본 연구는 도로 안전 향상을 위한 사물인터넷(IoT) 시스템 적용의 필요성에 기반하여, IoT 기반 사고 감지 기술에 대한 기존 연구의 파편화된 경향을 해결하고자 한다. 기존 연구들이 특정 사용 사례나 구식 기술에 집중하는 경향이 있어, 이 간극을 메우기 위해 2008년부터 2025년까지 발표된 101편의 동료 심사 논문을 심층 비교 분석하였다.
연구는 센서 유형, 통합 프레임워크, 감지 기술에 따라 접근 방식을 분류했다. GSM/GPS, 가속도계, 진동 센서 등 다양한 센서의 활용을 검토하며, 다중 센서 활용이 감지 정확도와 신뢰성을 높이는 데 중요함을 밝혔다.
분석 결과, IoT 기반 사고 감지 시스템 분야에서 상당한 발전이 있었음에도 불구하고, 높은 구현 비용, 기상 조건의 영향, 데이터 정확도 문제 등 여러 제약이 여전히 존재한다. 또한, 표준화 부족 및 응급 서비스의 신속한 대응을 위한 강력한 통신 시스템의 필요성도 확인되었다.
이에 본 연구는 IoT 기반 인프라, 센서 융합, 인공지능 통합에 초점을 맞춘 미래 개발 로드맵을 제시한다. 이 연구는 IoT 기반 사고 감지에 대한 포괄적인 관점을 제공하고, 향후 연구를 위한 통찰력을 제공하며, 구현을 촉진하고 궁극적으로 전 세계 도로 안전을 향상시키기 위한 정책적 제언을 담고 있다.
방글라데시 다카 지역은 전 세계적으로도 심각한 수준의 교통사고 발생률을 보이며, 이는 막대한 인명 피해와 경제적 손실로 이어지고 있습니다. 본 연구는 이러한 문제 해결을 위해 YOLOv11 모델을 활용한 고효율 실시간 자동차 사고 감지 시스템을 제안하여, 긴급 대응 시스템의 성능을 향상시키는 것을 목표로 합니다.
사고 감지의 정확도를 높이기 위해 YOLOv9, YOLOv10, YOLOv11 모델을 동일한 데이터셋으로 비교 분석했습니다. 최첨단 객체 감지 기술인 IoU(Intersection over Union)와 NMS(Non-Maximum Suppression)를 통해 사전 학습된 가중치를 사용했으며, YOLOv11 모델에서 특히 높은 정확도를 확인했습니다. 도로 사고의 극도로 정확한 객체 감지 및 분류를 위해 9,000개의 레이블링된 이미지 데이터셋을 학습에 활용했습니다.
제안된 YOLOv11 모델은 0.8249의 재현율(Recall), 1.0000의 완벽한 정밀도(Precision), 그리고 50% IoU 임계값에서 0.9940의 평균 정밀도(mAP)를 달성하며 탁월한 성능을 보였습니다. 또한, GPU 환경에서 프레임당 19.93ms에 불과한 매우 낮은 지연 시간을 기록하여 실시간 애플리케이션에 적합함을 입증했습니다.
이러한 결과는 사고 현장에서의 대응 시간을 획기적으로 단축시켜 인명 피해 위험을 크게 줄일 수 있음을 시사합니다. AI 기반 시스템을 기존 교통 관리 체계에 통합함으로써 효율적인 모니터링과 신속한 대응 조치를 보장하고, 교통사고로 인한 사회적 영향을 경감할 수 있을 것입니다. 이는 공공 안전과 인프라 개발을 위한 인공지능 활용의 중요한 진전입니다.
