유해조류의 적응을 방지하기 위한 딥러닝과 강화학습을 활용한 퇴치 시스템의 구현 Implementation of repelling system using deep learning and reinforcement learning to prevent adaptation of harmful birds원문보기
인간이 경작을 시작한 이래로 유해조류는 논, 밭, 과수원과 같은 다양한 농업 환경에 심각한 피해를 입히고 있다. 유해조류는 인간의 생활에 해를 입하는 조류를 가리키는 명칭으로 비둘기, 참새, 까치, 직박구리, 그리고 박새와 같은 조류가 대표적이다. 이러한 유해조류를 퇴치하기 위한 다양한 퇴치 방법과 장치들이 연구되어졌지만 여전히 유해조류로부터 매년 큰 피해를 입고 있다. 이는 유해조류가 퇴치 위협들을 빠르게 학습하고 적응할 수 있는 생물학적인 특정을 가지고 있기 때문이다. 따라서 유해조류로부터 발생하는 피해를 줄이기 위해서는 이러한 유해조류의 적응을 방지할 수 있는 방식의 퇴치 기법 연구가 필요하다. 본 논문에서는 유해조류의 적응을 방지하기 위해 ...
인간이 경작을 시작한 이래로 유해조류는 논, 밭, 과수원과 같은 다양한 농업 환경에 심각한 피해를 입히고 있다. 유해조류는 인간의 생활에 해를 입하는 조류를 가리키는 명칭으로 비둘기, 참새, 까치, 직박구리, 그리고 박새와 같은 조류가 대표적이다. 이러한 유해조류를 퇴치하기 위한 다양한 퇴치 방법과 장치들이 연구되어졌지만 여전히 유해조류로부터 매년 큰 피해를 입고 있다. 이는 유해조류가 퇴치 위협들을 빠르게 학습하고 적응할 수 있는 생물학적인 특정을 가지고 있기 때문이다. 따라서 유해조류로부터 발생하는 피해를 줄이기 위해서는 이러한 유해조류의 적응을 방지할 수 있는 방식의 퇴치 기법 연구가 필요하다. 본 논문에서는 유해조류의 적응을 방지하기 위해 딥러닝과 강화학습을 활용한 퇴치 시스템을 제안한다. 먼저 다양한 환경에서 유해조류를 탐지하기 위해 비전센서를 사용하며, 비전 기반 딥러닝(Deep Learning) 알고리즘인 Faster R-CNN을 활용하여 유해조류를 행동에 따라 분류하는 Wild Bird Behavior Classification(WBBC) 알고리즘을 제안한다. 그리고 이 탐지 기법을 기반으로 유해조류의 반응을 Long-term과 Short-term으로 구분하여 적응을 판단하고, 유해조류의 반응에 따라 가장 적응할 수 없는 형태의 퇴치 소리 위협를 가하는 방식의 기법을 제안한다. 위협 수단에 적응하려는 유해조류의 반응을 학습하기 위해서 강화 학습(Reinforcement Learning)과 몬테카를로(Monte Carlo) 이론을 활용한 Anti-adaptation Wild Birds Repelling(AWBR) 알고리즘을 제안한다. 우리는 제안한 WBBC와 AWBR알고리즘을 실제 유해조류인 직박구리, 까치, 박새를 대상으로 실험을 통해 검증하였다. WBBC 알고리즘은 일반적으로 학습시키는 방법보다 3.6% 개선된 정확도를 보였으며, 다양한 실험 환경에서 평균 95.7%의 탐지 정확도를 달성하였다. 또한 AWBR 알고리즘은 기존에 사용되던 소리 재생 기법들보다 평균 43.5% 더 긴 시간 동안 유해조류를 퇴치하고 적응을 방지하였다. 이 결과를 통해 실제로 딥러닝과 강화학습 기법을 활용하여 유해조류 피해를 경감시킬 수 있음 검증하였다.
