부산광역시 항만도로 컨테이너 차량에 의한 노면 파손 이미지 데이터
- 분야교통물류
- 유형 이미지
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.1 2023-12-06 데이터 최종 개방 1.0 2023-07-31 데이터 개방(Beta Version) 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2024-09-19 산출물 수정 공개 AI모델 2023-12-08 산출물 전체 공개 소개
부산광역시 항만도로의 효율적인 유지관리 체계 구축을 위하여 도로 위 노면파손 객체들을 AI 학습용 데이터로 구축함으로써 지역 SOC 디지털화를 통한 AI 사업의 국가경쟁력 제고와 디지털 트윈 구현을 위한 요소 데이터 마련 - Drone 데이터: 도로 위 20m 상공에서 90도 각도로 촬영된 데이터로 차선과 차선 사이 차량진행 구역을 대상으로 함. 중앙선을 넘어선 반대편 차선을 포함하며 그리드를 200으로 정의했을 때 차선의 폭이 1개의 그리드 크기를 초과하는 경우 작업대상으로 인정함 - Vehicle 데이터: 촬영차량에 설치된 3대의 카메라를 활용하여 촬영된 데이터로 화면 하단에서 1,000px의 박스 영역을 대상으로 함. Drone 데이터와 달리 중앙선을 넘어서는 반대편 차선은 제외함
구축목적
● 부산광역시 항만도로 AI 영상 데이터 수집 ● 서비스 모델 활용에 적합한 AI 데이터 셋 구축 및 표준화 ● 저비용 고효율의 부산광역시 항만도로 유지관리
-
메타데이터 구조표 데이터 영역 교통물류 데이터 유형 이미지 데이터 형식 PNG 데이터 출처 차량 및 드론 촬영을 통한 자체 수집 라벨링 유형 바운딩박스(이미지), 세그멘테이션(이미지) 라벨링 형식 JSON 데이터 활용 서비스 노면 영상을 통한 항만도로 노면 파손 유형을 정의할 수 있는 AI 서비스 데이터 구축년도/
데이터 구축량2022년/원천데이터 406,680장, 라벨링데이터 406,680개 -
데이터 구축 규모
데이터 구축 규모 데이터 종류 데이터 형태 데이터 규모 드론 데이터 원천데이터 PNG 121,958 라벨링데이터 JSON 121,958 차량 데이터 원천데이터 PNG 284,722 라벨링데이터 JSON 284,722 총 구축 건수 813,360
도로 파손 유형별 데이터 분포도로 파손 유형별 데이터 분포 클래스 차량 드론 합계 비율 대분류(8종) 소분류(13종) 거북등 거북등 92,299 54,275 146,574 13.56 단부균열 및 세로방향균열 단부균열 6,183 252 6,435 0.6 세로방향균열 177,885 60,988 238,873 22.1 시공균열 시공균열 107,703 63,796 171,499 15.87 반사균열 반사균열 129,533 48,591 178,124 16.48 러팅 및 함몰 러팅 59,610 21,356 80,966 7.5 함몰 3,672 3,117 6,789 0.63 밀림균열, 코루게이션 및 쇼빙 밀림균열 490 164 654 0.06 코루게이션 및 쇼빙 20,829 460 21,289 1.97 포트홀, 라벨링(Ravelling) 및 박리 포트홀 3,670 592 4,262 0.39 라벨링(Ravelling) 51,697 6,088 57,785 5.34 박리 26,638 9,333 35,971 3.32 정상 정상 81,000 50,751 131,751 12.18 합계 761,209 319,763 1,080,972 100% -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드활용 모델
● 본 과제에서는 학습 모델 및 알고리즘으로 YOLO v7 모델을 활용활용 모델 학습 모델 및 알고리즘 선정 사유(YOLO) 성능지표 YOLO YOLO는 2016년에 발표된 객체 탐지 딥러닝 모델임 지표: IoU (You Only Look Once) 최초 발표 이후 모델 개선을 통해 2020년 6월 YOLO v5까지 발표됨 - IoU는 객체 검출의 정확도를 평가하는 지표로 개별 객체에 대한 탐지를 성공하였는지 결정하는 지표임 One-stage 객체 탐지 모델로 탐지에 대한 처리속도가 빠르다는 특징이 있음 - 실제 객체의 Bounding box와 탐지된 Bounding box 간의 중복되는 영역 크기를 평가하는 방식으로 겹쳐지는 영역이 넓을수록 잘 예측하는 것으로 평가함 따라서 다양한 객체 탐지 응용 서비스에 활용되고 있음 지표: mAP - mAP는 모든 점 보간법을 이용해 구한 AP(Average Precision)의 평균을 나타냄 - 여러 Class에 대해 AP를 구해야 하므로, 각각의 Class에 대해 AP를 구하고 평균을 산출함
