[논문]YOLO 알고리즘 기반 국토위성영상의 선박 모니터링 가능성 평가 연구: 부산 신항과 캘리포니아 오클랜드항을 대상으로

박상철; 박영빈; 장소영; 김태호

doi:10.7780/kjrs.2022.38.6.1.35

YOLO 알고리즘 기반 국토위성영상의 선박 모니터링 가능성 평가 연구: 부산 신항과 캘리포니아 오클랜드항을 대상으로
A Study on Evaluating the Possibility of Monitoring Ships of CAS500-1 Images Based on YOLO Algorithm: A Case Study of a Busan New Port and an Oakland Port in California 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.6 pt.1, 2022년, pp.1463 - 1478

박상철 (한양대학교 해양융합공학과) , 박영빈 ((주)유에스티21 원격탐사팀) , 장소영 ((주)유에스티21 원격탐사팀) , 김태호 ((주)유에스티21 원격탐사팀)

초록
AI-Helper

한국 수출입의 99.7%는 해상운송이 차지하고 있으며, 항만의 효율적 운영을 위해 해운 물류 모니터링 시스템 개발 필요성이 대두되고 있다. 현재 automatic identification system (AIS)를 기반으로 선박의 정보를 조회하여 해상 물동량 추정 연구가 진행되고 있지만, AIS를 운영하지 않는 선박들에 대한 모니터링은 불가능하다는 한계가 있다. 고해상도 광학 위성 영상은 광역의 범위에서 AIS 미운영 선박 및 소형 선박을 식별할 수 있기 때문에 AIS 기반 물동량 모니터링의 공백을 보완할 수 있다. 그러므로 선박 및 물동량 모니터링에 활용하기 위해, 고해상도 광학 위성영상에서 선박을 탐지하고 화물선 및 소형 선박을 분류하는 연구가 필요하다. 본 연구는 초기 국토위성영상을 이용하여 생산된 학습 자료 기반으로 인공지능 모델을 훈련시키고 다른 영상에서 탐지를 수행함으로써, 국토위성영상의 딥러닝 학습 자료 생산 및 선박 모니터링 활용 가능성을 알아보고자 하였다. 학습 자료는 황해 및 황해 주요 항만 구역 내 선박들을 추출하여 제작했으며, You Only Look Once (YOLO) 알고리즘을 사용하여 탐지 모델은 구축하고 국내외 주요 항만 각 1개소를 대상으로 선박 탐지 성능을 평가하였다. 항만 접안 및 해상 정박중인 선박을 대상으로 탐지 모델에 적용한 결과를 AIS의 선종 정보와 비교하였고, 국내 항만에서 85.5%와 89%, 국외 항만에서 70%의 선종 분류 정확도를 확인하였다. 본 연구 결과는 정박중인 선박을 중심으로 고해상도 국토위성영상을 활용하여 모니터링이 가능함을 확인하였다. 향후 지속적인 학습 자료 구축을 통해 탐지 모델의 정확도를 향상시킨다면 전세계 주요 항만에서 선박 및 물동량 모니터링 분야에 활용할 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Maritime transport accounts for 99.7% of the exports and imports of the Republic of Korea; therefore, developing a vessel monitoring system for efficient operation is of significant interest. Several studies have focused on tracking and monitoring vessel movements based on automatic identification system (AIS) data; however, ships without AIS have limited monitoring and tracking ability. High-resolution optical satellite images can provide the missing layer of information in AIS-based monitoring systems because they can identify non-AIS vessels and small ships over a wide range. Therefore, it is necessary to investigate vessel monitoring and small vessel classification systems using high-resolution optical satellite images. This study examined the possibility of developing ship monitoring systems using Compact Advanced Satellite 500-1 (CAS500-1) satellite images by first training a deep learning model using satellite image data and then performing detection in other images. To determine the effectiveness of the proposed method, the learning data was acquired from ships in the Yellow Sea and its major ports, and the detection model was established using the You Only Look Once (YOLO) algorithm. The ship detection performance was evaluated for a domestic and an international port. The results obtained using the detection model in ships in the anchorage and berth areas were compared with the ship classification information obtained using AIS, and an accuracy of 85.5% and 70% was achieved using domestic and international classification models, respectively. The results indicate that high-resolution satellite images can be used in mooring ships for vessel monitoring. The developed approach can potentially be used in vessel tracking and monitoring systems at major ports around the world if the accuracy of the detection model is improved through continuous learning data construction.

