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

서지정보

· 발행기관 : 한국정보처리학회
· 수록지 정보 : 정보처리학회논문지. 컴퓨터 및 통신시스템 / 11권 / 11호 / 411 ~ 418페이지
· 저자명 : 연정흠, 서용욱, 김상우, 오세영, 정준호, 박진효, 김성희, 윤주상

초록

최근 항만에서는 부정확한 컨테이너 적재로 인해 컨테이너가 강풍에 쉽게 쓰러지는 컨테이너 붕괴 사고가 빈번이 발생하고 있으며 이는 물적피해와 항만 시스템 마비로 이어지고 있다. 본 논문에서는 이런 사고를 미연에 방지하기 위해 딥러닝 기반 컨테이너 적재 상태 및 사고 위험도검출 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 구현환경에서 최적의 성능을 보인 YOLOv4 모델을 객체 인식 알고리즘 모델로 선택하였다. 제안된 알고리즘인 YOLOv4가 YOLOv3보다 추론속도와FPS의 성능 측면에서 낮은 성능을 보이기는 했지만, 분류 정확도와 검출 정확도에서 강력한 성능을 보임을 증명하였다.

영어초록

Incorrectly loaded containers can easily knock down by strong winds. Container collapse accidents can lead to material damage andparalysis 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 learningalgorithms based on inference speed, classification accuracy, detection accuracy, and FPS in real embedded devices in the sameenvironment. The study found that YOLOv4 had a weaker inference speed and performance of FPS than YOLOv3, but showed strongperformance in classification accuracy and detection accuracy.

참고자료

· 없음