딥러닝 기반의 특징점 추출 알고리즘을 활용한 고해상도 해저지형 생성기법 연구

Research on High-resolution Seafloor Topography Generation using Feature Extraction Algorithm Based on Deep Learning

Abstract

In this paper, we propose a technique to model high resolution seafloor topography with 1m intervals using actual water depth data near the east coast of the Korea with 1.6km distance intervals. Using a feature point extraction algorithm that harris corner based on deep learning, the location of the center of seafloor mountain was calculated and the surrounding topology was modeled. The modeled high-resolution seafloor topography based on deep learning was verified within 1.1m mean error between the actual warder dept data. And average error that result of calculating based on deep learning was reduced by 54.4% compared to the case that deep learning was not applied. The proposed algorithm is expected to generate high resolution underwater topology for the entire Korean peninsula and be used to establish a path plan for autonomous navigation of underwater vehicle.

1. 서론

수중 운동체가 해양환경 탐사 및 개발, 기뢰 탐색 등의 다양한 임무를 수행함에 있어 사전에 입력된 경로점을 따라 자율적으로 주행한다.[1] 이 때, 해저지형을 포함한 수중 장애물을 회피하는 기술이 핵심인데, 운동체 속도가 5m/s 이상의 고속 기동 패턴을 보이면 계획된 경로와 다르게 해저지형과 충돌할 수 있기 때문에 해저지형도의 해상도가 자율주행 성능을 좌우한다고 할 수 있다.

이를 위해 3차원 고해상도 해저지형을 생성 또는 모의하는 기법에 대한 연구가 활발히 진행 되었다. 첫 번째로 다중 빔 음향측심기를 활용하여 수심을 직접 측량하고 생성하는 방법이 있지만,[2] 비용과 시간 소요가 큰 것에 비해 음향측심기의 탐지범위 한계가 있는 단점이 있다. 두 번째로 일부 해역에 대해서 실제 측량한 데이터를 보간하여 3차원 해저지형을 생성하는 연구도 진행되었다.[3] 마지막으로 2차원의 고해상도 데이터를 활용하여 3차원화 하는 기술도 연구되었지만,[4] 모두 비선형 보간법을 적용하여 실제 지형 특성을 반영하지 못하였다. 무엇보다도 대한민국 동·서·남해 각각의 해저 특성이 다르고, 특히 동해 해저의 경우 지형의 기울기 변화가 크고 불규칙하기 때문에 측량을 통한 고해상도 해저 지형도를 생성하는 것은 물리적 제약이 있다.

따라서 본 연구에서는 한반도 해역에 대해 보유하고 있는 거리 1.6km 간격의 실제 해저지형 수심 데이터를 활용하여 위도와 경도 방향 각각 거리 1m 간격의 고해상도 해저지형도를 생성하는 기법을 제안하고자 한다. 해저지형 특성과 무관하게 실제 데이터를 이용하여 고해상도로 모의하는 것이기 때문에 비용 및 시간을 절감할 수 있다. 이 때, 기본적으로는 대표수심 추출 알고리즘을 개발한 연구를 참고하여 불규칙적으로 다수 존재하는 해저산의 위, 경도 위치를 산출하기 위해 해리스 코너 검출(Harris Corner Detection), FAST(Features from Accelerated Segment Test) 특징점 추출 알고리즘을 적용하였다.[5]

하지만 보유한 수심 데이터의 용량이 크고 해역별 특성이 다르기 때문에 인간이 직접 알고리즘을 개발하는 것이 아닌 빅데이터를 이용하여 짧은 시간에 연산 수행이 가능한 딥러닝 기반으로 특징점 추출 알고리즘을 활용하여 해저지형을 생성하였다.[6],[7],[8]

모의한 3차원 고해상도 해저지형과 실제 데이터를 비교하여 검증하였다. 이를 통해 본 연구는 한반도 전역에 대한 해저지형에 대해 딥러닝 기반으로 고해상도 해저지형도를 모의함으로써 수중 운동체의 자율주행 성능 분석과 정확한 경로계획 수립에 사용될 것으로 기대된다.