주제어

표/그림 (19)

그림 Fig. 1. Research area and satellite images (a)–(c) represent CAS500-1 and (d) represent KOMPSAT-3: (a) Yellow Sea (2022.05.22, 02:19:11 (UTC)), (b) Container Port in Yellow Sea (2022.09.10, 02:20:26 (UTC)), (c) Busan New Port (2022.06.02, 01:57:27 (UTC)), and (d) San Francisco Anchorage nearby Oakland port, California (2022.01.23, 21:16:03 (UTC)).
표 Table 1. Characteristics of the CAS500-1 and KOMPSAT-3
표 Table 2. List of CAS500-1 and KOMPSAT-3 images used in the study
그림 Fig. 2. The architecture of the YOLOv5.
그림 Fig. 3. Flowchart of ship detection. CAS500-1 images were processed through QGIS software.
표 Table 3. List of simplified criteria of vessel types
표 Table 4. Ship classification criteria for visual reading
그림 Fig. 4. Image data augmentation process though Roboflow program: (a) original image, (b) applied random rotate and flip effect, and (c) applied saturation, exposure, and noise effect.
표 Table 5. Result of matched vessel types
표 Table 6. Changes number of ships per class through class balancing and augmentation
표 Table 8. Result of evaluating the detection model performance
표 Table 7. Confusion matrix and meaning of each cell
그림 Fig. 5. Detected container ships (pink box), bulk ships (red box), oil tankers (orange box), and small ships (yellow box). (a)-(b) was taken Busan New Port, (c) was taken Busan New Port Anchorage and (d)-(e) was taken San Francisco Anchorage. (a) 2022.04.20, 01:57:13 (UTC), (b) 2022.06.02, 01:57:27 (UTC), (c) 2022.06.02, 01:57:27 (UTC), (d) 2022.01.23, 21:16:03 (UTC), and (e) 2022.01.23, 21:17:18 (UTC).
그림 Fig. 6. Examples of detection errors in Busan New Port region: (a) change the shape of ship due to image slicing process, (b) misdetection of the rock with oil tanker and small ship, (c) misdetection of the small ship and wakes with an oil tanker, (d) misdetection of the aquaculture facilities with a small ship, and (e) undetected.
표 Table 9. Calculated result of total detection and classification
표 Table 10. The matched result with AIS data by ship detection and classification in Busan New Port, 2022.04.20, 01:57:13 (UTC)
표 Table 11. The matched result with AIS data by ship detection and classification in Busan New Port, 2022.06.02, 01:57:27 (UTC)
표 Table 12. The matched result with AIS data by ship detection and classification in San Francisco Anchorage, 2022.01.23, 21:16:03 (UTC)
표 Table 13. The matched result with AIS data by ship detection and classification in San Francisco Anchorage, 2022.01.23, 21:17:18 (UTC)

AI 본문요약
AI-Helper

문제 정의

성능 평가를 위해 제작한 학습 자료를 이용하여 You Only Look Once (YOLO) 선박 탐지 모델을 구축하고, 부산 신항과 오클랜드항이 촬영된 국토위성과 아리랑위성 3호(KOrea Multi-Purpose SATellite-3, KOMPSAT-3) 영상에 적용하였다. AIS 정보와 YOLO 탐지 결과를 비교하여 선박 탐지 정확도와 선종 분류 정확도를 산출함으로써 국토위성 영상의 선박 모니터링 가능성을 평가하고자 하였다.
항만 주변 해역에서 국토위성 영상의 선박 탐지 활용 가능성을 평가해 보고자 국토위성 영상만을 사용하여 선박 탐지 및 분류 모델을 제작하고자 하였다. 영상 자료의 R/G/B 밴드를 QGIS (https://www.

제안 방법

국토위성 L1R 영상의 R/G/B 밴드를 합성 후 영상에서 육안으로 벌크선, 컨테이너선, 유조선, 소형선박을 식별하여 선박 중심부의 좌표에 대한 리스트를 작성하였다. Marine Traffic 웹사이트를 통해 위성 영상 촬영 시각 전후 20분 사이의 AIS 정보를 다운로드했으며, Vessel Type Detailed 정보를 기준으로 영상에서 식별한 선박 리스트와 61% 매칭시켰다(Table 3).
비율이 조정된 전체 선박 이미지에 상하좌우 임의 반전(random flip) 및 ±45° 임의 회전(random rotation), ±25% 임의 채도 및 노출 조정(random saturation and exposure)등 7가지 기법으로 9배 증강시킨 후 레이블링을 실시하였다(Fig
위성 영상 촬영 시간과 근접한 시각의 AIS를 조회하여 선종 정보를 매칭하였으며, AIS가 조회되지 않는 선박은 육안 판독 기준을 적용하여 선종을 추정하였다. 팬샤프닝(pansharpening)과 클리핑(clipping) 기법을 통해 융합된 위성영상에서 선박의 이미지를 추출한 후 선종 당 선박 비율 조정 및 선박 이미지 증강(augmentation), 레이블링을 실시하여 학습 자료를 제작하였다. 이를 이용하여 YOLO 모델을 학습시킨 후 국내외 항만과 주변지역이 촬영된 국토위성, 아리랑위성 3호 영상에 적용하였다.

