[논문]해안쓰레기 탐지 및 모니터링에 대한 딥러닝 기반 객체 탐지 기술의 적용성 평가: YOLOv8과 RT-DETR을 중심으로

박수호; 김흥민; 김영민; 이인지; 박미소; 오승열; 김탁영; 장선웅

doi:10.7780/kjrs.2023.39.6.1.2

해안쓰레기 탐지 및 모니터링에 대한 딥러닝 기반 객체 탐지 기술의 적용성 평가: YOLOv8과 RT-DETR을 중심으로
Applicability Evaluation of Deep Learning-Based Object Detection for Coastal Debris Monitoring: A Comparative Study of YOLOv8 and RT-DETR 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.39 no.6/1, 2023년, pp.1195 - 1210

박수호 ((주)아이렘기술개발 기업부설연구소) , 김흥민 ((주)아이렘기술개발 기업부설연구소) , 김영민 ((주)아이렘기술개발 기업부설연구소) , 이인지 ((주)아이렘기술개발 기업부설연구소) , 박미소 ((주)아이렘기술개발 기업부설연구소) , 오승열 ((주)아이렘기술개발 원격탐사팀) , 김탁영 ((주)아이렘기술개발 원격탐사팀) , 장선웅 ((주)아이렘기술개발)

초록
AI-Helper

해안쓰레기는 미관 훼손 및 생태와 보건에 미치는 영향으로 인해 큰 문제로 대두되고 있다. 이를 해결하기 위한 노력의 일환으로 본 연구는 해안쓰레기 탐지와 모니터링을 위한 이미지 데이터셋 구축과 실시간 객체 탐지 분야의 대표적인 모델인 YOLOv8과 RT-DETR의 성능을 비교하였다. 특히 다양한 환경 하에서의 강건성을 평가하기 위해 여러 왜곡 조건에서 성능 변화 실험을 수행하였다. YOLOv8은 mean Average Precision (mAP) 0.927~0.945의 정확도와 65~135 Frames Per Second (FPS)의 탐지 속도를 보인 반면, RT-DETR은 mAP 0.917~0.918의 정확도와 40~53 FPS의 탐지 속도를 보였다. 색상 왜곡에 대해서는 RT-DETR이 더 강건한 성능을 보였으나, 그 외의 조건에서는 YOLOv8이 더 높은 강건성을 보였다. 본 연구의 결과는 실제 해안쓰레기 모니터링 시스템의 모델 선택에 있어 중요한 지침을 제공할 것으로 기대된다.

Abstract ▼ AI-Helper

Coastal debris has emerged as a salient issue due to its adverse effects on coastal aesthetics, ecological systems, and human health. In pursuit of effective countermeasures, the present study delineated the construction of a specialized image dataset for coastal debris detection and embarked on a comparative analysis between two paramount real-time object detection algorithms, YOLOv8 and RT-DETR. Rigorous assessments of robustness under multifarious conditions were instituted, subjecting the models to assorted distortion paradigms. YOLOv8 manifested a detection accuracy with a mean Average Precision (mAP) value ranging from 0.927 to 0.945 and an operational speed between 65 and 135 Frames Per Second (FPS). Conversely, RT-DETR yielded an mAP value bracket of 0.917 to 0.918 with a detection velocity spanning 40 to 53 FPS. While RT-DETR exhibited enhanced robustness against color distortions, YOLOv8 surpassed resilience under other evaluative criteria. The implications derived from this investigation are poised to furnish pivotal directives for algorithmic selection in the practical deployment of marine debris monitoring systems.

주제어

표/그림 (15)

