선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 1종(승용)과 3종(2축트럭)의 차종을 구분하기 위한 학습을 진행하였으며, 향후 12종 및 확장 데이터를 구분하는 학습을 진행하여 데이터 다양한 데이터 및 정확도를 공공으로 제공하고자 한다.
- 또한, 기존 교통량 수집의 단점을 극복하고 차종 분류의 정확도를 높이는 기술의 가능성에 대해 검증한다는것에 의의를 가지고 있다. 최근 10여 년간 교통안전문제들로 인한 비효용지표의 심각성을 인식한 선진국들은교통사고를 획기적으로 예방하기 위한 협력형 지능형교통시스템(cooperative ITS) 구상에 집중하고 있다.
- 차량을 적외선 카메라를 이용하여 차량상태, 차량 내부 온도, 차량 주행 시간 등을 딥러닝을 통해 분석하였다. 또한, 주행 중 자동차의 발화에 대한 예측모델에 대해 제안하였다.
- 본 연구에서는 루프센서를 통한 교통량 수집방식의 오류를 해결하기 위해 1종(승용차)과 3종(2축 트럭)의 구분이 어려운 부분과 영상 이미지의 단점을 보완하기 위해 도로변에 열화상 카메라를 설치하여 영상 이미지를 수집하였다. 기존 루프센서로는 1종(승용차)과 3종(2축트럭)의 길이가 같아지는 현재 상황을 반영하지 못하여 오류가 발생하며, 야간 등의 외부 환경의 요인으로 발생하는 오류를 보완하기 위해 열화상 카메라를 선정하였다.
제안 방법
- (Cheng et al., 2019) 교량 데크의 박리평가에 대해 열화상 이미지를 활용하여 온도 대비 및 모양 확산에 대해 검토하였다. CNN(Convolutional Neural Network)기반으로 적용 모델은 DenseNet (Dense Convolutional Network)을 적용하였으며, 케이스별 열화상 이미지 445, 413, 511장에 대해 학습을 시행하였다.
- AI 영상(열화상)인식 기반의 차종 분류를 달성하기 위해 CNN 방법을 사용하였으며, 기존 매설식 차종 분류의 오류가 발생하고 있는 1종(승용)과 3종(2축트럭)에 대하여 우선 데이터 수집 및 분류를 수행하였다. 제한적인 데이터양과 품질에도 불구하고 검증데이터 셋의 97.
- , 2017) 대규모 교통감시 영상으로 차종분류를 진행하였다. Vehicle Dataset의 모든 이미지는 조명, 소음, 해상도, 카메라 각도 및 날씨의 변화를 포함하여 실제 고속도로 감시 카메라에서 이미지를 추출하였으며, 차량은 버스, 자동차, 오토바이, 미니 버스, 트럭 및 밴의 6 가지로 구분하였다. 기본적으로 Caffe 플랫폼의 GoogLeNete 초기 모델을 얻기 위해 ILSVRC-2012 데이터 셋에 대해 먼저 사전 학습진행하였고, 추가적으로 감시 카메라 영상에서 얻은 13, 700개의 이미지로 추가 학습을 진행하였다.
- 박리 모양을 정확하게 판단할 수 있었으나, 학습데이터 보강, 박리면적에 대해 체적인 판단 등의 한계점을 나타냈다. 건설 유지관리 측면의 (Ali, 2019)열화상 측정을 사용하여 교량의 철재 요소의 지하 손상을 감지하는 새로운 딥러닝 기반 방법을 제안하였다. 매니토바 주 위니펙의 알링턴 다리에 있는 구조용 강철 요소의 열화상 이미지를 활용해 비냉각식 마이크로 볼로미터를 사용하여 이미지화 한 다음 학습 분석을 시행하였다.
- 각 MaxPooling 층에 Pool size = (2, 2)로 설정하였고 2D Convolution 층의 Kernel size와 Strides는 각각 (12, 12)와 (2, 2)로 설정하였다. 과적합을 방지하기 위해 각 Layer 마다 25%의 Dropout을 설정하였다. 분류문제 이므로 Output Layer의 Activatione ‘Softmax’를 설정하였고 그외의 Layer들은 ‘Relu’로 설정하였다.
- 그리고 네트워크에 따라 학습결과의 차이를 확인하기 위해 과 같이 레이어 수와 각 레이어의 노드 수를 다르게 하여 학습계획을 수립하였다.
