[논문]YOLOv8과 무인항공기를 활용한 고해상도 해안쓰레기 매핑

박수호; 김흥민; 김영민; 이인지; 박미소; 김탁영; 장선웅

doi:10.7780/kjrs.2024.40.2.3

YOLOv8과 무인항공기를 활용한 고해상도 해안쓰레기 매핑
High-Resolution Mapping Techniques for Coastal Debris Using YOLOv8 and Unmanned Aerial Vehicle 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.40 no.2, 2024년, pp.151 - 166

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

초록
AI-Helper

해안쓰레기 문제는 전 세계적으로 환경에 대한 심각한 위협이 되고 있다. 본 연구에서는 딥러닝과 원격탐사 기술을 활용하여 해안쓰레기의 모니터링 방법을 개선하고자 하였다. 이를 위해 You Only Look Once (YOLO)v8 모델을 이용한 객체 탐지 기법을 적용하여 우리나라 주요 해안쓰레기 11종에 대한 대규모 이미지 데이터셋을 구축하고, 실시간으로 쓰레기를 탐지 및 분석할 수 있는 프로토콜(Protocol)을 제안한다. 낙동강 하구에 위치한 신자도를 대상으로 드론 이미지 촬영 및 자체 개발한 YOLOv8 기반의 분석 프로그램을 적용하여 해안쓰레기 성상별 핫스팟을 식별하였다. 이러한 매핑(Mapping) 및 분석 기법의 적용은 해안쓰레기 관리에 효과적으로 활용될 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Coastal debris presents a significant environmental threat globally. This research sought to improve the monitoring methods for coastal debris by employing deep learning and remote sensing technologies. To achieve this, an object detection approach utilizing the You Only Look Once (YOLO)v8 model was implemented to develop a comprehensive image dataset for 11 primary types of coastal debris in our country, proposing a protocol for the real-time detection and analysis of debris. Drone imagery was collected over Sinja Island, situated at the estuary of the Nakdong River, and analyzed using our custom YOLOv8-based analysis program to identify type-specific hotspots of coastal debris. The deployment of these mapping and analysis methodologies is anticipated to be effectively utilized in managing coastal debris.

주제어

표/그림 (20)

그림 Fig. 1. Flowchart.
그림 Fig. 2. Study area: Sinjado is an uninhabited island located centrally among the islands in the Nakdong River estuary. Beneath the estuary dam constructed at the mouth of the Nakdong River, there exist three channels, each of which traverses the maritime area around Sinjado. The red dot marks the site of the Tidal Gauge and Automatic Weather Station employed to check the weather conditions during the monitoring period in Sinjado.
그림 Fig. 3. Distribution of data collection areas. The locations of beaches where raw data were collected are indicated by red dots.
그림 Fig. 4. Example images of the results of processing data in bounding box format.
표 Table 1. The composition of the coastal debris image dataset
그림 Fig. 5. A schematic diagram of the operation of the debris detector using the pre-trained YOLOv8 model.
표 Table 3. Accuracy and speed of detection of YOLOv8s model for detection of coastal debris
그림 Fig. 6. Training and validation loss for each epoch.
그림 Fig. 7. Validation mAP for each epoch.
표 Table 2. Environment for measuring detection accuracy and speed
그림 Fig. 8. Examples of coastal debris detection using YOLOv8s: (a) sand type background, (b) gravel type background, and (c) vegetation type background.
그림 Fig. 9. Comparison of class-specific accuracy before and after quality improvement of datasets. The red line represents the class-wise Average Precision (AP) evaluated with the dataset before correcting for missing bounding boxes, while the blue line indicates the class-wise AP evaluated with the dataset after retagging the missing bounding boxes. It can be observed that performance improved across all classes upon correcting for the absence of bounding boxes.
그림 Fig. 10. Amount of coastal debris from Sinja Island.
표 Table 4. Amount of coastal debris from Sinja Island
그림 Fig. 11. Distribution of the amount of coastal debris by shooting area. Each point corresponds to 1 image of an unmanned aerial vehicle.
그림 Fig. 12. Distribution of types of coastal debris per 1 ha grid.
그림 Fig. 13. Proportional distribution of types of coastal debris within each 1 ha grid.
그림 Fig. 14. Locations of hot-spots for different types of coastal debris.
그림 Fig. 15. Weather and tides at the time of drone photography and flow rate in Nakdong estuary.
그림 Fig. 16. Distribution of cities around Nakdong River and location of large fish farms. The area marked with red squares is the area located on a large fish farm.

