Evaluation of Application Possibility for Floating Marine Pollutants Detection Using Image Enhancement Techniques: A Case Study for Thin Oil Film on the Sea Surface

영상 강화 기법을 통한 부유성 해양오염물질 탐지 기술 적용 가능성 평가: 해수면의 얇은 유막을 대상으로

Abstract

In the event of a disaster accident at sea, the scale of damage will vary due to weather effects such as wind, currents, and tidal waves, and it is obligatory to minimize the scale of damage by establishing appropriate control plans through quick on-site identification. In particular, it is difficult to identify pollutants that exist in a thin film at sea surface due to their relatively low viscosity and surface tension among pollutants discharged into the sea. Therefore, this study aims to develop an algorithm to detect suspended pollutants on the sea surface in RGB images using imaging equipment that can be easily used in the field, and to evaluate the performance of the algorithm using input data obtained from actual waters. The developed algorithm uses image enhancement techniques to improve the contrast between the intensity values of pollutants and general sea surfaces, and through histogram analysis, the background threshold is found,suspended solids other than pollutants are removed, and finally pollutants are classified. In this study, a real sea test using substitute materials was performed to evaluate the performance of the developed algorithm, and most of the suspended marine pollutants were detected, but the false detection area occurred in places with strong waves. However, the detection results are about three times better than the detection method using a single threshold in the existing algorithm. Through the results of this R&D, it is expected to be useful for on-site control response activities by detecting suspended marine pollutants that were difficult to identify with the naked eye at existing sites.

해상에서는 재난·재해 사고가 발생했을 시 바람 등에 의한 기상영향과 해류, 조류와 같은 해상영향에 의해 피해 규모가 달라지게 되며, 빠른 현장 파악을 통해 적합한 방제 방안을 세워 피해 규모를 최소화할 의무가 있다. 특히, 해상에 유출되는 오염물질 중 상대적으로 낮은 점도와 표면장력으로 인해 해수면에서 얇은 막으로 존재하는 오염물질은 육안으로 식별하기 어렵다. 따라서 본 연구에서는 현장에서 쉽게 활용 가능한 촬영장비를 활용하여 RGB 이미지에서 해수면의 부유성 오염물질을 탐지하는 알고리즘을 개발하고, 실 해역에서 획득된 입력자료를 활용하여 알고리즘의 성능을 평가하고자 한다. 개발된 알고리즘은 영상 강화 기법을 활용하여 오염물질과 일반 해수면의 강도값 대비를 향상시키고, 히스토그램(Histogram) 분석을 통해 배경 임계값을 찾아 오염물질 이외의 부유물질을 제거하여 최종적으로 오염물질을 분류한다. 본 연구에서는 개발된 알고리즘의 성능평가를 위해서 대체물질을 이용한 실 해역 테스트를 수행하였으며, 대부분의 부유성 해양오염물질은 탐지되었으나 파도가 강한 곳에서는 오탐지 영역이 발생하였다. 그러나 기존 알고리즘에서 단일 임계값을 사용한 탐지 방법보다 약 3배 이상의 개선된 탐지 결과를 보여준다. 본 연구개발 결과를 통해 기존 현장에서 육안으로 식별이 어려웠던 부유성 해양오염물질을 탐지함으로써 현장에서의 방제 대응 활동에 유용하게 사용될 것으로 기대된다.

1. 서론

해상에서 오염물질을 운송하는 경우 사고 발생 시 안전, 환경 등에 심각한 피해를 끼칠 수 있으므로 세계적으로 관련기구를 통해 협약을 맺어 위험물 운송에 대한 국제규칙을 제시하고, 운송요건에 대해 엄격하게 관리하고 있으며, 방제 대응에 대한 매뉴얼이 제공되고 있다(Alcaro et al., 2021). 해상운송은 비용 대비 많은 물량을 이동할 수 있어 물류 운송 방법 중 가장 많이 이용되고 있으나 해상 및 기상 조건에 따라 사고 발생 위험률이 높으며, 전체 해상물동량 중 약 40%를 차지하고 있는 유출유 및 위험·유해물질(Hazardous and Noxious Substance, HNS)은 사고 발생 시 피해액이 수억~수천억에 이르므로 신속한 방제 대응이 요구되고 있다.

