딥러닝 기반 육상기인 부유쓰레기 탐지 모델 성능 비교 및 현장 적용성 평가 (A Performance Comparison of Land-Based Floating Debris Detection Based on Deep Learning and Its Field Applications)

서지정보

· 발행기관 : 대한원격탐사학회
· 수록지 정보 : 대한원격탐사학회지 / 39권 / 2호 / 193 ~ 205페이지
· 저자명 : 박수호, 장선웅, 김흥민, 김탁영, 예건희

초록

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 효율적인연구의 필요성이 요구되고 있다. 본 연구에서는 육상기인 부유쓰레기의 효율적인 탐지 기법을 제시하기 위해드론 영상뿐만 아니라 다양한 이미지를 확보하여 You Only Look Once (YOLO)v5s와 최근에 개발된 YOLO7및 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 심한경우 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 성능저하 폭을 보였다. 이를 통해 수면 위에 존재하는 부유쓰레기 탐지에 있어서 YOLOv7 모델이 YOLOv5s와YOLOv8s 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.

영어초록

A large amount of floating debris from land-based sources during heavy rainfall has negativesocial, economic, and environmental impacts, but there is a lack of monitoring systems for floating debrisaccumulation areas and amounts. With the recent development of artificial intelligence technology, thereis a need to quickly and efficiently study large areas of water systems using drone imagery and deeplearning-based object detection models. In this study, we acquired various images as well as drone imagesand trained with You Only Look Once (YOLO)v5s and the recently developed YOLO7 and YOLOv8sto compare the performance of each model to propose an efficient detection technique for land-basedfloating debris. The qualitative performance evaluation of each model showed that all three models aregood at detecting floating debris under normal circumstances, but the YOLOv8s model missed orduplicated objects when the image was overexposed or the water surface was highly reflective of sunlight.
The quantitative performance evaluation showed that YOLOv7 had the best performance with a meanAverage Precision (intersection over union, IoU 0.5) of 0.940, which was better than YOLOv5s (0.922)and YOLOv8s (0.922). As a result of generating distortion in the color and high-frequency componentsto compare the performance of models according to data quality, the performance degradation of theYOLOv8s model was the most obvious, and the YOLOv7 model showed the lowest performancedegradation. This study confirms that the YOLOv7 model is more robust than the YOLOv5s andYOLOv8s models in detecting land-based floating debris. The deep learning-based floating debrisdetection technique proposed in this study can identify the spatial distribution of floating debris bycategory, which can contribute to the planning of future cleanup work.

참고자료

· 없음