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
- , 2009). 따라서, 본 연구에서는 이와 같은 어종 의존적인 특징의 유사성을 비교, 분석할 목적으로 연구 대상으로 한 6개 어종의 각각에 대한 학습용 시간-주파수 echo 이미지를 대상으로 각 어종에 대한 평균 이미지 패턴을 추출하였는데, 그 결과는 Fig. 3과 같다.
- 이와 같이 구축된 각 어종에 대한 학습용과 테스트용 이미지에 대한 성분분포의 변동성을 조사해 본 결과, 같은 어종인 경우에는 학습용과 테스트용으로 등록된 두 이미지 패턴의 변동특성이 거의 유사하였고, 서로 다른 어종의 경우에는 그 변동성에 큰 차이를 나타내었다. 본 연구는 이 점에 주목하여 어종 사이의 유사성을 판정하기 위한 평가지표로서 유클리디언과 마하라노비스 거리 식별기를 설계하여 테스트용 이미지에 대한 어종을 분류 및 식별하였다.
- 본 연구에서는 SPWVD에 의한 어류의 시간-주파수 이미지를 실시간으로 식별하기 위해 PCA와 유클리디언, 또는 마하라노비스 거리 식별기를 결합한 어종식별시스템을 구축하였다. 일반적으로 PCA는 SPWVD에 의해 수집되는 어류의 시간-주파수 영상 데이터의 차원을 감소시킬 수 있고, 유클리디언, 또는 마하라노비스 거리는 각 어종별 시간-주파수 이미지의 유사성을 평가할 수 있는 매우 효과적인 방법이다(Prasad et al.
- 본 연구에서는 어종 사이의 유사성 비교를 용이하게 수행하기 위하여 각 어종 조합에 대한 유클리디언 거리를 최대치가 1,000이 되도록 정규화하여 서로 비교, 분석하였다. Table 1에서 테스트용 데이터 베이스로부터 조피볼락에 대한 고유 이미지의 가중치 행렬과 학습용 이미지의 데이터 베이스에 등록되어 있는 조피볼락, 말쥐치, 고등어, 불볼락, 전어, 부세의 각 고유 이미지에 대한 가중치 행렬과의 유클리디언 거리를 계산한 결과, 그 값은 각각 751, 902, 958, 984, 972 및 1,000이었다.
- 이에 반해 마하라노비스 식별기는 가중치 행렬에 대한 데이터의 변동성을 제거하기 위해 학습용 이미지의 주성분 분석을 통해 얻은 고유치를 이용하여 두 가중치 행렬 데이터 사이의 거리를 정규화하여 얻은 거리 정보를 바탕으로 두 이미지 사이의 유사성을 판정한다. 본 연구에서는 이들 두 식별기의 판정기법에 주목하여 6개 어종으로부터 얻어진 시간-주파수 echo 이미지에 대한 데이터 베이스를 구축하였다. 그 후, 1개의 어종이 단독으로 존재하는 경우와 2개의 어종이 혼재하는 경우를 가정하여 각각의 테스트 이미지를 준비하고, 유클리디언과 마하라노비스 거리 식별기에 의한 어종의 식별결과를 비교, 분석하였다.
- 이 때, 같은 어종이라도 개체 상호간에는 자세각의 변동, 비만도 등에 따라서로 다른 유형의 변동특성이 나타나기도 하기 때문에 각 어종을 대표하는 고유의 이미지를 얻기 위해서는 각 이미지 사이에 존재하는 변동성을 제거해야 한다. 본 연구에서는 이와 같이 개체 사이에 나타나는 음향산란의 변동성을 억제하기 위하여 무작위로 추출된 256개의 이미지 전체를 대상으로 평균 이미지 패턴을 추출한 후, 이것을 어종 식별을 위한 학습 이미지의 데이터 베이스에 등록하였다. 이렇게 구축된 각 어종에 대한 학습 이미지 패턴에는 어종의 차이에 기인하는 특징적인 많은 요소들이 내포되어 있는데, 이들 특징인자들의 성분분포는 어종에 따라 서로 다른 양상으로 나타내었다.
- , 2007; Dong and Cui, 2012; Lee, 2015a). 본 연구에서는 이와 같이 구축된 이미지 패턴을 바탕으로 현장에서 새롭게 탐지되는 미지의 어종에 대한 echo 이미지 패턴과 기존에 구축한 데이터 베이스에 존재하는 여러 어종에 대한 echo 이미지 패턴을 서로 비교, 분석하면, 그 유사성이 가장 높은 어종을 찾아낼 수 있다는 점에 주목하였다. 현재, 각종 이미지 패턴을 식별하거나 분류하는 연구분야에서는 주성분 분석(principal component analysis, PCA)을 통해 학습용 및 테스트용 이미지에 대한 고유 이미지(eigen image)를 추출하고, 이들로부터 구한 가중치 행렬 사이의 유사성을 평가하여 목적하는 이미지를 추출해 내는 기법이 널리 활용되고 있다(Rizon et al.
- 즉, 각 어종의 체내조직에 의해 생성되는 다양한 산란성분이 어류의 자세 변화에 따라 매우 복잡한 보강 및 상쇠간섭을 거치면서 불규칙하게 변동한다. 이 때문에 이들 변동성의 영향을 제거한 후, 어종의 차이에 기인하는 어종 의존적인 이미지 패턴만을 어떻게 추출할 것인가가 본 연구에서 지향하는 목표였다. 이 때문에 시간-주파수 이미지를 어파인 변환을 통해 고분해능의 이미지로 압축하여 SNR이 낮은 이미지 영역을 제거하였다.
제안 방법
- In order to improve the identification performance, the image shape was transformed by an affine transformation with a resolution of 48×15 pixel.
