Journal Search Engine
The Journal of The Korea Institute of Intelligent Transport Systems Vol.24 No.2 pp.37-49
DOI : https://doi.org/10.12815/kits.2025.24.2.37
DOI : https://doi.org/10.12815/kits.2025.24.2.37
CNN-Based Detection of Designated Lane Violations through LLM Data Analysis
│
│
Abstract
The designated lane system plays a crucial role in reducing congestion and preventing traffic accidents by regulating lane usage based on the vehicle types from a traffic flow management perspective. On the other hand, non-compliance remains prevalent despite the drivers' awareness of the regulations, highlighting the need for improved monitoring and enforcement systems. This study proposes a multi-modal algorithm for detecting designated lane violations using a combination of large language models (LLMs) and convolutional neural networks (CNNs). This research collected driving footage from domestic roads, and LLM prompts were defined to extract road image information. A multi-modal CNN model was trained based on this, and its results were analyzed. The proposed model showed higher accuracy than traditional models trained solely on either image or text data. This study is expected to improve road traffic safety by leveraging LLMs to extract information from raw images and using a trained model to detect designated lane violations effectively.
LLM 데이터 분석을 통한 CNN 기반 지정차로제 위반 검지
초록
지정차로제는 교통류 관리 측면에서 차량 유형별 차로 이용을 규제해 혼잡을 줄이고 교통사고 를 예방하는 데 중요한 역할을 한다. 그러나 많은 운전자들이 이를 알고도 법규를 준수하지 않아 관리와 감시 시스템의 개선 필요성이 제기된다. 본 연구는 지정차로제 위반을 검지하기 위해 시각 거대언어모형(large language model, LLM)과 합성곱 심층신경망(convolutional neural network, CNN) 기반 multi-modal 알고리즘을 제안한다. 연구 과정에서 국내 도로 주행 영상을 수집하고, LLM 프롬프트를 정의해 도로 이미지 정보를 추출하였다. 이를 바탕으로 multi-modal CNN 모델을 학습시켰다. 분석 결과, 제안된 모델은 단순히 이미지나 텍스트만 학습한 비교대상 모델보다 높은 정확도를 보였다. 본 연구는 정보가 없는 이미지에서 LLM을 활용해 정보를 추출 하고, 이를 바탕으로 학습된 모델을 이용하여 지정차로제 위반을 검지함으로써 도로교통 안정성 향상에 기여할 것으로 기대된다.
