[논문]해상 객체 검출 고속 처리를 위한 영상 전처리 알고리즘 설계와 딥러닝 기반의 통합 시스템

송현학; 이효찬; 이성주; 전호석; 임태호

doi:10.7472/jksii.2020.21.4.117

해상 객체 검출 고속 처리를 위한 영상 전처리 알고리즘 설계와 딥러닝 기반의 통합 시스템
Design of Video Pre-processing Algorithm for High-speed Processing of Maritime Object Detection System and Deep Learning based Integrated System 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.21 no.4, 2020년, pp.117 - 126

송현학 (Information and communication, Hoseo University) , 이효찬 (Information and communication, Hoseo University) , 이성주 (Information and communication, Hoseo University) , 전호석 (Information and communication, Hoseo University) , 임태호 (Information and communication, Hoseo University)

초록
AI-Helper

해상 객체 인식은 자율운항선박(MASS)의 지능형 보조 시스템으로써, 선장이 육안으로 해상 주변의 충돌 위험성이 있는 부유물을 확인하던 정보를 컴퓨터를 통해 자동으로 인식하여 사람이 확인하는 방법과 유사한 정확도로 인지하는 방법을 말한다. 선박 주변의 물체를 인식하는 방법으로 기존에는 레이더나 소나와 같은 장치로부터 수집된 정보를 통해 확인하였지만, 인공지능의 기술이 발달하면서 선박 지능형 CCTV를 통해 운항 항로에 있는 다양한 부유물을 인식하는 것이 가능하다. 하지만, 자율 선박의 다양한 요구사항과 복잡성 때문에 영상 데이터의 처리속도가 느려지게 된다면 원활한 서비스 지원은 물론 안전성도 보장할 수 없게 된다. 이러한 문제를 해결하고자 본 논문에서는 해상 객체를 검출하는 데 있어 영상 데이터의 연산량을 최소화하여 처리속도를 높이기 위한 연구를 진행하였다. 해상 객체 인식의 관심 영역을 확보하기 위해서는 일반적으로 수평선을 찾는데 기존 연구들은 허프 변환 알고리즘을 활용하지만 본 논문에서는 속도를 개선하기 위해 이진화 알고리즘을 최적화하여 실제 객체의 위치와 유사한 영역을 찾는 새로운 방법을 제안한다. 또한, 제안하는 방법의 유용성을 증명하기 위해 딥러닝 CNN을 활용하여 해상 객체 인식 시스템을 구현함으로써 알고리즘의 성능을 평가하였다. 제안하는 알고리즘은 기존 방법의 인식 정확도를 유지하면서 약 4배 이상의 빠른 성능을 얻을 수 있었다.

Abstract ▼ AI-Helper

A maritime object detection system is an intelligent assistance system to maritime autonomous surface ship(MASS). It detects automatically floating debris, which has a clash risk with objects in the surrounding water and used to be checked by a captain with a naked eye, at a similar level of accuracy to the human check method. It is used to detect objects around a ship. In the past, they were detected with information gathered from radars or sonar devices. With the development of artificial intelligence technology, intelligent CCTV installed in a ship are used to detect various types of floating debris on the course of sailing. If the speed of processing video data slows down due to the various requirements and complexity of MASS, however, there is no guarantee for safety as well as smooth service support. Trying to solve this issue, this study conducted research on the minimization of computation volumes for video data and the increased speed of data processing to detect maritime objects. Unlike previous studies that used the Hough transform algorithm to find the horizon and secure the areas of interest for the concerned objects, the present study proposed a new method of optimizing a binarization algorithm and finding areas whose locations were similar to actual objects in order to improve the speed. A maritime object detection system was materialized based on deep learning CNN to demonstrate the usefulness of the proposed method and assess the performance of the algorithm. The proposed algorithm performed at a speed that was 4 times faster than the old method while keeping the detection accuracy of the old method.