- 즉, 각 어종에 대하여 수록된 320개의 시간-주파수 echo 이미지 중에서 80%에 해당하는 256개를 무작위로 추출하여 학습용 이미지로 분류하였고, 나머지 64개 중에서 다시 무작위로 32개씩을 추출하여 이것을 각 어종의 데스트용 이미지로 분류하였다. Table 3은 이렇게 무작위로 추출된 각 어종에 대한 테스트 이미지 32개를 각 어종 그룹별로 서로 뒤섞어 64개의 데스트 이미지를 생성하였고, 이것을 테스트 데이터 베이스에 등록하여 유사성 평가를 수행하였다. Table 3에서 알 수 있는 바와 같이 고등어와 부세로 구성되는 어종 그룹에 대한 시간-주파수 echo 이미지 패턴에 대한 고유 이미지의 가중치 행렬과 조피볼락, 말쥐치, 고등어, 불볼락, 전어, 부세에 대한 학습용 이미지 패턴에 대한 고유 이미지의 가중치 행렬과의 마하라노비스 거리는 각각 1.
- Flow chart of affine transformation and principal component analysis (PCA) algorithm for fish species identification. The test image was projected into the eigen-image space, and the Euclidean or Mahalanobis distances of the projected test image to the training images were calculated to identify the test image.
- 본 연구에서는 이들 두 식별기의 판정기법에 주목하여 6개 어종으로부터 얻어진 시간-주파수 echo 이미지에 대한 데이터 베이스를 구축하였다. 그 후, 1개의 어종이 단독으로 존재하는 경우와 2개의 어종이 혼재하는 경우를 가정하여 각각의 테스트 이미지를 준비하고, 유클리디언과 마하라노비스 거리 식별기에 의한 어종의 식별결과를 비교, 분석하였다.
- 이 때문에 시간-주파수 이미지를 어파인 변환을 통해 고분해능의 이미지로 압축하여 SNR이 낮은 이미지 영역을 제거하였다. 그 후, PCA 처리를 통해 학습용으로 분류된 각 어종의 고유 이미지에 대한 가중치 성분(고유 feature 성분)을 추출하여 데이터 베이스를 구축하였다. 이와 같이 구축된 학습용과 테스트용 데이터 베이스에 등록된 어종에 대한 가중치 벡터 사이의 유클리디언 및 마하라노비스 거리를 이용하여 본 연구에서 대상으로 한 6개의 모든 어종을 성공적으로 식별하였다.
- 이 때, 각 어종으로부터 수록한 광대역 echo 신호에 대한 시간-주파수 이미지는 어파인 변환을 통해 echo 성분이 출현하는 영역에 대한 집중화 작업을 수행하였다. 그 후, 각 어종에 대한 학습용 이미지 데이터 베이스와 테스트용 이미지 데이터 베이스를 각각 구축하였다. 실제에는 학습용과 테스트용으로 등록된 이미지에 대한 가중치 행렬 사이의 거리를 계산한 후, 그 값이 가장 작은 이미지를 유사 이미지로 판정하는 기법을 개발하였다.
- 그 후, 각 이미지와 평균 이미지와의 차 벡터를 산출하여 정규화 이미지(Φ=F－Ψ)를 생성하였다.
- 그 후, 학습 데이터 셋에 포함되어 있는 k 번째 어종의 echo 신호로부터 추출한 시간-주파수 이미지의 가중치 행렬 Ωk와의 거리 εk를 계산하였다.
- 다만, 6개의 각 어종에 대한 개체어로부터 수록되는 75×35 픽셀(pixel)의 RGB 이미지는 어파인 변환을 통해 SNR을 개선시킨 후, 그 분해능을 48×15 픽셀의 그레이 이미지로 변환시켜 어종식별에 이용하였다.
- 이 때문에 각 활어 개체어에 대한 echo 응답신호가 나타나기 시작되는 초반부의 고주파 영역과 그 응답이 종료되는 종반부의 저주파 영역에서는 잔향신호가 출현하였다. 따라서, 본 연구에서는 이들 SNR이 낮은 잔향성의 echo 신호성분을 Fig. 2에서와 같이 어파인 변환을 통해 완전히 제거한 후, 어종식별에 이용하였다. 특히, Fig.
- 이로부터 각 어종에 대한 이미지 패턴의 유사성을 정량적으로 분석하여 어종의 음향학적 식별을 수행하였다. 또한, 2개의 어종이 혼재하는 경우에 대해서도 식별용 테스트 이미지를 생성하여 본 연구에서 제안한 기법을 적용하여 각 어종을 분리, 식별하였다.
- Table 2에 나타낸 유사성 지표(similarity metric)는 조피볼락, 말쥐치, 고등어, 불볼락, 전어, 부세 등으로부터 수록한 시간-주파수 이미지에 대한 echo 패턴의 변동성을 고려하기 위해 유클리디언 거리를 주성분 분석에 의한 고유치(분산)로서 정규화하여 얻어진 결과이다. 먼저, 데스트용 이미지의 데이터베이스로부터 임의로 추출한 어종(조피볼락)에 대한 고유 이미지의 가중치 행렬과 학습용 이미지의 데이터 베이스에 등록되어 있는 조피볼락, 말쥐치, 고등어, 불볼락, 전어, 부세의 각 고유 이미지에 대한 가중치 행렬에 대한 마하라노비스 거리를 계산하였다. 그 결과, 마하라노비스 거리 값은 각각 0.
- 이와 같은 가중치 행렬을 이용하여 어종의 음향학적 식별을 수행하기 위해 본 연구에서는 PCA와 유클리디언, 또한 마하라노비스 거리 식별기를 서로 조합한 어종식별시스템을 구축하였고, 이에 대한 성능평가를 수행하였다. 먼저, 어종의 식별은 테스트용 데이터 베이스에 등록되어 있는 임의의 어종에 대한 가중치 성분행렬을 출력시킨 후, 이것과 학습용 데이터 베이스에 등록되어 있는 6개 어종의 각각에 대한 가중치 성분과의 유사성, 즉, 유클리디언과 마하라노비스 거리를 계산한 후,이들 거리 값이 가장 작게 나타나는 어종을 새로 입력된 이미지의 어종으로 식별하였다. 여기서, PCA는 echo 이미지를 처리할 때, 데이터의 차원을 축소시키는데 적용되었고, 또한, 이 기법을 통해 얻어진 각 어종의 이미지에 대한 가중치 성분과 식별되어야 할 미지의 어종에 대한 이미지의 가중치 성분 사이의 유사성 판정은 각각 유클리디언과 마하라노비스 거리 식별기를 설계하여 수행하였다.
