[논문]이미지 보정을 통한 야간의 유해 동물 인식률 향상

하영서; 심재창; 김중수

doi:10.9717/kmms.2021.24.10.1311

이미지 보정을 통한 야간의 유해 동물 인식률 향상
Enhancing Harmful Animal Recognition At Night Through Image Calibration 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.24 no.10, 2021년, pp.1311 - 1318

하영서 (Dept. of Computer Eng., Andong National University) , 심재창 (Dept. of Computer Eng., Andong National University) , 김중수 (Dept. of Computer Eng., Andong National University)

Abstract ▼ AI-Helper

Agriculture is being damaged by harmful animals such as wild boars and water deer. It need to get permission to catch a wild boar and farmers are using a lot of methods to chase harmful animals. The methods through deep learning and image processing capture harmful animals with cameras. It is difficult to analyze harmful animals that are active at night. In this case, In this case, using deep learning by image correction can achieve a higher recognition rate.

주제어

표/그림 (13)

그림 Fig. 1. Deep Learning Repellent System architecture.
그림 Fig. 2. Example YOLO precess.
그림 Fig. 3. Result of Training.
그림 Fig. 4. Orignal Image.
그림 Fig. 5. Result of applying Histogram Equalization.
그림 Fig. 6. Result of Applying Background Subtraction.
그림 Fig. 7. Result of Applying Morphology on Fig. 6.
그림 Fig. 8. Result of Mark the Wild Boar.
그림 Fig 9. Result of Extraction Wild Boar Area.
그림 Fig. 10. Result of Deep-Learning of Original Wild Boar Image.
그림 Fig. 11. Result of Deep-Learning of Calibrated Wild Boar Image.
그림 Fig. 12. Result of Deep-Learning of Original Water Deer Image.
그림 Fig. 13. Result of Deep-Learning of Calibrated Waterm Deer Image.

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 딥러닝 인식률 향상을 위한 전처리과정 중에 히스토그램 평활화, 전경 분리, 모폴로지, 관심 영역 추출과 같은 이미지 보정에 대해 연구하였다. 제안된 방법으로 실험한 결과 멧돼지는 원본 영상의 딥러닝 인식 결과는 27%, 이미지 보정 후 딥러닝 인식 결과는 96%를 보여주었다.
본 논문에서는 야간에 출몰하는 멧돼지와 고라니의 딥러닝 인식에 도움을 주는 이미지 보정을 설명한다. 이를 통해 야간에 출몰이 잦은 멧돼지와 고라니가 인식되지 않거나 정확도가 낮은 경우에도 인식이 가능하도록 히스토그램 평활화(Histogram equalization)와 전경 분리(Background Subtraction)를 적용 후 관심 영역(Regionof interest)을 추출을 진행하여 딥러닝 인식률을 향상시키도록 하였다.

제안 방법

본 논문에서는 야간에 출몰하는 멧돼지와 고라니의 딥러닝 인식에 도움을 주는 이미지 보정을 설명한다. 이를 통해 야간에 출몰이 잦은 멧돼지와 고라니가 인식되지 않거나 정확도가 낮은 경우에도 인식이 가능하도록 히스토그램 평활화(Histogram equalization)와 전경 분리(Background Subtraction)를 적용 후 관심 영역(Regionof interest)을 추출을 진행하여 딥러닝 인식률을 향상시키도록 하였다.

대상 데이터

딥러닝 유해 동물 퇴치기의 가장 핵심적인 부분은젯슨 나노 보드(JetsonNanoBoard)이다. 젯슨 나노 보드는 엔비디아(NVIDIA)사에서 개발이 되었으며 인공지능 연산을 하기 위해 GPU가 탑재된 소형 보드이다.
사람 데이터는 약 1000여 장, 멧돼지와 고라니는 데이터 부족을 해결하기 위해 멧돼지는 돼지 데이터와 혼합하여 훈련하였고 고라니는 노루, 사슴 데이터로 혼합하여 훈련하였다. 멧돼지는 약 900여 장, 고라니는 약 300여 장을 훈련에 사용하였다.
테스트 환경은 엔비디아사의 젯슨 나도 보드에서 진행이 되었으며 OS는 Ubunut18.04를 이용하였다. Fig.

이론/모형

퇴치가 지연되는 경우에는 밭이나 논으로 들어갈 수 있으므로 발견 즉시 퇴치하는 것이 좋다. 본 논문에서는 실시간 인식에 적합한 욜로 모델을 이용한다.

