• 한국방송∙미디어공학회:학술대회논문집
• /
• 한국방송∙미디어공학회 2022년도 추계학술대회
• /
• pp.183-186
• /
• 2022

최근 인공지능 기반 객체 탐지 기술이 발전함에 따라 영상 감시, 얼굴 인식, 로봇 제어, IoT, 자율주행, 제조업, 보안 등 다양한 분야에 활용되고 있다. 이에 본 논문은 발전된 객체 탐지 알고리즘을 이용하여 비전문가에겐 생소한 컴퓨터나 전기 장치 등의 '단자(terminal)' 모양을 구별하는 방법을 제안한다. 이를 위해 객체 탐지 프로그램인 You Only Look Once (YOLO) 알고리즘을 이용하여 입력한 단자들의 모양을 검출하는 알고리즘을 구성하였다. 일상에서 쉽게 볼 수 있는 단자들의 이미지(VGA, DVI, HDMI, DP, USB-A, USB-C)를 라벨링하여 데이터셋을 구축하였고, YOLOv4와 YOLOv5 두 버전의 알고리즘을 사용하여 성능을 검증하였다. 실험 결과 mean Average Precision(mAP) 기준 최대 92.9%의 정확도를 얻을 수 있었다. 전기 장치에 따라 단자의 모양이 다양하고, 그 종류 또한 많기 때문에 본 연구가 방송 기술 등의 여러 분야에 응용될 것으로 기대된다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2021년도 추계학술대회
• /
• pp.366-369
• /
• 2021

본 논문에서는 동영상에서 일련의 과정을 거쳐 얻었던 학습데이터를 보다 간편하고 빠른 속도로 획득하는 방법을 제안한다. 음성과 영상 스트림을 처리하는 ffmpeg을 이용해 영상을 프레임화하고, 딥 러닝 기반의 YOLO 알고리즘을 사용하여 객체를 검출한다.

• 자동차안전학회지
• /
• 제14권4호
• /
• pp.6-15
• /
• 2022

In this study, a traffic light recognition algorithm was implemented and validated for low-speed special purpose vehicles in an urban environment. Real-time image data using a camera and YOLO algorithm were applied. Two methods were presented to increase the accuracy of the traffic light recognition algorithm, and it was confirmed that the second method had the higher accuracy according to the traffic light type. In addition, it was confirmed that the optimal YOLO algorithm was YOLO v5m, which has over 98% mAP values and higher efficiency. In the future, it is thought that the traffic light recognition algorithm can be used as a dual system to secure the platform safety in the traffic information error of C-ITS.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2020년도 제62차 하계학술대회논문집 28권2호
• /
• pp.677-678
• /
• 2020

본 연구는 자율주행 시대에 자동차의 외부통제를 가능하게 하는데 목적이 있다. 자율주행 자동차의 외부통제를 하기 위해 교통경찰 수신호를 사용한다. 교통이라는 특별한 상황을 고려하여 실시간 객체 검출이 가능한 YOLO모델을 사용하였고, 수신호 데이터 학습을 위해 Data Argumentation 기법을 사용하여 데이터를 확보한 후 이를 바탕으로 YOLO모델을 학습하였다. 학습된 YOLO모델을 이용하여 교통의 흐름에서 교통 통제자를 실시간으로 검출하였다. 이후 검출된 객체를 이용하여 객체 확인 알고리즘과 수신호 의미파악 알고리즘을 사용하여 수신호의 의미를 파악하고 이를 사용자에게 전달한다. 이와 같은 시스템을 통해 자율주행 자동차에 돌발 상황 발생 시 보다 정확하고 빠르게 교통의 흐름을 정상화 할 수 있는 장점이 있다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2023년도 제68차 하계학술대회논문집 31권2호
• /
• pp.69-71
• /
• 2023