유출유는 국제해사기구(International Maritime Organization, IMO)에서 해양오염방지협약(MARPOL)에 따라 사고로 인해 유출되지 않도록 하며, 해양환경 보호를 위해 오폐수 및 쓰레기가 해양에 유입되지 않도록 조치를 취하고 있다(Korea Maritime Cooperation Center, 2023). 해상에서 유출된 기름은 물리적, 화학적, 생물학적 변화를 거치면서 소실되어 가며 이 과정을 풍화과정이라고 한다(Cheong, 2008). 풍화과정에는 확산(spreading), 이류(drift),증발(evaporation),분산(dispersion),용해(dissolution), 광산화(photooxidation), 미생물분해(biodegradation), 침전(sedimentation)의 과정이 있으며, 특히 해상에서 유출된 기름이 급격히 확산되어 층이 얇아져 균질한 유막이 형성될 때 유출유를 탐지하기 어려워진다. Clark et al. (2010)은 기름의 두께와 기름:물의 비율에 따른 해양에서의 반사 특성을 활용하여 실내 실험을 통해 해수와 기름의 비율별 분광라이브러리를 구축하고, 항공 초분광카메라 및 위성영상과의 분광 특성을 비교 분석하여 유출량을 산출하고 매핑하는 연구를 진행하였다.

HNS는 MARPOL 73/78, SOLAS 74, 2010 HNS 협약, OPRC-HNS 의정서 등 협약에 따라 그 정의가 다르며 국내에서는 2010 OPRC-HNS 의정서에 따라 기름을 제외한 인간의 건강과 해양생물자원 또는 생명체에 해로운 물질이며 쾌적성을 손상하거나 다른 합법적인 바다 이용에 방해되는 물질로 정의하고 있다(Korea Maritime Cooperation Center, 2021). 또한, MARPOL 협약의 내용을 기반으로 해양환경관리법, 선박안전법, 환경부에 반영하여 기름과 HNS의 유출에 의한 해양오염을 대비하기 위하여 그 종류를 규정하고 관리하고 있다(Choi et al., 2020). HNS는 유럽표준 거동 특성 분류에 따라 가스, 가스/용해, 증발, 증발/용해, 부유/증발, 부유/증발/용해, 부유, 부유/용해, 용해/증발, 용해, 침강/용해, 침강으로 분류되고, 이 중 원격센서로 탐지할 수 있는 HNS 물질은 부유/증발, 부유의 거동 특성을 가진 물질로서, 이에 대해 부유성 위험·유해물질(Floating HNS, F-HNS)로 정의하고 있다(International Tanker Owners Pollution Federation, 2014). 해상에서 F-HNS는 낮은 점도와 낮은 표면장력의 특성으로 인해 얇은 액체막으로 형성되며, 가시광 파장대에서 무색으로 존재하여 육안으로 구분하기 어렵고, 대부분의 F-HNS는 폭발성, 화재성, 흡인 유해성 등 위험성이 높은 특징이 있다(Zhan et al., 2019). 따라서 광학영상, 항공영상, 초분광영상, synthetic aperture radar (SAR) 영상과 같이 원격센서를 활용하여 직접적인 접근 없이 광범위한 범위에 대해 탐지하고, 다양한 파장대에서의 F-HNS에 대한 분광특성을 파악하여 탐지하는 원격탐사 기술 연구가 활발히 진행되고 있다.

