[논문]빅데이터 기반 미세먼지 이상 탐지 머신러닝 시스템 설계 및 구현

이재원; 인치호

doi:10.7236/jiibc.2024.24.1.55

초록
AI-Helper

본 논문은 빅데이터 기반 미세먼지 이상 탐지 머신러닝 시스템 설계 및 구현을 제안한다. 제안하는 시스템은 빅데이터로 구성된 미세먼지 및 기상 정보를 통해 미세먼지 대기환경지수를 분류하는 시스템이다. 이 시스템은 머신러닝 기반의 대기환경지수 분류 카테고리별 이상치에 따른 이상치 탐지 알고리즘 설계를 통해 미세먼지를 분류한다. 카메라에서 수집된 영상의 심도 데이터는 미세먼지 농도에 따른 영상을 수집한 후 미세먼지 가시마스크를 생성합니다. 그리고 모노 심도 추정 알고리즘을 통한 학습 기반 핑거프린팅 기법으로 모노스코프 카메라에서 수집된 미세먼지의 가시거리를 추론하여 미세먼지 농도를 도출합니다. 본 방법의 실험 및 분석을 위해 미세먼지 농도 데이터와 지역별, 시간별 CCTV 영상 데이터를 매칭하여 학습 데이터를 생성한 후 모델을 생성하여 실제 환경에서 테스트한다.

Abstract ▼ AI-Helper

In this paper, we propose a design and implementation of big data-based fine dust anomaly detection machine learning system. The proposed is system that classifies the fine dust air quality index through meteorological information composed of fine dust and big data. This system classifies fine dust ...

In this paper, we propose a design and implementation of big data-based fine dust anomaly detection machine learning system. The proposed is system that classifies the fine dust air quality index through meteorological information composed of fine dust and big data. This system classifies fine dust through the design of an anomaly detection algorithm according to the outliers for each air quality index classification categories based on machine learning. Depth data of the image collected from the camera collects images according to the level of fine dust, and then creates a fine dust visibility mask. And, with a learning-based fingerprinting technique through a mono depth estimation algorithm, the fine dust level is derived by inferring the visibility distance of fine dust collected from the monoscope camera. For experimentation and analysis of this method, after creating learning data by matching the fine dust level data and CCTV image data by region and time, a model is created and tested in a real environment.

주제어

표/그림 (5)

그림 그림 1. mono depth estimation 기반 미세먼지 측정 방법 프로세스 여기에 그림 제목을 입력하세요 Fig. 1. Fine dust measurement method process based on mono depth estimation
그림 그림 2. 미세먼지 제거 및 단안 깊이 추정 네트워크 Fig. 2. Fine dust removal and monocular depth estimation network
그림 그림 3. mono depth estimation 학습 모델 결과 Fig. 3. Mono depth estimation prediction model results
그림 그림 4. 미세먼지 측정 모델 학습 그래프 Fig. 4. Fine dust measurement model training graph
그림 그림 5. 예측 결과 비교 Fig. 5. Comparison of prediction results

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 mono depth estimation 기반 미세먼지 측정 방법을 제안한다. 제안하는 방법은 기존의 미세먼지 측정 데이터와 이미지 데이터를 활용한 미세먼지 측정 방법다.
본 논문에서는 빅데이터 기반 미세먼지 이상 탐지 머신러닝 시스템 설계 및 구현을 제안하였다. 제안하는 방법은 기존의 미세먼지 센서 데이터가 실제 체감하는 수치와 오차 발생하는 문제를 해결위한 방법이다.

제안 방법

본 논문에서는 빅데이터 기반 미세먼지 이상 탐지 머신러닝 시스템 설계 및 구현을 제안하였다. 제안하는 방법은 기존의 미세먼지 센서 데이터가 실제 체감하는 수치와 오차 발생하는 문제를 해결위한 방법이다. 이 방법은 기상청과 도시교통정보센터로부터 대기 정보와 영상정보를 활용하였으며, 영상 데이터에서 가시거리를 도출하는 것으로 미세먼지 농도를 추정하는 방법이다.
본 논문에서는 mono depth estimation 기반 미세먼지 측정 방법을 제안한다. 제안하는 방법은 기존의 미세먼지 측정 데이터와 이미지 데이터를 활용한 미세먼지 측정 방법다. 본 논문 구성은 다음과 같다.

데이터처리

하나는 깊이 정보를 추출하기 위한 모델, 또 하나는 가시 거리를 계산하기 위한 실험적 정수와 물질 농도를 머신러닝 학습으로 추정하는 모델이다. 실험적 정수 및 물질 농도를 통해 가시거리를 계산하고 실제 가시거리와 비교하여 최적의 파라미터를 도출하여 예측을 수행하였다. 가시거리 예측 모델을 통해 도출된 정보를 이용하여 AQI 지수 실험 결과 나쁨과 매우 나쁨 수치에 대한 예측이 8%, 0%를 보였으며, 이는 학습 데이터 중 해당하는 수치의 양이 부족하여 생긴 문제로 판단된다.

이론/모형

이 방법은 기상청과 도시교통정보센터로부터 대기 정보와 영상정보를 활용하였으며, 영상 데이터에서 가시거리를 도출하는 것으로 미세먼지 농도를 추정하는 방법이다. 가시거리를 도출하기 위해 mono depth estimation 알고리즘을 활용하였다. 이 알고리즘은 두 개의 모델을 생성한다.
제안하는 방법을 검증하기 위해 먼저 DIODE:고밀도 실내 및 실외 깊이 데이터 세트를 사용하여 사전에 mono depth estimation을 학습 모델을 생성한다. 그 결과 그림 3와 같다.

