-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.0 2022-07-12 데이터 최초 개방 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2022-10-21 신규 샘플데이터 개방 2022-07-12 콘텐츠 최초 등록 소개
스마트 항만 구축 개발의 기반이 되는 실제 컨테이너의 식별 방법인 BIC 코드와 이동수단인 야드 트레일러 및 기본 자료들의 수집 제공을 위한 원천 데이터를 확보
구축목적
현실적이고 비즈니스 적용 가능한 항만 물류 데이터 구축을 위한 데이터셋
-
메타데이터 구조표 데이터 영역 교통물류 데이터 유형 이미지 데이터 형식 jpg 데이터 출처 안벽크레인(항만 2개 터미널) , 게이트(항만 3개터미널 12개 레인) 라벨링 유형 바운딩박스/폴리곤 라벨링 형식 JSON 데이터 활용 서비스 선석에서의 검수 자동화, 야드에서의 검수 자동화, 게이트에서의 검수 자동화 데이터 구축년도/
데이터 구축량2021년/이미지 619,261 장 -
데이터 구축 규모
- 이미지 파일 619,262 장(1920 * 1080, jpg, 이미지 어노테이션 json파일
- 약 1,403,000 객체 bounding box/ 폴리곤 및 라벨 부착
데이터 분포
-
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드활용 AI 모델
- 본 데이터 구축 사업에서 생성되는 데이터셋은 컨테이너 영역, 안전 영역 2가지이며 컨테이너 영역에서는 OCR이 포함되어 있기에 학습 모델은 OCR 인식, 객체 검지(컨테이너 영역, 안전영역)로 나누어 모델을 정하였다.
1. 컨테이너 정보 문자인식 모델(OCR 인식)
가. 라벨링 형태, 효율성 및 기 존재하는 논문등을 참고하여 CRNN을 채택함.
- 나. ‘CNN과 RNN, CTC loss를 사용하여 input으로 부터 시퀀스를 인식하는 것’의 개념을 가진 모델이다. CNN을 통하여 Inupt 이미지로부터 feature sequence를 추출하고 추출한 feature sequence들을 RNN의 Input으로 하여 이미지의 텍스트 시퀀스를 예측한 뒤 예측된 텍스트 시퀀스를 텍스트로 변환하여 출력하게 된다. 시퀀스를 인식하는 다양한 부분에 적용할 수 있다.
다. 학습에 사용되지 않은 테스트 데이터셋 51509장을 이용하여 테스트 한 결과 목표로 하였던 F1-Score 80%를 넘겨 98%에 도달하였다. 문자인식 결과는 다음 그림과 같았으며 기울기와 상관없이 대부분 문자를 정확히 인식하였다. 데이터셋 자체는 4점 폴리곤 좌표를 사용하여 향후 데이터셋을 활용하는 활용자에게 더욱 정확한 데이터셋을 제공하였으며 이를 포함한 사각형 형태로 문제없이 사용 가능함을 확인하였다.
2. 컨테이너 정보 검지 모델(객체 검지)
- 가. 라벨링 형태, 검지속도 및 기 존재하는 논문등을 참고하여 YOLOv4를 채택함.
- 나. YOLO는 1-Stage object detection 모델이다. convolution layer를 통해 feature map을 추출하고, fully connected layer를 거쳐 바로 경계 박스와 클래스의 확률을 바로 적용하는 모델이다.
- 다. 학습에 사용되지 않은 테스트 데이터셋 51509장을 이용하여 테스트 한 결과 목표로 하였던 mAP 90%를 넘겨 97.9%에 도달하였다. 각 오브젝트별로 특별히 낮거나 높지 않고 상당히 높은 수치의 검지율을 보였다. 특히 DOOR 와 REEFER의 경우 오브젝트 크기가 상당히 크고 대부분 규격화 되어있기에 높은 것으로 분석된다.
서비스 활용 시나리오
ㅇ 선석에서의 검수 자동화
선석에서 BIC Code 및 Type Size Code를 이용한 검수 자동화 및 Twist Lock 탈부착 작업 확인, 위험물
컨테이너 여부 확인 및 YT 도착 알람으로 작업 생산성 향상 및 안전사고 예방에 기여
ㅇ 야드에서의 검수 자동화
야드에서 BIC Code 및 Type Size Code를 이용한 검수 자동화 및 컨테이너 방향 판단, Twist Lock 탈착 여부
확인 및 YT 도착 알람으로 오작업 방지 및 생산성 향상, 안전사고 예방에 기여
ㅇ 게이트에서의 검수 자동화
게이트에서 자동 반입, 반출 컨테이너 검수(BIC Code 및 Type Size Code) 및 컨테이너 방향 판단, 위험화물
인식 및 야드 지정으로 게이트 업무 자동화에 기여기타정보
ㅇ 포괄성
- 실제 상하차 작업 상황에서 최대한 촬영 가능한 전후좌우등의 영상등을 획득하여 다양한 형태의 데이터를 획득
ㅇ 독립성
- 항만 물류 특성상 보안구역으로 지정이 되어 있어 촬영이 금지되어 있어 관련 공개 데이터셋등이 현재 전무한
상황
- 해당 데이터셋을 이용하여 항만물류 자동화에 손쉬운 접근이 가능
ㅇ 유의사항
- 컨테이너 BIC의 경우 고정 된 형태가 아닌 다양한 각도 및 종, 횡, 열의 형태가 다양하게 있고, 객체 검지의 경우
외부에 노출되어있는 컨테이너 특성상 밝기 및 먼지 손상등이 다양하게 존재함 - 본 데이터 구축 사업에서 생성되는 데이터셋은 컨테이너 영역, 안전 영역 2가지이며 컨테이너 영역에서는 OCR이 포함되어 있기에 학습 모델은 OCR 인식, 객체 검지(컨테이너 영역, 안전영역)로 나누어 모델을 정하였다.
