선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서 특징을 추출할 때, 지뢰의 크기에 맞는 윈도우를 사용하는 것이 필요하다. 본 논문에서는 인접 지점 간 지뢰 신호의 상관도를 통해 지뢰의 종류를 한 후, 이에 따른 윈도우의 크기를 선택하는 기법을 제안한다. 제안된 기법을 통해 지뢰의 종류에 관계없이 일관성 있는 특징 추출이 가능하며, 이는 지뢰 탐지 시스템의 성능을 향상시킨다.
- 본 논문에서는 지뢰 탐지 시스템 성능 향상을 위한 적응적 윈도우 선택 기법을 제안하였다. 이를 위해, 먼저 지뢰의 종류를 추정하는 기법을 제안하였고, 종류에 따른 최적의 윈도우 크기를 실험적으로 결정하였다.
제안 방법
- 탐지 좌표의 상관도가 일정 값 이상이면 대전차 지뢰 후보 영역, 일정 값 이하이면 대인 지뢰 후보 영역으로 분류한다. 그 후, 추정된 지뢰 종류에 따라 다른 크기의 윈도우를 사용하여 특징을 추출하였다.
- 그림 5는 제안하는 시스템의 흐름도이다. 기존 시스템이 전처리 단계를 거쳐 고정 크기의 윈도우로 특징을 추출하는 반면, 제안하는 시스템은 윈도우의 크기를 신호에 따라 적응적으로 선택한다. 이를 위해 2단계의 처리 과정이 추가된다.
- 하지만 지뢰 탐지 레이더로 획득된 데이터는 대다수가 공개되어 있지 않다. 따라서 분류기 학습을 위한 충분한 데이터를 얻기 위해, 지뢰 탐지 레이더 시뮬레이션 프로그램을 사용하여 데이터를 생성하였다. 이를 활용하여 지뢰 탐지 레이더로 획득되는 데이터를 가상으로 모델링할 수 있다.
- 그 결과, 탐지 영역에서 일관성 있는 지뢰의 특징을 추출할 수 있었으며, 고정 크기의 윈도우를 이용하는 기존의 시스템에 비해 좋은 성능을 나타냄을 확인하였다. 또한 실험을 위해, 실제 사용되는 지뢰 및 토양의 환경을 고려하여 데이터를 생성하였다. 향후 과제로 정확한 지뢰 후보 영역을 탐지하는 것이 필요하며, 탐지된 후보 영역에 대해 전체적 포물선 형태를 탐지하여 관심 윈도우 크기 설정을 좀 더 적응적으로 하는 것이 필요하다.
- 먼저, 대전차 지뢰와 대인 지뢰 영역에서 추출된 데이터들이 제안된 기법에 의해 어떤 지뢰로 분류되는지 실험하였다. 실험 결과, 그림 10과 같이 대인 지뢰 데이터는 모두 대인지뢰로 분류되었고, 대전차 지뢰 데이터는 약 80%가 대전차지뢰로 분류되었다.
- 시뮬레이션을 위해서는 토양, 실험에 사용될 지뢰, 안테나의 사양 등을 필요로 한다. 먼저, 데이터 생성을 위해 사용한 지뢰는 현재 쓰이고 있거나, 과거 전시에 사용되어 묻혀 있을 것이라 추정되는 지뢰를 사용하였다[9]. 사용된 지뢰는 표 1과 같다.
- 이를 위해 2단계의 처리 과정이 추가된다. 먼저, 전처리를 마친 B-scan 영상에서 탐지 좌표와 탐지 좌표 주위의 신호를 고려하여 지뢰 종류를 추정한다. 그 후, 추정된 지뢰의 종류에 따라 윈도우 크기를 결정하고, 특징 추출 단계에 적용한다.