Zhan et al. (2019)은 자일렌(Xylene)을 호수에 노출 후 다양한 자연환경 조건(그림자, 바람, 태양 반사 등)에서 ultraviolet (UV) 영상을 활용하여 오염물질을 탐지하는 local fuzzy thresholding method (LFTM) 분류 알고리즘을 개발하였다. Huang et al. (2019)은 플라스틱 풀장 및 인공수조에서 HNS 3종 자일렌, 벤젠(Benzene), 팜유(Palm-oil)에 대한 유출 실험을 통해 분광라이브러리를 구축하고 partial least-squares discrimination analysis (PLSDA)와 least-squares support vector machine (LS-SVM) 딥러닝 기법을 이용한 탐지 알고리즘을 개발하였다. Huang et al. (2020)은 UV 365 nm 필터와 RGB 카메라를 이용하여 촬영된 HNS 물질을 regions with convolutional neural network (R-CNN) 기법을 이용하여 분류하고, 분류에 적합한 파장 영역을 제시하였다. Gwon et al. (2020)은 하천수에 혼합되어 있는 유해화학물질을 식별하기 위하여 초분광카메라 영상을 활용한 유해화학물질의 고유 분광라이브러리를 구축하는 표준화 과정을 제안하였다. Park et al. (2021)은 해양 풀장에서의 HNS 유출 실험을 통해 초분광카메라를 활용하여 분광라이브러리를 구축하고 파장 대역에 따른 HNS 물질별 혼합 탐지 알고리즘을 개발하고 적용하였다.

항만에서 해양오염물질 유출 사고 발생시, 인명 및 재산 등 피해 최소화를 위해서는 오염물질 공간분포의 신속한 파악이 가장 중요하다. 대부분의 선행연구는 뛰어난 탐지 성능을 제시하고 있지만 UV, 초분광 등 일반적인 사용자가 쉽게 사용할 수 없는 센서 기반으로 연구가 진행되었다. 특히 해상의 경우 표면의 광학적 특성이 지속적으로 변하며 촬영시간, 각도 등 센서에 적합한 촬영 조건을 만족하기에는 많은 제약사항이 존재한다. 또한, 많은 연구가 분광라이브러리를 구축하는 기초적인 연구에 집중되어 있고, 현장의 다양한 조건에서 촬영된 영상을 이용한 결과 제시는 부족한 실정이다. 일반적으로 해양오염사고의 규모를 제외한 발생건수 통계를 살펴보면 주변환경이 복잡한 항만 내부에서 많이 발생하며 표면파동, sun glint, 건물, 선박, 장비 및 그림자의 영향으로 해양오염물질 오탐지 발생 확률이 높다. 따라서, 현장에서 영상의 획득이 용이하고, 신속하게 탐지 결과 획득이 가능한 부유성 해양오염물질 탐지 기법의 개발이 필요하다.

영상처리기법에서 물질을 구분하기 위해 가장 기본적으로 사용되는 방법은 강도값 또는 특정 레이어의 픽셀값을 고정된 임계값을 통해서 분류하는 기법이다. 가장 범용적으로 사용되는 임계값 방법으로는 전체 이미지에 대한 전역 임계값을 계산하는 Otsu 및 최대 엔트로피 방법, 적응형 로컬 임계값을 적용하는 퍼지 C-평균 및 적응형 임계값 처리 방법, 픽셀을 분류하기 위해 공간적 로컬 정보를 고려하는 이차원(2D) Otsu, 2D 최대 엔트로피(2D maximum Entropy), 공간적 퍼지 C-평균(Spatial fuzzy c-means) 방법이 있다(Otsu, 1979; Wong and Sahoo, 1989; Pham and Prince, 1999; Bradley and Roth, 2007; Feng et al., 2005; Chuang et al., 2006). Otsu 및 최대 엔트로피 방법은 gray-scale 이미지에서 전역 임계값을 찾아 이미지를 두 영역으로 분할하는 방법으로 가장 간단한 방법이나 복잡한 배경, 낮은 신호 대 잡음 비율(signal-to-noise ratios, SNR), 불균일한 광원에 취약하여 많은 오류를 유발한다. 나머지 방법들은 로컬 변수에 따라 임계값을 설정하여 픽셀 인식 정확도를 향상시키나 이 방법 또한 유출 대상과 해수 간의 낮은 대비의 이미지에서 분할의 오류가 생긴다.

