콘텐츠로 건너뛰기 메뉴로 건너뛰기 푸터로 건너뛰기
데이터를 불러오고 있습니다
데이터를 저장하고 있습니다
#안전

전차선 애자 상태 인식 데이터

전차선 애자 상태 인식 데이터 아이콘 이미지
  • 분야재난안전환경
  • 유형 이미지
구축년도 : 2022 갱신년월 : 2023-12 조회수 : 16,548 다운로드 : 181 용량 :
샘플 데이터 ?

샘플데이터는 데이터의 이해를 돕기 위해 별도로 가공하여 제공하는 정보로써 원본 데이터와 차이가 있을 수 있으며,
데이터에 따라서 민감한 정보는 일부 마스킹(*) 처리가 되어 있을 수 있습니다.

※ 내국인만 데이터 신청이 가능합니다.

  • 데이터 변경이력

    데이터 변경이력
    버전 일자 변경내용 비고
    1.1 2023-12-15 데이터 최종 개방
    1.0 2023-05-04 데이터 개방(Beta Version)

    데이터 히스토리

    데이터 히스토리
    일자 변경내용 비고
    2023-12-15 산출물 전체 공개

    소개

    철도 운영 주요 시설물 중 중요 시설물인 철도 선로 및 전차선 애자에 대하여 영상카메라 및 각종 특수장비를 활용하여 다양한 여건에서의 기계적 결함(파손, 균열, 이완 등) 데이터를 포함한 영상 데이터 셋(24만장) 구축
    수집된 영상 데이터를 통한 시설물의 상태확인, 이상 현상 감지, 이상상황 판별을 통해 안전한 운용을 위한 예방적 점검개소 검지 및 고장원인 분석 등이 가능하도록 AI 학습용 영상 데이터 구축, AI 학습 모델 제시 및 데이터 수집 환경 구축에 의한 유효성 검증

    구축목적

    ㅇ 인공지능 학습용 데이터 구축
  • [데이터 통계]
     - 데이터 구축 규모
    2개 분야 14개 시설물 이미지, 제이슨 형식으로 총 133,845 set 구축

    [데이터 통계]- 데이터 구축 규모
    시설물 장소 수집규모 가공규모 최종 결과물
    규모 형식
    전차선(9종) 전차선, T-Bar, 롱이어, 볼트·너트, 안전핀, 프로텍터, 행거, 클램프 류, 전차선(커버) 도시철도 122,597 52,997 52,131 jpg, json
    일반철도 237,798 22,312 22,312
    애자(5종) 절연애자, 일반철도 애자류(장간애자, 현수애자), 고속철도 애자류(장간애자, 현수애자), 지지애자, 볼트·너트 고속철도 229,644 31,140 31,136
    경전철 138,193 28,266 28,266
    총계 4개 장소 728,232 134,715 133,845  


     - 데이터 분포
    1) 클래스별 데이터 분포

    - 데이터 분포1) 클래스별 데이터 분포
    구분 도시철도 일반철도 고속철도 경전철
    대상 시설물 2개 시설물
    6종*
    2개 시설물
    5종**
    2개 시설물
    5종***
    2개 시설물
    3종****
    수량(set) 133,845 52,131 22,312 31,136 28,266
    비율 100% 39% 17% 23% 21%

     

    * 전차선(전차선, T-Bar, 롱이어, 볼트·너트, 안전핀), 애자(절연애자)
     ** 전차선(전차선, 프로텍터, 행거, 클램프류), 애자(애자 류)
     *** 전차선(전차선, 프로텍터, 행거, 클램프류), 애자(애자 류)
     **** 전차선(전차선 커버), 애자(지지애자, 볼트·너트)

    2) 정상·이상별 데이터 분포

    - 데이터 분포2) 정상·이상별 데이터 분포
    구분 클래스 라벨링 데이터 원천 데이터
    정상 이상 정상 이상
    합계 133,845 84,183 49,662 133,845 84,183 49,662
    전차선 애자 상태 인식 데이터 도시철도 52,131 31,319 20,812 52,131 31,319 20,812
    일반철도 22,312 15,267 7,045 22,312 15,267 7,045
    고속철도 31,136 13,401 17,735 31,136 13,401 17,735
    경전철 28,266 24,195 4,071 28,266 24,195 4,071
  • 저작도구 설명서 및 저작도구 다운로드

