• 한국ITS학회 논문지
• /
• 제7권5호
• /
• pp.53-63
• /
• 2008

교본 연구는, 구간속도 검지를 위한 기존의 방법인 프로브차량 방식과 차량 번호판 인식 방식의 문제점을 보완할 수 있는 대안으로써, 도로 구간 시.종점에서의 차량 시퀀스 패턴을 이용하여 구간속도 검지가 가능토록 하는 알고리즘을 개발, 제시하였다. 본 알고리즘은 구간 시.종점에서의 차량들을 '차종 순차(Precedence)패턴을 순서대로 나열한 일정한 길이의 시퀀스 그룹'으로 인식하고, 종점에서의 특정 시퀀스에 대응하는, 시점에서의 시퀀스를 탐색하여 가장 유사도가 높은 시퀀스를 동일 그룹으로 간주하여 해당 구간의 통행 시간을 산출하였다. 유사도 비용의 정의에 따라 세 가지의 모델을 제시하였으며, 차량 유출입에 의한 이상치를 제거하고 가공함으로써 정보제공 주기에 가장 적합한 구간 대표 통행시간을 산출할 수 있도록 하였다. 컴퓨터 모의 실험을 통해 구간길이와 통과차량 수를 증가시키면서 차종별, 시.종점의 시퀀스 길이별로 반복 시뮬레이션 한 결과, 평균 최대 오차율 3.46%로서 현장 적용성에서 뛰어난 가능성을 보였다.

• 한국빅데이터학회지
• /
• 제9권1호
• /
• pp.89-100
• /
• 2024

컴퓨터 비전 분야에서 You Look Only Once(YOLO)와 ResNet 등의 모델은 실시간 성능과 높은 정확도로 인해 널리 사용되고 있다. 그러나 실제 환경에 이러한 모델들을 적용하려면 런타임 호환성, 메모리 사용량, 컴퓨팅 리소스 및 실시간 조건 등의 요소를 고려해야 한다. 본 연구에서는 세 가지 심층 모델 런타임 ONNX Runtime, TensorRT 및 OpenCV DNN의 특성을 비교하고, 2가지 모델에 대한 성능을 분석한다. 이러한 분석을 통해 현장 적용을 위한 런타임 선택에 기준을 제공해 주는 것이 논문의 목표이다. 실험에서는 차량 번호판 인식 및 분류 업무에 대해 소요 시간, 메모리 사용량, 정확도 평가 지표를 기반으로 런타임들을 비교한다. 실험 결과, ONNX Runtime은 복잡한 객체 탐지 성능이 우수하며, OpenCV DNN은 제한된 메모리 환경에 적합하고, TensorRT는 복잡한 모델의 실행 속도가 우수하다는 것을 보여준다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제10권4호
• /
• pp.133-142
• /
• 2021

최근 딥러닝은 하드웨어 성능이 향상됨에 따라 자연어 처리, 영상 인식 등의 다양한 기술에 접목되어 활용되고 있다. 이러한 기술들을 활용해 지능형 교통 시스템(ITS), 스마트홈, 헬스케어 등의 산업분야에서 데이터를 분석하여 고속도로 속도위반 차량 검출, 에너지 사용량 제어, 응급상황 등과 같은 고품질의 서비스를 제공하며, 고품질의 서비스를 제공하기 위해서는 정확도가 향상된 딥러닝 모델이 적용되어야 한다. 이를 위해 서비스 환경의 데이터를 분석하기 위한 딥러닝 모델을 개발할 때, 개발자는 신뢰성이 검증된 최신의 딥러닝 모델을 적용할 수 있어야 한다. 이는 개발자가 참조하는 딥러닝 모델에 적용된 학습 데이터셋의 정확도를 측정하여 검증할 수 있다. 이러한 검증을 위해서 개발자는 학습 데이터셋, 딥러닝의 계층구조 및 개발 환경 등과 같은 내용을 포함하는 딥러닝 모델을 문서화하여 적용하기 위한 구조적인 정보가 필요하다. 본 논문에서는 신뢰성있는 딥러닝 기반 데이터 분석 모델을 참조하기 위한 딥러닝 기술 언어를 제안한다. 제안하는 기술 언어는 신뢰성 있는 딥러닝 모델을 개발하는데 필요한 학습데이터셋, 개발 환경 및 설정 등의 정보와 더불어 딥러닝 모델의 계층구조를 표현할 수 있다. 제안하는 딥러닝 기술 언어를 이용하여 개발자는 지능형 교통 시스템에서 참조하는 분석 모델의 정확도를 검증할 수 있다. 실험에서는 제안하는 언어의 유효성을 검증하기 위해, 번호판 인식 모델을 중심으로 딥러닝 기술 문서의 적용과정을 보인다.