딥러닝 기반 교통 차량 이미지 분류 시스템
Deep Learning Based Traffic Vehicle Image Classification System
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
차량이 교량의 밑을 통과하려고 하거나 주차장 입구에 들어가려 할 때, 차량의 높이가 커서 그곳을 통과하지 못하고 차량이 파손되는 사고가 자주 발생한다. 이를 방지하기 위해서, 주로 교통표지판을 이용하는데, 교통표지판에 진입 가능한 차량의 높이를 표시하여 운전자에게 미리 알려준다. 그러나 이러한 방식도 도로 정비 불량으로 인한 시야 미확보 등으로 인하여 운전자가 그 표지판을 보지 못하는 일이 발생할 수 있다. 그러므로, 이러한 높이 제한에 대한 정보를 자동으로 생성해주는 장치가 필요하며, 차량의 정보를 이 방법으로 분류하여 정보를 얻는다. 이 논문은 차량의 정보를 사람이 아닌 기계로 분류하여 차량의 높이를 자동으로 파악하게 한 후, 교량이나 주차장에서 사고를 방지하고자 한다. 자동 차량 모델 분류를 위하여 CNN (convolution neural network)을 기반으로 딥러닝 모델을 설계하였다. 텐서플로우를 설계 프레임워크로 사용하였고, 분류 클래스는 버스, 승용차, 오토바이 총 3개로 구성하였다. 사용된 데이터 세트는 총 1500장의 이미지가 사용되었다. 성능 평가를 위하여 먼저 혼돈 행렬을 계산하였고 이를 이용하여 precision과 recall을 계산하여, 최종적은 성능 지표인 f1-score를 계산하였다. F1-score는 가장 공정한 성능 지표이며, 버스, 승용차, 오토바이에 대하여 각각 0.964, 0.902, 0.926를 얻어서 평균 0.933의 성능을 얻었다.
Abstract
When a vehicle passes under a bridge or tries to enter a parking lot, the height of the vehicle prevents it from entering and often results in damage to the vehicle. To prevent this, traffic signs are often used to alert drivers by indicating the height of vehicles that can enter the area. However, drivers may not see the signs due to poor road maintenance and poor visibility. Therefore, a device that automatically generates information about these height restrictions is needed, which can be obtained automatically by automatically classifying vehicle information. In this paper, we aim to prevent accidents on bridges and parking lots by automatically identifying the height of vehicles by automatically classifying vehicle information. We designed a deep learning model based on convolutional neural network (CNN) for automatic classification of vehicle models. We used TensorFlow as the design framework and created three classification classes: bus, passenger car, and motorcycle. The dataset used was a total of 1500 images. For performance evaluation, we first calculated the chaos matrix and used it to calculate precision and recall, and finally calculated the performance metric, F1-score. F1-score is the fairest performance metric and we obtained 0.964, 0.902, and 0.926 for bus, car, and motorcycle, respectively, with an average performance of 0.933.
참고문헌 (15)
- "Truck crashes into height restriction facility in Shinan-dong, Gwangju traffic jam" (2023)[URL]
- "Vehicle height restriction facilities ‘different’, successive collisions" (2019)[URL]
- "Trailer carrying construction equipment crashes into height-restricted facility in Busan" (2020)[URL]
- "Truck crashes into height-restricted structure of Dapsimni tunnel underpass" (2018)[URL]
- "Moving truck from Gurye crashes into structure with restricted height to pass bridge" (2020)[URL]
- "Chartered bus crashes into underground vehicle height restriction facility" (2018)[URL]
- 서정희, "딥 러닝 기반의 전이 학습을 이용한 이미지 분류에 관한 연구", 한국전자통신학회 논문지, 18(03), pp.413~420 (2023), 한국전자통신학회
- 서상민, "딥러닝 기반의 철강 표면의 결함 검출기", 한국지식정보기술학회 논문지, 16(5), pp.897~904 (2021), 한국지식정보기술학회[DOI]
- 이상엽, "뺑소니 사고조사를 위한 딥러닝 기반의 국산자동차 차종 분류", 한국치안행정논집, 18(3), pp.171~185 (2021), 한국치안행정학회[DOI]
- 이정재, "차세대 지능형 교통시스템 기술에 관한 연구", 한국IT정책경영학회 논문지, 14(2), pp.2857~2862 (2022), 한국IT정책경영학회
- Backpropagation applied to handwritten zip code recognition, "Y. Le Cun", Neural computation, ~ (1989)
- 정유석, "열화상 카메라를 활용한 딥러닝 기반의 1·3종 차량 분류", 한국ITS학회 논문지, 19(6), pp.96~106 (2020), 한국ITS학회[DOI]
- 이종섭, "딥러닝 이미지분류 모델 및 차량부착 카메라를 이용한 자동 포트홀 자동탐지", 한국도로학회논문집, 23(1), pp.25~34 (2021), 한국도로학회
- "Vehicle Data Set" (2023)[URL]
- I. Loshchilov, "Decoupled weight decay regularization", arXiv preprint arXiv : 1711. 05101, ~ (2017)