그림 Fig. 1. Distribution map of raw data collection areas.
표 Table 1. Definition of objects for dataset construction
그림 Fig. 2. Example dataset for reproducing image quality degradation. (A-C) Application of blur filter. (D-F) Brightness distortion. (G-I) Contrast distortion.
그림 Fig. 3. Example dataset for reproducing weather and time changes. (A-C) Hue distortion. (D-F) Saturation distortion.
그림 Fig. 4. Example dataset for reproducing object occlusion phenomena.
그림 Fig. 5. Comparison of detection performance for each model on sandy beaches.
그림 Fig. 6. Comparison of detection performance for each model on gravel beaches.
그림 Fig. 7. Comparison of detection performance for each model when the object is obscured by shadows. A rope is present within the shadow area caused by a styrofoam buoy located on the left side of the image.
그림 Fig. 8. Comparison of detection performance for each model in situations with multiple mixed objects.
표 Table 2. Environment for measuring detection accuracy and speed
표 Table 3. Comparative analysis of detection accuracy and speed
표 Table 4. Comparative analysis of model performance variations by noise type (Mean values for each noise category)
표 Table 5. Comparative analysis of performance variation magnitude (%p) across models based on intensity changes by noise type
그림 Fig. 9. Comprehensive comparison of performance and robustness in coastal debris detection between YOLOv8 and RT-DETR.
표 Table 6. Comprehensive comparison of performance and robustness for coastal debris detection between YOLOv8 and RT-DETR

AI 본문요약
AI-Helper

문제 정의

넓은 해안을 드론으로 촬영시 다량의 이미지가 생성되며, 이를 신속하게 분석하기 위해서는 탐지 정확도 뿐만 아니라 탐지 속도도 고려하여 개발된 실시간 객체 탐지 모델이 적합하다고 판단하였다. 따라서 본 연구에서는 실시간 객체 탐지 모델 중 가장 최근에 제안된 YOLOv8과 RT-DETR을 대상으로 성능(탐지 정확도, 탐지 속도) 및 강건성을 비교 분석하였다.
본 연구에서는 광범위한 해안을 드론으로 촬영하여 그 이미지를 자동으로 분석하기 위한 딥러닝 모델을 탐색하는데 초점을 두었다. 넓은 해안을 드론으로 촬영시 다량의 이미지가 생성되며, 이를 신속하게 분석하기 위해서는 탐지 정확도 뿐만 아니라 탐지 속도도 고려하여 개발된 실시간 객체 탐지 모델이 적합하다고 판단하였다.
본 연구에서는 최근 실시간 객체 탐지 분야에서 높은 성능을 보이고 있는 YOLOv8과 RT-DETR을 대상으로 해안쓰레기 모니터링에 대한 성능 비교를 수행하였다. 해안쓰레기 모니터링에 대한 적합도를 비교하기 위해 각 모델의 탐지 정확도와 탐지 속도, 강건성을 수치적으로 평가하였다.
, 2019) 등 개발시기가 오래된 모델들 위주로 성능을 평가했다는 한계가 있었다. 이에 본 연구에서는 최근 일반 물체 인식 분야에서 활용되는 딥러닝 모델에 대한 해안쓰레기 탐지 성능 및 실제 현장에서의 적용성을 평가하고자 한다.

