와이드게이트 플랩 제어시스템 설계를 위한 실시간 객체탐지 연구 = A Study on Real-Time Object Detection for the Design of a Wide Gate Flap Control System

국문 초록 (Abstract)

본 연구는 부산도시철도에서 운용 중인 와이드게이트에서 빈번하게 발생하는 유모차 끼임 사고 문제를 해결하기 위해, 인공지능 기반 실시간 객체 탐지 기술을 활용한 지능형 플랩 제어 시스템을 설계하는 것을 목적으로 한다. 기존 게이트는 광전식 센서를 통해 승객의 통과 여부를 판단하지만, 유모차 등 비정형적 형태의 객체를 정확히 인식하지 못해 플랩이 조기에 닫히는 사고가 다수 발생해 왔다. 이에 본 연구에서는 딥러닝 기반 객체 탐지 모델을 구축하여 유모차를 실시간으로 인식하고, 인식 결과를 바탕으로 승객의 통과 여부를 판단하여 플랩 닫힘을 제어하는 알고리즘을 제안하였다. 이를 위해 약 7,000장의 유모차 이미지 데이터셋을 활용해 객체 탐지 모델을 학습시켰으며, 결과적으로 Precision 0.984, Recall 0.986, mAP@0.5 0.993의 높은 객체 탐지 성능을 획득하였다. 또한, 실제 역사 촬영 영상을 대상으로 수행한 검증에서 평균 시간 오차 0.25초로, 실제 유모차가 게이트를 통과한 시점을 정확하게 인지하는 것을 확인하였다. 이는 실시간 제어가 요구되는 도시철도 환경에서도 충분한 응답성과 신뢰도를 확보했음을 의미한다. 본 연구의 제안 시스템은 기존 센서 기반 방식이 가지는 한계를 극복하고, 객체의 형태와 이동 상태를 바탕으로 고도화된 출입 제어를 가능하게 한다는 점에서 의의가 있다. 이를 통해 유모차 등 교통약자 이용자의 안전성과 게이트 운영 효율성의 향상이 기대되며, 향후 다향한 객체 클래스로의 확장, Tracking 알고리즘 도입, 후처리 알고리즘 자동화 등으로 발전가능성을 갖는다.

다국어 초록 (Multilingual Abstract)

This study presents a real-time vision-based flap control system for wide gates in the Busan Metro to prevent stroller-related closing accidents. Conventional infrared sensors often fail to detect strollers accurately, leading to premature flap closure. To address this issue, a YOLOv5-based deep learning model was trained on a 7,000-image stroller dataset and integrated with a virtual-line post-processing algorithm to determine complete passage. The model achieved high detection accuracy (Precision 0.984, Recall 0.986, mAP@0.5 0.993) and demonstrated an average time error of only 0.24 seconds when tested on real station videos, confirming its suitability for real-time gate control. The proposed system enhances passenger safety and operational reliability and offers potential for future expansion to additional mobility aids and smart station applications.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• Ⅰ.1. 연구 배경 및 필요성 1
• Ⅰ.2. 연구 내용 및 방법 3
• Ⅱ. 이론적 배경 5
• Ⅱ.1. 기존 개집표기 시스템 구조 및 센서 방식 설명 5
• Ⅱ.2. 객체 탐지 기술 개요 8
• Ⅲ. 문제 정의 및 시스템 요구사항 10
• Ⅲ.1. 전체 시스템 구성도 10
• Ⅲ.2. 객체 탐지 모델(YOLO)의 구조와 선택 이유 12
• Ⅲ.3. Pytorch 기반 학습 파이프라인 구성 14
• Ⅲ.4. 유모차 데이터셋 구성 방식 16
• Ⅳ. 실험 및 구현 18
• Ⅳ.1. 실험 환경 구성 18
• Ⅳ.2. 하이퍼파라미터 세팅 19
• Ⅳ.3. 학습/검증 데이터 구성 및 처리 방식 21
• Ⅳ.4. 후처리 로직 22
• Ⅴ. 결과 및 고찰 23
• Ⅴ.1. 실시간 객체 탐지 결과 23
• Ⅴ.2. 후처리 알고리즘 성능 평가 27
• Ⅴ.3. 실제 적용 가능성 및 한계 33
• Ⅵ. 결 론 34
• Ⅵ.1. 연구 요약 34
• Ⅵ.2. 향후 연구 제안 35
• 참고문헌 36