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
- 탁태오
- 발행연도
- 2023
- 저작권
- 강원대학교 논문은 저작권에 의해 보호받습니다.
이용수32
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
2019년 국토교통부 보도자료에 따르면 2015~2019 5년간 포트홀로 인한 인명사고 654건, 사망자 2건, 타이어 파손 및 현가장치 파손 등과 같은 물적사고 5,153건으로 집계되었다. 포트홀은 주행 상황에서 타이어 파손과 현가장치 손상 등과 같은 부정적인 영향을 초래하기 때문에 이를 사전에 탐지하여 사고를 미연에 방지하는 것이 매우 중요하다. 이러한 문제를 해결하기 위해 많은 국가의 정부 기관들은 2D 이미지 기반 탐지 방법, 3D 재구성 방법 등 다양한 포트홀 데이터 수집 알고리즘을 도입하여 도로 유지 보수에 활용하고 있다. 다양한 방법 중에서도 2D 이미지 기반 탐지 방법은 카메라만을 이용하기 때문에 센서에 대한 비용적 부담이 적고, 주행 상황에서 포트홀을 신속히 탐지할 수 있어 차량이 포트홀을 통과하기 전에 운전자가 포트홀을 식별하는데 유용하다. 인공지능 기술이 빠르게 발전함에 따라, 최신 2D 포트홀 탐지 방법에 이미지로부터 물체를 검출하는데 효과적인 딥러닝 기반의 객체 탐지 기법이 가장 많이 활용되고 있다. 하지만, 현재까지의 2D 포트홀 탐지 방법은 데이터 수집을 위한 방법이므로 주행 중 운전자에게 일련의 경고 신호를 전달하지 못하며, 하드웨어 사양에 따라 달라지는 딥러닝 모델의 연산 속도로 인해 실시간 검출이 불분명하다. 따라서, 본 논문에서는 낮은 하드웨어 사양에서도 실시간 검출이 가능한 Yolo v4 tiny 객체 탐지 딥러닝 모델에 다중 스케일 특징 네트워크를 결합하여 기존 Yolo v4 tiny 모델보다 검출 성능이 높은 SPFPN-Yolo v4 tiny 모델을 개발하였다. 추가적으로, 주행 중 실시간으로 위험도를 평가할 수 있도록 검출된 포트홀의 크기를 타이어 접촉 면적의 크기와 비교하여 2D 이미지만으로 위험도를 평가할 수 있는 새로운 포트홀 위험도 평가 기준을 제시한다.
목차
Ⅰ. 서론 11.1 연구배경 11.2 문헌연구 21.3 연구범위 5Ⅱ. 데이터 세트 62.1 포트홀 데이터 세트 구성 62.2 데이터 세트 전처리 72.3 데이터 증강 기법 82.4 데이터 세트 분할 9Ⅲ. SPFPN-Yolo v4 tiny 모델 개발 103.1 Yolo v4 tiny 103.1.1 Cross stage partial Network(CSPNet) 113.2 다중 스케일 특징 네트워크 133.2.1 Spatial pyramid pooling 153.2.2 Feature pyramid network 173.3 Overall Architecture 183.4 앵커 박스 193.4.1 K-means ++ clustering 203.4.2 Loss function 22Ⅳ. 객체탐지 모델 비교 및 성능평가 234.1 학습 환경 및 파라미터 설정 234.2 객체 탐지 모델 성능평가 변수 244.3 객체 탐지 모델 성능비교 27Ⅴ. 2D 포트홀 이미지를 활용한 위험도 판단 325.1 포트홀 위험도 분류 필요성 325.2 포트홀 거리 추정 345.2.1 핀홀 카메라 모델 375.3 타이어 접촉 면적을 활용한 위험도 분류 기준 산정 39Ⅵ. 결론 41□ 참고문헌 42□ Abstract 45
최근 본 자료
댓글(0)
0