제안 방법

YOLOv8은 2023년 1월 Ultralytics사에서 공개한 모델이다. YOLOv5를 기반으로 BottleNeckCSP 구조를 개선하여 탐지 속도와 정확도를 개선하였다. 추가적으로 Anchor Free Detection을 도입함으로써 Non Maximum Suppression (NMS) 연산을 가속화하였다.
이 중 YOLOv8n은 모바일 및 엣지 디바이스를 위한 모델로 파라미터 수를 극단적으로 줄여 연산량을 낮추는데 주력한 모델로 정확도와 속도를 모두 중요시하는 본 연구의 목적에 맞지 않다고 판단하였다. 따라서 본 연구에서는 YOLOv8s, m, l, x의 4가지 스케일의 모델에 대해서 탐지 정확도, 탐지 속도, 강건성을 평가하였다.
본 연구에서는 YOLOv8과 RT-DETR을 탐지 정확도, 탐지 속도, 강건성을 기준으로 성능을 비교 분석하였다. 탐지 정확도는 입력된 이미지 내에서 대상물의 영역과 클래스명을 구분하는 능력을 의미하며, 일반적으로 컴퓨터 비전 분야의 딥러닝 모델 평가 시 많이 활용되는 meanAverage Precision (mAP)을 평가지표로 선정하였다.
본 연구에서는 딥러닝 기반 실시간 객체 탐지(Real Time Object Detection) 모델 중 YOLOv8과 RT-DETR을 대상으로 성능(탐지 정확도, 탐지 속도)과 강건성을 비교 분석하였다. YOLOv8과 RT-DETR 모델을 훈련시키고 평가하기 위한 데이터셋은 자체적으로 구축하여 활용하였다.
딥러닝 기반 객체 탐지 모델의 훈련과 성능 평가를 위해서는 이미지와 라벨링 데이터로 구성된 데이터셋이 요구된다. 본 연구에서는 원시데이터 수집, 데이터 정제, 데이터 가공의 3단계 작업을 통해 자체적으로 데이터셋을 구축하였다. 원시데이터는 해양환경공단의 ‘국가 해안쓰레기 모니터링(2019년) 보고서’를 토대로 국내 연안 해변에서 발생하는 해안쓰레기 중 가장 많은양을 차지하는 재질인 플라스틱류, 유리류, 금속류를 대상으로 선정하였고, 발생량 중 대부분을 차지하는 재질인 플라스틱류는 9개의 세부 성상으로 구분하여 총 11종에 대해서 수집하였다(Table 1).
비교 대상 모델의 강건성을 평가하기 위해 평가용 데이터셋의 이미지에 다양한 노이즈를 인위적으로 발생시켜 노이즈 유형 및 강도에 따른 성능 변화를 관찰하였다. 노이즈 유형은 실제 해안가에서 드론을 활용하여 대상물 촬영 시 발생가능한 이미지 품질 저하, 기상 및 시간 변화, 대상물 가림을 대상으로 구성하였다.
YOLOv5를 기반으로 BottleNeckCSP 구조를 개선하여 탐지 속도와 정확도를 개선하였다. 추가적으로 Anchor Free Detection을 도입함으로써 Non Maximum Suppression (NMS) 연산을 가속화하였다.
본 연구에서는 최근 실시간 객체 탐지 분야에서 높은 성능을 보이고 있는 YOLOv8과 RT-DETR을 대상으로 해안쓰레기 모니터링에 대한 성능 비교를 수행하였다. 해안쓰레기 모니터링에 대한 적합도를 비교하기 위해 각 모델의 탐지 정확도와 탐지 속도, 강건성을 수치적으로 평가하였다. 비교 결과 다음과 같은 결론을 얻을 수 있었다.

대상 데이터

총 80,159장의 이미지를 가공하였으며, 가공된 데이터셋은 무작위로 표본 추출하여 바운딩 박스 태깅 정밀도와 클래스명 불일치 등의 의미정확성을 검사하였다. 구축된 데이터셋은 학습용(Train, 64,127장), 검증용 Validation, 8,016장), 평가용(Test, 8,016장)으로 각각 8:1:1로 분할하여 모델 학습과 성능 평가에 활용하였다.
비교 대상 모델의 강건성을 평가하기 위해 평가용 데이터셋의 이미지에 다양한 노이즈를 인위적으로 발생시켜 노이즈 유형 및 강도에 따른 성능 변화를 관찰하였다. 노이즈 유형은 실제 해안가에서 드론을 활용하여 대상물 촬영 시 발생가능한 이미지 품질 저하, 기상 및 시간 변화, 대상물 가림을 대상으로 구성하였다. 이미지 품질 저하 환경을 재현하기 위해 이미지에 블러(Blur) 필터 적용, 밝기(Brightness) 및 콘트라스트(Contrast) 변화를 적용하였으며(Fig.
원시데이터 수집 장비는 무인항공기와 스마트폰을 활용하여 지표 및 5~30 m 고도에서 촬영하였다. 무인항공기는 DJI사의 Mavic 2 Pro와 Phantom 4 Pro를 사용하였으며, 스마트폰은 12 MP 이상의 카메라를 탑재한 기종을 활용하였다. 촬영 대상지는 국가 해안쓰레기 모니터링 구역 및 국립공원공단의 모니터링 구역을 대상으로 선정하였다.
따라서 탐지 정확도와 탐지 속도 간의 트레이드 오프(Trade-off) 현상이 동일하게 발생한다. 본 연구에서는 YOLOv8과 RT-DETR 모두 Pytorch 구현체(Implementation)를 활용하였으며, 모바일 또는 엣지 디바이스 환경을 가정하지 않았으므로 실험 시 부동소수점 정밀도는 FP 32로 설정하였다. 또한 추론 속도 가속화와 관련된 ONNX (Open Neural Network Exchange) 및 TensorRT™ 등의 기술은 적용하지 않았다.
원시데이터는 해양환경공단의 ‘국가 해안쓰레기 모니터링(2019년) 보고서’를 토대로 국내 연안 해변에서 발생하는 해안쓰레기 중 가장 많은양을 차지하는 재질인 플라스틱류, 유리류, 금속류를 대상으로 선정하였고, 발생량 중 대부분을 차지하는 재질인 플라스틱류는 9개의 세부 성상으로 구분하여 총 11종에 대해서 수집하였다(Table 1).
데이터 가공 작업은 이미지 내에서 존재하는 대상물의 영역을 바운딩 박스로 태깅하고, 클래스명을 입력하는 작업으로 오픈소스 가공 도구 중 하나인 ‘labelme’를 활용하였다. 총 80,159장의 이미지를 가공하였으며, 가공된 데이터셋은 무작위로 표본 추출하여 바운딩 박스 태깅 정밀도와 클래스명 불일치 등의 의미정확성을 검사하였다. 구축된 데이터셋은 학습용(Train, 64,127장), 검증용 Validation, 8,016장), 평가용(Test, 8,016장)으로 각각 8:1:1로 분할하여 모델 학습과 성능 평가에 활용하였다.
무인항공기는 DJI사의 Mavic 2 Pro와 Phantom 4 Pro를 사용하였으며, 스마트폰은 12 MP 이상의 카메라를 탑재한 기종을 활용하였다. 촬영 대상지는 국가 해안쓰레기 모니터링 구역 및 국립공원공단의 모니터링 구역을 대상으로 선정하였다. 이 때, 촬영 대상지는 우심구역 유무 및 최근 현존량, 접근성을 고려하여 후보지를 선택하였다.
이 때, 촬영 대상지는 우심구역 유무 및 최근 현존량, 접근성을 고려하여 후보지를 선택하였다. 최종적으로는 20개 해안(서해 7개, 남해 9개, 동해 4개)에서 원시데이터 수집 작업을 수행하였다.

