• 대한교통학회지
• /
• 제27권6호
• /
• pp.79-88
• /
• 2009

본 연구는 차종분류기법을 개발하여, 가장 일반적인 교통정보 수집장치인 루프검지기에 피에조타입의 축검지센서를 추가 설치하여 2006년 하반기 국토해양부에서 제시하고 있는 "통합12종 교통량조사 차종분류가이드"에 따라 차종을 12종으로 자동분류하고, 분류시 오분류를 최소화하는 방안을 목적으로 한다. 차종의 세분류를 위해 차종분류인자를 차량의 길이, 축간거리, 축형식, 각 축별 윤거, 윤형식으로 두고, 각 분류인자의 판독을 위해 루프센서와 축검지센서를 조합한 차종분류시스템을 구성하였다. 본 차종분류시스템에서는 원더링 기법을 적용하였다. 원더링 기법은 차량의 좌우 각 차륜의 횡방향 주행 패턴을 분석하는 것으로서 주행차량의 윤거, 윤형식 등이 판독가능하다. 본 시스템을 이용하여 약 한달간 실증분석을 실시하였으며, 총 교통량 762,420대를 자동분류한 결과 12종 분류로 분류되지 못한 차량이 47대로 전체의 0.006%로 나타났으며, 이는 분류결과를 통계적으로 활용함에 있어서 무시할 수 있는 정도의 높은 수준의 분류율을 나타내는 것이다. 본 시스템을 이용하여 실제 공용도로에서 확보한 신뢰성 높은 차종분류 데이터는 도로의 계획 및 설계, 도로 운영 등에 폭넓게 이용할 수 있으며, 도로 교통계획과 관리계획 수립을 위한 기초적 정보를 제공할 수 있다. 또한 도로 및 교통분야의 다양한 연구에 활용할 수 있는 중요한 자료가 될 것이다.

• 한국산학기술학회논문지
• /
• 제19권3호
• /
• pp.119-129
• /
• 2018

국토교통부는 '제6차 건설기술진흥 기본계획'에서 2020년까지 500억 원 이상의 도로사업에 BIM 설계 의무화를 공표하였다. 이에 따라 주요 공공 발주자들은 각 기관의 실정에 맞는 BIM을 시행하기 위해 다각적인 시도를 꾀하고 있다. 그러나 BIM을 효과적으로 수행할 수 있는 기술지침과 표준분류체계 제시가 미흡하여 실무자들이 제대로 된 BIM 설계와 건설이 어렵고, 발주기관의 BIM 정보축적도 곤란해지게 된 상황이다. 도로의 특성은 선형을 따라 끊임없이 변화가 이루어지는 토공과 같은 비정형 대상과 교량, 터널등과 같이 초대형 구조물 대상 그리고 표지판, 방음벽 등과 같은 도로시설물들이 산재해 있어 방대한 정보들을 체계적으로 관리하여야 한다. 이를 위해서 다각적인 표준체계가 개발되고 보급되어야 함에도 불구하고 실무적으로 사용가능한 방안에 대한 연구가 미흡한 상황이다. 본 연구에서는 이러한 문제를 해결하고자 국제표준에 부합되고 다차원의 정보체계를 수용할 수 있도록 도로분야의 BIM 표준객체분류체계를 개발하여, 실무자들이 손쉽게 활용할 수 있고 보다 효과적인 BIM 표준정보환경을 제공하고자 한다.

• 대한공간정보학회지
• /
• 제22권1호
• /
• pp.13-22
• /
• 2014

최근 지적공부와 실제 토지이용 현황과의 불일치로 토지관리 업무에 많은 민원이 발생하고 있다. 이러한 문제를 개선하기 위해서는 토지관련 정보를 이용하여 토지이동 대상필지를 정확하게 선정하고 시나리오별로 보상비를 평가하는 것이 중요하다. 본 연구에서는 연속지적도와 실폭도로를 기반으로 GIS 공간중첩을 수행하였으며, 도로편입률에 따른 퍼지함수를 적용하여 지목과 소유구분별 토지이동 필지수와 면적을 분석하였다. 또한 토지이동 대상필지의 개별공시지가 정보를 이용하여 시나리오별 보상비를 계산하였으며, 이를 지목과 소유구분에 따라 읍면별로 정리하였다. 본 연구에서는 읍면별 토지이동 대상필지에 대한 보상비를 시나리오별로 제공함으로서 지자체 재정여건에 부합하는 토지이동 대상필지 업무를 효과적으로 지원할 수 있었다.

• 한국화재소방학회논문지
• /
• 제31권5호
• /
• pp.107-116
• /
• 2017

터널화재는 국제적인 관심사이며, 매년 중대 터널화재는 발생하고 있다. 교통밀도가 증가하면서 장대터널은 물론, 더 많은 수의 터널이 건설되고 있어서, 앞으로 터널화재의 잠재위험성이 더 나빠질 수 있으므로 더욱더 심각한 문제이다. 도로터널 화재발생시 소방대원이 효과적인 소방활동 전략을 수립하도록 하는 것이 본 연구의 궁극적 목적이다. 과거 화재 사례로부터 어떠한 사고가 발생하였고, 어떠한 소방활동이 행해졌는지 알아보기 위하여 국내외 73건의 터널화재사고사례를 조사하여 4가지 사고유형으로 분류하였다. 소방활동의 전략수립을 위해 개입시간과 열방출율의 관계로 6가지 화재시나리오 곡선을 도출하였다. 이것은 두 가지 기준 즉, 반응한계와 최대 도착시간에 따라 소방활동의 전략을 수비적, 공격적 전략 중 선택할 수 있도록 하였다. 도로터널 분류 모델은 각 소방기관이 관할 터널의 화재 위험 정도를 화재 진압의 관점에서 평가하고 예방조치를 수립하는데 사용될 수 있다.

