[KT AIVLE SCHOOL 3기] 8주차 Mini_Project 3차 (1)

🎈 프로젝트 주제

• 차량공유업체의 차량 파손여부 분류를 주제로 이미지 분류 프로젝트를 진행하였다.

(주제 선정 배경)

전세계적으로 공유차량 보유대수가 상승세를 보이고 있고, 2040년까지 16%로 증가할 예정이다.
장기적으로는 공유차량 보유대수가 완성차 수요를 앞지를 것으로 전망됨.

• 공정거래위원회의 카셰어링 서비스 소비자 만족도 조사에 따르면, 소비자가 카셰어링을 사용하면서 가장 마음에 안들었던 점은 미흡한 차량관리라는 응답이 1등을 차지함.

(문제점)

• 다양한 소비자의 니즈에 맞춰, 대대적으로 신차 투입 예정이며, 지속적으로 운영 차량의 확대 예정
  - 운영 차량 확대에 따라, 차량의 외관촬영 이미지를 검수하는 데는 너무 시간이 오래 걸리는 문제점이 발생
  • 차량 사진을 일일히 수작업을 통해 할 경우 하루 평균 7~8만장의 사진 밖에 검수를 하지 못한다는 문제점이 발생

(해결책)

이를 해결하기 위해, AI 머신러닝을 기반으로, 차량 이미지 파손여부 자동 탐지 모델을 설계하는 것을 목표로 한다.
- 해당 차량 공유업체의 직원들이 차량을 분류하는 데 걸리는 시간을 대폭 낮추고, 인공지능을 통해 사람이 분류하는 것 이상으로 정확하게 이미지를 분류하는 모델을 설계하도록 한다.

🎄 데이터 전처리

• 폴더 구조가 복잡하지 않기 때문에 shutil과 glob 보단 split folder 라이브러리를 사용하여, 전처리에 필요한 시간을 대폭 단축하였다.

👓 데이터 모델링(1) CNN

• CNN + Data Augmentation을 적용하여 CNN basic model을 성능했을 때 대비해서 0.79의 acuuracy를 확보할 수 있었다.

🎨 데이터 모델링(2) Transfer Learning

• 전이학습 모델 중 Inception V3 모델과 EfficientNet B0 모델을 사용

• 특히, EfficientNet B0의 경우 일정 Epoch가 지나고 나서 매우 좋은 성능을 보였다.
  

• Inception V3모델은 EfficientNet보다 이상적인 학습 과정을 보여주였다.

  차량 파손 문제 분류라는 task특성상 특정 위치를 살펴보아야 하기 때문에 Inception의 다양한 필터 size가 좋은 영향을 미치지 않았을 까? 라고 추측
  

• ImageDataGenerator에서 파라미터 값을 조정할때, 높은 값을 주면 랜덤성이 더해져서 높은 정확도를 나타낼 것 같았지만,

  생각과는 다르게 낮은 범위를 가진 값이 더 높은 정확도를 보여주었다.

• Xai 중 Grad-CAM을 활용하여 차량 파손 부분을 시각화 해보았다.