스마트미디어저널 (Smart Media Journal)

  • 제12권9호
  • /
  • Pages.159-170
  • /
  • 2023
  • /
  • 2287-1322(pISSN)
  • /
  • 2288-9671(eISSN)
한국스마트미디어학회 (THE KOREAN INSTITUTE OF SMART MEDIA)
권호 표지
DOI QR코드

DOI QR Code

YOLO 기반 실종자 수색 AI 응용 시스템 구현

Implementation of YOLO based Missing Person Search Al Application System

  • 김하연 (순천대학교 IT-Bio융합시스템전공 ) ;
  • 김종훈 (순천대학교 IT-Bio융합시스템전공) ;
  • 정세훈 (순천대학교 컴퓨터공학과) ;
  • 심춘보 (순천대학교 IT-Bio융합시스템전공)
  • 투고 : 2023.08.21
  • 심사 : 2023.10.05
  • 발행 : 2023.10.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

실종자 수색은 많은 시간과 인력이 필요하다. 그 해결책의 일환으로 YOLO 기반 모델을 활용하여 실종자 수색 AI 시스템을 구현하였다. 객 객체 탐지 모델을 훈련하기 위해 AI-Hub에서 드론 이동체 인지 영상(도로 고정)을 수집하고 모델을 학습하였다. 또한, 훈련 데이터 세트와 상이한 환경에서의 성능을 평가하기 위해 산악 환경 데이터 세트를 추가 수집하였다. 실종자 수색 AI 시스템의 최적화를 위해 모델 크기 및 하이퍼파라미터에 따른 성능평가, 과대적합 우려에 대한 추가 성능평가를 시행하였다. 성능평가 결과 YOLOv5-L 모델이 우수한 성능을 보이는 것을 확인할 수 있었으며 데이터 증강 기법을 적용함에 따라 모델의 성능이 보다 향상되었다. 이후 웹 서비스에는 데이터 증강 기법을 적용한 YOLOv5-L 모델을 적용하여 실종자 수색의 효율성을 높였다.

It takes a lot of time and manpower to search for the missing. As part of the solution, a missing person search AI system was implemented using a YOLO-based model. In order to train object detection models, the model was learned by collecting recognition images (road fixation) of drone mobile objects from AI-Hub. Additional mountainous terrain datasets were also collected to evaluate performance in training datasets and other environments. In order to optimize the missing person search AI system, performance evaluation based on model size and hyperparameters and additional performance evaluation for concerns about overfitting were conducted. As a result of performance evaluation, it was confirmed that the YOLOv5-L model showed excellent performance, and the performance of the model was further improved by applying data augmentation techniques. Since then, the web service has been applied with the YOLOv5-L model that applies data augmentation techniques to increase the efficiency of searching for missing people.

키워드

과제정보

This research was supported by the MSIT(Ministry of Science and ICT), Korea, under the Grand Information Technology Research Center support program(lITP-2023-2020-0-01489) supervised by the IITP(lnstitute for Information & communications Technology Planning & Evaluation). This work was supported by the BK21 plus program through the National Research Foundation (NRF) funded by the Ministry of Education of Korea(5199990214660). 이 논문은 2023년도 정부(산업통상자원부)의 재원으로 한국산업기술진흥원의 지원을 받아 수행된 연구임(P0014718, 2023년 5G기반 드론 활용 스마트영농 실증 확산 사업)