대상 데이터

학습 자료 영상은 황해와 황해 주요 항만을 중심으로 촬영되었으며(Fig. 1(a), (b)), 2022년 5월부터 9월까지의 186개의 영상을 판독하여 선박이 포함된 56장의 영상을 선별해냈다. 성능평가를 위한 테스트 영상은 2022년 4월 20일과 2022년 6월 2일에 부산 신항과 주변 해역을 중심으로 촬영한 국토위성 영상(Fig.
성능평가를 위한 테스트 영상은 2022년 4월 20일과 2022년 6월 2일에 부산 신항과 주변 해역을 중심으로 촬영한 국토위성 영상(Fig. 1(c)) 2장과 2022년 1월 23일에 오클랜드항의 묘박지를 UTC 기준 21시 16분 03초, 21시 17분 18초에 각각 촬영된 아리랑위성 3호 영상 2장을 수집하였다(Fig. 1(d)).
국토위성 L1R 영상의 R/G/B 밴드를 합성 후 영상에서 육안으로 벌크선, 컨테이너선, 유조선, 소형선박을 식별하여 선박 중심부의 좌표에 대한 리스트를 작성하였다. Marine Traffic 웹사이트를 통해 위성 영상 촬영 시각 전후 20분 사이의 AIS 정보를 다운로드했으며, Vessel Type Detailed 정보를 기준으로 영상에서 식별한 선박 리스트와 61% 매칭시켰다(Table 3). 나머지 AIS가 조회되지 않는 선박은 대체로 항만 접안 및 해상 정박 중인 선박들이었으며, AIS 정적 정보에 선종이 입력되지 않은 선박들은 Table 4의 기준을 적용하여 육안 판독 후, 가중치의 합이 80 이상을 충족하는 선종으로 최종 식별하였다(Table 5).
본 연구는 항만 주변 해역에서 주기적인 해운 물동량 모니터링을 하고자 컨테이너 선박을 포함하는 56장의 국토위성 영상만을 이용하여 학습 자료를 생산하고 딥러닝 모델을 시범 개발하였다. 기존의 선박 탐지 연구들보다 빠른 탐지 성능을 갖추고 선종을 분류하기 위해 YOLO 알고리즘을 이용했으며, 탐지 결과와 AIS 정보를 비교하여 학습된 모델의 검출 정확도를 평가하였다.
본 연구에서 사용한 선박의 AIS 정보는 Marine Traffic (https://www.marinetraffic.com/) 웹사이트에서 조회했으며, 위성 영상의 촬영 시각, 지역을 고려하여 AIS의 타임스탬프가 일치 또는 최근접 시각의 선박 위치, MMSI, 선종 정보 등을 다운로드했다. 조회한 AIS 정보는 레이블링(labeling)을 실시할 때 선종 정보를 사용했으며, 탐지 모델 적용 단계에서 선종 분류 정확도 산출에 이용하였다.
딥러닝 모델을 학습시키기 위해서는 각각의 이미지 속 객체의 위치와 크기, 클래스 정보를 알려주는 주석 파일이 필요하며, 파일을 제작하는 과정을 레이블링이라 한다. 본 연구에서는 컴퓨터 비전 기술을 이용해 다양한 딥러닝 학습 자료를 만들 수 있도록 지원해주는 서비스인 Roboflow (https://roboflow.com/)에서 데이터 증강 및 레이블링 작업을 수행하였다.
본 연구에서는 항만 주변 묘박지에서 컨테이너 선을 대상으로 국토위성영상을 활용한 선박 탐지를 수행했으며, 선박을 식별하는 기존 연구들과 달리 4개 선종(컨테이너선, 벌크선, 유조선, 소형선박)에 대한 선종 분류를 수행하였다. 황해 및 황해의 주요 항만이 촬영된 영상자료에서 선박 이미지를 추출해 선박 탐지 학습 자료를 제작하였다.
선종 정보가 매칭된 259장의 선박 이미지에 대해 컨테이너선 및 유조선을 증강하고, 소형선박을 제거시켜 선박이 105±10 척이 되도록 클래스의 밸런스를 맞추었다
