[논문]인공지능 기반 유해조류 탐지 관제 시스템

심현

doi:10.13067/jkiecs.2021.16.1.175

인공지능 기반 유해조류 탐지 관제 시스템
Artificial Intelligence-Based Harmful Birds Detection Control System 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.16 no.1, 2021년, pp.175 - 182

초록
AI-Helper

본 논문에서는 오리와 같은 유해조류에 의한 양식장의 피해를 방지하기 위해서 머신러닝 기반 해상용 드론 개발을 목적으로 한다. 기존 드론은 공중에서 새와 충돌하거나 바다에 떨어지는 경우 유실되는 문제점을 해결하기 위해서 해상드론으로 개발하였다. 자율주행으로 작동하는 해상드론이 해상에 나타난 유해조류를 판단하기 위해 CNN기반 머신러닝 학습 알고리즘을 설계하였다. 유해조류의 위치 인식 및 추적을 위해 카메라에 라즈베리파이를 연결하여 관제 PC로 영상을 전송하도록 설계하였다. 모바일 기반 관제 센터에서 미리 GPS 좌표와 연동된 맵을 미리 제작한 후, 유해조류의 위치에 대한 GPS 위치값을 전달받아 설정된 위치로 해상용 드론이 출동하여 유해조류를 퇴치하는 자율주행 기반의 해상용 조류 퇴치 드론 시스템을 설계 및 구현하였다.

Abstract ▼ AI-Helper

The purpose of this paper is to develop a machine learning-based marine drone to prevent the farming from harmful birds such as ducks. Existing drones have been developed as marine drones to solve the problem of being lost if they collide with birds in the air or are in the sea. We designed a CNN-based learning algorithm to judge harmful birds that appear on the sea by maritime drones operating by autonomous driving. It is designed to transmit video to the control PC by connecting the Raspberry Pi to the camera for location recognition and tracking of harmful birds. After creating a map linked with the location GPS coordinates in advance at the mobile-based control center, the GPS location value for the location of the harmful bird is received and provided, so that a marine drone is dispatched to combat the harmful bird. A bird fighting drone system was designed and implemented.

주제어

표/그림 (11)

그림 그림 1. 유해조류 감지 시스템 구성도 Fig. 1 Configuration of harmful birds detection system
그림 그림 2. 유해조류 분석 모듈 세부 구성도 Fig. 2 Detailed configuration diagram of harmful bird analysis module
표 표 1. 개발 환경 Table 1. Development environment
그림 그림 3. 유해조류 머신러닝 학습 구성도 Fig. 3 Harmful bird machine learning structure diagram
그림 그림 4. 유해조류 위치 측정 알고리즘 Fig. 4 Algorithm for measuring the location of harmful birds
그림 그림 5. 유해조류 관제 시스템 구성도 Fig. 5 Configuration of harmful bird control system
그림 그림 6. 드론 및 양식장 모니터링 구성도 Fig. 6 Drone and farm monitoring diagram
그림 그림 7. 장애물 위치 등록된 데이터베이스 Fig. 7 Obstacle location registered database
표 표 2. LPA 사전승인 요청시 제출 사항 Table 2. IPA submit your request prior authorization
표 표 3. LPA 사전승인 요청시 제출 사항 Table 3. IPA submit your request prior authorization
표 표 4. LPA 사전승인 요청시 제출 사항 Table 4. IPA submit your request prior authorization