- Vehicle Dataset의 모든 이미지는 조명, 소음, 해상도, 카메라 각도 및 날씨의 변화를 포함하여 실제 고속도로 감시 카메라에서 이미지를 추출하였으며, 차량은 버스, 자동차, 오토바이, 미니 버스, 트럭 및 밴의 6 가지로 구분하였다. 기본적으로 Caffe 플랫폼의 GoogLeNete 초기 모델을 얻기 위해 ILSVRC-2012 데이터 셋에 대해 먼저 사전 학습진행하였고, 추가적으로 감시 카메라 영상에서 얻은 13, 700개의 이미지로 추가 학습을 진행하였다. 평균 차총 분류 정확도는 98.
- 수집하였다. 기존 루프센서로는 1종(승용차)과 3종(2축트럭)의 길이가 같아지는 현재 상황을 반영하지 못하여 오류가 발생하며, 야간 등의 외부 환경의 요인으로 발생하는 오류를 보완하기 위해 열화상 카메라를 선정하였다.
- 또한, 야간, 눈, 비 등의 외부환경의 영향을 최소화하기 위해 열화상 카메라를 사용하여 정확도를 높이는데 기여하였다.
- 건설 유지관리 측면의 (Ali, 2019)열화상 측정을 사용하여 교량의 철재 요소의 지하 손상을 감지하는 새로운 딥러닝 기반 방법을 제안하였다. 매니토바 주 위니펙의 알링턴 다리에 있는 구조용 강철 요소의 열화상 이미지를 활용해 비냉각식 마이크로 볼로미터를 사용하여 이미지화 한 다음 학습 분석을 시행하였다. 96%의 최대테스트 정확도를 달성했습니다.
- 영상 이미지를 활용한 차종 분류방식은 다양하며, (Audebert et al., 2017)항공 이미지 활용하여 차량 이미지를 추출 및 분류를 시행하였다. 학습이미지는 LeNet, AlexNet의 오픈소스를 활용하여 학습을 진행하였으며, 항공 이미지의 차량에 대해 CNN(Convolutional Neural Network) 모델을 적용하였다.
- , 2007) 비디오 기반 차량 감지 분류 시스템은 트럭 데이터 수집을 위해 개발되어 사용되고 있다. 이는 사용 중인 감시카메라에서 배경을 추출하여 여러 컴퓨터 비전 기반 알고리즘을 사용하여 차종에 대행 구분하였다. 트럭이라는 한가지 차종에 대해 구분을 시행하였으며, 정확도는 97%이상 높은 정확도를 나타냈다
- 이를 통해 객체 인식 오픈소스를 활용하여 영상이미지를 통한 차종 분류 검증을 시행하였다.(Taek Lee and Chung, 2017; Zhao et al.
- (Ramesh, 2017) 열화상 카메라 이미지를 딥러닝에 적용하였다. 주행중인 차량의 적외선 이미지를 도로에서캡쳐하여 학습하였다. 차량을 적외선 카메라를 이용하여 차량상태, 차량 내부 온도, 차량 주행 시간 등을 딥러닝을 통해 분석하였다.
- 학습이미지는 LeNet, AlexNet의 오픈소스를 활용하여 학습을 진행하였으며, 항공 이미지의 차량에 대해 CNN(Convolutional Neural Network) 모델을 적용하였다. 차량 2357개 개체에대해 검증하였으며, 80%이상의 평균 정확도로 차량을 분류하였다.
- 차량 분류방식에는 (Kaewkamnerd et al., 2009) 지자기 센서로 차량 자기 길이, 평균 에너지, 패턴 등 기반으로 실시간 차량 분류를 시행하였다. 오토바이, 자동차, 픽업트럭, 밴의 4가지로 차종을 분류하였으며, 오토바이는 95%의 정확도를 나타냈다.
- 주행중인 차량의 적외선 이미지를 도로에서캡쳐하여 학습하였다. 차량을 적외선 카메라를 이용하여 차량상태, 차량 내부 온도, 차량 주행 시간 등을 딥러닝을 통해 분석하였다. 또한, 주행 중 자동차의 발화에 대한 예측모델에 대해 제안하였다.
- FCNe 1차원으로만 적용할 수 있는데에 비해 CNNe 2D 이미지 데이터나 3D 에 활용 할 수 있기 때문에 공간 정보의 손실을 방지할 수 있다. 특정 크기의 필터를 이동하면서 계산을 진행한다. 필터가 이동하는 일정한 간격을 stride라 한다.
