517회 오션세미나
딥러닝을 이용한 해안 표착 쓰레기의 광범위 자동 탐지
김령규 ㅣ (사)동아시아바다공동체 오션 연구원 ㅣ rgkim@osean.net
한국인 ㅣ (사)동아시아바다공동체 오션 연구원 ㅣ glhan@osean.net
제517회 오션 세미나에서는 해양 쓰레기 탐지를 위한 딥러닝 활용을 주제로 공부하였다. 이 세미나에서는 최신 딥러닝 기술을 활용한 해양 쓰레기 탐지 방법, 다양한 데이터 처리 및 증강 기법, 그리고 연구 결과에 대한 논의가 이루어졌다.
원문 : W. Ross Winans, QiChen, YiQiang, Erik C.Franklin, 2023. Large-area automatic detection of shoreline stranded marine debris using deep learning, International Journal of Applied Earth Observation and Geoinformation, 124:103515
해양쓰레기에 대한 환경적 우려는 1960년대 학술 문헌에 등장했으며, 현재 해양쓰레기의 60~90%를 차지하는 플라스틱의 확산으로 인해 세계적인위기로 확대되었다. 2014년에는 약 5조 개의 플라스틱조각이 바다 표면에 떠다니는것으로 보고되었다. 이 문제를 관리하기 위한 수많은 노력에도 불구하고 복잡하고 외진 해안선을 따라 쌓인 잔해에 대한 정보가 부족하기 때문에 작업은 여전히 어려운 과제로 남아있다. 항공기 및 UAS(Uncrewed Aerial Systems)와 같은 원격 감지 기술은 넓은 지역에 대한 고해상도 이미지를 구현하여 잔해 조사의 효율성을 크게 향상시켰다. 주로 플라스틱으로 구성된 해양쓰레기는 인간의 건강, 야생 동물 및 해안 경제에 심각한 위험을 초래한다. 최근 연구에서는 하와이 해안선을 따라 해양 쓰레기를 감지하고 분류하기 위해 딥러닝 기술을 사용함으로써 환경 모니터링이 발전할 수 있는 상당한 잠재력이 있음을 입증했다. 이 연구에서 연구원들은 객체 탐지 성능을 비교하기 위해 세 가지 AI모델(FR-IR, SS-MN, ED-D1)을 테스트하였다.
학습 방법은 총 세단계로 이루어졌다.
1. 데이터 수집: 2015년 8월 7일부터 10월 7일까지 14일 동안 하와이 해안선 1,900km에서 지상 610m 높이에서 고해상도 항공 이미지를 수집함.
2. 처리: 수집된 이미지를 처리하고 주석을 달아 8개 클래스로 분류된 10,703개의 라벨이 붙은 잔해 개체를 포함하는 1,587개의 이미지 칩 데이터셋을 LabelImg 소프트웨어로 제작함. 이 중 1,167개(73.5%)는 훈련용 데이터셋으로, 420개(26.5%)는 검증용 데이터셋으로 사용함. 이미지 칩의 크기는 640*640임.
3. 훈련: COCO(Common Objects in Context) 데이터셋에서 사전훈련된 모델을 사용하여 전이 학습을 진행하고, 밝기, 대비, 색조 및 채도와 같은 이미지 속성을 변경하는 데이터 증강 기법을 사용하여 1,167개의 훈련 이미지를 9,336개로 증강함.
▲ SS-MN 모델의 객체 탐지 결과(State of Hawaii and Government of Japan 제공)
훈련 결과, SS-MN 모델은 40.1%의 재현율(AR)로 많은 잔해 물체를 놓쳤음에도 불구하고 71.8%로 가장 높은 정밀도(AP)를 달성했다. FR-IR 모델은 거짓음성(false negatives)이 가장 낮았고, SS-MN 모델은 50.7%의 F1 점수로 정밀도와 재현율의 균형을 가장 효과적으로 유지했다.
▲ 하와이 해안의 해양쓰레기 객체 탐지 및 분류 결과
다양한 잔해 유형과 복잡한 해안 배경으로 인해 객체 탐지에 어려움이 있었다. 특히 미확인 물체와 같은 광범위한 범주가 많은 오탐을 발생시켰다. 머신러닝 학습 모델이 자동 탐지의 가능성을 보였지만, 여전히 복잡한 환경에서는 인간의 정확도를 따라가기에는 부족했다. 향후 연구에서는 훈련 데이터셋 확장, 분류 체계 개선, 가시광선 외 추가 원격 감지 기술 탐색에 초점을 맞춰 객체 탐지 기능을 향상시켜야 한다고 전했다.
