7조-TicketChecker

프로젝트 개요

기술개발 과제

국문 : 클라우드 서버와 사물인식 인공지능을 사용한 철도차량의 무인 검표 시스템 및 방법

영문 : Unmanned Ticket Checking System and Method for Railway Vehicles Using Object Detection Artificial Intelligence and Cloud Server

과제 팀명

TicketChecker

지도교수

윤민호 교수님

개발기간

2023년 9월 ~ 2023년 12월 (총 4개월)

구성원 소개

서울시립대학교 기계정보공학과 20174300** 정**(팀장)

서울시립대학교 기계정보공학과 20174300** 정**

서울시립대학교 기계정보공학과 20184300** 테**

서론

개발 과제의 개요

개발 과제 요약

본 발명은 철도차량에서의 검표과정을 1 심층신경망 인공지능, 2 사물 인터넷, 3 클라우드 서버 기술을 이용하여 무인화한 것입니다.

개발 과제의 배경

• 정보화 정부의 최신 동향

2001년 전자정부법의 제정으로 이어져온 정보화 정부의 패러다임은 2017년 지능형 정부로 전환되었습니다. 2018년 행정안전부에서는 지능형 정부 기본계획을 발표하였고, 2019년 과학기술정보통신부에서는 국무회의에서 인공지능 국가전략을 발표하였습니다. 2020년 그 후속조치로 데이터 3법이 개정되어 인공지능 산업에서의 규제를 걷어냈으며, 2023년 9월 13일 현 윤석열 정부 또한 전국민 AI 일상화 실행계획을 발표하였습니다. 즉, 2017년에 수립된 정부의 인공지능 산업 지원 패러다임이 2023년 현재 응용단계까지 오고 있는 것입니다. 그러나, 전국민 AI 일상화 실행계획에 수많은 관계부처가 실행계획 및 신규과제를 제시하였는데, 국토교통부가 제시한 계획 및 과제가 단 한 건도 없다는 것은 정말 애석한 일입니다. 그 중 국민들이 그 변화를 쉽게 체감할 수 있는 B2C 영역에서 인공지능을 도입한다면 가시적인 성과를 만들어낼 수 있고, 특허권을 확보하여 독점적으로 사용할 수 있다면 이후 철도차량 기술의 해외수출에도 기여할 것입니다.

• 철도산업에서의 검표과정의 지위

본 논의는 Herzberg의 2요인 모형(Herzberg’s Two-factor model)을 사용합니다. 전통적인 동기부여 이론에서는, 인간이 일반적인 불만족 해소를 통해 만족의 상태에 도달한다고 보았습니다. 그러나 허츠버그는 불만족 요인을 해소하면 만족의 상태가 아니라 무불만족(No dissatisfaction)의 상태가 되고, 무만족(No satisfaction)을 해소해야만 만족의 상태에 도달한다고 주장하였습니다. 즉, 만족 요인(satisfier)은 무만족을 만족으로 다다르게 하는 요인이며, 해석하면 일반 기업에서 사업부서이고 개척하는 부서이며, 위생 요인(hygiene factor)는 불만족을 무불만족으로 다다르게 하는 요인이며, 해석하면 일반 기업에서 지원부서이며 관리하는 부서입니다. 검표과정은 위 모델에서 위생 요인임이 분명하므로, 최소한의 비용으로 관리하여야 합니다. 본 시스템을 통하여 검표과정을 무인화/클라우드화 한다면 기존의 인력을 만족요인에 주력하게 할 수 있고, 서버에서의 규모의 경제를 활용하여 서버 관리비를 절약할 수 있습니다.

개발 과제의 목표 및 내용

특허법상 장치(apparatus)의 발명

심층신경망을 이용하여 무인 검표를 시행하는 장치로서, 적어도 하나의 프로세서;

컴퓨터로 실행 가능한 명령을 저장하는 적어도 하나의 메모리;

적어도 하나의 카메라;를 포함하되,

상기 탐지 결과를 수신받는 사용자 단말;을 포함하며,

상기 메모리에 저장된 상기 명령은,

상기 적어도 하나의 프로세서에 의하여, 상기 카메라로부터 사진 또는 영상을 수신받아 사람 또는 의자를 탐지하는 서버를 포함하며,

상기 서버는,

딥러닝 기반 심층신경망 모델을 사용하여 착석 여부를 탐지하는 것을 특징으로 하는 무인 검표 시스템

특허법상 방법(method)의 발명

심층신경망을 이용하여 무인 검표를 시행하는 방법으로서,

하나 이상의 카메라로부터 사진 또는 영상을 촬영하는 단계;

상기 사진 또는 영상에 대하여 전처리를 수행하는 단계;

딥러닝 기반 심층신경망 모델을 이용한 좌석의 착석 상태를 검출하는 단계;

검출된 좌석의 착석 상태에 따른 조치를 수행하는 단계;를 포함하는 무인 검표 방법

관련 기술의 현황

관련 기술의 현황 및 분석(State of art)

전 세계적인 기술현황

사물인식 심층신경망 알고리즘

사물인식 딥러닝 알고리즘 분야의 역사는 딥러닝 기술의 발전과 컴퓨터 비전 연구의 진화에 근간을 두고 있습니다.