성능/효과

고라니는 원본 영상 인식에는 실패하였으며 보정된 이미지는 48% 의 정확도를 보였다. 고라니는 데이터가 충분하지 못하여 원본 영상은 딥러닝 인식에 어려움이 있었으나 보정된 이미지에서는 인식가 되는 결과를 보여주었다. 데이터가 부족한 경우에도 이미지 보정을 통하여인식가 가능하다는 것을 보아 이는 데이터 부족으로 인한 단점을 개선할 수 있을 것으로 보인다.
고라니는 데이터가 충분하지 못하여 원본 영상은 딥러닝 인식에 어려움이 있었으나 보정된 이미지에서는 인식가 되는 결과를 보여주었다. 데이터가 부족한 경우에도 이미지 보정을 통하여인식가 가능하다는 것을 보아 이는 데이터 부족으로 인한 단점을 개선할 수 있을 것으로 보인다. 딥러닝훈련에 있어서 데이터를 많이 수집하는 것이 중요하지만 멧돼지나 고라니 같은 야간에 활동하는 동물들의 이미지 데이터는 수집하기가 힘들기 때문에 이미지 보정을 통하여 딥러닝 인식률을 향상시키는 것도 도움 된다.
데이터가 부족한 경우에도 이미지 보정을 통하여인식가 가능하다는 것을 보아 이는 데이터 부족으로 인한 단점을 개선할 수 있을 것으로 보인다. 딥러닝훈련에 있어서 데이터를 많이 수집하는 것이 중요하지만 멧돼지나 고라니 같은 야간에 활동하는 동물들의 이미지 데이터는 수집하기가 힘들기 때문에 이미지 보정을 통하여 딥러닝 인식률을 향상시키는 것도 도움 된다.
11은 96%의 인식률을 보여준다. 원본 이미지와 이미지 보정을 한 이미지의 딥러닝 인식률 결과는 약 70%정도의 인식률 향상이 있는 것을 볼 수 있다.
본 논문에서는 딥러닝 인식률 향상을 위한 전처리과정 중에 히스토그램 평활화, 전경 분리, 모폴로지, 관심 영역 추출과 같은 이미지 보정에 대해 연구하였다. 제안된 방법으로 실험한 결과 멧돼지는 원본 영상의 딥러닝 인식 결과는 27%, 이미지 보정 후 딥러닝 인식 결과는 96%를 보여주었다.고라니는 원본 영상 인식에는 실패하였으며 보정된 이미지는 48% 의 정확도를 보였다. 고라니는 데이터가 충분하지 못하여 원본 영상은 딥러닝 인식에 어려움이 있었으나 보정된 이미지에서는 인식가 되는 결과를 보여주었다.

후속연구

멧돼지와 고라니의 크기에 따라 매번 모폴로지의 필터 및 반복횟수를 조정하는 것은 불가능하다. 영상 처리를 통한 딥러닝 인식률 향상과 더불어 고라니와 멧돼지 크기에 따라서 문제없이 관심 영역을 추출할 방법이 개발되면 야간에 멧돼지와 고라니를 찾는 작업이 수월하게 되어 유해 동물을 쫓는데 큰 도움이 될 것으로 기대한다.

참고문헌 (15)

K.K. Wagner and D.L. Nolte, "Comparison of Active Ingredients and Delivery Systems Indeer Repellents," Wildlife Society Bulletin, Vol. 29, No. 1, pp. 322-330, 2001.

상세보기
Using Sound to Keep Crops Safe, https://modernfarmer.cm/2013/11/fake-bird-calls-pneumatic-cannons-keeps-crops-safe/ (accessed December 29, 2020).
A. Lee, S. Park, and J. Hong, "Development of a Yolo-Based System for Prevention of Wildlife Damage," Journal Korea Information Science Society, pp. 2897-1899, 2018.
Y. Ha and J, Chang, "Wild Animal Repellent System For Prevention of Crop Damage By Wild Boars," Journal of Korea Multimedia Society, Vol. 24, No. 2, pp. 215-221, 2021.

원문보기 상세보기
C. Woo, "Design and Implementation of Farm Pest Animals Repelling System Based on Open Source," Journal of Korea Multimedia Society, Vol. 19, No. 2, pp. 451-445, 2016.

원문보기 상세보기
C. Chen, Q. Chen, J. Xu, and V. Koltun, "Learning to See in the Dark," Conference on Computer Vision and P attern Recognition, 2018.
K. Kim, "Fuzzy Stretching Method of Color Image," Journal of The Korea Society of Computer and Information, Vol. 18, No. 5, pp. 19-23, 2013.

원문보기 상세보기
S. Yang, M. Park, S. Jang, and S. Hong, "Backlight Correction Algorithm based on three-dimensional Histogram," Journal of Korea Multimedia Society, Vol. 12, No. 1 pp. 28-31, 2009.
Y. Jung, Enhancement of Low-light Surveillance Video using Deep Learning, Master of School of Computer Science and Engineering, Kyungpook National University, 2018.
X. Chen, Image Enhancement Effect on the P erformance of Convolutional Neural Networks, Master of Science in Computer of Faculty of Computing Blekinge Institute of Technology, 2019.
S. Woo, "Synthesis of contrast CT image using deep learning network," Journal of The Korea Society of Computer and Information, Vol. 21, No. 9, pp. 465-467, 1019.
A. Jo, J. Park, Y. Seo, and G. Jang, "Performance Improvement of Human Detection in Thermal Images using Principal Component Analysis and Blob Clustering," The Journal of the Institute of Internet, Broadcasting and Communication, Vol. 13, No. 2, pp. 157-163, 2013.

원문보기 상세보기
B. Koo, G. Jung, A. Kim, and H. Lee, "Smart home CCTV Using Object Detection," Journal of Information P rocessing Systems, Vol. 27, No. 2, pp. 312-314, 2020.
H. Lee, S. Rhee, and Y. Kim, "Traffic Signal Control by using Pedestrian's Action Analysis," The Journal of Korean Institute of Intelligent Systems, Vol. 19, No. 2, pp. 333-336, 2009.
GwangJin, Equipment for Controlling Harmful Animals Using IoT Deep Learning, 10-2018-0007540, Korea, 2018.

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