517회 오션세미나
딥러닝을 이용한 해안 표착 쓰레기의 광범위 자동 탐지
김령규 ㅣ (사)동아시아바다공동체 오션 연구원 ㅣ rgkim@osean.net
한국인 ㅣ (사)동아시아바다공동체 오션 연구원 ㅣ glhan@osean.net
제517회 오션 세미나에서는 해양 쓰레기 탐지를 위한 딥러닝 활용을 주제로 공부하였다. 이 세미나에서는 최신 딥러닝 기술을 활용한 해양 쓰레기 탐지 방법, 다양한 데이터 처리 및 증강 기법, 그리고 연구 결과에 대한 논의가 이루어졌다.
원문 : W. Ross Winans, QiChen, YiQiang, Erik C.Franklin, 2023. Large-area automatic detection of shoreline stranded marine debris using deep learning, International Journal of Applied Earth Observation and Geoinformation, 124:103515
해양쓰레기에 대한 환경적 우려는 1960년대 학술 문헌에 등장했으며, 현재 해양쓰레기의 60~90%를 차지하는 플라스틱의 확산으로 인해 세계적인위기로 확대되었다. 2014년에는 약 5조 개의 플라스틱조각이 바다 표면에 떠다니는것으로 보고되었다. 이 문제를 관리하기 위한 수많은 노력에도 불구하고 복잡하고 외진 해안선을 따라 쌓인 잔해에 대한 정보가 부족하기 때문에 작업은 여전히 어려운 과제로 남아있다. 항공기 및 UAS(Uncrewed Aerial Systems)와 같은 원격 감지 기술은 넓은 지역에 대한 고해상도 이미지를 구현하여 잔해 조사의 효율성을 크게 향상시켰다. 주로 플라스틱으로 구성된 해양쓰레기는 인간의 건강, 야생 동물 및 해안 경제에 심각한 위험을 초래한다. 최근 연구에서는 하와이 해안선을 따라 해양 쓰레기를 감지하고 분류하기 위해 딥러닝 기술을 사용함으로써 환경 모니터링이 발전할 수 있는 상당한 잠재력이 있음을 입증했다. 이 연구에서 연구원들은 객체 탐지 성능을 비교하기 위해 세 가지 AI모델(FR-IR, SS-MN, ED-D1)을 테스트하였다.
학습 방법은 총 세단계로 이루어졌다.
1. 데이터 수집: 2015년 8월 7일부터 10월 7일까지 14일 동안 하와이 해안선 1,900km에서 지상 610m 높이에서 고해상도 항공 이미지를 수집함.
2. 처리: 수집된 이미지를 처리하고 주석을 달아 8개 클래스로 분류된 10,703개의 라벨이 붙은 잔해 개체를 포함하는 1,587개의 이미지 칩 데이터셋을 LabelImg 소프트웨어로 제작함. 이 중 1,167개(73.5%)는 훈련용 데이터셋으로, 420개(26.5%)는 검증용 데이터셋으로 사용함. 이미지 칩의 크기는 640*640임.
3. 훈련: COCO(Common Objects in Context) 데이터셋에서 사전훈련된 모델을 사용하여 전이 학습을 진행하고, 밝기, 대비, 색조 및 채도와 같은 이미지 속성을 변경하는 데이터 증강 기법을 사용하여 1,167개의 훈련 이미지를 9,336개로 증강함.
▲ SS-MN 모델의 객체 탐지 결과(State of Hawaii and Government of Japan 제공)
훈련 결과, SS-MN 모델은 40.1%의 재현율(AR)로 많은 잔해 물체를 놓쳤음에도 불구하고 71.8%로 가장 높은 정밀도(AP)를 달성했다. FR-IR 모델은 거짓음성(false negatives)이 가장 낮았고, SS-MN 모델은 50.7%의 F1 점수로 정밀도와 재현율의 균형을 가장 효과적으로 유지했다.
▲ 하와이 해안의 해양쓰레기 객체 탐지 및 분류 결과
다양한 잔해 유형과 복잡한 해안 배경으로 인해 객체 탐지에 어려움이 있었다. 특히 미확인 물체와 같은 광범위한 범주가 많은 오탐을 발생시켰다. 머신러닝 학습 모델이 자동 탐지의 가능성을 보였지만, 여전히 복잡한 환경에서는 인간의 정확도를 따라가기에는 부족했다. 향후 연구에서는 훈련 데이터셋 확장, 분류 체계 개선, 가시광선 외 추가 원격 감지 기술 탐색에 초점을 맞춰 객체 탐지 기능을 향상시켜야 한다고 전했다.