- 본 연구에서 사용한 chirp 어군탐지시스템은 0-0.3 ms의 시간 영역과 85-225 kHz의 주파수 범위에서 선형적인 송수신 응답 특성을 갖도록 설계된 시스템이다. 이 때문에 각 활어 개체어에 대한 echo 응답신호가 나타나기 시작되는 초반부의 고주파 영역과 그 응답이 종료되는 종반부의 저주파 영역에서는 잔향신호가 출현하였다.
- 한편, 각 어종에 대한 나머지의 64개 echo 데이터(20%)도 같은 방법으로 평균 시간-주파수 echo 이미지를 작성하고, 이것을 테스트용 이미지로서 등록하였다. 본 연구에서는 Fig. 1에서와 같이 테스트 이미지가 실제 해상에서 실시간으로 수록되는 미지의 어종에 대한 echo 이미지라고 가정한 후, 이들 이미지를 대상으로 주성분 분석을 수행하여 어종의 자동식별연구를 수행하였다. 이 때, 새로운 어종의 시간-주파수 이미지(테스트 이미지)에 대한 고유 이미지는 학습용으로 등록된 이미지들의 주성분 분석을 통해 얻어진 고유벡터(가중치)을 이용하여 생성하였다.
- 본 연구에서는 Fig. 4에서 얻어진 6개 어종에 대한 평균 시간-주파수 echo 이미지와 테스트 데이터 베이스에 등록되어 있는 식별되어야 할 각 어종에 대한 시간-주파수 echo 이미지와의 차분 이미지를 추출하여 가중치 성분을 구하였다. 이를 위해 먼저 실험에 사용한 조피볼락, 말쥐치, 고등어, 불볼락, 전어, 부세의 6개 어종으로부터 얻어진 Fig.
- 본 연구에서는 먼저 어파인 변형과 주성분 분석을 통해 구축한 6개 어종에 대한 시간-주파수 echo 이미지 패턴의 데이터베이스를 바탕으로 유클리디언 및 마하라노비스 거리 식별기(distance classifier)를 각각 구축하였다. 이로부터 각 어종에 대한 이미지 패턴의 유사성을 정량적으로 분석하여 어종의 음향학적 식별을 수행하였다.
- 본 연구에서는 우선 다수의 상업적인 어종을 대상으로 활어 상태의 각 어류로부터 수집되는 시간-주파수 이미지를 목적하는 시간과 주파수 구간이 포함되도록 i (row)×j (column) 픽셀 사이즈(N =i×j )로 이미지 커팅하여 학습 이미지를 생성하였다.
- 이 때, 물체의 인식, 또는 식별하는 데 있어서는 이미지 사이의 공통적인 특징이 주로 이용되고, 이미지 사이의 세부적인 차이를 나타내는 특징은 물체의 식별에 큰 영향을 미치지 아니한다(Bhat and Wani, 2013). 본 연구에서는 이 점에 주목하여 각 개체어로부터 수록한 시간-주파수 echo 이미지의 주성분 분석을 통해 얻어진 고유치(분산)을 이용하여 각 이미지 사이의 세부적인 변동성을 제거한 후, 각 개체어 상호간의 공통적인 특징만을 포함하는 어종 의존적인 고유 이미지를 추출하고, 이로부터 얻어진 마하라노비스 거리를 이용하여 어종의 식별연구를 수행하였다.
- 그 후, 각 어종에 대한 학습용 이미지 데이터 베이스와 테스트용 이미지 데이터 베이스를 각각 구축하였다. 실제에는 학습용과 테스트용으로 등록된 이미지에 대한 가중치 행렬 사이의 거리를 계산한 후, 그 값이 가장 작은 이미지를 유사 이미지로 판정하는 기법을 개발하였다. 일반적인 이미지 식별에 이용되는 유클리디언 식별기는 가중치 행렬에 대한 데이터의 분포특성을 고려하지 않은 상태에서 두 가중치 행렬 데이터 사이의 거리 합을 산출하여 두 이미지 사이의 유사성을 판정한다.
- 어종을 식별하기 위해 chirp 어군탐지시스템으로부터 실시간으로 수집되는 어류 echo 신호로부터 학습에 사용할 시간-주파수 이미지와 같은 사이즈의 이미지(F )를 먼저 추출하였다. 그 후, 각 이미지와 평균 이미지와의 차 벡터를 산출하여 정규화 이미지(Φ=F－Ψ)를 생성하였다.
- 이 때, 새로운 어종의 시간-주파수 이미지(테스트 이미지)에 대한 고유 이미지는 학습용으로 등록된 이미지들의 주성분 분석을 통해 얻어진 고유벡터(가중치)을 이용하여 생성하였다. 어종의 식별은 이렇게 생성된 미지의 어종에 대한 고유 이미지와 학습용 데이터 베이스에 등록된 6개 어종에 대한 고유 이미지 사이의 유클리디언, 또는 마하라 노비스 거리를 산출하여 수행하였다. Fig.
- 먼저, 어종의 식별은 테스트용 데이터 베이스에 등록되어 있는 임의의 어종에 대한 가중치 성분행렬을 출력시킨 후, 이것과 학습용 데이터 베이스에 등록되어 있는 6개 어종의 각각에 대한 가중치 성분과의 유사성, 즉, 유클리디언과 마하라노비스 거리를 계산한 후,이들 거리 값이 가장 작게 나타나는 어종을 새로 입력된 이미지의 어종으로 식별하였다. 여기서, PCA는 echo 이미지를 처리할 때, 데이터의 차원을 축소시키는데 적용되었고, 또한, 이 기법을 통해 얻어진 각 어종의 이미지에 대한 가중치 성분과 식별되어야 할 미지의 어종에 대한 이미지의 가중치 성분 사이의 유사성 판정은 각각 유클리디언과 마하라노비스 거리 식별기를 설계하여 수행하였다.
