[논문]천해역 선박 소음 자동 탐지를 위한 인공지능 기법 적용

김선효; 정섬규; 강돈혁; 김미라; 조성호

doi:10.7776/ask.2020.39.4.279

[국내논문] 천해역 선박 소음 자동 탐지를 위한 인공지능 기법 적용
Application of the artificial intelligence for automatic detection of shipping noise in shallow-water 원문보기

한국음향학회지= The journal of the acoustical society of Korea, v.39 no.4, 2020년, pp.279 - 285

김선효 (한국해양과학기술원 해양방위안전연구센터) , 정섬규 (한국해양과학기술원 해양방위안전연구센터) , 강돈혁 (한국해양과학기술원 해양방위안전연구센터) , 김미라 (한국해양과학기술원 해양방위안전연구센터) , 조성호 (한국해양과학기술원 해양방위안전연구센터)

초록
AI-Helper

항행 선박의 시·공간적 모니터링 기술 연구는 연안 해양공간에서 해양 생태계 보호 및 효율적인 관리를 위해서 중요하다. 본 연구에서는 실험해역에서 측정된 선박 소음 특징인 광대역 줄무늬 패턴 자료에 인공지능 기술을 적용하여 항행하는 선박을 자동 탐지하는 연구를 수행하였다. 소음 스펙트럼 이미지와 선박의 항행정보를 수집하기 위한 해상시험은 2016년 7월 15일부터 26일까지 제주 남부 해역에서 실시되었고, 컨볼루션 신경망 모델은 수집된 이미지를 기반으로 학습, 교차검증 과정을 거쳐 최적화되었다. 선박 소음 자동 탐지 기법의 성능은 정밀도(0.936), 재현율(0.830), 평균 정밀도(0.824) 그리고 정확도(0.949)로 평가되었다. 결론적으로 인공지능 기법을 활용하여 선박 소음의 자동 탐지 가능성을 확인하였다. 본 연구의 결과로부터 성능을 향상시킬 수 있는 방안 및 향후 연구에 대하여 제안하였다.

Abstract ▼ AI-Helper

The study on the temporal and spatial monitoring of passing vessels is important in terms of protection and management the marine ecosystem in the coastal area. In this paper, we propose the automatic detection technique of passing vessel by utilizing an artificial intelligence technology and broadband striation patterns which are characteristic of broadband noise radiated by passing vessel. Acoustic measurements to collect underwater noise spectrum images and ship navigation information were conducted in the southern region of Jeju Island in South Korea for 12 days (2016.07.15-07.26). And the convolution neural network model is optimized through learning and validation processes based on the collected images. The automatic detection performance of passing vessel is evaluated by precision (0.936), recall (0.830), average precision (0.824), and accuracy (0.949). In conclusion, the possibility of the automatic detection technique of passing vessel is confirmed by using an artificial intelligence technology, and a future study is proposed from the results of this study.

주제어

표/그림 (9)

그림 Fig. 1. (Color available online) CNN flowchart.
그림 Fig. 2. Confusion matrix, TP: Values that are actually positive and predicted positive, FP: Values that are actually negative but predicted to positive, FN: Values that are actually positive but predicted to negative, TN: Values that are actually negative and predicted to negative.
표 Table 1. Layers of CNN.
그림 Fig. 3. (Color available online) (a) Position of hydrophone and map of shipping lanes in the study area, (b) Experimental layout for measuring the radiated noise from passing vessels.
그림 Fig. 4. (Color available online) Measured spectrogram of vessel radiated noise during pass-by including representative striation pattern.
그림 Fig. 5. (Color available online) Example images of ship noise data and ambient noise data.
그림 Fig. 6. (Color available online) Error rate depending on learning epochs.
그림 Fig. 7. (Color available online) Precision-recall curves.
그림 Fig. 8. CNN results.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구는 2016년 7월 15일 ~ 26일 동안 제주도 남부해역에서 측정한 수중 소음 신호의 스펙트럼 이미지를 분석하고, 딥러닝 중에서도 이미지 인식에 최적화된 컨볼루션 신경망(Convolutional Neural Networks, CNN) 모델을 활용하여 선박 소음 자동 탐지 가능성을 검증하였다.

