Earticle

본 연구는 도로 결함(포트홀 및 균열) 탐지를 위한 YOLO 기반 딥러닝 모델 최적화 및 실용성 검증을 목표로 수행되었다. NVIDIA A100 GPU 환경에서 진행된 첫 번째 실험에서는 RDD2022 공개 데이터셋을 활용하여 YOLOv5n/v8n/v10n 모델들의 성능 중 YOLOv8n 모델이 mAP@0.5에서 0.3657로 가장 우수한 성능을 보였다. 두 번째 실험부터는 자체 구축한 실제 도로 이미지를 바탕으로 YOLOv8의 Detection 및 Segmentation 모델을 비교 평가하였으며, YOLOv8l(Detection) 모델이 mAP@0.5에서 0.772로 실무에 적합한 정확도를 달성하였다. 마지막으로 YOLOv8l 모델의 하이퍼파라미터 최적화/데이터 증강 기법/데이터셋 확장을 비교한 결과 데이터셋을 기존 8,737장에서 14,776장으로 확장한 경우 mAP@0.5에서 0.825까지 향상되었다. 이는 학습 데이터가 실제 도로에 얼마나 유사하고 데이터의 양이 모델 성능의 결정적인 영향을 미친다는 것을 입증한 결과로, 향후 도로 결함 탐지 시스템의 실용성 및 즉각 대응 가능성을 확보하는 데 이바지할 것으로 기대된다.

This study aimed to optimize and validate the practicality of a YOLO-based deep learning model for detecting road defects (potholes and cracks). In the first experiment conducted in an NVIDIA A100 GPU environment using the RDD2022 public dataset, the YOLOv8n model demonstrated the best performance among the YOLOv5n/v8n/v10n models, achieving an mAP@0.5 of 0.3657. From the second experiment onwards, the Detection and Segmentation models of YOLOv8 were comparatively evaluated using self-built real-world road images. The YOLOv8l (Detection) model achieved an mAP@0.5 of 0.772, demonstrating accuracy suitable for practical applications. Finally, a comparison of hyperparameter optimization, data augmentation techniques, and dataset expansion for the YOLOv8l model showed that expanding the dataset from 8,737 to 14,776 images improved the mAP@0.5 to 0.825. This demonstrates that the volume of data and the similarity of training data to real-world environments critically influence model performance. These findings are expected to contribute to securing the practicality and immediate responsiveness of future road defect detection systems.

차량 패널의 미세 결함은 제품 품질과 안전성, 소비자 신뢰도에 영향을 미치는 중요한 요소로, 이러한 결 함을 조기에 탐지하는 것은 필수적인 과정이다. 기존의 품질 검사 방식은 주로 육안 점검 및 초음파 탐상 등의 비파괴 검사(Non-Destructive Testing, NDT)기법에 의존하지만, 이러한 방법은 편차가 발생할 수 있 다. 본 연구에서는 대표적인 1-stage 객체 탐지 모델인 YOLO(You Only Look Once) v5, YOLO v8, YOLO 11을 적용하여 다양한 조명 및 표면 조건에서의 차량 패널 결함 탐지 성능을 비교·분석하였다. 이 연구는 YOLO 계열 모델의 성능 차이를 분석함으로써, 제조 분야에서 결함 탐지를 위한 최적의 모델을 선 정하는 데 기여할 수 있으며, 향후 실시간 품질 관리 시스템 구축에도 활용될 것으로 기대한다.

본 연구는 스마트시티 발전에 따라 교통 관리와 인구 모니터링의 중요성이 커지면서 CCTV 데이터를 활용한 실시간 분석이 필수적이다. 기존의 수동 데이터 수집 방식은 신뢰성과 정확성에 한계가 있어, 객체 추적 알고리즘을 사용하는 지능 형 CCTV가 도입되었지만, 여전히 ID 변경과 재식별 문제를 겪고 있다. 이를 해결 하기 위해 DeepSORT 알고리즘과 YOLOv5, YOLOv7, YOLOv8 등의 객체 탐지 모델을 결합한 방안을 사용하여 MOT16 및 MOT20 데이터셋을 통해 각 모델의 성 능을 MOTA, MOTP 지표로 평가하였다. 연구 결과, YOLOv8과 DeepSORT의 조합이 복잡한 도시 환경에서 가장 높은 MOTA와 MOTP 점수를 기록하며 우수한 성능을 보였다. 특히, YOLOv8은 MOT16-03 시퀀스에서 70.3 MOTA를 기록하며 YOLOv5와 YOLOv7을 능가하였 고, MOT20 데이터셋에서도 높은 정확도와 추적 일관성을 유지하였다. 이러한 결과 는 YOLOv8과 DeepSORT의 조합이 도시 CCTV 환경에서 객체 탐지 및 추적에 가장 효과적임을 나타내며, 스마트시티의 지능형 CCTV 시스템에 대한 최적의 선 택 기준을 제공할 수 있다.