    저작도구 설명서 다운로드 저작도구 다운로드
  • AI 모델 상세 설명서 다운로드

    AI 모델 상세 설명서 다운로드 AI 모델 다운로드

    [활용모델]
     - 모델학습
     ∙YOLOv5(바운딩박스 기반), Mask R-CNN(세그멘테이션 기반) 학습을 위해 철도 선로 및 전차선 애자 데이터 관련 이미지(.jpg)와 이에 대응되는 라벨링 데이터(.json)를 준비하고 라벨링은 동일한 객체에서도 정상·비정상을 구분하여 라벨링하여 학습 
     ∙같은 객체일지라도 정상 객체 및 비정상 객체 A가 다르게 탐지
     ∙학습:검증:시험 데이터셋은 랜덤하게 8:1:1로 분리하여 학습 및 유효성 검증을 수행하고 검증 방법은 Ground Truth와 예측된 모델 결과를 비교하여 mAP를 측정
     ∙데이터 일반화를 적용할 경우, mAP가 조금 떨어질 수 있지만, 데이터셋에 포함되지 않은 다른 환경의 데이터 적용 시 더 높은 정확도를 가질 수 있으며, overfitting 방지를 위해 데이터 일반화 적용을 권장s

    모델 학습 이미지

    - 서비스 활용 시나리오
    ∙시설물 객체 탐지 학습 모델을 활용을 통해 탐지된 객체의 이상현상을 감지하여, 철도 운영에서 발생할 수 있는 사고를 조기에 대응할 수 있도록 정보를 제공할 수 있음
      - 철도 및 전차선 애자 현장 모니터링 영상을 학습된 모델에 적용하여 비정상 객체 데이터를 수집 가능
      - 수집된 비정상 객체를 시각화 하여 현장 모니터링에 활용할 수 있음
      - 동기화된 위치 데이터 또는 영상을 통해, 이상 현상이 감지된 위치를 파악하여 즉시 현장 출동이 가능함
      - 히스토리 관리 및 모니터링을 통해 정확도가 낮게 나온 객체에 대한 데이터를 수집하고 모델을 업데이트하여, 지속적인 모델의 업데이트 가능

    서비스 활용 시나리오 예시

    [기타정보]
     ∙대표성 : 도시철도, 고속철도, 일반철도, 경천철 환경과 같이 철도 환경의 대부분의 영역을 포함하는 데이터셋 구성
     ∙독립성 : 볼트/너트 등 일반적인 환경에 촬영된 객체가 아닌, 철도환경에서 촬영된 객체들로만 데이터셋을 구성

  • 데이터 성능 점수

    측정값 (%)
    기준값 (%)

    데이터 성능 지표

    데이터 성능 지표
    번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수
    1 바운딩박스 탐지 성능 Object Detection YOLO v5 mAP@IoU 0.75 80 % 86.22 %
    2 세그멘테이션 탐지 성능 Object Detection Cascade Mask R-CNN mAP@IoU 0.75 70 % 71.7 %

    ※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.

    ※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)

  • 설명서 및 활용가이드 다운로드

    데이터 설명서 다운로드 구축활용가이드 다운로드

    [데이터 구성]

    [데이터 구성]
    구분 No 속성명 속성 및 내용
    필수 1 metadata.camera_id 촬영 카메라 id
    필수 2 metadata.file_name 원본 데이터명
    선택 3 metadata.start 시작지점
    선택 4 metadata.direction 방향
    선택 5 metadata.length 원본영상 길이
    선택 6 metadata.fps 원본영상 FPS
    필수 7 metadata.width 원본영상 가로길이
    필수 8 metadata.height 원본영상 세로길이
    필수 9 metadata.aspect_ratio 원본영상 종횡비
    필수 10 metadata.resolution 원본영상 해상도
    필수 11 metadata.datetime 촬영날짜, 시간
    필수 12 metadata.region_name 촬영지역
    필수 13 metadata.weather 날씨
    필수 14 metadata.format 파일형식
    필수 15 metadata.type 원시 데이터
    비디오/이미지 여부
    선택 16 metadata.humidity 촬영 습도
    선택 17 metadata.temperature 촬영 온도
    선택 18 metadata.angle 촬영 각도
    선택 19 metadata.illuminance 촬영 조도

     

    [어노테이션 포맷]

