표제지
목차
연구요약 3
1. 서론 15
1. 연구 배경 및 목적 16
2. 연구 범위 18
2. 기존문헌 고찰 20
1. 도시교통기초조사 21
2. 기계 학습(machine learning) 23
1) 개요 23
2) 기계학습의 중요성 24
3) 기계학습의 급속한 성장 및 성공 25
3. 규칙기반방법과 데이터기반방법 비교 27
4. 객체 분류, 검지, 추적 28
1) 분류 29
2) 객체 검지 29
3) 객체검지 오류 및 실패 31
4) 객체 추적 32
5. 객체 추적 모형 34
1) 추적 모형 개념 34
2) 추적 알고리즘 분류 35
6. 교통분야 기계학습관련 연구 37
1) 교통분야 기계학습 적용 가능성 37
2) 예측분야 연구사례 38
3) 데이터검지 및 분류분야 연구사례 39
7. 시사점 41
3. 차량 검지 및 계수를 위한 기초자료 구축 44
1. 학습 과정(machine learning process) 45
1) 학습자료 구축 45
2) 검지(detection) 알고리즘 선택 46
2. 검지 알고리즘 YOLO 50
1) 격자(Grid) 및 경계상자(boundary box) 51
2) 네트워크 설계(Network dseign) 및 학습 52
3) 손실함수(loss function) 55
4) 추론(inference) 56
3. 학습자료수행을 위한 관련 시스템 및 평가지표 58
1) 학습자료구축을 위한 하드웨어 및 소프트웨어 58
2) 모형 평가 지표 59
4. 소결 64
4. 기계학습과 조사교통량 비교 및 개선방안 66
1. 학습자료구축 67
2. 학습결과 70
1) YOLO v5 학습결과 70
2) YOLO v4 학습결과 검토 72
3. 추적 및 계수 알고리즘 보완 및 제안 74
1) 검지 및 추적 알고리즘(Modified SORT 알고리즘 제안) 74
2) 계수 알고리즘 75
4. 추론교통량과 기존교통량 계수결과 비교 77
1) 비교자료 및 기준 77
2) 지점별 총량 비교 78
3) 도로유형별 주야간 총교통량 차이 도수분포 비교 88
4) 차종별 주야간 도수분포(D-A, D-B 차이 도수분포) 비교 91
5. 기존 조사지점별 정확성 향상 방안 96
6. 소결 99
5. 결론 및 정책제언 102
1. 결론 103
1) 교통량의 중요성과 조사방식 변화 103
2) 교통량 조사의 딥러닝 활용방안 104
3) 딥러닝 추론교통량 추정력 비교 및 향상방안 105
2. 정책제언 107
1) 차종 및 계수 고도화 시스템 구축 필요 107
2) 보행관련정책 활용방안 필요 108
3) 실시간 교통 관제시스템 구축을 위한 기반 마련 필요 108
참고문헌 110
[부록] 113
판권기 123
[표 2-1] 교통량 및 속도조사 방법 21
[표 2-2] 연도별 조사방법 비교 22
[표 2-3] 검지 방식 장단점 31
[표 2-4] 칼만필터 계산과정 36
[표 3-1] 주요알고리즘 속도 및 평가지표 비교 49
[표 3-2] YOLO 알고리즘 장단점 51
[표 3-3] 딥러닝 수행을 위해 구축된 시스템 및 이용 언어 58
[표 3-4] 객체 인식에서 이용되는 평가지표 구성요소 60
[표 4-1] 학습자료구축 및 추론을 위한 차종 구분 67
[표 4-2] 무작위 추출을 활용한 차종별 학습자료 구축자료수 및 비율 69
[표 4-3] 본연구 epoch단계별 deep learning 관련 지표(YOLO v5) 71
[표 4-4] 학습결과(YOLO v4) 73
[표 4-5] 도로별 비교계수 분산 분석 및 분석방향개수 79
[표 4-6] 자료별 오전시간대 고속 및 간선도로 급간별 도수분포변화 82
[표 4-7] 자료별 오후시간대 고속 및 간선도로 급간별 도수분포변화 83
[표 4-8] 주야간 시간대 교차로 급간별 도수분포변화비교 86
[표 4-9] 유형별ㆍ시간대별 딥러닝(D)과 조사(A) 및 검증(B)교통량차이 도수분포 비교 89
[표 4-10] 주야간 지점별 차종별 차이 도수분포(고속도로) 92
[표 4-11] 주야간 지점별 차종별 차이 도수분포(간선도로) 93
[표 4-12] 유사차종간 변동(intra-class variation)으로 인한 추정력 저하 94
[표 4-13] 유사 차종내(Inter-class) 변화에 따른 추정력 변화(주간) 95
[표 4-14] 유사 차종내(Inter-class) 변화에 따른 추정력 변화(야간) 95
[표 4-15] 딥러닝 추정력 향상 방안 96
[그림 1-1] 연구수행계획 19
[그림 2-1] 인간과 기계 프로그래밍의 차이점 23
[그림 2-2] 규칙기반방법과 데이터 기반방법 비교 27
[그림 2-3] 분류와 위치인식 28
[그림 2-4] 객체 검지 과정 28
[그림 2-5] 복합분류 및 단순분류 29
[그림 2-6] 객체검지기술 발전과정 30
[그림 2-7] 분류 및 검지시 발생 오류 32
[그림 2-8] 사람 이동방향 추적 사례 33
[그림 2-9] 차량방향추적과 속도 추정 사례 33
[그림 2-10] 프레임별 동일 차량 추적 사례 33
[그림 2-11] 추적 알고리즘 유형 35
[그림 2-12] 기계학습 프로세스 42
[그림 3-1] 객체 검지 알고리즘 발전 46
[그림 3-2] 검지 알고리즘 비교 47
[그림 3-3] YOLO v4와 기개발된 객체검지알고리즘 비교 47
[그림 3-4] 격자(grid cell) 52
[그림 3-5] YOLO 네트워크 사례 53
[그림 3-6] loU 계산 방식 61
[그림 3-7] 정밀도와 재현률, loU 개념 61
[그림 3-8] AP사례 63
[그림 4-1] 차종별 학습자료 구축비율 69
[그림 4-2] YOLOv5 학습자료요약 69
[그림 4-3] 본연구 deep learning 관련 결과 지표(YOLO v5, 200epoch까지) 72
[그림 4-4] YOLO v4 평가지표결과(mAP와 loss) 73
[그림 4-5] 방향별 계수를 위한 계수선 설치(서운분기점) 76
[그림 4-6] 도로별 지점별 자료간 상대비율 분포 비교 및 분산 80
[그림 4-7] 자료별 오전시간대 고속 및 간선도로 급간별 도수분포변화 82
[그림 4-8] 자료별 오후시간대 고속 및 간선도로 급간별 도수분포변화 83
[그림 4-9] 잘못된 화각으로 차종구분 불능지점예시 84
[그림 4-10] 카메라부근 대형차량 통과시 후면교통량 계수불능 예시 85
[그림 4-11] 주야간 시간대 교차로 급간별 도수분포변화비교 86
[그림 4-12] 교차로 방향별 교통량 측정 예시 87
[그림 4-13] 대형차량에 의한 대향차로 계수 불능 사례 88
[그림 4-14] 시간대별, 도로유형별 자료간 차이 도수분포변화 비교 90