R&D최종보고서
| 과제고유번호 | 201818TBIP-C110866-03 | |||||
|---|---|---|---|---|---|---|
| 연구사업명 | 국토교통기술사업화지원 | |||||
| 연구과제명 | 터널 내 사고 초동대응을 위한 딥러닝 기반 CCTV 영상유고 시스템 개발 | |||||
| 총 연구기간 | 2016-04-27 ~ 2019-02-26 | |||||
| 연구책임자 | 유필상 | |||||
| 당해년도 참여 연구원수 |
6명 | 총 연구기간 참여 연구원수 |
18명 | |||
| 당해년도 연구비 |
정부 : 415,000,000 원 기업 : 276,667,000 원 계 : 691,667,000 원 |
총연구비 | 정부 : 1,287,000,000 원 기업 : 832,401,000 원 계 : 2,119,401,000 원 |
|||
| 연구기관명 | (주)스마트딥 | |||||
| 등록 발간번호 | - | |||||
| ISBN | - | |||||
| 주요 내용 |
도로 터널 내에서 발생하는 재난은 자칫하면 인사 사고 및 대형 사고를 유발하게 된다. 사고의 형태는 낙석, 투척, 무단횡단, 역 주행, 차선 변경, 추돌, 화재 등 다양한 형태로 발생되며 터널이라는 특수성으로 말미암아 2차 피해로 이어진다. 따라서 위험 요소를 사전에 파악하고 큰 피해를 막기 위한 방안으로 CCTV를 활용한 “유고감시” 및 영상 분석 시스템의 도입이 증가하는 추세이다. 그러나 종례 이용되고 있는 “유고감시“ 시스템은 다음과 같은 한계를 극복하지 못했고 실효성 또한 인정받지 못하는 실정이다. 1. 탐지 오류로 인한 신뢰성 저하 2. 터널 내부의 환경적 요인 (먼지, 밝기, 소음, 진동 …) 3. 영상 분석의 한계 (화질, 인식률, 객체 구분, …) 4. 새로운 사고 유형 未감지 위의 문제점을 극복하기 위해서는 다양한 사고 발생 원인과 사례를 기반으로 Big Data를 구축하고, 영상 분석을 통해 얻어진 data를 결합하여 패턴을 도출함으로써 사고를 미연에 방지할 수 있으며, 또한 인간의 두뇌 활동과 유사한 메커니즘 즉 인지, 학습, 추론이 가능한 인공지능 시스템을 바탕으로 새로운 유형의 사고를 대처할 수 있는 시스템이 제공되어야 한다. 본 연구개발의 최종 목표는 도로 터널 내 발생하는 재난을 딥러닝 기반으로 90% 이상의 신뢰성 있게 감시하는 CCTV 영상유고 시스템 개발과 신속한 초동대응을 위한 경보 시스템 개발에 있다. - Big Data 기반 딥러닝 알고리즘 개발 - 실시간 터널용 CCTV 영상유고 시스템 개발 - 초동대응을 위한 신속 경보 시스템 개발 [최종목표] 본 연구는 주관연구기관이 보유한 “유고감시”시스템을 기반으로, 다양한 연구 결과와 딥러닝에 대한 원천기술을 보유하고 있는 한국건설기술연구원과 함께 오류탐지가 없는 영상유고 시스템을 만들기 위한 연구이다. 사고발생의 원인과 유형 등의 다양한 영상을 Feeding 하여 Big Data를 구축하고 시스템의 성능과 오류탐지의 범위 등을 정확한 정량화를 통해 통제할 수 있게 한다. 또한 오류탐지를 스스로 인식하여 자신의 모델을 만들어가는 학습 기능을 부가함으로써 신뢰성이 향상된 영상유고 시스템을 개발하는데 있다. 주요 연구 내용은 다음과 같다. - 영상 분석 요소(Factor) 결정 및 표준화(Normalization) 설정 - 터널환경 분석 및 터널환경 대응형 지속적인 양질의 영상 확보 방안 마련 - 기존 사고사례로부터 Data 추출 및 DB 구축 - 패턴(Pattern) 수립 및 딥러닝 알고리즘 개발 - Big Data 기반패턴 인식 및 딥러닝 검증 및 보완 - 사고 탐지 후 후속 차량에 대한 신속한 경고시스템 보완 및 개발 - 공용중인 도로터널에서 검증/보완 및 상품화 [연구내용 및 범위] 연구 범위 연구 수행 방법 (이론적ㆍ실험적 접근방법) 구체적인 내용 터널 환경 분석 및 양질 영상 확보 방안 마련 - 터널 환경 조사 및 분석을 통한 영상 저해 요인 파악 - 양질의 영상 확보를 위한 기계적 소프트웨어 처리기법 개발 - 영상 전반의 Color Histogram과 특정 차량의 터널 내 Color Histogram의 수집 및 분석 - 배경추출기에서 영상 전반에 걸친 터널 조명의 컬러 제거 기법 연구 사고 사례 영상 분석 - 사고 전 영상을 통해 조짐, 유형원인, 형태를 파악 - 사고이후 사고의 확산화 조치 2차 피해 등을 분석 - 영상 내의 차량 움직임 궤적 확보 - 영상 내에서 차량의 평균 움직임 궤적 체크 - 사고 전/후의 일반적인 영상의 Optical Flow 변화량 분석 Standard Metrics 및 Factors 설정 - 애매모호한 정성적 판단에서 정량적사고 판단을 위해 Factors와 Metrics를 설정 - 물체뿐 아니라 환경적인 상태가 고려된 요소를 설정 - 터널 내 환경에서 특정 목표물, 피사체들의 움직임에 관한 Factor들과 Metric들의 측정 - 누수, 화재, 충돌, 차선변경에 따른 영상 내에서의 Motion Feature 측정 - 해당 Factor, Metric들과 사고와의 연관성에 관한 점수 및 표준 설정 및 수식 설계 움직이는 물체를 식별하고, Metrics를 적용 - 식별된 물체와 현 상태를 통해 Metrics를 적용시키고 도출된 수치값을 통해 Pattern을 Query함 - 움직이는 피사체들의 Blob Labeling 수행 - 크기와 방향에 따라 Blob들의 차량/보행자 유무 판별 - 판별된 각 Object들의 Metric 측정 및 Deep Learning 학습 데이터 생성 |
|||||
| 색인어 | 한글 | 터널 재난 | 대응 시스템 | 학습머신 알고리즘 | 패턴 분석기법 | 유고감시 |
| 영문 | Disaster in the tunnel | Confrontation system | Machine learning algorithm | Pattern analysis | Incident detection | |
| 최종보고서 | 에스비네트워크-국토교통기술사업화지원사업-최종보고서-2019.05.13.pdf | |||||