AI 본문요약
AI-Helper

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

문제 정의

해양에서 정확히 문제가 되는 유해한 조류를 퇴치하기 위해서는 이동성이 뛰어난 장치를 사용해야 하기 때문에 드론과 같은 빠른 이동체를 활용한 퇴치 시스템 개발이 필요하다. 그러나 바다와 같이 바람의 영향을 받아 드론의 비행에 문제가 생기고 조류와 충돌 가능성으로 인해 드론이 손상되거나 침몰하는 문제 등이 발생하여 본 연구에서는 바다에 최적화 된 보트형 드론을 개발하게 되었다.
본 논문에서는 오리와 같은 유해조류에 의한 양식장의 피해를 방지하기 위해서 머신러닝 기반 해상용드론 개발을 목적으로 한다.
이러한 문제를 해결하기 위해 카메라 영상이미지를 통해 머신러닝을 활용하여 분석 및 탐지하고 카메라 영상과 GPS를 이용하여 조류의 위치를 파악하는 알고리즘을 개발하여 조류를 해치지 않고 쫒아낼 수 있는 해상 양식장 운영에 최적화된 지능형 유해조류 퇴치 시스템을 설계하였다. 본 논문에서는 유해조류만을 탐지하여 퇴치활동을 할 수 있도록 머신러닝 기반 영상 분석 알고리즘을 설계하고[4, 6-13], 유해조류 판단 시 드론을 자동 또는 수동으로 출격시킬 수 있는 관제시스템을 개발한다. 또한 유해조류 출몰 상황과 드론의 퇴치 활동을 확인할 수 있는 모니터링 시스템을 개발한다.
본 논문에서는 해상용 드론에 대한 설계와 해상 스테이션, 그리고 유해조류를 퇴치하기 위한 아두이노로 개발된 확성기, 섬광 등에 대해서는 추후에 설명하고자 한다. 본 시스템은 효과적인 사용을 위하여 양식장에서 실증평가를 통해 기능들을 보완 중이며, 인공 지능을 이용한 유해조류 판별 연구, 자율주행을 이용하여 신속하게 드론이 조류 위치로 이동하고 임무 후 복귀하는 연구를 개선하는 중이다.
한다. 본 시스템은 효과적인 사용을 위하여 양식장에서 실증평가를 통해 기능들을 보완 중이며, 인공 지능을 이용한 유해조류 판별 연구, 자율주행을 이용하여 신속하게 드론이 조류 위치로 이동하고 임무 후 복귀하는 연구를 개선하는 중이다.

