탄소중립 전략 가속화로 재생에너지 보급이 확대되면서 현대 전력 시스템의 안정적 운영에 대한 요구가 증대되고 있습니다. 고전압, 강한 전자기 간섭, 고온 환경에서 작동하는 핵심 전력 설비의 고장은 시스템 연쇄 고장과 막대한 경제적 손실로 이어질 수 있습니다. 본 연구는 낮은 검사 효율, 제한된 고장 식별 정확도, 강한 전자기 간섭 환경에서의 불안정한 데이터 전송 문제를 해결하고자 다중 기술 통합 기반의 지능형 전력 설비 검사 시스템을 제안합니다.
제안된 시스템은 Wi-Fi 및 4G 셀룰러 통신을 결합한 이중 모드 무선 전송 아키텍처를 채택하여 적응형 링크 전환 및 간섭 방지 최적화를 통해 신뢰할 수 있는 데이터 전송을 보장합니다. 또한, OpenCV 기술이 통합된 YOLOv8 객체 감지 알고리즘으로 정밀한 시각적 고장 식별을 가능하게 합니다. 다중 소스 데이터 융합 전략은 진단 정확도를 향상시키며, 수냉식 하위 시스템 전용 모니터링 체계를 개발하여 냉각 성능과 고장 상태를 동시에 평가합니다.
실험 결과, 제안된 시스템은 95.5% 이상의 고장 진단 정확도를 달성하여 현대 전력 시스템의 지능형 검사 요구 사항을 효과적으로 충족함을 입증했습니다. 이는 핵심 전력 설비의 운영 및 유지보수에 강력한 기술 지원을 제공합니다.
도로 파손은 교통 흐름을 방해하고 사고 위험을 높이는 심각한 문제로, 신속하고 정확한 감지 및 분류는 효율적인 유지보수를 위해 필수적입니다. 본 연구는 모바일 애플리케이션 환경에서 도로 파손을 감지하고 분류하는 데 사용되는 두 가지 객체 감지 알고리즘인 YOLOv8과 SSD-MobileNet의 성능을 비교했습니다.
성능 평가는 정확도, 속도, 메모리 사용량을 기준으로 진행되었으며, 혼동 행렬을 사용하여 블록 균열, 악어 등 균열, 횡방향 균열, 모서리 균열, 패치, 움푹 들어간 곳의 6가지 도로 파손 유형을 분류했습니다.
연구 결과, YOLOv8은 86.4%의 전반적인 정확도와 0.5ms의 감지 속도, 0.41GB의 RAM을 소비했습니다. 반면, SSD-MobileNet은 91.1%의 전반적인 정확도와 0.7ms의 속도, 0.14GB의 RAM을 소비하는 것으로 나타났습니다.
이러한 비교를 통해 YOLOv8은 감지 속도에서 우위를 보였고, SSD-MobileNet은 더 높은 정확도와 효율적인 메모리 사용량을 제공함을 확인했습니다. 본 연구는 제한된 모바일 환경에서 모델 구현 시 정확도, 속도, 메모리 간의 상충 관계에 대한 중요한 통찰을 제공하며, 향후 연구에서는 메모리 사용량 감소를 위한 모델 가지치기(pruning) 탐색을 권장합니다.
