프로젝트명 :
딥러닝 기반 알고리즘을 활용한 산불 객체 탐지
카테고리 :
AI > Object Detection
기간 :
2022.08 – 2022.10
개요 :
우리는 산불로 인한 피해로 직, 간접적인 피해를 받고 있는데 피해를 줄이기 위해서는 초기에 산불을 검출하는 것이 중요합니다.
기존 산불 검출 방법으로는 촬영 이미지를 영상처리 기술을 통해 감지하거나 센서를 일정 구간별로 설치하여 모니터링하는 방법을 사용했습니다. 본 논문은 유지 비용이 많이 들어가는 기존 방법을 개선하기 위해 객체 탐지 인공지능 기술, YOLO를 사용하여 객체 검출을 하고 인공지능 모델을 통해 나온 검출 결과를 제공하는 시스템 구현을 진행했습니다. 연구 결과 주요 성능 지표인 mAP가 Proposed LFire 0.959, YOLOv5 0.931, YOLOv4 0.943, R-CNN 0.879가 나왔습니다. 본 논문에서 제안하는 모델인 Proposed LFire가 가장 높은 것을 통해 산불 검출 데이터에 적합한 객체 검출모델로 볼 수 있습니다. 향후 보편적으로 사용할 수 있는 RGB 채널 산림 이미지 특징에 맞는 이미지 전처리 및 모델 학습을 통해 검출 성능을 높이는 방향으로 연구할 계획입니다.
개발범위 :
산림에서 촬영된 영상에서 산불으로 예상되는 연기 데이터에 대해 객체 라벨링을 진행하였습니다.
해당 데이터셋을 YOLOv5 알고리즘을 기반으로하는 모델을 개선하여 학습하였습니다.
적용 기술:
개발 툴 : Jupyter
언어 : Python
OS : Ubuntu
라이브러리 : OpenCV, Numpy, Pytorch, Tensorflow, YOLOv5
실험환경
성능평가
모델학습 검출 영역
모델 시스템 구조
딥러닝 모델에서는 데이터에 따른 모델 파라미터 값을 가집니다. 표준화된 모델이라고 할 수 없이 현 시점에서는 각 데이터에 최적화된 모델을 학습 시키는 것이 중요한 포인트라는 것을 알게 되었습니다. 학습 이전, 얼마나 사용하려고 하는 목표에 적합한 데이터인지도 성능을 향상 시키는데 중요한 역할을 합니다.
모델 정확도가 높아도 재현율이 낮으면 객체 검출의 일부만 검출할 가능성이 있고 재현율이 높아도 정밀도가 낮으면 옳지 않은 객체를 옳다고 검출할 수 있는 오류를 발생시킬 수 있습니다.
AP는 알고리즘의 성능을 하나의 값으로 표 하는데 x값을 Recall, y 값을 Precision으로 그래프로 나타낸 Precision-Recall 곡선의 아래 면적을 의미합니다. 각각의 class에 대한 AP의 평균을 구한 mAP를 구하여 지표로 사용하게 됩니다. 산불이 발생하지 않았는데 발생하였다고 하여 소방 인력이 출동하는 비용이 발생하는 것도 손실이지만 산불이 발생하였는데 산불이 발생하지 않았다고 검출하면 더욱 큰 손해를 발생 시킬 수 있습니다. 그러므로 본 연구에서는 mAP를 주요 성능지표로 선정해 사용하였습니다.
이평화,and 송주환. “딥러닝 기반 알고리즘을 활용한 산불 객체 탐지.” 한국디지털콘텐츠학회논문지 23.9 (2022): 1869-1877.