주제어

표/그림 (15)

그림 (그림 1) 연결 요소 라벨링의 종류 (Figure 1) Type of Connected-component Labeling
그림 (그림 2) 해상 이미지에 연결 요소 라벨링을 적용한 결과 (Figure 2) Result of Connected-component Labeling at Sea
그림 (그림 3) Otsu 알고리즘의 임계값 T 결정 방법 (Figure 3) Determining Threshold T in Otsu
그림 (그림 4) Otsu와 Adaptive 알고리즘 적용 (Figure 4) Apply Otsu and Adaptive Algorithm
그림 (그림 5) 관심 영역 추출 (Figure 5) Region of Interest
그림 (그림 6) 수평선 검출 (Figure 6) Horizon Detection
그림 (그림 7) 객체가 여러 개로 분할되는 경우 (Figure 7) Split Binary Object
그림 (그림 8) 다중 연결 요소 라벨링 처리 과정 (Margin=1) (Figure 8) Multi Connected-component Labeling Process
그림 (그림 9) 딥러닝 기반 통합 시스템 구현 (Figure 9) Implementation of Deep Learning-Based Integrated System
그림 (그림 10) 제안하는 학습 데이터 세트 CNN 학습 과정 (Figure 10) Trained CNN using Proposal Data Sets
표 (표 1) CNN 구조 및 파라미터 (Table 1) CNN Structure and Parameters
그림 (그림 11) 딥러닝 기반 통합 시스템의 선박 검출 및 인식 결과 (Figure 11) Ship Detection and Recognition Results of Deep Learning-Based Integrated System
그림 (그림 12) 딥러닝 통합 시스템 기반 이미지 처리속도 (Figure 12) Image Processing Speed of Integration System
그림 (그림 13) 검출 영역 A와 B에 따른 IoU 값의 평가 (Figure 13) Evaluation of IoU values by Detection Area
표 (표 2) 제안하는 고속 영상 전처리와 딥러닝 기반 통합 시스템의 IoU 성능 (Table 2) IoU performance of proposed high-speed image preprocessing and deep learning system

AI 본문요약
AI-Helper

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

문제 정의

특히 영상 이진화 처리의 경우 픽셀이 1 Bit 단위이므로 데이터를 고속으로 옮겨 처리할 수 있어 하드웨어 구현에 매우 효율적이다. 본 논문에는 이러한 실시간성 문제를 고려하여 해상의 이미지 중 객체를 빠르게 인식하기 위해 이진 분할 알고리즘으로 객체 위치를 파악하고 관심 영역을 추출한 뒤 해상의 부유물을 인식할 수 있는 소형 CNN을 통해 빠르게 인식하는 방법을 제안한다.
본 논문은 해상에서의 선박을 인식하기 위한 영상 전처리와 CNN을 활용한 2단계 프로세스를 구축하여 시스템을 통합하였다. 입력 영상으로부터 잡음을 제거하기 위해 블러링 필터를 적용하였고 채널을 줄이기 위해 회색 변환을 이용하였다.
본 연구에서는 해상 부유물을 고속으로 검출하기 위해 이진화 알고리즘을 최적화하여 영상 전처리를 수행한다. 최종 해상 객체 후보군으로 검출된 영역은 컴퓨터 비전 혹은 딥러닝의 CNN을 통해 객체를 인식하여 분류할 수 있다.
그렇기 위해선 배경과 바다 사이의 수평선을 검출해야 한다. 수평선은 허프 변환과 같은 보팅 기반의 알고리즘을 통해서도 찾을 수 있지만 본 논문에서는 연산량을 줄이기 위해 이진화 이미지로 수평선을 검출하였다. 이미 앞 절에서 이진화를 통해 배경과 바다가 분리되었기 때문에 대부분의 해상 이미지는 그림 5와 같이 수행되게 된다.

