AI 도로관리를 위한 객체 인식 기술의 발전방향
▲ 김형규 KICT 도로교통연구본부 수석연구원
들어가며
교통사고는 인적요인, 차량요인, 도로요인에 의해 발생하기 때문에 해당 요인들을 고려한 개선이 이루어져야지만 교통 사고 발생을 예방할 수 있다. 차량 기술의 비약적인 발전으로 차량 결함 원인으로만 발생하는 교통사고는 극소수인 상황이다. 도로 안전성을 확보하기 위해서는 도로요인과 인적요인에 대한 개선을 집중할 시기이다. 차량요인은 교통사고에 미치는 영향이 최대 12%로 미미한 편이나, 도로요인은 최대 34%까지 영향을 미친다. 도로 및 교통 특성의 변화는 교통사고에 일차적으로 기여하는 요인으로 도로 이용자(운전자, 보행자 등) 모두에게 적용될 수 있다.
우리나라는 국가 교통안전 사업을 지속적으로 추진 중이며, 국내 교통사고 사망자 수는 1996년(12,653명) 이후 지속적인 감소가 이루어져 2022년(2,735명)까지 78.4%가 감소하였다. 하지만 사고 건수 및 부상자 수는 2002년 이후 큰 감소 없이 정체되고 있다. 매년 약 2조 원의 도로교통 안전 사업비를 지출하지만, 2022년 현재 교통사고 건수는 연간 약 21만 건 수준이다.
교통사고 건수가 많이 감소하지 못하는 원인 중 하나는 도로 시설 및 포장 이상 상황에 대한 대처가 신속하지 못한 부분이 있다. 고속도로, 일반국도 등 전문적인 유지관리 및 예산을 투자하는 도로에서는 상대적으로 도로 이상 상황에 대한 대처가 빠른 편에 속하지만, 지방도와 시군도의 경우 지자체의 낮은 재정자립도와 그에 따른 유지관리기관 인력의 부족으로 도로 이상 상황에 대한 대응능력이 저하된다. 또한, 이상 상황에 대한 업무수행방식 측면에서도 인력 중심의 안전관리 업무가 진행되어 도로 이상 상황을 발견하기까지 장시간이 소요된다.
AI 기술과 지능형 플랫폼을 활용한 방식으로 바꾸어 업무 효율성 및 신속성을 향상해 도로요인에 의한 교통사고 예방과 안전관리 업무의 효율성을 확보할 필요가 있다.
기존 도로 이상상태 검지 기술은 고해상도 특수 카메라로 촬영된 영상 또는 이미지를 활용하기 때문에 실제 현장에 배치하여 운영하기에는 현실성과 실효성이 낮다. 검지 기술구현의 현실성 및 실효성 향상을 위해, 기존 차량에 많이 보급된 블랙박스와 같은 영상 촬영 기기로도 이상상태를 검지 할 수 있는 방법을 찾아야 한다. 이는 검지 신속성 및 유지보수 업무 효율에 도움을 줄 수 있을 것으로 판단된다.
기존 이상상태 검지 기술은 고가의 단말장치 및 분석시스템이 사용되고 있다. 이는 민간 부문 및 도로관리청의 활용성 측면에서 더 범용적이고 간편한 기술로 개선되어야 할 필요성이 있다.
이 글에서는 이미지 정제(초해상화)를 통해 일반적으로 보급된 블랙박스 카메라를 통해서도 도로 이상상태를 검지할 수 있는 방안을 소개하고, 전처리 단계에서 도로 이상상태 식별 능력을 향상할 수 있는 발전 방향을 소개하고자 한다.
AI 도로 이상 검지 기술 현황
AI 기반 도로 이상상태 검지 기술은 검지 차량을 이용하여 도로 상태를 분석하는 방식이다. 탐지 차량에 장착된 단말기에서 탐지된 도로 이상 정보(포트홀)에 대한 실시간 수집이 가능하다. 수집된 GPS 위도, 경도, 탐지주소, 일시, 크기, 속도, 방향 등이 DB에 저장된다. 또한 차량 내에 블랙박스와 비슷한 형태로 거치된 스마트폰과 유사한 단말기를 활용하여 노면 파손 정보를 수집하는 기술이 있다. 개발된 기술은 CV 카메라를 활용하여 딥러닝 기반으로 분석하고 GPS 정보와 함께 서버로 전송되어 실시간으로 노면 파손 정보를 수집한다.