AI 본문요약
AI-Helper

문제 정의

이러한 상황에서 딥러닝과 드론을 융합한 접근 방식은 해안쓰레기의 발생 특성을 이해하고, 사후 처리를 위한 의사결정지원 자료를 생산하는데 효과적으로 이용될 수 있을 것이라 생각된다. 따라서 본 연구에서는 딥러닝 기반의 객체 탐지 모델과 드론을 활용하여 해안쓰레기 모니터링을 시범적으로 수행하고자 한다. 본 연구는 딥러닝 기반 해양쓰레기 자동 탐지 기능을 구현하기 위해 이미지 빅데이터를 자체적으로 구축하였으며, 이를 위한 프로토콜(Protocol)을 제안한다.
본 연구에서는 11종의 해안쓰레기에 대해 고해상도 지도를 제작하고 공간분포 특성을 분석하였다. 또한 40만장 이상의 이미지를 포함하는 데이터셋을 활용하여 모델의 신뢰성과 다양성을 확보하였다.
본 연구에서는 드론과 딥러닝 기반 객체 탐지 모델을 활용하여 부산에 위치한 무인도서인 신자도를 대상으로 해안쓰레기 모니터링을 시도하였다. 드론으로 촬영된 이미지를 자동으로 분석하기 위해 딥러닝 기반 객체 탐지 모델 중 You Only Look Once (YOLO)v8을 사용하였으며, 모델이 해안쓰레기를 탐지할 수 있도록 데이터셋을 자체적으로 구축하였다.
본 연구에서는 무인항공기와 딥러닝 기반 객체 탐지 기술을 활용한 새로운 해안쓰레기 모니터링 방법을 제안한다. 40만장 이상의 이미지를 모델학습에 활용함으로써 정확도 평가의 신뢰도를 개선하였으며, 정사영상을 사용하지 않아도 되는 조사 방법을 적용하였다.
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. 또한 YOLOv8을 활용하여 진행된 선행연구(Bak et al.
또한 샘플링 구역을 어디에 선정하는가에 따라 쓰레기의 총량이 달라질 수 있어 오차에 대한 위험성이 높다. 이러한 문제를 개선하기 위해 본 연구에서는 무인항공기와 딥러닝 기술을 활용한 모니터링 및 매핑 프로토콜을 제안하였다.