참고문헌

  1. 경찰청, "실종아동등 신고접수 및 처리현황," e-나라지표 (accessed Jun., 28, 2023). 
  2. 송정순, "양천, 발달장애인 실종 방지 위한 스마트 지킴이 추가 보급," 강서양천신문. (accessed Aug., 02, 2023). 
  3. 전근수, "경찰대학 드론시큐리티연구원, 제23회 학술토론회 개최", 국제수사일보 (accessed Jul., 25, 2023). 
  4. 강연운, "실종자 수색에 대량 경찰력 동원?...이제 드론이 뜬다," 매일경제. (accessed Jul., 28, 2023). 
  5. 강주헌, "경찰 드론은 '수색만 가능'...교통단속 범죄 예방은 '규정위반'," 머니투데이. (accessed Jul., 11, 2023). 
  6. 윤홍집, ""찾았습니다" 실종자 수색 드론, 1년 4개월간 34명 찾아 집으로 [잃어버린 가족 찾기]," 파이낸셜뉴스. (accessed Jul., 13, 2023). 
  7. 최위지, "실종 사건 골든 타임 사수...'수색용 드론'이 해결," KBS 뉴스. (accessed Jun, 28, 2023). 
  8. 방지현, 박준, 박성욱, 김준영, 정세훈, 심춘보, "딥러닝 기반의 객체 탐지 모델을 활용한 과수 생육 단계 판별 시스템, " 스마트미디어저널, 제11권, 제4호, 9-18쪽, 2022년 05월  https://doi.org/10.30693/SMJ.2022.11.4.9
  9. 고유진, 이현준, 정희자, 위리, 김남호, "딥러닝 기반 작물 질병 탐지 및 분류 시스템, " 스마트미디어저널, 제12권, 제7호, 9-17쪽, 2023년 8월 
  10. B. Yacoub, A. Varga-Sxemes, U. J. Schoepf, I. M. Kabakus, D. Baruah, J. R. Burt et al, "Impact of Artificial Intelligence Assistance on Chest CT Interpretation Times : A Prospective Randomized Study," AJR Am J Roentgenol. 2022, vol 219, no. 5, pp 743-751, 2022.  https://doi.org/10.2214/AJR.22.27598
  11. YOLOv5 Github. https://gkhub.com/ultralytics/yolov5 (accessed Jun., 08, 2023). 
  12. J. Redmon, S. Divvala, R. Girshick and A. Farhadi, "You Only Look Once-Unified, Real-Time Object Detection," arXiv Preprint, arXiv:1506.02640, 2016. 
  13. R. Girshick, "Fast R-CNN," arXiv Preprint, arXiv:1504.08083, 2015. 
  14. P. Sermanet, D. Eigen, X. Zhang, M. Mathieu, R. Fergus and Y. LeCun, "OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks," arXiv Preprint, arXiv:1312.6229, 2014. 
  15. J. Sohl-Dickstein, E. A.Weiss, N. Maheswaranathan and S. Ganguli, "Deep Unsupervised learning using Nonequilibrium Thermodynamics, arXiv Preprint, arXiv:l503.03585, 2015. 
  16. 김경목, 전호범, 임건선, "드론과 인공지능을 활용한 실종자 탐색에 관한 연구, 한국의료정보교육협회, 제 10권, 2호, 361-367쪽, 2022년 12월 
  17. 김유경, 기명석, 김덕윤, 차지훈, "실종자 데이터셋에서의 탐지 성능 분석 : 성별, 자세, 가시성에 따른 영향", 한국항공우주학회, 학술발표회, 980-981쪽, 2023년 
  18. P. Sun, R. Zhang, Y. Jiang, T. Kong, C. Xu, W. Zhan, M. Tomizuka, L. Li, Z. Yuan, C. Wang and P. Luo, "Sparse R-CNN: End-to-end Object Detection with Learnable Proposals,Proceedings cf the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp 14454-14463, 2021. 
  19. K. Chen, J. Wang, J. Pang, Y. Cao, Y. Xiong, X. Li, S. Sun, W. Feng, Z. Liu, J. Xu, Z. Zhang, D. Cheng, C. Zhu, T. Cheng, Q. Zhao, B. Li, X. Lu, R. Zhu, Y. Wu, J. Dai, J. Wang, J. Shi, W. Ouyang, C. C. Loy and D. Lin, "MMDetection: Open MMLab Detection Toolbox and Benchmark, arXiv preprint, arXiv:1906.07155, 2019. 
  20. AI-Hub(2021). https:z7aihub.or.kr/aihubdata/data/view.do?currMenu=115&topMenu=100&aihubDataSe=realm&dataSetSn=182 (accessed May., 10, 2023). 
  21. Object Detection Metrics (2022). https:/github.com/rafaelpadilla/Object-Detection-Metrics (accessed Jun., 15, 2023). 
  22. 이준환, "지능형 관제시스템을 위한 딥러닝 기반의 다중 객체 분류 및 추적에 관한 연구," 스마트미디어저널, 제12권, 제5호, 73-80쪽, 2023년 6월