- 이러한 지점들을 중심으로 영역의 특징 추출을 위해, B-scan상에서 윈도우를 설정한다. 설정된 영역을 정사각형 cell로 나눈 뒤, 각 cell안에서 HOG 기술자를 추출한다. 추출된 기술자는 정규화된 후, 특징 벡터로 사용된다.
- 제안된 기법의 우수성을 보이기 위해, 고정 윈도우를 이용한 시스템의 성능 또한 평가하였다. 이를 위해, 대전차와 대인지뢰에 대하여 3,4,5,6픽셀의 cell 너비로 적절한 윈도우의 크기를 찾았다.
- 본 논문에서는 지뢰 탐지 시스템 성능 향상을 위한 적응적 윈도우 선택 기법을 제안하였다. 이를 위해, 먼저 지뢰의 종류를 추정하는 기법을 제안하였고, 종류에 따른 최적의 윈도우 크기를 실험적으로 결정하였다. 그 결과, 탐지 영역에서 일관성 있는 지뢰의 특징을 추출할 수 있었으며, 고정 크기의 윈도우를 이용하는 기존의 시스템에 비해 좋은 성능을 나타냄을 확인하였다.
- 05(m)의 영역마다 임의의 비유전율을 설정하여 토양을 모델링 하였다. 이와 같이 모델링 하여 얻어진 결과는 이상적인 영상이므로, 실제와 비슷한 환경을 만들기 위하여 다양한 분산을 가진 Gaussian white noise를 더해 데이터를 생성하였다. 이 때, 원 신호와 더해준 노이즈신호의 제곱의 합을 이용하여 구한 SNR의 범위는 약 18에서 32dB 정도이다.
- 추출된 영역에서 특징 벡터를 추출하여 분류기를 학습시켰으며, 분류기 학습을 위해서는 Support Vector Machine(SVM) 알고리즘[8]을 사용하였다. 제안된 시스템은 적응적으로 윈도우 크기를 선택하기 위해 먼저 지뢰 종류를 판단한 후, 지뢰 영역인지 아닌지를 최종적으로 판단한다. 따라서 실험에서는 지뢰 종류 판별 성능과 최종적인 시스템 그림 9.
- 따라서 탐지 좌표와 주변 좌표들의 A-scan 유사도를 통해 지뢰의 종류를 추정할 수 있다. 제안방법은 실시간 탐지를 위한 시스템이므로 시스템 속도를 위하여 많은 데이터를 사용하지 않고 탐지좌표의 좌우 두 지점을 이용하여 지뢰 종류를 추정한다. 그림 8은 윈도우의 가운데 지점(탐지 좌표)과 그 지점 좌우로 2 픽셀씩 떨어진 지점의 3개 A-scan 신호를 나타낸 것이다.
- 사용된 지뢰는 표 1과 같다. 제안한 기법의 우수성을 보이기 위해, 다양한 크기의 지뢰를 사용하였고, 이는 2가지 종류의 대인 지뢰와 4가지 종류의 대전차 지뢰로 구성된다. 또한 시뮬레이션에 사용된 토양을 모델링하기 위해서는 토양의 비유전율을 알아야 한다.
- 지뢰 종류에 따른 최적의 윈도우의 크기를 결정하기 위해, 다양한 윈도우의 크기에 대해 탐지율을 측정하였다. 윈도우의 크기는 12픽셀에서 24픽셀까지 너비를 변화시켰다.
- 이 과정은 세 단계로 구성된다. 첫째, 전처리 단계에서는 탐지 좌표에서의 후보 영역을 검출하기 위하여 A-scan을 에너지 신호로 변환한다. 에너지 신호에 가우시안 필터링 (Gaussian filtering)을 수행하여 신호의 잡음을 제거한다.