This paper highlights the growing importance of traffic management and population monitoring as smart cities evolve, underscoring the necessity of real-time analysis using CCTV data. Traditional manual data collection methods face limitations in reliability and accuracy, prompting the adoption of intelligent CCTVs with object tracking algorithms. However, challenges such as ID switching and re-identification persist. To address these issues, this study evaluates the performance of DeepSORT combined with object detection models like YOLOv5, YOLOv7, and YOLOv8, using the MOT16 and MOT20 datasets and performance metrics such as MOTA and MOTP. The findings indicate that the combination of YOLOv8 and DeepSORT achieved the highest MOTA and MOTP scores, demonstrating excellent performance in complex urban environments. Specifically, YOLOv8 recorded a MOTA of 70.3 in the MOT16-03 sequence, outperforming YOLOv5 and YOLOv7, and maintained high accuracy and tracking consistency in the MOT20 dataset. These results suggest that the combination of YOLOv8 and DeepSORT is the most effective solution for object detection and tracking in urban CCTV settings, providing an optimal selection criterion for intelligent CCTV systems in smart cities.

The lane designation and the bus-only lane system for traffic speed and road safety are difficult to crack down on, and for this purpose, crackdown methods using image recognition technologies are being studied. Existing studies require continuous learning or additional equipment, and it is difficult to classify combined vehicles such as vans and pickup trucks. Therefore, in this study, YOLO and EasyOCR were mixed to classify combined vehicles through vehicle type symbols. For combined vehicles, higher accuracy was shown than classification using YOLO. Due to the nature of Hangul, the accuracy was slightly lowered because the OCR was not accurately recognized, but if it is used with the existing YOLO classification, high accuracy of crackdown will be possible.

교통류에서는 거시적인 지표로 속도, 교통량, 밀도가 중요한 파라미터로 활용되고 있으며, 미시적인 지표로는 가속도와 차두거리가 중요한 파라미터로 활용되고 있다. 속도와 교통량은 현재 설치된 교통정보 수집장치로 수집이 가능하지만 가속도와 차두거리는 안전과 자율주행 분야 등에 필요성이 있지만 현재 교통정보 수집장치로는 수집이 불가능한 실정이다. 객체인식 기법인 YOLO는 정확도와 실시간성이 우수하여 교통분야를 포함하여 다양한 분 야에서 활용되고 있다. 본 연구에서는 YOLO를 활용하여 가속도와 차두거리를 측정하기 위해 측정 간격을 조밀하게 설정하여 간격별 차량의 속도 변화와 차량 간 통행시간 차이를 통해 가 속도와 차두거리를 측정하는 모델을 개발하였다. 지점별 교통특성에 따라 가속도와 차두거리 의 범위가 다름을 확인하였고, 측정률 확보를 위한 기준거리와 화면각도에 따른 비교분석을 수행하다. 측정간격은 20m, 각도는 직각에 가까울수록 측정률이 높아짐을 분석하였다. 이를 통 해 교차로별 안전도 분석과 국내 차량행태모델 분석에 기여할 수 있을 것이다.

While analyzing traffic flow, speed, traffic volume, and density are important macroscopic indicators, and acceleration and spacing are the important microscopic indicators. The speed and traffic volume can be collected with the currently installed traffic information collection devices. However, acceleration and spacing data are necessary for safety and autonomous driving but cannot be collected using the current traffic information collection devices. ‘You Look Only Once’(YOLO), an object recognition technique, has excellent accuracy and real-time performance and is used in various fields, including the transportation field. In this study, to measure acceleration and spacing using YOLO, we developed a model that measures acceleration and spacing through changes in vehicle speed at each interval and the differences in the travel time between vehicles by setting the measurement intervals closely. It was confirmed that the range of acceleration and spacing is different depending on the traffic characteristics of each point, and a comparative analysis was performed according to the reference distance and screen angle to secure the measurement rate. The measurement interval was 20m, and the closer the angle was to a right angle, the higher the measurement rate. These results will contribute to the analysis of safety by intersection and the domestic vehicle behavior model.