제안 방법

고정식 장애물 GPS위치를 확인가능하도록 상공 촬영 영상에 위치 값을 표시하고 고정식 장애물의 이름, 위도, 경도, 반경 등을 데이터로 DB에 등록하고 이에 대한 정보를 조회 할 수 있도록 SW를 개발하였다.
머신러닝 학습방식은 1초 간격으로 두 대의 카메라에서 촬영된 해상 영상 중 조류 탐색 알고리즘을 통해 조류가 탐지된 영상을 구분한다[그림 3]. 구분된 조류 탐지 영상에서 조류 영역 이미지 추출하고, 추출된 이미지를 대상으로 머신러닝 학습을 한다. 새로 촬영된 영상에서 조류가 촬영된 이미지를 분류하고 분류된 이미지에서 조류 부분만 추출한 후, 추출한 조류 이미지를 학습한 머신러닝에 프로그래밍하여 일치율을 확인한다.
기존에 머신러닝 알고리즘을 사용하여 육상에서 조류를 추적하는 연구[2, 8]는 있었으나, 본 연구에서는 수상에서 해수면 근처의 유해조류의 위치 인식 및 추적을 위해 카메라에 라즈베리파이를 연결하여 관제 PC로 촬영된 영상을 송출하고 해당 이미지를 머신러닝 학습을 실시하였다. 이는 육상에 설치된 고해상도카메라와 해상드론에 설치된 카메라의 영상을 동시에 촬영하고 송출하는 방식을 이용하였다.
본 논문에서는 유해조류만을 탐지하여 퇴치활동을 할 수 있도록 머신러닝 기반 영상 분석 알고리즘을 설계하고[4, 6-13], 유해조류 판단 시 드론을 자동 또는 수동으로 출격시킬 수 있는 관제시스템을 개발한다. 또한 유해조류 출몰 상황과 드론의 퇴치 활동을 확인할 수 있는 모니터링 시스템을 개발한다. 오픈소스 하드웨어 플랫폼으로 아두이노와 라즈베리파이를 사용하였고 주변에 Zigbee, WiFi, RF, GPS 등의 통신 모듈과 LED 램프, 확성기 등을 사용하는 유해조류 퇴치 시스템을 설계 및 구현했다.
라즈베리파이를 중심으로 카메라 영상 이미지를 머신러닝 알고리즘으로 분석하고 모바일 기반 관제 센터에서 탐지하고 GPS 위치 좌표값으로 드론을 운항한다. 아두이노를 중심으로 통신 모듈과 소리를 저장하고 재생하는 부분으로 구성된 서버와 감지 부분과 퇴치용 섬광과 불빛을 번쩍이는 발광 모듈로 구성된다.
유해조류의 위치 인식 및 추적을 위해 카메라에 라즈베리파이를 연결하여 관제 PC로 영상을 전송하도록 설계하였다. 모바일 기반 관제 센터에서 미리 맵을 제작하고 GPS 좌표를 연동한 후, 유해조류의 위치에 대한 GPS 위치값을 도출하여 설정된 위치로 해상용 드론이 출동하는 자율주행 해상용 조류퇴치 드론 시스템을 설계 및 구현하였다. 딥러닝 시스템의 성능평가는 기존에 연구된 AlexNet과 VGGNet 모델[4, 11]과의 비교 및 분석을 통해서 향상된 성능을 확인할 수 있었다.
본 연구에서 제안하는 머신러닝 시스템의 성능평가는 2가지 데이터 집합으로 진행하였다. 첫 번째는 CIFAR-10과 영상 수집모듈에 저장된 유해조류 데이터를 활용해 기존에 연구된 AlexNet과 VGGNet 모델 [4, 11]과의 비교 및 분석을 통한 정성적인 평가를 진행하였다.
Residual blocke 깊은 네트워크에서 발생하는 그라디언트 소실 문제를 해결하기 위해 이전 합성곱 계층의 학습 내용을 다음 계층에 전달하여 이전 학습치 소실을 방지하는 역할을 한다. 본 연구에서는 conv, pool, F.C 계층을 심층적으로 쌓아 구성하였으며, conv 계층에서 유해 조류이미지의 특징점 추출 시 활성화 함수로 ReLU를 사용한다. pool 계층에서는 Max pool 기법을 활용하여 추출된 특징들의 차원 줄이는 Subsampling 과정을 진행한다.
구분된 조류 탐지 영상에서 조류 영역 이미지 추출하고, 추출된 이미지를 대상으로 머신러닝 학습을 한다. 새로 촬영된 영상에서 조류가 촬영된 이미지를 분류하고 분류된 이미지에서 조류 부분만 추출한 후, 추출한 조류 이미지를 학습한 머신러닝에 프로그래밍하여 일치율을 확인한다. 이때 32, 64, 128 등의 픽셀별 이미지를 테스트하여 결과값확인한다.
