통과소음도를 이용한 차종 분류 기계학습 모형

2.1 통과소음 수집 및 분석

기계학습모형에 사용할 학습데이터는 자동차 통과소음을 도로에서 측정하여 구축하였다. 측정 위치는 서울시립대학교 내이며, 차속 제한 30 km/h인 일방통행 1차선 직선도로이다. 해당 도로는 과속방지턱 등의 장애물이 없고, 실제 통과하는 차량의 속도는 20 km/h ~ 40 km/h이다. 단, 이륜차의 경우 20 km/h ~ 80 km/h의 넓은 범위의 속도로 운행되었다. 소음과 차종 수집은 소음계(Rion NL-52)와 카메라(GoPro HERO7, Kodak SP360)를 이용하였다. 소음측정은 소음·진동 공정시험기준을 참고하여 청감보정회로 A특성, 동특성 fast 모드로 1초당 등가소음도와 1/3 옥타브밴드를 측정하였다⁽⁵⁾. 측정기기는 Fig. 1과 같이 도로 중심선으로부터 2 m, 지면 위 6 m 높이에 설치하였다. 학습데이터 수집 시기는 2020년 1월 ~ 2월이며 눈, 비 등이 오지 않았던 10일간 진행하였다. 2일 ~ 3일 간격으로 주로 오후 시간대(13시 ~ 18시)에 수집하였으며 저녁 이후(19시)부터 오전(10시)까지 심야시간의 데이터도 4일간 수집, 분석하였다.

Fig. 1

Noise and video collection for learning dataset

차량이 1대 통과할 때마다 소음도를 3가지 방법으로 분석해 사용하였다. 첫 번째 방법은 차량이 1대 통과할 때마다 측정된 초당 등가소음도 중 가장 높은 1초의 값과 그때의 1/3 옥타브밴드를 값을 대표 통과소음도로 정한 방법이다(최고소음도 방법). 두 번째 방법은 첫 번째 방법으로 선택된 최고소음도와 앞뒤 1 초씩의 소음도를 추가로 선정하여 총 3초간의 소음도 값들을 대표 통과소음도로 정하는 방법이다(최고소음도 ±1초 방법). 세 번째 방법은 첫 번째 방법에서 선택된 소음도에서 10 dB 아래까지 감소하는 범위를 선택하고 그 선택된 시간 동안의 등가소음도를 대표 소음도로 하는 방법이다(등가소음도 방법). 차량통과소음 외에 특별한 소음이 발생하지 않았던 시간대의 소음도를 추출해 ‘비통과’라 명명하여 사용하였으며, 추후 학습이 완료된 모형이 차량 통과소음 외의 소음을 비통과 소음이라고 인식하게 하도록 학습하는 데 이용하였다.

각 방법별로 분석된 통과소음과 비통과 소음을 모아 3개의 데이터세트를 구축하였다. 데이터세트에서 한 개의 데이터는 소음도(입력데이터)에 소음원(정답데이터)이 라벨링 된 형태이다. 입력데이터는 1대의 차량이 통과할 때마다 수집된 L_AFeq, L_ZFeq A 가중 1/3 옥타브밴드 값이고 정답데이터는 각 소음도마다 라벨링되는 ‘소형차’, ‘대형차(2.5톤 이상)’, ‘이륜차’, ‘비통과‘이다. 차량이 연속하여 통과하는 경우를 제외하고 총 3685대의 차량의 소음도가 수집되었고 소형차 2623대, 대형차 49대, 이륜차 1013대이다. 대형차의 대수가 소형차와 이륜차보다 상대적으로 적게 수집되어 대형차 통과소음 데이터를 10배로 늘려 학습데이터를 만들었다⁽⁶⁾. 비통과 소음 데이터는 전체 차량 대수와 비슷하게 3471개로 구성하였다. 각 데이터세트별 데이터 수는 최고소음도와 등가소음도 세트는 각각 7597개(차량 4126개, 비통과 3471개), 최고소음도 ±1초 세트는 15 849개(차량 12 378개, 비통과 3471개)이다. 3개의 데이터세트 가운데 최고소음도 데이터세트를 구성하는 각 차종별, 비통과 소음의 1/3 옥타브밴드 소음도 평균값을 Fig. 2에 나타내었다.

Fig. 2

Average of 1/3 octave band sound levels for each vehicle on the maximum noise dataset

2.2 차종 분류 기계학습모형 구성

학습데이터를 구축한 후 파이썬을 활용해 차종 분류 기계학습모형을 구현하고 모형의 성능을 검증하였다. 분류모형은 인공신경망을 이용해 구성하였다. 인공신경망 모형은 다수의 노드로 구성된 입력층, 은닉층, 출력층이 유기적으로 연결되도록 구성된다. 특히 은닉층 수, 은닉층의 노드 수, 각 층의 활성화 함수 등에 따라 모형의 성능이 달라지기 때문에 해당 구성요소를 적절히 설정하는 것이 중요하다.