- 다만, 6개의 각 어종에 대한 개체어로부터 수록되는 75×35 픽셀(pixel)의 RGB 이미지는 어파인 변환을 통해 SNR을 개선시킨 후, 그 분해능을 48×15 픽셀의 그레이 이미지로 변환시켜 어종식별에 이용하였다. 이 때, 각 어종으로부터 수록한 광대역 echo 신호에 대한 시간-주파수 이미지는 어파인 변환을 통해 echo 성분이 출현하는 영역에 대한 집중화 작업을 수행하였다. 그 후, 각 어종에 대한 학습용 이미지 데이터 베이스와 테스트용 이미지 데이터 베이스를 각각 구축하였다.
- 본 연구에서는 먼저 어파인 변형과 주성분 분석을 통해 구축한 6개 어종에 대한 시간-주파수 echo 이미지 패턴의 데이터베이스를 바탕으로 유클리디언 및 마하라노비스 거리 식별기(distance classifier)를 각각 구축하였다. 이로부터 각 어종에 대한 이미지 패턴의 유사성을 정량적으로 분석하여 어종의 음향학적 식별을 수행하였다. 또한, 2개의 어종이 혼재하는 경우에 대해서도 식별용 테스트 이미지를 생성하여 본 연구에서 제안한 기법을 적용하여 각 어종을 분리, 식별하였다.
- 이를 위해 먼저 실험에 사용한 조피볼락, 말쥐치, 고등어, 불볼락, 전어, 부세의 6개 어종으로부터 얻어진 Fig. 2의 720차원(48×15 픽셀)에 대한 시간-주파수 이미지 데이터에 대한 주성분 분석을 수행하였다.
- 따라서,어종의 식별 정도를 향상시키기 위해서는 어류 echo 신호에 대한 시간-주파수 이미지 영역 중에서 잡음의 영향이 가장 작은 영역 만을 추출한 후, 이들 이미지를 대상으로 주성분 분석을 수행하여 고유벡터 성분을 추출하는 것이 매우 중요하다. 이를 위해 본 연구에서는 각 어류에 대한 시간-주파수 echo 이미지를 (1)식의 어파인 변환기법(affine transformation technique)을 통해 전단변형(shearing transform)시킨 후(Fuh and Maragos, 1991; Semmlow, 2004; Priscilla and Poorna, 2013), echo 이미지 영역만을 크로핑(cropping)하여 잡음영역을 제거하였다.
- 특히, 식별 대상 어종이 6개로서 그 차원이 낮은 관계로 6개 모두의 고유 이미지를 사용하여 식별 대상어종의 가중치 행렬을 추출하였다. 이와 같은 가중치 행렬을 이용하여 어종의 음향학적 식별을 수행하기 위해 본 연구에서는 PCA와 유클리디언, 또한 마하라노비스 거리 식별기를 서로 조합한 어종식별시스템을 구축하였고, 이에 대한 성능평가를 수행하였다. 먼저, 어종의 식별은 테스트용 데이터 베이스에 등록되어 있는 임의의 어종에 대한 가중치 성분행렬을 출력시킨 후, 이것과 학습용 데이터 베이스에 등록되어 있는 6개 어종의 각각에 대한 가중치 성분과의 유사성, 즉, 유클리디언과 마하라노비스 거리를 계산한 후,이들 거리 값이 가장 작게 나타나는 어종을 새로 입력된 이미지의 어종으로 식별하였다.
- 조피볼락, 말쥐치, 고등어, 불볼락, 전어, 부세의 6개 어종으로부터 수록한 시간-주파수 echo 이미지 패턴을 대상으로 주성분 분석을 수행하고, 이로부터 작성된 각 어종에 대한 학습용 및 테스트용 데이터 베이스를 바탕으로 어종 사이의 유사성 지표, 즉, 유클리디언 거리를 구한 결과는 Table 1과 같다. Table 1의 유사성 지표는 테스트용으로 작성된 데이터 베이스로부터 임의의 어종에 대한 고유 이미지의 가중치 행렬을 출력시킨 후, 이것을 학습용 데이터 베이스에 등록되어 있는 각 어종에 대한 고유 이미지의 가중치 행렬과의 비교를 통해 두 이미지 사이의 유클리디언 거리를 계산한 결과이다.
- 이들 각 어종 그룹을 구성하는 2개의 어종에 대한 시간-주파수 echo 이미지의 혼합비율은 각각 50%이었다. 즉, 각 어종에 대하여 수록된 320개의 시간-주파수 echo 이미지 중에서 80%에 해당하는 256개를 무작위로 추출하여 학습용 이미지로 분류하였고, 나머지 64개 중에서 다시 무작위로 32개씩을 추출하여 이것을 각 어종의 데스트용 이미지로 분류하였다. Table 3은 이렇게 무작위로 추출된 각 어종에 대한 테스트 이미지 32개를 각 어종 그룹별로 서로 뒤섞어 64개의 데스트 이미지를 생성하였고, 이것을 테스트 데이터 베이스에 등록하여 유사성 평가를 수행하였다.
- 즉, 미지의 어류에 대한 어종을 식별하기 위하여 먼저 실시간으로 수신되는 echo 신호의 시간-주파수 이미지의 가중치 행렬(weight matrix) Ω를 계산하였다.
- 5의 고유 이미지에 각각 곱한 후, 이들 이미지를 선형으로 결합시켜 원래의 이미지를 다시 재구축하였다. 특히, 본 연구에서는 학습용 데이터 베이스에 등록되어 있는 모든 어종의 시간-주파수 echo 이미지들로부터 가중치 성분을 각 어종별로 추출하였다. 이 때, 각 어종에 대한 학습용 가중치 행렬은 각 어종에 대한 320개의 시간-주파수 echo 이미지 중에서 무작위로 추출된 256개(80%)에 대한 평균 이미지로부터 얻어진 고유 이미지로부터 추출하였다.