- 현재 도로 교통량 조사는 루프 센서 방식으로 차종을 분류하고 있으나, 1종(승용)과 3종(2축트럭)의 차량길이가 같아져 루프센서로 추출하는 것에 대한 한계를 보이고 있어, 이를 보완하기 위해 도로변에 영상(열화상) 카메라를 설치하여 AI 영상인식 방식의 1종(승용)과 3종(2축트럭) 차종 분류를 시행하였다.
대상 데이터
- 2019년 3월부터 6월까지 Test Bed에서 수집한 정지영상을 대상으로 labeling을 진행하였으며, 총 17, 536대의 차량 이미지(640x480 pixel)에 대해 시행하였다. 차종분류 결과 <Fig.
- 4>의 1종 차종 9, 804장, <Fig. 5>의 3 종 차종 3, 275장을 확보하였다. 해당데이터는 차량 두대 이상 나란히 달리고 있거나 화각 밖으로 나가서 잘린 이미지들은 제외하였다.
- 해당데이터는 차량 두대 이상 나란히 달리고 있거나 화각 밖으로 나가서 잘린 이미지들은 제외하였다. 그중에 1종 826장, 3종 295장을 임의로 선정하여 테스트 셋으로 만들었다. 테스트 셋에는 주간과 야간에 취득한 데이터가 포함되도록 하였다.
- 번호 인식 카메라에서 레이져 센서를 통해 차량이 통과할때의 이미지를 저장하여 데이터를 수집하였다. 기본적으로 번호 인식 카메라의 인식율은 95% 이상으로 이상적인 수준의 기존 기술을 적용한 것이며.
- 수집된 영상 이미지를 레이블링 단계를 거쳐 1종(승용차)과 3종(2축트럭)의 학습데이터를 구성하였다. 이를 통해 객체 인식 오픈소스를 활용하여 영상이미지를 통한 차종 분류 검증을 시행하였다.
- 3>과 같이 설치하여 Test bad를 검증하고자 하였다. 열화상 이미지 수집을 위해 서울 방면의 2차로에 각각 카메라를 두 대씩 설치하였으며, 번호 인식 카메라를 통한 차량의 정지영상을 수집하였다. 다양한 데이터를 수집하기 위해 차종별 통행이 다양한 지점을 선정하였다.
- , 2020) 실시간 차종분류하기 위해 SVM (Support Vector Machine)과 YOLO(You Only Look Once) 모델을 조합 성능을 높혔다. 영상에서 얻은 4944개의 이미지를 버스, 미니 밴, 미니 버스, 트럭, 자동차의 다섯 가지 클래스 레이블링하여 학습을 진행하였고 75% 학습과 25%검증 데이터로 구분하였다.
- 96%의 최대테스트 정확도를 달성했습니다. 학습데이터는 열화상 이미지 2000장을 생성하였고 1600개는 학습 400개는 테스트를 진행하였다. (Choi and Cho, 2018)열화상 이미지를 활용하여 DCNN 알고리즘을 적용으로 자동 누수를 판별하고 현장에 직접 적용하여 정확도를 검증하였다.
이론/모형
- , 2019) 교량 데크의 박리평가에 대해 열화상 이미지를 활용하여 온도 대비 및 모양 확산에 대해 검토하였다. CNN(Convolutional Neural Network)기반으로 적용 모델은 DenseNet (Dense Convolutional Network)을 적용하였으며, 케이스별 열화상 이미지 445, 413, 511장에 대해 학습을 시행하였다. 박리 모양을 정확하게 판단할 수 있었으나, 학습데이터 보강, 박리면적에 대해 체적인 판단 등의 한계점을 나타냈다.
- , 2017)항공 이미지 활용하여 차량 이미지를 추출 및 분류를 시행하였다. 학습이미지는 LeNet, AlexNet의 오픈소스를 활용하여 학습을 진행하였으며, 항공 이미지의 차량에 대해 CNN(Convolutional Neural Network) 모델을 적용하였다. 차량 2357개 개체에대해 검증하였으며, 80%이상의 평균 정확도로 차량을 분류하였다.
성능/효과
- 수렴해가는 과정이 보여졌고, 테스트셋에서의 정확도가 크게 차이 나지 않으므로 과적합이나 과소 적합은 발생하지 않았다. 각 Epoch마다 차이는 있었으나 항상 97% 에서 98% 정도의 분류정확도를 나타내는 것을 확인하여 현재 교통량 조사 장비의 정확도 기준인 95%를 만족하는 성능이다. 양질의 데이터셋을 확보하거나 K-fold cross validation 등 정확도를 높일 수 있는 기술을 도입한다면 더 높은 정확도를 기대할 수 있을 것이다.