최근, 동영상 콘텐츠 소비와 제품구매 행동이 자연스럽게 이어지는 마케팅 연구가 활발하게 이루어지고 있다. 본 논문에서는 유튜브의 영상 시청중에 자연스럽게 인터넷 쇼핑으로 이어질 수 있도록 관련 제품을 탐지하고 유사 제품을 추천해주는 서비스 기술을 제안하고 구현하였다. 제안한 기술은 YOLOv8과 미리 학습된 EfficientNetV2 를 사용하였고, 제한적으로 탐지할 수 있는 제품 클래스의 개수를 해결하기 위해 CNN모델을 추가함으로써 단일 객체 탐지 모델의 한계를 극복하였다. 또한 탐지할 수 있는 제품의 분류 성능을 높이기 위해 Weighted Box Fusion기법을 적용하였다. 테스트 모델에 사용된 제품 검출 성능 평가 결과에서 mAP는 최고 91.2%의 높은 검출 률을 보였다. 구현결과, 제안한 기술은 시청중에 판매가 이루어질 수 있는 다양한 동영상 플랫폼의 End-to-End 서비스에 활용될 수 있을 것으로 기대한다.

Recently, there has been active research in marketing connecting video content consumption to product purchasing behaviors seamlessly. In this paper, we propose and implement a service technology that detects related products during YouTube video viewing and recommends similar products, enabling a smooth transition to online shopping. Our proposed technology utilizes YOLOv8 and a pre-trained EfficientNetV2, and overcomes the limitations of a single object detection model by adding a CNN model to address the issue of a limited number of detectable product classes. Additionally, the Weighted Box Fusion technique is applied to enhance the product classification performance of detectable products. The product detection performance of the test model showed a high mAP of up to 91.2%. Based on our results, we anticipate that the proposed technology can be applied to various video platforms where sales can be made during viewing, offering an end-to-end service.

Future autonomous vehicles need to recognize the ego lanes required for lane change and the side left and right lanes differently. Therefore, multi-lane recognition is needed. In this study, using the YOLO network, mainly used for object recognition, the proposed method recognizes the ego, left and right side lanes as different objects and identifies the correct lanes. As a result of the performance evaluation on the TuSimple test data, the proposed method recognized the ego lanes and the left and right side lanes differently. It showed very stable lane recognition results. And by detecting lanes that do not exist in the ground truth of TuSimple data, the proposed method is very robust in lanes detection. Nevertheless, studies related to learning data reinforcement in which lanes are located in the center or at the left and right edges of the image and accurate network learning for lanes are needed.

코로나19로 인하여 배달 빈도수가 높은 힘든 1인가구나 맞벌이가족에게는 식자재의 낭비 및 유통기한 관리의 문제점을 가지고 있다. 이런 문제점을 해결하기 위해 본 논문에서는 사용자가 식재료의 유통기한 을 관리하고 식재료 기반 또는 사용자 행동 양식 기반으로 레시피를 추천 받을 수 있게 해주는 애플리케 이션을 설계한다. 본 애플리케이션은 객체 인식 알고리즘인 YOLO를 이용하여 카메라로 식재료를 인식 하고, 협업 필터링을 이용한 레시피 추천 시스템으로 사용자가 원하는 레시피 정보를 제공한다. 사용자 는 본 애플리케이션을 사용하여 카메라로 식재료를 인식하여 레시피를 검색할 수 있고 사용자의 과거이 력이나 취향에 연관된 레시피를 추천 받을 수 있다.

