[논문]딥러닝 기반 컨테이너 적재 정렬 상태 및 사고 위험도 검출 기법

연정흠; 서용욱; 김상우; 오세영; 정준호; 박진효; 김성희; 윤주상

doi:10.3745/ktccs.2022.11.11.411

딥러닝 기반 컨테이너 적재 정렬 상태 및 사고 위험도 검출 기법
Shipping Container Load State and Accident Risk Detection Techniques Based Deep Learning 원문보기

정보처리학회논문지. KIPS transactions on computer and communication systems 컴퓨터 및 통신 시스템, v.11 no.11, 2022년, pp.411 - 418

연정흠 (부산항만공사 항만 R&D실) , 서용욱 ((주)서안에스앤씨) , 김상우 ((주)서안에스앤씨) , 오세영 (동의대학교 IT융합학과) , 정준호 (동의대학교 IT융합학과) , 박진효 (동의대학교 IT융합학과) , 김성희 (동의대학교 산업융합시스템공학부) , 윤주상 (동의대학교 산업ICT기술공학과)

초록
AI-Helper

최근 항만에서는 부정확한 컨테이너 적재로 인해 컨테이너가 강풍에 쉽게 쓰러지는 컨테이너 붕괴 사고가 빈번이 발생하고 있으며 이는 물적 피해와 항만 시스템 마비로 이어지고 있다. 본 논문에서는 이런 사고를 미연에 방지하기 위해 딥러닝 기반 컨테이너 적재 상태 및 사고 위험도 검출 시스템을 제안한다. 제안된 시스템은 darknet 기반 YOLO 모델을 활용하여 컨테이너 상하의 코너캐스팅을 통해 컨테이너 정렬 상태를 실시간으로 파악하고 관리자에게 사고 위험도를 알리는 시스템이다. 제안된 시스템은 추론 속도, 분류 정확도, 검출 정확도 등을 성능 지표와 실제 구현 환경에서 최적의 성능을 보인 YOLOv4 모델을 객체 인식 알고리즘 모델로 선택하였다. 제안된 알고리즘인 YOLOv4가 YOLOv3보다 추론속도와 FPS의 성능 측면에서 낮은 성능을 보이기는 했지만, 분류 정확도와 검출 정확도에서 강력한 성능을 보임을 증명하였다.

Abstract ▼ AI-Helper

Incorrectly loaded containers can easily knock down by strong winds. Container collapse accidents can lead to material damage and paralysis of the port system. In this paper, We propose a deep learning-based container loading state and accident risk detection technique. Using Darknet-based YOLO, the container load status identifies in real-time through corner casting on the top and bottom of the container, and the risk of accidents notifies the manager. We present criteria for classifying container alignment states and select efficient learning algorithms based on inference speed, classification accuracy, detection accuracy, and FPS in real embedded devices in the same environment. The study found that YOLOv4 had a weaker inference speed and performance of FPS than YOLOv3, but showed strong performance in classification accuracy and detection accuracy.

주제어

표/그림 (14)

그림 Fig. 1. Faster R-CNN Architecture[10]
그림 Fig. 2. Yolov1 Architecture[14]
그림 Fig. 3. Comparison Graph for YOLOv4[20]
표 Table 1. Compare with YOLOv2[15]
표 Table 2. Compare with YOLOv3 [16]
그림 Fig. 4. Classification by Object
그림 Fig. 5. Flowchart for Detecting Container Load State
표 Table 3. Object_id for Class
그림 Fig. 6. Inference Results by Model
표 Table 4. Number of Objects
표 Table 5. Speed of Inference per Image
표 Table 6. Result for Detection Model
표 Table 7. Classification Result
표 Table 8. FPS on Embedded Device

참고문헌 (20)

T. H. Lee, "Smart port policy trend of europe and singapore？and its political implications," Journal of Korea Port？Economic Association, Vol.36, No.1, pp.77-90, 2020.

원문보기 상세보기
C. A. Duran, C. Fernandez-Campusano, R. Carrasco, M.？Vargas, and A. Navarrete, "Boosting the decision-making？in smart ports by using blockchain," IEEE Access, Vol.9,？pp.128055-128068, 2021.

