산업현장 안전모 인식 성능 개선을 위한 GAN 기반 데이터 증강기법 연구

Abstract

본 논문은 산업현장에서 안전모 착용여부를 파악하기 위한 영상인식 모델의 성능을 개선하는 방법으로 GAN 기반의 데이터 증강기법을 소개한다. 산업현장에서 안전모 착용여부를 판단하기 위해서 딥러닝 기반의 객체인식 모델을 많이 활용하 <br>지만, 객체인식모델의 훈련에 필요한 데이터 중에서 야간, 겨울, 안개 낀 상황에서 의 데이터를 수집하기가 어려우며 이런 상황에서의 객체인식성능은 매우 떨어진다. <br>본 논문에서 제안하는 방법은 야외 산업현장에서 수집한 일련의 이미지 데이터의 배경을 다른 계절, 시간대, 날씨로 변환하여 수집하기 어려운 산업현장의 다양한 상황에서의 객체인식에 도움이 되는 데이터를 증강하는 방법이다. 제안한 방법을 검증하고자, 공개되어 있는 데이터 셋을 수집하여 CycleGAN 기반 생성모델을 훈련하였고, 이미지의 배경을 겨울, 밤, 안개 상태로 변환된 이미지를 생성하여 배경 인식 모델과 객체 인식 모델을 훈련시킨 뒤 모델의 성능을 측정하였다. 실험결 <br>과 야간과 안개 낀 배경에 대해서 원본데이터 만으로 훈련한 모델의 mAP@0.5 성능은 각각 0.677, 0.572인데 비해 증강데이터를 추가하여 훈련한 모델의 mAP@0.5 성능은 각각 0.785, 0.655로 향상되었다. 또한 객체인식모델의 훈련에 <br>사용된 증강된 데이터의 수에 따라 달라지는 객체인식모델의 성능을 실험하여 원본대비 2배 수준의 데이터까지는 성능향상으로 이어지지만 그 이상은 성능향상에 유의미한 향상을 주지 못하는 것을 확인하였다. <br>본 논문의 연구 결과는 야간, 안개 등 수집하기 어려운 데이터를 인위적으로 증강하여 객체인식모델의 성능을 향상시키는 기초 연구로 활용될 수 있을 것으로 기대된다