도시철도 안전관리를 위한 딥러닝 기반 이상행동 감지 : 딥러닝 기반 이상행동 감지 :For the safety management of urban railways Deep learning-based anomaly detection

임승진

추천

검색

자료유형: 학위논문

저자정보: 임승진 (경성대학교, 경성대학교 일반대학원)

지도교수: 박장식

발행연도: 2023

저작권: 경성대학교 논문은 저작권에 의해 보호받습니다.

이용수31

이 논문의 연구 히스토리 (2)

2023

도시철도 안전관리를 위한 딥러닝 기반 이상행동 감지 : 딥러닝 기반 이상행동 감지

임승진 철도시스템공학과 2023.01 학위논문

2022

도시철도 안전관리를 위한 역사내 LSTM 기반 이상행동 감지

임승진 , Nust , at Jahan Tahi 외 3명 한국철도학회 학술발표대회논문집 2022.10 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

우리나라는 1970년대에 들어서면서 산업의 발전과 함께 늘어난 교통수요를 처리하기 위하여 도시철도를 건설하기 시작하였다. 1974년 8월 15일 서울 도시철도 1호선이 처음 개통되었고, 부산은 1985년 7월 19일 1호선을 개통하여 총 4개 호선을 운영 중이며 현재 1일 평균 90만여명을 수송하고 있다. 수송 인원은 과거에 비에 폭발적으로 늘어난 반면 역사 근무 직원은 매표, 게이트 관리 등 자동화 시스템에 따라 직원이 감소하고 있어 역사의 절대적 안전관리를 위해서는 지능형 CCTV 시스템 도입이 필요하다.
본 논문에서는 실시간으로 도시철도 역사 내 이상행동을 감지하기 위하여 객체 검출 딥러닝 모델의 감지 성능을 비교 분석하고, 경량화를 통한 임베디드 에지컴퓨팅(edge computing)에 적합한 모델을 제안한다. 제안하는 모델은 YOLOv5 n 버전을 팽창(dilated) 컨벌루션을 적용하여 성능을 개선한 것이다.
YOLOv5의 5가지 버전에 대하여 이상행동 학습을 통하여 성능을 비교 분석한 결과 레이어(layer)가 155개인 n 버전과 322개인 x 버전이 0.6%로 크지 않음을 확인하였다. YOLOv5 n 버전에 대하여 팽창 컨벌루션을 적용하여 배경에 대한 오감지가 있는 정상상태 검출 성능을 3% 개선된다. 팽창 컨별루션은 계산량의 증가 없이 밀집도가 낮은 영상(sparse image)에 대한 성능 개선을 할 수 있다.
컨벌루션을 적용한 YOLOv5 n 버전을 안드로이드 앱으로 구현하여 실시간 이상행동 감지가 가능함을 보인다. Pytorch 플랫폼으로 학습한 계수 파일을 Pytorch 경량화 프로그램으로 경량화 처리를 하고 안드로이드 앱에 적용하여 실시간 이상행동 감지 앱을 구현하여 에지 컴퓨팅에 적용할 가능성을 확인한다.
이상행동 감지 정확도를 개선하기 위하여 학습데이터를 확대하고 도시철도 역사 내에서 발생할 수 있는 이상행동 이벤트를 추가하여 개발한 이상행동 감지 시스템을 개선하고자 한다.

