• 대한원격탐사학회지
• /
• 제40권2호
• /
• pp.151-166
• /
• 2024

해안쓰레기 문제는 전 세계적으로 환경에 대한 심각한 위협이 되고 있다. 본 연구에서는 딥러닝과 원격탐사 기술을 활용하여 해안쓰레기의 모니터링 방법을 개선하고자 하였다. 이를 위해 You Only Look Once (YOLO)v8 모델을 이용한 객체 탐지 기법을 적용하여 우리나라 주요 해안쓰레기 11종에 대한 대규모 이미지 데이터셋을 구축하고, 실시간으로 쓰레기를 탐지 및 분석할 수 있는 프로토콜(Protocol)을 제안한다. 낙동강 하구에 위치한 신자도를 대상으로 드론 이미지 촬영 및 자체 개발한 YOLOv8 기반의 분석 프로그램을 적용하여 해안쓰레기 성상별 핫스팟을 식별하였다. 이러한 매핑(Mapping) 및 분석 기법의 적용은 해안쓰레기 관리에 효과적으로 활용될 수 있을 것으로 기대된다.

• 한국정보전자통신기술학회논문지
• /
• 제16권5호
• /
• pp.347-353
• /
• 2023

양식장에서 물고기의 성장을 측정하는 작업은 아직도 사람의 손이 많이 가는 방식을 사용한다. 이 방식은 많은 노동력이 필요하고, 물고기가 스트레스를 받아 폐사율에 악영향을 준다. 이러한 문제를 해결하기 위해 물고기의 성장도를 자동화하기 위한 시스템 FGRS(Fish Growth Regression System)를 제안한다. FGRS는 두 개의 모듈로 구성된다. 첫째는 Yolo v8 기반의 물고기를 디텍팅하는 모듈이고, 둘째는 물고기 영상 데이터를 CNN 기반의 신경망 모델을 이용하여 물고기의 성장도를 예측하는 모듈로 구성된다. 시뮬레이션 결과 학습전에는 예측 오차가 평균 134.2일로 나왔지만 학습 이후 평균 오차가 39.8일 까지 감소했다. 본 논문에서 제안한 시스템을 이용해 생육일을 예측하여 물고기의 성장예측을 활용해 양식장에서의 자동화에 기여할 수 있고, 많은 노동력 감소와 비용 절감 효과를 가져 올 수 있을 것이라 기대한다.

• 대한원격탐사학회지
• /
• 제39권3호
• /
• pp.297-309
• /
• 2023

최근 조식동물로 인한 갯녹음 현상으로 인해 연안 생태계 및 어장환경의 황폐화가 가속화되고 있다. 이러한 갯녹음 현상을 모니터링하고 방지대책을 세우기 위해서는 광범위한 해역에 대한 원격탐사 기반의 모니터링 기술 도입이 필요하다. 본 연구에서는 수중에서 촬영된 동영상으로부터 조식동물을 탐지하고 모니터링하기 위한 딥러닝 기반 객체 탐지 모델의 강인성(robustness)을 비교 분석하였다. 우리나라 연안의 대표적인 조식동물 7종을 대상으로 이미지 데이터셋을 구축하였으며, 이를 활용하여 딥러닝 기반 객체 탐지 모델인 You Only Look Once (YOLO)v7과 YOLOv8을 훈련시켰다. 총 6개의 YOLO 모델(YOLOv7, YOLOv7x, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x)에 대해 탐지 성능과 탐지 속도를 평가하였으며, 수중환경에서 촬영 시 발생할 수 있는 다양한 이미지 왜곡에 대해서 강인성 평가를 실시하였다. 평가결과 YOLOv8 계열 모델이 파라미터(parameter) 수 대비 더 높은 탐지 속도(약 71-141 FPS [frame per second])를 보였다. 탐지 성능에 있어서도 YOLOv8 계열 모델(mean average precision [mAP] 0.848-0.882)이 YOLOv7 계열 모델(mAP 0.847-0.850)에 비해 더 높은 성능을 보이는 것을 확인하였다. 모델의 강인함에 있어서 형태 왜곡에 대해서는 YOLOv7 계열 모델이 YOLOv8 계열 모델에 비해 강인한 것을 확인하였으며, 색상 왜곡에 대해서는 YOLOv8 계열 모델이 상대적으로 강인한 것을 확인 하였다. 따라서 실해역에서 수중 영상 촬영 시, 형태 왜곡은 발생 빈도가 낮으며 색상 왜곡은 연안에서 빈번하게 발생한다는 점을 고려했을 때, 연안해역에서 조식동물 탐지와 모니터링을 위해서는 YOLOv8 계열 모델을 활용하는 것이 타당한 것으로 판단된다.

