엣지 디바이스용 실시간 열화상 객체 검출을 위한 YOLOv5기반 경량화 방법론 (YOLOv5-based Lightweight Methodology for Real-time Thermal Image Object Detection for Edge Devices)

서지정보

· 발행기관 : 한국방송∙미디어공학회
· 수록지 정보 : 방송공학회 논문지 / 29권 / 5호 / 703 ~ 712페이지
· 저자명 : 윤현석, 김응태

초록

딥러닝을 이용한 객체검출은 대부분 RGB 영상을 기반으로 이루어지고 있다. 하지만 RGB 영상은 야간이나 안개, 비, 눈 등 여러환경적인 조건에서는 객체를 검출하는데 정확도가 떨어지는 문제점이 있다. 반면에 IR (Infra Red) 영상은 열 정보만으로 처리하므로RGB 영상보다 해상도가 떨어지지만 환경적인 조건에 덜 민감하다. 딥러닝을 이용한 객체검출 모델은 다양하지만, 최근에는 정확도가높고 처리 속도가 빠른 YOLO가 많이 사용되고 있다. 그러나 YOLO는 RGB 영상에 맞춰 설계되어 있어 IR 영상에서 객체검출을 하기 위해서는 IR 영상에 맞춰 설계할 필요가 있다. 또한 많은 계산량이 요구되는 딥러닝 알고리즘을 엣지 디바이스에서 사용하기 위해서는 실시간 처리를 위한 경량화가 필요하다. 본 논문은 기존 YOLOv5 모델을 IR 영상에 맞게 수정하고 경량화하기 위해 기존의 3개레이어로 이루어진 헤드를 2개 레이어로 줄이고, 정확도 향상을 위해 CBAM (Convolution Block Attention Module)을 추가하였다.
모의실험 결과, 본 논문에서 제안한 모델의 정확도는 95.5%, mAP50은 96.4%, 파라미터는 160만 개로 기존 모델 YOLOv5s와 비교해보면 정확도는 1.1% 떨어지지만, 파라미터는 4.375배 줄어들었다. 또한, 제안된 모델에 TensorRT 모델로 변환한 결과 mAP50은 1.6%감소하였지만 속도 측면에서 제안된 모델보다 25fps 높은 결과를 확인했다.

영어초록

Most object detection models based on deep learning are primarily designed for RGB images. However, they suffer from pooraccuracy in various environmental conditions such as nighttime, fog, rain, and snow. On the other hand, IR (Infrared) images areprocessed with only thermal information, so the resolution is lower than RGB images, but they are less sensitive to environmentalconditions. While there are various object detection models using deep learning recently, YOLO, known for its high accuracy andfast processing speed, has been widely adopted. However, since YOLO is designed based on RGB images, it needs to be adaptedfor IR images to perform object detection effectively. In addition, in order to use deep learning algorithms that require a largeamount of computation in edge devices, it is necessary to reduce weight for real-time processing. In this paper, in order to modifyand reduce the weight of the existing YOLOv5 model to fit the IR image, the existing three-layer head was reduced to two layers,and CBAM was added to improve accuracy. In experimental results,, the precision of the model proposed in this paper was95.5%, mAP50 was 96.4%, and the parameters were 1.6M. Compared to the existing model YOLOv5s, the precision decreased by2.4%, but the parameters decreased by 4.375 times. In addition, as a result of converting the proposed model to the TensorRTmodel, mAP50 decreased by 1.6%, but in terms of speed, the result was 25fps higher than the proposed model.

참고자료

· 없음