Low-light Data Augmentation-based Object Detection for Nighttime Smart Yard Safety Management
Lists
Only you see this
Abstract
스마트 야드(Smart Yard) 환경은 24시간 동안 작업이 이루어지는 특성상, 야간과 같은 저조도 상황에서 발생할 수 있는 안전사고 예방이 무엇보다 중요하다. 그러나 기존의 지능형 안전 관제 시스템에서 활용되는 객체 탐지 모델은 주로 주간 환경에서 수집된 데이터를 기반으로 학습되어 야간 상황에서는 안전모, 작업자, 중장비 등 핵심 안전 객체에 대한 탐지 성능이 급격히 저하되는 한계를 가진다. 이러한 문제는 실제 산업 현장에서 저조도 데이터를 확보하기 어렵다는 점에서 더욱 심각해진다. 본 연구에서는 이러한 문제를 해결하기 위해, 학습 단계에서의 데이터 증강과 추론 단계에서의 입력 데이터 최적화를 결합한 접근법을 제안한다. 학습 단계에서는 확산 모델을 활용하여 생성한 데이터로 모델의 일반화 성능을 확보하고, 추론 단계에서는 실시간 저조도 개선 전처리를 통해 탐지 성능을 극대화한다. YOLOv11 모델을 기반으로 진행한 실험에서, 제안한 기법을 적용한 모델은 기존 데이터셋만으로 학습한 베이스라인 모델과 비교했을 때, 전체 객체 탐지 성능(mAP@50)이 0.35에서 0.48로 13%p 이상 향상되는 결과를 보였다.
BibTeX
@article{ko2025low,
author = {Yeongmin Ko and Jinsun Park},
title = {{Low-light Data Augmentation-based Object Detection for Nighttime Smart Yard Safety Management}},
journal = {Journal of the Institute of Electronics and Information Engineers},
year = {2025},
doi = {10.5573/ieie.2025.62.11.95},
}Loading related content...