🚗 사고 차량 견적 산출 시스템 (Vehicle Repair Cost Prediction)

YOLOv8 객체 탐지, ResNet 손상 분류 및 XGBoost 회귀 분석을 활용한 자동화 파이프라인

프로젝트 개요 (Overview)

본 프로젝트는 사고 차량의 이미지를 입력받아 파손 부위 탐지, 손상 유형 분류 및 수리 방법 예측, 그리고 최종 수리비 예측까지 수행하는 End-to-End 딥러닝 파이프라인을 구축하는 것을 목표로 합니다.

핵심 목표

1. 차량의 주요 부품(범퍼, 도어, 램프 등)을 정확히 탐지.
2. 손상된 영역을 픽셀 단위로 분할하고, 필요한 수리 방법(교환, 판금 등)을 예측.
3. 분석된 정보를 종합하여 실제 견적서와 유사한 수준의 수리비를 산출.

---

방법론 (Methodology)

전체 시스템은 크게 3단계의 파이프라인으로 구성됩니다.

1. 부위 검출 (Part Detection) - YOLOv8

• 모델: YOLOv8
• 기능: 차량 이미지에서 34개의 차체 부위(Front bumper, Fender, Door, Lamp 등)를 탐지합니다.
• 최적화: 미세한 파손 부위의 재현율(Recall)을 극대화하기 위해 Confidence Threshold를 0.15로 조정하여 견적 누락을 방지했습니다.

2. 손상 분석 (Damage Analysis) - U-Net & ResNet34

• 손상 영역 분할 (U-Net): 검출된 부위 내에서 손상 영역을 픽셀 단위로 분할(Segmentation)하며, 4가지 유형(Scratched, Crushed, Breakage, Separated)으로 분류합니다.
• 수리 방법 예측 (ResNet34): Multi-label 분류 모델을 사용하여 시각적 특징을 기반으로 4가지 수리 방법(Coating, Exchange, Sheet metal, Repair)을 복수로 예측합니다.

3. 수리비 예측 (Cost Prediction) - XGBoost

• 모델: XGBoost Regressor
• 입력: 탐지된 부위 정보, 예측된 수리 방법, 차종 정보 등을 조합하여 입력으로 사용합니다.
• 전처리: MultiLabelBinarizer를 활용해 범주형 데이터를 인코딩하고, 비용 데이터에 로그 변환(Log Transformation)을 적용하여 예측 오차를 줄였습니다.

---

모델 구조 (Model Architecture)

---

성능 (Performance)

부위 검출 (YOLO)

• 전체 mAP50: 0.687
• 주요 부품 성능:
  • Front Door (R): 0.995 AP
  • Front Bumper: 0.961 AP

수리 방법 분류 (ResNet)

• Coating (도장): F1-score 0.98
• Exchange (교환): F1-score 0.93

수리비 예측 (XGBoost)

Test 데이터셋 (7,500개) 기준:

• RMSE: 357,780 원
• MAE: 179,721 원
• 결정 계수 (R² Score): 0.7501
• 정확도 (오차 범위 ±30%): 68.36%

---

데이터셋 (Dataset)

• 출처: AI Hub "차량 파손 이미지 데이터"
• 구성: 사고 차량 이미지 및 라벨링 JSON (폴리곤, 손상 종류, 수리 방법, 수리비 견적 정보 포함)
• 규모: Training (35,000+), Validation (7,500), Test (7,500)

---

👥 팀원 (Team Members)

이름	학번	역할
전희원	2276274	수리비 예측 (Cost Prediction) / 모델 통합
공세영	2371006	손상 분류 (Damage segmenation) / 수리 방식 예측 (Repair Prediction)
김문경(팀장)	2376029	부위 검출 (Part Detection) / 데이터 전처리

---