데이터처리

본 연구에서는 비교 대상 모델의 탐지 정확도 및 속도 비교를 위해 GPU를 탑재한 워크스테이션 환경(Table 2)에서 수행하였으며, 탐지 속도는 평가용 데이터셋의 이미지수(8,016장)만큼 반복 수행 후 평균값을 활용하였다.

이론/모형

데이터 가공 작업은 이미지 내에서 존재하는 대상물의 영역을 바운딩 박스로 태깅하고, 클래스명을 입력하는 작업으로 오픈소스 가공 도구 중 하나인 ‘labelme’를 활용하였다
본 연구에서는 YOLOv8과 RT-DETR을 탐지 정확도, 탐지 속도, 강건성을 기준으로 성능을 비교 분석하였다. 탐지 정확도는 입력된 이미지 내에서 대상물의 영역과 클래스명을 구분하는 능력을 의미하며, 일반적으로 컴퓨터 비전 분야의 딥러닝 모델 평가 시 많이 활용되는 meanAverage Precision (mAP)을 평가지표로 선정하였다. 이 때, Intersection over Union (IoU)은 50%를 기준으로 mAP값을 산출하였다.
탐지 속도는 단위 시간당 모델이 탐지 가능한 이미지의 수를 의미하며, 해당 모델이 다량의 이미지를 처리하는데 활용된다는 점을 고려하였다. 탐지속도의 측정 지표로는 Frames Per Second (FPS)를 선정하였다. 강건성은 시스템이나 모델이 예기치 않은 입력 또는 외부 환경변화에도 안정적인 성능을 제공하는 능력을 의미한다.