제안 방법

4.2절에서 수집된 전체 데이터 세트에서 80%의 이미지를 학습 세트로 20%의 이미지를 검증 세트로 구성하여 학습을 진행하였다. 딥러닝 학습은 파이썬으로 작성된 오픈소스 기반의 Keras를 활용하여 진행하였다.
해상에서는 객체 인식의 속도와 인식 정확도를 향상하기 위해 수평선을 탐지하여 관심 영역을 설정하는 것이 중요하다. 기존 연구에서는 수평선을 찾기 위해 허프 변환을 활용하는데 본 연구에서는 이진화 알고리즘을 최적화하여 성능은 유사하면서 속도를 높일 방법을 제안한다. 또한 수평선 근처의 객체 유무를 찾기 위해서 이진 연결 요소 라벨링을 활용하여 위치를 찾아내는데 해상에서 나타나는 문제점을 제시하고 해결방법을 제시한다.
기존 방법은 허프 변환을 적용하여 수평선을 검출하고 객체 검출은 OpenCV에서 제공하는 기본적인 연결 요소 라벨링을 활용한 것을 말하며 제안하는 방법은 이진화로 수평선을 찾고 다중 연결 요소 라벨링을 활용한 방법을 의미한다. 딥러닝은 일반적인 CNN 방법을 통해 CIFAR-10 데이터 세트를 기반으로 해상 부유물 이미지를 학습하였고 해상 이미지에 대해 인식률을 평가하기 위해서 그림 11에 존재하는 20장의 이미지를 대상으로 평가를 진행하였다.
이진 이미지의 실제 선박 검출 후보군을 찾기 위해서 연결 요소 라벨링 알고리즘을 활용하는데 해상에는 다양한 영상 노이즈로 인해 객체 검출 후보군이 많아져 오히려 연산량이 증가하는 문제가 발생한다. 따라서 이러한 문제점을 해결하기 위해 본 논문에서는 이진화 알고리즘을 활용하면서 객체 검출 후보군은 최소화하여 연산량을 줄일 방법을 3장에서 제안한다.
기존 연구에서는 수평선을 찾기 위해 허프 변환을 활용하는데 본 연구에서는 이진화 알고리즘을 최적화하여 성능은 유사하면서 속도를 높일 방법을 제안한다. 또한 수평선 근처의 객체 유무를 찾기 위해서 이진 연결 요소 라벨링을 활용하여 위치를 찾아내는데 해상에서 나타나는 문제점을 제시하고 해결방법을 제시한다. 마지막으로 본 연구에서 제안하는 영상 전처리와 딥러닝 CNN(Convolution Neural Network)을 통합하여 해상 객체 인식 시스템을 구현하였고 본 연구에서 설계한 알고리즘의 성능을 평가하였다.
또한 수평선 근처의 객체 유무를 찾기 위해서 이진 연결 요소 라벨링을 활용하여 위치를 찾아내는데 해상에서 나타나는 문제점을 제시하고 해결방법을 제시한다. 마지막으로 본 연구에서 제안하는 영상 전처리와 딥러닝 CNN(Convolution Neural Network)을 통합하여 해상 객체 인식 시스템을 구현하였고 본 연구에서 설계한 알고리즘의 성능을 평가하였다.
본 논문에서 제안한 방법과 기존 해상 검출 전처리를 적용한 방법을 비교하였다. 기존 방법은 허프 변환을 적용하여 수평선을 검출하고 객체 검출은 OpenCV에서 제공하는 기본적인 연결 요소 라벨링을 활용한 것을 말하며 제안하는 방법은 이진화로 수평선을 찾고 다중 연결 요소 라벨링을 활용한 방법을 의미한다.
본 논문은 딥러닝 CNN 모델을 해상 객체 인식에 적용하였는데 해상 부유물을 인식하기 위해서는 객체 영역을 찾아내야 한다. 기존의 영상 검출 방법은 대부분 PC에서 소프트웨어를 개발하기 때문에 처리속도를 고려하지 않는 알고리즘을 이용하지만 실제 선박에 설치되려면 임베디드 시스템에 적용되는 것을 고려해야 한다.