입력층과 출력층의 노드 수는 입력데이터와 정답데이터의 수인 32와 4로 각각 설정하였다. 은닉층 수는 변화가 가능한데, 은닉층 수를 증가시켜 모형을 비교하였으나 정확성에서 큰 차이를 보이지 않았고, 은닉층 수가 늘어날수록 소요되는 학습시간이 증가하였다. 따라서 시간과 정확성을 비교하였을 때 효율성이 높은 2층의 은닉층을 구성하였다. 은닉층의 수를 결정한 후 은닉층 노드의 개수를 선정하였다. 모형의 성능은 은닉층 노드의 수에 따라 달라지는데 은닉층의 노드 수의 증가에 따른 정확도는 Fig. 3에 나타내었다. 분류 정확성의 오차 범위를 고려하여 최고 정확도와 0.5 % 이내의 차이를 보이는 노드 중 가장 적은 노드의 개수를 선택하였다. 다만 세 개의 모델에서 모두 은닉층 노드 수가 상대적으로 적을 때에도 70 % 이상의 높은 정확도를 보였다. 이를 확인하기 위해 최고소음도의 학습 데이터세트를 사용하여 은닉층의 노드 수가 2개일 때와 최종 선택된 78개일 때의 오분류표를 Table 1에 나타내었다. 노드 수를 2개로 선정하였을 때, 전체적인 정확도는 높았으나 이륜차와 대형차를 구분하지 못하는 것을 확인하였으며, 다른 데이터세트에서도 같은 경향성을 확인하였다. 이는 Fig. 2에서도 확인할 수 있는 주파수 구성이나 소음도에서 비교적 명확한 차이를 보이는 소형차와 비통과 데이터는 적은 수의 노드로도 분류가 가능하다고 판단된다. 최종적으로 연구에서 사용한 인공신경망의 구성은 Fig. 4에 나타내었다.

Fig. 3

Comparison of the accuracy of test data according to the number of nodes in the hidden layer for each dataset

Table 1

Confusion matrix of test data on the maximum noise dataset with 2, 78 hidden nodes

Fig. 4

A neural network used in this study

학습 전 데이터세트를 모형에 입력하기 위해 전처리 작업을 진행하였다. 입력데이터의 범주를 동일하게 해주는 표준화와 정답데이터를 0과 1의 값으로 구성된 벡터로 표시하는 원-핫 인코딩을 진행하였다. 전처리가 끝난 데이터는 2 : 1의 비율로 나누어 학습데이터와 시험 데이터로 사용되었다. 각 층 사이에 존재하는 가중치와 편향은 순전파를 통해 계산되고, 역전파 과정을 통해 수정되며 출력 결과와 실제 값의 오차를 줄이도록 하였다⁽⁷⁾. 기울기 소실 문제를 방지하기 위해 은닉층의 활성화 함수는 ReLU를 사용하였고⁽⁸⁾, 출력층의 활성화 함수는 분류 문제에 적합한 소프트맥스 함수를 사용하였다⁽⁹⁾. 또한, 훈련 데이터가 과도하게 적합되어 새로 입력되는 데이터를 올바르게 추정하지 못하는 과적합 문제를 방지하기 위해 AdaGrad⁽¹⁰⁾와 Drop-out⁽¹¹⁾을 적용하였다. 모형을 학습시킨 후 학습 횟수(epoch)별 학습데이터와 시험 데이터의 오차율을 그래프를 Fig. 5에 나타내었다. 학습 횟수가 일정수준 이상에서부터 정확도에 큰 영향을 미치지 않아 최종적으로는 모형을 2000회 학습시킨 후 정확도를 비교하였다. 다만 최고소음도 ±1초 데이터세트를 사용한 모형에서는 과적합이 나타난 것을 확인하였다.

Fig. 5

The error rate of train data and test data over epoch number

2.3 통과소음도 분석방법별 모형 비교

Table 2은 통과소음도 분석방법별 기계학습모형의 조건과 정확도를 나타냈다. M1은 최고소음도 데이터세트를 사용한 모형, M2는 최고소음도 ±1초 데이터세트를 사용한 모형, M3는 등가소음도 데이터세트를 사용한 모형을 의미한다. 정확도를 통해 모형의 차종 분류성능을 판단하였을 때, 최고소음도와 그 1/3옥타브 밴드를 사용하는 것이 가장 정확도가 높은 것을 확인하였다.