활용 모델 학습 모델(Yolo)의 선정 사유 및 절차 상세 적합성 문제해결 분야에 적합한 학습 모델임 문제해결 분야에서 다수의 연구개발자로부터 인용되는 모델임 신뢰성 신뢰도 높은 글로벌 기업, 대학, 연구소 등에서 인정되고 있으며, 문제해결 분야의 가시적인 결과가 존재함 인공지능 최신 트렌드에 부합하는 학습모델과 방법론임 유효성 문제 해결 분야에 있어, 그 성능의 우수함이 객관적으로 증명됨 실제로 적용된 사례가 많고, 레퍼런스의 인용 횟수도 많음 선정 절차 해당 분야에 관련된 학습모델을 최신 논문, 연구보고서, 기사 등을 통해 조사함 학습 모델의 평가에 적합한 평가 모형을 선택함. AI 학습 모델의 경우 계량화된 측정 도구가 없는 최신기술 영역으로 인공지능 해당 분야의 ‘전문가평가모형’을 채택하기로 함 평가 지표를 정의하기 위해 주요 평가 매트릭스를 제작하고, 평가항목을 도출 선정함 해당 분야 전문가 그룹을 선정해 학습 모델 리스트와 평가항목에 대한 평가를 의뢰한 후 최종 결과를 취합해 지표산출 하여 학습모델을 선정함 유효성 검증 조건
● 본 과제에서 AI 모델 학습 및 유효성 검증은 노면 파손 유형 중 대분류(8종)를 대상으로 진행하였음유효성 검증 조건 유효성 검증 항목 항목명 바운딩박스 및 세그멘테이션 노면 파손 탐지 성능 검증 방법 도커이미지 제출 및 온라인 시연 목적 드론 및 차량으로 촬영한 이미지로부터 bbox 및 segmentation 작업한 노면 이상 탐지를 위한 Yolo 기반의 노면 이상 탐지 인공지능 모델링 지표 [email protected] 측정 산식 
도커 이미지 docker_project_v2.tar 실행 파일명 test.py 유효성 검증 환경 CPU Dell 프리시전 7920T Dual CPU Silver 4241R Memory 64GB GPU NVIDIA RTX A6000 Storage SSD 512GB + HDD 2TB OS Windows10 pro 유효성 검증 모델 학습 및 검증 조건 개발 언어 Python 3.8.x 프레임워크 PyTorch 1.12.1 학습 알고리즘 Yolov7 학습 조건 lr0: 0.01 # initial learning rate (SGD=1E-2, Adam=1E-3) lrf: 0.1 # final One CycleLR learning rate (lr0 * lrf) momentum: 0.937 # SGD momentum/Adam beta1 weight_decay: 0.0005 # optimizer weight decay 5e-4 warmup_epochs: 0.0 # warmup epochs (fractions ok) warmup_momentum: 08. # warmup initial momentum warmup_bias_lr: 0.1 # warmup initial bias lr 파일 형식 원천 데이터: PNG 라벨링 데이터: JSON 전체 구축 데이터 대비 모델에 적용되는 비율 (바운딩박스) (세그멘테이션) AI모델 사용 임미지 비율(수량) AI모델 사용 이미지 비율(수량) - 100% (75,803장) - 100% (282,798장) 모델 학습 과정별 데이터 분류 및 비율 정보 - Training set: 80% (60,644장) - Training Set: 80% (226,238장) - Validation Set: 10% (7,580장) - Validation Set: 10% (28,280장) - Test Set: 10% (7,579장) - Test Set: 10%(28,280장) 제한 사항 - - ) 데이터 활용
● 부산광역시 항만도로 AI 영상 데이터 수집
- 노면 인식 AI 영상 학습모델 개발을 위한 다량의 학습용 데이터 구축
● 서비스 모델 활용에 적합한 AI 데이터 셋 구축 및 표준화
- 다수단을 통한 AI 영상 데이터 수집 체계를 정립하고 AI 노면 인식 모델의 예측 정확성을 개선하기 위한 데이터 융합 방식의 정립
● 저비용 고효율의 부산광역시 항만도로 유지관리
- 저비용의 노면 영상 데이터의 수집 및 분석으로 고가의 장비를 통한 장주기 노면 상태 조사 및 분석을 대체할 수 있는 효율적인 항만도로 유지관리 체계 구축2) 응용 서비스