상세보기
E. Nishimura, "Yard arrangement problem with the external truck arrival," 2021 IEEE International Conference on？Industrial Engineering and Engineering Management？(IEEM), pp.88-92, 2021.
G. Parise, L. Parise, L. Martirano, P. B. Chavdarian, C. -L.？Su, and A. Ferrante, "Wise port and business energy management: Port facilities, electrical power distribution,"？IEEE Transactions on Industry Applications, Vol.52, No.1,？pp.18-24, 2016.

상세보기
K. -L. A. Yau, S. Peng, J. Qadir, Y. -C. Low, and M. H.？Ling, "Towards smart port infrastructures: enhancing port？activities using information and communications technology," IEEE Access, Vol.8, pp.83387-83404, 2020.

상세보기
Container Cargo Processing Performance (2022) [Internet],？https://www.index.go.kr/potal/main/EachDtlPageDetail.d？o?idx_cd1267#quick_02.
S. Y. Oh, J. H. Jeong, B. Choi, J. H. Yeon, Y. U. Seo, S.？W. Kim, and J. S. Youn, "A study on deep learning model？for container load status monitoring," Proceedings of the？Annual Spring Conference of Korea Information Processing Society Conference (KIPS) 2022, Vol.29, pp.320-321,？2022.
J. Zhao, S. Hao, C. Dai, H. Zhang, L. Zhao, Z. Ji, and I.？Ganchev, "Improved vision-based vehicle detection and？classification by optimized YOLOv4," IEEE Access, Vol.10,？pp.8590-8603, 2022.

상세보기
J. Fan, J. Lee, I. Jung, and Y. Lee, "Improvement of object？detection based on faster R-CNN and YOLO," 2021 36th？International Technical Conference on Circuits/Systems,？Computers and Communications (ITC-CSCC), pp.1-4,？2021.
S. Ren, K. He, R. Girshick, and J. Sun, "Faster R-CNN:？Towards real-time object detection with region proposal？networks," IEEE Transactions on Pattern Analysis and？Machine Intelligence, Vol.39, No.6, pp.1137-1149, 2017.

상세보기
Q. Guo, L. Liu, W. Xu, Y. Gong, X. Zhang, and W. Jing,？"An improved faster R-CNN for high-speed railway dropper？detection," IEEE Access, Vol.8, pp.105622-105633, 2020.

상세보기
Y. H. Lee and Y. S. Kim, "Comparison of CNN and YOLO？for Object Detection," Journal of the Semiconductor &？Display Technology, Vol.19, No.1, pp.85-92, 2020.
Y. Cai et al., "YOLOv4-5D: An Effective and Efficient Object？Detector for Autonomous Driving," IEEE Transactions on？Instrumentation and Measurement, Vol.70, pp.1-13, 2021.

상세보기
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You？only look once: Unified, real-time object detection," In？Proceedings of the IEEE Conference on Computer Vision？and Pattern Recognition, pp.779-788, 2016.
J. Redmon and A. Farhadi, "YOLO9000: Better, faster,？stronger," In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.7263-7271, 2017.
J. Redmon and A. Farhadi, Yolov3: An incremental improvement, arXiv preprint arXiv:1804.02767, 2018.
Z. Cong and X. Li, "Track obstacle detection algorithm？based on YOLOv3," 2020 13th International Congress on？Image and Signal Processing, BioMedical Engineering and？Informatics (CISP-BMEI), pp.12-17, 2020.
H. Wang, H. Pei, and J. Zhang, "Detection of locomotive？signal lights and pedestrians on railway tracks using improved YOLOv4," IEEE Access, Vol.10, pp.15495-15505,？2022.

상세보기
T. Yang and C. Tong, "Small Traffic Sign Detector in Real-time Based on Improved YOLO-v4," 2021 IEEE 23rd Int Conf？on High Performance Computing & Communications; 7th Int？Conf on Data Science & Systems; 19th Int Conf on Smart City;？7th Int Conf on Dependability in Sensor, Cloud & Big Data？Systems & Application (HPCC/DSS/SmartCity/DependSys),？pp.1318-1324, 2021.
A. Bochkovskiy, C. Y. Wang, and H. Y. M. Liao, Yolov4:？Optimal speed and accuracy of object detection, arXiv？preprint arXiv:2004.10934, 2020.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증