본 연구에서는 해수면의 해양오염물질 유출영역을 대상으로 현장 또는 선상에서 상대적으로 가용 영상 획득이 용이하고 신속하게 부유성 물질 탐지가 가능한 방법의 테스트 결과를 제시한다. 촬영된 영상은 오류 최소화를 위해서 해양오염물질 유출 영역에 대한 영상정보를 강화하는 기법을 활용한다. 유해물질 및 선박 연료유와 일반 해수면의 강도값에 대한 대비를 향상시키고, 현장실험 및 시뮬레이션을 통해 알고리즘 최적의 입력변수를 산출한다. 또한, 히스토그램 분석을 통해 임계값을 찾아 부유성 오염물질의 유출 영역을 자동으로 분할하는 알고리즘을 개발하였으며, 동일 객체끼리 클러스터링(Clustering)하여 부유성 해양오염물질 이외의 부유물질을 제거하였다. 개발된 알고리즘은 성능평가를 위해 대체물질을 이용한 실 해역 테스트를 수행하여 알고리즘의 가능성에 대해 평가하고자 하였다.

2. 연구자료 및 방법

2.1. 연구자료

본 연구에서는 알고리즘의 입력영상으로 사용되는 RGB 이미지의 획득을 위해 해상 사고 발생 시 위험도 상위 20개의 화학물질과 물성에 따른 해양오염물질 분류표, 국가긴급방제계획에 포함하는 68개 위험·유해물질 자료를 활용하여 물리적 거동 특성이 유사한 물질과 원격탐사 관점에서 탐지 가능한 부유성 해양오염물질 7종을 선정하였다(Table 1). 부유성 해양오염물질 7종 중 상위 4가지 종류는 해상오염의 빈도수가 가장 높은 물질이나 위험성이 매우 크고, 국내 법률상 해상에서의 실험이 불가능하여 본 연구에서는 알고리즘 성능을 평가하기 위해 실 해역에서 입력자료 획득이 가능한 오염 물질 중 위험성이 가장 낮은 대두유를 대체물질로 선정하여 연구를 수행하였다. 이미지는 지속적으로 변하는 해상 상황에 따라 현장에서 이미지 획득이 용이하고, 이미지 촬영에 적합한 촬영 조건을 만족할 수 있는 주변에서 쉽게 활용 가능한 디지털카메라, 드론, 스마트폰 RGB 센서를 활용하였다.

Table 1. Floating marine pollutants in the field experiment

본 연구에서는 해상에서 알고리즘 입력자료로 활용되는 이미지를 획득하기 위해 소형 수조를 활용하여 오염물질을 탐지하는 실험 설계를 수립하고, 수립된 설계를 바탕으로 현장에서 알고리즘 입력자료를 획득하는 방법에 대해 매뉴얼을 정립하였으며, 정립된 매뉴얼에 따라 인천 남항 및 자월도 인근 해역에서 총 51장의 입력자료를 획득하였다(Table 2). UV 센서는 얇은 두께의 유막에서 높은 반사율을 나타내므로 유막의 탐지에 적합하나 바람이 불거나 태양 반사, 부유조류로 인한 오탐지의 가능성이 있다(Cedre, 2015). 또한, 디지털카메라를 활용하여 UV 센서로 촬영 시에는 노출 시간이 길어지므로 현장에서는 파도에 의해 이동하는 오염물질을 촬영하기 어려워 본 연구에서는 RGB 센서만 활용하여 이미지를 획득하였다(Fig. 1). 디지털카메라는 RGB 모드로 촬영한 이미지(Figs. 1a, b)와 카메라 기능에서 gray-scale로 촬영할 수 있는 모노크롬(monochrome) 모드(Figs. 1c, d)를 사용하여 총 두 가지 모드로 촬영되었으며, 드론 이미지(Figs. 1e, f)와 스마트폰 이미지(Figs. 1g, h)는 모두 RGB 이미지로 촬영되었다. 본 연구에서는 실험 수행 후 유흡착제를 이용하여 방제 활동을 수행하였다.

Table 2. Images using an RGB sensor equipment

Fig. 1. RGB images of floating marine pollutants at Incheon Namhang and the Jawoldo Coastal Area. (a, b) Images of ship fuel oil spill captured using a digital camera. (c, d) Images of soybean oil captured using a digital camera. (e, f) Images of ship fuel oil spill captured using a drone. (g, h) Images of soybean oil captured using a smart phone.