하지만 그림 6과 같이 객체와 파도 라인이 분리가 완전하지 않은 상태로 이미지가 존재한다. 본 연구에서는 선박 후보군을 찾아야 하므로 추출된 관심 영역의 Y축을 기준으로 가장 양 끝단으로부터 상단과 하단의 바다 및 해상 부유물 픽셀값을 차례대로 찾아 대각선 라인을 긋는다. 해당 라인을 기준으로 아래에 해당하는 영역은 배경(0)으로 처리함으로써 바다와 해상 부유물을 분리할 수 있게 된다.
CNN에서 성능을 강화할 방법으로는 데이터 세트를 많이 학습하거나 레이어 수를 깊게 하면 더욱 세밀한 정보를 추출할 수 있기에 추론 확률이 높아질 수 있다. 본 연구에서는 제안하는 영상 전처리의 성능을 측정하기 위해 해상 선박을 대상으로 분류할 수 있으면서 비교적 연산량이 적은 CNN 모델이 필요하므로 최소한의 층으로 구성된 CNN 모델을 구축하였으며 입력 영상의 크기와 각 층의 구조와 파라미터에 관한 정보는 표 1에 기술하였다.
입력 영상으로부터 잡음을 제거하기 위해 블러링 필터를 적용하였고 채널을 줄이기 위해 회색 변환을 이용하였다. 이후 제안하는 영상 전처리 프로세스를 진행하기 위해 이진화를 수행하고 배경 및 바다를 분리한 상태에서 수평선을 찾아 선박 후보군 영역을 찾는다. 딥러닝의 연산을 줄이기 위해 선박 후보군을 줄이는 다중 연결 요소 라벨링을 수행하여 딥러닝 추론 연산을 최소화한다.
본 논문은 해상에서의 선박을 인식하기 위한 영상 전처리와 CNN을 활용한 2단계 프로세스를 구축하여 시스템을 통합하였다. 입력 영상으로부터 잡음을 제거하기 위해 블러링 필터를 적용하였고 채널을 줄이기 위해 회색 변환을 이용하였다. 이후 제안하는 영상 전처리 프로세스를 진행하기 위해 이진화를 수행하고 배경 및 바다를 분리한 상태에서 수평선을 찾아 선박 후보군 영역을 찾는다.
딥러닝의 연산을 줄이기 위해 선박 후보군을 줄이는 다중 연결 요소 라벨링을 수행하여 딥러닝 추론 연산을 최소화한다. 전처리된 영상은 딥러닝 CNN에 입력되어 학습 가중치에 따라 선박을 분류해내며 최종적으로 검출된 위치를 반환 하여 사용자에게 알려주는 시스템을 개발하였다. 그림 11은 본 논문이 제안한 해상 객체 인식 통합 시스템에서 검출 및 인식된 20장의 이미지이다.
본 연구에서는 해상에 자주 나타나는 객체인 비행기, 새, 선박의 이미지를 데이터 세트로 수집하였다. 제안하는 영상 전처리 알고리즘은 배경을 제외한 객체 자체만을 인식해야 하므로 오픈 데이터 세트에서 배경을 제거하여 데이터 세트를 전처리하였다. 학습 이미지는 한 객체당 5,000장으로 3가지 객체가 존재하므로 15,000장의 데이터 세트를 구축하였다.
라즈베리 파이는 1Ghz 이상 쿼드코어 ARM 프로세서를 탑재한 고성능 프로세서이며 여러 운영체제를 지원하기 때문에 임베디드 소프트웨어를 개발하는 데 있어 효율성이 높다. 해상 객체 인식의 성능 평가 방법은 총 2가지로 속도와 성능 측면을 비교하였다. 첫 번째로 속도 측면은 그림 11의 20장의 이미지에 대해 기존 방법과 제안하는 방법의 속도를 그림 12에서 비교하였다.
기존의 영상 검출 방법은 대부분 PC에서 소프트웨어를 개발하기 때문에 처리속도를 고려하지 않는 알고리즘을 이용하지만 실제 선박에 설치되려면 임베디드 시스템에 적용되는 것을 고려해야 한다. 해상 이미지의 특성을 파악하여 처리속도를 올리기 위해 기존 허프 변환 대신 이진화 알고리즘으로 검출하는 방법과 성능을 높일 수 있도록 다중 연결 요소 라벨링을 제안하였다.

