This study addresses the critical challenge of enhancing vehicle classification accuracy in traffic surveys by optimizing the conditions for vehicle axle recognition through artificial intelligence. With current governmental traffic surveys facing issues—particularly the misclassification of freight vehicles in systems employing a 12-category vehicle classification—the research proposes an optimal imaging setup to improve axle recognition accuracy. Field data were acquired at busy intersections using specialized equipment, comparing two camera installation heights under fixed conditions. Analysis revealed that a shooting height of 8.5m combined with a 50°angle significantly reduces occlusion and captures comprehensive vehicle features, including the front, side, and upper views, which are essential for reliable deep learning-based classification. The proposed methodology integrates YOLOv8 for vehicle detection and a CNN-based Deep Sort algorithm for tracking, with image extraction occurring every three frames. The axle regions are then segmented and analyzed for inter-axle distances and patterns, enabling classification into 15 categories—including 12 vehicle types and additional classes such as pedestrians, motorcycles, and personal mobility devices. Experimental results, based on a dataset collected at a high-traffic point in Gwangju, South Korea, demonstrate that the optimized conditions yield an overall accuracy of 97.22% and a PR-Curve AUC of 0.88. Notably, the enhanced setup significantly improved the classification performance for complex vehicle types, such as 6-axle dump trucks and semi-trailers, which are prone to misclassification under lower installation heights. The study concludes that optimized imaging conditions combined with advanced deep learning algorithms for axle recognition can substantially improve vehicle classification accuracy. These findings have important implications for traffic management, infrastructure planning, road maintenance, and policy-making by providing a more reliable and precise basis for traffic data analysis.

목적: 본 연구는 실명을 유발하는 3대 주요 안질환의 연도별 유병률 추이를 관찰하고, 이들 질환의 인지율과 치 료율 비교와 관련 요인을 분석하고자 하였다. 방법: 질병관리청 국민건강영양조사 제8기(2019~2021년도) 조사에 참여한 대상자 중 만 40세 이상인 성인들을 대상으로 녹내장, 황반변성, 당뇨병성 망막병증의 유병률, 인지율과 치료율을 연도별로 비교하고 일반적 특성을 분 석하였다. 결과: 3대 주요 안질환의 연도별 추이를 보면 녹내장의 유병률은 매년 일정한 추이를 보이지만 당뇨망막병증의 유병률은 당뇨병 유병율과 함께 해마다 증가하고 있다. 연도별 인지율과 치료율은 다른 질환에 비해 녹내장이 높은 편이었으며, 황반변성의 인지율이 상당히 낮게 나타났다. 녹내장과 황반변성은 나이가 주요한 변수였으며, 황반변 성은 교육수준이 높아질수록 인지율과 치료율이 유의하게 높아지는 것으로 나타났다. 한편 당뇨병성 망막증의 경 우, 알코올 섭취는 인지율과 치료율을 감소시키는 것으로 나타났다. 결론: 본 연구를 통해 3대 주요 안질환의 인지율과 치료율에 대한 차이를 비교할 수 있었으며, 치료율에 미치는 다양한 요인 또한 확인할 수 있었다.