- [10～11] 토양의 비유전율을 하나의 값으로 모델링하면 매우 균일한 지뢰 탐지 레이더 신호가 얻어진다. 하지만 실제 토양에서는 비유전율이 불연속 적인 지점이 존재하므로, 실험에서는 0.05(m)x0.05(m)의 영역마다 임의의 비유전율을 설정하여 토양을 모델링 하였다. 이와 같이 모델링 하여 얻어진 결과는 이상적인 영상이므로, 실제와 비슷한 환경을 만들기 위하여 다양한 분산을 가진 Gaussian white noise를 더해 데이터를 생성하였다.
대상 데이터
- 윈도우의 크기는 12픽셀에서 24픽셀까지 너비를 변화시켰다. 본 논문에서 제안된 시스템의 윈도우는 3x4배열의 cell로 구성되어 있다. 예를 들어, 3픽셀의 cell 너비를 가지게 되면 관심 영역 윈도우의 전체 크기는 9x12(픽셀)가 된다.
- 이를 위해 지뢰 영역에서의 신호와 지뢰가 아닌 영역에서의 신호를 필요로 한다. 본 논문에서는 분류기 학습을 위해, 지뢰영역과 아닌 영역에 대해 각각 약 400여개의 데이터를 추출하였다. 추출된 영역에서 특징 벡터를 추출하여 분류기를 학습시켰으며, 분류기 학습을 위해서는 Support Vector Machine(SVM) 알고리즘[8]을 사용하였다.
- 경사각은 0°부터 180°로 나타내며, 180°가 넘어가는 각은 180°를 뺀 각으로 이용한다. 본 논문에서는 총 9개의 bin을 사용하였다. 각도 영상에서 각 bin이 표현하는 각도의 범위에 해당하는 픽셀들의 위치를 찾은 후, 해당 위치에서의 크기 (magnitude)를 해당하는 bin에 가중치(weight)로 더한다.
- 송신 안테나에서 방사된 전자기파는 매질의 비유전율 차이로 인해 반사되거나 산란되며, 이는 수신 안테나에서 획득된다. 지뢰 탐지 시스템은 여러 쌍의 레이더로 구성되어 있으며, 일렬로 배열된 레이더에서 신호를 획득한다.
데이터처리
- 예를 들어, 3픽셀의 cell 너비를 가지게 되면 관심 영역 윈도우의 전체 크기는 9x12(픽셀)가 된다. 제안된 기법의 우수성을 보이기 위해, 고정 윈도우를 이용한 시스템의 성능 또한 평가하였다. 이를 위해, 대전차와 대인지뢰에 대하여 3,4,5,6픽셀의 cell 너비로 적절한 윈도우의 크기를 찾았다.
이론/모형
- 그림을 보면 대전차 지뢰의 A-scan 신호는 서로 진행이 유사한 반면, 대인지뢰의 A-scan 신호에서는 유사성을 찾을 수 없는 것을 알 수 있다. A-scan신호간의 관련 정도를 수치적으로 구하기 위하여 피어슨 상관 계수를 이용하였다. 첫 번째 A-scan 신호를 S1이라 하면 A-scan 신호가 이산신호이기 때문에 식 (7)과 같이 쓸 수 있다.
- 첫째, 전처리 단계에서는 탐지 좌표에서의 후보 영역을 검출하기 위하여 A-scan을 에너지 신호로 변환한다. 에너지 신호에 가우시안 필터링 (Gaussian filtering)을 수행하여 신호의 잡음을 제거한다. 전처리 단계의 최종 결과로 그림 4의 (c)와 같은 신호를 얻는다.
- 지뢰 탐지 시스템에서는 지뢰 신호를 획득하기 위해, 지면 투과 레이더(Ground Penetrating Radar) 또는 전자기 유도(Electromagnetic Induction) 센서를 이용한다. 전자기 유도 센서는 금속 재질의 지뢰만 탐지할 수 있는 반면, 지면 투과 레이더는 매질의 비유전율(Relative Permittivity)을 이용하여 신호를 획득하기 때문에, 다양한 재질의 지뢰 탐지가 가능하다.