황해 및 황해의 주요 항만이 촬영된 영상자료에서 선박 이미지를 추출해 선박 탐지 학습 자료를 제작하였다. 성능 평가를 위해 제작한 학습 자료를 이용하여 You Only Look Once (YOLO) 선박 탐지 모델을 구축하고, 부산 신항과 오클랜드항이 촬영된 국토위성과 아리랑위성 3호(KOrea Multi-Purpose SATellite-3, KOMPSAT-3) 영상에 적용하였다. AIS 정보와 YOLO 탐지 결과를 비교하여 선박 탐지 정확도와 선종 분류 정확도를 산출함으로써 국토위성 영상의 선박 모니터링 가능성을 평가하고자 하였다.
1(a), (b)), 2022년 5월부터 9월까지의 186개의 영상을 판독하여 선박이 포함된 56장의 영상을 선별해냈다. 성능평가를 위한 테스트 영상은 2022년 4월 20일과 2022년 6월 2일에 부산 신항과 주변 해역을 중심으로 촬영한 국토위성 영상(Fig. 1(c)) 2장과 2022년 1월 23일에 오클랜드항의 묘박지를 UTC 기준 21시 16분 03초, 21시 17분 18초에 각각 촬영된 아리랑위성 3호 영상 2장을 수집하였다(Fig.
항만 주변 해역에서 국토위성 영상의 선박 탐지 활용 가능성을 평가해 보고자 국토위성 영상만을 사용하여 선박 탐지 및 분류 모델을 제작하고자 하였다. 영상 자료의 R/G/B 밴드를 QGIS (https://www.qgis.org/) 공간 정보 분석 소프트웨어를 통해 합성하고, 영상에서 선박을 육안으로 식별해 선박 중심 좌표를 정리하였다. 위성 영상 촬영 시간과 근접한 시각의 AIS를 조회하여 선종 정보를 매칭하였으며, AIS가 조회되지 않는 선박은 육안 판독 기준을 적용하여 선종을 추정하였다.
org/) 공간 정보 분석 소프트웨어를 통해 합성하고, 영상에서 선박을 육안으로 식별해 선박 중심 좌표를 정리하였다. 위성 영상 촬영 시간과 근접한 시각의 AIS를 조회하여 선종 정보를 매칭하였으며, AIS가 조회되지 않는 선박은 육안 판독 기준을 적용하여 선종을 추정하였다. 팬샤프닝(pansharpening)과 클리핑(clipping) 기법을 통해 융합된 위성영상에서 선박의 이미지를 추출한 후 선종 당 선박 비율 조정 및 선박 이미지 증강(augmentation), 레이블링을 실시하여 학습 자료를 제작하였다.
팬샤프닝(pansharpening)과 클리핑(clipping) 기법을 통해 융합된 위성영상에서 선박의 이미지를 추출한 후 선종 당 선박 비율 조정 및 선박 이미지 증강(augmentation), 레이블링을 실시하여 학습 자료를 제작하였다. 이를 이용하여 YOLO 모델을 학습시킨 후 국내외 항만과 주변지역이 촬영된 국토위성, 아리랑위성 3호 영상에 적용하였다. 항만과 주변 묘박지에서 선박을 탐지한 결과와 AIS 비교를 통해 선종 분류 정확도를 평가하고, 오탐지된 객체에 대해 원인 분석을 수행하였다(Fig.
4). 최종적으로 2,994장의 선박 이미지가 생성되었고, 학습 및 검증, 테스트 데이터의 비율을 86:13:1로 설정 후 무작위로 이미지를 분류하여 학습 자료를 구축하였다(Table 6).
본 연구에서는 항만 주변 묘박지에서 컨테이너 선을 대상으로 국토위성영상을 활용한 선박 탐지를 수행했으며, 선박을 식별하는 기존 연구들과 달리 4개 선종(컨테이너선, 벌크선, 유조선, 소형선박)에 대한 선종 분류를 수행하였다. 황해 및 황해의 주요 항만이 촬영된 영상자료에서 선박 이미지를 추출해 선박 탐지 학습 자료를 제작하였다. 성능 평가를 위해 제작한 학습 자료를 이용하여 You Only Look Once (YOLO) 선박 탐지 모델을 구축하고, 부산 신항과 오클랜드항이 촬영된 국토위성과 아리랑위성 3호(KOrea Multi-Purpose SATellite-3, KOMPSAT-3) 영상에 적용하였다.