제안 방법

본 연구에서는 무인항공기와 딥러닝 기반 객체 탐지 기술을 활용한 새로운 해안쓰레기 모니터링 방법을 제안한다. 40만장 이상의 이미지를 모델학습에 활용함으로써 정확도 평가의 신뢰도를 개선하였으며, 정사영상을 사용하지 않아도 되는 조사 방법을 적용하였다. 제안하는 방법은 별도의 전문적인 기술 없이 모바일 애플리케이션을 활용하여 이미지를 획득 할 수 있으며, 넓은 해안을 단시간에 촬영할 수 있다.
본 연구에서는 학습용 데이터셋(Training Dataset)과 검증용 데이터셋(Validation Dataset)을 활용하여 YOLOv8s를 학습시켰다. Epochs는 50으로 설정하였으며, 학습 효율 및 정확도 확보를 위해 MSCOCO 데이터셋으로 사전학습 된 YOLOv8s 모델의 가중치를 활용하여 모델을 미세조정하였다.
본 연구는 딥러닝 기반 해양쓰레기 자동 탐지 기능을 구현하기 위해 이미지 빅데이터를 자체적으로 구축하였으며, 이를 위한 프로토콜(Protocol)을 제안한다. 또한 학습된 딥러닝 모델을 활용하여 무인도서의 해안쓰레기 분포를 파악하고, 특히 쓰레기 종류별 분포 특성 차이를 상세히 분석하기 위한 모니터링 및 매핑(Mapping) 시나리오를 제안하고 시범적으로 적용한 결과를 제시하였다. 이 연구는 해안쓰레기 모니터링의 방법론을 개선하고, 이를 통해 환경 보호 및 정책 수립에 기여할 수 있는 새로운 접근 방법을 제시할 것으로 기대된다.
따라서 본 연구에서는 딥러닝 기반의 객체 탐지 모델과 드론을 활용하여 해안쓰레기 모니터링을 시범적으로 수행하고자 한다. 본 연구는 딥러닝 기반 해양쓰레기 자동 탐지 기능을 구현하기 위해 이미지 빅데이터를 자체적으로 구축하였으며, 이를 위한 프로토콜(Protocol)을 제안한다. 또한 학습된 딥러닝 모델을 활용하여 무인도서의 해안쓰레기 분포를 파악하고, 특히 쓰레기 종류별 분포 특성 차이를 상세히 분석하기 위한 모니터링 및 매핑(Mapping) 시나리오를 제안하고 시범적으로 적용한 결과를 제시하였다.
특히 핫스팟의 위치 식별은 해안쓰레기 축적의 근본적인 원인을 조사하는데 중요한 단서를 제공할 수 있으며, 장기적인 해양 환경 보호전략 개발에 기여할 수 있을 것이다. 본 연구에서 제안하는 해안쓰레기 모니터링 방법은 딥러닝 모델을 기반으로 손쉽게 공간자료를 생산함으로써 관련 정책 입안자와 실무자에게 데이터 기반 의사결정을 위한 근거자료를 제공할 수 있다. 또한 성상별 고해상도 지도는 해안쓰레기 및 환경분야 연구를 위한 기초자료로 활용될 수 있을 것으로 기대된다.
본 연구에서는 YOLOv8의 탐지 정확도와 탐지 속도를 기준으로 성능을 평가하였다. 탐지정확도는 입력된 이미지 내에서 대상물의 영역과 클래스명을 구분하는 능력을 의미하며, 일반적으로 컴퓨터 비전 분야의 딥러닝 모델 평가 시 많이 활용되는 mAP를 평가지표로 선정하였다.
그러나 이는 인접한 이미지를 이어붙여 모자이크 이미지(또는 파노라마 이미지)를 제작하기 위한 것이다. 본 연구에서는 모자이크 이미지를 생성하지 않고 촬영된 각 이미지를 개별적으로 활용하기 위한 목적으로 촬영하므로 중복률을 가장 낮은 값으로 설정하였다.
딥러닝 기반 객체 탐지 모델의 훈련과 성능 평가를 위해서는 이미지와 라벨링 데이터로 구성된 데이터셋이 요구된다. 본 연구에서는 원시데이터 수집, 데이터 정제, 데이터 가공, 데이터 품질 검수의 4단계 작업을 통해 자체적으로 데이터셋을 구축하였다. 원시데이터는 한국해양환경공단의 ‘국가 해안쓰레기 모니터링(2019년) 보고서’를 토대로 우리나라 연안 해변에서 발생하는 해안쓰레기 중 가장 많은 양을 차지하는 재질인 플라스틱, 유리류, 금속류를 대상으로 선정하였다.
Shp 파일은 Geographic Information System (GIS) 소프트웨어에서 일반적으로 활용되는 파일 형식으로 점, 선, 폴리곤(Polygon) 등의 지오메트리(Geometry) 정보와 온도, 인구, 수량 등의 속성정보를 저장하기 위해 개발되었다. 본 연구에서는 탐지 이후 단계에서 GIS를 활용한 매핑 및 공간분석을 위해 Shp 파일을 생성하여 활용하였다.
본 연구에서는 학습용 데이터셋(Training Dataset)과 검증용 데이터셋(Validation Dataset)을 활용하여 YOLOv8s를 학습시켰다. Epochs는 50으로 설정하였으며, 학습 효율 및 정확도 확보를 위해 MSCOCO 데이터셋으로 사전학습 된 YOLOv8s 모델의 가중치를 활용하여 모델을 미세조정하였다.
38 cm/pixel이었으며, 작업자 1명이 투입되어 약 1시간 24분(84분)동안 촬영하였다. 신자도에서 촬영된 무인항공기 이미지들을 탐지기에 입력하여 얻은 공간자료를 활용하여 해안쓰레기의 공간 분포 패턴을 분석하였다. 공간 분포 패턴은 QGIS와 Python의 ESDA 패키지를 활용하여 수행하였다.
이러한 이미지를 신속하게 탐지 및 분석하기 위해서는 활용되는 딥러닝 모델의 정확도 뿐만 아니라 탐지 속도 또한 중요하다고 판단하였다. 이런 점에 착안하여 본 연구에서는 무인항공기로 촬영된 이미지를 자동분석하기 위해 실시간 객체 탐지 모델 중 하나인 YOLOv8을 기반으로 탐지 및 집계 모듈을 구현하였다. 실시간 객체 탐지 모델은 기존의 객체 탐지 모델과 달리 탐지 정확도뿐만 아니라 탐지 속도에도 초점을 두고 개발된 모델이다.
또한 40만장 이상의 이미지를 포함하는 데이터셋을 활용하여 모델의 신뢰성과 다양성을 확보하였다. 제안된 방법은 평방미터 수준의 고해상도 해안쓰레기 지도를 성상별로 제작할 수 있다. 약 2.
40만장 이상의 이미지를 모델학습에 활용함으로써 정확도 평가의 신뢰도를 개선하였으며, 정사영상을 사용하지 않아도 되는 조사 방법을 적용하였다. 제안하는 방법은 별도의 전문적인 기술 없이 모바일 애플리케이션을 활용하여 이미지를 획득 할 수 있으며, 넓은 해안을 단시간에 촬영할 수 있다. 따라서 원격탐사 또는 사진측량 전문가 이외의 인력에 의해서도 손 쉽게 모니터링이 가능하다.

