Update README.md

DongyoungKwon
Commit 000d3390630f8fb8ee0aa26a307475bfe609eb4b 000d3390 1 parent 16db32d6
Showing 1 changed file with 125 additions and 41 deletions
README.md
--- a/README.md
View file @000d339
+++ b/README.md
View file @000d339
@@ -2,23 +2,62 @@
 ## Table of Contents
   - [프로젝트 소개](#프로젝트-소개)
+  - [주요 기능](#주요-기능)
+  - [시스템 구조](#시스템-구조)
   - [디렉토리 구조](#디렉토리-구조)
   - [실행 방법](#실행-방법)
   - [참조](#참조)
   - [팀원](#팀원)
-<br><br>
+
+<br>
 ## 프로젝트 소개
 <img src="/uploads/2f442cc7eea9bd0f4eada9af25a1661c/1.gif" width="300" height="150" />
+
 <br>
-<img src="/uploads/fe4fb3dafda1db03d437de45260a15af/2.gif" width="300" height="150" />
+
+**YOLO-v5 기반으로 단안 카메라의 영상을 활용해 차간 거리를 일정하게 유지하며 주행하는 Adaptive Cruise Control 기능을 제공한다.**
 <br>
-**딥러닝을 이용하여 저렴하고 데이터 처리가 용이한 카메라를 통한 영상인식 기술을 활용해**
+## 주요 기능
-**차간 거리를 일정하게 유지하며 주행하는 Adaptive Cruise Control 기능을 제공한다.**
+
-<br><br>
+1. 객체 인식
+    * 복도에서의 차량 카트 이미지를 촬영하여 커스텀 데이터셋을 제작
+    * YOLO-v5 모델 중 가장 초당 프레임 수 가 높은 YOLO-v5s에 커스텀 데이터셋을 학습
+    * 라즈베리파이에 부착된 웹캠을 통해 실시간으로 전방 차량 인식
+  
+2. 거리 측정
+    * 객체 인식 시 나타나는 Bounding box의 좌표값을 추출하여 대상과의 거리가 1m 일 때 Bounding box의 높이와 너비값을 측정
+    * 이후 인식된 객체의 Bounding box 높이와 너비값과 1m 일 때의 Bounding box 높이와 너비값의 비례식을 통해 거리를 측정
+    
+3. 거리 유지
+    * 측정된 거리를 기반으로 동작을 나누어 시리얼 통신을 통해 동작 신호를 cart를 조작하는 STM보드에 전달
+    * STM보드에서 전달받은 신호를 기반으로 PWM 제어를 통해 차간 거리가 유지되도록 속도 조절
+
+<br>
+
+## 시스템 구조
+
+### 거리유지 시스템 구조
+
+![image](/uploads/10564939ae66017569ad7e7e70d9c815/image.png)
+
+<br>
+
+### 겍체 인식 및 거리측정 시스템 구조
+
+![image](/uploads/6e70810da0113cb50664938bc93f09ce/image.png)
+
+<br>
+
+### 거리측정 알고리즘
+![image](/uploads/1ea9036613c135a7edfd81eb1afece70/image.png)<br>
+
+- 카메라의 해상도에 따라 1m에서 기준이 되는 Bounding box의 width와 height의 크기가 달라진다
+
+<br>
 ## 디렉토리 구조
 ```shell
@@ -48,65 +87,110 @@ HEN_Project2
     │
     └── detect.py
 ```
-<br><br>
+
+<br>
+
+## 결과
+
+### 실시간 객체 인식 및 거리측정
+
+<img src="/uploads/fe4fb3dafda1db03d437de45260a15af/2.gif" width="300" height="150" />
+
+* 학습된 가중치 모델을 바탕으로 단안 카메라를 이용하여 전방 차량 키트를 인식하였다.
+
+* 인식된 차량 키트에 대한 Bounding box에서 왼쪽부터 클래스명, 예측 정확도, 단안 카메라 기준 예측 거리(cm) 를 나타낸다.
+
+* 인식 결과, 이미지 크기 128*128 기준 평균적으로 `초당 약 3 프레임의 속도`로 동작하였으며, `최대 5m`까지 높은 정확도로 인식됨을 확인할 수 있었다.
+
+* **거리 예측 오차율 측정 결과**
+
+| 실제 거리 | 측정 최소 거리 | 측정 최대 거리 | 최대 오차율 |
+| :---: | :---: | :---: | :---: |
+| 0.5m | 0.47m | 0.53m | 6% |
+| 1m | 0.96m | 1.02m | 3% |
+| 2m | 1.98m | 2.02m | 1% |
+| 3m | 2.85m | 2.94m | 5% |
+| 5m | 4.65m | 5.05m | 7% |
+
+### 거리유지
+
+#### 동작 설정
+
+1. 전방 차량과의 거리가 70cm보다 가까워진 경우 **차량 정지**
+2. 전방 차량과의 거리가 70cm ~ 120cm인 경우 **큰 폭으로 속도 감소**
+3. 전방 차량과의 거리가 120cm ~ 150cm 인 경우 **작은 폭으로 속도 감소**
+4. 전방 차량이 없거나 거리가 150cm 보다 먼 경우 **원래 주행 속도로 복구**
+
+#### 거리유지 기능 실험 결과
+  * 기준 주행 속도는 차량 키트가 스스로 움직일 수 있는 최저 속도로 설정하였다.
