딥러닝 기반 도로위험객체 인식 시스템 성능 향상 방법 개발 (Development of Performance Improvement Method of Deep Learning based Automatic Road Dangerous Object Detection System)

서지정보

· 발행기관 : 한국산학기술학회
· 수록지 정보 : 한국산학기술학회논문지 / 23권 / 11호 / 8 ~ 18페이지
· 저자명 : 양인철, 전우훈

초록

파손된 도로시설물, 로드킬 등의 도로위험객체는 교통사고 위험을 초래하기 때문에 신속하고 정확한 발견과 처리가 매우 중요하다. 이에 전국 도로의 유지관리를 총괄하는 국토교통부에서는 도로이용불편신고 서비스를 운영하고 있으며, 보다 안전하고 효율적인 신고 지원을 위해 이미지 기반의 자동 객체 인식 시스템을 개발 중이다. 시스템 개발은 여러단계에 걸쳐 수행되고 있으며, 각 단계마다 인식률 향상을 위한 연구가 진행되고 있다. 이에 본 연구에서는 딥러닝 알고리즘을 활용하여 자동으로 도로위험객체를 인식하는 시스템의 성능을 향상시키는 체계적인 방법을 제안하고자 한다. 이를 위해 성능 향상 방법에 대한 절차를 제안하였고, 세부적인 원인 분석을 통해 새로운 솔루션(신경망 구조 변경, 데이터정제 및 강화)을 제안하였다. 신경망 구조는 기존 YOLOv3보다 우수한 성능을 보이는 YOLOv5로 변경하였고, 데이터강화를 위해 신고 이미지 중 문제점 확인이 어려운 이미지를 제외하였고, 신고 이미지 외에 오픈소스 이미지 데이터셋에서 양질의 이미지를 추가로 확보하였다. 이를 기존 시스템에 적용하여 신규 시스템을 개발하고, 그 성능을 검증하였다.
본 연구는 기존 시스템에서 인식률이 낮았던 도로시설물과 로드킬을 대상으로 하였으며, 새로운 시스템의 성능 검증을통해 도로시설물과 로드킬 인식률이 각각 71%에서 91%로, 67%에서 97%로 향상됨을 확인하였다. 향후 제안된 성능향상 방법에 따라 체계적인 시스템 성능 향상이 가능할 것으로 기대된다.

영어초록

Dangerous road objects cause traffic accidents, which makes it imperative to find and remove them quickly. For this purpose, MOLIT(Ministry of Land, Infrastructure, Transportation) is providing a smartphone app-based reporting service for dangerous road objects and is developing an automatic object recognition and classification system. The development project has several phases, and elaborate efforts have been put into every phase to improve its performance. A systematic method to improve the system performance was proposed in this study. The specific process was proposed, and new solutions(neural network, data manipulation) were found through factor analysis. The existing neural network, YOLOv3, was replaced by the better-performing neural network model, YOLOv5. Some reported images were difficult to designate as problems and were excluded, and high-quality images were also added from an open-source image dataset. The solutions were applied to the system, and its performance was validated. Road facilities and road kills were selected. The results showed that the performance improved the detection rates of road facilities and road kills from 71% to 91% and from 67% to 97%, respectively. The proposed method is expected to improve the system performance systematically.

참고자료

· 없음