프로젝트명 :
딥러닝 기반 알고리즘을 활용한 산불 객체 탐지
카테고리 :
AI > Object Detection
기간 :
2022.08 – 2022.10
개요 :
최근 기후 변화와 환경적 요인으로 인해 전 세계적으로 산불 발생 빈도가 급격히 증가하고 있으며, 그에 따른 피해 또한 막대해지고 있다. 이러한 피해를 최소화하기 위해서는 산불 발생 초기 단계에서 신속하고 정확하게 산불을 탐지하고 대응하는 것이 매우 중요하다. 본 논문은 인공지능 객체 탐지 기술, 특히 YOLO 기반의 딥러닝 알고리즘을 활용하여 보다 효율적이고 경제적인 산불 탐지 시스템을 개발한 연구를 소개한다.
개발범위 :
산림에서 촬영된 영상에서 산불으로 예상되는 연기 데이터에 대해 객체 라벨링을 진행하였습니다.
해당 데이터셋을 YOLOv5 알고리즘을 기반으로하는 모델을 개선하여 학습하였습니다.
연구 배경 및 목적
기존 산불 탐지 방식은 센서를 활용하거나 단순한 영상처리 기법에 의존하는 경향이 있었다. 그러나 이러한 기존 방식은 높은 유지보수 비용과 넓은 산림 지역을 커버하는 데 한계가 있었다. 이에 본 연구에서는 최신 딥러닝 기술인 YOLO를 활용하여 높은 정확도와 효율성을 갖춘 산불 객체 탐지 시스템을 구축하고자 하였다.
연구의 주요 방법론
본 연구에서는 산림 지역에서 촬영한 영상 데이터를 기반으로 산불로 의심되는 연기 객체를 라벨링하는 과정을 거쳤다. 이후 해당 데이터셋을 이용해 YOLOv5 알고리즘을 개선한 Proposed LFire 모델을 개발하고 훈련하였다. 특히 모델의 성능을 평가하기 위해 주요 성능 지표인 평균 정밀도(mAP)를 활용하였으며, 이를 통해 모델의 정확성과 신뢰성을 검증하였다.
연구 성과 및 성능 평가
성능 평가 결과, 본 논문에서 제안한 Proposed LFire 모델이 평균 정밀도(mAP) 0.959로 기존 모델(YOLOv5 0.931, YOLOv4 0.943, R-CNN 0.879)에 비해 가장 높은 성능을 나타냈다. 이는 제안된 모델이 산불 객체 탐지에 있어서 보다 정확하고 신속한 결과를 제공할 수 있음을 의미한다. 특히 본 연구는 객체 탐지 과정에서 나타날 수 있는 오탐지(false positive) 및 미탐지(false negative)의 균형을 적절히 유지하는 데 성공하여, 실제 현장에서 활용 가능한 높은 실용성을 입증하였다.
적용된 기술 및 연구 환경
본 연구의 주요 기술 환경은 다음과 같다:
- 개발 툴: Jupyter Notebook
- 프로그래밍 언어: Python
- 운영체제(OS): Ubuntu
- 활용한 라이브러리 및 프레임워크: OpenCV, Numpy, Pytorch, Tensorflow, YOLOv5
연구의 의의 및 향후 연구 방향
본 연구는 산불 객체 탐지 분야에 딥러닝 기술을 성공적으로 적용한 사례로서, 산림 보호와 산불 피해 예방 분야에서 상당한 학술적, 실무적 의의를 가진다. 제안된 기술은 향후 다양한 산림 환경 및 기상 조건에서도 적용 가능성을 검증받아야 하며, RGB 채널 산림 이미지에 더욱 최적화된 이미지 전처리 방법과 추가적인 모델 고도화를 통해 탐지 성능을 한층 더 높일 계획이다.
이러한 연구 성과를 통해 산불의 초기 탐지 및 신속 대응이 가능해짐으로써, 환경적 피해뿐 아니라 사회적, 경제적 피해를 최소화할 수 있을 것으로 기대된다.
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.