● 부산광역시 항만도로를 중심으로 한 노면의 파손 정도 정량화를 통한 유지보수 우선순위 판단 서비스 제안
● AI 영상 데이터 분석 모델 기반 부산광역시 전체 도로 노면 유지상태 판단 및 추론 서비스 제안
● 차량에 설치된 블랙박스 영상을 이용한 AI 분석 모델 설계 제안
● 파손 상태가 심각한 노면 정보를 실시간으로 전송 가능한 통신환경 구축 제안3) 응용서비스 개발
● 이와 같은 응용서비스 개발을 통해 다음과 같은 효과가 기대됨
- 신속하고 효율적인 부산광역시 항만도로 유지관리를 통한 교통안전 개선과 예산 집행의 효율 극대화
- 부산광역시 전역의 도로를 대상으로 하는 AI 기반 노면 관리체계 구축으로 안전하고 쾌적한 주행 환경 구축
- 지역 SOC 디지털화를 통해 AI 사업의 국가경쟁력 제고와 디지털 트윈 구현을 위한 요소 데이터로서의 역할 수행
- 데이터 기반의 행정 의사결정 지원 체계 구축과 관련 사업의 발전을 통한 지역인재 중심의 고용 창출 가능
- 데이터 기반의 행정 의사결정 지원 체계 구축과 관련 사업의 발전을 통한 지역인재 중심의 고용 창출 가능 -
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 바운딩박스 노면 파손 탐지 성능 Object Detection YOLO v7 mAP@IoU 0.5 45 % 56.15 % 2 세그멘테이션 노면 파손 탐지 성능 Object Detection YOLO v7 mAP@IoU 0.5 40 % 67.15 %
※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.
※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)
-
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드폴더 저장 구조
파일명명 규칙
파일명명 규칙 데이터 종류 폴더 구조 파일명 구조 원천 데이터 데이터 셋 ▸도로명_촬영구분_날짜_시간_촬영고도_촬영각도_촬영날씨_일련번호.png 라벨링 데이터 (Training/ Validation/ Test- ▸도로명_촬영구분_날짜_시간_촬영고도_촬영각도_촬영날씨_일련번호.json 원천/라벨링 데이터- 예시) Drone/Vehicle) ▸신항북로_차량_20220904_1324_5m_15도_0003_SUNNY_000000.png ▸신항북로_차량_20220904_1324_5m_15도_0003_SUNNY_000000.json ● 도로명
도로명 도로명 설명 1 신항북로 2 신항로 3 신항남로 4 녹산산업대로 5 르노삼성대로 6 을숙도대로 7 낙동남로 8 가락대로 9 공항로 10 강변대로 11 제도로 12 동북로 99 기타 ● 촬영구분
촬영구분 촬영구분 설명 드론 드론 차량 차량 ● 촬영고도
촬영고도 촬영고도 설명 5m 5m 20m 20m 30m 30m ● 촬영각도
촬영각도 촬영각도 설명 15도 15도 90도 90도 ● 촬영날씨
촬영날씨 촬영날씨 설명 SUNNY 맑음 CLOUD 흐림 어노테이션 포맷
어노테이션 포맷 구분 속성명 타입 필수여부 설명 범위 비고 1 licenses 1-1 name string Y 데이터셋 이름 1-2 id number Y 라이선스 id 1-3 url string url 2 info 2-1 constributor string Y 데이터셋 제공기관 2-2 date_created string Y 생성일자 2-3 description string Y 데이터셋 상세 설명 2-4 version string Y 데이터셋 버전 2-5 year string Y 생성년도 3 categories 3-1 id number Y 카테고리 id 3-2 name string Y 카테고리명 4 images 4-1 id number Y 이미지 id 4-2 width number Y 이미지 너비 4-3 height number Y 이미지 높이 4-4 file_name string Y 이미지파일명 4-5 license number Y 라이선스 id 5 annotations 5-1 id number Y 어노테이션 id 5-2 image_id number Y 이미지 id 5-3 category_id number Y 카테고리 id 5-4 segmentation list 세그멘테이션 5-5 area number 영역 5-6 bbox list 바운딩 박스 5-7 attributes 5-7-1 date string Y 촬영일자 5-7-2 time string Y 촬영시간대 5-7-3 weather string Y 촬영날씨 5-7-4 doro_name string Y 도로명 실제 예시