데이터처리

본 연구는 항만 주변 해역에서 주기적인 해운 물동량 모니터링을 하고자 컨테이너 선박을 포함하는 56장의 국토위성 영상만을 이용하여 학습 자료를 생산하고 딥러닝 모델을 시범 개발하였다. 기존의 선박 탐지 연구들보다 빠른 탐지 성능을 갖추고 선종을 분류하기 위해 YOLO 알고리즘을 이용했으며, 탐지 결과와 AIS 정보를 비교하여 학습된 모델의 검출 정확도를 평가하였다.
이를 이용하여 YOLO 모델을 학습시킨 후 국내외 항만과 주변지역이 촬영된 국토위성, 아리랑위성 3호 영상에 적용하였다. 항만과 주변 묘박지에서 선박을 탐지한 결과와 AIS 비교를 통해 선종 분류 정확도를 평가하고, 오탐지된 객체에 대해 원인 분석을 수행하였다(Fig. 3).

이론/모형

YOLOv5은 n (nano), s (small), m (medium), l (large), x(xlarge)로 나눠져 있으며, 순서대로 네트워크 크기 및 복잡성이 증가한다. 네트워크 복잡도에 따라 높은 연산량이 요구되지만 정확도가 증가하므로, 본 연구에서는 가장 높은 정확도를 보인 YOLOv5x 모델을 사용하였다.
이를 방지하고자 선박의 중심부 좌표를 기준으로 상하좌우 512픽셀의 버퍼를 포함하는 1024 × 1024 사이즈의 추출된 이미지를 만들었다. 만들어진 선박 이미지를 공일차보간법(bilinear interpolation)을 이용해 팬샤프닝 하였다. 이후 R/G/B 밴드별 평균과 표준편차에 10을 곱한 값의 합이 최댓값 255 (uint 8 기준)가 되도록 정규화하여 색감을 변화시켰다.

성능/효과

그 결과, 모델 성능 평가에서 mAP_0.5=0.62의 성능이 나왔고, 테스트 자료에 적용하여 선박 탐지 가능성을 확인하였다. 테스트 자료에서 최소 66%, 최대 93%의 선박 탐지 정확도가 나왔으며, 국토위성 영상에서 양식 시설물, 후류, 너울을 대상으로 오탐지 결과가 다수 발생하였다.
부산 신항 지역에서 분류된 선종은 AIS와 YOLO 알고리즘 결과를 통해 선종 분류 정확도를 산출 시 각각 82%, 89% 값을 보였으며, 탐지하고자 하는 컨테이너선의 선종 분류 정확도의 경우 모두 정상적으로 분류해냈다(Table 10, 11). 일부 오탐지는 작은 크기의 벌크선과 유조선을 소형선박으로 분류하는 것에서 나타났으며, 이는 초기 레이블링 단계에서 기준값으로 사용한 AIS의 정적 정보 오류 입력에 기인한 것으로 판단된다.
탐지 오류를 줄이기 위해 학습 자료 추가 제작 및 테스트 자료의 육지 마스킹이 필요하며, 해상 부유물, 너울, 후류로 인한 오탐지 선박의 감소 추가연구가 필요하다. 위성영상 해상도와 연구 지역 차이에 따른 선종 분류 정확도 비교에서 국토위성 테스트 자료의 경우 82%와 89%의 선종 분류 정확도를 보였으나, 학습 자료보다 해상도가 낮은 아리랑위성 3호 테스트 자료의 경우 70%의 선종 분류 정확도를 보였다. 이는 기본적으로 상이한 센서 영상을 이용해 학습된 모델에 기인한 것이며, 국토위성의 상대적 고해상도 영상이 선박의 공간변화 특징을 분석하는데 용이하여 선박 탐지 정확도에 영향을 미친 것으로 해석된다.
이는 기본적으로 상이한 센서 영상을 이용해 학습된 모델에 기인한 것이며, 국토위성의 상대적 고해상도 영상이 선박의 공간변화 특징을 분석하는데 용이하여 선박 탐지 정확도에 영향을 미친 것으로 해석된다. 이처럼 국토위성의 고해상도 영상은 선박 형태 표현이 우수해 탐지 및 분류 정확도를 향상시킬 가능성이 크며, 저비용으로 대량의 선박 딥러닝 학습 자료 구축과 국내외 항만의 선박 모니터링에 적합함을 확인하였다.

