Journal Search Engine
The Journal of The Korea Institute of Intelligent Transport Systems Vol.24 No.1 pp.54-70
DOI : https://doi.org/10.12815/kits.2025.24.1.54
DOI : https://doi.org/10.12815/kits.2025.24.1.54
Development of Deep Learning Models for Judging the Oversize of Truck Load
│
│
Abstract
Improper loading of cargo trucks can lead to serious traffic accidents. To prevent such accidents and improve safety, an automated system for detecting overloaded trucks is essential. This study proposes two deep learning models based on a pre-trained EfficientNet to detect cargo that exceeds size limits. The first model uses cargo truck images extracted with a bounding box around the truck's area, whereas the second model utilizes both bounding box and a loading area image extracted via image segmentation. Evaluation results show that both models demonstrated high performance with classification accuracy over 0.95; however, the second model showed overall superior performance. Specifically, it confirmed that incorporating image segmentation from the loading area along with the truck image improved performance when determining whether cargo sizes exceeded their limits.
화물차 적재 크기 초과 판단을 위한 딥러닝 모형 개발
초록
도로 위 화물차의 적재 불량은 심각한 교통사고를 유발할 수 있기 때문에, 이를 예방하고 안전성을 높이기 위해서는 자동화된 적재 불량 단속 시스템이 필요하다. 이러한 배경에서 본 연구는 적재 불량 중 특히 적재 크기 초과 유형을 판단하는 사전 학습된 EfficientNet 기반 두 가지 딥러닝 모델을 제시하였다. 첫 번째 모델은 화물차의 영역을 bounding box로 추출한 화물 차 이미지를 입력으로 사용하였으며, 두 번째 모델은 bounding box 기반 추출 화물차 이미지와 이미지 분할(image segmentation) 기반 화물차 적재 영역 이미지를 함께 사용하였다. 평가 결과, 두 모델 모두 정확도 0.95 이상의 높은 분류 성능을 보여주었으나, 두 번째 모델이 전반적으로 더 높은 성능을 보였다. 즉, 화물차 이미지와 함께 이미지 분할을 통해 적재함 이미지를 함께 제공할 경우 화물차 적재 크기 초과 여부를 판단하는 성능이 높아지는 것을 확인하였다.
