Journal of Internet Computing and Services (인터넷정보학회논문지)

Korean Society for Internet Information (한국인터넷정보학회)
권호 표지
DOI QR코드

DOI QR Code

High-Speed Maritime Object Detection Using Image Preprocessing Algorithms and Deep Learning for Collision Avoidance with Aids to Navigation

항로표지 충돌 방지를 위한 영상 전처리 알고리즘과 딥러닝을 활용한 해상 객체 고속 검출

  • Young-Min Kim (Information and communication, Hoseo University) ;
  • Ki-Won Kwon (Smart Network Research Center, Korea Electronics Technology Institute) ;
  • Tae-Ho Im (Information and communication, Hoseo University)
  • Received : 2024.09.23
  • Accepted : 2024.10.02
  • Published : 2024.10.31
Download PDF
⟨ Previous Next ⟩

Abstract

Aids to navigation, such as buoys used in maritime environments, play a crucial role in providing accurate information to navigating vessels, enabling them to precisely determine their position and maintain safe routes by marking surrounding hazardous areas. However, collisions between ships and these aids result in substantial costs for buoy damage and repair. While high-end equipment is currently used to prevent such accidents, its widespread adoption is hindered by cost concerns. This paper presents research on a maritime object detection algorithm utilizing embedded systems to address this issue. Previous studies employed the Hough transform for horizon detection, but its high computational demands posed challenges for real-time processing. To overcome this limitation, our approach first performs image segmentation, followed by an optimized Otsu algorithm for horizon detection. Subsequently, we establish a Region of Interest (ROI) based on the detected horizon, focusing on areas with a high risk of ship collision. Within this ROI, particularly below the horizon line, maritime objects are detected. A Convolutional Neural Network (CNN) model is then applied to determine whether the detected objects are ships. Objects classified as ships within the ROI are considered potential collision risks.

해양에서 사용되는 부이와 같은 항로표지는 항해 중인 선박들에게 정확한 정보를 제공하여 선박이 자신의 위치를 명확히 파악하고, 주변의 위험 지역을 표시하여 안전한 항로를 유지하는데 필수적인 역할을 한다. 하지만, 선박과의 충돌 사고로 인해 부이의 파손 및 복구에 막대한 비용이 소요된다. 이러한 사고를 예방하기 위해 현재 고가형 장비를 사용하기도 하지만 비용 부담 문제로 도입하기 쉽지 않다. 해당 문제를 해결하기 위해 본 논문에서는 임베디드 시스템을 활용한 해상 객체 검출 알고리즘 연구를 진행한다. 기존 연구에서는 수평선 검출을 위해 허프 변환을 사용하였지만, 연산량이 많아 실시간 처리가 어렵다는 한계가 존재한다. 이를 개선하기 위해 본 논문에서는 이미지 분할을 진행한 후, Otsu 알고리즘을 최적화하여 수평선을 검출한다. 또한, 검출된 수평선을 기준으로 선박 충돌 위험성이 높은 구역을 위험 영역(Region of Interest, ROI)으로 설정한다. 위험 영역을 설정한 이후, 수평선 아래에 위치한 영역에서 해상 객체를 검출하고 해당 영역에 CNN(Convolutional Neural Network)모델을 활용하여 해당 객체의 선박 여부를 판별한다. 만약 선박으로 판별된 객체가 위험 영역에 존재하는 경우, 이를 위험 선박으로 간주한다. 제안하는 알고리즘은 항로표지 충돌 사고를 사전에 방지할 수 있다.

Keywords

Acknowledgement

이 논문은 정부(과학기술정보통신부)의 재원으로 정보통신기획평가원-지역지능화혁신인재양성사업의 지원(IITP-2024-RS-2024-00436765,50%)과 2024년 해양수산부 재원으로 해양수산과학기술진흥원의 지원을 받아 수행된 연구임(스마트항로표지 현장시설 고도화, RS-2021-KS211516, 50%).

References

  1. Buch, N., Velastin, S. A., & Orwell, J., "A review of computer vision techniques for the analysis of urban traffic," IEEE Transactions on Intelligent Transportation Systems, vol. 12, no. 3, pp. 920-939, 2011. https://doi.org/10.1109/tits.2011.2119372
  2. Er, M. J., Zhang, Y., Chen, J., & Gao, W., "Ship detection with deep learning: a survey," Artificial Intelligence Review, vol. 56, no. 10, pp. 11825- 11865, 2023. https://doi.org/10.1007/s10462-023-10455-x
  3. Zhang, Y., Li, Q. Z., & Zang, F. N., "Ship detection for visual maritime surveillance from non-stationary platforms," Ocean Engineering, vol. 141, pp. 53-63, 2017. https://doi.org/10.1016/j.oceaneng.2017.06.022
  4. Qiao, D., Liu, G., Lv, T., Li, W., & Zhang, J., "Marine vision-based situational awareness using discriminative deep learning: A survey," Journal of Marine Science and Engineering, vol. 9, no. 4, pp. 397, 2021. https://doi.org/10.3390/jmse9040397
  5. Steccanella, L., Bloisi, D. D., Castellini, A., & Farinelli, A., "Waterline and obstacle detection in images from low-cost autonomous boats for environmental monitoring," Robotics and Autonomous Systems, vol. 124, 2020. https://doi.org/10.1016/j.robot.2019.103346
  6. Bovcon, B., & Kristan, M., "A water-obstacle separation and refinement network for unmanned surface vehicles," Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), Paris, France, 2020. https://doi.org/10.1109/ICRA40945.2020.9197194
  7. Praczyk, T., "A quick algorithm for horizon line dete ction in marine images," Journal of Marine Science and Technology, vol. 23, no. 1, pp. 164-177, 2017. https://doi.org/10.1007/s00773-017-0464-8
  8. Lee, J.-R., Bae, K.-R., & Moon, B., "A hardware architecture of Hough transform using an improved voting scheme," The Journal of Korea Information and Communications Society, vol. 38A, no. 9, pp. 773-781, 2013. https://doi.org/10.7840/kics.2013.38A.9.773
  9. Jeong, C. Y., Yang, H. S., & Moon, K., "Fast horizon detection in maritime images using region-of-interest," International Journal of Distributed Sensor Networks, vol. 14, no. 7, 2018. https://doi.org/10.1007/s00773-017-0464-8
  10. Otsu, N., "A threshold selection method from gray-level histograms," Automatica, vol. 11, pp. 285-296, 1975. https://doi.org/10.1109/TSMC.1979.4310076
  11. Lee, S. W., Lee, G. D., Ko, J. G., Lee, S. J., & Yoo, W. Y., "Recent trends of object and scene recognition technologies for mobile/embedded devices," Electronics and Telecommunications Trends, vol. 34, no. 6, pp. 133-144, 2019. https://doi.org/10.22648/ETRI.2019.J.340612
  12. Tan, M., "Efficientnet: Rethinking model scaling for convolutional neural networks," arXiv preprint arXiv:1905.11946, 2019.