Earticle

본 논문에서는 소형 임베디드 시스템을 기반으로 교차로 상의 차량을 실시간으로 검출함으로써 차량의 정체 상황에 따라 적응적으로 교통 신호등을 제어하는 스마트 교통 관리 시스템을 제안한다. 제안하는 시스템의 개발을 위해 크 게 3단계로 연구를 진행하였다. 먼저 차량 검출을 위한 딥러닝 기반의 학습 모델을 구축하였다. 학습 모델 구축 단 계에서는 교차로에서 차량 검출 성능을 제고하기 위해 15,083 개의 실험 영상을 수집하고 이들 영상에 포함된 104,719 대의 차량에 대해 학습 데이터를 구축하였다. 두 번째 단계에서는 소형 임베디드 시스템에서 YOLO 기반 의 실시간 차량 검출 모델을 구축하였다. 차량 검출 성능을 유지하면서 소형 임베디드 시스템에서의 실시간 처리를 지원하기 위해 USB 형태의 독립형 GPU 모듈을 사용하고 YOLO V3 Tiny 딥러닝 기술을 적용하였다. 마지막으 로는 교차로에서 신호 대기 중인 차량의 대수를 바탕으로 신호등을 효과적으로 제어함으로써 스마트 교통 관리 시스 템을 개발하였다. 본 논문에서 제안하는 시스템을 구현하여 실험한 결과 교차로에서 차량이 일부 겹쳐진 경우에도 약 95% 이상의 차량 검출 성능을 보였으며 동일한 환경에서 효과적으로 차량의 흐름이 제어되는 것을 확인할 수 있었다.

This paper proposes a smart traffic management system based on a small size embedded system. The proposed system can detect vehicles on a cross road in realtime, and adaptively control traffic light according to the traffic situation. The implementation of the proposed system consists of 3 stages. First, we construct a training mode based on deep learning for detecting vehicles. In training model construction stage, we collect 15,083 images for vehicle detection experiment. and construct a training dataset for 104,719 vehicle images in the collected images. Next, we implement a realtime vehicle detection model based on YOLO on a small embedded system. We employed YOLO V3 Tiny deep learning technology using a USB type independent GPU module. This GPU module supports realtime processing on a small size embedded system maintaining superior vehicle detection performance. In the last stage, we developed a noble smart traffic management system by adaptively control traffic light based on the number of vehicles waiting for the traffic light on a cross road. Experimental results show the proposed system has about 95% vehicle detection performance even some parts of vehicles on a cross road are occluded. Further we can find the proposed system controls traffic flow effectively.

본 연구는 교사들이 과학적 모형 구성 수업을 구체적으로 이해할 수 있도록 돕는 연수 자료를 개발하는 데 목적이 있다. 이를 위해 배설에 대한 사전 모형을 구성하기 위해 개발한 수업과 이 수업을 학생들에게 적용하여 촬영한 비디오를 자료로 활용하였다. 연수는 3시간으로 구성되며, 교사-학생의 공동 모형 구성에 대한 간단한 이해, ‘배설’ 단원의 과학적 모형 수업 활동지에 대한 소개, ‘배설’ 단원의 과학적 모형 수업의 실제로 구분된다. 특히, 실제 수업 과정을 보여주는 비디오를 사용한 ‘배설’ 단원의 과학적 모형 수업의 실제 부분에서는 학생들이 가지는 배설 경로에 대한 다양한 모형을 파악하고, 이를 전체 발표와 토론을 통해 교실의 모형을 구성하는 과정에서 학생들의 개념을 구체적으로 추론하고 논의하는 시간을 갖는다. 이 연수 자료는 과학적 모형 구성 활동에 대한 연수의 확산과 교사들의 이해에 기여할 것으로 기대한다.

The aim of this study is to develop the teacher training materials that will help them to understand the scientific modeling lessons. For this purpose, the lesson materials developed to construct a prior model for the excretion pathway and the video of the class were used in this study. The teacher training course consists of three hours, which addresses the understanding of the co-construction of model through the interaction between teacher and student, the introduction of the worksheet for the scientific model of the 'excretion' unit and the practice of the scientific model activity of ‘excretion’ unit. Particularly, in the practice of the scientific model activity of the 'excretion' unit, in which was used the video showing the actual class process, teachers have time to comprehend students’ various models of the excretion path of the students and infer students’ conceptions revealed in the whole presentation and discussion in detail. This training materials is expected to contribute to the spread of the training on the scientific modeling activity and to the understanding of teachers.

It is very important to accurately predict construction costs in the early stages of the construction project. However, it is difficult to accurately predict construction costs with limited information from the initial stage. In recent years, with the development of machine learning technology, it has become possible to predict construction costs more accurately than before only with schematic construction characteristics. Based on machine learning technology, this study aims to analyze plans to more accurately predict construction costs by using only the factors influencing construction costs. To the end of this study, the effect of the error rate according to the activation function and the node configuration of the hidden layer was analyzed.

.