[논문]딥러닝을 이용한 작업자 행동 모니터링

이세훈; 김현우; 유진환; 탁진현

딥러닝을 이용한 작업자 행동 모니터링
Worker's Behavior Monitoring using Deep Learning 원문보기

이세훈 (인하공업전문대학 컴퓨터시스템과) , 김현우 (인하공업전문대학 컴퓨터시스템과) , 유진환 (인하공업전문대학 컴퓨터시스템과) , 탁진현 (덕산정보통신(주) 연구소)

본 논문에서는 앞서 진행한 연구들과 딥러닝을 이용한 고소작업자 행동 모니터링 논문에 이어 작업자 위험 행동분류 시스템을 개선할 수 있는 연구 결과를 비교, 설명한다. 이번 연구에서는 작업자의 행동에 따른 고도계 센서의 데이터를 추가로 수집하여 작업자의 더 다양한 행동을 분류하고 위험 행동 패턴 분석을 위한 방향을 제시한다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

앞서 진행한 연구로 <딥러닝 기반 산업현장 고소작업자 행동분석 시스템> 논문[2]에서 CNN 모델을 사용하여 이미지학습을 통해 작업자의 위험 행동을 분류할 수 있는 모니터링 시스템을 개발하였다. LSTM 모델을 적용하는 추가적인 연구를 통해 지난 연구인 이미지학습 적용 한계를 극복하였고 더 다양한 작업자의 행동을 분류하고 시스템 개선을 위한 연구를 진행한다.
따라서 수없이 많은 인간의 행동들을 각기 다르게 나타내고 식별할 수 있는 key 값이 필요하다. 본 연구에서는 6축의 값과 추가 적으로 기압의 데이터를 LSTM 모델에 학습시켜 분류하고자 하는 작업자의 행동을 더 정확하게 식별할 수 있었고 더 많은 행동을 식별할 가능성을 열었다.

제안 방법

고소작업자 행동 모니터링을 통해 고소작업 중 발생할 수 있는 휴먼 에러를 잡아줌으로써 안전사고를 예방하고 사고로부터 생기는 부상자와 사망자 수를 줄이는 시스템을 제안하였다. 작업자의 다양한 행동을 식별하기 위해 고도계 센서를 추가해 각 행동을 나타내는 데이터의 성질을 높일 수 있었다.
앞서 진행한 연구로 논문[2]에서 CNN 모델을 사용하여 이미지학습을 통해 작업자의 위험 행동을 분류할 수 있는 모니터링 시스템을 개발하였다.
따라서 작업자의 행동을 모니터링하기 위한 시스템은 크게 4가지로 나뉜다. 작업자가 고리를 걸었는지를 확인하기 위한 안전고리, 작업자의 행동 값을 읽어 들이는 안전벨트, 작업자의 행동을 분류하는 인공지능, 그리고 그 결과를 분석하고 확인할 수 있는 모니터링 애플리케이션으로 구성된다.
Dataset은 센서의 노이즈 제거를 위해 Kalman Filter를 거쳐 총 6축, Gyro(x, y, z), Accel(x, y, z)가 수집되었다. 행동분류의 정확도를 확인하기 위해 2만개의 Dataset을 분리하여 Test Dataset을 만들고 이를 토대로 연구를 진행하였다.

대상 데이터

Dataset은 센서의 노이즈 제거를 위해 Kalman Filter를 거쳐 총 6축, Gyro(x, y, z), Accel(x, y, z)가 수집되었다. 행동분류의 정확도를 확인하기 위해 2만개의 Dataset을 분리하여 Test Dataset을 만들고 이를 토대로 연구를 진행하였다.
블랙박스는 안전벨트 허리 부분에 부착하여 데이터를 수집하였다. 두 명의 실험자가 5가지의 행동 (standing, walking, running, walking upstairs, walking downstairs)을 0.1초 단위로 각각 만개의 데이터를 수집하였고 총 20만개의 데이터가 연구 진행에 활용되었다.
연구 진행에 앞서 작업자의 행동 분류를 위한 Dataset 수집은 자이로와 가속도 값을 측정할 수 있는 센서와 고도계 센서를 블랙박스에 부착하여 사용하였다. 블랙박스는 안전벨트 허리 부분에 부착하여 데이터를 수집하였다. 두 명의 실험자가 5가지의 행동 (standing, walking, running, walking upstairs, walking downstairs)을 0.

이론/모형

LSTM은 각 layer마다 Dropout과 Max-norm을 적용하여 진행하였다. Dropout과 Max-norm을 같이 사용하였을 때 learning rate를 큰 값을 사용하는 것이 가능하였으며 주로 CNN 모델에서 좋은 결과가 나오지만, LSTM 레이어에 적용해도 좋은 결과를 가져올 수 있었다.

성능/효과

LSTM은 각 layer마다 Dropout과 Max-norm을 적용하여 진행하였다. Dropout과 Max-norm을 같이 사용하였을 때 learning rate를 큰 값을 사용하는 것이 가능하였으며 주로 CNN 모델에서 좋은 결과가 나오지만, LSTM 레이어에 적용해도 좋은 결과를 가져올 수 있었다. Layer를 3개로 늘렸을 때 가장 결과가 좋았고 학습량을 60으로 주었을 때 0.
고소작업자 행동 모니터링을 통해 고소작업 중 발생할 수 있는 휴먼 에러를 잡아줌으로써 안전사고를 예방하고 사고로부터 생기는 부상자와 사망자 수를 줄이는 시스템을 제안하였다. 작업자의 다양한 행동을 식별하기 위해 고도계 센서를 추가해 각 행동을 나타내는 데이터의 성질을 높일 수 있었다. 이를 통해 분류하고자 하는 행동은 물론 더 다양한 행동을 분류하는 것이 가능해졌다.

후속연구

이를 통해 분류하고자 하는 행동은 물론 더 다양한 행동을 분류하는 것이 가능해졌다. 더 나아가 정해진 틀 안의 행동만 분류하는 것이 아니라 위험한 상황으로 나아갈 수 있는 위험 행동 패턴을 분석하는 연구가 추가적으로 진행 되어야 한다.

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

딥러닝을 이용한 작업자 행동 모니터링
Worker's Behavior Monitoring using Deep Learning 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

딥러닝을 이용한 작업자 행동 모니터링 Worker's Behavior Monitoring using Deep Learning 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

딥러닝을 이용한 작업자 행동 모니터링
Worker's Behavior Monitoring using Deep Learning 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper