Earticle

초록

영어

This study utilized the YOLOv7 model to detect pedestrians and vehicles at right-turn intersections and aimed to implement a system capable of real-time detection even in resource-constrained environments. To achieve this, the AIHub traffic dataset was combined with a custom dataset, and data preprocessing and augmentation techniques were applied to enhance the quality of the training data. Notably, the custom dataset was designed to closely resemble actual intersection environments, contributing to improved detection performance. During the training process, the YOLOv7 model was configured with a learning rate of 0.1, a batch size of 8, and 200 epochs, with input image sizes standardized to 640×640. As a result, the YOLOv7 model achieved an mAP@0.5 of 93.2% and an mAP@0.5:0.95 of 76.5%, with an average response time of 118ms, demonstrating its capability for real-time detection in Jetson Nano environments. These results indicate that the proposed YOLOv7 model improved performance compared to the original YOLOv7 and provides high accuracy and reliability even in constrained settings. This study suggests that the YOLOv7-based object detection system can be utilized as a real-time safety monitoring and alert system. Future research will focus on optimizing hyperparameters, adjusting the region of interest (ROI), and improving alert algorithms to further enhance the system's real-time capabilities and reliability.

한국어

본 연구는 YOLOv7 모델을 활용하여 우회전 교차로에서 보행자와 차량을 탐지하고, 제한된 리소스 환경에서도 실시간 탐지가 가능한 시스템을 구현하고자 하였다. 이를 위해 AIHub 교통 데이터 세트와 커스텀 데이터 세트를 결합하고, 데이터 전처리 및 증강 기법을 적용하여 학습 데이터의 품질을 강화하였다. 특히 커스텀 데이터 세트는 교차로 환경을 실제와 유사하게 설계하여 탐지 성능을 높이는 데 기여하였다. 모델 학습 과정에서 YOLOv7 모델은 학습률 0.1, 배치 크기 8, 에포크 200회로 설정하였으며, 입력 이미지 크기는 640×640으로 통일하였다. 학습 결과, YOLOv7 모델은 mAP@0.5에서 93.2%, mAP@0.5:0.95에서 76.5%의 성능을 기록하였으며, 평균 응답 시간은 118ms로 Jetson Nano 환경에서도 실시간 탐지가 가능함을 확인하였다. 이는 기존 YOLOv7 모델 대비 성능이 개선되었으며, 제한된 환경에서도 높은 정확도와 신뢰성을 제공함을 입증하였다. 본 연구는 YOLOv7 기반 객체 탐지 시스템이 실시간 안전 모니터링 및 경고 시스템으로 활용 가능함을 제시하였다. 향후 연구에서는 하이퍼파라미터 최적화, 관심 영역(ROI) 조정, 경고 알고리즘 개선 등을 통해 시스템의 실시간성과 신뢰성을 더욱 강화할 계획이다.

목차

요약
Abstract
Ⅰ. 서론
1. 연구 배경
2. 이론적 배경
Ⅱ. 본론
1. 연구 방법
2. 연구 내용
Ⅲ. 결론
REFERENCES

키워드

저자

• 조상준 [ Sang-Joon Cho | 한국공학대학교 ]
• 신성욱 [ Seong-Uk Shin | 한국공학대학교 ]
• 유경선 [ Kyoung-Sun Yoo | 한국공학대학교 ]
• 민경택 [ Kyungtaek Min | 한국공학대학교 ]
• 정병조 [ Byoung-Jo Jung | 한국승강기대학교 ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  혁신산업기술논문지 [The Journal of Innovation Industry Technology]

• 간기

  계간

• pISSN

  2983-2349

• eISSN

  2983-2357

• 수록기간

  2023~2026

• 십진분류

  KDC 559 DDC 629