지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 박성근
- 발행연도
- 2020
- 저작권
- 순천향대학교 논문은 저작권에 의해 보호받습니다.
이용수28
이 논문의 연구 히스토리 (3)
2020
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
국내 도로교통공단의 교통사고 분석시스템에서 확인된 최근 5년간(2014년~2018년) 교통사고 통계에 따르면 전체 사망사고 중 약 38%의 비율이 보행자 사망사고로 밝혀졌으며 이 중 70%는 머리 상해 때문에 발생했다. 이에 국내뿐 아니라 각국에서는 신차안전도 평가(NCAP)를 통해 차량에 대한 안전기준을 정하고, 평가하여 소비자에게는 더욱 안전한 차량을 선택할 수 있도록 하며 차량 제조사는 더 안전한 차량을 제작할 수 있도록 하고 있다.
보행자와 차량 간 교통사고 발생 시 차량 후드 부위에 추돌하게 되는데, 이때 충격량 감소를 위해 사고 회피를 위한 긴급제동, 사고 발생 시 충격량 감소를 위한 능동형 후드 전개 시스템(Active Hood system) 등의 능동안전에 관한 연구가 활발하게 진행 중이다. 또한, 차량의 수동안전 관점에서도 차량의 설계구조를 변경하고, 이를 해석 혹은 실제 실험을 통해 충격량을 취득하여 더욱 안전한 차량을 개발하기 위한 연구 또한 진행 중이다. 그러나 차량 설계 이후 실제 후드를 제작하여 헤드폼 시험을 통해 안전성을 평가하는 방법은 많은 공수소요가 발생하며, 시험 진행 간 후드를 변경하여 재실험하거나, 설계가 변경되었을 때 등 많은 경제적 비용이 발생한다. 또한, 해석을 이용한 충격량 예측의 경우 담당자의 경험적 판단을 통한 성능인자 추출을 하게 되므로 객관적인 평가가 이루어지기 힘들며 예측에 많은 시간이 필요한 단점이 있다.
이에 본 연구에서는 인공지능의 딥 러닝 기법 중, 이미지 데이터에 강건한 성능을 보이는 합성 곱 신경망과 차량의 설계도면, 그리고 머리 상해시험 값을 이용하여 차량 설계도면으로부터 보행자 머리 충격량을 예측하는 모델을 개발 및 제안한다.
이미지의 형태로 저장된 CATIA 상의 설계도면은 T, L section을 기준으로 저장되며, 엔진룸과 차량 후드의 구조적 특성을 강조할 수 있는 전처리기법을 통해 네트워크의 학습 DB를 구성한다. 학습 과정에서는 적은 데이터 수를 극복하기 위해 전이 학습을 이용하며 다른 임무를 위해 사전학습된 합성 곱 신경망 모델로부터 본 연구에서 활용하는 DB를 학습 및 최적화시킨다. 또한, 설계도면 상 부품의 크기에 따른 시험 성능의 영향을 고려하여 각각 크기가 다른 특징 맵으로부터 다중 예측을 수행하고, 이를 앙상블 한 모델을 제안한다.
이를 통해 학습을 통해 딥 러닝 모델 스스로 차량의 성능인자를 고려하고, 이를 이용하여 객관화된 예측을 수행할 수 있도록 한다. 또한, 학습된 예측 모델의 성능 검증 시 모델의 범용성을 확인하기 위해 교차 검증을 수행하고, 이로부터 확인한 평균 정확도와 표준 편차뿐 아니라, 등급 간 순차적 관계를 고려한 경향성에 대한 평가지표를 제안하며 본 연구에서 제안한 모델의 성능을 검증한다.
보행자와 차량 간 교통사고 발생 시 차량 후드 부위에 추돌하게 되는데, 이때 충격량 감소를 위해 사고 회피를 위한 긴급제동, 사고 발생 시 충격량 감소를 위한 능동형 후드 전개 시스템(Active Hood system) 등의 능동안전에 관한 연구가 활발하게 진행 중이다. 또한, 차량의 수동안전 관점에서도 차량의 설계구조를 변경하고, 이를 해석 혹은 실제 실험을 통해 충격량을 취득하여 더욱 안전한 차량을 개발하기 위한 연구 또한 진행 중이다. 그러나 차량 설계 이후 실제 후드를 제작하여 헤드폼 시험을 통해 안전성을 평가하는 방법은 많은 공수소요가 발생하며, 시험 진행 간 후드를 변경하여 재실험하거나, 설계가 변경되었을 때 등 많은 경제적 비용이 발생한다. 또한, 해석을 이용한 충격량 예측의 경우 담당자의 경험적 판단을 통한 성능인자 추출을 하게 되므로 객관적인 평가가 이루어지기 힘들며 예측에 많은 시간이 필요한 단점이 있다.
이에 본 연구에서는 인공지능의 딥 러닝 기법 중, 이미지 데이터에 강건한 성능을 보이는 합성 곱 신경망과 차량의 설계도면, 그리고 머리 상해시험 값을 이용하여 차량 설계도면으로부터 보행자 머리 충격량을 예측하는 모델을 개발 및 제안한다.
이미지의 형태로 저장된 CATIA 상의 설계도면은 T, L section을 기준으로 저장되며, 엔진룸과 차량 후드의 구조적 특성을 강조할 수 있는 전처리기법을 통해 네트워크의 학습 DB를 구성한다. 학습 과정에서는 적은 데이터 수를 극복하기 위해 전이 학습을 이용하며 다른 임무를 위해 사전학습된 합성 곱 신경망 모델로부터 본 연구에서 활용하는 DB를 학습 및 최적화시킨다. 또한, 설계도면 상 부품의 크기에 따른 시험 성능의 영향을 고려하여 각각 크기가 다른 특징 맵으로부터 다중 예측을 수행하고, 이를 앙상블 한 모델을 제안한다.
이를 통해 학습을 통해 딥 러닝 모델 스스로 차량의 성능인자를 고려하고, 이를 이용하여 객관화된 예측을 수행할 수 있도록 한다. 또한, 학습된 예측 모델의 성능 검증 시 모델의 범용성을 확인하기 위해 교차 검증을 수행하고, 이로부터 확인한 평균 정확도와 표준 편차뿐 아니라, 등급 간 순차적 관계를 고려한 경향성에 대한 평가지표를 제안하며 본 연구에서 제안한 모델의 성능을 검증한다.
목차
제1장 서론 1제1절 연구 배경 1제2절 관련 연구 4제3절 연구 목표 6제2장 연구 이론 7제1절 딥 러닝 71. 합성 곱 신경망 72. Pyramidal Feature Hierarchy 103. 전이 학습 11제2절 Ensemble 학습 12제3장 연구 방법 14제1절 데이터베이스 구축 151. 이미지 전처리 152. Label 전처리 19제2절 예측 모델 구성 211. 단일 입력 합성 곱 신경망 212. 다중 입력 합성 곱 신경망 223. 앙상블 기반 다중출력 합성 곱 신경망 24제3절 모델학습 및 검증 방법 271. 모델학습 방법 272. 검증 방법 28제4장 실험 및 결과 30제1절 실험 환경 301. H/W 실험 환경 302. S/W 실험 환경 30제2절 평가 방법 311. 모델 평가 방법 312. Cost score 및 HIC score 32제3절 실험 결과 35제5장 결론 42참고 문헌 44ABSTRACT 47
최근 본 자료
댓글(0)
0