요약
5미터 높이에서 촬영한 탑뷰 이미지로 딥러닝 모델이 95% 이상의 탐지 정확도를 달성한 사례가 주목받고 있습니다. 사물인터넷 기반 에지 카메라와 센터넷 알고리즘을 활용하여 고해상도 이미지의 계산 부담을 줄이고, 전이 학습을 통해 탑뷰에 특화된 사람 탐지 모델을 구현했습니다. 이 기술은 실시간 감시 및 보안 시스템에서의 활용 가능성을 크게 높이며, 복잡한 환경에서도 안정적인 성능을 보장하는 점이 큰 장점으로 작용합니다. 사용자는 이를 통해 보다 효율적이고 신뢰성 높은 감시 환경을 구축할 수 있습니다.
기본 정보
•
특허명: 사람 탐지 및 감시 시스템
•
발명자: 전광길 교수
•
출원번호: 10-2022-0057243
상세 정보
배경 기술
발명의 배경
•
스마트하고 연결된 사물인터넷(IoT) 기반 카메라 장치의 수가 급증하고 있으며, 이는 방대한 양의 고해상도 비디오 및 이미지 데이터를 생성함.
•
기존의 컴퓨터 비전 및 딥러닝 기반 방법은 높은 정확도를 제공하지만, 높은 계산 및 메모리 요구사항을 가지고 있음.
•
고해상도 비디오 및 이미지 처리를 위한 계산 비용이 높고, 수많은 매개변수 조정이 필요함.
기술의 필요성
•
에지 컴퓨팅은 고해상도 비디오 및 이미지를 빠르게 처리하는 데 유용하며, 짧은 대기 시간과 리소스 활용을 보장함.
•
탑뷰 카메라를 이용한 사람 탐지는 개인정보 보호 및 가림 문제 해결에 유리하며, 다양한 애플리케이션에 적용 가능함.
•
실시간 사람 탐지 및 고해상도 이미지 처리를 위한 효율적인 기술이 필요하며, 탐지 정확도 향상을 위한 기술 개발이 요구됨.
구현 방법
기술의 원리
•
본 발명은 사물인터넷 기반 에지 카메라, 에지 컴퓨팅 계층, 모니터링 및 감시 장치로 구성된 사람 탐지 및 감시 시스템임. 탑뷰 이미지를 이용하여 사람을 탐지하는 기술임.
•
에지 컴퓨팅 계층은 입력 서버, 비디오 처리 장치, 딥러닝 기반 사람 탐지 모델, 출력 서버로 구성됨. 딥러닝 모델은 탑뷰 이미지에서 사람을 탐지하도록 훈련됨.
•
딥러닝 기반 사람 탐지 모델은 탑뷰 이미지 훈련 데이터셋으로 훈련된 제1 모델과 기존 정면 측면 데이터셋으로 훈련된 제2 모델을 전이 학습하여 생성됨. 센터넷(CenterNet) 알고리즘 기반임.
구체적인 구현 방법
•
사물인터넷 기반 에지 카메라가 탑뷰 이미지를 획득하여 에지 컴퓨팅 계층으로 전송함. 입력 서버는 이미지를 받아 훈련 및 테스트 데이터셋을 생성함.
•
비디오 처리 장치는 훈련 데이터셋을 처리하고, 딥러닝 모델은 이를 이용하여 사람 탐지 모델을 학습함. 훈련된 모델은 테스트 데이터셋으로 성능 평가를 수행함.
•
딥러닝 모델은 센터넷 알고리즘을 사용하여 입력 이미지에서 사람의 바운딩 박스를 탐지함. 키 포인트 히트맵을 예측하고, 값이 1인 키포인트를 사람의 중심점으로 판단하여 바운딩 박스를 생성함.
•
출력 서버는 탐지 결과를 모니터링 및 감시 장치로 전송함. 모니터링 장치는 실시간으로 현장 상황을 감시하고, 필요시 알람을 발생시킴.
기술의 장점
•
탑뷰 이미지 사용으로 폐색 문제 해결 및 탐지 정확도 향상. 개인 정보 보호 강화 및 가림 문제 해결.
•
에지 컴퓨팅 기반으로 실시간 고속 처리 가능. 짧은 대기 시간과 최적의 리소스 활용.
