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.
제안 방법
- 모니터링 서버는 그림 3처럼 프로세싱 임베디드 기기로부터 전달받은 영상 정보를 Yolo 프레임워크의 실시간 객체 탐지 기능을 사용하여 관리자에게 영상 정보를 제공하며, 객체 탐지에 문제가 없음을 확인하였다. 그림 4와 같이 IoT 단말을 활용하여 엣지 컴퓨팅 기반의 작업자 위험 행동 판단 시스템 및 작업자 모니터링 서비스를 구현하였다.
- 따라서 본 논문에서는 이 문제를 해결하기 위해 작업자로부터 얻어온 6축 자이로센서 raw data를 (1)과 같이 각 축의 제곱 값의 합에 루트를 씌워 방향성과 노이즈를 제거해 가속도의 크기와 기울기의 크기만을 가지고 작업자의 행동을 구분할 수 있도록 하며 해당값을 FFNN의 X1, X2, X3, … Xn-1, Xn 에 시계열 형태가 되도록 입력하여 시간 축 손실에 의한 데이터 오류를 최소화 한다.
- 본 논문에서는 이러한 의존성 문제를 작업자의 IoT 안전벨트와 영상 전송이 가능한 안전모를 통해서 엣지 컴퓨팅을 구현해 해결하며, 딥러닝 작업을 위해 LSTM 방식에서 개량된 필터를 통한 FFNN(Feed-Forward Neural Network)을 사용한다.
이론/모형
- 선행 연구[2][3]에서의 RNN 및 LSTM은 엣지 컴퓨팅에 적합하지 않으므로 본 논문에서는 FFNN 네트워크를 사용한다. 하지만, 작업자 행동과 같은 시계열 학습에 적합하지 않다는 문제가 존재한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.