[빅데이터 학습으로 차량번호 인식률 UP!] 2020 데이터바우처지원사업 최종 결과보고 및 담당자 인터뷰

 

 

 

 

결과보고에 앞서

 

실리콘브릿지는 아마존 클라우드 서버(AWS)를 기반으로 한 무인 주차관제 플랫폼을 만들어 제공하고 있습니다. 

국내 최초 AWS 클라우드 환경 위에 주차 관제 플랫폼을 구축해 말단 기기에 구애받지 않는 독보적인 무인 차량 관제 시스템을 선보이며 카카오모빌리티, LG S&I의 기술 협력사로 활동하고 있습니다.

최근 주차 관제 시장에 인공 지능(AI) 바람이 불면서 로컬 서버 기반에서 클라우드 기술  기반으로 변화를  꾀하는 기업들이 많아졌는데요,

실리콘브릿지 또한 한 단계 더 차별화된 기술을 선보이기 위해 자체 연구개발을 끊이지 않고 있답니다.

 

---

 

2020 하반기 AI데이터바우처 최종 결과 보고

 

실리콘브릿지의 차량번호인식기는 평균 99.8%의 정인식률을 보이고 있습니다.  ​

하지만 기계장치인 만큼 0.2%이내의 차량 미인식,오인식률을 가지고 있는데요, 이 오차를 잡는 것이 실리콘브릿지의 오랜 과제였습니다.

차량번호판 훼손, 오물 묻음, 빛 번짐, 저조도 등으로 차량번호가 제대로 인식되지 않는 문제는 저희 뿐만이 아니라 주차관제 업체 모두의 과제이기도 해서, AI 데이터바우처 지원 때 연구의 타당성을 인정받기도 했습니다.
​
그렇다면 약 4개월 간의 지원 사업을 받은 이후 어떤  기술적 성과를 얻게 되었을까요?

 

 

1. 500,000개의 가공 데이터로 학습한 AI 딥러닝 모델 ​

실리콘브릿지는 2020년 6월 도로교통공단의 공식 성능 평가 시험을 시행한 적이 있는데 해당 테스트 결과로 인식률 100%, 오인식률 0.2%의 성적을 받았었습니다. ​

500,000개의 데이터를 전부 학습하고 공식 성능 평가 시험을 본 장소에서 2020년 12월 13일 자체 테스트를 시행한 결과, 100%의 인식률(오인식률 0%)를 기록했습니다. 

2. 극한의 상황에서도 높은 인식률을 보이는 모델 개발 ​

측면 촬영, 차량번호판의 심한 훼손, 오물 및 빛 번짐, 저조도 등으로 기존 서비스에서 아예 감지하지 못 한 인식률 0% 이미지 112장을 테스트 한 결과, 82.27%의 인식률을 보였습니다. ​

즉, 기존 100% 인식했던 번호판은 100% 그대로 인식을 하면서, 극한의 환경에서 아예 인식하지 못했던 0% 인식률의 차량번호판 또한 82% 이상의 인식률을 보이는 성과를 얻게 된 것입니다.

 

 

 

물론 아직 공식적으로 상용화 하기에는 모델 경량화 작업 등 신경써야 하는 부분들이 많이 남아있습니다.

​하지만 기존 주차 관제 시장의 고질적인 문제에 대한 실마리를 얻었다는 점에서 소중한 한 걸음을 내딛은 거라 생각합니다.

​고객분들이 믿어주시는 만큼 조금씩이지만 꾸준히, 발전하는 모습을 보여드리겠습니다.

​감사합니다.

 

---

 

AI데이터바우처 사업을 마치며 ::
부설연구소
조OO 주임연구원 인터뷰

 

 

01. 데이터 바우처 사업의 참여 동기와 목적에 대해 알려주세요.

 

자사는 5년 동안 수집한 억 단위의 주차 관제 데이터를 갖고 있지만, AI 모델에 사용할 수 있는 정제된 데이터가 없었습니다. 자사 내에서 데이터 가공 작업을 진행하고 있었지만 시간, 비용 등 자원이 너무 많이 소요되었습니다. 