대상 데이터

오픈소스 가공 도구 중 하나인 ‘Labelme’를 활용하였으며, 대상물의 영역은 바운딩 박스(Bounding Box) 형식(Fig. 2)으로 태깅하여 총 400,796장의 이미지를 가공하였다(Table 1). 데이터 가공 시 이미지에 존재하는 대상물의 영역을 사각형 바운딩 박스로 태깅하였다.
2023년 7월에 신자도 해안쓰레기 모니터링을 목적으로 무인항공기를 활용하여 이미지를 수집하였다. 이미지 내 대상물의 해상도를 고려하여 15 m 고도에서 745장의 이미지를 촬영하였다.
품질 검수 및 교정 작업이 완료된 데이터셋은 해안쓰레기 탐지를 위한 딥러닝 모델 학습에 활용하였다. 데이터셋은 학습용(Train), 검증용(Validation), 평가용(Test)으로 구분하였으며, 각각 80% (320,637장), 10% (40,079장), 10% (40,080장)로 분할하여 활용하였다.
원시데이터는 한국해양환경공단의 ‘국가 해안쓰레기 모니터링(2019년) 보고서’를 토대로 우리나라 연안 해변에서 발생하는 해안쓰레기 중 가장 많은 양을 차지하는 재질인 플라스틱, 유리류, 금속류를 대상으로 선정하였다. 또한 발생량 중 대부분을 차지하는 재질인 플라스틱류는 9개의 세부 성상으로 구분하여 총 11종에 대해서 수집하였다.
이미지 내에 있는 대상물 스케일의 다양성을 확보하기 위해 지표 및 5~30 m 고도에서 촬영하였다. 무인항공기는 DJI사의 Mavic 2 Pro와 Phantom 4 Pro를 사용하였으며, 스마트폰은 12 MP 이상의 카메라를 탑재한 기종을 사용하였다. 촬영 대상지 선정 시 딥러닝 모델의 일반화 탐지 성능을 데이터셋 수준에서 확보하기 위해 데이터셋에 포함된 대상물들의 다양한 사례를 포함시키는데 초점을 두었다.
본 연구에서는 신속하게 고해상도 해안가 이미지를 획득하기 위해 상용 무인항공기 중 하나인 DJI사의 Mavic 2 Pro를 활용하였다. 활용한 무인항공기는 20 MP 공간해상도의 RGB 카메라를 내장하고 있으며 Global Navigation Satellite System (GNSS)를 탑재하고 있어 촬영된 이미지의 EXIF에 촬영된 위치의 위도와 경도를 저장할 수 있다.
쓰레기 발생량 및 다양성과 관련된 자료는 한국해양환경공단의 ‘국가 해안쓰레기 모니터링 구역’ 및 ‘국가 해안쓰레기 모니터링 보고서’, 국립공원공단의 해양쓰레기 모니터링 구역을 참조하였다
8은 YOLOv8s 모델을 활용하여 다양한 종류의 해변에서 촬영된 이미지를 탐지한 결과이다. 우리나라 연안의 주요 해변 유형인 모래와 자갈 해변을 대상으로 이미지를 구성하였으며, 추가적으로 초목류 더미 위에서 촬영된 이미지도 일부 사용하였다. 본 연구에서 구축한 데이터셋으로 학습된 YOLOv8s 모델은 모래 해변 뿐 아니라 자갈 해변 및 초목류가 덮여 있는 배경에서도 해안쓰레기를 탐지가 가능하였다.
원시데이터 수집 장비는 무인항공기와 스마트폰을 활용하였다. 이미지 내에 있는 대상물 스케일의 다양성을 확보하기 위해 지표 및 5~30 m 고도에서 촬영하였다.
원시데이터는 한국해양환경공단의 ‘국가 해안쓰레기 모니터링(2019년) 보고서’를 토대로 우리나라 연안 해변에서 발생하는 해안쓰레기 중 가장 많은 양을 차지하는 재질인 플라스틱, 유리류, 금속류를 대상으로 선정하였다
촬영 대상지 선정 시 딥러닝 모델의 일반화 탐지 성능을 데이터셋 수준에서 확보하기 위해 데이터셋에 포함된 대상물들의 다양한 사례를 포함시키는데 초점을 두었다. 이를 위해 우리나라 주요 해안 중 쓰레기 발생량이 많으며 그 다양성이 높은 해변을 대상으로 촬영을 시도하였다. 쓰레기 발생량 및 다양성과 관련된 자료는 한국해양환경공단의 ‘국가 해안쓰레기 모니터링 구역’ 및 ‘국가 해안쓰레기 모니터링 보고서’, 국립공원공단의 해양쓰레기 모니터링 구역을 참조하였다.
2023년 7월에 신자도 해안쓰레기 모니터링을 목적으로 무인항공기를 활용하여 이미지를 수집하였다. 이미지 내 대상물의 해상도를 고려하여 15 m 고도에서 745장의 이미지를 촬영하였다. 촬영 시 공간해상도는 약 0.