Neocognitron (1980년대)

사물인식 분야의 초창기 연구 중 하나는 Neocognitron으로, 이것은 컨볼루션 신경망(CNN)의 조상으로 볼 수 있습니다. 이 모델은 이미지 처리에 적용되었으며, 이미지의 특징을 hierarchically한 방식으로 인식하기 위한 개념을 도입했습니다.

LeNet-5 (1990년대)

LeNet-5는 CNN의 중요한 발전 중 하나로, 손글씨 숫자를 인식하는 데 사용되었습니다. 이 모델은 합성곱 레이어와 풀링 레이어를 포함하고, 이후 딥러닝 모델의 기본 아키텍처에 영향을 미쳤습니다.

ImageNet 대회 (2010년대)

2010년대 초반, ImageNet Large Scale Visual Recognition Challenge 대회가 시작되면서 딥러닝 기반 사물인식의 발전을 가속화시켰습니다. AlexNet(2012)과 함께 딥러닝 모델을 사용하여 대규모 이미지 데이터셋에서 다양한 객체를 분류하는 데 성공했습니다.

VGGNet, GoogLeNet, ResNet (2014)

2014년에는 VGGNet, GoogLeNet (Inception), 그리고 ResNet과 같은 깊은 CNN 아키텍처가 소개되었습니다. 특히, ResNet은 매우 깊은 네트워크에서도 그래디언트 소실 문제를 효과적으로 해결한 방법으로 주목받았습니다.

Region-based CNNs (R-CNN, Fast R-CNN, Faster R-CNN)

객체 검출(Object Detection) 분야에서 R-CNN, Fast R-CNN, Faster R-CNN과 같은 모델이 도입되었습니다. 이러한 모델은 이미지 내에서 객체의 위치를 탐지하고 분류하는 작업에 사용되며, 딥러닝을 기반으로 한 객체 검출의 발전을 이끌었습니다.

YOLO (You Only Look Once)

YOLO는 객체 검출 분야에서의 중요한 혁신 중 하나로, 실시간 객체 검출을 위한 속도와 정확도를 제공합니다. YOLO 모델은 이미지를 그리드로 나누고 각 그리드 셀에서 객체의 위치와 클래스를 예측하는 방식을 사용합니다.

사물 인터넷

사물 인터넷(IoT, Internet of Things) 분야의 역사는 컴퓨터 과학, 통신 기술, 전자 공학 등 다양한 분야의 혁신과 발전을 거치며 형성되었습니다.

Francesco Saverio Salvatore Aloisio의 연구 (1990년대 초반)

사물 인터넷의 초기 단계에서는 연구자들이 개체를 인터넷에 연결하고 제어하는 방법을 연구했습니다. 이러한 초기 시도 중 하나로 Francesco Saverio Salvatore Aloisio의 연구가 있으며, 이는 가정 및 농업 분야에서 센서를 사용하여 데이터를 수집하고 제어하기 위한 개념을 탐구했습니다.

RFID 기술 (1990년대 중후반)

무선 식별 기술인 RFID(Radio-Frequency Identification)가 등장했습니다. RFID 태그를 사용하여 물체를 식별하고 추적하는 것은 IoT 개념의 중요한 선행 조건이었습니다.

스마트 미터 및 자동차 분야의 성장 (2000년대 중후반)

사물 인터넷이 가정 및 자동차 분야에서 적용되기 시작했습니다. 스마트 미터를 통해 전기 및 에너지 사용량을 모니터링하고, 자동차에 IoT 기술을 통합하여 자율 주행 및 차량 통신이 가능해졌습니다.

스마트 시티 개념의 등장 (2010년대 초반)

스마트 시티 개념은 도시 인프라와 서비스를 개선하기 위해 IoT를 활용하는 방안을 탐구했습니다. 이로 인해 도시에서는 스마트 조명, 교통 관리, 환경 모니터링 등 다양한 IoT 응용 프로그램이 도입되었습니다.