- , 2009) 지자기 센서로 차량 자기 길이, 평균 에너지, 패턴 등 기반으로 실시간 차량 분류를 시행하였다. 오토바이, 자동차, 픽업트럭, 밴의 4가지로 차종을 분류하였으며, 오토바이는 95%의 정확도를 나타냈다. 자동차, 픽업트럭, 밴의 정확도는 68%, 82%, 71%로 검지율을 나타냈다.
- 오토바이, 자동차, 픽업트럭, 밴의 4가지로 차종을 분류하였으며, 오토바이는 95%의 정확도를 나타냈다. 자동차, 픽업트럭, 밴의 정확도는 68%, 82%, 71%로 검지율을 나타냈다. 차량길이가 확연한 차이가 있을떄 분류의 정확도가 높았으며, 차량의 길이가 유사한 차종에 대해서는 분류가 어려운 것으로 나타났다.
- 제한적인 데이터양과 품질에도 불구하고 검증데이터 셋의 97.7%의 분류정확도를 나타내었다.
- 자동차, 픽업트럭, 밴의 정확도는 68%, 82%, 71%로 검지율을 나타냈다. 차량길이가 확연한 차이가 있을떄 분류의 정확도가 높았으며, 차량의 길이가 유사한 차종에 대해서는 분류가 어려운 것으로 나타났다.
- 최종 Epoch의 검증셋 정확도는 97.7% 를 나타내었다. <Fig.
- 이는 사용 중인 감시카메라에서 배경을 추출하여 여러 컴퓨터 비전 기반 알고리즘을 사용하여 차종에 대행 구분하였다. 트럭이라는 한가지 차종에 대해 구분을 시행하였으며, 정확도는 97%이상 높은 정확도를 나타냈다
- 기본적으로 Caffe 플랫폼의 GoogLeNete 초기 모델을 얻기 위해 ILSVRC-2012 데이터 셋에 대해 먼저 사전 학습진행하였고, 추가적으로 감시 카메라 영상에서 얻은 13, 700개의 이미지로 추가 학습을 진행하였다. 평균 차총 분류 정확도는 98.2%정도로 매우 높은 정확도를 나타내며, 다양한 환경의 데이터 셋 구축으로 이상적인 조건이 아닌 상황에서도 정확도가 높음을 알 수 있었다. (Şentaş et al.
후속연구
- AI 영상인식 기반의 도로 교통량 수집으로 루프센서방식의 수집보다 더욱 다양한 데이터를 확보 할 수 있으며, AI 영상인식 기반의 교통량 수집 장비 기술개발을 가속화 할 수 있는 기초 데이터로 활용 될 것이다.
- 또한, 국가 통계 공공데이터로 국가정책, 산업, 연구 등에 지속해서로 활용되며, 도로 교통량 통계 데이터의 신뢰도 및 활용도가 높아질 것이다.
- 향후 본 연구에서 진행하지 못한 실측 데이터(동영상)와 비교분석을 하여 검증을 하여야 한다. 또한, 더욱더 많은 학습데이터를 축적한다면 12종 차종 분류가 가능할 것이며, AI기반 영상인식으로 12종 차종뿐만 아니라 다양한(친환경 차량, 도로 법규 위반차량, 이륜자동차 등) 차종 분류를 할 수 있을 것이다.
- 각 Epoch마다 차이는 있었으나 항상 97% 에서 98% 정도의 분류정확도를 나타내는 것을 확인하여 현재 교통량 조사 장비의 정확도 기준인 95%를 만족하는 성능이다. 양질의 데이터셋을 확보하거나 K-fold cross validation 등 정확도를 높일 수 있는 기술을 도입한다면 더 높은 정확도를 기대할 수 있을 것이다.
- 이는 AI 영상인식 기반의 도로 교통량 데이터 수집 가능성을 보여주는 것이라 판단되며, 일반 카메라의단점을 보완하기 위해 열화상으로 실험을 진행하였으나, 추후 일반 영상도 진행하여 비교분석을 진행 할 필요가 있다. 이에 따른 문제점 및 보완 사항을 추가하여 카메라 기능을 선정하는 것이 필요하다.
- 향후 본 연구에서 진행하지 못한 실측 데이터(동영상)와 비교분석을 하여 검증을 하여야 한다. 또한, 더욱더 많은 학습데이터를 축적한다면 12종 차종 분류가 가능할 것이며, AI기반 영상인식으로 12종 차종뿐만 아니라 다양한(친환경 차량, 도로 법규 위반차량, 이륜자동차 등) 차종 분류를 할 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.