항만 모니터링 시스템을 위한 딥러닝 기반 객체 검출 알고리즘 연구 (A Study on the Object Detection Algorithm based on Deep Learning for Port Monitoring System)

서지정보

· 발행기관 : 대한전자공학회
· 수록지 정보 : 전자공학회논문지 / 59권 / 2호 / 39 ~ 47페이지
· 저자명 : 이유진, 이순교, 최계원, 박재현

초록

국가 보안 시설인 항만에서 2008년 이후부터 연평균 25건의 보안사고가 꾸준히 발생하고 있다. 기존의 항만에서는 CCTV 카메라나 센서를 이용하여 밀입국과 같은 보안사고를 방지하는 기술이 도입되었지만, 날씨 혹은 조도 변화에 의한 오경보가 자주 발생한다. 또한, 기존의 기술은 외부인이 항만 내부에 들어왔을 때 위험구역에 접근하는 것을 관리할 수 없다. 따라서, 본 논문에서는 딥러닝을 이용한 객체 감지를 통해 특정 객체가 위험구역에 접근 시 위험 상황임을 스스로 판단하여 관리자에게 알림을 전송하는 새로운 항만 모니터링 시스템을 제안하고, 이를 위해 항만 환경에 적합한 딥러닝 기반 객체 검출 알고리즘을 연구하였다. 부산항 터미널 CCTV 영상을 수집하여 학습 데이터 세트를 구축하고, 딥러닝 기반 객체 검출 알고리즘인 YOLOv3와 CenterNet을 이용하여 모델학습을 진행하였다. 두 모델의 검출 성능을 비교한 결과, YOLOv3 모델의 성능이 94.1%로 CenterNet 모델의 성능보다 33.7%만큼 높았으며, 항만 환경에 적합한 객체 검출 모델이 YOLOv3임을 확인하였다. 실제 항만 영상을 이용해 YOLOv3 모델을 실험한 결과, 다양한 장소, 시간, 날씨에서 객체 검출을 성공적으로 하는 것을 확인하였다.

영어초록

Since 2008, an average of 25 security accidents have been steadily occurring at ports, which are national security facilities. In existing ports, technologies have been introduced to prevent security accidents such as smuggling using CCTV cameras or sensors, but false warnings often occur due to weather or illuminance changes. In addition, existing technologies cannot manage outsiders' access to dangerous areas when they enter the port. Therefore, in this paper, we propose a new port monitoring system that sends notifications to managers by determining that a specific object is a dangerous situation when approaching a dangerous area through object detection using deep learning, and to this end, we studied a deep learning-based object detection algorithm. A learning data set was built by collecting CCTV images of the Busan Port terminal, and model learning was conducted using deep learning-based object detection algorithms YOLOv3 and CenterNet. Comparing the detection performance of the two models, it was confirmed that the performance of the YOLov3 model was 94.1%, 33.7% higher than that of the CenterNet model, and that the object detection model suitable for the port environment was YOLov3. As a result of experimenting with the YOLov3 model using actual port images, it was confirmed that object detection was successfully performed in various places, times, and weather.

참고자료

· 없음