Table 2

Training conditions and results of three machine learning models

세부적으로 모형의 성능을 평가하기 위해, 분류모형 성능평가 시 이용되는 혼동 행렬을 사용하여 분석하였다^(12,13). 혼동 행렬은 학습된 모형의 예측값과 실제값을 비교하기 위한 행렬이다. 이 행렬을 통해 모형의 예측성능을 파악할 수 있는 지표들을 계산할 수 있다. Precision은 예측한 값 중에 실제 정답과 일치하는 비율을 의미하고 recall은 실제 정답 중에 예측된 값과 일치하는 비율을 말한다. F1-score는 precision과 recall의 조화평균을 계산한 값이고, 앞선 두 개의 지표를 모두 고려하여 모형의 성능을 판단할 수 있다. 단순평균은 각 차종의 성능평가 결과를 평균한 값이고, 가중평균은 각 차종의 성능평가 결과를 표본 개수로 가중 평균한 값을 의미한다.

Table 3에 모형의 성능평가 결과를 나타내었다. 가중평균은 데이터 간의 편차를 고려하여 사용할 수 있는 평균이다. 이 연구에서는 데이터 간의 편차가 존재하더라도 정확하게 분류해낼 수 있도록 하는 것이 필요하므로 단순평균을 통해 모형의 성능을 평가하고자 한다. 세 가지 모형의 precision과 recall의 값을 모두 고려했을 때, M1이 모두 0.98의 값을 가지므로 세 모형 중 가장 높은 분류성능을 보였다. F1-Score를 기준으로 각 차종 간 성능 차이가 M1의 경우 최대 0.04, M2의 경우 0.12, M3의 경우 0.05의 차이를 보였다. M1과 M2의 경우 차종 간 분류에서 고른 성능 결과를 가진다고 판단된다. 각 모형을 세부적으로 평가하였을 때, M1의 경우 비통과 소음 분류 정확도가 가장 높았고, 다른 차량에 비해 이륜차량을 분류하는 성능이 떨어졌다. M1 모형이 이륜차로 오분류한 데이터는 실제로는 대부분 소형차량임을 확인하였다. M2의 경우 대형차의 precision의 값은 0.99이나, recall 값이 0.76으로 낮은 수치를 보이며 이는 모형이 대형차량이라 예측한 것은 대부분 옳았으나, 실제 대형차량을 이륜차, 소형차, 비통과 중 하나의 값으로 분류한 소음도들이 24 % 정도 존재하는 것을 의미한다. M3도 M1과 유사하게 비통과 소음의 분류 정확도가 높으며, 이륜차의 분류 정확도가 가장 낮았다. F1-score로 M1과 비교하였을 때, M1이 M2보다 전반적으로 0.01 정도 높은 수치를 보였다. 결론적으로 앞서 모형의 설명력을 비교하였던 정확도와 추가적으로 진행한 모형의 성능평가 지표들에서 모두 M1의 설명력이 가장 높았다.

Table 3

Evaluation measures for the models

2.4 최고소음도 모형 활용

2.3절을 통해 세 가지 모형 중 M1의 설명력과 분류성능이 가장 높은 것을 확인하였다. M1의 활용성을 평가하기 위해, 추가로 시험 데이터를 수집하여 분류성능을 평가하였다. 이 연구에서 데이터 수집이 일방통행 1차선에서 진행되었다는 한계점을 고려하여, 왕복 2차선으로 구성된 지점 A, B를 선정하여 시험 데이터를 수집하였다. 지점 A는 왕복 2차선으로 차속이 30 km/h로 제한된 구간이며, 방지턱 등의 방해물과 도로구배 변화가 존재하지 않는 지점이었다. 지점 B도 A와 마찬가지로 왕복 2차선의 차속이 30 km/h로 제한된 구간이었으나, 측정지점 50 m 이내에 방지턱과 커브길이 존재하는 지점이었다. 지점 A는 도로 중심선으로부터 5.3 m, 지면 위 1.5 m 높이에서 측정하였고, 지점 B는 도로 중심선으로부터 5.4 m, 높이 1.5 m 위치한 지점에서 측정하였다.

각 지점에서 차량이 통과할 때의 최고소음도를 추출하여 시험 데이터를 생성하였다. 사용된 데이터의 개수는 Table 4에 나타내었다. 비통과 데이터의 경우 통과소음도와 비슷한 개수의 데이터를 추출하여 사용하였다. M1을 사용하여 지점 A, B에서 측정된 차종을 분류하였을 때, 각각 94.16 %와 90 %의 정확성을 보였다. 두 지점에서 모두 90 % 이상의 정확성을 보였으며, 이를 통해 이 연구에서 구현한 M1이 제한적인 상황의 2차선 도로에서도 적용 가능하다는 것을 확인하였다.

Table 4

Results of applying M1 on Site A, B