메뉴 건너뛰기

ENG

추천
검색

논문 기본 정보

자료유형
학위논문
저자정보

(배재대학교, 배재대학교 대학원)

지도교수
정회경
발행연도
저작권
배재대학교 논문은 저작권에 의해 보호받습니다.

이용수57

표지
AI에게 요청하기
추천
검색

초록· 키워드

상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지
정보가 잘못된 경우 알려주세요!
산업재해로 인한 사망사고나 부상 사고가 최근 시민 재해로까지 이어지는 등 이러한 현상이 사회적 문제로 지적됨에 따라 산업 현장에서 발생하는 재해 사고에 관한 법률이 시행되고 있다. 특히, 중대 재해 처벌에 관한 법률이 지정되어 작업자와 시민의 안전권을 보장하고 재해를 사전에 방지하기 위한 노력이 각계의 산업에서 요구되고 있다.
산업 안전보건 분야에서는 사고가 질병보다 더 자주 발생하고 있다. 2020년 고용노동부가 발간한 2020년 산업재해 통계 자료를 보면 업종별로는 제조업이 25%로 나타났으며 사고 유형으로는 넘어짐, 떨어짐, 끼임, 부딪힘, 물체에 맞음 등의 순으로 많았다. 또한 5인~49인 규모 사업장의 재해자 수가 45.6%로 가장 많이 차지하는 것으로 나타났다. 이러한 상황에서 정부나 공공기관, 회사에서는 산업 현장이나 건설 현장에서 발생하는 안전사고를 예방하기 위한 제도적 방안이나 기술에 대해 활발히 논의되고 있다.
안전사고 예방을 위한 기술개발을 위해서는 전통적인 컴퓨터 비전 방법론이 전처리 단계에서 많이 활용되고 있고 학습과 추론 단계에서 딥러닝 기반의 객체 탐지 기술이 다양하여 활용되고 있다. 전통적인 컴퓨터 비전 방법론에서는 HOG(Histogram of Gradient) 등과 같은 경계(edge)의 방향과 같은 특성을 기울기로 생각하여 변화가 많이 일어나는 지점을 특징으로 보아 경계 검출이나 기하학적 정보를 검출하는 데 많이 활용되고 있고, SIFT와 같이 특징점을 추출하기 위해 모서리 점이나 밝기가 많이 변하는 점 등을 활용하여 영상의 특징을 추출한다. 이러한 전통적인 방법론은 특징점을 사람이 정한 특정한 알고리즘에 의해서만 수행되며, 특징을 추출하는 데 특화되어 있지만 딥러닝 방법론에 비하면 자동화되지 못한 한계가 존재한다.
반면, 딥러닝 기술을 활용하면 특징 추출부터 객체 탐지까지 종단간(End-to-End) 학습이 이뤄질 수 있어 학습부터 의미 있는 정보 추론까지 한꺼번에 가능하다. 하지만 딥러닝 기반의 객체 탐지 기술은 학습에 필요한 대량의 이미지 데이터셋(dataset) 구축이 필수적이고 이러한 이미지를 수작업으로 이미지 안에 있는 객체를 라벨링(labeling) 해야 한다. 이는 딥러닝이 어떤 객체가 정답인지 아닌지를 확인하여 학습하고 이를 정확도나 정밀도와 같은 지표로 활용하기 때문이다. 따라서 산업 현장에 대한 이미지를 가지고 모델 학습을 하는 데 큰 노력이 드는 실정이다.
본 논문에서는 산업 현장 근로자 안전사고 관리에 대한 학습 데이터를 구축하고 다양한 모델을 학습시켜 위험 상황을 조기에 예측하는 초기 연구로 활용할 수 있을 것으로 사료된다.
#Industrial safety #MobileNet #Object Detection #SSD #YOLO

목차

  1. 목 차
    국문초록 iv
    목 차 vi
    그림목차 viii
    도표목차 x
    I. 서 론 1
    1.1 연구 배경 및 목적 1
    1.2 연구내용 및 범위 2
    1.3 논문의 구성 3
    Ⅱ. 관련 연구 4
    2.1 산업재해 4
    2.1.1 산업재해 통계 현황 4
    2.1.2 산업재해 방지 정책 현황 9
    2.1.3 산업재해 방지 기술 현황 12
    2.2 객체 탐지 13
    2.2.1 CNN(Convolutional Neural Networks) 13
    2.2.2 CNN의 발전 과정 17
    2.2.3 객체 탐지 모델 분류 36
    2.2.4 객체 탐지 모델 발전 과정 37
    2.2.5 YOLO(You Only Look Once) 42
    2.2.6 SSD(Single Shot Detector) 44
    2.2.7 MobileNet 45
    2.2.8 CenterNet 49
    Ⅲ. 학습 데이터 구축과 모델 선정 51
    3.1 학습 데이터 수집 51
    3.2 학습 데이터 증강 기법 53
    3.3 모델 하이퍼파라미터 설정 55
    3.4 성능 지표 56
    3.5 모델 선정을 위한 학습 결과 58
    3.6 고찰 60
    Ⅳ. 시스템 설계 및 구현 61
    4.1 요구사항 분석 61
    4.2 시스템 구성 65
    4.3 학습 데이터셋 구성 68
    4.4 객체 탐지 모델 연결 71
    4.5 시스템 구현 73
    4.6 고찰 75
    Ⅴ. 결 론 77
    참고문헌 79
    영문초록 88
    감사의 글(Acknowledgement) 90

최근 본 자료

전체보기
260429_DBpiaAI
260319_딥리서치
260319_AI리더
260304_새학기에이전트
260429 전공별 추천 이벤트
260428 이주의질문
260304_아그논문롤
260127_아그논문
260127_AI뷰어