부산의 경우 지역적 특성에 따라 해무(안개)가 자주 발생하고, 이로 인해 해상도로(광안대교)에 상습정체가 자주 발생하고 있다. 이러한 문제점을 완화시키기 위하여 부산의 해상도로에 전천후 레이더 기반 돌발상황 검지시스템을 도입하여 안전한 교통환경을 조성하고 돌발상황(정체, 정차, 역주행, 보행자)을 신속하게 검지하여 상황발생시 유관기관과 연계 및 신속한 대응으로 인적·물적 피해를 최소화하고 있다.
레이더 돌발상황 검지시스템은 전천후로 주·야간에 도로상의 정치차량, 역주행차량, 보행자를 실시간으로 검지하여 돌발상황 이벤트를 생성하고 수집된 정보를 운영자에게 실시간으로 제공하고 있다. 돌발상황 검지시스템은 돌발상황을 검지하는 기술자체는 뛰어나지만 기술적 특성에 따라 검지된 돌발상황에 대한 분류는 정지차, 역주행, 보행자 단 세 가지로 구분되고 있다. 현장운영 시 돌발상황 이벤트 중 반복 지정체, 작업차량, 경찰차 등 위험정보로 분류·제공하지 않아도 되는 정보까지 포함되어 돌발상황 검지 및 확정 알람이 지속적으로 운영자에게는 피로감으로 전달되고 있다.
본 논문에서는 기 구축된 광안대교의 돌발상황 검지시스템에 대한 운영자들의 요구사항을 반영하여 보다 정확한 돌발상황으로 분류하여 운영자가 필요로 하는 정보를 정확하게 제공하여 시스템의 사용성을 높이고 돌발상황 검지시스템의 불필요한 이벤트를 제거하고자 한다. 이에 레이더기술의 돌발상황을 검지하고 분석속도가 빠른 딥러닝(yolo) 기반 영상기술을 융합하여 정지차량이 검지된 이후 차량객체를 re-driving로 재검지하여 유효이벤트중 불필요한 이벤트를 최대 75%이상을 제거할수 있는 결과를 도출하였다. 돌발상황의 검지율을 극대화하고 다른 유형 및 오검지율을 최소화하며 불필요한 이벤트를 줄여줌으로써 운영자의 피로도가 개선되며 운영업무의 효율성도 개선되어질 것으로 판단된다.
Alternative Abstract
In the case of Busan, sea fog occurs frequently depending on regional characteristics, and as a result, frequent traffic congestion occurs on the sea bridge (Gwangan Bridge). In order to alleviate this problem, an all-weather radar-based emergency detection system has been introduced in the sea bridge of Busan to make a safe transportation environment and quickly detect unexpected situations (congestion, car stopping, reverse driving, pedestrians) to minimize human and material damage by connecting with relevant organizations and responding quickly.
The system detects unexpected situations and provides operators with collected information in real time by detecting stationary vehicles, reverse-driving vehicles, and pedestrians on the road in real time under all day and night weather conditions. Although the technology for detecting an unexpected situation is excellent, the classification of data is divided into three categories: stopped vehicles, reverse-driving vehicles, and pedestrians according to the technical characteristics. An unexpected situation notification alarm that does not need to be classified and provided as dangerous information such as vehicles that stop repeatedly, working vehicles, and police cars, is delivered to operators as fatigue during on-site operations.
In this paper, we intend to improve the usability of the system and eliminate unnecessary events of the emergency detection system by classifying it as more accurate emergency situations by reflecting operators' requirements for the previously established Gwangan Bridge. To this end, results have been obtained that detect the sudden situation of radar technology and fuse the fast-analysis deep learning (yolo) based video technology to re-detect vehicle objects as re-driving, eliminating up to 75% or more of the valid events. By maximizing the detection rate of unexpected situations, minimizing other types and erroneous detection rates, and reducing unnecessary events, operator fatigue is improved and operational efficiency is also improved.