후속연구

추가적으로 선박 탐지 모델을 타 위성 영상에 적용했을 시 70%의 정확도가 나왔으며, 이는 국토위성과 다종 위성을 연계하여 딥러닝 학습 자료를 제작하면 다양한 해상도 학습에 기인한 정확도와 강건성 향상이 예상된다. 따라서 타 위성과의 연계를 통해 준 실시간에 가까운 모니터링이 가능할 것으로 판단되며, 다방면으로 국토위성의 활용과 파급력이 증가할 것으로 사료된다. 향후 연구에서는 본 논문에서 제안한 선박 탐지 및 분류 모델로 묘박지에서 컨테이너 선박을 가려내 구역 내 선박 밀집도 산출과 입항 대기시간 예측을 통해 항만 물류 관련 모니터링에 기여할 수 있을 것으로 기대된다.
그러므로 고해상도의 국토위성 영상자료를 선박모니터링 분야에 활용한다면 저비용으로 선박 탐지 정확도 향상 및 선종 분류 연구가 가능하게 되었다는 측면에서 의미가 있다. 또한 생산될 국토위성 영상을 누적하여 학습시킬 경우 한반도 전 해역에서 주기적인 항만 모니터링이 가능할 것으로 사료된다.
반면 아리랑위성 3호는 분광 해상도 차이로 후류, 너울을 표현하는 픽셀이 바다의 픽셀과 비슷하여 선박이 아닌 객체를 선박으로 잘못 인식하는 비율이 낮았지만, 선종을 잘못 분류하는 경우가 많았다. 탐지 오류를 줄이기 위해 학습 자료 추가 제작 및 테스트 자료의 육지 마스킹이 필요하며, 해상 부유물, 너울, 후류로 인한 오탐지 선박의 감소 추가연구가 필요하다. 위성영상 해상도와 연구 지역 차이에 따른 선종 분류 정확도 비교에서 국토위성 테스트 자료의 경우 82%와 89%의 선종 분류 정확도를 보였으나, 학습 자료보다 해상도가 낮은 아리랑위성 3호 테스트 자료의 경우 70%의 선종 분류 정확도를 보였다.
향후 국토위성 2호기 추가 운영 시 2.3일의 짧은 재촬영 주기 운영이 가능하며, 항만 현황의 주기적인 모니터링을 통해 국토위성의 자료만으로도 충분한 학습 자료의 생산이 가능할 것으로 판단된다. 추가적으로 선박 탐지 모델을 타 위성 영상에 적용했을 시 70%의 정확도가 나왔으며, 이는 국토위성과 다종 위성을 연계하여 딥러닝 학습 자료를 제작하면 다양한 해상도 학습에 기인한 정확도와 강건성 향상이 예상된다.
따라서 타 위성과의 연계를 통해 준 실시간에 가까운 모니터링이 가능할 것으로 판단되며, 다방면으로 국토위성의 활용과 파급력이 증가할 것으로 사료된다. 향후 연구에서는 본 논문에서 제안한 선박 탐지 및 분류 모델로 묘박지에서 컨테이너 선박을 가려내 구역 내 선박 밀집도 산출과 입항 대기시간 예측을 통해 항만 물류 관련 모니터링에 기여할 수 있을 것으로 기대된다.

참고문헌 (39)

Bentes, C., D. Velotto, and B. Tings, 2018. Ship Classification in TerraSAR-X Images With Convolutional Neural Networks, IEEE Journal of Oceanic Engineering, 43(1): 258-266. https://doi.org/10.1109/JOE.2017.2767106

상세보기
Bo, L., X. Xiaoyang, W. Xingxing, and T. Wenting, 2021. Ship detection and classification from optical remote sensing images: A survey, Chinese Journal of Aeronautics, 34(3): 145-163. https://doi.org/10.1016/j.cja.2020.09.022

상세보기
Girshick, R.B., 2015. Fast R-CNN, arXiv preprint arXiv: 1504.08083. https://doi.org/10.48550/arXiv.1504.08083
Girshick, R.B., J. Donahue, T. Darrell, and J. Malik, 2013. Rich feature hierarchies for accurate object detection and semantic segmentation, arXiv preprint arXiv:1311.2524. https://doi.org/10.48550/arXiv.1311.2524
Hui, J., 2018. Object detection: speed and accuracy comparison (Faster R-CNN, R-FCN, SSD, FPN, RetinaNet and YOLOv3), https://jonathan-hui.medium.com/what-do-we-learn-from-region-based-object-detectors-faster-r-cnn-r-fcn-fpn-7e354377a7c9, Accessed on Dec. 9, 2022.
Hwang, S., H. Lee, G. Choi, and B. Kim, 2021. Estimation of Seaborne Trade Volume based on AIS Data, Korea Maritime Institute, Busan, Republic of Korea.
Jeong, J., T.H. Kim, and C.S. Yang, 2016. Construction of real-time remote ship monitoring system using Ka-band payload of COMS, Korean Journal of Remote Sensing, 32(3): 323-330 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2016.32.3.10

원문보기 상세보기
Kim, D. and K. Lee, 2020. Forecasting the Container Volumes of Busan Port using LSTM, Journal of Korea Port Economic Association, 36(2): 53-62 (in Korean with English abstract). https://doi.org/10.38121/kpea.2020.06.36.2.53

원문보기 상세보기
Kim, D., Y.-K Lee, and S.-W. Kim, 2020. Ship Detection Based on KOMPSAT-5 SLC Image and AIS Data, Korean Journal of Remote Sensing, 36(2-2): 365-377 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.2.2.11

