[논문]드론영상과 YOLOv7x 모델을 이용한 활성산불 객체탐지

박강현; 강종구; 최소연; 윤유정; 김근아; 이양원

doi:10.7780/kjrs.2022.38.6.2.13

[국내논문] 드론영상과 YOLOv7x 모델을 이용한 활성산불 객체탐지
Detection of Active Fire Objects from Drone Images Using YOLOv7x Model 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.6 pt.2, 2022년, pp.1737 - 1741

박강현 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 강종구 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 최소연 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 윤유정 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 김근아 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 이양원 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공)

초록
AI-Helper

고해상도 드론영상과 딥러닝 기술을 결합한 활성산불 감시는 이제 초기단계로 다방면의 연구개발을 필요로 한다. 이 단보에서는 드론영상 산불탐지에 아직 사용되지 않았던 state-of-the-art (SOTA) 모델인 You Only Look Once Version 7 (YOLOv7) 기반의 활성산불 객체탐지를 수행하였으며, 동일한 데이터셋을 사용한 선행연구에 비해 F1점수가 약 0.05 향상된 성과를 거두었다. 향후 우리나라에서도 광역적인 산불감시에 적용될 수 있도록 추가적인 기술 개발이 계속 필요할 것이다.

Abstract ▼ AI-Helper

Active fire monitoring using high-resolution drone images and deep learning technologies is now an initial stage and requires various approaches for research and development. This letter examined the detection of active fire objects using You Look Only Once Version 7 (YOLOv7), a state-of-the-art (SOTA) model that has rarely been used in fire detection with drone images. Our experiments showed a better performance than the previous works in terms of multiple quantitative measures. The proposed method can be applied to continuous monitoring of wide areas, with an integration of additional development of new technologies.

주제어

표/그림 (5)

그림 Fig. 1. Creation of a bounding box label for active fire objects.
그림 Fig. 2. Confusion matrix of prediction result.
표 Table 1. Performance measures for the prediction result
그림 Fig. 3. Images with true bounding boxes.
그림 Fig. 4. Predicted bounding boxes with confidence score.

AI 본문요약
AI-Helper

제안 방법

훈련 및 검증 시에는 일반화 성능 향상과 과적합 방지를 위하여 좌우반전, 색상·채도·명도 조정, 이미지 스케일 조정, 모자이크를 통한 자료 변형 등 영상자료증대(image data augmentation) 기법을 적용하였다. 또한 COCO 데이터셋으로 사전훈련된(pre-trained) 가중치체계를 반입(import)하여 전이학습(transfer learning)을 수행하였다.

대상 데이터

원본 자료는 비디오 영상이었는데, 프레임 추출을 통해 2,003장의 이미지가 생성되었고, FLAME 데이터셋은 3,480 × 2,160 화소의 Red-Green-Blue (RGB) 이미지로 구성되었다.
전체 2,003장의 영상은 셔플링(shuffling) 후 8:1:1로 나누어, 훈련 1,602장, 검증 200장, 시험평가 201장으로 구성하였다. 훈련 및 검증 시에는 일반화 성능 향상과 과적합 방지를 위하여 좌우반전, 색상·채도·명도 조정, 이미지 스케일 조정, 모자이크를 통한 자료 변형 등 영상자료증대(image data augmentation) 기법을 적용하였다.
활성산불 탐지를 위해 사용한 FLAME 데이터셋은 2020년 1월 16일 미국 애리조나주 북부에 위치한 소나무 숲에서 모닥불을 피운 후 이를 드론으로 촬영한 것이다(Shamsoshoara et al., 2021). 원본 자료는 비디오 영상이었는데, 프레임 추출을 통해 2,003장의 이미지가 생성되었고, FLAME 데이터셋은 3,480 × 2,160 화소의 Red-Green-Blue (RGB) 이미지로 구성되었다.

데이터처리

이 단보에서는 정밀도(precision), 재현율(recall), F1점수, Average Precision (AP)을 사용하여 탐지성능에 대한 평가를 수행하였다. 정답 바운딩박스와 예측 바운딩 박스의 교집합과 합집합의 비율로 구해지는 Intersection over Union (IoU)에 특정 임계치를 적용하면 혼동행렬(confusion matrix)을 생성할 수 있다.