2.2. 연구방법

2.2.1. 부유성 해양오염물질 탐지 방법

현장에서 획득된 영상에서 부유성 해양오염물질을 분류하기 위해 본 연구에서는 총 세 단계로 알고리즘을 구성하였으며 그 과정은 Fig. 2와 같다. 개발된 알고리즘은 해상에서 부유성 오염물질이 해수보다 높은 강도값을 가지는 특성을 이용하여 두 물질 사이의 대조차(Contrast)를 이용하여 오염물질을 탐지한다. 본 알고리즘은 알고리즘에서 해수와 오염물질을 분류하기 위해 유출 영역 강화를 위한 계산되는 값들로, 해상에서 획득된 51장의 이미지를 활용하여 총 24,500 case에 대해 파라미터 값에 대한 변동성을 확인하고 최적 파라미터 값을 산출하였으며, Python 언어 기반 3.8 version에서 구현되었다(Table 3).

Table 3. Algorithm parameters setting

Fig. 2. Workflow of the proposed method.

선행연구에서는 부유성 해양오염물질 중 자일렌을 대상으로 UV 센서를 활용하여 그림자, 바람, 태양 반사 등 다양한 환경 조건을 가지는 호수에서 실험이 진행되었으며, 디지털카메라의 촬영 높이, 노출 시간 등을 조절하여 제한된 환경에서 자동 LFTM 분류 기법으로 오염물질을 탐지하였다(Zhan et al., 2019). 선행연구의 알고리즘에서 grid cell analysis (GCA)는 전체 이미지를 그리드(Grid)로 나누고 각 셀의 최소 강도 값으로 변환하여 원본 이미지를 다운샘플링(Down-sampling)하여 계산 효율 향상 및 일부 노이즈를 제거한다. GCA 과정 이후 픽셀 간격과 인접 픽셀의 값을 모두 고려하여 테두리 영역에 대한 자료를 보존하기 위해 bilateral filter를 적용하였으며, anisotropic diffusion 과정을 통해 노이즈 제거로 인한 유출 영역의 경계 정보 손실을 보상한다. Global background suppression (GBS)은 알고리즘 탐지의 정확도에 영향을 미치는 임계값을 설정하는 방법으로 파라미터의 변동성 확인을 통해 산출되는 상수값(const_th), 알고리즘 상에서 계산되는 이미지 평균 강도 값(meanI), 이미지 강도 기반 히스토그램 분포에서 산출되는 최빈값(Kmax) 중 중간 값을 배경 임계값으로 설정하여 오염물질을 탐지하였다. Adaptive target enhancement (ATE) 과정에서는 sobel 연산자를 사용하여 각 픽셀에서의 기울기를 계산하고 입력 이미지의 해당 픽셀 주변의 엔트로피를 계산하여 각 픽셀에 개별 가중치를 할당함으로써 유출 영역과 배경 영역의 구분이 용이하도록 유출 영역을 강화한다. LFTM 방법을 이용하여 오염물질을 구분하고, 동일객체끼리 클러스터링 후 400 pixel 이하의 값을 가지는 객체는 제거하여 최종적으로 오염물질을 분류한다.

본 연구에서는 선행연구에서 개발된 알고리즘을 응용하여 제한된 환경조건이 아닌 해상에서 지속적으로 변하는 환경조건에 맞는 알고리즘으로 수정하였다. 해상 실험을 통해 획득된 이미지는 탐지를 위한 알고리즘의 입력영상으로 사용되며, 이미지의 강도값을 통해 오염물질을 구분하기 위해 RGB 이미지를 gray-scale로 변환한다. Bilateral filter를 적용 후, 이미지 강도값의 범위를 0~255의 범위로 normalization 작업을 수행하였다. 본 연구에서 GBS 과정에서는 이미지의 강도 및 구조에 따라 히스토그램의 변동성이 존재하여 다중 피크 값을 가지는 히스토그램에서 최적 임계값의 설정이 필요하다(Bakhoday-Paskyabi et al., 2016). 따라서 각 이미지의 히스토그램에서 0~100 사이에서 이미지 강도의 최빈값을 찾고, 최빈값보다 큰 이미지 강도값의 범위에서 히스토그램 그래프의 변곡점을 배경 임계값으로 지정하여 순차적으로 오염물질을 탐지하도록 설계하였다(Fig. 3).