제안 방법

수집된 선박 소음 및 주변 소음 스펙트럼 이미지들은 100×100크기의 이미지로 리샘플링 시킨 후에 학습, 교차 검증 및 테스트 이미지의 input layer로 활용하였고, 2개의 convolution layer, 2개의 pooling layer 그리고 2개의 fully connected layer로 CNN 모델을 구성하였다. 또한 각 층에서 활성함수로는 ReLU를 사용하였으며, 최종적으로 softmax layer에서 영상의 특징과 클래스가 일치하는 정도를 수치로 나타낸 값들을 정규화하고, classification layer에서 높은 수치를 가지는 클래스와 정규화 값을 출력하여 선박 소음인지 주변소음의 스펙트럼인지를 분류하였다.
본 연구에서 적용한 CNN 모델의 구조는 Fig. 1와 같이 convolution layer, relu layer, pooling layer, fully connected layer 등으로 구성되며, 각 레이어에 대한 간단한 설명은 다음과 같다.^[9,10]
본 연구에서 제안하는 기법의 정확도 검증은 인공 지능 알고리즘을 진단하여 순위를 선정할 때 사용하는 지표인 정밀도, 재현율, 평균 정밀도와 정확도 개념을 적용하여 평가하였다. ^[11]
자료로 총1580개의 스펙트럼 이미지의 자료를 수집하였다. 선박의 항행정보인 AIS 자료를 활용하여 수신기의 위치를 중심으로 반경 20km이내의 CPA 정점 271개를 도출하였고, 매10분 자료총1580개의 스펙트럼 이미지의 광대역 줄무늬 패턴을 육안으로 확인하여 151개를 추가하였다. 총 광대역 줄무늬 패턴을 포함하는 선박 소음 이미지 422개, 주변 소음 이미지 1158개의 클래스를 구분하여 학습, 교차검증 및 평가 이미지로 사용하였다.
수중 소음을 측정한 수신기는 자가음향기록청음기로 육상으로부터 약18 km 떨어진 해역에 수중 부이를 활용하여 수심 약50 m에서 신호를 수신하였다. 음향 데이터는 샘플링 주파수가 24 kHz, 시스템 이득 12 dB, 40 Hz에서 고역통과 필터가 적용되어 있고 수 신감도는 -163.
수집된 선박 소음 및 주변 소음 스펙트럼 이미지들은 100×100크기의 이미지로 리샘플링 시킨 후에 학습, 교차 검증 및 테스트 이미지의 input layer로 활용하였고, 2개의 convolution layer, 2개의 pooling layer 그리고 2개의 fully connected layer로 CNN 모델을 구성하였다.
음향 데이터는 샘플링 주파수가 24 kHz, 시스템 이득 12 dB, 40 Hz에서 고역통과 필터가 적용되어 있고 수 신감도는 -163.7 dB re 1 V/μPa로 10 min 단위로 WAV 파일 형태로 저장하였다.
정밀도와 재현율을 분리하여 하나의 지표로 평가한다면 자료 해석의 오류를 일으킬 수 있기 때문에 정밀도-재현율 곡선이 커버하는 면적을 뜻하는 평균 정밀도를 종합적인 성능 지표로 사용하였다. 평균 정밀도는 0 ~ 1 사이의 값으로 나타나며, 알고리즘을 평가한 결과의 평균 정밀도가 1이라면 오인 탐지를 포함하지 않고 실제 선박 소음을 모두 예측한 것이다.