이론/모형

훈련 및 검증 시에는 일반화 성능 향상과 과적합 방지를 위하여 좌우반전, 색상·채도·명도 조정, 이미지 스케일 조정, 모자이크를 통한 자료 변형 등 영상자료증대(image data augmentation) 기법을 적용하였다

성능/효과

고해상도 드론영상과 딥러닝 영상인식을 결합한 활성산불 감시는 이제 초기단계로 다방면의 기술개발을 필요로 한다. 이 단보에서는 드론영상 산불탐지에 아직 사용되지 않았던 SOTA 모델인 YOLOv7x 기반의 활성산불 객체탐지를 수행하였으며, 동일한 데이터셋을 사용한 선행연구에 비해 F1점수가 약 0.05 향상된 성과를 거두었다. 향후 우리나라에서도 광역적인 산불감시에 적용될 수 있도록 추가적인 기술개발이 계속 필요할 것이다.

후속연구

그 외에는 거의 모든 바운딩박스가 높은 신뢰도로 탐지되었고, 꺼져가는 불씨와 나무에 가려진 활성산불 객체까지도 탐지되는 경우가 많았다. 최신의 YOLOv7x 모델 기반의 활성산불 객체탐지가 높은 정확도를 나타냈기 때문에, 향후 드론의 배터리 성능향상과 더불어, 광역에 걸친 지속적인 산불감시에 적용될 수 있을 것으로 기대된다.
05 향상된 성과를 거두었다. 향후 우리나라에서도 광역적인 산불감시에 적용될 수 있도록 추가적인 기술개발이 계속 필요할 것이다.

참고문헌 (9)

Chen, X., B. Hopkins, H. Wang, L. O'Neill, F. Afghah, A. Razi, P. Fule, J. Coen, E. Rowell, and A. Watts, 2022. Wildland fire detection and monitoring using a drone-collected RGB/IR image dataset, IEEE Access, 10: 121301-121317. https://doi.org/10.1109/ACCESS.2022.3222805

상세보기
Ghali, R., M.A. Akhloufi, and W.S. Mseddi, 2022. Deep learning and transformer approaches for UAV-based wildfire detection and segmentation, Sensors, 22(5): 1977. https://doi.org/10.3390/s22051977

상세보기
Grammalidis, N., K. Dimitropoulos, and E. Cetin, 2017. FIRESENSE, https://zenodo.org/record/836749, Accessed on Nov. 30, 2022.
IEEE (Institute of Electrical and Electronics Engineers), 2022. FLAME, https://ieee-dataport.org/open-access/flame-dataset-aerial-imagery-pile-burn-detection-using-drones-uavs, Accessed on Nov. 30, 2022.
Kim, G., D.S. Kim, K.W. Park, J. Cho, K.S. Han, and Y.W. Lee, 2014. Detecting wildfires with the Korean geostationary meteorological satellite, Remote Sensing Letters, 5(1): 19-26. https://doi.org/10.1080/2150704X.2013.862602

상세보기
Li, M., Y. Zhang, L. Mu, J. Xin, X. Xue, S. Jiao, H. Liu, G. Xie, and Y. Yi, 2022. A real-time forest fire recognition method based on R-shufflenetv2, Proc. of the 5th International Symposium on Autonomous Systems (ISAS), Hangzhou, China, Apr. 8-10, pp. 1-5. https://doi.org/10.1109/ISAS55863.2022.9757053
Wang, C.Y., A. Bochkovskiy, and H.Y.M. Liao, 2022. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors, arXiv preprint arXiv:2207.02696. https://doi.org/10.48550/arXiv.2207.02696
Xue, Z., H. Lin, and F. Wang, 2022. A small target forest fire detection model based on YOLOv5 improvement, Forests, 13(8): 1332. https://doi.org/10.3390/f13081332

상세보기
Zhou, M., J. Li, and S. Liu, 2022. Fire detection based on improved YOLOv5s, In: Pimenidis, E., Angelov, P., Jayne, C., Papaleonidas, A., Aydin, M. (eds), Artificial Neural Networks and Machine Learning - ICANN 2022, Springer, Cham, Switzerland, vol. 13532. pp 88-100. https://doi.org/10.1007/978-3-031-15937-4_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