Fig. 3. An example of the result of candidate threshold values.

ATE 과정 후 강화된 이미지에서의 히스토그램 분포 특성을 분석하여 오염물질에 대해 동일 객체끼리 클러스터링을 수행하고, 오염물질 영역을 최종적으로 분류하는 이미지 분할 알고리즘인 LFTM 방법을 설계하였다(Aja-Fernández et al., 2015). Fig. 4는 히스토그램 분석을 통해 산출된 각각의 배경 임계값에 따라 오염물질을 탐지하고 LFTM 방법을 통해 해수와 분류한 결과이다. Fig. 4(a)는 원본 이미지이며, Fig. 4(b)는 히스토그램을 분석한 결과로서, 파란색 선은 0~100 사이의 이미지 강도값 범위에서 최빈값을 가지는 이미지 강도값을 말하며, 빨간색 선은 그래프에서 변곡점에 해당되는 지점이며, 본 논문에서는 변곡점을 배경 임계값으로 설정하였다. Figs. 4(c–f)는 배경 임계값을 가장 작은 값에서부터 큰 값까지 적용한 결과이다.

Fig. 4. Examples of local fuzzy thresholding methodology (LFTM) results. (a) The original image. (b) Histogram-based candidate threshold values. (c–f) LFTM results based on thresholds, white for pollutants and black for non-contaminants.

2.2.2. 알고리즘 성능평가 방법

본 연구에서는 Confusion matrix 분류모델을 사용하여 정확도 및 F1-score 평가 지표를 통해 알고리즘의 성능을 평가하였다. Confusion matrix 분류 모델은 예측한 결과와 실제 결과를 비교하여 만들어진 행렬로써, 양성과 음성으로 분류하여 통계 분석에 사용되는 평가 지표 중 하나이다(Hasnain et al., 2020; Arias-Duart et al., 2023). 정확도(Accuracy)는 알고리즘의 분류 정확도를 나타내며 정밀도(Precision)는 양성으로 분류된 사례 중 실제로 양성이었던 사례의 비율, 재현율(Recall)은 실제 양성인 사례 중 양성으로 분류된 사례의 비율, F1-score는 정밀도와 재현율의 조화 평균으로 계산되며, 객관적인 모델 성능 평가 지표 중 하나이다(Table 4). 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score는 식(1)~(4)와 같다. 여기에서 TP는 오염물질 영역, TN은 오염물질이 아닌 영역, FP는 실제로는 오염물질이 아니나 알고리즘에서 오염물질로 판단한 영역, FN은 실제로는 오염물질이나 알고리즘에서 오염물질이 아닌 영역으로 판단한 것을 말한다.

Table 4. F1-Score evaluation indicator

\(\begin{aligned}\text {Accuracy}=\frac{T P+T N}{T P+F P+F N+T N}\end{aligned}\)       (1)

\(\begin{aligned}\text {Precision}=\frac{T P}{T P+F P}\end{aligned}\)       (2)

\(\begin{aligned}\text {Recall}=\frac{T P}{T P+F N}\end{aligned}\)       (3)

\(\begin{aligned}\text {F1-Score}=2 \times \frac{\text { Precision } \times \text { Recall }}{\text { Precision }+ \text { Recall }}\\\end{aligned}\)       (4)