대상 데이터

CIFAR-10에는 약 6만장이 포함되어 있으며 총 10가지 객체를 가지고 있다. 본 연구에서는 해상에 자주 나타나는 객체인 비행기, 새, 선박의 이미지를 데이터 세트로 수집하였다. 제안하는 영상 전처리 알고리즘은 배경을 제외한 객체 자체만을 인식해야 하므로 오픈 데이터 세트에서 배경을 제거하여 데이터 세트를 전처리하였다.
실험 환경은 임베디드 보드인 라즈베리파이4를 활용하였다. 라즈베리 파이는 1Ghz 이상 쿼드코어 ARM 프로세서를 탑재한 고성능 프로세서이며 여러 운영체제를 지원하기 때문에 임베디드 소프트웨어를 개발하는 데 있어 효율성이 높다.
제안하는 영상 전처리 알고리즘은 배경을 제외한 객체 자체만을 인식해야 하므로 오픈 데이터 세트에서 배경을 제거하여 데이터 세트를 전처리하였다. 학습 이미지는 한 객체당 5,000장으로 3가지 객체가 존재하므로 15,000장의 데이터 세트를 구축하였다.

데이터처리

해상 객체 인식의 성능 평가 방법은 총 2가지로 속도와 성능 측면을 비교하였다. 첫 번째로 속도 측면은 그림 11의 20장의 이미지에 대해 기존 방법과 제안하는 방법의 속도를 그림 12에서 비교하였다.

이론/모형

그림 1과 같이 4-Connect의 경우 인접 픽셀의 상하좌우만 연결로 인정하는 것이고 8-Connect의 경우 대각선 픽셀에 대해서도 연결을 인정하는데 본 논문은 8-Connect 알고리즘을 활용하였다. 그 이유는 해상 배경의 이미지는 주로 날씨의 영향을 많이 받아 이미지 이진화를 수행했을 경우 픽셀이 분리되는 경우가 많아서 이를 방지하기 위함이다.
두 번째로 객체 검출의 평가 방법인 IoU(Intersection over Union) 검증 방법을 활용하여 성능을 측정하였다[15]. IoU는 해상 객체의 정답에 근접하는 최적의 객체 영역 A 와 알고리즘에서 검출된 영역 B의 합집합과 교집합 영역을 수식 1과 같이 계산한 것이며 교집합의 영역의 크기가 클수록 좋은 평가를 나타낸다.
2절에서 수집된 전체 데이터 세트에서 80%의 이미지를 학습 세트로 20%의 이미지를 검증 세트로 구성하여 학습을 진행하였다. 딥러닝 학습은 파이썬으로 작성된 오픈소스 기반의 Keras를 활용하여 진행하였다. 학습을 위한 파라미터로 batch size=35, epochs=60으로 설정하였으며 그림 10은 훈련과정에서 훈련 횟수에 따른 loss 값을 나타내며 학습이 반복적으로 진행될수록 검증 데이터에 대한 오답률이 0%에 수렴하였다.
그림 4는 앞선 두 알고리즘을 해상의 이미지에 적용 결과이다. 본 논문에서는 배경과 바다 영역을 분리하는 것이 목표이므로 영상 전처리 프로세스의 이진화 수행 방법은 Otsu 알고리즘을 적용하였다.
본 논문에서는 해상에서 선박 검출을 고속으로 처리하기 위해 이진화 분할 알고리즘을 선택하였다. 이진 이미지의 실제 선박 검출 후보군을 찾기 위해서 연결 요소 라벨링 알고리즘을 활용하는데 해상에는 다양한 영상 노이즈로 인해 객체 검출 후보군이 많아져 오히려 연산량이 증가하는 문제가 발생한다.
본 연구는 해상에서 배경과 바다 영역을 빠르게 분리하기 위해 입력 이미지에 이진화 알고리즘을 적용하였다. 이진화 알고리즘은 임계값을 전역적으로 고정하는 방법과 유동적으로 변경할 수 있는 2가지 방법이 존재한다.