중심으로 구성된다. 시스템은 첫째 딥러닝을 이용한 조류 탐지 분석 알고리즘 기술 개발(SW), 둘째 유해조류 탐지 모니터링 앱 개발(SW), 셋째 유해조류 퇴치용 드론 펌웨어 개발(SW), 넷째 유해조류탐지 관제 시스템 개발(SYS)을 위한 4부분으로 구성된다.
영상 송신 절차는 우선 카메라와 라즈베리파이를 연결하여 영상을 촬영하고, 라즈베리파이에 LTE 모듈을 설치하여 영상을 송신한다. 그리고 관제 PC에서 라즈베리파이로 RTSP 프로토콜을 이용하여 영상 송출한다[그림 5].
또한 유해조류 출몰 상황과 드론의 퇴치 활동을 확인할 수 있는 모니터링 시스템을 개발한다. 오픈소스 하드웨어 플랫폼으로 아두이노와 라즈베리파이를 사용하였고 주변에 Zigbee, WiFi, RF, GPS 등의 통신 모듈과 LED 램프, 확성기 등을 사용하는 유해조류 퇴치 시스템을 설계 및 구현했다. 관리의 편의를 위해 서안 드로이드 스마트폰을 사용했다.
우선, 해양에서 서식하는 조류 중에서 유해조류를 판단하기 위해 CNN기반 머신러닝 학습 알고리즘을 설계하였다. 유해조류의 위치 인식 및 추적을 위해 카메라에 라즈베리파이를 연결하여 관제 PC로 영상을 전송하도록 설계하였다.
유해조류의 위치 인식 및 추적을 위해 카메라에 라즈베리파이를 연결하여 관제 PC로 영상을 전송하도록 설계하였다. 모바일 기반 관제 센터에서 미리 맵을 제작하고 GPS 좌표를 연동한 후, 유해조류의 위치에 대한 GPS 위치값을 도출하여 설정된 위치로 해상용 드론이 출동하는 자율주행 해상용 조류퇴치 드론 시스템을 설계 및 구현하였다.
학습을 실시하였다. 이는 육상에 설치된 고해상도카메라와 해상드론에 설치된 카메라의 영상을 동시에 촬영하고 송출하는 방식을 이용하였다. 머신러닝 학습방식은 1초 간격으로 두 대의 카메라에서 촬영된 해상 영상 중 조류 탐색 알고리즘을 통해 조류가 탐지된 영상을 구분한다[그림 3].
문제가 발생한다. 이러한 문제를 해결하기 위해 카메라 영상이미지를 통해 머신러닝을 활용하여 분석 및 탐지하고 카메라 영상과 GPS를 이용하여 조류의 위치를 파악하는 알고리즘을 개발하여 조류를 해치지 않고 쫒아낼 수 있는 해상 양식장 운영에 최적화된 지능형 유해조류 퇴치 시스템을 설계하였다. 본 논문에서는 유해조류만을 탐지하여 퇴치활동을 할 수 있도록 머신러닝 기반 영상 분석 알고리즘을 설계하고[4, 6-13], 유해조류 판단 시 드론을 자동 또는 수동으로 출격시킬 수 있는 관제시스템을 개발한다.
자율주행을 위해서 해상의 고정 및 이동식 장애물을 드론 스스로 인지하고 회피하는 기능을 설계하였다. 고정식 장애물인 경우는 관제시스템에 장애물 영역의 GPS 값을 미리 입력해두고 드론 이동경로에 포함되지 않도록 경로 값을 재설정해서 회피하고, 이동식 장애물을 인지 및 회피하기 위해서 관제 CCTV에 이동형 장애물 (배 등)이 화면에 나타나는 경우 사람이 드론에 정지 명령 송신하고 드론은 즉시 멈추어 장애물과의 충돌을 예방하도록 설계하였다.
2가지 데이터 집합으로 진행하였다. 첫 번째는 CIFAR-10과 영상 수집모듈에 저장된 유해조류 데이터를 활용해 기존에 연구된 AlexNet과 VGGNet 모델 [4, 11]과의 비교 및 분석을 통한 정성적인 평가를 진행하였다. 표 2는은 각 모델에 대한 학습 환경이다.
설치될 양식장에 미리 드론을 이용해 양식장의 위치 정보를 데이터베이스로 구축하는 단계이다. 카메라 두대를 이용해 촬영된 드론의 사진상 객체 위치 및 각도, GPS 위치 정보를 데이터베이스로 저장한다. 2단계로 위치 정보를 추출한다.
2단계로 위치 정보를 추출한다. 카메라 두대에 촬영된 유해조류의 사진상객체 위치 및 각도를 이용해 데이터베이스에서 GPS 위치 정보를 추출한다[그림 4].

