[논문]다중 카메라와 객체 탐지를 활용한 건설 현장 사고 감지 시스템

김민형; 감민성; 류호성; 박준혁; 전민수; 최형우; 민준기

doi:10.17703/jcct.2023.9.5.605

다중 카메라와 객체 탐지를 활용한 건설 현장 사고 감지 시스템
Accident Detection System for Construction Sites Using Multiple Cameras and Object Detection 원문보기

Journal of the convergence on culture technology : JCCT = 문화기술의 융합, v.9 no.5, 2023년, pp.605 - 611

김민형 (한국기술교육대학교 컴퓨터공학과) , 감민성 (한국기술교육대학교 컴퓨터공학부) , 류호성 (한국기술교육대학교 컴퓨터공학부) , 박준혁 (한국기술교육대학교 컴퓨터공학부) , 전민수 (한국기술교육대학교 컴퓨터공학부) , 최형우 (한국기술교육대학교 컴퓨터공학부) , 민준기 (한국기술교육대학교 컴퓨터공학부)

초록
AI-Helper

건설 현장의 사고는 중증외상환자가 발생하기 쉬운 특성 탓에 사망으로 이어지는 비율이 매우 높다. 중증외상환자의 사망률을 줄이기 위해서는 빠른 대처가 필요하며, 빠른 사고 대처를 위해 인공지능 기술과 카메라를 이용하여 사고를 감지하는 시스템들이 개발되었다. 그러나 기존 사고 감지 시스템들은 단일 카메라만을 사용하여, 사각지대로 인해 건설 현장의 모든 사고를 감지하기에 한계가 있다. 따라서, 본 논문에서는 다수의 카메라를 사용하여 감지 사각지대를 최소화하는 시스템을 구현하였다. 구현된 시스템은 다수의 카메라의 영상에서 YOLO-pose 라이브러리로 특징점을 추출하고, 추출된 특징점을 장단기 메모리(Long Short Term Memory) 기반 순환신경망에 입력하여 사고를 감지하였다. 실험 결과, 우리는 제안하는 시스템이 복수의 카메라 사용으로 감지 사각지대를 최소화하면서도 높은 정확도를 가지는 것을 확인하였다.

Abstract ▼ AI-Helper

Accidents at construction sites have a very high rate of fatalities due to the nature of being prone to severe injury patients. In order to reduce the mortality rate of severely injury patients, quick response is required, and some systems that detect accidents using AI technology and cameras have been devised to respond quickly to accidents. However, since existing accident detection systems use only a single camera, there are blind spots, Thus, they cannot detect all accidents at a construction site. Therefore, in this paper, we present the system that minimizes the detection blind spot by using multiple cameras. Our implemented system extracts feature points from the images of multiple cameras with the YOLO-pose library, and inputs the extracted feature points to a Long Short Term Memory-based recurrent neural network in order to detect accidents. In our experimental result, we confirme that the proposed system shows high accuracy while minimizing detection blind spots by using multiple cameras.

주제어

표/그림 (9)

그림 그림 1. 합성곱 신경망 구조도 Figure 1. Convolution Neural Network structure diagram.
그림 그림 2. 장단기 메모리 (LSTM) 구조도 Figure 2. Long Short Term Memory (LSTM) structure diagram
그림 그림 3. 전체 시스템 구조도 Figure 3. Overall system structure diagram
그림 그림 4. 구현 모델 구조도 Figure 4. Implementation model structure diagram
그림 그림 5. 관리자 페이지 캡처 Figure 5. Administrator page capture
그림 그림 6. 사고 상황 캡처 Figure 6. Accident situation capture
표 표 1. 인공신경망 매개변수 Table 1. Artificial Neural Network Hyperparameters
그림 그림 6. 학습횟수에 따른 정확도 Figure 6. Accuracy with increasing Epoch
그림 그림 7. 학습 정확도 혼동 행렬 Figure 7. Confusion matrix

참고문헌 (19)