성능/효과

전처리부에서 기존 방법은 이미지 당 평균 87ms가 수행시간이 소요되었지만 제안하는 방법은 평균 23ms초 정도로 약 4배 이상의 속도 차이가 발생했다. 딥러닝을 포함한 통합 시스템의 경우에는 기존 방법의 경우 하나의 이미지를 처리하는데 약 0.87초 정도 수행되었지만 제안하는 전처리 방법을 적용한다면 약 0.21초의 수행시간을 얻어 4배 이상의 속도를 높였다. 특히 12, 14번의 이미지 경우 수행시간이 다른 처리 시간보다 월등히 많이 수행되는데 이 경우에는 3.
본 논문의 제안하는 해상 객체 인식을 위한 딥러닝 통합 시스템 적용한 결과 속도 측면에서는 약 4배 이상의 속도를 개선할 수 있었고 성능 측면에서도 기존의 알고리즘 방법의 성능 이상을 유지하면서 객체를 찾아내는 효과를 실험을 통해 증명하였다.
그림 11은 본 논문이 제안한 해상 객체 인식 통합 시스템에서 검출 및 인식된 20장의 이미지이다. 이미지의 1, 2열은 입력 이미지이고 3, 4열은 영상 전처리를 적용하였으며 5, 6열은 CNN을 통해 최종적으로 선박이 인식된 결과이며 시스템 통합 구현을 통해 해상의 선박이 잘 검출되고 인식되었음을 확인할 수 있었다.
그림 12의 x축은 그림 11에서 입력 이미지 20개를 차례대로 나열하여 숫자로 라벨링 하였으며 y축은 이미지 1장당 수행 속도 시간을 의미한다. 전처리부에서 기존 방법은 이미지 당 평균 87ms가 수행시간이 소요되었지만 제안하는 방법은 평균 23ms초 정도로 약 4배 이상의 속도 차이가 발생했다. 딥러닝을 포함한 통합 시스템의 경우에는 기존 방법의 경우 하나의 이미지를 처리하는데 약 0.
이후 재연결된 이진 이미지를 다시 한번 연결 요소 라벨링을 수행하면 최종적으로 객체를 검출하게 된다. 제안하는 방법은 연결 요소 라벨링을 2번 수행하지만 최종 선박 후보군의 수는 기존 방법보다 적어져 영상 전처리 이후에 딥러닝에서 객체 인식의 연산량을 줄일 수 있다.
21초의 수행시간을 얻어 4배 이상의 속도를 높였다. 특히 12, 14번의 이미지 경우 수행시간이 다른 처리 시간보다 월등히 많이 수행되는데 이 경우에는 3.3절에서 언급했듯이 해상의 빛의 반사효과 때문에 선박 객체의 픽셀들이 많이 분리되어 있어 검출된 영역의 개수만큼 CNN에서 연산을 수행해야 해야 하므로 처리속도가 느려졌으며 제안하는 알고리즘의 효율적인 성능이 잘 반영된 것을 확인할 수 있었다.
표 2에서도 마찬가지로 ‘General’은 기존 방법을 의미하며 ‘Proposed’는 본 논문에서 제안하는 알고리즘을 적용 평균 IoU의 값은 0.51, 제안하는 방법에서 평균 IoU의 값은 0.61 정도로 확인되었다.
하지만 ‘Proposed’ 방법은 다중 연결 요소 라벨링을 활용하여 분리된 픽셀들을 재연결하여 객체를 찾고 분류함으로 본 연구에서 제안하는 영상 전처리의 유용성을 딥러닝과 통합 구현함으로써 증명하였다.
딥러닝 학습은 파이썬으로 작성된 오픈소스 기반의 Keras를 활용하여 진행하였다. 학습을 위한 파라미터로 batch size=35, epochs=60으로 설정하였으며 그림 10은 훈련과정에서 훈련 횟수에 따른 loss 값을 나타내며 학습이 반복적으로 진행될수록 검증 데이터에 대한 오답률이 0%에 수렴하였다.

후속연구

실제 임베디드 보드에 적용되기 위해서는 30 FPS 이상을 적용하여야 한다. 향후 경량화 딥러닝 방법 Weight Pruning 또는 Quantization과 같은 기술을 적용하여 영상 전처리와 경량화 딥러닝을 통합한 소프트웨어로 실시간 임베디드에 적합하도록 최적화하고 FPGA와 같은 병렬처리 하드웨어 가속기를 적용하여 저비용, 저전력을 지원하여 소형 선박에 실제로 활용할 수 있도록 선박 안전 보조 장치 서비스를 지원할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	MASS란 무엇인가?	MASS(Maritime Autonomous Surface Ship)는 사람의 개입을 최소화하기 위해 ICT 기술을 접목하여 선박이 자율적으로 조종되는 운영방식을 말한다. MASS의 기술 중에는 선박 주변 감시, 장비 상태 모니터링, 선박 기동 및 엔진 등 선박의 운영과 관련된 작업의 일부 또는 전부를 자동으로 운전하는 것을 가능하게 한다.
	허프 변환의 보팅 과정의 한계점은 무엇인가?	허프 변환은 데이터 손실 및 왜곡에도 직선 정보 추출에 용이하여 컴퓨터 비전 분야에 널리 사용되고 있다. 하지만 허프 변환의 보팅 과정은 비효율적인 연산구조와 많은 메모리 접근이 존재하여 임베디드 비전 시스템에 적용하는 것이 한계가 있다[9].
	본 논문에서 8-Connect 알고리즘을 활용한 이유는 무엇인가?	그림 1과 같이 4-Connect의 경우 인접 픽셀의 상하좌우만 연결로 인정하는 것이고 8-Connect의 경우 대각선 픽셀에 대해서도 연결을 인정하는데 본 논문은 8-Connect 알고리즘을 활용하였다. 그 이유는 해상 배경의 이미지는 주로 날씨의 영향을 많이 받아 이미지 이진화를 수행했을 경우 픽셀이 분리되는 경우가 많아서 이를 방지하기 위함이다.