산업용 IoT (IIoT) 발전 (2010년대 중후반)

산업 분야에서 IoT 기술은 중요한 역할을 하고 있으며, 이를 산업용 IoT 또는 IIoT라고 부릅니다. 제조업, 농업, 에너지, 건설 및 물류와 같은 분야에서 센서 및 자동화 기술을 통합하여 생산성을 향상시키고 비용을 절감하는 데 사용됩니다.

엣지 컴퓨팅 (Edge Computing)의 중요성 (현재)

IoT 기기가 많이 사용되면서 데이터 처리와 응답 시간의 중요성이 증가했습니다. 이로 인해 엣지 컴퓨팅 기술이 개발되어 데이터를 현장에서 빠르게 처리하고 분석하는 데 중요한 역할을 합니다.

클라우드 서버

클라우드 서버 기술의 역사는 정보 기술 분야에서의 혁명적인 변화와 함께 진화해왔습니다.

인터넷의 등장 (1990년대 중반)

클라우드 컴퓨팅의 시초는 1990년대 중반이며, 인터넷의 보급과 함께 웹 기반 애플리케이션 및 서비스가 시작되었습니다. 그러나 이 당시에는 클라우드 컴퓨팅의 개념이 아직 정립되지 않았습니다.

웹 호스팅 (2000년대 초반)

2000년대 초반에는 초기 웹 호스팅 서비스 제공업체들이 등장했습니다. 이 회사들은 웹 사이트와 애플리케이션을 호스팅하는 서버를 제공하고 관리하는데 초점을 맞추었습니다.

Amazon Web Services (AWS) 출시 (2006년)

AWS는 클라우드 컴퓨팅을 대중화시키는 중요한 역할을 한 회사 중 하나로, 클라우드 서버의 상용화를 이끌었습니다. AWS는 가상 서버 (Amazon EC2)를 제공하고, 사용자는 필요에 따라 서버 리소스를 프로비저닝하고 사용할 수 있게 되었습니다.

Google App Engine 및 Microsoft Azure 출시 (2008)

Google과 Microsoft도 클라우드 컴퓨팅 시장에 진입하였으며, Google App Engine과 Microsoft Azure와 같은 클라우드 플랫폼을 시작하였습니다.

클라우드 컴퓨팅의 성장 (2010년대)

2010년대에는 클라우드 컴퓨팅이 급속하게 성장하였습니다. 많은 기업들이 온프레미스 인프라에서 클라우드로의 이전을 시작하였고, 다양한 클라우드 서비스 모델과 솔루션 (IaaS, PaaS, SaaS)이 등장하였습니다.

하이브리드 및 멀티 클라우드 (현재)

많은 기업은 하이브리드 클라우드 및 멀티 클라우드 전략을 채택하고 있으며, 고유한 요구 사항에 맞게 여러 클라우드 제공 업체와 통합하여 인프라를 관리합니다.

특허조사 및 특허 전략 분석

내용

기술 로드맵

사물인식 심층신경망 알고리즘

더 깊고 복잡한 아키텍처

미래에는 더 깊고 복잡한 DNN 아키텍처가 등장할 것으로 예상됩니다. 현재의 모델들보다 더 많은 레이어와 더 많은 파라미터를 가진 모델이 개발될 것이며, 이를 통해 더 복잡한 시각적 특징을 학습하고 더 높은 정확도를 달성할 수 있을 것입니다.

자동화된 아키텍처 디자인

현재는 모델 디자인에 많은 인력과 시간이 소요됩니다. 향후에는 자동화된 아키텍처 디자인 도구와 알고리즘이 발전하여 모델 설계를 단순화하고 효율화할 것으로 기대됩니다.

자기 지도 학습(Self-Supervised Learning)

자기 지도 학습 기술은 레이블이 없는 데이터에서도 효과적으로 학습할 수 있는 방법을 제공합니다. 향후에는 자기 지도 학습을 통해 대규모 레이블이 없는 데이터를 활용하여 DNN 모델을 훈련하는 방법이 더 발전할 것입니다.

강화 학습과 결합

강화 학습과 사물인식 DNN을 결합한 연구가 확장될 것으로 예상됩니다. 이를 통해 모델은 더 높은 수준의 추론과 의사 결정을 수행할 수 있을 것이며, 실제 환경에서 더 나은 성능을 발휘할 것입니다.

더 많은 데이터와 다양성

더 많은 다양한 데이터가 사용 가능해질 것으로 예상됩니다. 특히, 로봇 공학, 의료 영상, 자율 주행 차량 및 산업용 IoT와 같은 분야에서 수집되는 다양한 데이터가 DNN 모델의 성능 향상에 기여할 것입니다.