욜로에는 충동구매나 과소비와 같은 부정적인 의미로 보는 견해와 남을 의식하지 않고 자 신이 추구하는 가치를 주는 제품은 다소 비싸더라도 과감히 투자하는 개인주의적 가치소 비와 같은 긍정적인 의미로 보는 견해가 공존하고 있다. 하지만 이러한 상반된 견해에 대한 실증 적인 검증 연구는 아직까지 이루어지지 않은 상태이다. 본 연구에서는 설문조사 및 구조방정식 모형을 사용한 실증연구를 통해 욜로가 충동구매와 개인주의적 가치소비 중에서 어떤 소비행동 과 더 큰 인과관계가 있는지를 파악하고, 욜로가 이러한 소비행동들을 통해 긍극적으로 소비행 복에 미치는 매개효과가 있는지를 파악하고자 하였다. 연구결과, 욜로는 감정적 충동구매, 인지 적 충동구매, 개인주의적 가치소비 및 소비행복과 모두 유의한 정(+)의 직접적인 인과관계가 있 는 것으로 나타났다. 그리고 감정적 충동구매는 소비행복에 정(+)의 영향을 미치지 못하지만, 인 지적 충동구매와 개인주의적 가치소비는 소비행복에 정(+)의 영향을 미치는 것으로 나타났다. 또 한, 욜로가 소비행복에 미치는 인과관계에서 인지적 충동구매와 개인주의적 가치소비는 부분매 개효과가 있는 것으로 나타났지만, 감정적 충동구매를 통한 매개효과는 나타나지 않았다. 이러한 결과에 대한 이론적·실무적 시사점을 제시하였다.

YOLO has not only negative meanings such as impulsive buying or over-consumption, but also positive meanings such as egoistic value consumption boldly investing in values that one pursues or products that give joy to one’s life without being conscious of others. However, empirical studies on these conflicting views have not been conducted yet. Therefore, through a survey and structural equation modeling, this study attempts to find out which consumption behavior YOLO has a greater causal relationship between impulsive buying and egoistic value consumption. In addition, we attempt to determine whether YOLO has a mediating effect on consumption happiness through impulsive buying and egoistic value consumption. As a result, YOLO has significant direct relationships with affective impulse buying, cognitive impulse buying, egoistic value consumption, and consumption happiness. Affective impulsive buying does not affect consumption happiness, but cognitive impulsive buying and egoistic value consumption have effects on consumption happiness. In the relationship between YOLO and consumption happiness, cognitive impulse buying and egoistic value consumption have partial mediating effects, but there is no mediating effect through affective impulse buying. The theoretical and practical implications for these results were presented.

We need data such as the number of lanes for lane change on the road as well as environmental and object recognition of the road for the autonomous vehicle of the future. This study proposed an algorithm that recognizes the left and right lanes and the center lane while driving differently from the black box image taken from a car. In general, deep learning does not recognize lanes individually but recognizes all lanes as only one lane. Therefore, using YOLO's object recognition function, the left and right lanes and the center lane were detected as different lanes, and a heuristic method was applied to recognize multi-lanes as more correct lanes. As a result of the performance evaluation, we confirmed that the proposed method detects the lane more accurately than Fast R-CNN and only YOLOv2.

본 연구에서는 밀레니얼 세대를 중심으로 한 욜로 추구 현상의 기저 매커니즘을 파악하여 지각된 경제 불황의 현재 편향적 소비 행동에 미치는 영향을 알아보고자 하였다. 또한 지각된 경제 불황이 소비자의 현재 편향적 선택 행동 에 미치는 영향을 매개하는 요인으로 개인의 고정주의 성향을 제안하고 이를 실증적으로 검증함으로써 암묵적 이론 관련 연구 결과를 확장하고자 하였다. 학부생을 대상으로 한 세 번의 실험 연구에서 부정적 경제 상황이 점화되거나, 부정적 경제 상황을 더 높이 지각한 소비자들은 현재 편향된 소구에 대한 더 높은 선호를 보고하였고, 현재에 편향된 대안을 선호하는 경향을 보여주었다. 이러한 연구 결과는 저성장과 코로나 19 사태로 경기 침체를 경험하는 현 상황에 서 마케터에게 보다 효과적이고 유용한 실질적 지침을 제공한다.