- 특히, 식별 대상 어종이 6개로서 그 차원이 낮은 관계로 6개 모두의 고유 이미지를 사용하여 식별 대상어종의 가중치 행렬을 추출하였다. 이와 같은 가중치 행렬을 이용하여 어종의 음향학적 식별을 수행하기 위해 본 연구에서는 PCA와 유클리디언, 또한 마하라노비스 거리 식별기를 서로 조합한 어종식별시스템을 구축하였고, 이에 대한 성능평가를 수행하였다.
- 한편, 같은 방법으로 학습용 데이터 베이스에 등록되어 있는 말쥐치, 고등어, 불볼락, 전어, 부세를 대상으로 테스트 데이터베이스에 저장해 놓은 임의의 어종의 고유 이미지에 대한 가중치 행렬을 출력시켜 같은 어종 상호간의 마하라노비스 거리를 계산하였다. 그 결과, 말쥐치, 고등어, 불볼락, 전어, 부세에 대한 마하라노비스 거리 값은 각각 0.
- 한편, 같은 방법으로 학습용 데이터 베이스에 등록되어 있는 조피볼락과 불볼락, 말쥐치와 전어의 어종그룹을 대상으로 각 어종그룹의 고유 이미지에 대한 가중치 행렬을 출력시켜 조피볼락, 말쥐치, 고등어, 불볼락, 전어, 부세에 대한 가중치 행렬과의 마하라노비스 거리를 계산하였다. 그 결과, 조피볼락과 불볼락의 어종 그룹에 대한 평가지표 값은 각각 0.
대상 데이터
- In order to improve the identification performance, the image shape was transformed by an affine transformation with a resolution of 48×15 pixel. The images were divided into two groups, a training set consisting of 256 images and 64 test images. All images were selected randomly from the full data set.
- Normalized test images to be identified. The test images were generated by averaging 64 test images selected randomly from the full data set for each of six fish species. (a) black rockfish Sebastes schlegeli, (b) black scraper Thamnaconus modesutus [K], (c) chub mackerel Scomber japonicus, (d) goldeye rockfish Sebastes thompsoni, (e) konoshiro gizzard shad Konosirus punctatus, (f) large yellow croaker Larimichthys crocea.
- 이 때, 각 어종의 개체어로부터 랜덤하게 256개의 echo 데이터(80%)를 추출하여 SPWVD(smoothed pseudo-Wigner-Ville distribution) 기법에 의한 시간-주파수 이미지를 계산하였다. 그 후, 이렇게 얻어진 각 어종에 대한 256개의 시간-주파수 이미지로부터 평균 시간-주파수 echo 이미지를 추출하고, 이것을 각 어종에 대한 학습용 이미지로서 데이터 베이스에 등록하였다(Shui et al., 2007; Dong and Cui, 2012; Lee, 2015a). 한편, 각 어종에 대한 나머지의 64개 echo 데이터(20%)도 같은 방법으로 평균 시간-주파수 echo 이미지를 작성하고, 이것을 테스트용 이미지로서 등록하였다.
- 이렇게 구축된 각 어종에 대한 학습 이미지 패턴에는 어종의 차이에 기인하는 특징적인 많은 요소들이 내포되어 있는데, 이들 특징인자들의 성분분포는 어종에 따라 서로 다른 양상으로 나타내었다. 또한, 같은 방법으로 각 어종에 대한 64개의 테스트용 이미지에 대해서도 평균적인 이미지를 구하고, 이것을 평가용 이미지로서 데이터 베이스에 등록하였다. 이와 같이 구축된 각 어종에 대한 학습용과 테스트용 이미지에 대한 성분분포의 변동성을 조사해 본 결과, 같은 어종인 경우에는 학습용과 테스트용으로 등록된 두 이미지 패턴의 변동특성이 거의 유사하였고, 서로 다른 어종의 경우에는 그 변동성에 큰 차이를 나타내었다.
- 본 연구에서 실험 대상으로 한 6개 어종 중에서 부세의 활어 개체어로부터 수록된 시간-주파수 echo 이미지의 일례는 Fig.2와 같다. Fig.
- 본 연구에서는 고유치가 큰 M' 개(M' < M)의 성분에 대해서만 고유벡터로 사용하였다 (Latha et al., 2009).
- 본 연구에서는 실험수조에서 조피볼락, 말쥐치, 고등어, 불볼락, 전어, 부세의 6개 어종, 총 96 개체어를 대상으로 어체 등방향(dorsal aspect)의 ±25° 자세각 범위내에서 약 2.5° 간격으로 각 어종당 320개(16마리×20개)의 chirp echo 신호를 수록하였다(Lee et al., 2016; Lee, 2016).
- 특히, 본 연구에서는 학습용 데이터 베이스에 등록되어 있는 모든 어종의 시간-주파수 echo 이미지들로부터 가중치 성분을 각 어종별로 추출하였다. 이 때, 각 어종에 대한 학습용 가중치 행렬은 각 어종에 대한 320개의 시간-주파수 echo 이미지 중에서 무작위로 추출된 256개(80%)에 대한 평균 이미지로부터 얻어진 고유 이미지로부터 추출하였다. 또한, 테스트용 가중치 행렬은 나머지 64개(20%)의 평균 이미지로부터 추출하였는데,조피볼락, 말쥐치, 고등어, 불볼락, 전어, 부세의 6개 어종에 대한 테스트용 평균 이미지 패턴은 Fig.
- , 2016; Lee, 2016). 이들 echo 데이터 중에서 80%는 학습(train) 데이터로서, 또한, 나머지 20%는 테스트(test) 데이터로서 이용하였다. 이 때, 각 어종의 개체어로부터 랜덤하게 256개의 echo 데이터(80%)를 추출하여 SPWVD(smoothed pseudo-Wigner-Ville distribution) 기법에 의한 시간-주파수 이미지를 계산하였다.
