<그림 1>은 시정거리 관측향상을 위한 시스템 구성도이다. <그림 1>의 Camera에서 받은 이미지를 Wifi를 통해 Server로 이미지(Image)를 전달하고 서버(Server)에서 이 이미지 데이터를 전처리(Pre-processing) 하여 Dataset을 생성한다. 생성된 Dataset을 Application 으로 보낸다. Application에서는 텐서플로우(Tensorflow)에서 만들어진 Model Graph를 Import 하여 해당 이미지의 보이는 유무를 처리하고 결과에 따라 거리를 산정한다. 산정된 결과 값은 Server의 DB에서 관리한다.

<그림 2>의 Box1과 Box2처럼 일반적으로 사물은 거리가 멀수록 혼탁해지고 선명도는 낮아지고 밝기는 높아진다. 태양고도와 주변 광원의 영향을 받아서 선명도와 밝기는 달라진다. 그 이유는 빛이 사물에 반사되어 사람이 인식하는 과정에서 기체와 입자 등에 의해서 흡수 혹은 산란 때문이다.

사물의 식별 능력의 정도는 거리에 따라 달라지는데 이러한 계수들의 합을 빛 소멸계수(β)라고 하며 시정계수는 빛 소멸계수와 밀접한 관련이 있다[5-9].

식 (1)~(3)에서 (1)는 투과도에 대한 정의식이다. t(x)를 정리된 (1)식과 (2)식을 종합해서 정의하면 (3)식이 나온다. t(x)는 이미지 영역의 투과도, i(x)는 측정 이미지 영역의 픽셀 벡터값, J(x)는 기준 이미지 영역의 픽셀 벡터값, A는 대기 산란광, d(x)는 관측물체와 사람 간의 거리이다[10,11].

식 (3)로부터 이미지의 영역 픽셀값과 그 혼탁도는 빛 소멸계수와 유의미한 관계가 있을 것이라 예측하였다. 따라서 이러한 관계의 알고리즘 공식을 적용한 결과 이미지 데이터를 빅데이터화하여 텐서플로우(Tensorflow)를 통해서 확인하였고, 정확도가 향상된 학습 모델을 제시한다.

2.2절에서 제시된 알고리즘 검증을 위해 <그림 3>과 같은 위치에 <그림 3b>의 P1, P2, P3와 같이 식별이 용이하고 거의 직선 위치를 지점으로 Point를 기준으로 데이터를 수집하였다. 해당 사진의 건물 중 식별이 용이하고 거의 직선에 있는 지점 3곳을 Point 정의하고 데이터를 수집하였다.

식별이 용이하고 거의 직선에 있는 지점 3곳을 Point 정의하고 데이터를 수집하였다.

<그림 4>는 1개월간 찍은 이미지에서 P1의 혼탁도와 픽셀 값을 보여준다. 1개월간 전체 수집된 데이터 분포도는 <그림 5>와 같다.

<그림 5>는 PASS와 FAIL 데이터가 모두 포함된 분포도이다. 이때 Pass 데이터만 선별하여 정리하면 <그림 6>과 같다.

<그림 6>는 P1이 PASS(보이는 상태)일 때 혼탁도와 픽셀 값에 대한 분포도이다. <그림 5>에서 <그림 6>을 선형적인 모델을 사용하여 분리할 수 있으나 중복되는 부분이 많아서 신뢰도가 떨어진다. 신뢰도를 향상하기 위하여 다음 식과 같이 일반적인 선형회귀 방법이 아닌 kernel을 사용한 SVM(Support Vector Machine) 비선형 회귀모델을 사용했다[12-14].

식 (4) Predict의 결과를 통해서 testset이 속하는 영역을 알 수 있다.

식 (5)은 testset의 원소들이 어떤 식으로 추론이 되었는지를 확인하고 SVM모델의 신뢰도를 계산하는 식이다[14,15].

위의 알고리즘을 이용해 학습한 모델로 P1~P3의 PASS와 FAIL를 구분한다. 일반적인 목측 알고리즘을 적용하면 가장 먼 P1이 보이는 경우 나머지는 전부 보인다고 판단하기 때문에 <표 1>처럼 4가지 경우의 수가 나왔다.

<그림 7>은 1개월간 수집한 이미지 데이터를 직접 분류한 데이터와 본 알고리즘을 이용해 분류한 이미지의 결과값을 비교한 그래프이다. <그림 7>에 따르면 시정거리 판단 알고리즘 모델의 신뢰도는 96% 이상이다.

Loss는 <그림 8>과 같이 Epoch를 반복할수록 일정하게 낮아진다.

<그림 9>은 시정거리 판단 알고리즘 모델이 적용된 분류 그래프이다. gamma 값을 변경하더라도 <그림 9>와 똑같은 출력이 나온다. <그림 9>에서 See와 Non See가 겹치는 부분은 예외 값으로 해석해야 한다. gamma 값을 조정하면 분포에서 많이 벗어난 값을 해결 할 수 있어야 하나, Class 값을 학습하는 지도학습이므로 Dataset에 겹치는 값이나 혼란스러운 값이 있을 경우 발생한다. 따라서 학습 Dataset을 선별할 때에는 알고리즘의 X, Y의 값에 따라 결과 값에 큰 변화가 있을 수 있다는 점에 주의해서 선별해야 한다.

결과적으로 시정거리 판단 알고리즘 모델을 사용하여 각각의 P위치가 PASS, FAIL 판단 여부를 결정하면 각각 P의 신뢰도는 90% 이상 신뢰도를 기대할 수 있다.