도로 파손은 교통 흐름을 방해하고 사고 위험을 높이는 심각한 문제로, 신속하고 정확한 감지 및 분류는 효율적인 유지보수를 위해 필수적입니다. 본 연구는 모바일 애플리케이션 환경에서 도로 파손을 감지하고 분류하는 데 사용되는 두 가지 객체 감지 알고리즘인 YOLOv8과 SSD-MobileNet의 성능을 비교했습니다.
성능 평가는 정확도, 속도, 메모리 사용량을 기준으로 진행되었으며, 혼동 행렬을 사용하여 블록 균열, 악어 등 균열, 횡방향 균열, 모서리 균열, 패치, 움푹 들어간 곳의 6가지 도로 파손 유형을 분류했습니다.
연구 결과, YOLOv8은 86.4%의 전반적인 정확도와 0.5ms의 감지 속도, 0.41GB의 RAM을 소비했습니다. 반면, SSD-MobileNet은 91.1%의 전반적인 정확도와 0.7ms의 속도, 0.14GB의 RAM을 소비하는 것으로 나타났습니다.
이러한 비교를 통해 YOLOv8은 감지 속도에서 우위를 보였고, SSD-MobileNet은 더 높은 정확도와 효율적인 메모리 사용량을 제공함을 확인했습니다. 본 연구는 제한된 모바일 환경에서 모델 구현 시 정확도, 속도, 메모리 간의 상충 관계에 대한 중요한 통찰을 제공하며, 향후 연구에서는 메모리 사용량 감소를 위한 모델 가지치기(pruning) 탐색을 권장합니다.
전기 오토바이 운전자 및 동승자의 헬멧 착용 여부를 자동으로 감지하는 객체 감지 알고리즘은 규제 인력 비용을 절감할 수 있습니다. 그러나 복잡한 환경 배경과 헬멧과 유사한 머리 장식은 오탐 및 미탐을 유발하여 감지 정확도를 저하시키는 문제가 있었습니다.
본 연구에서는 이러한 문제를 해결하기 위해 YOLOv8n-Improved 객체 감지 알고리즘을 제안합니다. 이 알고리즘은 먼저 넥(neck) 부분에서 단순화된 가중 양방향 특징 피라미드 네트워크(Bi-FPN) 구조를 사용하여 단일 입력 노드를 제거하고, 연결 에지를 추가하며, 특징의 중요도에 따라 경로 가중치를 부여합니다. 이를 통해 알고리즘의 다중 스케일 특징 융합 능력을 최적화하고 계산 효율성을 향상시킵니다.
또한, 헤드(head) 부분에서는 예측 박스와 실제 박스 간의 벡터 각도를 도입하는 스케일 민감형 IoU(Intersection over Union) 손실 함수를 사용하여 페널티 측정 방식을 재정의합니다. 이 개선은 네트워크의 수렴 속도를 높이고 모델의 정확도를 향상시킵니다.
테스트 세트에서 비교 검증한 결과, YOLOv8n-Improved 알고리즘은 전기 오토바이 및 헬멧 감지에서 평균 정밀도(AP)가 각각 1.37% 및 3.16% 증가했으며, 전체 평균 AP는 2.27% 향상되었습니다. 또한, 두 범주 모두에서 오탐 및 미탐이 감소하는 것을 확인했습니다. 이 연구는 헬멧 착용 감지 시스템의 실용성을 크게 높이는 데 기여할 것입니다.