- 그 후, PCA 처리를 통해 학습용으로 분류된 각 어종의 고유 이미지에 대한 가중치 성분(고유 feature 성분)을 추출하여 데이터 베이스를 구축하였다. 이와 같이 구축된 학습용과 테스트용 데이터 베이스에 등록된 어종에 대한 가중치 벡터 사이의 유클리디언 및 마하라노비스 거리를 이용하여 본 연구에서 대상으로 한 6개의 모든 어종을 성공적으로 식별하였다. 다만, 본 연구의 성과는 잘 제어된 실험 환경하에서 마취된 활어 개체어부터 수록된 광대역 echo 응답신호를 대상으로 하고 있기 때문에 실제의 해상에서 수록되는 미지의 어종으로부터의 echo 응답신호 속에 포함되는 어종 의존적인 변동특성을 충분히 반영하고 있지 못한 문제가 있다(Lee et al.
이론/모형
- 본 연구에서 어종의 유사성 판정에 이용한 유클리디언 거리 εEk와 마하라노비스 거리 εMk는 각각 (15)식과 (16)식에 의해 계산하였다(Arathi and Govardhan, 2014).
- 이들 echo 데이터 중에서 80%는 학습(train) 데이터로서, 또한, 나머지 20%는 테스트(test) 데이터로서 이용하였다. 이 때, 각 어종의 개체어로부터 랜덤하게 256개의 echo 데이터(80%)를 추출하여 SPWVD(smoothed pseudo-Wigner-Ville distribution) 기법에 의한 시간-주파수 이미지를 계산하였다. 그 후, 이렇게 얻어진 각 어종에 대한 256개의 시간-주파수 이미지로부터 평균 시간-주파수 echo 이미지를 추출하고, 이것을 각 어종에 대한 학습용 이미지로서 데이터 베이스에 등록하였다(Shui et al.
성능/효과
- Table 3은 이렇게 무작위로 추출된 각 어종에 대한 테스트 이미지 32개를 각 어종 그룹별로 서로 뒤섞어 64개의 데스트 이미지를 생성하였고, 이것을 테스트 데이터 베이스에 등록하여 유사성 평가를 수행하였다. Table 3에서 알 수 있는 바와 같이 고등어와 부세로 구성되는 어종 그룹에 대한 시간-주파수 echo 이미지 패턴에 대한 고유 이미지의 가중치 행렬과 조피볼락, 말쥐치, 고등어, 불볼락, 전어, 부세에 대한 학습용 이미지 패턴에 대한 고유 이미지의 가중치 행렬과의 마하라노비스 거리는 각각 1.253, 1.252, 0.728, 1.427, 1.339, 0.955로서, 고등어와 부세에 대한 평가지표 값이 다른 어종에 비해 작게 나타났고, 특히, 고등어의 경우가 가장 작았다. 이 결과로부터 비록 고등어와 부세가 혼재하고 있는 경우에도 이들 어종에 대한 학습용 이미지 데이터 베이스가 구축되어 있으면 해당 어종 그룹의 식별이 가능하다는 것을 나타낸다.
- 먼저, 데스트용 이미지의 데이터베이스로부터 임의로 추출한 어종(조피볼락)에 대한 고유 이미지의 가중치 행렬과 학습용 이미지의 데이터 베이스에 등록되어 있는 조피볼락, 말쥐치, 고등어, 불볼락, 전어, 부세의 각 고유 이미지에 대한 가중치 행렬에 대한 마하라노비스 거리를 계산하였다. 그 결과, 마하라노비스 거리 값은 각각 0.519, 1.494, 1.375, 1.619, 1.374 및 1.539로서, 조피볼락에 대한 값이 가장 작았다. 즉, 조피볼락에 대한 마하라노비스 거리는 말쥐치, 고등어, 불볼락, 전어, 부세에 대한 그 값의 34.
- 한편, 같은 방법으로 학습용 데이터 베이스에 등록되어 있는 말쥐치, 고등어, 불볼락, 전어, 부세를 대상으로 테스트 데이터베이스에 저장해 놓은 임의의 어종의 고유 이미지에 대한 가중치 행렬을 출력시켜 같은 어종 상호간의 마하라노비스 거리를 계산하였다. 그 결과, 말쥐치, 고등어, 불볼락, 전어, 부세에 대한 마하라노비스 거리 값은 각각 0.424, 0.487, 0.508, 0.422, 0.447로서, 같은 어종 조합에 대한 마하라노미스 거리 값이 가장 작은 값을 나타내었다. 이들의 결과로부터 마하라노비스 거리를 어종식별을 위한 유사성 지표로 활용하는 경우, 그 거리 역치(distance threshold)를 0.
- 한편, 같은 방법으로 학습용 데이터 베이스에 등록되어 있는 조피볼락과 불볼락, 말쥐치와 전어의 어종그룹을 대상으로 각 어종그룹의 고유 이미지에 대한 가중치 행렬을 출력시켜 조피볼락, 말쥐치, 고등어, 불볼락, 전어, 부세에 대한 가중치 행렬과의 마하라노비스 거리를 계산하였다. 그 결과, 조피볼락과 불볼락의 어종 그룹에 대한 평가지표 값은 각각 0.908, 1.541, 1.522, 0.836, 1.365, 1.408이었고, 말쥐치와 전어의 어종 그룹에 대한 평가지표 값은 각각 1.367, 0.815, 1.229, 1.302, 0.839, 1.263이었다.
- 이들의 결과로부터 유클리디언 거리를 어종 식별을 위한 유사성 지표로 활용하는 경우, 그 거리 역치(distance threshold)를 850 정도로 설정하면, 이론적으로 6개의 모든 어종을 모두 식별할 수 있음을 알 수 있었다. 그러나, Table 1에서 알 수 있는 바와 같이 비록 어종의 식별은 성공적으로 수행되었지만, 어종의 유사성 지표가 되는 유클리디언 거리의 차가 매우 작고, 또한, 어종의 식별을 위해 설정해야 할 역치 레벨이 다른 어종에 대한 유클리디언 거리의 약 85% 수준까지 증가하였다. 이와 같이 어종식별의 역치 레벨이 높아지면, SNR이 극히 낮은 어장에서 조업하거나, chirp 어군탐지시스템에 잡음이 혼입할 때, 어종의 식별성능이 급격히 저하할 우려가 있기 때문에 식별성능을 향상시키기 위해서는 식별 역치 레벨을 낮추기 위한 연구가 필요하다.