본 논문은 YOLO 기반 모델의 철도 시스템 내 선로 고정장치 탐지 성능을 비교하고 분석한다. 여기서 철도 시스템은 열차가 주행하기 위한 선로, 침목, 패스너 등의 구성요소를 포함한다. 침목은 지반과 직접적으로 연결되며, 선로를 지반 위에 안정적으로 지지하고 궤간을 정확하게 유지하는 역할을 한다. 또한, 패스너는 선로를 침목에 단단히 고정시키는 역할을 한다. 이러한 선로 고정장치의 부재는 인명 사고로 이어질 수 있어 지속적인 관리와 유지 보수가 필수적이다. 본 논문에서는 철도 시스템의 선로 고정장치 탐지를 위해 YOLO V5 및 V8 딥러닝 모델의 적용 가능성을 실험적으로 접근하며, 두 모델의 탐지 성능을 비교한다. 실험 결과, YOLO V8 및 V5 모델은 모두 뛰어난 성능을 보이는데, 특히 YOLO V8 모델이 더욱 우수한 성능을 보인다. 이로써 YOLO 알고리즘은 선로 고정장치 탐지에 적합하다는 것을 증명한다. 그러나 일부 False Positive Sample이 관측되었음을 확인하고, 이로부터 모델 성능의 개선이 필요하다는 결론을 도출하였다.

• 융합신호처리학회논문지
• /
• 제21권2호
• /
• pp.86-91
• /
• 2020

독거노인이 증가하면서 낙상 사고 빈도도 높아지고 있다. 낙상은 노인들의 건강을 위협할 뿐만 아니라, 독립적인 생활을 위협할 수 있다. 이 문제를 해결하기 위해서는 독거노인의 위급한 상태를 인식하고 대응할 수 있는 실시간 기술이 필요하다. 따라서 본 논문은 독거노인을 위해 긴급 상황 중 하나인 낙상을 실시간으로 확인할 수 있는 YOLO-KCF를 기반 개선된 낙상 감지 알고리즘을 제안한다. YOLO는 물체의 검출뿐 아니라 서 있는 행동과 쓰러지는 행동 유행을 감지할 수 있다. 따라서 본 논문은 서 있는 행동 유형과 쓰러지는 행동 유형간의 경계 박스의 형태 변화를 이용하여 낙하를 검출할 수 있으며, KCF의 단점을 개선할 수 있다.

• 방송공학회논문지
• /
• 제24권3호
• /
• pp.495-505
• /
• 2019

딥 러닝의 대표 알고리즘에는 영상 인식에 주로 사용되는 CNN(Convolutional Neural Networks), 음성인식 및 자연어 처리에 주로 사용되는 RNN(Recurrent Neural Networks) 등이 있다. 이 중 CNN은 데이터로부터 자동으로 특징을 학습하는 알고리즘으로 특징 맵을 생성하는 필터까지 학습할 수 있어 영상 인식 분야에서 우수한 성능을 보이면서 주류를 이루게 되었다. 이후, 객체 탐지 분야에서는 CNN의 성능을 향상하고자 R-CNN 등 다양한 알고리즘이 등장하였으며, 최근에는 검출 속도 향상을 위해 YOLO(You Only Look Once), SSD(Single Shot Multi-box Detector) 등의 알고리즘이 제안되고 있다. 하지만 이러한 딥러닝 기반 탐지 네트워크는 정지 영상에서 탐지의 성공 여부를 결정하기 때문에 동영상에서의 안정적인 객체 추적 및 탐지를 위해서는 별도의 추적 기능이 필요하다. 따라서 본 논문에서는 동영상에서의 객체 추적 및 탐지 성능 향상을 위해 딥 러닝 기반 탐지 네트워크에 칼만 필터를 결합한 방법을 제안한다. 탐지 네트워크는 실시간 처리가 가능한 YOLO v2를 이용하였으며, 실험 결과 제안한 방법은 기존 YOLO v2 네트워크에 비교하여 7.7%의 IoU 성능 향상 결과를 보였고 FHD 영상에서 20 fps의 처리 속도를 보였다.

