교통사고 보험 분쟁 감소 지원을 위한 딥러닝 기반 사고유형 자동 분류 시스템 연구
A Deep Learning–Based Automatic Traffic Accident Type Classification System to Reduce Insurance Disputes
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
매년 발생하는 수많은 교통사고는 인명 및 재산 피해뿐만 아니라, 사고 처리 및 보험금 지급과 관련하여 막대한 사회, 경제적인비용을 유발한다. 특히 사고 후 과실 비율을 산정하는 과정은 복잡하고 시간이 많이 소요되며, 당사자 간 분쟁이 발생할 경우분쟁심의위원회 회부나 장기적인 법적 소송으로 이어져 행정적, 경제적 부담을 가중시킨다. 이러한 문제를 해결하기 위해, 본논문에서는 딥러닝을 기반으로 차량 블랙박스 영상을 분석하여 교통사고 유형을 자동으로 분류하는 시스템을 제안한다. 이를통해 사고 처리의 신속성과 객관성을 높여 분쟁 가능성을 줄이는 것을 목표로 한다. 본 논문에서는 실시간 객체 탐지 및 추적에 뛰어난 YOLO(You Only Look Once) 및 불규칙적이고 연속적인 시계열 데이터분석에 효과적인 액체 신경망(LNN) 모델을 결합한 사고유형 자동 분류 시스템을 제안한다. 아울러 모델 학습 및 성능평가를위해 대규모의 공개 데이터셋을 사용한다. 한편 제안하는 시스템은 기존 연구에서 다룬 3가지 주요 사고 유형(차선 변경, 후방추돌, 역주행)에서 기존 연구보다 약 6% 높은 정확도를 달성하였다. 또한 기존 연구에서 다룬 사고 유형의 2배인 6개의 다빈도사고 유형(차선 변경, 후방 추돌, 신호 없는 교차로 충돌, 신호 있는 교차로 충돌, 주차장 충돌, 역주행)으로 분류 대상을 확장하여실험을 수행하였고, 89%의 정확도를 달성하여 분류 개수 측면에서 시스템의 확장성을 입증하였다. 마지막으로 본 논문에서제안한 사고유형 자동 분류 시스템이 차량 블랙박스 영상 분석을 위한 강력한 프레임워크임을 실험적으로 입증하여 향후 보험사의과실 비율 산정 자동화 및 분쟁 해결 비용 절감에 기여할 수 있는 것이다.
Abstract
Every year, a large number of traffic accidents cause not only loss of life and property, but also enormous social and economic costs related to accident handling and insurance claim payments. In particular, the process of determining fault ratios after an accident is complex and time-consuming. When disputes arise between the parties involved, cases may be referred to dispute resolution committees or lead to prolonged legal proceedings, further increasing administrative and economic burdens. To address these issues, this paper presents a system that integrates YOLO (You Only Look Once), known for its real-time object detection and tracking capabilities, with a Liquid Neural Network (LNN), which is effective in modeling irregular and continuous time-series data. A large-scale open dataset is used for model training and performance evaluation. The proposed system achieves approximately 6% higher accuracy than the previous study in classifying the three major accident types commonly investigated in the earlier work (lane-change accidents, rear-end collisions, and wrong-way driving). Furthermore, the system expands the classification targets to six high-frequency accident types (i.e., lane-change accidents, rear-end collisions, uncontrolled-intersection collisions, signalized-intersection collisions, parking-lot collisions, and wrong-way driving) and achieves an accuracy of 89%, demonstrating its scalability in terms of the number of categories. Finally, experimental results confirm that the proposed automatic accident-type classification system provides a powerful framework for vehicle dashcam video analysis, with potential contributions to automating fault-ratio assessment and reducing dispute-resolution costs for insurance companies.