- 본 논문에서는 분류기 학습을 위해, 지뢰영역과 아닌 영역에 대해 각각 약 400여개의 데이터를 추출하였다. 추출된 영역에서 특징 벡터를 추출하여 분류기를 학습시켰으며, 분류기 학습을 위해서는 Support Vector Machine(SVM) 알고리즘[8]을 사용하였다. 제안된 시스템은 적응적으로 윈도우 크기를 선택하기 위해 먼저 지뢰 종류를 판단한 후, 지뢰 영역인지 아닌지를 최종적으로 판단한다.
성능/효과
- 이를 위해, 먼저 지뢰의 종류를 추정하는 기법을 제안하였고, 종류에 따른 최적의 윈도우 크기를 실험적으로 결정하였다. 그 결과, 탐지 영역에서 일관성 있는 지뢰의 특징을 추출할 수 있었으며, 고정 크기의 윈도우를 이용하는 기존의 시스템에 비해 좋은 성능을 나타냄을 확인하였다. 또한 실험을 위해, 실제 사용되는 지뢰 및 토양의 환경을 고려하여 데이터를 생성하였다.
- 실험 결과, 그림 10과 같이 대인 지뢰 데이터는 모두 대인지뢰로 분류되었고, 대전차 지뢰 데이터는 약 80%가 대전차지뢰로 분류되었다. 그리고 지뢰가 아닌 배경영역에서 추출된 데이터 중, 약 90%는 대인지뢰, 10%는 대전차 지뢰로 분류되는 것을 볼 수 있었다. 이는 데이터에 추가한 노이즈 신호간의 상관도가 이론적으로 0이기 때문에 나온 결과이다.
- 먼저, 대전차 지뢰와 대인 지뢰 영역에서 추출된 데이터들이 제안된 기법에 의해 어떤 지뢰로 분류되는지 실험하였다. 실험 결과, 그림 10과 같이 대인 지뢰 데이터는 모두 대인지뢰로 분류되었고, 대전차 지뢰 데이터는 약 80%가 대전차지뢰로 분류되었다. 그리고 지뢰가 아닌 배경영역에서 추출된 데이터 중, 약 90%는 대인지뢰, 10%는 대전차 지뢰로 분류되는 것을 볼 수 있었다.
- 이것은 크기 6의 윈도우를 선택하였을 때, 가장 큰 지뢰의 포물선 신호까지 포함할 수 있기 때문이다. 적응적 윈도우를 이용할 때에서는 대전차 지뢰 윈도우 cell의 너비가 5픽셀, 대인 지뢰윈도우 cell의 너비가 3픽셀일 때 88.98%로 고정된 윈도우 시스템의 최고 성능보다 약 2%가량 높은 정확도를 보였다.
- 본 논문에서는 인접 지점 간 지뢰 신호의 상관도를 통해 지뢰의 종류를 한 후, 이에 따른 윈도우의 크기를 선택하는 기법을 제안한다. 제안된 기법을 통해 지뢰의 종류에 관계없이 일관성 있는 특징 추출이 가능하며, 이는 지뢰 탐지 시스템의 성능을 향상시킨다.
- 그 후, 추정된 지뢰의 종류에 따라 윈도우 크기를 결정하고, 특징 추출 단계에 적용한다. 제안된 시스템은 특징 추출을 위한 윈도우 크기를 지뢰의 신호에 따라 가변적으로 사용하기 때문에, 다양한 크기의 지뢰에 대해서도 일관성 있는 특징을 추출할 수 있다.
후속연구
- 또한 실험을 위해, 실제 사용되는 지뢰 및 토양의 환경을 고려하여 데이터를 생성하였다. 향후 과제로 정확한 지뢰 후보 영역을 탐지하는 것이 필요하며, 탐지된 후보 영역에 대해 전체적 포물선 형태를 탐지하여 관심 윈도우 크기 설정을 좀 더 적응적으로 하는 것이 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.