3. 연구결과

3.1. 부유성 해양오염물질 탐지 결과

제안된 방법을 적용하여 현장에서 획득된 51장의 RGB 이미지에서 오염물질을 분류하였으며, 알고리즘 단계별 결과는 Fig. 5와 같다. Fig. 5(a)는 원본 이미지로 해상에서의 파고로 인해 오염물질 영역이 아닌 곳에서 그림자 및 태양 반사가 존재한다. 복잡한 해상 환경 이미지에서 GCA (Fig. 5b) 과정을 통해 노이즈를 제거하였으며, 유출 영역의 경계를 강화하고 손상된 정보를 복구하기 위한 bilateral filter (Fig. 5c)를 적용하였다. 강도 분포를 기반으로 하는 히스토그램 분석을 통해 0~100 사이에서 빈도수가 가장 많은 강도값이 해수 영역을 나타내며, 이 값보다 큰 이미지 강도값을 가지는 범위에서 변곡점을 찾아 배경 임계값으로 설정하여 각 임계값 미만인 픽셀을 필터링하여 제거하였다(Figs. 5d–g). 이후 유출 영역에 대한 gradient와 local entropy를 계산하여 유출 영역을 강화하였으며(Figs. 5h–j), LFTM 방법을 통해 유출 영역을 분류하고, 다양한 임계값을 통해 탐지된 오염물질 결과를 합쳐 최종 분류 결과를 산출하였다(Figs. 5k–l). 본 연구에서 제시된 알고리즘을 통해 오염물질을 분류한 결과 원본 이미지에서의 오염물질 영역과 유사하게 분류되는 결과를 확인할 수 있었으나, 여전히 오탐지 및 과탐지 되는 부분이 존재하였다. 이는 이미지 강도값을 기반으로 영상을 분류하다 보니 태양 반사가 존재하는 곳에서 가장 높은 강도값을 가지게 되어 영상 분류 시 영향을 미치는 것으로 파악된다.

Fig. 5. An example segmentation result: (a) the original image, (b–k) the results after GCA, bilateral filter, GBS, gradient image, local entropy, ATE, and LFTM, and (l) the final segmentation result.

3.2. 알고리즘 성능 평가 결과

Fig. 6은 선행연구에서 개발된 알고리즘과 본 연구에서 개발된 알고리즘에 대한 분류 결과를 나타낸다. 선행연구에서 개발된 알고리즘은 바람, 그림자, 태양 반사 등에 의한 다양한 조건을 가지는 해상 환경에서는 해수 영역과 오염물질 영역에 대해 오탐지 되거나 미탐지 되는 결과를 도출하였으며(Fig. 6b), 원본 이미지(Fig. 6a)에서 보여지는 오염물질 영역과도 정성적으로 차이를 보인다. 본 연구에서 제시된 임계값 설정 방법을 통해 기존 알고리즘에서 탐지되지 않거나 오탐지 되는 부분이 개선됨을 확인할 수 있었으며(Fig. 6c), 평가 지표에서도 정확도는 0.1 미만의 값으로 기존 알고리즘과 큰 차이가 나지 않지만 F1-score는 약 0.18에서 약 0.59로 개선된 것을 확인할 수 있었다(Table 5). 그러나 수정된 알고리즘에서도 여전히 오탐지 되는 부분이 존재하며, 이는 이미지 강도값을 기반으로 하는 알고리즘에서 비슷한 강도값을 가지는 해수 영역에 대해서도 오염물질로 오탐지 되는 것을 확인할 수 있었다.

Fig. 6. Comparison result:(a)the original image,(b)results of previous research algorithms, and (c)results of our method.

Table 5. Comparison results of calculating F1-Score for the different segmentation methods

4. 활용방안

본 연구에서 개발된 알고리즘은 현장에서 획득되는 이미지를 알고리즘의 입력자료로 사용한다. 현장에서는 사용자의 촬영 방법, 다양한 해상 환경 조건에 대해 많은 변수가 발생하므로 이를 알고리즘 입력자료로 사용할 시 최종 탐지 결과물의 정확도에 영향을 미치게 된다. 오염물질을 촬영 시 태양고도, 태양광, 그림자, 바람, 구름의 양, 그림자, sun glint 등의 자연환경 조건, 촬영높이, 촬영각도, 촬영방향, 화각 등의 촬영 조건, 관측 센서의 노출시간, 조리개 값, International Standard Organization (ISO) 감도 등의 영상촬영 조건을 고려하여 다양한 현장실험을 진행하였다(Fig. 7). Fig. 7은 구조물이 포함되거나 그림자의 포함, 태양 반사가 포함된 이미지, 오염 물질과 배경과의 경계가 뚜렷이 구분되지 않는 이미지로서 해당 이미지를 통해 알고리즘을 실행했을 시 Fig. 8에서와 같이 오염물질에 대해 정확한 탐지가 되지 않는다. 따라서 본 연구에서는 알고리즘에 영향을 미치는 입력자료를 획득하기 위한 매뉴얼을 정립하고, 실 해역에서 알고리즘 성능을 평가하기 위해 획득된 51장의 이미지는 정립된 매뉴얼을 통해 입력자료를 획득하였다(Fig. 9). 현장에서 이미지를 획득하기 위해 적용된 값들은 야장에 기록함으로써 해양오염정보 자동 생산 및 공유 시스템(ISABU 통합시스템)에 데이터 입력을 위해 개발된 인터페이스를 통해 연동되며, 탐지 알고리즘 결과는 데이터베이스 형식으로 자동 저장되고 최종적으로 시스템에서 표출된다(Fig. 10). 제시된 방안은 현장에서 현업자가 입력자료를 획득 시 많은 제약 사항 없이 해상 현장 조건에 맞는 사용자맞춤형으로 제시된 방안이며, 현업자의 용이성을 확보할 수 있을 것으로 사료된다.

