• 한국항행학회논문지
• /
• 제28권4호
• /
• pp.393-399
• /
• 2024

미래형 항공기체 (AAV; advanced air vehicle)에 탑재될 전자지도 컴퓨터는 고성능, 저중량, 이식성, 모듈화가 요구된다. 전자지도 컴퓨터는 지형, 날씨, 장애물 등의 데이터를 외부 모듈로부터 수신하여 전자지도를 시현 하는 기능을 갖추어야 한다. 이를 위해 Ethernet 인터페이스를 통한 외부 장비와의 통신 기능과 HDMI (high-defintion multimedia Interface), DVI (digital visual interface) 같은 인터페이스를 통해 전자지도 영상 송출 기능을 포함해야 한다. 본 논문에서는 AAV용 전자지도의 기능과 요구사항을 기본적으로 충족하는 하드웨어와 소프트웨어 아키텍처 설계를 제안하였다. 또한, 설계된 전자지도 컴퓨터의 연산 처리 성능을 측정하여 AAV용 전자지도 컴퓨터로서의 적합성을 검증하였다.

• 대한원격탐사학회지
• /
• 제39권5_3호
• /
• pp.979-995
• /
• 2023

산불은 예측이 어려운 재해이기 때문에 실시간 모니터링을 통해 빠르게 대응하는 것이 중요하며, 정지 궤도 위성 영상은 광역을 짧은 시간 간격으로 모니터링할 수 있어 산불 탐지 분야에 활발히 이용되고 있다. 기존의 위성 영상 기반 산불 탐지 알고리즘은 밝기 온도의 통계량 분석을 통한 임계값 기반으로 이상치를 탐지하는 방향으로 진행되어 왔다. 그러나 강도가 약한 산불을 탐지하기 어렵거나, 적절한 임계값 설정의 어려움으로 일반화 성능이 저하되는 한계점이 있어 최근에는 기계학습을 이용한 산불 탐지 알고리즘들이 제시되고 있다. 현재까지는 random forest, VanillaConvolutional neural network (CNN), U-net 구조 등의 비교적 간단한 기법이 적용되고 있다. 따라서, 본 연구에서는 정지궤도 위성인 Advanced Himawari Imager를 이용하여 동아시아와 호주를 대상으로 State of the Art (SOTA)딥러닝 기법을 적용한 산불 탐지 알고리즘을 개발하고자 하였다. SOTA 모델은 EfficientNet과 lion optimizer를 적용하여 개발하고, Vanilla CNN 구조를 사용한 모델과 산불 탐지 결과를 비교하였다. EfficientNet은 동아시아와 호주에서 0.88 및 0.83의 F1-score를 기록함으로써 CNN (동아시아: 0.83, 호주: 0.78)에 비해 뛰어난 성능을 입증하였다. EfficientNet에 불균형 문제 해결을 위한 weighted loss, equal sampling, image augmentation 기법 적용 시, 동아시아와 호주에서 각각 0.92와 0.84의 F1-score를 기록함으로써 적용 전(동아시아: 0.88, 호주: 0.83)에 비하여 성능이 향상되었음을 확인하였다. 본 연구를 통하여 제시된 SOTA 딥러닝 기법의 산불 탐지에의 적용 가능성과 딥러닝 모델의 성능 향상을 위해 고려해야 할 방향은 향후 산불탐지 분야에 대한 딥러닝 적용에 도움이 될 것으로 기대된다.