성능/효과

1) 탐지 정확도 및 속도 측면에서 YOLOv이 RT-DET에 비해 전반적으로 높은 성능을 보였다. 탐지 정확도는 최대값(YOLOv8x, 0.
2) YOLOv8 계열의 모델은 대체로 RT-DETR에 비해 높은 강건성을 보였다. 특히, 드론 촬영 시 발생할 수 있는 블러 효과와 밝기 및 콘트라스트 변화에 대해서는 YOLOv8이 RT-DETR에 비해 강건한 경향이 있었다.
3) 색상 왜곡의 경우 RT-DETR 계열 모델이 YOLOv8 계열 모델에 비해 더 높은 성능을 보였다. 따라서 일출이나 일몰과 같이 태양광의 밝기 변화가 큰 시간에는 RT-DETR 모델의 사용이 더 적합할 것으로 판단된다.
4) 카메라의 화이트밸런스, 노출보정 알고리즘 등의 요소로 인한 채도 변화는 모든 모델에서 미미한 성능 저하를 보였으며, 이는 모델 선택에 큰 영향을 미치지 않을 것으로 판단된다.
5) 대상물 가림 현상에 있어서는 YOLOv8이 RT-DETR에 비해 수치적으로는 더 강건한 경향이 있었다. 하지만 mAP가 0.
6) 실제 해안가 모니터링 상황을 고려했을 때, 색상 왜곡 상황은 데이터 수집 단계에서 대비가 가능하며, 대량의 이미지를 신속하게 처리한다는 관점에서 탐지 속도가 평균적으로 2배 가량 높은 YOLOv8 계열의 모델이 더 적합한 것으로 판단된다. 또한 YOLOv8 내에서도 모델 복잡도에 따른 탐지 정확도 차이는 미미한 수준이므로 탐지 속도를 고려하여 YOLOv8s를 활용하는 것이 타당한 것으로 사료된다.
RT-DETR은 Beidu에서 2023년 7월 공개한 모델로 트랜스포머 기반의 객체 탐지 모델 중 하나인 DETR을 개선하기 위해 개발되었다. Intra-scale 상호 작용과 Crossscale 융합을 분리하는 효율적인 하이브리드 인코더를 사용함으로써 연산 비용을 줄였으며, 이를 통해 트랜스포머 기반의 모델임에도 실시간 객체 탐지가 가능하도록 구현할 수 있었다.
기체의 비행 속도는 카메라의 셔터스피드 성능을 고려하여 일정한 수준으로 조정이 가능하다. 그러나 연중 강한 바람이 부는 동해안이나 해무 발생 빈도가 높은 해안가의 모니터링 시에는 YOLOv8 계열의 모델을 활용하는 것이 RT-DETR 모델에 비해 더 정확한 집계 결과를 얻을 수 있을 것으로 보인다.
탐지 정확도 측면에서는 수치적으로 차이가 존재하나 정성적 평가 결과에 비추어볼 때, 실제 탐지 능력에 있어서는 유의미한 차이는 없는 것으로 판단된다. 그러나 탐지 속도 차이로 인해 모니터링에 소요되는 시간에 있어서는 YOLOv8을 활용하는 것이 단위 시간당 더 많은 해변에 대한 분석 결과를 얻을 수 있어 전국 단위의 모니터링에 있어서는 YOLOv8이 더 적합한 것으로 판단된다. 또한 강건성에 있어서도 색상 왜곡을 제외한 모든 항목에서 YOLOv8이 더 강건한 것으로 확인되었으며, 색상 왜곡의 경우 일몰 및 일출 시간을 고려하여 촬영계획을 수립한다면 데이터 수집 단계에서 회피가 가능할 것으로 보인다.
본 연구에서는 광범위한 해안을 드론으로 촬영하여 그 이미지를 자동으로 분석하기 위한 딥러닝 모델을 탐색하는데 초점을 두었다. 넓은 해안을 드론으로 촬영시 다량의 이미지가 생성되며, 이를 신속하게 분석하기 위해서는 탐지 정확도 뿐만 아니라 탐지 속도도 고려하여 개발된 실시간 객체 탐지 모델이 적합하다고 판단하였다. 따라서 본 연구에서는 실시간 객체 탐지 모델 중 가장 최근에 제안된 YOLOv8과 RT-DETR을 대상으로 성능(탐지 정확도, 탐지 속도) 및 강건성을 비교 분석하였다.