+  * 테스트 결과 거리가 1m에 가까워 지면 상당히 속도가 줄어들었고 70cm에 이르면 차량 키트가 완전히 정지하였으며, 전방에 가까운 차량이 없으면 원래의 주행 속도로 돌아오는 기능 또한 정상적으로 동작함을 확인 할 수 있었다
+
+<br>
 ## 실행 방법
 ### YOLO 설치
-라즈베리파이에서 `git clone https://github.com/ultralytics/yolov5` 후
+라즈베리파이에서 `git clone https://github.com/ultralytics/yolov5` 후 안내에 따라 필요한 모듈 설치
-안내에 따라 필요한 모듈 설치
 <br>
 ### YOLO 구성 및 구동 방법
-1. car_data 폴더 : yolov5 모델 학습에 사용된 커스텀 이미지파일 포함
+**1.** custom_dataset 폴더 : yolov5 모델 학습에 사용된 커스텀 이미지파일 포함
-(label파일도 포함되어 있음)
+(label파일도 포함되어 있음)<br>
+-> 직접 제작 해야 함
+<br><br>
-2. yolov5 : yolov5 모델의 전체 구성파일이 포함
+**2.** yolov5 : yolov5 모델의 전체 구성파일이 포함<br>
-- 주요파일 
+  - 주요파일<br>
-	1) best.pt : 커스텀 이미지로 학습된 yolov5모델
+	**1)** best.pt : 커스텀 이미지로 학습된 yolov5모델<br>
- 	2) detect.py : 객체인식을 구동시키기 위한 파이썬 파일
+ 	**2)** detect.py : 객체인식을 구동시키기 위한 파이썬 파일<br>
-	3) /data/car_data.yaml : 학습할 이미지파일들의 정보가 포함된 파일
+	**3)** /data/car_data.yaml : 학습할 이미지파일들의 정보가 포함된 파일<br>
-	4) /models/yolov5s.yaml : 학습할 데이터셋의 뼈대
+	**4)** /models/yolov5s.yaml : 학습할 데이터셋의 뼈대<br>
+    **5)** yolov5s.pt : Pre-Trained 모델<br><br>
-- train을 위한 명령어
+**3.** train을 위한 명령어<br>
-(yolov5 폴더에서) 다음 명령어 실행  
-`python3 train.py --img 128 --batch 3 --epochs 50 --data car_data.yaml --cfg ./models/yolov5s.yaml --weights yolov5s.pt --name custom3_car_yolov5s`
-- 파라미터 설명
-	1) img : 학습할 img size
-	2) batch : 한번에 처리되는 이미지 개수
-	3) epochs : 학습 반복 횟수
-	4) data : custom yaml 파일
-	5) cfg : 뼈대 yaml 파일
-	6) weights : 기초 가중치 파일
-	7) name : 학습한 가중치 파일과 관련 내용들이 들어갈 폴더명 (runs/train/에 생성된다)
-
-- 객체인식을 위한 명령어
 (yolov5 폴더에서) 다음 명령어 실행  
-`python3 detect.py --weights best.pt --img 128 --conf 0.4 --source 0`
+`python3 train.py --img 128 --batch 3 --epochs 50 --data car_data.yaml --cfg ./models/yolov5s.yaml --weights yolov5s.pt --name custom3_car_yolov5s`<br>
-- 파라미터 설명
+  - 파라미터 설명<br>
-	1) weights : 학습된 가중치 파일
+	**1)** img : 학습할 img size<br>
-	2) img : 인식할 이미지 크기
+	**2)** batch : 한번에 처리되는 이미지 개수<br>
-	3) conf : 인식할 객체의 최저 인식률
+	**3)** epochs : 학습 반복 횟수<br>
-	4) source : 인식할 이미지 및 영상 파일 *(라즈베리파이에서 웹캠을 source로 하고 싶다면 '0'을 넣으면 된다)*
+	**4)** data : custom yaml 파일<br>
+	**5)** cfg : 뼈대 yaml 파일<br>
+	**6)** weights : Pre-Trained 모델 파일 경로 (pt 형식 파일)<br>
+    아무런 값을 적지 않으면 ('') 랜덤한 weight 값으로 초기화 및 학습 진행 (깃헙 공식 오피셜, pre-train을 추천)<br>
+    pre-trained 파일이란? : 학습 파라미터(weight와 bias)가 잘 초기화된 파일<br>
+	**7)** name : 학습한 가중치 파일과 관련 내용들이 들어갈 폴더명 (runs/train/에 생성된다)<br><br>
+
+**4.** 객체인식을 위한 명령어<br>
+(yolov5 폴더에서) 다음 명령어 실행<br>
+`python3 detect.py --weights best.pt --img 128 --conf 0.4 --source 0`<br>
+  - 파라미터 설명<br>
+	**1)** weights : 학습된 가중치 파일<br>
+	**2)** img : 인식할 이미지 크기<br>
+	**3)** conf : 인식할 객체의 최저 인식률<br>
+	**4)** source : 인식할 이미지 및 영상 파일 *(라즈베리파이에서 웹캠을 source로 하고 싶다면 '0'을 넣으면 된다)*
 <br><br>
 ## 참조
 - Ultralytics, YOLO v5(2020), Retrieved June, 10, 2020, from https://github.com/ultralytics/yolov5
-- https://global.honda/newsroom/news/2020/4201111eng.html
-
 - 이동석 외 4 저, 스테레오 카메라를 이용한 이동객체의 실시간 추적과 거리 측정시스템(2009)
 - 이강원 외 1 저, 지형 공간정보체계 용어사전(2016)
-- https://github.com/yeongin1230/Self-driving-project/tree/main/Cart
+- https://github.com/seoh02h/ICNS-Self-Driving-Test
-- https://github.com/yeongin1230/Robot-arm
+- https://ropiens.tistory.com/44
-<br><br>
+
+- https://github.com/sungjuGit/Pytorch-and-Vision-for-Raspberry-Pi-4B
+
+<br>
 ## 팀원
+
 - 권동영 (2016110307)
 - 신동해 (2018110651)
-<br><br>
\ No newline at end of file
+
+<br>
\ No newline at end of file