• 대한원격탐사학회지
• /
• 제39권2호
• /
• pp.193-205
• /
• 2023

집중강우 시 육상으로부터 다량으로 유입된 부유쓰레기는 사회, 경제적 및 환경적으로 부정적인 영향을 주고 있으나 부유쓰레기 집적 구간 및 발생량에 대한 모니터링 체계는 미흡한 실정이다. 최근 인공지능 기술의 발달로 드론 영상과 딥러닝 기반 객체탐지 모델을 활용하여 수계 내 광범위한 지역을 신속하고 효율적인 연구의 필요성이 요구되고 있다. 본 연구에서는 육상기인 부유쓰레기의 효율적인 탐지 기법을 제시하기 위해 드론 영상뿐만 아니라 다양한 이미지를 확보하여 You Only Look Once (YOLO)v5s와 최근에 개발된 YOLO7 및 YOLOv8s로 학습하여 모델별로 성능을 비교하였다. 각 모델의 정성적인 성능 평가 결과, 세 모델 모두 일반적인 상황에서 탐지성능이 우수한 것으로 나타났으나, 이미지의 노출이 심하거나 수면의 태양광 반사가 심한 경우 YOLOv8s 모델에서 대상물을 누락 또는 중복 탐지하는 사례가 나타났다. 정량적인 성능 평가 결과, YOLOv7의 mean Average Precision (intersection over union, IoU 0.5)이 0.940으로 YOLOv5s (0.922)와 YOLOvs8(0.922)보다 좋은 성능을 나타냈다. 데이터 품질에 따른 모델의 성능 비교하기 위해 색상 및 고주파 성분에 왜곡을 발생시킨 결과, YOLOv8s 모델의 성능 저하가 가장 뚜렷하게 나타났으며, YOLOv7 모델이 가장 낮은 성능 저하 폭을 보였다. 이를 통해 수면 위에 존재하는 부유쓰레기 탐지에 있어서 YOLOv7 모델이 YOLOv5s와 YOLOv8s 모델에 비해 강인한 모델임을 확인하였다. 본 연구에서 제안하는 딥러닝 기반 부유쓰레기 탐지 기법은 부유쓰레기의 성상별 분포 현황을 공간적으로 파악할 수 있어 향후 정화작업 계획수립에 기여할 수 있을 것으로 판단된다.

• 한국정보통신학회논문지
• /
• 제25권12호
• /
• pp.1762-1769
• /
• 2021

본 연구의 최종 목표는 블랙박스, 스마트폰, CCTV 등으로부터 수집된 영상에서 수배차량이 범죄차량인지 여부를 분석할 수 있는 시스템을 개발하는 것이다. 데이터 수집은 자체 개발된 블랙박스를 이용하였다. 본 연구에 활용된 데이터는 차량 유형 8개(트럭, RV, 승용차, 승합차, SUV, 버스, 스포츠카, 전기차)와 차량 모델 434개 등 총 83,753건의 데이터를 사용하였다. YOLO v5를 이용한 차량인식 결과, mAP가 80%로 나타났다. 자체 개발한 블랙박스를 이용하여 ReXNet으로 차량 모델을 식별한 결과, 정확도는 99%로 나타났다. 이러한 결과는 데이터 라벨링의 정확도를 개선하는 것이 차량인식 성능 향상에 도움이 된다는 것을 의미한다.

• 대한원격탐사학회지
• /
• 제40권1호
• /
• pp.33-43
• /
• 2024

본 연구는 비점오염원 중 하나인 야적퇴비의 효율적인 탐지를 위해 You Only Look Once (YOLO)v8 모델과 DeepLabv3+ 모델의 적용 가능성을 평가하였다. 무인항공기(Unmanned Aerial Vehicle, UAV)를 이용하여 수집된 고해상도 영상을 바탕으로, 두 모델의 정량적 및 정성적 성능을 비교 분석하였다. 정량적 평가에서 YOLOv8 모델은 다양한 지표에서 우수한 성능을 나타내며, 특히 야적퇴비의 덮개 유무를 정확하게 식별할 수 있는 능력을 보였다. 이러한 결과는 YOLOv8 모델이 야적퇴비의 정밀한 탐지 및 분류에 효과적임을 시사하며, 이를 바탕으로 야적퇴비의 관리 등급을 산정하고 비점오염원 관리에 기여할 수 있는 새로운 접근 방법을 제공한다. 본 연구는 UAV와 딥러닝 기술을 활용한 야적퇴비 탐지 및 관리가 기존 현장 조사 방식의 한계를 극복하며 정확하고 효율적인 비점오염원 관리 전략 수립 및 수계환경 보호에 기여할 것으로 기대된다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2023년도 제67차 동계학술대회논문집 31권1호
• /
• pp.239-240
• /
• 2023

교통사고는 차량 운전자의 부주의 및 보행자의 안전 불감증 등 여러 가지 이유로 다양한 형태의 교차로에서 사고가 발생한다. 이것을 개선하고자 본 논문에서는 보행자 위험 알림 시스템을 구현하였다. 이 시스템은 YOLO v4 tiny 알고리즘 사용해 약 8,000장의 보행자와 차량의 사진을 학습시켜 객체 인식의 정확도를 높이고 웹캠과 스피커를 사용하여 보행자에게 위험을 알릴 뿐만 아니라, 사고 발생 등의 경우에 대해서 블랙박스 역할을 할 수 있도록 구현하였다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2024년도 제69차 동계학술대회논문집 32권1호
• /
• pp.297-298
• /
• 2024