실제 예시 실제예시 노면 파손 유형 원천데이터 예시 어노테이션 방식 균열 거북등, 단부균열 및 세로방향균열, 
polygon 시공균열, 반사균열 러팅 러팅 및 함몰, 밀림균열, 코루게이션 및 쇼빙 
Polygon 탈리 포트홀‧ 
Bounding box 라벨링(Raveling)‧박리 { "licenses": [ { "name": "동아대학교 컨소시엄", "id": 0, "url": "" } ], "info": { "contributor": "동아대학교 컨소시엄", "date_created": "2022-09-04", "description": "부산광역시 항만도로 컨테이너 차량에 의한 노면 파손 이미지 데이터", "version": "1.0", "year": "2022" }, "categories": [ { "id": 1, "name": "반사균열" }, { "id": 2, "name": "세로방향균열" }, { "id": 3, "name": "밀림균열" }, { "id": 4, "name": "러팅" }, { "id": 5, "name": "코루게이션및쇼빙" }, { "id": 6, "name": "함몰" }, { "id": 7, "name": "포트홀" }, { "id": 8, "name": "라벨링" }, { "id": 9, "name": "박리" }, { "id": 10, "name": "정상" }, { "id": 11, "name": "단부균열" }, { "id": 12, "name": "시공균열" }, { "id": 13, "name": "거북등" } ], "images": [ { "id": 0, "width": 3840, "height": 2160, "file_name": "신항북로_차량_20220904_1324_5m_15도_0003_SUNNY_000000.PNG", "license": 0 } ], "annotations": [ { "id": 0, "image_id": 0, "category_id": 7, "segmentation": [], "area": 86296.41619999993, "bbox": [ 2108.05, 1874.2, 2428.64, 2143.38 ], "attributes": { "date": "20220904", "time": "점심", "weather": "맑음", "road_id": "01" } }, { "id": 1, "image_id": 0, "category_id": 12, "segmentation": [ 2816.29, 1896.18, 2889.81, 1998.34, 2934.71, 2022.42, 3015.4, 2114.82, 3063.55, 2159.07, 3101.29, 2157.12, 3035.57, 2080.98, 2959.44, 1992.49, 2906.08, 1946.94, 2842.31, 1875.36, 2522.17, 1535.69, 2518.06, 1534.11, 2493.95, 1530.91, 2476.93, 1536.15, 2796.76, 1891.63 ], "area": 33164.04, "bbox": [], "attributes": { "date": "20220904", "time": "점심", "weather": "맑음", "road_id": "01" } } ] } -
데이터셋 구축 담당자
수행기관(주관) : 동아대학교 산학협력단
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 김회경 051-200-7665 [email protected] 총괄책임, 알고리즘 개발 및 학습 모델 구축 수행기관(참여)
수행기관(참여) 기관명 담당업무 ㈜부경디엔씨 데이터 정제 부산과학기술대학교 산학협력단 원천 데이터 취득 어니컴(주) 데이터 품질 관리 및 검수 ㈜에스씨티 드론 데이터 가공 ㈜에스엔씨 차량 데이터 가공 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 김회경 051-200-7665 [email protected]
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 [email protected] 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.