-
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 OCR Optical Character Recognition CRNN F1-Score 0.8 점 0.98 점 2 바운딩박스 객체 인식(컨테이너 영역) Object Detection YOLO v4 mAP 90 % 97.91 % 3 바운딩박스 객체 인식(안전 영역) Object Detection YOLO v4 mAP 90 % 99.09 %
※ 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 다운로드원시데이터 항목 원시데이터 항목 예시 가공 데이터 이미지 (JPG) 
객체 탐지 이미지 (JPG) 
OCR 
데이터 구성
- 파일 구조 : 기본 폴더인 ‘/096.커넥티드 항만을 위한 물류 인프라 데이터/01.데이터’을 기준으로 하위 폴더의 구조 1레벨 설명 2레벨 설명 3레벨 설명 4레벨 설명 원천데이터 원시데이터 Container 컨테이너관련 Crane 크레인에서수집 Front 앞면사진 Side 측면사진 Door 도어면사진 Gate 게이트에서수집 Door 도어면사진 Front 정면사진 Safety 안전관련 Crane 크레인에서수집 YT 장비 TwistLock 트위스트락 - 라벨링데이터 또한 동일한 구조로 구성 1레벨 설명 2레벨 설명 3레벨 설명 4레벨 설명 라벨링데이터 원시데이터 Container 컨테이너관련 Crane 크레인에서수집 Front 앞면사진 Side 측면사진 Door 도어면사진 Gate 게이트에서수집 Door 도어면사진 Front 정면사진 Safety 안전관련 Crane 크레인에서수집 YT 장비 TwistLock 트위스트락 - 파일명 구조 : IMG_상위폴더명_하위폴더축약명_촬영위치_익명사이트_날짜시간_순번 형식으로 작성
상위 폴더 명칭이 곧 이미지의 대분류 중분류 카테고리이므로 이에 따르며 라벨링 파일도 동일하게 작성
예시> 컨테이너
IMG_CON_CRANE_SIDE_A_20210401010101_000001.jpg
예시> Safety
IMG_SAF_CRANE_YT_A_20210401010101_000001.jpg어노테이션 포맷
구분 항목명 타입 필수 설명 비고 여부 1 Dataset 데이터셋 1-1 Dataset.identifier string Y 데이터셋 식별자 IMG_PORT_LOGI_57 1-2 Dataset.name string Y 데이터셋 이름 컨테이너 정보 인식, 터미널 데이터 인식 1-3 Dataset.src_path string Y 데이터셋 폴더 위치 3.Annotation/Conatiner/Crane/Front 1-4 Dataset.label_path string Y 데이터셋 레이블 폴더 위치 3.Annotation/Conatiner/Crane/Front 1-5 Dataset.category string Y 데이터셋 카테고리 0: OCR 1: 객체인식 2: 혼합 1-6 Dataset.type string Y 데이터셋 타입 1: 이미지 2 Images 이미지 2-1 Images.identifier string Y 이미지 식별자 IMG_BIC_01_20210301000000_000001 2-2 Images.type string Y 이미지 파일 확장자 JPG, PNG 2-3 Images.filename string Y 이미지 파일이름 IMG_BIC_01_20210301000000_000001.jpg 2-4 Images.width int Y 이미지 가로크기 2-5 Images.height int Y 이미지 세로크기 3 addinfo 추가정보 3-1 addinfo.weather string Y 날씨 0 : 맑음 1 : 비 2 : 흐림 3 : 천둥/번개 3-2 addinfo.daynight string Y 촬영시간대 0 : 05시~08시 1 : 08시~17시 2 : 07시~20시 3 : 20시~05시 3-3 addinfo.area string Y 촬영 항만 A : BPT B : HJNC C : BNCT D : SNCT 3-4 addinfo.direction string Y 컨테이너 촬영된 방향 Front, Door, Side, Top 3-5 addinfo.location string Y 촬영장소 QC, Gate 3-6 addinfo.anglex int N 촬영 수평각도 3-7 addinfo.angley int N 촬영 수직각도 3-8 addinfo.camid string Y 카메라번호 3-9 addinfo.time string Y 촬영시간 3-10 addinfo.imdg Boolean Y IMDG 존재여부 3-11 addinfo.dataregion string Y 데이터영역 0 : Container 1 : Safety 3-12 addinfo.biccountofline int N BIC 라인 수 annotations[].bbox.classid 가 BIC 인 객체가 존재 할 경우 4 annotations 어노테이션 4-1 annotations[].bbox.id string Y 바운딩박스 식별자 “BBX_01”,“BBX_02”… 순차 증가 4-2 annotations[].bbox.text string N 바운딩박스 내 텍스트 annotations[].bbox.classid 가 BIC 및 Type SizeCode일 경우에 기입 4-3 annotations[].bbox.classid string Y 바운딩 박스 Object의 classID 4-4 annotations[].bbox.points[] float Y 바운딩 박스의 4점 x,y 위치값 쌍의 리스트. 순서는 좌측 위의 점[x,y]좌표에서부터 시계방향으로 순서대로 총 4개의 점을 표시 4-5 annotations[].bbox.ocrdirection string N ocr 글자방향 0:가로 1:세로 annotations[].bbox.classid 가 BIC 및 Type SizeCode일 경우에 기입
-
데이터셋 구축 담당자
수행기관(주관) : 동양시스템즈
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 김종욱 02-405-7700 jwkim@cherry-solutions.com 총괄책임 수행기관(참여)
수행기관(참여) 기관명 담당업무 이노메트릭스 데이터 정제 딥네츄럴 데이터 가공 녹원정보기술 데이터 검수
-
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 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기]
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.