대상 데이터

본 논문에서는 실해역에서 약12일 동안 총1580개의 스펙트럼 이미지의 자료를 수집하였고, 그 중 선박 소음 특성인 광대역 줄무늬 패턴 스펙트럼을 갖는 선박 소음 이미지 422개, 주변 소음 이미지 1158개의 클래스를 AIS 자료 및 육안으로 판단하여 구분하였다. 그리고 2개의 convolution 층, 2개의 pooling 층 그리고 2개의 fully connected 층으로 구성된 간단한 CNN 구조의 모델을 활용하여 이동하는 선박 소음을 자동으로 탐지하는 기법에 대하여 적용한 결과 평균 정밀도는 0.
^[12] 광대역 줄무늬 패턴은 음향 채널에서 전파되는 둘 이상의 정상 모드 또는 다중경로간의 음파 간섭으로 발생하는데, 선박 이동에 따른 거리 및 수심의 변화, 해저면 기울기 및 해저 저질 성분에 따라 다양한 광대역 줄무늬 패턴을 가지게 된다. 수중 소음을 측정한 실험해역은 수신기 설치 위치로부터 약 20 km 이내의 수심은 평탄하였고 해저면 지질성분도 공간적으로 변화가 크지 않은 환경이므로 이동하는 선박과 수신기간 시공간적인 수평거리 변화 따라 다양한 광대역 줄무늬 패턴을 수집 할 수 있다.
수집된 이미지는 학습 데이터, 교차 검증 데이터,평가 데이터로 나눌 수 있는데, 본 연구에서는 6 : 1 : 3비율로 구분하여 학습(948개), 교차 검증(158개) 및 평가(474개)를 수행하였다. 교차 검증 데이터는 학습 단계를 통과한 파라미터를 이용하여 CNN의 과적합 및 부적합을 줄여주는 역할을 위해 요구된다.
실험해역의 해저 지형은 Korea Institute of Ocean Science & Technology(KIOST)에서 보유하고 있는 지리정보시스템(Geographic Information System, GIS) 데이터 베이스에서 추출한 수심자료로 전반적인 수심 분포는 제주 남부 연안에서 10 km 이내의 해상에서는 1.0 ~ 1.5 사이의 경사도를 가지며 수심 100 m까지 깊어지고, 10 km 이상 떨어진 해역의 수심의 변화는 80 m ~ 120 m 사이에 분포하며, 해저면 저질 입도 성분은 3.6인 대부분 사질로 구성되어 있음을 확인하였다.
2016년 7월 15일부터 26일 까지 약12일 동안 연속적으로 수집된 수중 소음 자료는 하나의 스펙트럼 이미지당 10 min. 자료로 총1580개의 스펙트럼 이미지의 자료를 수집하였다. 선박의 항행정보인 AIS 자료를 활용하여 수신기의 위치를 중심으로 반경 20km이내의 CPA 정점 271개를 도출하였고, 매10분 자료총1580개의 스펙트럼 이미지의 광대역 줄무늬 패턴을 육안으로 확인하여 151개를 추가하였다.
선박의 항행정보인 AIS 자료를 활용하여 수신기의 위치를 중심으로 반경 20km이내의 CPA 정점 271개를 도출하였고, 매10분 자료총1580개의 스펙트럼 이미지의 광대역 줄무늬 패턴을 육안으로 확인하여 151개를 추가하였다. 총 광대역 줄무늬 패턴을 포함하는 선박 소음 이미지 422개, 주변 소음 이미지 1158개의 클래스를 구분하여 학습, 교차검증 및 평가 이미지로 사용하였다. Fig.

성능/효과

본 논문에서는 실해역에서 약12일 동안 총1580개의 스펙트럼 이미지의 자료를 수집하였고, 그 중 선박 소음 특성인 광대역 줄무늬 패턴 스펙트럼을 갖는 선박 소음 이미지 422개, 주변 소음 이미지 1158개의 클래스를 AIS 자료 및 육안으로 판단하여 구분하였다. 그리고 2개의 convolution 층, 2개의 pooling 층 그리고 2개의 fully connected 층으로 구성된 간단한 CNN 구조의 모델을 활용하여 이동하는 선박 소음을 자동으로 탐지하는 기법에 대하여 적용한 결과 평균 정밀도는 0.824이고 모델의 정확도는 0.949로 선박 소음의 자동 탐지 가능성을 확인하였다.
정밀도-재현율 곡선은 재현율이 증가함에따라 정밀도가 감소하는데, 이는 CNN모델이 실제 주변 소음 데이터를 선박 소음이라고 오인 판단한 결과가 포함되었기 때문이다. 모델 예측 결과 선박 소음이라고 분류한 것 중 실제 선박 소음인 것의 정밀도는 0.936이었고, 실제 선박 소음인 것 중에서 CNN모델이 예측한 선박 소음의 재현율은 0.830이었다. 또한 Fig.
2는 인공지능 기반 예측 값과 실제 값을 비교하기 위한 오차행렬이다. 이를 본 연구에 적용하여 설명하면, True Positives(TP)는 CNN 모델이 정확히 탐지한 선박 소음, False Positives(FP)는 CNN 모델이 선박 소음이라고 오인한 주변 소음, False Negatives(FN)는CNN 모델이 주변 소음이라고 오인한 선박 소음, True Negatives(TN)은 CNN 모델이 정확히 탐지한 주변 소음을 나타낸다. 따라서 정밀도는 모델이 선박 소음이라고 예측한 것 중에서 실제 선박 소음인것의 비율로 다음 식으로 나타난다.