2. 고해상도 해저지형 생성기법

2.1 실제 해저지형 수심데이터

국립해양조사원에서 제공하는 해저지형 수심데이터의 위도와 경도 구간은 각각 위도 31~42도, 경도 122~135도 구간에 해당한다. 이는 그림 1에 도시하였고, 한반도를 기준으로 근처 해역에 대한 수심데이터가 존재하는 것을 확인할 수 있다. 그림 2는 그림 1의 실제 고도 및 수심 데이터를 등고선으로 표현한 것이다. 연녹색에서 청색으로 갈수록 수심이 깊어지고, 해저산은 주로 울릉도와 독도 인근에 많이 분포함을 확인할 수 있다.

[Figure 1] Depth Data of Korean Peninsula

[Figure 2] Contour Line of Altitude and Depth Data of Korean Peninsula

2.1.1 동해 해역 데이터 분석

수중 운동체의 동·서·남해 구역에 해당하는 위도 및 경도 구간을 추출하여 수심 데이터를 분석하였다. 동해 해역의 위도 38.6~40.6도, 경도 128.5~131.5도 구간에 해당하는 수심 데이터는 그림 3에 도시한 바와 같다. 수심이 3km 정도로 깊고 다수의 해저산이 완만하게 분포한 불규칙한 지형이 특징임을 확인할 수 있다.

[Figure 3] Depth Data of Korea East Sea

2.1.2 서해 해역 데이터 분석

서해 해역의 위도 35~37도, 경도 123~125도 구간에 해당하는 수심 데이터는 그림 4에 도시한 바와 같다. 수심이 100m 정도로 얕지만 해저산의 기울기가 동해보다 큰 것을 확인할 수 있다.

[Figure 4] Depth Data of Korea West Sea

2.1.3 남해 해역 데이터 분석

남해 해역의 위도 31~33도, 경도 125~128도 구간에 해당하는 수심 데이터는 그림 5에 도시한 바와 같다. 수심은 일본 해역으로 갈수록 깊어지는 경향이 있고, 서해 해역보다 해저산의 기울기가 크고 거의 모든 지형에 해저산이 분포 되어 있다.

[Figure 5] Depth Data of Korea South Sea

2.2 특징점 추출 알고리즘

고해상도 해저지형을 모의하기 위해 다양한 크기로 불규칙하게 분포되어 있는 해저산의 중심 위, 경도점을 산출하고 해저산의 반경, 기울기 변화 등의 분포를 실제 해저지형 수심 데이터와 유사하게 모의하여야 한다. 특히 남해 해역과 같이 해저지형의 대부분이 해저지형으로 이루어진 경우, 수중 운동체가 자율주행 중에 충돌할 가능성이 높으므로 해저산 위치를 산출하는 것이 중요하다.

이를 위해 대표적으로 사용되는 특징점 추출 알고리즘인 해리스 코너 검출 알고리즘과 FAST 알고리즘을 융합하여 정확한 해저산의 분포 및 위치를 산출한다. 각 알고리즘에 대한 내용은 아래와 같다.

2.2.1 해리스 코너 검출

해리스 코너 검출 알고리즘은 수심 데이터의 위도 및 경도 방향에 대한 수심의 변화량이 큰 코너점을 검출하는 원리를 이용하는 것으로 수식 1과 같다. 현재 위치 (u, v)를 기준으로 x축과 y축 방향으로 수심데이터(D) 차이인 E(u, v)가 클수록 코너점이라고 할 수 있다.

\(\begin{align}E(u, v)=\sum_{x, y}\{D(x+u, y+v)-D(x, y)\}^{2}\end{align}\)      (1)

그림 6에 코너점인 해저산의 중심을 추출하는 과정을 도시하였다. 그림 6-1 edge 상태에서는 위도 또는 경도 한 축에 대한 수심데이터 변화가 없다. 그림 6-2 flat 상태에서는 위도와 경도 방향 모두에 대해 수심데이터 변화가 없다. 그림 6-3 corner상태에서는 위도와 경도 방향 모두에 대해 수심데이터 차이가 크게 나타난다.

[Figure 6] Harris Corner Algorithm Principle

해리스 코너 검출 알고리즘을 적용하여 해저산 중심 위치를 추출할 경우 단일 해저산 위치는 정확히 계산하는 반면, 다수의 해저산이 중첩되어 있는 경우 정확한 위치를 계산할 수 없는 단점이 있다.

