Offcanvas

AI / 머신러닝|딥러닝

운행 데이터로 포트홀 찾는다··· 구글, ML활용한 도로 보수 사례 공개

2021.01.14 김달훈  |  CIO KR
구글이 머신러닝을 활용해 도로 유지 보수 효율을 높인 사례를 공식 블로그에 공개했다. 미국 테네시주에 있는 멤피스시가 스프링ML의 분석 및 머신러닝 솔루션을 활용해, 일 년 동안 약 6만 3,000개의 포트홀(pothole)을 찾아내고 보수한 것이다.

포트홀은 도로 위에 움푹 파인 구멍으로, 그대로 방치하면 사고 위험성을 높인다. 빗물과 과적 차량에 의한 압력이나 도로 노후 등으로 생기며, 포트홀로 인한 사고를 방지하려면 최대한 빨리 찾아내어 보수를 해야 한다. 문제는 찾아내는 과정에 많은 시간과 인력이 필요하다는 점이다.




버스에서 수집한 영상 및 위치 데이터를 인공지능 모델로 분석해 포트홀로 의심되는 빅쿼리 모델을 얻고(위), 이를 담당자가 애플리케이션을 통해 최종 판단해서 보수팀에게 전달한다(가운데). 포트홀 머신러닝 전체 프로세스 개요(아래). (자료 : Google Blog)

하지만 멤피스시는 스프링ML 제공하는 구글 클라우드 기반의 머신러닝 솔루션을 활용하면서, 포트홀을 찾는데 필요한 인력을 추가하지 않고도 포트홀을 보다 효율적으로 찾아낼 수 있게 됐다. 

스프링ML이 멤피스와 문제 해결을 위해 협력하면서 찾아낸 방법은 '버스'에서 생성되는 데이터를 활용하는 것이다. 멤피스 시내를 운행하는 모든 버스에는 앞면에 운행과 교통 상황을 기록하는 카메라가 탑재되어 있다. 아울러 모든 버스에는 이동 경로와 위치를 기록하는 GPS가 설치되어 있다.

멤피스의 시내버스가 운행하는 모든 도로의 위치와 상태 데이터는, 버스에 설치된 저장장치에 모두 기록된다. 스프링ML은 이 데이터를 구글 클라우드 스토리지에 업로드하고, 구글 클라우드 비디오 인텔리전스(Video Intelligence)를 활용해 인공지능으로 포트홀을 찾아낸다. 포트홀을 찾는 인공지능 모델을 만들기 위해 처음에는 사람이 수작업으로 도로에서 움푹 팬 곳을 일일이 골라냈다. 또한, 정확도를 높이기 위해 고품질의 영상 데이터를 사용하고, 버스 경로에 새로운 데이터를 추가하면서 학습 모델을 개선해 나갔다.

구글 클라우드의 비디오 인텔리전스 모델을 통해 추론한 결과는 빅쿼리(BiqQuery)로 전송해, 이미지, 주석, 메타 데이터, 위치, 점수 등으로 정렬되어 보관된다. 이렇게 작성한 기본 데이터를 담당자가 웹 앱을 통해 확인하면서, 실제 구덩이가 맞는지 얼룩이나 그림자는 아닌지를 최종적으로 결정하게 된다.

현재는 버스에서 구글 클라우드로 데이터를 옮기는 일을, 버스 운행이 종료된 후 모두 수작업으로 해야 한다. 버스에 장착된 스토리지에서 데이터를 복사하고, 이를 다시 구글 클라우드 스토리지에 올려야 한다. 아직 모든 과정이 완벽하게 자동화된 것은 아니라는 의미다.

앞으로 이 부분까지 실시간으로 네트워크로 자동으로 전송할 수 있다면, 훨씬 더 효율적으로 도로 상태를 분석하고 유지 및 보수하는 것이 가능해진다. 가끔은 말 많고 탈 많아 보이는 것이 인공지능이지만, 인공지능은 이미 알게 모르게 우리 주변에서 많은 도움을 주고 있다. ciokr@idg.co.kr
CIO Korea 뉴스레터 및 IT 트랜드 보고서 무료 구독하기
Sponsored
추천 테크라이브러리

회사명:한국IDG 제호: CIO Korea 주소 : 서울시 중구 세종대로 23, 4층 우)04512
등록번호 : 서울 아01641 등록발행일자 : 2011년 05월 27일

발행인 : 박형미 편집인 : 천신응 청소년보호책임자 : 한정규
사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2024 International Data Group. All rights reserved.