원문보기 상세보기
Kim, J. and H. Moon, 2021. A model development for object detection and classification at sea using modified YOLO v4, Journal of the Military Operations Research Society of Korea, 47(2): 13-25 (in Korean with English abstract).
Kim, J., D. Ryoo, and H. Nam, 2022. A Study on Forecasting of Small & Medium Sized Container Port Throughput in South Korea Using Prophet Model: Focused on Incheon, Pyeongtaek-Dangjin and Ulsan Port, The Journal of Humanities and Social Sciences, 13(4-1): 561-576 (in Korean with English abstract). https://doi.org/10.22143/HSS21.13.1.40

상세보기
Kim, T.H., J. Jeong, and C.S. Yang, 2016. Construction and Operation of AIS System on Socheongcho Ocean Research Station, Korean Journal of Coastal Disaster Prevention, 3(2): 74-80 (in Korean with English abstract). https://doi.org/10.20481/kscdp.2016.3.2.74

상세보기
Kim, S.-W., D.-H. Kim, and Y.-K. Lee, 2018. Operational Ship Monitoring Based on Integrated Analysis of KOMPSAT-5 SAR and AIS Data, Korean Journal of Remote Sensing, 34(2-2): 327-338. https://doi.org/10.7780/kjrs.2018.34.2.2.3

원문보기 상세보기
Kim, Y. and K. M. Kang, 2021. A Study on the Utilization of SAR Microsatellite Constellation for Ship Detection, Korean Journal of Remote Sensing, 37(3): 627-636 (in Korean with English abstract). https://doi.org/10.7780/KJRS.2021.37.3.21

원문보기 상세보기
Kwon, H., S. Jeong, S. Kim, J. Lee, and K. Sohn, 2022. Deep-learning based SAR Ship Detection with Generative Data Augmentation, Journal of Korea Multimedia Society, 25(1): 1-9 (in Korean with English abstract). https://doi.org/10.9717/KMMS.2022.25.1.001

원문보기 상세보기
Kwon, S.-J. and S.-W. Shin, 2009. Study on the Ship Detection Method Using SAR Imagery, Journal of the Korean Association of Geographic Information Studies, 17(1): 131-139 (in Korean with English abstract).
Lee, C. and J. Noh, 2010. An Empirical Study on Improving Competitiveness of Korean Shipping Industry, Journal of Korea Port Economic Association, 26(3): 259-278 (in Korean with English abstract).
Lee, K., Y. Kim, and H. Choi, 2017. KOMPSAT Image Processing and Applications, Korean Journal of Remote Sensing, 33(6-3): 1171-1177 (in Korean with English abstract). https://doi.org/10.7780/KJRS.2017.33.6.3.1

원문보기 상세보기
Lee, K.Y., S.-H. Hong, B.-Y. Yun, and Y.-S. Kim, 2012. Vessel Detection Using Satellite SAR Images and AIS Data, Journal of the Korean Association of Geographic Information Studies, 5(2): 103-112 (in Korean with English abstract). https://doi.org/10.11108/KAGIS.2012.15.2.103

원문보기 상세보기
Lee, S.H., H.G. Park, K.H. Kwon, B.H. Kim, M.Y. Kim, and S.H. Jeong, 2021. Robust Ship Detection using Deep Learning based Object Detection and Post Processing, Proc. of 2021 the Korean Society of Surveying, Geodesy, Photogrammetry, Jeju, Nov. 4-6, vol. 2021, pp. 53-57 (in Korean with English abstract).
Lee, S.-J., J.-S. Jeong, M.-Y. Kim, and G.-K. Park, 2013. A Study on Real-time Message Analysis for AIS VDL Load Management, Journal of Korean Institute of Intelligent Systems, 23(3): 256-261 (in Korean with English abstract). https://doi.org/10.5391/jkiis.2013.23.3.256

원문보기 상세보기
Lee, W.-Y., J.-C. Choi, J.-S. Lee, S.-R. Lee, and Y.-W. Lee, 2011. Detection Probability Evaluation of LEO Satellites based Automatic Identification System for a Maritime-Terrestrial Integrated Network, The Journal of Korean Institute of Communications and Information Sciences, 36(5B): 530-538 (in Korean with English abstract). https://doi.org/10.7840/kics.2011.36b.7.868