    [어노테이션 포맷]
    구분 항목명 타입 필수여부 설명 비고
    1 info Object Y 데이터셋정보  
      1-1 info.description String Y 데이터셋명칭 전차선 애자 상태 인식 데이터
      1-2 info.version String Y 데이터셋버전 ver1.0
      1-3 info.date_created number Y 데이터셋생성년도 2022
    2 categories Arr[Obj] Y 카테고리 정보  
      2-1 categories.supercategory String Y 카테고리 대분류 대분류 명
      2-2 categories.supercategory_type String Y 카테고리 대분류 유형 “강체”,“카테너리”,“제3궤조”
      2-3 categories.id Number Y 카테고리 아이디  
      2-4 categories.name String Y 카테고리 소분류(이름) 세부 부품 영문명
      2-5 categories.name_kor String Y 카테고리 소분류(이름) 세부 부품 한글명
    3 image Arr[Obj] Y 이미지정보  
      3-1 image.id Number Y 이미지식별자  
      3-2 image.file_name String Y 이미지파일명  
    4 annotations Arr[Obj] Y 어노테이션정보  
      4-1 annotations[].id Number Y 어노테이션ID  
      4-2 annotations[].image_id Number Y 이미지ID  
      4-3 annotations[].category_id Number Y 카테고리ID  
      4-4 annotations[].bbox Arr[Num] N 객체 BoundingBox 정보 N[x, y, width, height]
      4-5 annotations[].polygon Arr[Num] N 객체 Polygon 정보 [x1, y1, x2, y2, ...]
      4-6 annotations[].status String Y 정/이상 여부 ‘normal’‘abnormal
      4-7 annotations[].status_detail String N 이상상태 상세 ‘마모’,‘균열’,‘절손’ 등
    5 metadata Obj Y 메타정보  
      5-1 metadata..camera_id Number Y 촬영 카메라 id  
      5-2 metadata.file_name String Y 원본 데이터명  
      5-3 metadata.start String N 시작지점  
      5-4 metadata.direction String N 방향  
      5-5 metadata.length String N 원본영상 길이 “11:22:33” 형식
      5-6 metadata.fps Number N 원본영상 FPS  
      5-7 metadata.width Number Y 원본영상 가로길이  
      5-8 metadata.height Number Y 원본영상 세로길이  
      5-9 metadata.aspect_ratio String Y 원본영상 종횡비  
      5-10 metadata.resolution String Y 원본영상 해상도  
      5-11 metadata.datetime Number Y 촬영날짜, 시간 “2022-06-22 19:16:01”
      5-12 metadata.region_name String Y 촬영지역  
      5-13 metadata.weather String Y 날씨 ‘맑음’, ‘흐림’, ‘비’, ‘눈’
      5-14 metadata.format String Y 파일형식 ‘mp4’,‘avi’‘jpg’, ‘png’
      5-15 metadata.type String Y 원시 데이터 비디오/이미지 여부 ‘video’, ‘image’
      5-16 metadata.humidity Number N 촬영 습도  
      5-17 metadata.temperature Number N 촬영 온도  
      5-18 metadata.angle Number N 촬영 각도 30, 60, 90 등
      5-19 metadata.illuminance Number N 촬영 조도 (단위: lux)