This study investigates the underlying mechanism of YOLO in millennial consumer, especially the influence of perceived economic recession on the present-biased preference. In addition, it was attempted to expand the implicit theory by proposing the individual’s entity belief as a mediator for the effect of perceived economic situation on consumers’ present-biased seeking behavior. In three experimental studies, undergraduate students who both highly primed and measured negative economic situation showed more favorable attitudes towards present-biased persuasive message and related products. The results of this research provides practical implication for marketers especially in the current situation experiencing economic slowdown due to low economic growth and COVID 19.

본 연구는 실시간 객체 탐지 기술인 YOLO에 대해 YOLOv8부터 YOLO12까지의 버전과 모델에 대해 소규모 커스텀 데 이터셋 환경에서 성능평가를 수행하여, 제한된 데이터와 자원을 보유한 실제 응용 환경에서의 모델 선택 가이드라인을 제시한 다. 교통 환경 기반 6개 클래스, 2,664장, 총 6,354개의 라벨링 커스텀 데이터셋을 구축하고, Google Colaboratory(NVIDIA Tesla T4 GPU) 환경에서 동일한 학습 조건으로 YOLOv8부터 YOLO12까지 총 26개 모델을 학습·평가하였다. 연구 결과, YOLOv9m이 mAP50-95 0.520으로 자체평가 기준 중 최고 성능을 기록하였으며, 대부분의 버전에서 소형(s) 또는 중형(m) 모 델이 시간 대비 뛰어난 성능을 보였다. 대형(l) 및 초대형(x) 모델은 학습 시간이 2~3배 증가했음에도 성능은 정체되거나 감소하 였다. 공식 벤치마크와 달리 소규모 데이터셋에서는 중간 크기 이상 모델에서 성능이 감소하는 비선형적 패턴이 나타났으며, YOLO 버전보다 모델 크기 선택이 성능에 더 큰 영향을 미치는 것으로 확인되었다. 본 연구는 제한된 데이터 환경에서의 실용적 버전 및 모델 선택 기준을 제시하며, 향후 하이퍼파라미터 최적화 및 도메인이나 데이터 규모에 따른 비교 연구가 필요하다.

This study evaluates real-time object detection models in the YOLO series, from YOLOv8 to YOLO12, using a small-scale custom dataset and proposes practical guidelines for model selection in resource-constrained environments. A custom traffic-based dataset consisting of 2,664 images, 6 classes, and a total of 6,354 labeled objects was constructed. All experiments were conducted under identical training conditions using Google Colaboratory with an NVIDIA Tesla T4 GPU, and a total of 26 models from YOLOv8 to YOLO12 were trained and evaluated. The results show that YOLOv9m achieved the highest performance among the evaluated models, with an mAP50–95 of 0.520. In most versions, small (s) and medium (m) models demonstrated superior performance relative to training time. Large (l) and extra-large (x) models showed required 2–3 times longer training, while their performance remained stagnant or decreased. Unlike official benchmarks, a nonlinear performance pattern was observed in the small-scale dataset, where performance decreased in models of medium size or larger. Furthermore, model size had a greater impact on performance than the YOLO version itself. This study provides practical guidelines for selecting appropriate YOLO versions and model sizes in resource-constrained environments. Future work should explore hyperparameter optimization and extend comparative analyses across different domains and dataset scales.

본 연구는 고령화로 인한 낙상 사고 증가에 대응하기 위해 영상 기반 비접촉형 낙상 감지 기법을 비교·분석하였다. YOLOv8 객체 탐지 모델과 YOLOv8-Pose 자세 추정 모델을 동일한 데이터셋으로 평가한 결과, YOLOv8은 Precision 0.998, Recall 0.993, mAP@0.5 0.995를 기록하여 실시간 낙상 감지에 높은 성능을 보였다. 반면 YOLOv8-Pose는 관절 좌표 기반의 자세 변 화를 포착해 세밀한 분석이 가능했으나, 인식 오류와 평가 지표 부족으로 정량적 성능 측정에는 제약이 있었다. 그럼에도 불 구하고, 자세 기반 분석은 낙상 패턴 이해와 보조적 활용 가능성을 제공하며, 향후 GCN이나 Transformer 기반 기법과의 결합 시 정확도 향상이 기대된다. 본 연구는 스마트 헬스케어와 보안 분야에서 활용 가능한 낙상 감지 기술의 발전 가능성을 제시한다.