후속연구

1) 인공지능 기반의 이미지 패턴 인식 연구에 관심도가 높아짐에 따라 성능 좋고 신속한 연산이 가능한 다양한 모델들이 개발되고 있기 때문에 다양한 CNN 모델을 적용하여 본 연구에 적용하면 정밀도, 재현율, 정확도 측면에서 향상된 결과를 예상할 수 있을 것이다.
2) 본 논문에는 약 12일의 수중 소음 자료를 학습하여 CNN 모델을 최적화 하였지만, 향후에 추가적인 선박 소음 자료 학습을 기반으로 CNN 모델을 업데이트하면 향상된 선박 소음 탐지 성능을 보여줄 것이다.
향후 연구로 다양한 선박의 AIS자료 수집 및 광대역 줄무늬 패턴을 학습하여 선박 탐지 뿐만 아니라 식별하는 연구가 수행된다면, 수중 소음원 특징 추출을 기반으로 자동으로 식별을 수행하는 LOFAR,DEMON을 이용한 시스템에 적용될 수 있을 것이다. 또한 줄무늬 패턴은 이동하는 선박의 수심, 지형 구조 및 해저면 저질 성분 등에 따라 달라지기 때문에 다양한 환경에서의 광대역 줄무늬 패턴을 학습함으로써 역으로 해저면 환경 예측이 가능할 것이다.
마지막으로 본 연구를 기반으로 인공지능 기법 향상 및 대용량 수중 소음 데이터 확보가 지속된다면 연안 해양공간에서 해양 생태계 보호 및 관리 측면에서 항행 선박 등 인위적 소음의 시·공간적 모니터링 체계 구축을 통해 국제해사기구 선박 수중 소음 국제 규제 대응을 위한 연안 항만 통행 선박 시공간 모니터링 기술 개발에 활용 가능하며, 추가적으로 대용량 수중 소음 자료로부터 수중 및 수상 표적 자동 식별 알고리즘 구축에 활용될 수 있을 것이다.
향후 연구로 다양한 선박의 AIS자료 수집 및 광대역 줄무늬 패턴을 학습하여 선박 탐지 뿐만 아니라 식별하는 연구가 수행된다면, 수중 소음원 특징 추출을 기반으로 자동으로 식별을 수행하는 LOFAR,DEMON을 이용한 시스템에 적용될 수 있을 것이다. 또한 줄무늬 패턴은 이동하는 선박의 수심, 지형 구조 및 해저면 저질 성분 등에 따라 달라지기 때문에 다양한 환경에서의 광대역 줄무늬 패턴을 학습함으로써 역으로 해저면 환경 예측이 가능할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	선박의 항행 정보 및 통행량을 모니터 링에 오차가 생기는 이유는 무엇인가?	[3] 현재 IMO는 중·대형 선박의 항행정보를 실시간으로 송·수신하는 통신장치인 Automatic Identification System(AIS)를 의무적으로 선박에 부착하여 전세계 선박의 항행 정보 및 통행량을 모니터 링하고 있다. 하지만, 불법 조업 및 밀입국 선박 등 의도적으로 AIS를 꺼놓는 경우 선박의 항행정보를 확인할 수 없기 때문에 이동 선박의 통행량 파악의 오차를 유발하게 된다.
	Automatic Identification System은 무엇인가?	[1,2] 최근 전 세계적으로 항행선박의 양적 증가, 대형화 및 고속화 추세로 증가된 선박소음으로부터 해양 생태계 보호를 위한 관심이 증가함에 따라, 국제해사기구(International Maritime Organization, IMO)는 선박소음을 해양 생물에 영향을 미치는 가장 중요한 소음원으로 규정하고 선박소음을 규제하기 위한 논의를 해양환경보호위원회(Maritime Environment Protection Committee, MEPC)에서 진행하고 있다.[3] 현재 IMO는 중·대형 선박의 항행정보를 실시간으로 송·수신하는 통신장치인 Automatic Identification System(AIS)를 의무적으로 선박에 부착하여 전세계 선박의 항행 정보 및 통행량을 모니터 링하고 있다. 하지만, 불법 조업 및 밀입국 선박 등 의도적으로 AIS를 꺼놓는 경우 선박의 항행정보를 확인할 수 없기 때문에 이동 선박의 통행량 파악의 오차를 유발하게 된다.
	선박소음이 해양 생물에 영향을 끼치는 주요 소음원이 된 배경은 무엇인가?	해양에서 수중 소음은 선박 소음, 바람에 의한 해수면 소음, 생물학적인 소음 등과 같이 광대역 소음원이 항시 존재한다.[1,2] 최근 전 세계적으로 항행선박의 양적 증가, 대형화 및 고속화 추세로 증가된 선박소음으로부터 해양 생태계 보호를 위한 관심이 증가함에 따라, 국제해사기구(International Maritime Organization, IMO)는 선박소음을 해양 생물에 영향을 미치는 가장 중요한 소음원으로 규정하고 선박소음을 규제하기 위한 논의를 해양환경보호위원회(Maritime Environment Protection Committee, MEPC)에서 진행하고 있다.[3] 현재 IMO는 중·대형 선박의 항행정보를 실시간으로 송·수신하는 통신장치인 Automatic Identification System(AIS)를 의무적으로 선박에 부착하여 전세계 선박의 항행 정보 및 통행량을 모니터 링하고 있다.

