CNN 기반의 유해화학물질 분류 및 판독을 위한 유해화학물질 학습데이터셋 구축 방법에 관한 연구 (A Study on the Construction Method of Artificial Intelligence Training Data to Classify and Detect for Hazardous Chemicals)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 49권 / 10호 / 1436 ~ 1446페이지
· 저자명 : 김연진, 최갑용, 김경배

초록

최근 화학산업이 발전함에 따라 다양한 화학사고가 증가하고 있다. 증가하는 화학사고에 대응하고자 인공지능기술을 접목한 유해화학물질 사고대응 기술에 대한 다양한 연구가 수행되고 있다. 영상 및 이미지 기반의 인공지능 유해화학물질 판독시스템은 사고 유해화학물질의 정확한 판독을 위한 충분한 학습이 가능한 양의 학습데이터가필요하다. 그러나, 유해화학물질이 가지는 위험성으로 인해 데이터 구축에 어려움이 있어 현재 유해화학물질 판독을 위한 인공지능 연구용 학습데이터는 매우 부족하다. 따라서 본 논문에서는 물질의 상태, 시각적 특징의 유무등 유해화학물질 및 화학사고의 특성을 반영한 인공지능 학습데이터셋 구축 방법을 제안한다. 유해화학물질 및 화학사고의 특성에 따른 학습데이터셋 구축 방법을 따라 자체 유해화학물질 실험을 통한 원시데이터 수집 및 확보, 데이터 전처리 및 가공, 학습데이터의 어노테이션 과정을 거쳐 유해화학물질 9종에 대한 학습데이터셋 약 20만장을 구축하였다. 구축된 데이터셋은 학습과 검증을 위해 8:1:1의 비율로 나눠 학습, 검증, 테스트데이터로 활용하였다. CNN에 기반한 유해화학물질 판독의 결과로 평균 약 90%의 유해화학물질 판독 정확도가 도출되었고, 판독결과는 실제 화학사고 현장에서 사고물질을 추정해 줌으로써, 현장대원에게 사고물질에 대해 적절하고 신속한 대응을 지원할 수 있을 것으로 기대된다.

영어초록

Recently, as the chemical industry develops, various chemical accidents are increasing. In order to respond to the increasing number of chemical accidents, various studies are being conducted on hazardous chemical accident response technology that incorporates artificial intelligence technology to detect chemical substances.
Video and image-based artificial intelligence hazardous chemical detection systems require a sufficient amount of training data to enable accurate detecting of hazardous chemicals in accidents. However, due to the risk of hazardous chemicals, it is difficult to construct data, so currently, training data for artificial intelligence research for detecting hazardous chemicals is very insufficient. Therefore, this paper proposes a method of constructing an artificial intelligence training dataset that reflects the characteristics of hazardous chemicals and chemical accidents, such as the state of the material and the presence or absence of visual features. Following the proposed training dataset construction method, about 200,000 training datasets for 9 types of hazardous chemicals were constructed through collecting and securing raw data through self-experimentation of hazardous chemical , data processing, and annotation of the training data. The constructed dataset was divided in a ratio of 8:1:1 for training and validation and used training, validation, and test data. As a result of CNN-based hazardous chemical detecting, an average hazardous chemical detecting accuracy of about 90% was obtained.
The detecting results are expected to provide an estimate of the accidental hazardous chemicals at the actual chemical accidents, thereby supporting appropriate and rapid response to the accidental substances to on-site firefighter.

참고자료

· 없음