보안 및 개인 정보 보호 강화

DNN 모델의 보안 및 개인 정보 보호가 더 큰 관심사가 될 것입니다. 모델 공격 방지 및 데이터 프라이버시 보호에 대한 연구가 확대될 것으로 예상됩니다.

지능형 시스템과의 통합

DNN 모델은 지능형 로봇, 자율 주행 차량, 의료 진단 및 헬스케어 시스템과 같은 지능형 시스템과 통합될 것으로 예상됩니다. 이러한 시스템은 실제 환경에서 인간 수준 또는 그 이상의 성능을 제공할 수 있을 것입니다.

사물 인터넷

더 많은 연결된 기기

IoT 기기의 수가 급증할 것으로 예상됩니다. 스마트 홈 기기, 산업용 IoT 센서, 자동차 및 헬스케어 기기와 같이 다양한 분야에서 IoT가 보급될 것입니다.

5G 네트워크의 보급

5세대(5G) 이동 통신 네트워크의 보급은 빠른 데이터 전송과 초저지연 통신을 가능하게 할 것입니다. 이로써 IoT 기기는 더 높은 대역폭과 안정성을 제공받을 것입니다.

엣지 컴퓨팅(Edge Computing)의 중요성 증대

데이터를 중앙 데이터 센터가 아니라 엣지 장치에서 처리하는 엣지 컴퓨팅 기술이 발전할 것으로 예상됩니다. 이로 인해 더 낮은 지연 시간과 데이터 처리 효율성이 달성될 것입니다.

보안 및 개인 정보 보호 강화

IoT 기기의 보안 문제가 계속해서 대두될 것입니다. 향후에는 IoT 기기의 보안 및 개인 정보 보호를 강화하기 위한 기술 및 규정이 개발될 것입니다.

AI와의 통합

인공 지능(AI) 기술은 IoT와 결합하여 스마트한 의사 결정 및 자동화를 가능하게 할 것입니다. 예를 들어, 스마트 도시에서는 AI를 활용하여 교통 흐름을 최적화하고 환경 모니터링을 수행할 수 있을 것입니다.

클라우드 서버

컴퓨팅 리소스의 더 빠른 확장

클라우드 서버는 더 빠르게 컴퓨팅 리소스를 확장할 수 있게 될 것입니다. 이는 기업들이 트래픽 증가나 계절적인 수요 증가에 대응하는 데 도움이 될 것입니다.

엣지 컴퓨팅의 확대

엣지 컴퓨팅 기술은 클라우드 서버와 연동하여 지연 시간을 줄이고 데이터 처리를 현장에서 수행하는 데 중요한 역할을 할 것입니다. 이로 인해 더 빠른 응답과 지능형 장치 관리가 가능해질 것입니다.

보안 및 개인 정보 보호 강화

클라우드 서버 보안과 개인 정보 보호는 더욱 중요한 이슈가 될 것입니다. 신뢰성 있는 암호화 및 식별 및 액세스 관리 기술이 더욱 발전할 것입니다.

다중 클라우드 및 하이브리드 클라우드의 증가

기업들은 여러 클라우드 제공 업체와의 협력을 강화하고 하이브리드 클라우드 전략을 채택할 것입니다. 이로 인해 비즈니스 유연성이 향상될 것입니다.

자동화 및 자체 관리 기능 강화

클라우드 서버 관리와 배포를 자동화하는 기술이 더욱 발전할 것입니다. 이는 리소스 관리, 스케일링, 장애 복구 등을 효율적으로 처리하는 데 도움이 될 것입니다.

AI와의 통합

인공 지능(AI) 및 머신 러닝(ML)은 클라우드 서버 기술과 통합되어 데이터 분석, 예측 및 자동화 작업을 강화할 것입니다.

시장상황에 대한 분석

• 경쟁제품 조사 비교

내용

• 마케팅 전략 제시

내용

개발과제의 기대효과

기술적 기대효과

내용

경제적, 사회적 기대 및 파급효과

내용

기술개발 일정 및 추진체계

개발 일정

내용

구성원 및 추진체계

내용

설계

설계사양

제품의 요구사항

내용

설계 사양

내용

개념설계안

내용

이론적 계산 및 시뮬레이션

내용

상세설계 내용

내용

결과 및 평가

완료 작품의 소개

프로토타입 사진 혹은 작동 장면

내용

포스터

내용

관련사업비 내역서

내용

완료작품의 평가

내용

향후계획

내용

특허 출원 내용

내용