최근 영상데이터의 가치가 점차 커지면서 객체 탐지 모델 연구가 활발히 이루어지고 있다. 교통 분야에서도 교통 데이터(교통량, 속도 등) 수집 모델, 돌발 상황 검지 모델, 교차로 신호 최적화 모델 등에서 영상 기반 객체 탐지 모델의 활용도가 크게 증가하고 있다. 영상 기반 객체 탐지 모델을 구성하는 주요 요소는 알고리즘과 학습데이터인데, 이 중 모델의 정확도에 결정적 영향을 미치는 요소는 학습데이터라 할 수 있다. 정확도 높은 영상 기반 객체 탐지 모델을 개발하기 위해서는 우수한 품질의 학습데이터를 구축하는 것이 필수적이나 매우 다양한 교통 환경에서 발생되는 수많은 교통상황에 대해 양질의 학습데이터를 구축하는 것은 현실적으로 많은 어려움이 따른다. _x000D_
<br>악천후 환경에서는 정상적인 기상 환경에 비해 교통관리서비스, 교통정보서비스의 필요성이 더욱 증대되기 때문에 상대적으로 정확도 높은 영상 기반 객체 탐지 모델이 필요하다. 그러나 악천후 환경에서 우수한 정확도를 갖는 영상 기반 객체 탐지 모델을 개발하기가 매우 어려운 실정이다. 다양한 교통 정체 상황, 돌발 상황 등을 포함하고 있는 악천후 환경의 교통영상 데이터 수집에 한계가 있어 악천후 환경에서 양질의 학습데이터를 구축하기가 특히 어렵기 때문이다. 영상 기반 객체 탐지 모델을 적용하는 차량인식기, 차량번호판인식장치, 돌발 상황인식시스템 등을 개발하는 경우나 이에 대한 정확도를 평가하는 국가인증제도에서도 악천후 환경을 전혀 반영하지 못하고 있다. _x000D_
<br>따라서 본 연구는 데이터 증강기법을 활용하여 악천후 환경의 양질의 학습데이터를 생성하고자 하였다. 이를 통해 영상 기반 교통 객체 탐지 모델의 정확도를 안정적으로 확보하고자 하였다. 데이터 증강 기법으로 생성 AI(Generative Artificial Intelligence)인 GAN(Generative Adversarial Network) 모델의 한 종류인 CycleGAN 모델을 활용하였다. CycleGAN 모델은 이미지 변환을 통해 수집에 한계가 있는 데이터를 생성할 수 있어 맑음 환경의 교통 영상 데이터를 기반으로 악천후 환경의 교통 영상 데이터를 생성하였다. _x000D_
<br>다양한 강우 환경의 교통 영상 데이터를 반영하고자 강우 수준을 고려하여 강우 환경 데이터로 생성하였으며, 실제 데이터와 증강 데이터를 활용하여 악천후 환경의 교통 객체 탐지 모델의 정확도를 비교 분석하였다. 분석 결과, 약한 강우(3mm/h 미만) 환경에서는 정확도 개선 정도가 -0.3~1%p로 미미한 반면, 강한 강우(15~30mm/h) 환경에서는 정확도 개선 정도가 4.4~9.2%p로 상대적으로 높은 것으로 나타났다. 악천후 환경인 강한 강우 환경에서 증강 데이터를 활용할 경우 교통 객체 탐지 모델의 정확도가 상대적으로 크게 개선되어 더욱 고무적이라 판단된다. _x000D_
<br>본 연구에서는 악천후 환경의 교통 데이터 신뢰도가 관리되지 못하고 있음에도 불구하고 맑음 환경 중심, 객체 탐지 모델의 알고리즘 중심의 연구를 주로 수행한 기존 연구의 한계점을 파악하고, 교통 객체 탐지 모델의 정확도에 가장 영향을 미치는 학습데이터에 대한 연구를 수행하였다. 수집에 한계가 있는 악천후 교통 영상 데이터를 데이터 증강기법을 통해 생성하고, 부족한 악천후 환경의 교통 객체 탐지 모델의 학습데이터로 활용하여 정확도를 개선하였다. _x000D_
<br>이를 통해 악천후 환경의 교통 데이터 정확도를 개선함으로써 교통계획, 교통관리, 교통정보 제공 등 다양한 교통정보서비스, 교통관리서비스의 신뢰도 향상에 기여할 것으로 기대된다. _x000D_
<br>본 연구는 도로교통 분야에서의 악천후 환경 학습데이터에 대한 연구의 필요성을 입증하고, 증강 데이터의 유효성과 활용 가능성을 확인하였다는 것에 의의가 있다. 또한, 도로교통 분야에서 적합한 데이터 생성 방안을 제시하여 향후 필요한 학습데이터 생성 연구에 있어 중요한 기초자료로 활용될 수 있을 것으로 기대된다._x000D_
<br>_x000D_
<br>주제어: 교통 객체, 학습데이터, 데이터 증강, 악천후 환경, 객체 탐지