    [데이터 포맷]
     - 원시데이터 수집 기준

    [데이터 포맷]- 원시데이터 수집 기준
    장소 부위 시설물 이상현상 환경조건 시나리오
    도시철도 전차선 전차선 마모 터널내부 특성상 날씨, 조도 상관없음 • 대전교통공사 본선의 과대 마모개소에서 파악 및 이상 데이터 취득
    • 강체전차선로 부본선에서 과대 마모상태 인위적 조성 후 이상데이터 취득
    T-Bar 오손 • 본선의 T-Bar 이상개소 파악 및 이상데이터 취득
    • 부본선의 T-Bar에 인위적 오손상태 조성 후 이상데이터 취득
    롱이어 탈락 • 본선 전차선로 롱이어 인위적 탈락 조성 후 이상데이터 취득
    볼트, 너트 너트 풀림 • 각종 체결구의 너트 풀림 등 인위적 조성
    안전핀 탈락, 불완전 체결 • 각종 체결구의 안전핀 탈락, 불완전 체결 인위적 조성
    애자 절연애자 균열 및 파손 • 강체전차선 부본선에서 절연애자 인위적 손상 조성 후 이상데이터 취득
    일반철도 전차선 전차선 마모 주ㆍ야간/맑은날ㆍ우천시 • 강체전차선로 부본선에서 과대 마모상태 인위적 조성 후 이상데이터 취득
    • 대전교통공사 본선의 과대 마모개소에서 파악 및 이상 데이터 취득
    프로텍터 파손 • 프로텍터 파손 인위적 조성 후 이상데이터 취득
    행거 이탈 • 행거 탈락 인위적 조성 후 이상데이터 취득
    클램프 류 탈락 • 너트 풀림 등 클램프류 인위적 탈락 조성 후 이상데이터 취득
    애자 애자 류 균열 및 파손 • 장간 및 현수 애자의 인위적 균열 파손 조성 후 이상데이터 취득
    고속철도 전차선 전차선 마모 주ㆍ야간/맑은날ㆍ우천시 • 전차선로 부본선에서 과대 마모개소 파악 후 이상데이터 취득
    프로텍터 파손 및 오손 • 프로텍터 파손 인위적 조성 후 이상데이터 취득
    행거 이탈 • 행거 탈락 인위적 조성 후 이상데이터 취득
    클램프 류 탈락 • 너트 풀림 등 클램프류 인위적 탈락 조성 후 이상데이터 취득
    애자 애자 류 균열 및 파손 • 장간 및 현수 애자의 인위적 균열 파손 조성 후 이상데이터 취득
    경전철 전차선 전차선(커버) 마모, 커버 탈락 주ㆍ야간/맑은날ㆍ우천시 • 인위적 마모 및 커버 탈락 조성 후 이상데이터 취득 
    애자 지지애자 파손 • 인위적 파손 조성 후 이상데이터 취득
    볼트, 너트 너트 풀림 • 인위적 너트 풀림 조성 후 이상데이터 취득

     

     
    원천 데이터 예시 가공 데이터 예시
    원천 데이터 예시
    가공 데이터 예시

     

     

     - 제이슨 형식

    제이슨 형식

     

     

     - 실제 예시

    [데이터 포맷]- 실제 예시
    가공 이미지(예시) 어노테이션 파일(예시)
    가공 이미지 예시 1 어노테이션 파일 예시 1
    가공 이미지 예시 2
    가공 이미지 예시 3 어노테이션 파일 예시 2
    가공 이미지 예시 4
  • 데이터셋 구축 담당자

    수행기관(주관) : 대전교통공사
    수행기관(주관)
    책임자명 전화번호 대표이메일 담당업무
    김중진 042-539-3934 ooheho@djtc.kr 사업 총괄 관리, 데이터 수집 장소 지원 및 대상 시설물 정의
    수행기관(참여)
    수행기관(참여)
    기관명 담당업무
    대전광역시 성과확산, 대내외 확산 및 과제 고도화 지원
    ㈜데이터메이커 학습용 데이터 가공·검수 및 품질관리
    명성알앤피㈜ 데이터 수집 환경 지원
    ㈜알에프컴 데이터 수집환경 구축, 데이터 수집·정제 및 유효성 검증 환경 조성
    한국과학기술원 인공지능 모델 개발(세그멘테이션 기반), 데이터 유효성 검증
    ㈜카이 인공지능 모델 개발(바운딩박스 기반), 데이터 유효성 검증
    데이터 관련 문의처
    데이터 관련 문의처
    담당자명 전화번호 이메일
    김중진 042-539-3934 ooheho@djtc.kr
보건의료 데이터 개방 안내

보건의료 데이터는 온라인 및 오프라인 안심존을 통해 개방됩니다.

안심존이란 안심존 이용메뉴얼 안심존 이용신청
  • 인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
    * 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
    * 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석

    1. AI 허브 접속
      신청자
    2. 안심존
      사용신청
      신청자신청서류 제출*
    3. 심사구축기관
    4. 승인구축기관
    5. 데이터 분석 활용신청자
    6. 분석모델반출신청자
  • 1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
    2. 기관생명윤리위원회(IRB) 승인된 연구계획서
    3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
    4. 안심존 이용 신청서 [다운로드]
    5. 보안서약서 [다운로드]
    ※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다.

  • 신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의

데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.

API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.

리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.

※ 파일 병합 리눅스 명령어

find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"

- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.

- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.

※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.