This study investigates video-based, contactless fall detection to address the growing risk of accidents in aging populations. Two models were evaluated: YOLOv8 for object detection and YOLOv8-Pose for posture estimation. YOLOv8 achieved high performance (Precision 0.998, Recall 0.993, mAP@0.5 0.995), demonstrating strong applicability for real-time fall detection. In contrast, YOLOv8-Pose captured posture variations for finer analysis but faced limitations due to recognition errors and the lack of quantitative benchmarks. Nevertheless, posture-based analysis provides valuable insights into fall patterns and could be enhanced by integrating Graph Convolutional Networks or Transformer-based approaches. The findings highlight the potential of such techniques for elderly care, hospital safety, and smart security systems.

영상 내 객체 인식(Object Detection)은 컴퓨터 비전 분야에서 가장 중요한 연구 주제 중 하나로, 자율 주행, 의료 영 상 분석, 스마트 감시 시스템 등 다양한 응용 분야에서 핵심적인 역할을 한다. 인공지능(AI)은 다양한 산업 분야에서 혁 신을 촉진하고 있으며, 특히 시뮬레이션과의 결합을 통해 더욱 정교한 예측과 최적화가 가능해지고 있다. 시뮬레이션 도구에 AI 기반 모델을 결합함으로써 보다 정확하고 신뢰성 높은 결과를 도출할 수 있다. 본 논문에서는 이미지내에 객 체의 인식률을 높여 그 결과를 다양한 응용에 활용할 수 있도록 지도 학습을 기반으로 한 최적화 기법에 대하여 제안 하였다. 이미지내 객체별 특징을 고려하여 인식 과정울 수립함으로써 객체 인식률을 극대화하였다. 지도 학습 기법 중 다양한 기법을 적용하여 최적의 지도 학습을 선택하여 인식을 수행하였다. 또한 지도 학습을 기반으로 인식된 결과를 다양한 응용에 활용하기 위해 그 결과를 표준화 포맷인 XML 형태로 저장하였다. 본 논문에서 제안한 기법의 우수한 성능은 실험을 통해 확인할 수 있었다.

Object detection in videos is one of the most important research topics in computer vision, playing a key role in various applications such as autonomous driving, medical image analysis, and smart surveillance systems. Artificial i ntelligence (AI) is driving innovation across various industries, and its integration with simulation enables more pre cise predictions and optimizations. By combining AI-based models with simulation tools, more accurate and reliable results can be obtained. This paper proposes an optimization method based on supervised learning to improve object detection accuracy in images and facilitate its application in various fields. By considering object-specific features w ithin images, the recognition process is systematically structured to maximize detection accuracy. Various supervise d learning techniques are applied to identify the most effective approach for object recognition. Additionally, to ensu re the detected results can be utilized in diverse applications, the output is stored in the standardized XML format. The superior performance of the proposed method is verified through experiments.

블랙박스와 폐쇄회로(CCTV)를 통한 자동차 추적이 이루어지고 있다. 폐쇄회로(CCTV) 및 블랙박스 등에 촬영된 영상에 의 존하여 수사를 진행되는 시점에서 자동차 번호판은 범인을 특정하는 중요한 단서가 된다. 자동차 번호판을 원활하게 인식하기 위해 인공지능을 활용한 영상 기술 연구는 지속적으로 수행되고 있으며, 본 논문은 자동차 번호판 인식에 대한 연구의 학술적 고찰을 진행한 후 실제 수사에서 사용하는 자동차번호판 식별시스템을 Image Processing와 YOLO를 활용하여 개선하였으며, 추가적으로 OpenCV의 전처리 기능들을 사용하여 자동차 번호판을 인식하는 방식에 대한 실험 및 결과를 통해 데이터드리프트 가 자동차 번호판 식별 개선에 효과적이라는 점을 고찰하였다.

Vehicle tracking is being done using black boxes and closed-circuit televisions (CCTVs). When an investigation is con ducted relying on footage captured on CCTVs and black boxes, Number plates become important clues for identifying cri minals. Research on image technology using artificial intelligence to smoothly recognize license plates is continuously bein g conducted. This paper conducted an academic review of research on number plate recognition and then improved the pla te identification system used in actual investigations using Image Processing and YOLO. In addition, it examined that data drift is effective in improving license plate identification through experiments and results on a method of recognizing licen se plates using preprocessing functions of OpenCV.