딥러닝 기반 이미지 프로세싱을 활용한 다중 요인 주행환경의 질적 평가 = Qualitative Assessment of Multifactorial Driving Environments Using Deep Learning-based Image Processing
저자
발행사항
서울 : 서울대학교 대학원, 2024
학위논문사항
학위논문(석사)-- 서울대학교 대학원 : 환경계획학과 2024. 2
발행연도
2024
작성언어
한국어
주제어
DDC
711
발행국(도시)
서울
형태사항
ⅵ, 58 ; 26 cm
일반주기명
지도교수: 장수은
UCI식별코드
I804:11032-000000182533
DOI식별코드
소장기관
Qualitative assessment is crucial for the effective management and utilization of driving environments, taking into account factors such as convenience and safety. However, the assessment often proves time and cost-intensive, limiting its application to specific timeframes and spaces. Moreover, this non-quantitative analysis inherently introduces uncertainty stemming from individual subjectivity, preferences, and biases.
This study introduces a novel approach to address the limitations of traditional qualitative assessment methods. The Delphi technique is employed to gather qualitative assessment results, considering multiple factors. Subsequently, these outcomes are input into an AI-based image processing model, the YOLOv8 classification. This methodology is applied to assess the quality of driver sight, delineation, and curves.
In the Delphi method adopted 11 panels in the transportation field with expertise at the postgraduate level or higher, possessing qualitative assessment experience in driving environments, were selected. These professionals were tasked with choosing between 'adequate' or 'poor' images to assess the quality of driver sight, delineation, and curve through two pre-surveys. Based on the pre-survey responses, the method that facilitated easier consensus among panels involved selecting 'adequate' images. A qualitative assessment of 1,055 images was conducted using this survey. The first survey showed that 87-95% of images in each driving environment achieved an 80% consensus rate, leading to their immediate inclusion in the training and validation datasets. Images below the 80% consensus threshold underwent a second survey. Consequently, delineation reached a consensus for all images included in the dataset, but a consensus on the quality of driver sight and curve could not be established for the 72 excluded images.
The AI-based image processing model is constructed upon the YOLOv8 classification model. The model was trained and validated using the Delphi method results and shows minor performance differences when assessing the quality of driver sight, delineation, and curve. Nonetheless, the integrated framework consistently maintained an accuracy rate of around 90%, highlighting the effectiveness of the proposed methodology.
This paper highlights three key discussion points. Firstly, there are variations in qualitative assessment consensus across different elements within driving environments. While all images reached a consensus for the quality of delineation, approximately 4% of the images for that of driver sight and curve did not ultimately reach a consensus. This indicates differences in the evaluation criteria and scales among panels assessing each element. Secondly, a higher rate of false negatives was observed across all trained models. This warrants attention, as misclassifying 'poor' environments as 'adequate' could have a significant impact on safety. Despite the high performance of the trained models and the efficiency improvement in qualitative assessments, the risk associated with replacing traditional qualitative assessment methods underscores the need for efforts to address and enhance this issue. Lastly, despite their high accuracy, there was a diminished correlation between expert consensus and model predictions. This implies that artificial neural networks tend to provide more deterministic classifications of 'adequate' and 'poor' compared to assessments made by humans.
주행환경에 대한 질적 평가는 양적 평가에서 고려할 수 없는 편리성과 안전성 등을 반영할 수 있다. 이를 통해 주행환경의 효과적 관리와 유지․보수에 활용할 수 있다. 그러나 질적 평가는 시간과 비용이 많이 소요되며, 평가 결과에는 개인의 주관, 선호, 편향 등에서 발생하는 불확실성이 내재한다.
본 연구에서는 이러한 한계를 극복하기 위해 델파이법과 딥러닝 기반 이미지 프로세싱을 결합한 새로운 질적 평가 방법을 제안한다. 델파이법으로 다중 요인을 고려한 질적 평가 결과를 수집하고, 이를 인공 신경망으로 훈련하여 제안된 방법론이 기존 방식을 대체할 수 있는지 확인한다. 운전자 시야, 도로 노면 표시, 곡선 반경의 질에 제안한 방법론을 적용한다.
델파이법의 패널로는 교통 분야 석사 이상의 전문성을 가지고 있으며, 기존 질적 평가 방식에 대한 경험이 있는 11명을 선정하였다. 패널은 설문 설계를 위한 두 차례의 예비조사에 응답하였다. ‘양호’을 선택하도록 설계한 두 번째 예비조사 결과가 ‘불량’을 선택하도록 설계한 첫 번째 예비조사 결과보다 패널 합의도가 높았다. 이에 본 조사는 ‘양호’한 주행환경을 선택하도록 설계하였다.
본 조사는 1,055장의 이미지를 대상으로 하였으며, 내용타당도 비율을 기준으로 합의도 80%에 도달한 이미지를 학습 및 검증데이터에 포함하였다. 1차에서 항목별로 87~95%의 이미지가 데이터 세트에 포함되었으며, 합의도 80% 미만의 이미지는 2차 조사를 수행하였다. 도로 노면 표시 항목의 경우 모든 이미지가 합의에 도달한 것에 반해 운전자 시야와 곡선 반경의 질 항목은 72장의 이미지가 합의에 도달하지 못해 데이터세트에서 제외하였다.
구축된 데이터세트를 딥러닝 기반의 YOLOv8 Classification 모형으로 훈련하였다. 항목별로 미세한 차이는 있으나 대체로 약 90% 수준의 정확도를 보여, 제안된 방법론이 기존의 질적 평가 방식을 대체할 수 있음을 확인하였다.
본 연구는 주요한 논의 사항은 세 가지이다. 첫째, 주행환경 평가 항목별 패널 간 합의도에 차이가 있다. 도로 노면 표시 항목의 경우 모든 이미지가 합의에 도달하였지만, 운전자 시야와 곡선 반경의 질 항목의 경우 약 4%의 이미지가 최종적으로 합의에 도달하지 못했다. 이는 항목별 평가 요인에 대한 패널 간의 기준과 척도에 차이가 있음을 시사한다. 둘째, 훈련된 신경망의 높은 성능에도 불구하고, 모든 신경망에서 거짓 음성의 비율이 높게 나타난다. ‘불량’한 주행환경을 ‘양호’로 오인할 경우, 안전에 중대한 영향을 미칠 수 있으므로 이를 해결하기 위한 후속 연구가 필요하다. 마지막으로, 전문가 합의도와 모형 예측값 간의 양의 상관관계가 크지 않다는 점에 주목할 필요가 있다. 이는 인공 신경망이 전문가의 응답에 비해 ‘양호’와 ‘불량’을 확정적으로 분류하는 경향이 있음을 의미한다.
본 연구에서는 델파이법과 딥러닝 기반 이미지 프로세싱을 연계한 새로운 질적 평가 방법을 제안하고, 운전자 시야, 도로 노면 표시, 곡선 반경의 질적 평가에 적용하여 검증하였다. 제안된 방법은 질적 평가에 드는 시간과 비용을 절약하고, 내재한 불확실성을 제거하여 교통 분야 질적 평가의 효율성을 개선하고 적용 범위를 확대하는데 기여할 수 있다.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)