성능/효과

실험적 정수 및 물질 농도를 통해 가시거리를 계산하고 실제 가시거리와 비교하여 최적의 파라미터를 도출하여 예측을 수행하였다. 가시거리 예측 모델을 통해 도출된 정보를 이용하여 AQI 지수 실험 결과 나쁨과 매우 나쁨 수치에 대한 예측이 8%, 0%를 보였으며, 이는 학습 데이터 중 해당하는 수치의 양이 부족하여 생긴 문제로 판단된다. 또한 mono depth estimation 알고리즘을 활용하였으나, 정확한 깊이 정보가 아닌 이유로 실제 외부 환경 및 다양한 변수에 대한 영향을 받는 불규칙적인 특성이 보여 정확한 예측의 한계가 보였다.
또한 mono depth estimation 알고리즘을 활용하였으나, 정확한 깊이 정보가 아닌 이유로 실제 외부 환경 및 다양한 변수에 대한 영향을 받는 불규칙적인 특성이 보여 정확한 예측의 한계가 보였다. 따라서 LiDAR 센서와 대기정보에 따른 빛의 산란 계산을 통한 가시거리 및 깊이 정보 데이터를 추출하는 알고리즘이 필요함을 확인할 수 있었다. 이를 통해 본 논문의 결과보다 예측 성능을 향상시킬 수 있을 것이며, 향후 다양한 알고리즘을 통한 예측 모델성능 평가를 통해 제안한 방법의 최적화를 진행할 것이다.

후속연구

따라서 사람들이 체감되는 미세먼지 정도와 실제 측정 수치를의 차이를 줄여보기 위한 방법이 필요하며, 좀 더 직관적인 방법이 필요하다.
가시거리 예측 모델을 통해 도출된 정보를 이용하여 AQI 지수 실험 결과 나쁨과 매우 나쁨 수치에 대한 예측이 8%, 0%를 보였으며, 이는 학습 데이터 중 해당하는 수치의 양이 부족하여 생긴 문제로 판단된다. 또한 mono depth estimation 알고리즘을 활용하였으나, 정확한 깊이 정보가 아닌 이유로 실제 외부 환경 및 다양한 변수에 대한 영향을 받는 불규칙적인 특성이 보여 정확한 예측의 한계가 보였다. 따라서 LiDAR 센서와 대기정보에 따른 빛의 산란 계산을 통한 가시거리 및 깊이 정보 데이터를 추출하는 알고리즘이 필요함을 확인할 수 있었다.
따라서 LiDAR 센서와 대기정보에 따른 빛의 산란 계산을 통한 가시거리 및 깊이 정보 데이터를 추출하는 알고리즘이 필요함을 확인할 수 있었다. 이를 통해 본 논문의 결과보다 예측 성능을 향상시킬 수 있을 것이며, 향후 다양한 알고리즘을 통한 예측 모델성능 평가를 통해 제안한 방법의 최적화를 진행할 것이다.

참고문헌 (9)

G. W. Evans, "Air Pollution and Human Behavior," Journal of Social Issues, Vol. 37, No. 1, pp. 95-125, 1981.？

상세보기
M. S. Seo, "The Impact of Particulate Matter on Economic Activity," The Korean Women Economists Association, Vol. 12, No. 1, pp.75-100, Jun. 2015.？
M. Beak, and H. S. An "Empirical Leisure Environment Satisfaction Evaluation of Public Institution Employees in Innocity," International JOURNAL OF CONTENTS, Vol. 19, No. 2, pp.368-378, Feb. 2019.？
Godard, C., Aodha, O. M., and Brostow, G. J., "Unsuper-vised monocular depth estimation with left-right consistency.", CVPR. 2017？
Karsch, K., Liu, C., and Kang, S., "Depth extraction from video using nonparametric sampling.", IEEE transactions on pattern analysis and machine intelligence, Vol. 36 No. 11, 2014？
Lei Shao, Shuai, Yang, Hongli Liu, and Ji Li, "Research on Location Method of Climbing Robot based on Gyroscope", 2018 IEEE International Conference on Mechatronics and Automation (ICMA), pp. 238-242, 2018.？
K, H. Kim, M. K. Cho, C. Y. Park, J. H. Kim, S. H Kim, Y. H. Sun and J. Y. Kim, "Research on Unmanned Aerial Vehicle Mobility Model based on Reinforcement Learning". The Journal of The Institute of Internet, Broadcasting and Communication (IIBC), Vol. 23, No. 6, pp.33-39, Dec. 31, 2023.？
J. W. Kang, H. K, Sung, and K. H. Choi " Feature Matching based Training Data Construction Method for Moving Object Detection from Drone Images". Journal of the Korea Academia-Industrial cooperation Society. Vol. 24, No. 10 pp. 508-517, 2023？

상세보기
Hojin Ha, " Deep Learning-based Bitrate and Video Quality Prediction Model for Scalable Video Transmission", Journal of KIIT. Vol. 21, No. 12, pp. 163-170, Dec. 31, 2023.

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

빅데이터 기반 미세먼지 이상 탐지 머신러닝 시스템 설계 및 구현
Design and Implementation of Machine Learning System for Fine Dust Anomaly Detection based on Big Data 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (5)

표/그림 (5)

AI 본문요약
AI-Helper

문제 정의

제안 방법

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

빅데이터 기반 미세먼지 이상 탐지 머신러닝 시스템 설계 및 구현 Design and Implementation of Machine Learning System for Fine Dust Anomaly Detection based on Big Data 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (5) 모든 표/그림 보기

표/그림 (5) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

인치호 (76)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

빅데이터 기반 미세먼지 이상 탐지 머신러닝 시스템 설계 및 구현
Design and Implementation of Machine Learning System for Fine Dust Anomaly Detection based on Big Data 원문보기

초록
AI-Helper

표/그림 (5)

표/그림 (5)

AI 본문요약
AI-Helper