표에는 각 노이즈 유형별로 다른 강도를 적용했을 때, 도출되는 탐지 정확도를 평균하여 표기하였다. 노이즈 유형별로 성능을 비교해본 결과 블러 효과, 밝기(Brightness) 변화, 콘트라스트(Contrast) 변화, 채도(Saturation) 변화에 있어서는 평균적으로 5% 이내의 성능 저하를 보여 비교 대상 모델 모두 강건한 경향을 보였다. 반면, 대상물 가림에 있어서는 모든 모델에서 최소 20%에서 최대 70% 이상의 성능 하락을 보여 강건성 확보가 어려운 것을 확인할 수 있었다.
노이즈 강도가 강해짐에 따라 정확도 저하가 발생하는 경향은 모든 유형의 노이즈에서 공통적으로 보이는 현상이므로 변동폭이 크다는 것은 노이즈 강도 변화에 따른 성능 저하 수준이 높다는 것으로 해석될 수 있다. 노이즈에 대한 모델 간 성능을 비교해본결과 색상(Hue) 왜곡을 제외한 모든 모델에서 YOLOv8 계열 모델이 RT-DETR에 비해서 강건한 것을 확인할 수 있었다. 또한 동일 계열 모델 내 모델 복잡도에 따른 성능 차이보다 모델 간 성능 차이가 더 큰 것을 확인할 수 있었다.
또한 자갈 해변의 경우에도 태양의 남중고도에 따라 자갈 표면 반사로 인해 주변 대상물의 밝기와 콘트라스트에 변화를 만들어낼 수 있다. 따라서 모니터링 대상 해변의 면적이 넓어 정오시간을 피할 수 없거나 자갈 해변에서 촬영하는 경우 YOLOv8 계열의 모델을 활용하는 것이 RT-DETR 모델에 비해 더 정확한 집계 결과를 얻을 수 있을 것으로 보인다.
또한 강건성에 있어서도 색상 왜곡을 제외한 모든 항목에서 YOLOv8이 더 강건한 것으로 확인되었으며, 색상 왜곡의 경우 일몰 및 일출 시간을 고려하여 촬영계획을 수립한다면 데이터 수집 단계에서 회피가 가능할 것으로 보인다. 따라서 실제 해안쓰레기 모니터링에 적용한다는 관점에서 볼 때, YOLOv8 계열의 모델을 기반으로 모니터링 시스템을 구축하는 것이 RTDETR 계열 모델에 비해 타당한 것으로 사료된다.
색상 변화는 태양광이 대상물에 입사하는 광경로의 길이에 따라 크게 변화하며, 주로 일출이나 일몰 조건에서 그 변화폭이 크다. 따라서 일출, 일몰 시간에 촬영이 부득이한 경우 RT-DETR 계열의 모델을 활용하는 것이 YOLOv8 모델에 비해 더 정확한 집계 결과를 얻을 수 있을 것으로 보인다.
3) 색상 왜곡의 경우 RT-DETR 계열 모델이 YOLOv8 계열 모델에 비해 더 높은 성능을 보였다. 따라서 일출이나 일몰과 같이 태양광의 밝기 변화가 큰 시간에는 RT-DETR 모델의 사용이 더 적합할 것으로 판단된다.
그러나 탐지 속도 차이로 인해 모니터링에 소요되는 시간에 있어서는 YOLOv8을 활용하는 것이 단위 시간당 더 많은 해변에 대한 분석 결과를 얻을 수 있어 전국 단위의 모니터링에 있어서는 YOLOv8이 더 적합한 것으로 판단된다. 또한 강건성에 있어서도 색상 왜곡을 제외한 모든 항목에서 YOLOv8이 더 강건한 것으로 확인되었으며, 색상 왜곡의 경우 일몰 및 일출 시간을 고려하여 촬영계획을 수립한다면 데이터 수집 단계에서 회피가 가능할 것으로 보인다. 따라서 실제 해안쓰레기 모니터링에 적용한다는 관점에서 볼 때, YOLOv8 계열의 모델을 기반으로 모니터링 시스템을 구축하는 것이 RTDETR 계열 모델에 비해 타당한 것으로 사료된다.
본 모델은 YOLOv8과 달리 Compound Scaling을 적용하지는 않으나 모델의 Depth와 각 레이어의 채널 수의 증감은 파라미터(뉴런)의 증감으로 직결되므로 RTDETR-l에 비해 RT-DETR-x가 더 많은 파라미터를 가진 모델이다. 따라서 탐지 정확도와 탐지 속도 간의 트레이드 오프(Trade-off) 현상이 동일하게 발생한다.
