연구부 정보통신연구소는 미래 지능 정보화 사회 구현을 위한 IT 기술 리더 연구소로서,
우리나라 정보통신분야를 이끄는데 많은 기여를 할 것입니다.

연구부

연구부장 인사말

연구부장 한준희 교수 한준희 교수University of Michigan, 1988
  • 소속포항공과대학교 정보통신연구소
  • 전공분야
    Computer Vision, Pattern Recognition, Medical Image Analysys, Deep Rein-forcement Learning, Video-Analysis
  • E-mailjoonhan@postech.ac.kr

최근 인공지능, 빅데이터, IoT 분야를 중심으로 산업 기술이 새롭게 조명되면서 국가기관을 비롯한 산업체들의 투자와 관심이 높아지고 있습니다. 또한, 최근 벤처지원, 산학연 집단 연구에서 초기 비용투자의 필요성 증가와 리스크가 강한 과제의 경우 기술, 시장 등의 사전조사에 비용 투자가 증가하고 있는 것도 사실입니다.

이에 정보통신연구소 연구부는 산업의 요구 사항에 신속 · 능동적으로 대처할 수 있는 조직을 갖추고, 산학연의 집단연구 및 수행과 기술이전을 비롯한 자체 사업화연계 연구개발 지원체계를 갖추고 있습니다.

정보통신연구소 연구부에서는 산업체가 갖고 있는 다양한 문제들을 해결하기 위하여 인공지능/IoT 분야에 대한 연구를 진행하고 있습니다.

AI(Computer Vision) 관련 연구

정보통신연구소 연구부에서는 산업체가 갖고 있는 다양한 문제들을 해결하기 위해 인공지능 분야에 대한 연구를 진행하고 있습니다. 특히, Computer Vision과 관련된 분야의 연구를 적극적으로 진행하고 있으며, 관련 프로젝트로 딥러닝 기반의 결함분류모델 개발 프로젝트가 있습니다.

이미지 데이터 전처리 예시,  Deep Neutal Betwork

IoT 관련 연구

정보통신연구소 연구부에서는 IoT와 관련된 연구를 활발하게 진행중입니다. 특히 센서로부터 얻어진 데이터를 이용하여 이상(anomaly)을 예측·감지하는 분야에 대해 활발하게 연구 중이며, 그 예로 지진 발생 후 출입 위험 건물 탐색 프로젝트가 있습니다.

연구소장 홍원빈 교수

구성원 소개

    한준희 교수
    한준희 교수 University of Michigan, 1988 Contact Information 031-723-3737
    • 소      속포항공과대학교 정보통신연구소
    • 사 무 실정보통신연구소 판교 R&BD사무소
    • 연구분야Computer Vision, Video Analysis, Visual Surveillance, Medical Image Analysis
    김경준 연구부교수
    김경준 연구부교수 Kyungpook National University, 2005 Contact Information 054-279-5681
    • 소      속포항공과대학교 정보통신연구소
    • 사 무 실정보통신연구소 234호
    • 연구분야Future Internet, Connected Communication, Smart Push Technology
    김동주 연구부교수
    김동주 연구부교수 Sungkyunkwan University, 2010 Contact Information 054-279-5682
    • 소      속포항공과대학교 정보통신연구소
    • 사 무 실정보통신연구소 234호
    • 연구분야Computer Vision, Face Recognition, Deep Learning
    노한얼 선임연구원
    노한얼 선임연구원 POSTECH, 2010 Contact Information 054-279-5683
    • 소      속포항공과대학교 정보통신연구소
    • 사 무 실정보통신연구소 234호
    • 연구분야Computer Vision, Medical Image Analysis, Deep Learning
    김바롬 연구원
    김바롬 연구원 Contact Information 054-279-5685
    • 소      속포항공과대학교 정보통신연구소
    • 사 무 실정보통신연구소 234호
    • 연구분야Fault Classification, Time Series Prediction, Multi-sensor Signal Processing
    백승엽 연구원
    백승엽 연구원 Contact Information 054-279-5687
    • 소      속포항공과대학교 정보통신연구소
    • 사 무 실정보통신연구소 234호
    • 연구분야Novelty Detection, Object Detection, Time-Series Prediction
    서예인 연구원
    서예인 연구원 Contact Information 054-279-5678
    • 소      속포항공과대학교 정보통신연구소
    • 사 무 실정보통신연구소 234호
    • 연구분야Unsupervised Fault Detection, Convolutional neural network, Deep Learning
    서찬양 연구원
    서찬양 연구원 Contact Information 054-279-5689
    • 소      속포항공과대학교 정보통신연구소
    • 사 무 실정보통신연구소 234호
    • 연구분야Recurrent Neural Network, Deep Reinforcement Learning, Deep Learning
    이영현 연구원
    이영현 연구원 Contact Information 054-279-5688
    • 소      속포항공과대학교 정보통신연구소
    • 사 무 실정보통신연구소 234호
    • 연구분야Anomaly Detection, Time Series Prediction, Recurrent Neural Network