- 이 때문에 학습용과 테스트용으로 등록된 이미지가 같은 어종의 경우에는 변동성이 거의 유사하여 마하라노비스 거리가 급격히 감소하는 특성을 나타내었다. 따라서, 마하라노비스거리 식별기를 이용하면, 각 개체 사이의 세부적인 차이를 나타내는 변동성 성분은 제거되고, 각 개체가 갖는 공통적인 특징성분, 즉, 각 어종 고유의 시간과 주파수 응답성분만이 존재하기 때문에 이들 공통적인 특징성분의 유사성을 판정하는 것에 의해 어종을 매우 효과적으로 추출해 낼 수 있음을 알 수 있었다. 다만, 복수의 어종이 우세하게 혼획되는 해역에서 이 기법을 적용하여 어종을 식별할 때에는 학습용 데이터 베이스에 등록될 어종 조성과 각 어종별 이미지 패턴에 대한 정보를 보다 다양화 할 필요가 있다.
- 본 연구에서 실험에 사용한 조피볼락, 말쥐치, 고등어, 불볼락, 전어, 부세의 시간-주파수 echo 이미지를 분석, 고찰한 결과, echo 응답이 강하게 출현하는 영역의 위치와 연속성, 범위, 픽셀 값의 변동패턴, 응답레벨이 급격히 약화되는 홀(hole)의 위치 및 윤곽선(contour) 패턴 등의 어종 의존적인 특징이 어종에 따라 서로 다른 경향을 나타내었다. 특히, Fig.
- 즉, 어장에서 조피볼락과 불볼락의 혼재하고 있는 경우, 또한, 말쥐치와 전어가 혼재하고 있는 경우라도 chirp 어군탐지시스템에 의해 수록된 시간-주파수 echo 이미지에 대한 데이터 베이스를 구축한 후, 학습용과 테스트용 이미지의 유사성 평가를 수행하면, 혼재하고 있는 각 어종그룹의 식별이 가능하다는 것을 나타내었다. 이 때, 마하라노비스 거리를 어종그룹의 식별을 위한 유사성 지표로 이용할 때, 그 거리 역치(distance threshold)는 1.0 정도가 적합하고, 이 역치 레벨은 단일 어종에 대한 그 값보다 크게 증가하고 있음을 알 수 있었다.
- 447로서, 같은 어종 조합에 대한 마하라노미스 거리 값이 가장 작은 값을 나타내었다. 이들의 결과로부터 마하라노비스 거리를 어종식별을 위한 유사성 지표로 활용하는 경우, 그 거리 역치(distance threshold)를 0.6 정도로 설정하면, 본 연구에서 식별대상으로 설정한 6개의 모든 어종을 성공적으로 식별할 수 있음을 알 수 있었다. 즉, 본 연구에서 어종 식별을 위해 이용한 마하라노비스 거리 식별기는 유클리디언 거리 식별기보다 어종 사이의 유사성을 평가하기 위한 역치 레벨이 매우 낮아 어종을 식별하는데 매우 우수한 성능을 나타내었다, 또한, Table 1과 Table 2에서 알 수 있는 바와 같이 마하라노비스와 유클리디언 식별기의 어종식별을 위한 역치 레벨은 각 어종 조합에 대한 거리 레벨의 약 38%와 약 85%로서, 마하라노비스 거리 식별기가 유클리디언 거리 식별기보다 매우 낮았다.
- 한편, 같은 방법으로 학습용 데이터 베이스에 등록되어 있는 말쥐치, 고등어, 불볼락, 전어, 부세에 대해서도 유클리디언 거리를 계산한 결과, 말쥐치, 고등어, 불볼락, 전어, 부세에 대한 그 값은 각각 809, 832, 770, 849, 772이었고, 같은 어종 조합에 대한 유클리디언거리가 가장 작은 값을 나타내었다. 이들의 결과로부터 유클리디언 거리를 어종 식별을 위한 유사성 지표로 활용하는 경우, 그 거리 역치(distance threshold)를 850 정도로 설정하면, 이론적으로 6개의 모든 어종을 모두 식별할 수 있음을 알 수 있었다. 그러나, Table 1에서 알 수 있는 바와 같이 비록 어종의 식별은 성공적으로 수행되었지만, 어종의 유사성 지표가 되는 유클리디언 거리의 차가 매우 작고, 또한, 어종의 식별을 위해 설정해야 할 역치 레벨이 다른 어종에 대한 유클리디언 거리의 약 85% 수준까지 증가하였다.
- 또한, 같은 방법으로 각 어종에 대한 64개의 테스트용 이미지에 대해서도 평균적인 이미지를 구하고, 이것을 평가용 이미지로서 데이터 베이스에 등록하였다. 이와 같이 구축된 각 어종에 대한 학습용과 테스트용 이미지에 대한 성분분포의 변동성을 조사해 본 결과, 같은 어종인 경우에는 학습용과 테스트용으로 등록된 두 이미지 패턴의 변동특성이 거의 유사하였고, 서로 다른 어종의 경우에는 그 변동성에 큰 차이를 나타내었다. 본 연구는 이 점에 주목하여 어종 사이의 유사성을 판정하기 위한 평가지표로서 유클리디언과 마하라노비스 거리 식별기를 설계하여 테스트용 이미지에 대한 어종을 분류 및 식별하였다.
- 6 정도로 설정하면, 본 연구에서 식별대상으로 설정한 6개의 모든 어종을 성공적으로 식별할 수 있음을 알 수 있었다. 즉, 본 연구에서 어종 식별을 위해 이용한 마하라노비스 거리 식별기는 유클리디언 거리 식별기보다 어종 사이의 유사성을 평가하기 위한 역치 레벨이 매우 낮아 어종을 식별하는데 매우 우수한 성능을 나타내었다, 또한, Table 1과 Table 2에서 알 수 있는 바와 같이 마하라노비스와 유클리디언 식별기의 어종식별을 위한 역치 레벨은 각 어종 조합에 대한 거리 레벨의 약 38%와 약 85%로서, 마하라노비스 거리 식별기가 유클리디언 거리 식별기보다 매우 낮았다. 이와 같은 현상은 마하라노비스 거리는 (15)식에서 알 수 있는 바와 같이 유클리디언 거리를 각 이미지 패턴의 픽셀성분에 대한 표준편차로서 정규화하여 계산되는 유사성 평가지표이기 때문에 학습용과 테스트용 이미지의 변동성이 유사할수록 마하라노비스 거리가 급격히 저하하는 특성을 나타내었기 때문이다.