펜데믹, 전쟁 등을 포함한 국제 정세 변화에 따른 물류대란, 원자재가격 상승 및 환율 급등으로 인해 2023년 기준 대한민국의 물가는 크게 오르고 있는 추세이다. 물가 상승은 사업장의 인건비 부담 증가로 이어지고 있고 특히 노동 집약 산업인 농업 분야에서의 인건비 부담 문제는 더욱 심각한 실정이다. 외국인 근로자 고용이 대안이 될 수 있지만 인건비 절감 효과는 미미하기에 농업계 관계자들은 자동화 시스템 도입에 관심이 집중되고 있다. 따라서, 본 논문에서는 사과 분류 작업 자동화 체계의 핵심 요소에 해당하는 사과 품질 실시간 모니터링 시스템을 제안한다. 제안한 방식에서는 딥러닝 기반의 영상 분석 기법 및 무게 센서 데이터 분석을 통해 사과의 품질에 따른 등급 책정을 자동화 한다.

• 한국산업정보학회논문지
• /
• 제29권1호
• /
• pp.91-105
• /
• 2024

자동차 사고는 차량 간의 충돌로 인해 발생되며, 이로 인해 차량의 손상과 함께 인적, 물적 피해가 유발된다. 본 연구는 CCTV에 의해 촬영되어 YouTube에 업로드된 차량사고 동영상으로 부터 추출된 2,550개의 이미지 프레임을 기반으로 차량사고 탐지모델을 개발하였다. 전처리를 위해 roboflow.com을 사용하여 바운딩 박스를 표시하고 이미지를 다양한 각도로 뒤집어 데이터 세트를 증강하였다. 훈련에서는 You Only Look Once 버전 8 (YOLOv8) 모델을 사용하였고, 사고 탐지에 있어서 평균 0.954의 정확도를 달성하였다. 제안된 모델은 비상시에 경보 전송을 용이하게 하는 실용적 의의를 가지고 있다. 또한, 효과적이고 효율적인 차량사고 탐지 메커니즘 개발에 대한 연구에 기여하고 스마트폰과 같은 기기에서 활용될 수 있다. 향후의 연구에서는 소리와 같은 추가 데이터의 통합을 포함하여 탐지기능을 정교화하고자 한다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2023년도 학술발표회
• /
• pp.137-137
• /
• 2023

해양쓰레기는 해안의 심미적 가치 저하뿐만 아니라 생태계 파괴, 유령 어업에 따른 수산업 피해 등의 사회적·환경적 문제를 발생시키며, 그중 70% 이상은 육상 기인으로 플라스틱 및 기타 쓰레기가 주를 이루는 해외와 달리 국내의 경우 다량의 초목류를 포함하고 있다. 다양한 부유쓰레기에 대한 기존의 해양쓰레기량 추정의 한계와 하천·하구 쓰레기 수거의 효율화를 위해 해양으로 유입되는 부유쓰레기 방지를 위한 실효성 있는 대책 수립이 필요한 실정이다. 본 연구는 해양 유입 전 하천의 차단시설에 차집된 부유쓰레기의 수거 효율화 및 지속가능한 해양쓰레기 데이터 구축을 위해 AI기반의 기술을 통해 부유쓰레기 성상 분석 기법(Object Detection)과 차집량 분석 기법(Semantic Segmentation)을 활용하였다. 실제와 유사한 데이터 수집을 위해 다양한 하천 환경(정수조, 소하천, 급경사수로)에 대해 탁도(녹조, 유사), 광량, 쓰레기형상, 초목류 함량, 날씨(소하천), 유속(급경사수로) 등의 실험조건에 대하여 해양쓰레기 분류 기준 및 통계를 바탕으로 부유쓰레기 종류 선정하여 학습을 위한 데이터를 수집하였다. 학습 목적에 따라 구분하여 라벨링(Bounding box, Polygon)을 수행하고, 각 분석 기법별 전이학습을 통해 Phase 1(정수조), Phase 2(소하천), Phase 3(급경사수로) 순서로 모델을 고도화하였다. 성상 분석을 위해 YOLO v4를 활용하여 Train, Test DataSet(9:1)을 구성하고 학습 및 평가는 Iteration마다의 mAP, loss 값을 통해 비교하였으며, 학습 Phase에 따라 모델 고도화로 Test Set의 mAP 값이 성상별로 높아짐을 확인하였으며, 차집량 분석을 위해 Unet을 활용하여 Train, Test, Validation DataSet(8.5:1:0.5)을 구성하고 epoch별 IoU(intersection over Union), F1-score, loss 값을 비교하여 정성적, 정량적 평가 모두 Phase 3에서 가장 높은 성능을 확인하였다. 향후 하천 환경에서의 다양한 영양인자별 분석을 통해 주요 영향인자 도출 및 Hyper Parameter 최적화를 통한 모델 고도화로 인해 활용성이 높아질 것으로 판단된다.