표제지

국문초록

목차

제1장 서론 11

1.1. 연구 배경 11

1.2. 선행연구 검토 13

1.3. 연구 목적 17

제2장 연구 방법 19

2.1. 굴착기 동작 정의 19

2.2. 데이터셋 구축 20

2.2.1. 기존 방식과 제안 방식에서 활용된 단일 동작이 포함된 단위 동영상 데이터셋 구축 20

2.2.2. 제안 방식의 현장적용성을 검증하기 위해 사용된 다수의 동작이 포함된 연속 동영상 23

2.3. 모델 개발 24

2.3.1. 전이학습 (Transfer learning) 24

2.3.2. 동작인식 알고리즘 (Activity recognition algorithm) 25

2.3.3. 모델 정의 26

2.4. 모델 검증 28

2.4.1. 혼동 행렬 (Confusion matrix) 28

2.4.2. 평가 지표 29

제3장 연구 결과 및 논의 (고찰) 31

3.1. 기존 방식 31

3.2. 제안 방식 35

3.3. 기존 방식과 제안 방식 간의 비교 분석 40

3.3.1. 동작 유형에 따른 성능 비교 분석 40

3.3.2. 제안 방식의 오류 분석 46

3.4. 논의 (고찰) 52

제4장 결론 55

참고문헌 58

ABSTRACT 64

표 1.1. 선행 연구에서 사용된 활동 및 성능 평가 방법 16

표 2.1. 기존 방식 및 제안 방식에서 사용된 단일 동작이 포함된 단위 동영상 (원본 데이터셋)의 상세 정보 21

표 2.2. 원본 및 전처리된 데이터셋 간의 훈련, 검증, 테스트 데이터셋 분포 23

표 2.3. 제안 방식의 현장적용성 검증을 위해 사용된 다수의 동작이 포함된 연속 동영상의 상세 정보 24

표 3.1. 단일 동작이 포함된 단위 동영상과 다수의 동작이 포함된 연속 동영상을 테스트 데이터셋으로 사용할 때 기존 방식의 성능 차이 33

표 3.2. 단일 동작이 포함된 단위 동영상과 다수의 동작이 포함된 연속 동영상에서 3D ResNet-18 모델의 네 가지 미세조정 범위에 걸친 성능 비교 38

표 3.3. 기존 방식과 제안 방식의 동작 유형별 예측 성능 비교 분석 43

그림 2.1. 굴착기 작업의 연속적인 과정 20

그림 2.2. 데이터 증강 (data augmentation) 22

그림 2.3. 제안 방식의 개요 28

그림 2.4. 혼동 행렬 (Confusion matrix) 29

그림 3.1. 단일 동작이 포함된 단위 동영상과 다수의 동작이 포함된 연속 동영상을 테스트 데이터셋으로 사용할 때 기존 방식의 성능 차이 34

그림 3.2. 네 가지 미세조정 범위에 걸친 훈련/검증 데이터세트에 대한 미세 조정된 3D ResNet-18 모델의 성능 추세 37

그림 3.3. 단일 동작이 포함된 단위 동영상과 다수의 동작이 포함된 연속 동영상에서 3D ResNet-18 모델의 네 가지 미세조정 범위에 걸친 성능 비교 39

그림 3.4. Case A에 대한 기존 방식과 제안 방식의 혼동 행렬 44

그림 3.5. Case B에 대한 기존 방식과 제안 방식의 혼동 행렬 45

그림 3.6. Case A의 동작 유형별 실제 값(왼쪽 막대)과 예측 값(오른쪽 막대) 간의 차이 시각화(예시) 48

그림 3.7. Case B의 동작 유형별 실제 값(왼쪽 막대)과 예측 값(오른쪽 막대) 간의 차이 시각화(예시) 49

그림 3.8. 오류 유형 ①의 예시 이미지 (외부 환경적 요인에 의한 오류) 50

그림 3.9. 오류 유형 ②의 예시 이미지 (동작 간 굴착기 버킷의 형태와 방향 유사성으로 인한 오류) 50

그림 3.10. 오류 유형 ③의 예시 이미지 (동작 간의 전환에서 지연되는 오류) 51