(예: 낙상, 위험 장비 근처 접근, 유해 물질 노출)을 실시간으로 처리하고 분석하는 데 사용됩니다.테스트 설정데이터 소스:음성 인식 시스템(예: Whisper, NVIDIA Riva)으로 처리된 오디오에서 추출된 텍스트 데이터.텍스트는 작업자 위험을 설명하는 문장으로 구성됩니다.벡터화 방법:SentenceTransformers (예: all-MiniLM-L6-v2).OpenAI의 CLIP 텍스트 인코더.DistilBERT 임베딩.벡터 데이터베이스:FAISS를 사용하여 유사성 검.. 더보기
임베디드 마이크 시스템(USB)을 사용하여 Ubuntu에서 심층적인 소음 억제를 구현하는 개발 방법 및 예제 임베디드 마이크 시스템(USB)을 사용하여 Ubuntu에서 심층적인 소음 억제를 구현하는 개발 방법 및 예목적DNS(Deep Noise Suppression) 방법을 사용하여 Ubuntu 기반 플랫폼에서 USB 연결 내장형 마이크 ​​시스템용 소음 억제 솔루션을 구현합니다. 여기에는 환경 소음을 최소화하여 음성 선명도를 향상시키는 실시간 오디오 처리가 포함됩니다.개발 방법1. 개발 환경 설정Ubuntu 설치:오디오 라이브러리 및 도구와의 호환성을 위해 Ubuntu 20.04 이상을 사용하십시오.필요한 라이브러리 및 도구 설치:오디오 라이브러리:PortAudio: 크로스 플랫폼 오디오 입력/출력용.PySoundFile: 오디오 파일 조작용.Librosa: 오디오 전처리용.DNS 프레임워크:Microsoft.. 더보기