• 융합정보논문지
• /
• 제12권1호
• /
• pp.39-44
• /
• 2022

본 연구의 목적은 딥러닝 알고리즘을 이용하여 영상 내 객체의 종류, 위치, 절대 크기를 추출하고, 객체간 상대적 거리를 예측하며, 이를 이용하여 객체 간의 접촉을 감지하기 위한 내용이다. 객체의 크기 비율을 분석하기 위하여, CNN 기반의 Object Detection 알고리즘인 YOLO를 이용한다. YOLO 알고리즘을 통하여 2D 형태의 이미지에서 각 개체의 절대적인 크기와 위치를 좌표의 형태로 추출한다. 추출 결과는 사전에 저장된 동일한 객체의 명칭과 크기를 가지는 표준 객체-크기 리스트로부터 영상 내 크기와 실제 크기 간의 비례를 추출하며, 영상 내 카메라-객체 간의 상대적인 거리를 예측한다. 예측된 값을 바탕으로 영상에서 객체 간 접촉 여부를 감지한다.

• 한국소프트웨어감정평가학회 논문지
• /
• 제17권2호
• /
• pp.83-89
• /
• 2021

본 논문에서는 특정지역의 보행자들의 검출을 통한 분석으로, 특정시간 동안의 보행자 수를 분석해 원하는 지역의 상권을 과학적이고 체계적으로 분석하여 사업을 하고자 하는 수요자에 대한 서비스 제공을 목적으로 하는 알고리즘을 제안한다. 본 논문을 통해 특정지역에 분포해 있는 다양한 영상획득 장치를 통해 우선 영상에서의 보행자 수를 딥러닝 기법중 하나인 YOLO를 통해 검출하여 알고리즘을 이용하여 분석하고, 관심지역에서 획득된 영상을 활용하여, 분당 한 장의 영상정보를 활용하여 딥러닝 네트워크를 활용하여 보행자수를 파악한 후 특정지역 및 시간대별로 보행자수를 분석하여 상권분석을 체계적이고 객관적으로 수행하는 알고리즘을 제안하였다. 제안한 방법을 통해 보다 객관적인 상권을 분석하여 다양한 방법을 통해 사용자가 원하는 지역의 상권 분석을 위한 모델을 제안하였다.

• 해양환경안전학회지
• /
• 제27권1호
• /
• pp.22-28
• /
• 2021

본 연구는 화재진압 및 피난활동을 지원하는 딥러닝 기반의 알고리즘 개발에 관한 기초 연구로 선박 화재 시 연기감지기가 작동하기 전에 검출된 연기 데이터를 분석 및 활용하여 원격지까지 연기가 확산 되기 전에 연기 확산거리를 예측하는 것이 목적이다. 다음과 같은 절차에 따라 제안 알고리즘을 검토하였다. 첫 번째 단계로, 딥러닝 기반 객체 검출 알고리즘인 YOLO(You Only Look Once)모델에 화재시뮬레이션을 통하여 얻은 연기 영상을 적용하여 학습을 진행하였다. 학습된 YOLO모델의 mAP(mean Average Precision)은 98.71%로 측정되었으며, 9 FPS(Frames Per Second)의 처리 속도로 연기를 검출하였다. 두 번째 단계로 YOLO로부터 연기 형상이 추출된 경계 상자의 좌표값을 통해 연기 확산거리를 추정하였으며 이를 시계열 예측 알고리즘인 LSTM(Long Short-Term Memory)에 적용하여 학습을 진행하였다. 그 결과, 화재시뮬레이션으로부터 얻은 Fast 화재의 연기영상에서 경계 상자의 좌표값으로부터 추정한 화재발생~30초까지의 연기 확산거리 데이터를 LSTM 학습모델에 입력하여 31초~90초까지의 연기 확산거리 데이터를 예측하였다. 그리고 추정한 연기 확산거리와 예측한 연기 확산거리의 평균제곱근 오차는 2.74로 나타났다.