참고문헌 (15)

S. Li and K. S. Fung, "Maritime autonomous surface ships (MASS): implementation and legal issues," Maritime Business Review, vol. 4, no. 4, pp. 330-339, Nov. 2019. https://doi.org/10.1108/MABR-01-2019-0006

상세보기
J. S. Lee, S. K. Lee, D. W. Kim, S. J. Hong, and S. I. Yang, "Trends on Object Detection Techniques Based on Deep Learning," Electronics and Telecommunications Trends, vol. 33, no. 4, pp. 23-32, Aug. 2018. https://doi.org/10.22648/ETRI.2018.J.330403
S. W. Lee, G. D. Lee, J. G. Ko, S. J. Lee, and W. Y. Yoo, "Recent Trends of Object and Scene Recognition Technologies for Mobile/ Embedded Devices," Electronics and Telecommunications Trends, vol. 34, no. 6, pp. 133-144, Dec. 2019. https://doi.org/10.22648/ETRI.2019.J.340612
N. S. Sanjay and A. Ahmadinia, "MobileNet-Tiny: A Deep Neural Network-Based Real-Time Object Detection for Rasberry Pi," IEEE International Conference On Machine Learning And Applications (ICMLA), 2019. https://doi.org/10.1109/ICMLA.2019.00118
H. Zhao, W. Zhang, H. Sun, and B. Xue, "Embedded Deep Learning for Ship Detection and Recognition," Future Internet, vol. 11, no. 2, p. 53, Feb. 2019. https://doi.org/10.3390/fi11020053

상세보기
M. Antonini, T. H. Vu, C. Min, A. Montanari, A. Mathur, and F. Kawsar, "Resource Characterisation of Personal-Scale Sensing Models on Edge Accelerators," in Proceedings of the First International Workshop on Challenges in Artificial Intelligence and Machine Learning for Internet of Things - AIChallengeIoT'19, 2019. https://doi.org/10.1145/3363347.3363363
T. Praczyk, "A quick algorithm for horizon line detection in marine images," Journal of Marine Science and Technology, vol. 23, no. 1, pp. 164-177, Jul. 2017. https://doi.org/10.1007/s00773-017-0464-8
C. Y. Jeong, H. S. Yang, and K. Moon, "Fast horizon detection in maritime images using region-of-interest," International Journal of Distributed Sensor Networks, vol. 14, no. 7, pp. 1-11, Jul. 2018. https://doi.org/10.1177/1550147718790753
J.-R. Lee, K.-R. Bae, and B. Moon, "A Hardware Architecture of Hough Transform Using an Improved Voting Scheme," The Journal of Korea Information and Communications Society, vol. 38A, no. 9, pp. 773-781, Sep. 2013. https://doi.org/10.7840/kics.2013.38A.9.773
L. Di Stefano and A. Bulgarelli, "A simple and efficient connected components labeling algorithm," in Proceedings 10th International Conference on Image Analysis and Processing, pp. 322-327, 1999. https://doi.org/10.1109/ICIAP.1999.797615
D. Bradley and G. Roth, "Adaptive Thresholding using the Integral Image," Journal of Graphics Tools, vol. 12, no. 2, pp. 13-21, Jan. 2007. https://doi.org/10.1080/2151237X.2007.10129236

상세보기
N. Otsu, "A Threshold Selection Method from Gray-Level Histograms," IEEE Transactions on Systems, Man, and Cybernetics, vol. 9, no. 1, pp. 62-66, Jan. 1979. https://doi.org/10.1109/TSMC.1979.4310076

상세보기
Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, vol. 521, no. 7553, pp. 436-444, May 2015. https://doi.org/10.1038/nature14539

상세보기
A. Krizhevsky and G. Hinton, "Convolutional Deep Belief Networks on CIFAR-10", Unpublished Manuscript, Vol.40, pp. 1-9, 2010.
H. Rezatofighi, N. Tsoi, J. Gwak, A. Sadeghian, I. Reid, and S. Savarese, "Generalized Intersection Over Union: A Metric and a Loss for Bounding Box Regression," in 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2019. https://doi.org/10.1109/CVPR.2019.00075

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