이철기 손현호 2024-02 33425 https://aurora.ajou.ac.kr/handle/2018.oak/39142 학위논문(박사)--교통공학과,2024. 2 영상검지기 관련 시스템은 딥러닝 기술의 발전과 함께 빠르게 발전하고 있다. 최근 딥러닝 기술이 교통정보 수집시스템에 사용되면서 교통량, 차종 분류, 속도 및 돌발상황 검지까지 가능한 시스템으로 발전하고 있으며 보급이 확대되고 있다. 그러나 딥러닝 영상 검지 기반 시스템의 평가척도 및 분석방법은 기준 대수와 측정 대수의 차이를 기준으로 백분율 오차 산정방법에 따라 정확도를 평가하고 있다. 그러나 이러한 평가방식은 차량 대수 기준에 의한 것으로, 딥러닝 성능지표와 특성을 고려한 정확도를 산정함에 한계점이 있다. 즉, 객체를 검지하고 예측하여 분류하는 과정에서 발생하는 데이터의 특성을 반영한 성능평가 산정식이 필요 하다. 또한, 지표별 수집데이터의 비율을 고려한 방법을 적용해야 데이터 편향 때문에 발생하는 평균의 오류를 최소화할 수 있다. 따라서, 본 연구에서는 딥러닝 기반 영상수집 시스템의 차량 객체 인식 정확도 평가를 위해 산정식을 개발하였으며, 정확도 산정 시 성능지표에 따른 수집데이터의 비율을 고려해 가중치를 산정하고, 지표별 구간을 구분하여 오차를 계산하는 과정을 통해 성능평가 결과를 도출하였다. 정확도를 산정하기 위한 개발 산정식의 단계는 개별가중치, 개별오차, 구간가중치 구간오차 산정 단계를 거쳐 성능지표별 평균 오차를 산정하였으며, 지표별 오차의 평균을 통해 전체 오차율을 산정하여 정확도를 산정하였다. 연구 결과, 기존 평가방법의 정확도는 97.49%와 98.61%로 분석되었으나 개발 산정식 결과는 89.06%와 98.75%로 결과의 차이가 있었다. 또한, 지표별 결과는 IoU 84.86%, 97.53%, 정밀도 85.43%, 99.74%, 민감도 90.89%, 98.98%로 산정되어 지표별 정확도 분석이 가능함을 도출하였다. 이러한 결과는 향후 딥러닝 기반 영상분석 시스템 도입 시 품질 우수성을 확인 할 수 있으며, 장기간 자료수집 시 반복 평가를 통해 성능 유지 및 개선 방향 결정에 도움을 줄 수 있을 것으로 기대한다. 주제어 : 성능평가, 영상수집 시스템, 영상검지, 객체 인식, 정확도 평가 제1장 서론 1_x000D_ 제1절 연구 배경 및 목적 1_x000D_ 1. 연구 배경 1_x000D_ 2. 연구 목적 2_x000D_ 제2절 연구범위 3_x000D_ 제3절 연구내용 및 절차 4_x000D_ 제2장 관련 이론 및 선행연구 고찰 6_x000D_ 제1절 관련 이론 고찰 6_x000D_ 1. 스마트교차로 시스템 6_x000D_ 2. 딥러닝 기반 영상분석 시스템 7_x000D_ 3. 회귀계열 오차 관련 이론 8_x000D_ 4. 딥러닝 유효성 평가지표 이론 13_x000D_ 5. 국내 평가 기준 27_x000D_ 제2절 기존 연구 고찰 29_x000D_ 1. 영상검지기 평가방법 관련 연구 29_x000D_ 2. 관련 이론 및 문헌 고찰을 통한 시사점 도출 33_x000D_ 3. 성능평가 지표의 현장적용 필요성 36_x000D_ 제3장 성능평가 산정식 개발을 위한 자료수집 37_x000D_ 제1절 자료수집 개요 37_x000D_ 1. 자료수집 개요 37_x000D_ 2. 수집자료 분석 시 고려사항 37_x000D_ 3. 수집자료 분석기준 38_x000D_ 제2절 교통량 자료수집 40_x000D_ 1. 교통량 자료수집 개요 40_x000D_ 2. 자료수집 42_x000D_ 3. 기술통계 분석 44_x000D_ 4. 정규성 및 신뢰도 분석 46_x000D_ 5. 빈도분석 47_x000D_ 6. 정확도 평가 49_x000D_ 7. 기존 산정식 정확도 평가 소결 52_x000D_ 제3절 분류계열 자료수집 53_x000D_ 1. 수집시스템 알고리즘 특성 분석 53_x000D_ 2. 자료수집 기준정의 55_x000D_ 3. 분류계열 자료수집 결과 56_x000D_ 제4절 분류계열자료 통계분석 57_x000D_ 1. 기술통계 57_x000D_ 2. 빈도분석 58_x000D_ 3. 성능지표 구간별 빈도분석 61_x000D_ 4. 상관관계 분석 62_x000D_ 5. 소결 및 시사점 64_x000D_ 제4장 산정식 개발 및 적용 66_x000D_ 제1절 개요 및 방법론 66_x000D_ 1. 개발 개요 66_x000D_ 2. 산정식 개발 방법론 67_x000D_ 제2절 산정식 개발 72_x000D_ 1. 산정식 개발 72_x000D_ 제3절 산정식 적용 및 평가 78_x000D_ 1. 개별가중치 및 오차율 산정 78_x000D_ 2. 구간가중치 및 오차율 산정 80_x000D_ 3. 지표별 오차율 및 전체오차 결과 86_x000D_ 4. 기존 산정식과 개발산정식 결과 86_x000D_ 제4절 산정식 검증 88_x000D_ 1. 산정식 오차 정규성 검증 88_x000D_ 2. 수집 장비에 따른 정확도 비교 90_x000D_ 3. 산정식의 우수성 98_x000D_ 4. 교통정보 수집 정확성과 딥러닝 성능지표의 연계성 99_x000D_ 5. 종합성능지표 제안 101_x000D_ 제5절 알고리즘 개발 및 검증 102_x000D_ 1. 알고리즘 구현 102_x000D_ 제5장 결론 및 향후 연구과제 106_x000D_ kor The Graduate School, Ajou University 아주대학교 논문은 저작권에 의해 보호받습니다. 딥러닝 기반 영상검지 시스템의 차량 객체 인식 정확도 평가 산정식 개발 Deep learning-based image detection system Development of vehicle object recognition accuracy evaluation formula Thesis 아주대학교 대학원 Son Hyunho 일반대학원 교통공학과 2024-02 Doctor https://dcoll.ajou.ac.kr/dcollection/common/orgView/000000033425 객체인식 성능평가 영상검지 영상수집 시스템 정확도 평가