인간이 경작을 시작한 이래로 유해조류는 논, 밭, 과수원과 같은 다양한 농업 환경에 심각한 피해를 입히고 있다. 유해조류는 인간의 생활에 해를 입하는 조류를 가리키는 명칭으로 비둘기, 참새, 까치, 직박구리, 그리고 박새와 같은 조류가 대표적이다. 이러한 유해조류를 퇴치하기 위한 다양한 퇴치 방법과 장치들이 연구되어졌지만 여전히 유해조류로부터 매년 큰 피해를 입고 있다. 이는 유해조류가 퇴치 위협들을 빠르게 학습하고 적응할 수 있는 생물학적인 특정을 가지고 있기 때문이다. 따라서 유해조류로부터 발생하는 피해를 줄이기 위해서는 이러한 유해조류의 적응을 방지할 수 있는 방식의 퇴치 기법 연구가 필요하다. 본 논문에서는 유해조류의 적응을 방지하기 위해 딥러닝과 강화학습을 활용한 퇴치 시스템을 제안한다. 먼저 다양한 환경에서 유해조류를 탐지하기 위해 비전센서를 사용하며, 비전 기반 딥러닝(Deep Learning) 알고리즘인 Faster R-CNN을 활용하여 유해조류를 행동에 따라 분류하는 Wild Bird Behavior Classification(WBBC) 알고리즘을 제안한다. 그리고 이 탐지 기법을 기반으로 유해조류의 반응을 Long-term과 Short-term으로 구분하여 적응을 판단하고, 유해조류의 반응에 따라 가장 적응할 수 없는 형태의 퇴치 소리 위협를 가하는 방식의 기법을 제안한다. 위협 수단에 적응하려는 유해조류의 반응을 학습하기 위해서 강화 학습(Reinforcement Learning)과 몬테카를로(Monte Carlo) 이론을 활용한 Anti-adaptation Wild Birds Repelling(AWBR) 알고리즘을 제안한다. 우리는 제안한 WBBC와 AWBR알고리즘을 실제 유해조류인 직박구리, 까치, 박새를 대상으로 실험을 통해 검증하였다. WBBC 알고리즘은 일반적으로 학습시키는 방법보다 3.6% 개선된 정확도를 보였으며, 다양한 실험 환경에서 평균 95.7%의 탐지 정확도를 달성하였다. 또한 AWBR 알고리즘은 기존에 사용되던 소리 재생 기법들보다 평균 43.5% 더 긴 시간 동안 유해조류를 퇴치하고 적응을 방지하였다. 이 결과를 통해 실제로 딥러닝과 강화학습 기법을 활용하여 유해조류 피해를 경감시킬 수 있음 검증하였다.
Since humans began farming, wild birds have been seriously damaging various agricultural environments, such as orchards. Various methods have been studied to repel these wild birds, but wild birds are still causing damage by adapting new methods of repelling because of their biological characteristi...
Since humans began farming, wild birds have been seriously damaging various agricultural environments, such as orchards. Various methods have been studied to repel these wild birds, but wild birds are still causing damage by adapting new methods of repelling because of their biological characteristics. Therefore, research is needed to prevent the adaptation of these wild birds. In order to prevent adaptation of wild birds, In this paper, detection and repelling algorithm are proposed. The detection algorithm is a Wild Bird Behavior Classification(WBBC) that can accurately detect wild birds using the Deep Learning and wild bird behavior classification method even in a complicated agricultural environment such as orchards. The repelling algorithm is Anti-adaptation Wild Birds Repelling(AWBR) that can prevent the adaptation of wild birds through the learning to responding wild bird using the Monte Calro theory of Reinforcement Learning. We have verified the proposed WBBC and AWBR algorithm through experiments. The WBBC algorithm is improved the detection accuracy of 3.6% according to wild bird's behavior classification method using Faster R-CNN than general methods and achieved an average detection accuracy of 95.7% in various our experiment environments. The AWBR algorithm evaluated the adaptation prevention performance using the captured wild birds in around orchard, such as the Brown-eared Bulbul, Great Tit, and Eurasian Magpie. This repelling algorithm has verified that the adaptation prevention effect through learning wild bird by long-term and short-term policy is improved by 43.5% longer than previous threat sound playing methods.
Since humans began farming, wild birds have been seriously damaging various agricultural environments, such as orchards. Various methods have been studied to repel these wild birds, but wild birds are still causing damage by adapting new methods of repelling because of their biological characteristics. Therefore, research is needed to prevent the adaptation of these wild birds. In order to prevent adaptation of wild birds, In this paper, detection and repelling algorithm are proposed. The detection algorithm is a Wild Bird Behavior Classification(WBBC) that can accurately detect wild birds using the Deep Learning and wild bird behavior classification method even in a complicated agricultural environment such as orchards. The repelling algorithm is Anti-adaptation Wild Birds Repelling(AWBR) that can prevent the adaptation of wild birds through the learning to responding wild bird using the Monte Calro theory of Reinforcement Learning. We have verified the proposed WBBC and AWBR algorithm through experiments. The WBBC algorithm is improved the detection accuracy of 3.6% according to wild bird's behavior classification method using Faster R-CNN than general methods and achieved an average detection accuracy of 95.7% in various our experiment environments. The AWBR algorithm evaluated the adaptation prevention performance using the captured wild birds in around orchard, such as the Brown-eared Bulbul, Great Tit, and Eurasian Magpie. This repelling algorithm has verified that the adaptation prevention effect through learning wild bird by long-term and short-term policy is improved by 43.5% longer than previous threat sound playing methods.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.