Fig. 7. Images obtained through a small water tank experiment. (a) RGB images taken under specific conditions-aperture 5.6, exposure time 1/4000S, ISO 6400, shooting height 1.5 m, look angle 30 degrees. (b) RGB images taken under specific conditions-aperture 5.6, exposure time 1/4000S, ISO 6400, shooting height 1.5 m, look angle 40 degrees. (c) UV images taken under specific conditions-aperture 5.6, exposure time 2.5S, ISO 6400, shooting height 50 cm, look angle 90 degrees. (d) UV images taken under specific conditions-aperture 5.6, exposure time 1.0S, ISO 6400, shooting height 1.5 m, look angle 30 degrees.

Fig. 8. Images obtained through small water tank experiment Result: (a) results of images containing facilities, (b) results of images containing sun glint and structures, (c) results of images containing shadows, and (d) results of images not clearly photographed in areas with contaminants.

Fig. 9. On-site images acquisition method: (a) camera setting, (b) set camera height (based on sea level 0 m), (c) shooting direction (azimuth angle), (d) camera viewing altitude angle setting, and (e) onsite experiment information list.

Fig. 10. ISABU system: (a) the interface of the ISABU system for field data input and (b) expression results of marine pollutants detection results.

5. 결론

본 연구에서는 얇은 유막으로 존재하는 부유성 해양 오염물질을 대상으로 인천 인근 해역에서 획득된 RGB 이미지에 영상 강화 기법을 적용하여 유해물질을 탐지하는 기술을 개발하고 가능성을 평가하였다. 원격탐사가 기반이 되는 선행 연구에서는 부유성 해양오염물질에 대한 분광라이브러리를 구축하고, 탐지 알고리즘을 개발하였으나 연구적인 관점이 강해 빠르게 방제 대응을 해야 하는 현업에서 사용하기에는 적합하지 않다. 따라서 본 연구에서는 주변에서 쉽게 사용할 수 있는 디지털카메라를 이용하여 이미지를 획득하고, 획득된 이미지에서 오염물질을 자동으로 추출하기 위한 방법을 제시하였다. 제시된 알고리즘은 단순 임계값을 사용하는 기존 알고리즘에 비해 탐지 정확도가 향상되었음을 확인할 수 있었으나 파도가 강한 곳이나 태양 반사, 그림자, 시설물이 포함되어 있는 이미지에서는 여전히 오탐지 되는 부분이 존재하였다. 또한, 이미지에서 해수의 영역이 유출 영역에 비해 충분한 영역을 가지고 있지 않을 시 미탐지 되는 부분이 존재하였다. 추후에는 환경이 복잡한 컨테이너 항구 및 해역에서의 이미지를 추가 수집하여 알고리즘을 고도화할 예정이다. 본 알고리즘은 인터페이스를 통해 ISABU 통합시스템으로 연동되며, 최종 추출된 결과는 데이터베이스 형식으로 자동 저장 및 공유된다. 본 연구개발 결과는 기존 현장에서 육안으로 식별이 어려웠던 얇은 유막과 같은 부유성 해양오염물질을 탐지함으로써 최대한 빠른 시간 내에 현장에서 오염지역에 대한 영상을 확보하여 해양오염정보 결과를 전달할 수 있도록 방제 대응 활동에 유용하게 사용될 것으로 기대된다.