참고문헌 (12)

R. J. Urick, Principles of Underwater Sound, 3rd ed. (McGraw-Hill, New York, 1983), Chap. 7.
M. V. Trevorrow, B. Vasiliev, and S. Vagle, "Directionality and maneuvering effects on a surface ship underwater acoustic signature," J. Acoust. Soc. Am. 124, 767-778 (2008).

상세보기
International Marine Organization (IMO), "Guidelines for the reduction of underwater noise from commercial shipping to address adverse impacts on marine life," IMO Doc. MEPC.1/Circ.833, Tech. Rep., 2006.
A. D. Waite, Sonar for Practising Engineering, 3rd ed. (John wiley&Sons Ltd, Chichester, 1998), Chap. 8.
Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, 521.7443, 436-444 (2015).
J. Schmidhuber, "Deep learning in neural networks: An overview," Neural networks, 61, 85-117 (2015).

상세보기
H. Yang, K. Lee, Y. Choo, and K. Kim, "Underwater acoustic research trends with machine learning: general background," J. Ocean Eng. Technol. 34, 147-154 (2020).

원문보기 상세보기
H. Yang, K. Lee, Y. Choo, and K. Kim, "Underwater acoustic research trends with machine learning: passive SONAR applications," J. Ocean Eng. Technol. 34, 227-236 (2020).

원문보기 상세보기
J. Choi, Y. Choo, and K. Lee, "Acoustic classification of surface and underwater vessels in the ocean using supervised machine learning," Sensors, 19, 3492-3507 (2019).
J. Kim, J. W. Kim, H. Kwon, R. Oh, and S. U. Son, "The application of convolutional neural networks for automatic detection of underwater object in side scan sonar images" (in Korean), J. Acoust. Soc. Kr. 37, 118-128 (2018).
C. Goutte and E. Gaussier, "A probabilistic interpretation of precision, recall and F-score, with implication for evaluation," ECIR. 5, 345-359 (2005).
H. Niu, E. Ozanich, and P. Gerstoft, "Ship localization in Santa Barbara Channel using machine learning classifiers," J. Acoust. Soc. Am. 142, EL455-460 (2017).

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증