그러던 중 ‘AI 데이터 바우처 지원 사업’이라는 데이터 가공을 지원 해주는 사업을 발견하고 ‘데이터 가공’이라는 자사가 가장 필요했던 부분을 해결 할 수 있었습니다.

 

 

02. AI 인식률 향상 딥러닝 구축모델의 개발은 어떻게 진행됐나요?

 

데이터 바우처 지원 사업에 적용된 딥러닝 모델 구축은 크게 3단계로 구성 했습니다. 

첫 번째로 데이터 바우처 지원 산업을 신청 한 이유인 가공할 데이터 전달 및 산출물 수신, 두 번째로 실제 성과를 얻기 위한 차량 번호판 인식 모델 구축, 마지막으로 모델의 성능을 평가하기 위한 정확도 측정 및 산출물 검수로 구성했습니다.

 

 

03. 개발 과정에서 난항이었던 점이 있었나요?

 

자사에 가공된 데이터가 부족했기 때문에 50만 장의 가공된 데이터를 검수할 수 있는 모델이 없었고, 수작업으로 진행하기에도 데이터 바우처 사업의 기간이 짧았습니다. 

 

데이터를 검수하지 않는다면, 오류가 있는 산출물이 모델에 영향을 줄 수 있기 때문에 검수 프로세스 구축을 가장 중요시 했습니다.
​
​

04. 개발 과정의 난항을 어떻게 해결했나요?

 

이 문제를 해결하기 위해서 데이터 바우처 지원 전에 먼저 다양한 검출 및 인식(Detection, recognition) 모델을 분석했습니다. 

자사가 기존에 갖고 있었던 5,000 ~ 10,000장의 데이터를 전이 학습(transfer learning)했을 때 가장 정확도가 높았던 모델을 선정했습니다.

데이터 바우처 진행 중에는 500,000장의 데이터를 한번에 전달하는 것이 아니라 가공 프로세스를 4단계에 걸쳐서 125,000장 씩 진행했습니다. 각 단계마다 전이 학습을 해서 1단계에서는 86%의 정확도를 갖는 모델로 검수를 하고 나머지 14%에 대해서 수작업으로 검수를 진행했습니다. 

 

각 단계를 거치면서 정확도가 점차 높아져 마지막에는 모든 데이터를 모델이 검수 할 수 있었습니다.

 

 

05. 사업진행 전후로 오인식률이 높던 차량번호판들의 인식률이 어떻게 바뀌었을까요?

 

데이터 바우처 사업 진행 전에 도로 교통 공단 성능 평가 데이터 기준 정확도는 73.76% 였지만, 가공 프로세스 4단계 별로 1단계에 90%, 2단계에 98.93% 3단계에 99.31% 마지막으로 100%까지 달성할 수 있었습니다.

 

 

06. 딥러닝 인식 모델의 장단점을 알기 쉽게 설명해 주실 수 있나요?

 

딥러닝에도 다양한 종류가 있고, 그마다 다양한 특징들이 있어서 한마디로 정의하기 어렵습니다.

데이터 바우처에 사용했던 딥러닝 모델로 제한한다면, 기존 LPR 보다 노이즈에 강력하다는 장점이 있습니다. 
빛번짐, 저조도, 측면 촬영, 번호판 훼손 등 다양한 노이즈에 잘 대응할 수 있습니다.

단점으로는 데이터 바우처에 지원한 목적처럼 모델에 필요한 데이터 셋이 많이 필요하다는 점입니다. 
데이터 셋이 적으면 다양한 노이즈는 커녕 깔끔한 이미지도 제대로 처리를 못할 수 있습니다.

 

 

07. 인터뷰를 진행해주셔서 감사합니다. 마지막으로 향후 계획에 대해 한 말씀 부탁드립니다.

 

고성능 컴퓨터에서만 돌아가는 연구를 위한 모델이 아니라 모든 사람들이 체감할 수 있는 모델을 만들고자 합니다. 
AI 데이터 바우처를 통해 높은 정확도의 모델을 얻을 수 있었습니다. 
이제 이 모델을 다양한 사람들에게 제공하기 위해 모델 경량화 및 SaaS 기반 API를 구축할 계획입니다.