원문보기 상세보기
Lin, H., S. Yi, X. Mu, and L. Zhang, 2019. Ship Detection Method Based on Gabor Filter and Fast RCNN Model in Satellite Images of Sea, Proc. of the 3rd International Conference on Computer Science and Application Engineering, New York, NY, pp. 1-7. https://doi.org/10.1145/3331453.3361325
Lin, T. Y., P. Goyal, R. Girshick, K. He, and P. Dollar, 2017. Focal loss for dense object detection, arXiv preprint arXiv:1708.02002. https://doi.org/10.48550/arXiv.1708.02002
Liu, W., D. Anguelov, D. Erhan, C. Szegedy, S. Reed, C. Fu, and A.C. Berg, 2016. SSD: Single shot multibox detector, arXiv preprint arXiv:1512.02325. https://doi.org/10.48550/arXiv.1512.02325
MOF (Ministry of Oceans and Fisheries), 2016. A fishing boat and Mechanical Standards, Notification No. 2016-13, Department of Maritime Industrial Technology, Ministry of Oceans and Fisheries, Sejong, Republic of Korea.
Park, J.-J., S. Oh, K.-A. Park, M.-S. Lee, J.-C. Jang, and M. Lee, 2018. A Methodology of Ship Detection Using High-Resolution Satellite Optical Image, Journal of the Korean Earth Science Society, 39(3): 241-249 (in Korean with English abstract). https://doi.org/10.5467/jkess.2018.39.3.241

원문보기 상세보기
Park, J.W. and Y.-J. Kim, 2022a. A Study on Deep Learning Performance Improvement Based on YOLOv5, Proc. of 2022 Symposium of the Korean Institute of Communications and Information Sciences, Jeju, Jun. 22-24, vol. 2022, pp. 1592-1593 (in Korean with English abstract).
Park, S., Y. Kim, and M. Kim, 2022b. Impact Analysis of Deep Learning Super-resolution Technology for Improving the Accuracy of Ship Detection Based on Optical Satellite Imagery, Korean Journal of Remote Sensing, 38(5-1): 559-570 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2022.38.5.1.10

원문보기 상세보기
Patel, K., C. Bhatt, and P. L. Mazzeo, 2022. Deep learning-based automatic detection of ships: An experimental study using satellite images, Journal of Imaging, 8(7): 182. https://doi.org/10.3390/jimaging8070182

상세보기
Seo, K. Y., T. H. Hong, G. K. Park, and J. C. Choi, 2005. Analysis of Operational State and Radio Environment of AIS, Journal of the Korea Institute of Information and Communication Engineering, 9(7): 1439-1444 (in Korean with English abstract).
Sharifzadeh, F., G. Akbarizadeh, and Y.S. Kavian, 2019. Ship Classification in SAR Images Using a New Hybrid CNN-MLP Classifier, Journal of the Indian Society of Remote Sensing, 47(4): 551-562. https://doi.org/10.1007/s12524-018-0891-y

상세보기
Shermeyer, J. and A. Van Etten, 2019. The effects of super-resolution on object detection performance in satellite imagery, Proc. of 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Long Beach, CA, Jun. 16-17, pp. 1432-1441. https://doi.org/10.48550/arXiv.1812.04098
Song, A., J. Kim, and Y. Kim, 2019. Change Detection for High-resolution Satellite Images Using Transfer Learning and Deep Learning Network, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 37(3): 199-208 (in Korean with English abstract). https://doi.org/10.7848/KSGPC.2019.37.3.199

원문보기 상세보기
Suh, Y.S., C.U. Choi, N.K. Lee, B.K. Kim, and L.H. Jang, 2002. Approaching Method for Detecting Vessels in the Korean Waters using the Panchromatic Imagery of IRS-1C Satellite, Journal of the Korean Association of Geographic Information Studies, 5(4): 86-92 (in Korean with English abstract).
Redmon, J. and A. Farhadi, 2018. YOLOv3: An Incremental Improvement, arXiv preprint arXiv:1804.02767. https://doi.org/10.48550/arXiv.1804.02767
Ren, S., K. He, R. Girshick, and J. Sun, 2016. Faster R-CNN: Towards real-time object detection with region proposal networks, arXiv preprint arXiv:1506.01497. https://doi.org/10.48550/arXiv.1506.01497
Woo, H.-G., W. Hong, and J.-W. Choi, 2021. Availability Evaluation of Object Detection Based on Deep Learning Method by Using Multitemporal and Multisensor Data for Nuclear Activity Analysis, Korean Journal of Remote Sensing, 37(5-1): 1083-1094 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.5.1.20

원문보기 상세보기
Yoo, S.R., C.Y. Jeong, C.S. Kim, S.H. Park, and J.Y. Jeong, 2013. A Study on Evaluation of Marine Traffic Congestion based on Survey Research in Major Port, Journal of the Korean Society of Marine Environment and Safety, 19(5): 483-490 (in Korean with English abstract). https://doi.org/10.7837/kosomes.2013.19.5.483

원문보기 상세보기

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