대상 데이터

CNNe 기존 사물 인식 분야에서 사용되던 알고리즘보다 월등히 뛰어난 성능을 보인다[6-8]. 제안하는 시스템의 딥러닝 모델은 ResNet56을 기반으로 하며 총 56-Layer로 구성한다. 그림 2는 본 연구에서 제안하는 유해조류 탐지 모델로 이미지 분석 모듈을 세부적으로 나타낸 구성도이다.

데이터처리

1) 첫 번째 성능평가에서는 32×32 크기의 CIFAR-10 데이터 집합을 입력으로 사용하여 기존 연구와 비교한다. 3가지 모델 모두 500 Epoch의 학습을 반복하였고, 0.
2) 두번째 성능평가에서는 256×256 크기의 유해조류 데이터 집합을 입력하여 기존 모델과 비교하였다. 3가지 모델 모두 1000 Epoch의 학습을 반복하였고, 0.

이론/모형

본 연구에서 유해조류 여부를 판단하기 위해 영상인식 분야에서 가장 많이 활용되는 머신러닝 기법인 CNN(Convolutional Neural Network)을 활용한다. CNNe 기존 사물 인식 분야에서 사용되던 알고리즘보다 월등히 뛰어난 성능을 보인다[6-8].

성능/효과

모바일 기반 관제 센터에서 미리 맵을 제작하고 GPS 좌표를 연동한 후, 유해조류의 위치에 대한 GPS 위치값을 도출하여 설정된 위치로 해상용 드론이 출동하는 자율주행 해상용 조류퇴치 드론 시스템을 설계 및 구현하였다. 딥러닝 시스템의 성능평가는 기존에 연구된 AlexNet과 VGGNet 모델[4, 11]과의 비교 및 분석을 통해서 향상된 성능을 확인할 수 있었다.
001%의 학습률, 200의 Batch를 적용한다. 테스트데이터 검증 결과[4](AlexNet) 67.4%, [11](ResNet-44) 80.9%, 제안하는 모델은 81.2%로 기존 2가지 모델보다 향상된 성능을 확인할 수 있었다.
01%의 학습률과 64의 Batch를 적용한다. 테스트데이터 검증 결과[4](AlexNet) 86.04%, [9](ResNet-44) 91.96%, 제안하는 모델은 92.57%로 기존 2가지 모델보다 향상된 성능을 확인할 수 있었다.

참고문헌 (13)

J. Woo, "Design and Implementation of Farm Pest Animals Repelling System Based on Open Source," Journal of Korea Multimedia Society, vol. 19, no. 2, 2016, pp. 451-549.

원문보기 상세보기
M. Bae, K. Kang, and W. Hong, "AI-Based Object Detecting and Tracking Integrated System," The Korean Institute of Industrial Engineer," vol. 19, no. 11, 2019, pp. 3249-3251.
J. Kim and Y. Shin, "A Study on Deep Learning-based Pedestrian Detection and Alarm System," The J. of The Korea Institute of Intelligent Transport Systems, vol. 18, no. 4, Aug. 2019, pp. 58-70.
A. Krizhevsky, I. Sutskever, and G. E. Hinton, "ImageNet Classification with Deep Convolutional Neural Networks," NIPS'12 Proceedings of the 25th International Conference on Neural Information Processing Systems, NV, US, 2012, pp. 1097-1105.
D. Lee, Y. G. Sun, S. H. Kim, I. S. Sim, K. S. Lee, M. N. Song, and J. Y. Kim, "Transfer Learning-based Object Detection Algorithm Using YOLO Network," J. of The Institute of Internet, Broadcasting and Communication, vol. 20, no. 1, Feb. 29, 2020, pp. 219-223.

원문보기 상세보기
D. Lee, E. Cho, and D. Lee, "Evaluation of Building Detection from Aerial Images Using Region-based Convolutional Neural Network for Deep Learning," J of the Korean Society of Surveying, Geodesy, Photogrammetry, and Cartography, vol. 36 no. 6, 2018, pp. 469-481.

원문보기 상세보기
D. Chung, M. Lee, H. Kim, J. Park, and I. Lee, "Development of Forest Fire Monitoring System Using a Long-Term Endurance Solar Powered Drone and Deep Learning," The Korean Society For Geospatial Information System, vol.28 no.2, 2020, pp. 29-38.
J. Kang, W. Seo, M. Rahimy, S. Kim, S. Park, and K. Choi, "Development of a small-scale unmanned helicopter system with object detection and collision avoidance capability using multiple sensors and artificial intelligence," The Korean Society for Aeronautical & Space Sciences, Nov. 2019, pp. 542-543.
Y. Kim, S. Park, and D. Kim, "Research on Robust Face Recognition against Lighting Variation using CNN," J. of the Korea Institute of Electronic Communication Sciences, vol. 12, no. 2, Apr. 30. 2017, pp. 325-330.

원문보기 상세보기
J. Kong and M. Jang, "Association Analysis of Convolution Layer, Kernel and Accuracy in CNN," J. of the Korea Institute of Electronic Communication Sciences, vol. 14, no. 6, Dec. 31. 2019, pp. 1153-1160.

원문보기 상세보기
K. He, X. Zhang, S. Ren, and J. Sun, "Deep Residual Learning for Image Recognition," 2016 IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, USA, 2016, pp. 770-778.
D. Chung, M. Lee, H. Kim, and I. Lee, "Development of the Real Time Marin Debris Detection System base on the Deep Learning and Drone Image," Korean Society for Geospatial Information Science, vol. 2019 no. 11, 2019, pp. 136-138.
S. Yoon, S. Cha, S. Hwang, and J. Jung, and S. Park, "Study on Effective Micro-Doppler Feature for Classifying Drones and Birds," Korean Institute of Information Technology, vol. 17, no. 4, 2019, pp. 99-108.

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