2.2.2 FAST 알고리즘

FAST 알고리즘은 선택한 위도 및 경도 위치(u, v)를 중심으로 이웃한 픽셀 n개에 대해 수심데이터 값을 비교하는 방식으로 계산된다. (u, v) 위치에서의 수심데이터가 D(u, v)일 때, 이웃한 위치에서의 수심데이터의 차이가 특정 임계치(δh)보다 큰 경우가 m개 이상이면 예상한 해저산의 중심 위치(u, v)에 해저산이 위치한다고 산출할 수 있다.

이를 수식으로 나타내면 수식 2와 같다. 해저산 중심과 이웃한 수심 데이터의 차이가 특정 임계치(δh)보다 커야하는 이유는 해저산이 평평한 해저지형에 비해 경사를 가지기 때문이다. 본 연구에서는 해저산 중심 위치를 기준으로 상하좌우대각 8개의 위치에 대해 수심데이터 차이를 계산하여, 모두 δh 보다 커야 해저산 중심 위치라고 판단하였다.

\(\begin{align}\left\{\begin{array}{l}|D(u, v)-D(u-1, v-1)|>\delta h \\ |D(u, v)-D(u-1, v)|>\delta h \\ |D(u, v)-D(u-1, v+1)|>\delta h \\ |D(u, v)-D(u, v-1)|>\delta h \quad(u>1, v>1) \\ |D(u, v)-D(u, v+1)|>\delta h \\ |D(u, v)-D(u+1, v-1)|>\delta h \\ |D(u, v)-D(u+1, v)|>\delta h \\ |D(u, v)-D(u+1, v+1)|>\delta h\end{array}\right. \end{align}\)       (2)

FAST 알고리즘을 적용할 경우 수심데이터를 모두 비교하여 정확한 특징점 추출이 가능하지만, 설정하는 임계치 값에 따라 불필요한 다수의 코너점이 추출될 수 있다.

2.3 딥러닝 프로세스

딥러닝은 빅데이터를 이용하여 중요한 패턴과 규칙을 학습하여 의사결정을 수행하는 기술이다. 보유한 대한민국 수심데이터의 용량은 방대하기 때문에 딥러닝 기반으로 해저지형에서 해저산 중심 위치를 산출하는 것이 연산 시간을 줄이고 정확도를 향상시킬 수 있다. 따라서 해리스 코너 검출 알고리즘과 FAST 알고리즘을 적용하여 해저지형을 학습함으로써 δh를 자동 설정하고, 해저산 중심 위치를 산출하여 거리 1m 간격의 고해상도 해저지형을 생성한다. 동해 해역의 경우 해저산의 기울기가 완만하고, 남해 해역의 경우 해저산의 기울기가 급하므로 남해 해역에서의 δh가 더 큰 값으로 설정된다.

3. 모의 결과 분석

3.1 해저산 중심 위치 추출 검증

2장에서 기술한 딥러닝 기반의 특징점 추출 알고리즘을 적용하여 해저산 중심 위치를 추출하고 이를 검증하기 위해 그림 7과 같이 남해 해역에 다수의 해저산이 존재하는 경우에 대해 분석하였다. 그림 8은 그림 7에 부합한 것으로 불규칙하고 다수의 해저산이 존재하는 해저지형에 대한 해저산 중심점을 추출한 결과를 나타낸 것이다. 그림 8-1과 같이 해리스 코너 검출 알고리즘으로 기울기가 큰 해저산을 추출하였다. 해저산 기울기가 완만한 특징을 보이는 영역에서는 코너점이 다수 추출된 것을 확인할 수 있다. 그림 8-2에서 FAST 알고리즘으로 이웃한 8개의 위도 및 경도 위치에서의 수심데이터를 비교하여 해저산 중심 위치를 산출하였다. 이 때의 δh는 20으로 적용되었다.

[Figure 7] Depth Data with Irregular Seafloor

[Figure 8] Result of Calculation the Center of the Seafloor Mountain Based on Figure 7

두 번째로 그림 9와 같이 동해 해역에서 두 개의 해저산이 10km 이상의 거리를 두고 존재하는 경우에 대해 분석하였다. 그림 10은 그림 9에 부합한 것으로 해저산의 경사가 급하여 해리스 코너 검출 알고리즘과 FAST 알고리즘을 적용한 결과가 동일함을 확인하였다. 이 때의 δh는 10으로 적용되었다.