또한 도로 이상상태를 식별할 수 있는 다양한 알고리즘 기술이 활용되고 있다. 식별 모델링에서는 Mask R-CNN이 주로 사용되고 있으며 이를 제외한 모델로는 YOLOv3, Mobilenet-SSD, Tiny-YOLOv2 등이 있다. 모델 대부분은 Object Segmentation 및 Object Detection 기술이 활용되고 있다. 또한 Augmentation을 통한 학습효과 향상을 위하여, 이미지 전처리기법이 응용되고 있으며, 이를 통해 다양한 환경에서도 더욱 우수한 모델이 생성되고 있다.
하지만, 개발된 기술들은 현장 적용 시 현장에서 수집되는 저화질의 영상 이미지로 인해 인식 불가 또는 오탐의 문제가 발생한다. 차량에 장착된 블랙박스 영상을 이용할 경우 VGA 150만 화소(640*480) 수준의 화질을 인식해야 하므로, 인식 범위 및 정확도가 감소한다. 현장의 저화질 영상을 고화질로 수집하기 위하여 모든 차량에 고화질 영상 장비를 구입 및 설치 운영하기에는 비용이 과다 발생한다. 이 때문에 기존 블랙박스 영상을 이용할 수밖에 없는 상황이다.
포트홀, 균열 등 도로 이상상태는 인프라 노후화 및 기상·기후에 따라 불특정 지역 및 시간에 발생하기 때문에 이상 상태 발생을 발견하고 이미지를 확보하기 어려운 상황이다. 또한, 도로 인프라 및 손상에 대한 전문지식을 보유한 전문가가 레이블링 작업을 진행하여 학습 데이터셋을 확보해야 하지만, 레이블링 단계에서 전문가의 참여가 부족하다. 마지막으로 단순히 탐지하려는 포트홀, 균열 등의 object만을 레이블링하여, 유사한 크기와 모양을 오탐하는 문제가 발생하고 있다. 다양성 측면에서도 도로에서 발생하는 파손의 경우, 다양한 파손의 형태가 있지만 대부분의 파손이 포트홀과 차선 불량 등으로 확인된다. 특히 여름과, 겨울에는 기후변화에 의한 폭우와 폭설로 인하여 최근 다수의 포트홀이 발생하고 있다. 이러한 도로 이상상태는 도시 미관을 해치고 주행 안전성을 저해하기 때문에 빠른 시일 내에 유지보수가 되어야 한다. 이러한 파손들은 교통사고 발생, 사고심각도 증가, 운용 효율성 저하를 일으키기 때문에 이러한 도로 이상 상태를 정의하고 식별에 반영할 필요가 있다.
객체 인식 기술의 발전 방향
도로 위 객체 인식 기술력 향상을 위해서는 전처리 단계에서 영상인식 이전 저화질의 블랙박스 영상을 고화질로 전환할 필요가 있다. 이를 AI 기반의 업스케일링(Upscaling) 기술을 접목하여 인식률 향상이 가능하다.
도로 이상 상태 식별을 위해 딥러닝 모델 사용 시, 학습용 데이터의 해상도가 낮으면 모델이 영상의 특징을 다양하게 학습하지 못하는 정확도 문제점이 따른다. 이에 학습 데이터를 고화질 영상으로 정제하기 위해 딥러닝 기반의 초해상화 기술 적용이 필요하며, 우선적으로 저화질 영상을 고화질로 변환하기 위한 초해상화 알고리즘의 적용이 요구된다.
초해상화 기법으로 SRCNN, SRGAN, ESRGAN, Real-ESRGAN 등의 알고리즘이 있다. SRGAN, ESRGAN 등의 알고리즘에서 사용하는 열화 기법은 단순 Bicubic을 통한 저해상도 이미지를 생성하는 것으로 복잡하고 알 수 없는 열화를 복원할 수 없는 한계점이 있다. Real-ESRGAN은 여러 열화를 중첩하는 High Order Degradation을 통해 복합적 열화에 대한 우수한 성능을 보이는 알고리즘으로 우리가 진행한 연구에서는 Real-ESRGAN 알고리즘을 사용하여 도로 분야에 특화된 초해상화 방식을 선보였다.
그 외에도 검지하고자 하는 object들의 우선순위에 따라 그룹화하고 레이블링하여 인식 정확도 향상이 필요하다. 데이터 수집 및 레이블링 단계부터 도로교통 전문가가 참여하여 레이블링을 수행하고 데이터 증강을 통해 학습 데이터셋을 확보할 필요가 있다.
이러한 현장 적용 시의 검지율 저하를 해결하면, 검지 정확도 향상 외에도 도로상태 정보의 지속적인 수집으로 도로관리에 활용할 수 있는 양질의 데이터셋 증대 효과를 볼 수 있다. 실시간 도로 위험정보 제공, 도로 유지관리 자동화 등 도로교통 분야의 AI기술을 접목 또는 고도화하여 서비스 종류 확대 및 품질 확보가 가능할 것으로 기대된다.