한편, 탐지 속도 측면에서 비교해보았을 때, YOLOv8 계열 모델은 최소 64 FPS에서 최대 135 FPS의 추론 속도를 보인 것에 비해 RT-DETR 계열 모델은 최소 40 FPS에서 최대 52 FPS의 추론 속도를 보여주었다. 비교 대상 모델 모두 30 FPS 이상의 탐지 속도를 보여 동영상 입력 시에도 실시간 탐지가 가능한 것을 확인할 수 있었다. 또한 YOLOv8s나 YOLOv8m의 경우 100 FPS 이상의 속도를 보여주어 수천장 이상의 이미지 촬영이 필요한 넓은 해안 모니터링에 유용할 것으로 판단된다.
한편, YOLOv8 내에서도 Compound Scaling 수준에 따라 성능 차이가 존재한다. 비교 대상 모델 중 가장 모델 복잡도가 낮은 YOLOv8s의 mAP50은 0.927이며, 가장 모델 복잡도가 높은 YOLOv8x의 mAP50은 0.945로 이 차이는 YOLOv8과 RT-DETR의 평균적인 차이보다 더 작은 폭을 보이고 있다. 반면, FPS의 경우 YOLOv8s가 135.
또한 기상현상에 의한 해무 발생 상황에서도 유사한 품질의 이미지가 촬영될 수 있다. 비교 대상 모델은 전반적으로 이러한 노이즈에 대해서는 강건한 것으로 보이며, 특히 YOLOv8 계열 모델이 RT-DETR에 비해 더 강건한 것으로 확인되었다. 기체의 비행 속도는 카메라의 셔터스피드 성능을 고려하여 일정한 수준으로 조정이 가능하다.
성능 평가 결과 YOLOv8 계열 모델들은 탐지 정확도 측면에서 RT-DETR 계열 모델들에 비해 더 높은 정확도를 보였다. YOLOv8 모델 중 가장 모델 구조가 단순한 YOLOv8s의 경우 mAP50이 0.
반면 대상물의 일부가 가려지는 현상(Screened)에 대해서는 반대 경향을 보였다. 이를 통해 YOLOv8 계열 모델의 경우 색상을 통해 만들어지는 분광학적 특징에 상대적으로 높은 의존도를 보이며, RT-DETR의 경우 대상물의 형태나 배치가 만들어내는 특징에 대해 상대적으로 높은 의존도를 보이는 경향이 있음을 확인할 수 있었다.
1) 탐지 정확도 및 속도 측면에서 YOLOv이 RT-DET에 비해 전반적으로 높은 성능을 보였다. 탐지 정확도는 최대값(YOLOv8x, 0.945)과 최소값(RT-DETR, 0.917) 간의 차이가 mAP50을 기준으로 0.027로 크지 않았으나, 탐지 속도는 최대값(YOLOv8s, 135.14)과 최소값(RT-DETR-x, 39.53)의 차이가 FPS를 기준으로 95.61로 넓은 해변에서 신속한 결과를 얻기 위해서는 YOLOv8 계열의 모델을 선택하는 것이 타당하다고 판단된다.
2) YOLOv8 계열의 모델은 대체로 RT-DETR에 비해 높은 강건성을 보였다. 특히, 드론 촬영 시 발생할 수 있는 블러 효과와 밝기 및 콘트라스트 변화에 대해서는 YOLOv8이 RT-DETR에 비해 강건한 경향이 있었다.
한편, 색상 왜곡의 경우 대체로 YOLOv8 계열 모델에서 높은 성능 저하(평균 29.25~38.72%)를 보인데 비해 RT-DETR 계열 모델의 경우 상대적으로 낮은 성능저하(평균 19.01~22.78%)를 보인 것을 확인할 수 있었다. 반면 대상물의 일부가 가려지는 현상(Screened)에 대해서는 반대 경향을 보였다.
918에 그쳤다. 한편, 탐지 속도 측면에서 비교해보았을 때, YOLOv8 계열 모델은 최소 64 FPS에서 최대 135 FPS의 추론 속도를 보인 것에 비해 RT-DETR 계열 모델은 최소 40 FPS에서 최대 52 FPS의 추론 속도를 보여주었다. 비교 대상 모델 모두 30 FPS 이상의 탐지 속도를 보여 동영상 입력 시에도 실시간 탐지가 가능한 것을 확인할 수 있었다.