Ministry of Employment and Labor "Additional？Statistics on Industrial Accidents in 2022" 2022.？https://www.moel.go.kr/policy/policydata/view.do?bbs_seq20230100992
J.C. Yang and J.D. Moon, "The effects of prehospital care on on-scene time in patients with major trauma" The Korean Journal of Emergency Medical Services, Vol. 24, No. 1, pp. 67-76, 2020. doi: 10.14408/KJEMS.2020.24.1.067n
S. Jeong, S. Kang, and I. Chun, "Human-skeleton？based fall-detection method using LSTM for manufacturing industries" 2019 34th International Technical Conference on Circuits/Systems, Computers？and Communications (ITC-CSCC), pp. 1-4, 2019？doi: 10.1109/ITC-CSCC.2019.8793342
J. Redmon, S. Divvala, R. Grishick and A. Farhadi, "You only look once: Unified, real-time object detection" Proceedings of the IEEE conference？on computer vision and pattern recognition, pp.？779-788, 2016. doi: 10.1109/CVPR.2016.91
A. K. Jain, J. Mao and K. M. Mohiuddin,"Artificial？neural networks: A tutorial" Computer, Vol. 29, No. 3, pp. 31-44, 1996. doi: 10.1109/2.485891

상세보기
B.S. Hwang, J.H. Kim, Y.R. Lee, C.U. Kyeong,？J.H. Seon, Y.G. Sun, J.Y. Kim. "Performance of？Exercise Posture Correction System Based on Deep Learning" The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 22, No. 5, pp. 177-183, 2022 doi: doi.org/10.7236/JIIBC.2022.22.5.177

원문보기 상세보기
I.S. Oh, "Machine Learning" Hanbit Academy, 2017.
S. Alex, "Fundamentals of recurrent neural network (RNN) and long short-term memory (LSTM) network" Physica D: Nonlinear Phenomena,？Vol. 404, pp. 132306, 2020. doi: 10.1016/j.physd.2019.132306

상세보기
S. Hochreiter, "The vanishing gradient problem？during learning recurrent neural nets and problem solutions" International Journal of Uncertainty,？Fuzziness and Knowledge-Based Systems, Vol.？6, No. 3, pp. 107-116, 1998. doi: 10.1142/S0218488598000094

상세보기
J. Lu, M. Nguyen and W.Q. Yan, "Deep learning methods for human behavior recognition" 2020？35th International Conference on Image and Vision Computing New Zealand (IVCNZ). IEEE, pp？1-6, 2020. doi: 10.1109/IVCNZ51579.2020.9290640
Y. Yoon and T. Oh, "A Study on the Improvement？of Construction Site Worker Detection Performance Using YOLOv5 and Open-Pose" The journal of the convergence on culture technology, Vol. 8, No. 5,？pp. 735-740, 2022. doi: 10.17703/JCCT.2022.8.5.735.

원문보기 상세보기
Y.W. Lee, J.H. Park, S.Y. Sin, "Implementation？of Fall Detection Based on CNN-LSTM" Vol. 4？7, No. 2, pp. 340-347, 2022. doi:10.7840/kics.2022.47.2.340

상세보기
W.H. Choi, C.D. Kwon, B.S. Yoo, M.H. Kim and？J.K. Min. "Accident Detection System Based on？RNN Exploiting Keypoints and LSTM" KIISE Transactions on Computing Practices, Vol. 29, No.？7, pp. 309-315, 2023. doi: 10.5626/KTCP.2023.29.7.309

상세보기
R. Girshick, J. Donahue, T. Darre and J. Malik.？"Rich feature hierarchies for accurate object detection and semantic segmentation" Proceedings of？the IEEE conference on computer vision and pat？tern recognition, pp. 580-587, 2014. doi: 10.1109/CVPR.2014.81
N.J. Kwak, D.J. Kim. "A study on Detecting the？Safety helmet wearing using YOLOv5-S model？and transfer learning" International Journal of Advanced Culture Technology, Vol.10, No.1, pp. 30？2-309, 2022 doi: 10.17703/IJACT.2022.10.1.302

원문보기 상세보기
D. Maji, S. Nagori, M. Mathew and D. Poddar.？"Yolo-pose: Enhancing yolo for multi person pose estimation using object keypoint similarity loss" Proceedings of the IEEE/CVF Conference on？Computer Vision and Pattern Recognition, pp. 2637-2646, 2022. doi: 10.1109/CVPRW56347.2022.00297
N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever and R. Salakhutdinov. "Dropout: a simple？way to prevent neural networks from overfitting" The journal of machine learning research, Vol. 15, No. 1, pp. 1929-1958, 2014.

상세보기
AIHub, "Senior Abnormal Behavior Video" 2022.？https://aihub.or.kr/
N.V. Chawla, K.W. Bowyer, L.O. Hall and W.P.？Kegelmeyer. "SMOTE: synthetic minority over-sampling technique" Journal of artificial intelligence research, Vol. 16, pp. 321-357, 2002. doi: 10.48550/arXiv.1106.1813

상세보기

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