• 대한임베디드공학회논문지
• /
• 제12권2호
• /
• pp.113-120
• /
• 2017

In this paper, we present a night-time vehicle detection method using CNN (Convolutional Neural Network) classification. The camera based night-time vehicle detection plays an important role on various advanced driver assistance systems (ADAS) such as automatic head-lamp control system. The method consists mainly of thresholding, labeling and classification steps. The classification step is implemented by existing CIFAR-10 model CNN. Through the simulations tested on real road video, we show that CNN classification is a good alternative for night-time vehicle detection.

• 한국소음진동공학회:학술대회논문집
• /
• 한국소음진동공학회 2012년도 추계학술대회 논문집
• /
• pp.153-158
• /
• 2012

Noise maps are produced according to 'The Method of making a Noise Map' in order to noise control efficiently, and prediction model to predict road traffic noise which may apply to Korean situation, include CRTN, RLS 90, NMPB, Nord 2000 and ASJ 2003. Of them, ASJ 2003, Japan's prediction model has not been verified for the application to Korean situation according to the classification of vehicle. In addition, ASJ 2003 was revised to ASJ 2008 recently, a classification for motorcycle was added. This study attempts to check the classification of vehicle in ASJ 2008 and 'The Method of making a Noise Map' to confirm the suitability of the application of them to Korean situation.

• 대한원격탐사학회:학술대회논문집
• /
• 대한원격탐사학회 2004년도 Proceedings of ISRS 2004
• /
• pp.125-127
• /
• 2004

High-resolution satellite images offer abundance information of the earth surface for remote sensing applications. The information includes geometry, texture and attribute characteristic. The pixel-based image classification can't satisfy high-resolution satellite image's classification precision and produce large data redundancy. Object-oriented information extraction not only depends on spectrum character, but also use geometry and structure information. It can provide an accessible and truly revolutionary approach. Using Beijing Spot 5 high-resolution image and object-oriented classification with the eCognition software, we accomplish the cultures' precise classification. The test areas have five culture types including water, vegetation, road, building and bare lands. We use nearest neighbor classification and appraise the overall classification accuracy. The average of five species reaches 0.90. All of maximum is 1. The standard deviation is less than 0.11. The overall accuracy can reach $95.47\%.$ This method offers a new technology for high-resolution satellite images' available applications in remote sensing culture classification.

• 전기전자학회논문지
• /
• 제18권4호
• /
• pp.536-543
• /
• 2014

Terrain classification is still a challenging issue in image processing, especially with high resolution satellite images. The well-known obstacles include low accuracy in the detection of targets, especially for the case of man-made structures, such as buildings and roads. In this paper, we present an efficient approach to classify and detect building footprints, foliage, grass and road from high resolution grayscale satellite images. Our contribution is to build a strong classifier using AdaBoost based on a combination of co-occurrence and Haar-like features. We expect that the inclusion of Harr-like feature improves the classification performance of the man-made structures, since Haar-like feature is extracted from corner features and rectangle features. Also, the AdaBoost algorithm selects only critical features and generates an extremely efficient classifier. Experimental result indicates that the classification accuracy of AdaBoost classifier is much higher than that of the conventional classifier using back propagation algorithm. Also, the inclusion of Harr-like feature significantly improves the classification accuracy. The accuracy of the proposed method is 98.4% for the target detection and 92.8% for the classification on high resolution satellite images.

• 한국ITS학회 논문지
• /
• 제13권2호
• /
• pp.27-33
• /
• 2014

This paper proposes a gradation image processing method for the development of a Road Sign Recognition Platform (RReP), which aims to facilitate the rapid and accurate management and surveying of approximately 160,000 road signs installed along the highways, national roadways, and local roads in the cities, districts (gun), and provinces (do) of Korea. RReP is based on GPS(Global Positioning System), IMU(Inertial Measurement Unit), INS(Inertial Navigation System), DMI(Distance Measurement Instrument), and lasers, and uses an imagery information collection/classification module to allow the automatic recognition of signs, the collection of shapes, pole locations, and sign-type data, and the creation of road sign registers, by extracting basic data related to the shape and sign content, and automated database design. Image division and merging, which were applied in this study, produce superior results compared with local binarization method in terms of speed. At the results, larger texts area were found in images, the accuracy of text recognition was improved when images had been gradated. Multi-threshold values of natural scene images are used to improve the extraction rate of texts and figures based on pattern recognition.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제14권2호
• /
• pp.841-854
• /
• 2020

The paper explains the method to process, analyze and predict traffic patterns in Los Angeles county using Big Data and Machine Learning. The dataset is used from a popular navigating platform in the USA, which tracks information on the road using connected users' devices and also collects reports shared by the users through the app. The dataset mainly consists of information about traffic jams and traffic incidents reported by users, such as road closure, hazards, accidents. The major contribution of this paper is to give a clear view of how the large-scale road traffic data can be stored and processed using the Big Data system - Hadoop and its ecosystem (Hive). In addition, analysis is explained with the help of visuals using Business Intelligence and prediction with classification machine learning model on the sampled traffic data is presented using Azure ML. The process of modeling, as well as results, are interpreted using metrics: accuracy, precision and recall.