뺑소니 사고조사를 위한 딥러닝 기반의 국산자동차 차종 분류

• 영문명: A Study on the Influence Factors on the Activities of Voluntary Neighborhood Watchmen
• 발행기관: 한국치안행정학회
• 저자명: 이상엽(Sang-Yub Lee)
• 간행물 정보: 『한국치안행정논집』제18권 제3호, 171~185쪽, 전체 15쪽
• 주제분류: 사회과학 > 행정학
• 파일형태: PDF
• 발행일자: 2021.08.30

국문 초록

경찰은 신속하고 정확한 초동수사로 조기에 뺑소니 차량을 특정할 필요가 있으며 CCTV와 블랙 박스에 촬영된 이미지는 차종을 특정할 수 있는 중요한 단서이다. 이미지에서 차종을 분류하는 문제 에서 딥러닝은 자동차에 대한 전문적인 지식, 인력 소모 없이도 가능한 효과적인 방법이다. 따라서 본 연구는 이미지를 기반으로 딥러닝을 활용해 국산 자동차의 차종을 분류하고자 한다. 데이터 세트는 AI HUB에서 제공하는 약 65,000장의 자동차 이미지로 국내 5개 제조사 100종의 차 종을 포함한다. 전이학습을 사용하여 CNN 모델인 ResNet-50을 학습시켰으며, 대표적 전이학습 방 법인 특징추출 기법과 미세조정 기법을 모두 사용해 실험하였다. 또한 학습 전에 이미지는 회색조로 변환하였으며, 좀 더 다양한 상황을 학습할 수 있도록 랜덤으로 이미지를 회전, 확대, 수평 반전시키 는 데이터 증강 기법을 적용하였다. 학습과 테스트는 파이썬 3.8환경에서 딥러닝 오픈소스인 케라스 (keras)를 이용해 수행하였다. 실험 결과, 특징추출 기법은 학습률에 따라 69.17%, 79.81%의 정확도를 나타냈다. 미세조정 기법은 98.67%의 정확도로 성능이 우수하였으나 차종의 연식만 다른 경우에 는 성능이 상대적으로 하락하였다. 본 연구를 토대로 실제 환경에 더욱 강건하면서도 지속 가능한 차종 분류 방법론에 대한 연구가 이어져 뺑소니 사고조사에 활용될 수 있길 기대한다.

영문 초록

The police need to find hit-and-run vehicles early with a rapid and accurate preliminary investigation, and images stored in CCTV and automobile black boxes are important clues to specify the car model. Deep learning is an effective way to classify a car model in an image without expertise in the car and manpower consumption. Therefore, this study aims to classify domestic vehicle models using deep learning based on images. The dataset is about 65,000 vehicle images of 5 domestic manufacturers provided by AI HUB, including 100 vehicle models. ResNet-50 is trained by applying with feature extractor and fine-tuning method, which are representative transfer learning methods. Also, images were converted into grayscale before training and rotation, zoom, and horizon flip were randomly applied as data augmentation techniques to enable learning of more diverse situations. Training and test were conducted in a Python 3.8 environment using Keras, a deep learning open source. Results show that feature extraction method are 69.17% and 79.81% accuracy depending on the learning rate. Fine-tuning method performed well with an accuracy of 98.67%, but in cases where only the model year was different, the performance decreased relatively. Based on this study, future studies about more robust and sustainable vehicle classification methodologies in the real environment are expected to be used for hit-and-run crashes investigations.

목차

Ⅰ. 서론

Ⅱ. 선행연구 고찰

Ⅲ. 연구방법

Ⅳ. 실험결과

Ⅴ. 결론

참고문헌

키워드

뺑소니 사고 전이학습 자동차 분류 AI HUB 한국이미지(차량) 데이터 hit and run crash transfer learning fine grained vehicle classification CNN AI HUB kcar dataset