- 즉, 어장에서 조피볼락과 불볼락의 혼재하고 있는 경우, 또한, 말쥐치와 전어가 혼재하고 있는 경우라도 chirp 어군탐지시스템에 의해 수록된 시간-주파수 echo 이미지에 대한 데이터 베이스를 구축한 후, 학습용과 테스트용 이미지의 유사성 평가를 수행하면, 혼재하고 있는 각 어종그룹의 식별이 가능하다는 것을 나타내었다. 이 때, 마하라노비스 거리를 어종그룹의 식별을 위한 유사성 지표로 이용할 때, 그 거리 역치(distance threshold)는 1.
- 539로서, 조피볼락에 대한 값이 가장 작았다. 즉, 조피볼락에 대한 마하라노비스 거리는 말쥐치, 고등어, 불볼락, 전어, 부세에 대한 그 값의 34.7%, 37.8%, 32.1%, 37.8%, 33.7%로서, 이들 어종의 약 1/3 수준을 나타내어 매우 양호한 어종의 식별성능을 나타내었다.
- Table 1에서 테스트용 데이터 베이스로부터 조피볼락에 대한 고유 이미지의 가중치 행렬과 학습용 이미지의 데이터 베이스에 등록되어 있는 조피볼락, 말쥐치, 고등어, 불볼락, 전어, 부세의 각 고유 이미지에 대한 가중치 행렬과의 유클리디언 거리를 계산한 결과, 그 값은 각각 751, 902, 958, 984, 972 및 1,000이었다. 즉, 조피볼락에 대한 유클리디언 거리가 가장 작아 목표어종에 대한 식별이 성공적으로 수행되었다. 또한, 조피볼락의 유클리디언 거리비율은 말쥐치, 고등어, 불볼락, 전어, 부세에 대하여 각각 83.
- 1%이었다. 한편, 같은 방법으로 학습용 데이터 베이스에 등록되어 있는 말쥐치, 고등어, 불볼락, 전어, 부세에 대해서도 유클리디언 거리를 계산한 결과, 말쥐치, 고등어, 불볼락, 전어, 부세에 대한 그 값은 각각 809, 832, 770, 849, 772이었고, 같은 어종 조합에 대한 유클리디언거리가 가장 작은 값을 나타내었다. 이들의 결과로부터 유클리디언 거리를 어종 식별을 위한 유사성 지표로 활용하는 경우, 그 거리 역치(distance threshold)를 850 정도로 설정하면, 이론적으로 6개의 모든 어종을 모두 식별할 수 있음을 알 수 있었다.
후속연구
- , 2016; Lee, 2016). 따라서, 향후에는 자연상태에서 자유 유영하는 어종을 대상으로 현장 실험을 수행하여 이들 어종에 대한 시간-주파수 echo 이미지의 데이터 베이스를 구축할 예정이다. 또한, 이를 위한 어종식별시스템의 새로운 구축을 위해 지금까지의 연구성과를 통해 축적된 하드웨어 및 소프트웨어 시스템 등의 개량화 및 고도화 연구를 수행할 예정이다.
- 이와 동시에 chirp 어군탐지시스템을 사용하여 다량의 시간-주파수 echo 이미지 패턴을 수집하여 음향 데이터 베이스를 구축할 필요가 있다. 따라서, 현장에서 실시간으로 수집되는 echo 이미지 패턴과 이미 학습용 이미지 데이터 베이스에 등록되어 있는 이미지 패턴 사이의 유사성 평가를 본 연구에서 제안한 마하라노비스 기법을 이용하여 수행하면, 매우 신뢰성이 높은 어종식별성과를 얻을 수 있을 것으로 판단된다.
- 따라서, 향후에는 자연상태에서 자유 유영하는 어종을 대상으로 현장 실험을 수행하여 이들 어종에 대한 시간-주파수 echo 이미지의 데이터 베이스를 구축할 예정이다. 또한, 이를 위한 어종식별시스템의 새로운 구축을 위해 지금까지의 연구성과를 통해 축적된 하드웨어 및 소프트웨어 시스템 등의 개량화 및 고도화 연구를 수행할 예정이다.
- 본 연구에서와 같이 광대역의 주파수 범위에 걸쳐 수집되는 어류에 의한 시간-주파수 이미지로부터 어종 상호간의 이미지 특성의 차이를 식별해 내기 위해서는 무엇보다도 각 어종 고유의 생물학적, 해부 생태학적 특징과 음향산란 응답특성 등을 서로 연관시켜 분석할 필요가 있다. 그러나, 각 어종에 대한 이들 특징요소가 어떤 패턴으로 echo 신호의 생성에 기여하는가를 음향학적으로 규명하는 데에는 많은 어려움이 있다(Jaffe, 2006; Stanton et al.
- 그러나, Table 1에서 알 수 있는 바와 같이 비록 어종의 식별은 성공적으로 수행되었지만, 어종의 유사성 지표가 되는 유클리디언 거리의 차가 매우 작고, 또한, 어종의 식별을 위해 설정해야 할 역치 레벨이 다른 어종에 대한 유클리디언 거리의 약 85% 수준까지 증가하였다. 이와 같이 어종식별의 역치 레벨이 높아지면, SNR이 극히 낮은 어장에서 조업하거나, chirp 어군탐지시스템에 잡음이 혼입할 때, 어종의 식별성능이 급격히 저하할 우려가 있기 때문에 식별성능을 향상시키기 위해서는 식별 역치 레벨을 낮추기 위한 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.