후속연구

본 연구를 통해 얻은 결론은 실제 모니터링 환경 및 조건을 고려하여 적절한 모델 선택을 하는 데 큰 도움을 제공할 것으로 기대된다. 또한 향후 본 연구의 결과를 토대로 비교한 모델들의 성능 및 강건성 개선을 위한 데이터 증강 계획 및 모델 구조 개선에 활용될 수 있을 것으로 기대된다.
본 연구를 통해 얻은 결론은 실제 모니터링 환경 및 조건을 고려하여 적절한 모델 선택을 하는 데 큰 도움을 제공할 것으로 기대된다. 또한 향후 본 연구의 결과를 토대로 비교한 모델들의 성능 및 강건성 개선을 위한 데이터 증강 계획 및 모델 구조 개선에 활용될 수 있을 것으로 기대된다.

참고문헌 (11)

Ahmed, A., Tangri, P., Panda, A., Ramani, D., and？Karmakar, S., 2019. Vfnet: A convolutional？architecture for accent classification. In Proceedings？of the 2019 IEEE 16th India Council International？Conference (INDICON), Rajkot, India, Dec. 13-15,？pp. 1-4. https://doi.org/10.1109/INDICON47234.2019.9030363
Bak, S. H., Kim, N. K., Jeong, M. J., Hwang, D. H.,？Enkhjargal, U., Kim, B. R. et al., 2020. Study？on detection technique for coastal debris by？using unmanned aerial vehicle remote sensing？and object detection algorithm based on deep？learning. The Journal of the Korea Institute of？Electronic Communication Sciences, 15(6), 1209-1216. https://doi.org/10.13067/JKIECS.2020.15.6.1209

원문보기 상세보기
Bao, Z., Sha, J., Li, X., Hanchiso, T., and Shifaw, E., 2018. Monitoring of beach litter by automatic？interpretation of unmanned aerial vehicle images？using the segmentation threshold method. Marine？Pollution Bulletin, 137, 388-398. https://doi.org/10.1016/j.marpolbul.2018.08.009

상세보기
Choi, K., 2021. A coastal garbage monitoring system？using drones and AI technologies: Focusing on？the case of Jeju province. Journal of Korean？Society for Geospatial Information Science, 29(4),？127-138. http://doi.org/10.7319/kogsis.2021.29.4.127

상세보기
Delre, A., Goudriaan, M., Morales, V. H., Vaksmaa,？A., Ndhlovu, R. T., Baas, M. et al., 2023. Plastic？photodegradation under simulated marine conditions.？Marine Pollution Bulletin, 187, 114544. https://doi.org/10.1016/j.marpolbul.2022.114544

상세보기
Han, S. K., 2020. The concept of microplastics and？their occurrence, transport, biological effects,？and management methods in the ocean. Journal？of Environmental Health Sciences, 46(5), 610-626.？https://doi.org/10.5668/JEHS.2020.46.5.610

원문보기 상세보기
He, K., Gkioxari, G., Dollar, P., and Girshick, R., 2017.？Mask R-CNN. In Proceedings of the 2017 IEEE？International Conference on Computer Vision,？Venice, Italy, Oct. 22-29, pp. 2980-2988. https://doi.org/10.1109/ICCV.2017.322
Jang, S. W., Lee, S. K., Oh, S. Y., Kim, D. H., and？Yoon, H. J., 2011. The application of unmanned？aerial photography for effective monitoring of？marine debris. Journal of the Korean Society of？Marine Environment & Safety, 17(4), 307-314.？https://doi.org/10.7837/kosomes.2011.17.4.307

원문보기 상세보기
Kako, S., Isobe, A., and Magome, S., 2012. Low altitude？remote-sensing method to monitor marine and？beach litter of various colors using a balloon？equipped with a digital camera. Marine Pollution？Bulletin, 64(6), 1156-1162. https://doi.org/10.1016/j.marpolbul.2012.03.024

상세보기
Redmon, J., and Farhadi, A., 2018. Yolov3: An incremental？improvement. arXiv preprint arXiv:1804.02767. https://doi.org/10.48550/arXiv.1804.02767
Scarrica, V. M., Aucelli, P. P. C., Cagnazzo, C., Casolaro,？A., Fiore, P., La Salandra, M. et al., 2022. A novel？beach litter analysis system based on UAV images and convolutional neural networks. Ecological？Informatics, 72, 101875. https://doi.org/10.1016/j.ecoinf.2022.101875

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

연합인증