스마트 제조 플랫폼을 위한 고장 예지 · 진단 기술 개발

스마트 공장에서 자동화 설비의 고장을 미리 예측하여 가용성 및 유지보수 효과를 극대화

  • 연구 개요
    • LSTM 순환신경망 모델 기반 로봇팔 동력전달부 이상탐지
  • 연구 기간
    • 2017년11월 ~ 2019년05월
  • 연구 지원 기관
    • 구미전자정보기술원 / 8억원
  • 연구내용 및 성과
    • 제조 로봇 시계열 센서 데이터 분석 및 전처리 모듈 개발
      • 센서데이터로부터 노이즈를 제거하고 데이터 후보군을 추출하기 위한 데이터 필터링 기법 개발
    • 시계열 센서 데이터 특성을 고려한 기계학습/딥러닝 모델 개발
    • Seq2Seq 모델에 의해 입력 전류 값과 출력 각도 값을 관찰함으로써 로봇 팔의 결함 탐지 · 로봇 팔 고장 진단 및 예측 가능
      • 산업용 장비들의 고장을 조기에 발견하고 진단하여 효율적이고 정확한 정비 스케줄링 가능
      • 개별 시스템의 고장으로 전체 공정이 중단되는 사태를 막아 비용 손실을 최소화
    • 관련 특허 출원
      • 로봇 팔의 고장 진단 및 예측 방법{METHOD FOR DIAGNOSING AND PREDICTING ROBOT ARM'S FAILURE}
  • 응용분야

Big 5G 디스패치 기술 연구

5G 기반 디바이스(5GD)가 IoT환경에서 종단간의 실시간 반응 및 데이터전달을 통해 원거리 특정 장소에 안전하게 도착

  • 연구 개요
    • M2D 통신기술과 이동간 데이터 Push 기술, Mobile 5GD를 위한 측위 기술 및 3차원 detection 기술
  • 연구 기간
    • 2016년 ~ 2021년
  • 연구내용 및 성과
    • 5G 기반 디바이스(5GD)가 IoT환경에서 종단간의 실시간 반응 및 데이터 전달을 통해 원거리 특정 장소에 안전하게 도착

딥러닝 결함 분류 모델

이상상태 영역 검출분류 및 단계추정을 위한 인공지능 알고리즘 개발

  • 연구 개요
    • 딥러닝 결함 분류 모델 개발
  • 연구 기간
    • 2018년 02월 ~ 2019.01월
  • 연구내용 및 성과
    • 영상 데이터 구성 및 분석
      • 특정 결함에 데이터가 편중되어 있음 → 충분한 데이터의 확보 필요
        • 영상 수집 및 가공 : 결함 영상 수집 / 결함 종류별 영상 패치 정보 가공
        • 영상 분석 및 데이터 구성 : 영상 획득(조명, 각도 등) 환경 및 상태에 따른 결함 정보 분석
    • 추가 데이터 수집을 위한 Labeling tool 개발
    • 영상 데이터 구성 및 분석
      • 영상 전처리 : 분류 정확도 향상을 위한 Data augmentation 기법 연구 / 다양한 Data augmentation기법 적용 및 효과 분석
      • 결함 분류 알고리즘 개발 : 딥러닝 기반의 결함 분류 알고리즘 개발 및 테스트 / 결함 분류 정량화 알고리즘 개발
    • 결함 분류기 처리 속도 개선
      • C++ 기반의 소스코드 작성 : 결함 분류기의 속도 개선을 위한 C++기반의 소스코드 작성 / CPU 환경에서의 결함 분류기 최적화
      • GPU 가속화 : GPU환경에서 실행 가능한 결함 분류기 개발 / 결함 분류기 처리 속도를 GPU 최적화
    • 모델 성능 평가
      • 기존의 Machine Learning기법인 Decision Tree와 SVM을 활용하여 결함을 분류했을 때 84%의 분류율을 보이던 기술 수준을 딥러닝 기법을 사용하여 분류율 95%까지 향상시킴
        • 모델 종류: Inception-resnet v2
        • 입력 이미지 크기: 299 x 299
        • 전처리: Center Cropping & Resize
        • 정확도: 약 95%
연구문의
TOP