•
딥러닝 기반 모델을 사용하여 높은 정확도의 사람 탐지 제공. 전이 학습을 통해 탑뷰 이미지에 특화된 탐지 모델 생성.
실험 및 결과
실험 목적
•
탑뷰 이미지를 이용한 사람 탐지 모델의 정확도 향상을 위한 실험을 수행함. 기존 정면 및 측면 관점의 훈련 데이터를 활용한 전이 학습을 통해 탑뷰 이미지 특징에 특화된 모델을 개발하고자 함.
•
탑뷰 관점에서 사람 탐지의 어려움을 해결하고, 폐색 문제를 완화하며, 실시간 감시 시스템의 정확성을 높이는 것을 목표로 함.
실험 방법 및 과정
•
실제 환경에서 5미터 높이에 위치한 카메라를 사용하여 탑뷰 이미지 데이터 세트를 수집함. 다양한 조명 조건과 자유로운 사람들의 움직임을 포함하여 실제 환경의 복잡성을 반영함.
•
총 2000개의 이미지 데이터(훈련 1000개, 테스트 1000개)를 사용하여 센터넷 기반 딥러닝 모델을 훈련함. ResNet-101과 DLA 두 가지 기본 아키텍처를 비교 분석함.
•
전이 학습 기법을 적용하여 기존 정면 및 측면 관점의 훈련 데이터로 사전 훈련된 모델을 활용함. 탑뷰 데이터 세트를 이용한 추가 훈련을 통해 탑뷰 이미지에 특화된 모델을 생성함.
실험 결과
•
MS-COCO 데이터 세트로 사전 훈련된 센터넷 모델은 탑뷰 이미지에서 사람 탐지 성능이 저조함을 확인함. 다양한 사람의 모습과 폐색으로 인해 다른 물체로 오탐지되는 경우가 많았음.
•
탑뷰 데이터 세트로 추가 훈련된 센터넷 모델(DLA 기반)은 훈련 정확도 95% 이상, 손실값 0.2~0.3을 달성함. ResNet 기반 모델보다 성능이 우수함을 확인함.
•
전이 학습을 통해 생성된 모델은 다양한 위치와 시각적 특징을 가진 사람들을 효과적으로 탐지함. 탐지 정확도가 크게 향상되었고, 가변 크기의 바운딩 박스를 통해 다양한 사람의 모습을 정확하게 식별함.
활용 방안 및 기대효과
활용 방안
•
다양한 보안 및 감시 애플리케이션에 활용 가능함. 스마트하고 연결된 사물인터넷 기반 카메라 장치와 에지 및 클라우드 지원 데이터 처리 기술을 사용하여 새로운 감시 시스템 구축 가능함.
•
비정상적인 이벤트 탐지, 사람 수 계산, 군중 모니터링, 사람 식별, 사람 보행 특성화, 성별 분류 및 노인 낙상 탐지 등 광범위한 애플리케이션에 적용 가능함.
•
탑뷰 카메라를 이용하여 개인정보 보호 문제를 줄이고, 가림 문제를 해결하며, 전송 부하, 계산, 전력 소비, 설치 비용 및 인적 자원을 절감할 수 있음.
기대효과
•
실시간 사람 탐지 및 현장 상황 감시를 통해 높은 수준의 보안 및 감시 기능 제공함.
•
에지 컴퓨팅 기반 시스템으로 고해상도 이미지를 고속 처리하여 실시간 탐지 가능함. 짧은 대기 시간과 최적의 리소스 활용을 보장함.
•
딥러닝 기반 사람 탐지 모델과 전이 학습을 통해 높은 정확도의 사람 탐지를 제공함. 센터넷 알고리즘을 사용하여 실시간 탐지 및 바운딩 박스 제공함.
시장 동향
사물인터넷(IoT) 기반 카메라 장치 시장 동향
•
•
•
•
•
•
딥러닝 기반 객체 인식 기술 시장 동향
•
•
•
•
스마트시티 구축을 위한 IoT 카메라 응용 분야
•
•
•
•
•
•
대표도면
인천대학교 산학협력단
(21999) 인천광역시 연수구 갯벌로 27(송도동) INU이노베이션센터 202호
본 메일은 마케팅 활용 동의서에 동의하신 회원님께 전송된 것입니다.
COPYRIGHT (c) 2023 Incheon National University. ALL RIGHT RESERVED.
CFRP 보강재의 커넥터 및 연결방법