산업현장 안전모 인식 성능 개선을 위한 GAN 기반 데이터 증강기법 연구
GAN-based Data Augmentation Method for Improving Safety Helmet Recognition Model Performance in field work
- 주제(키워드) Data Augmentation , CycleGAN , Object Recognition , Safety Helmet , Imageto-image Translation
- 주제(DDC) 004
- 발행기관 아주대학교
- 지도교수 조위덕
- 발행년도 2023
- 학위수여년월 2023. 2
- 학위명 석사
- 학과 및 전공 일반대학원 지식정보공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000032615
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 논문은 산업현장에서 안전모 착용여부를 파악하기 위한 영상인식 모델의 성능을 개선하는 방법으로 GAN 기반의 데이터 증강기법을 소개한다. 산업현장에서 안전모 착용여부를 판단하기 위해서 딥러닝 기반의 객체인식 모델을 많이 활용하 지만, 객체인식모델의 훈련에 필요한 데이터 중에서 야간, 겨울, 안개 낀 상황에서 의 데이터를 수집하기가 어려우며 이런 상황에서의 객체인식성능은 매우 떨어진다. 본 논문에서 제안하는 방법은 야외 산업현장에서 수집한 일련의 이미지 데이터의 배경을 다른 계절, 시간대, 날씨로 변환하여 수집하기 어려운 산업현장의 다양한 상황에서의 객체인식에 도움이 되는 데이터를 증강하는 방법이다. 제안한 방법을 검증하고자, 공개되어 있는 데이터 셋을 수집하여 CycleGAN 기반 생성모델을 훈련하였고, 이미지의 배경을 겨울, 밤, 안개 상태로 변환된 이미지를 생성하여 배경 인식 모델과 객체 인식 모델을 훈련시킨 뒤 모델의 성능을 측정하였다. 실험결 과 야간과 안개 낀 배경에 대해서 원본데이터 만으로 훈련한 모델의 mAP@0.5 성능은 각각 0.677, 0.572인데 비해 증강데이터를 추가하여 훈련한 모델의 mAP@0.5 성능은 각각 0.785, 0.655로 향상되었다. 또한 객체인식모델의 훈련에 사용된 증강된 데이터의 수에 따라 달라지는 객체인식모델의 성능을 실험하여 원본대비 2배 수준의 데이터까지는 성능향상으로 이어지지만 그 이상은 성능향상에 유의미한 향상을 주지 못하는 것을 확인하였다. 본 논문의 연구 결과는 야간, 안개 등 수집하기 어려운 데이터를 인위적으로 증강하여 객체인식모델의 성능을 향상시키는 기초 연구로 활용될 수 있을 것으로 기대된다
more초록/요약
This paper introduces a GAN-based data augmentation technique as a method to improve the performance of object recognition on safety helmet in the industrial sites. Deep learning-based object recognition models are widely used to detect safety helmet wearing in the industrial sites, but it is difficult to collect data in night, winter, and foggy. in that case, object recognition performance is very poor. Therefore, in this paper, we introduce GAN-based data augmentation that is helpful for safety helmet recognition in various situations in industrial sites. we consider data in night, winter, foggy is difficult to collect. therefore we train CycleGAN and make night, winter, foggy data from day, summer, sunny data. To validate the proposed method, we measured mAP@0.5 metric by test dataset we collected on public and by ourselves. As a result of the experiment, the mAP@0.5 performance of the model trained with only the original data for night and foggy backgrounds was 0.677 and 0.572, respectively, and the mAP@0.5 performance of the model trained with augmented data was 0.785 and 0.655, respectively. In addition, as a result of conducting an experiment to measure the performance of the object recognition model by adding augmented data little by little, it was verified that a certain amount of augmented data is definitely helpful for object recognition. Using the method proposed in this paper, we can improve the performance of object recognition models by data augmentation that makes night, foggy, winter background data.
more목차
제1장 서 론 1
제2장 관련연구 3
제1절 영상인식과 데이터 증강분야 배경지식 3
제2절 딥러닝 모델의 과적합 현상 5
제3절 데이터 증강 모델 7
1. 데이터 확률분포 8
2. GAN 10
3. CycleGAN 13
제4절. 산업안전모 인식 관련 연구 14
1. 국내 산업안전모 관련 연구 14
2. 해외 산업안전모 관련 연구 14
3. CycleGAN을 통한 배경 변환 연구 15
제3장 배경 변경 방식의 데이터 증강 16
제1절 시스템 설계 16
1. 시스템 목적 16
2. 시스템 고려사항 16
3. 시스템 설계 17
제4장 실험결과 24
제1절 배경 인식 모델 성능 평가 24
제2절 객체 인식 모델 성능 평가 25
제3절 훈련 데이터셋에 따른 객체 인식 모델 성능 평가 28
제4절 증강된 데이터의 수에 따른 객체 인식 모델 성능 평가 30
제5절 이미지 변환 실패 사례 31
제5장 결론 33
참 고 문 헌 34