[Figure 9] Depth Data with Regular Seafloor

[Figure 10] Result of Calculation the Center of the Seafloor Mountain Based on Figure 9

3.2 고해상도 해저지형 모의 결과 분석

그림 11은 위도 35.9~36.8도, 경도 124.1~24.9도 구간의 해저지형 수심데이터를 도시한 것이다. 평균 고도 약 100m의 해저산들이 불규칙하게 분포하고 있다. 이에 대해 딥러닝 기반의 특징점 추출 알고리즘인 해리스 코너 검출, FAST 알고리즘을 적용하여 거리 1m 간격의 고해상도 해저지형을 생성한 결과는 그림 12에 도시한 바와 같다.

[Figure 11] Real Depth Data within the Latitude and Longitude [35.9 124.1]~[36.8~124.9]

[Figure 12] Result of Modeling Seafloor Topography based on Figure 11

실제 수심 데이터와 생성한 고해상도 해저지형의 오차 수준 분석은 표 1, 2에 명시하였다. 딥러닝 기반이 아닌 사용자가 δh를 10m로 설정한 경우 표 1과 같이 오차 수준이 도출된다. 오차의 평균은 2.497m이고, 분산은 0.064m, 오차의 최댓값은 4.995m이다. 반면 딥러닝 기반의 고해상도 해저지형 모의 결과 표 2와 같이 오차의 평균은 1.138m이고, 분산은 0.027m, 오차의 최댓값은 3.104m이다. 오차의 최댓값이 약 3m로 발생한 이유는 탐색하는 해저지형 영역의 위도 및 경도의 첫 값 또는 마지막 값이 문제이기 때문이다. 실제로 그림 11에서 위도 및 경도가 1km 이내인 부근에서 수심데이터가 튄 것을 확인할 수 있다.

<Table 1> Error between Real Depth Data and Topography Simulation Result without Deep Learning

<Table 2> Error between Real Depth Data and Topography Simulation Result with Deep Learning

오차 수준 분석을 통해 딥러닝 기반의 특징점 추출 알고리즘을 적용하여 해저산 중심 위치를 산출한 후 고해상도 해저지형을 생성하였을 때 딥러닝을 적용하지 않았을 경우보다 오차 평균이 54.4% 감소함을 확인하였다.

4. 결론

사전에 경로계획으로 수립된 경로를 따라 자율 주행하는 수중 운동체의 경우 해저지형도를 기초로 하여 장애물을 회피하기 때문에, 3차원 고해상도 해저 지형도를 생성하는 것이 중요하다. 특히 대한민국의 경우 동·서·남해 각각의 해저 특성이 다르고 불규칙한 해저지형 양상을 보이므로 측량을 통한 고해상도 해저지형도를 생성하는 것은 물리적 한계가 있다.

이에 따라 본 논문에서는 보유하고 있는 거리 1.6km 간격의 해저지형 수심 데이터를 활용하여 위도 및 경도 1m 간격의 고해상도 해저지형도를 생성하는 기법을 제안하였다. 보유한 수심 데이터의 용량이 크고 해역별 특성이 다르기 때문에 딥러닝 기반의 특징점 추출 알고리즘을 활용하여 해저지형을 생성하였다.

딥러닝 기반의 고해상도 해저지형를 생성한 결과와 실제 수심 데이터를 비교한 결과 오차 평균은 1.138m, 오차 분산은 0.027m로, 딥러닝을 미적용한 모의결과보다 정확도가 향상됨을 보였다. 추후 다양한 특성의 해저지형 영역에 대한 모의 결과 분석을 통해 본 논문에서 제시한 딥러닝 기반의 모의기법에 대한 오차 수준을 확정할 수 있다.

이를 통해 본 연구는 한반도 전역 해저지형에 대해 딥러닝 기반으로 해저산을 추출하여 고해상도 해저지형도를 생성함으로써 수중 운동체의 장애물 회피 성능 향상 및 경로계획 수립에 사용될 것으로 기대된다.