In the 1970s, Korea began to build urban railroads to cope with increased traffic demand from the development of industries. On August 15, 1974, the first Seoul Metro Line 1 was opened, and Busan opened Line 1 on July 19, 1985. Busan Metro is currently operating a total of four lines, and transporting an average of 900,000 people a day. While the number of transportation personnel has exploded in the past due to rain, the number of employees working in history is decreasing due to automation systems in areas such as ticket sales and gate management, it is therefore necessary to introduce an intelligent CCTV system for absolute safety management of railway stations.
In this thesis, I compare and analyze the detection performance of object detection deep learning models to detect abnormal behavior in urban railway stations in real time, and I also propose a model suitable for embedded edge computing through lightening. The proposed model improves performance by applying dilated convolution to the YOLOv5n version.
As a result of comparing and analyzing the performance of the five versions of YOLOv5 through abnormal behavior learning, it was confirmed that the performance for YOLOv5n version with 155 layers and the x version with 322 layers were not large at 0.6%. Applying the dilated convolution to the YOLOv5n version improves the steady-state detection performance by 3% with some. The dilated convolution solution improves performance for sparse images without increasing the computation cost.
In this thesis, I show that real-time abnormal behavior detection is possible by implementing the YOLOv5n version applied with the dilated convolution as on an Android app. The coefficient file learned with the Pythorch platform is lightweight with the Pythorch lightweight program and applied to the Android app to implement a real-time anomaly behavior detection app to confirm the possibility of applying it to edge computing.
In order to improve the accuracy of abnormal behavior detection, we intended to improve the abnormal behavior detection system developed by expanding the learning data and adding abnormal behavior events that may occur within urban railway stations.

#딥러닝 #도시철도 #안전관리

Ⅰ. 서론 1
1. 연구 배경 1
2. 연구 목표 3
Ⅱ. 객체 검출 및 이상행동 감지 딥러닝 5
1. 선행연구 분석 5
2. 딥러닝 개념 6
3. 딥러닝 모델 7
3.1 YOLO 계열 7
3.2 SSD 19
3.3 EfficientNet 21
Ⅲ. 제안하는 이상행동 감지 딥러닝 22
1. 인공지능 개요 22
2. AI의 국내 환경 23
3. AI 학습용 데이터 구축 24
3.1 AI 학습용 데이터 구축과 서비스 출시 절차 24
3.2 AI 학습용 데이터 구축 방법 26
4. 팽창 컨벌루션을 적용한 YOLOv5 28
Ⅳ. 실험 및 결과 30
1. 실험 환경 30
1.1 학습데이터 생성 30
1.2 이상행동 학습데이터 31
1.3 YOLOv5 구조와 모델 35
2. YOLOv5 2 클래스 이상행동 감지 시뮬레이션 결과 및 고찰 37
2.1 YOLOv5 n버전 2 클래스 분류 학습 결과 37
2.2 YOLOv5 s버전 2 클래스 분류 학습 결과 43
2.3 YOLOv5 m버전 2 클래스 분류 학습 결과 46
2.4 YOLOv5 l버전 2 클래스 분류 학습 결과 49
2.5 YOLOv5 x버전 2 클래스 분류 학습 결과 52
2.6 팽창(dilated) 컨벌루션 YOLOv5 2 클래스 학습 및 추론 결과 58
3. YOLOv5 4 클래스 이상행동 감지 시뮬레이션 결과 및 고찰 61
3.1 YOLOv5 n버전 4 클래스 분류 학습 결과 61
3.2 YOLOv5 s버전 4 클래스 분류 학습 결과 64
3.3 YOLOv5 m버전 4 클래스 분류 학습 결과 67
3.4 YOLOv5 l버전 4 클래스 분류 학습 결과 70
3.5 YOLOv5 x버전 4 클래스 분류 학습 결과 73
3.6 YOLOv5 n버전 팽창(dilated) 컨벌루션 4 클래스 분류 학습 결과 79
3.7 YOLOv5 s버전 팽창(dilated) 컨벌루션 4 클래스 분류 학습 결과 82
3.8 YOLOv5 m버전 팽창(dilated) 컨벌루션 4 클래스 분류 학습 결과 85
3.9 YOLOv5 l버전 팽창(dilated) 컨벌루션 4 클래스 분류 학습 결과 88
3.10 YOLOv5 x버전 팽창(dilated) 컨벌루션 4 클래스 분류 학습 결과 91
4. 안드로이드 앱 구현 결과 97
Ⅴ. 결론 99
참고문헌 101
ABSTRACT 106

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)