데이터처리

드론으로 촬영된 이미지를 자동으로 분석하기 위해 딥러닝 기반 객체 탐지 모델 중 You Only Look Once (YOLO)v8을 사용하였으며, 모델이 해안쓰레기를 탐지할 수 있도록 데이터셋을 자체적으로 구축하였다. 모델의 탐지 결과는 점자료의 공간자료로 생산하였으며, 이를 활용하여 공간분포 특성을 분석하였다.
신자도 내에 각 쓰레기 성상별 분포를 비교하였으며, Local Moran’s I 분석을 통해 Hot-Spot의 위치를 확인하였다
대부분 쓰레기가 밀집한 구역에서 촬영된 이미지를 태깅하는 과정에서 발생하였다. 이를 교정하기 위해 3회에 걸쳐 교차검증 및 수정작업을 수행하였으며, 품질 개선 작업 전과 후의 모델 탐지 정확도를 비교하였다(Fig. 9).
본 연구에서는 구축된 데이터셋으로 학습된 YOLOv8s 모델의 탐지 정확도 및 속도 평가를 위해 GPU를 탑재한 워크스테이션(Table 2)을 활용하였다. 탐지 정확도 및 속도 평가 시 사전에 구별해둔 평가용 데이터셋(Test Dataset)을 활용하였으며, 탐지 속도는 평가용 데이터셋에 포함된 이미지 수(40,080장)만큼 반복 수행 후 평균값을 활용하였다.

이론/모형

신자도에서 촬영된 무인항공기 이미지들을 탐지기에 입력하여 얻은 공간자료를 활용하여 해안쓰레기의 공간 분포 패턴을 분석하였다. 공간 분포 패턴은 QGIS와 Python의 ESDA 패키지를 활용하여 수행하였다. 신자도 내에 각 쓰레기 성상별 분포를 비교하였으며, Local Moran’s I 분석을 통해 Hot-Spot의 위치를 확인하였다.
의미 정확성은 태깅된 바운딩 박스의 클래스명 일치 여부 및 바운딩 박스 태깅 정밀도를 의미한다. 구문정확성 검사는 사전에 정의된 구문 규칙에 따라 Python으로 작성된 스크립트를 활용하여 수행하였다. 의미정확성 검사는 검사 전담 인력에 의해 육안으로 수행되었으며 3회 이상 교차 검사하여 오류 식별 시 교정하도록 하였다.
본 연구에서는 드론과 딥러닝 기반 객체 탐지 모델을 활용하여 부산에 위치한 무인도서인 신자도를 대상으로 해안쓰레기 모니터링을 시도하였다. 드론으로 촬영된 이미지를 자동으로 분석하기 위해 딥러닝 기반 객체 탐지 모델 중 You Only Look Once (YOLO)v8을 사용하였으며, 모델이 해안쓰레기를 탐지할 수 있도록 데이터셋을 자체적으로 구축하였다. 모델의 탐지 결과는 점자료의 공간자료로 생산하였으며, 이를 활용하여 공간분포 특성을 분석하였다.
또한 학습이 진행되는 과정에서 mAP가 불규칙적으로 증가·감소하는 진동 현상도 식별되지 않았다. 본 연구에서는 구축된 데이터셋으로 학습된 YOLOv8s 모델의 탐지 정확도 및 속도 평가를 위해 GPU를 탑재한 워크스테이션(Table 2)을 활용하였다. 탐지 정확도 및 속도 평가 시 사전에 구별해둔 평가용 데이터셋(Test Dataset)을 활용하였으며, 탐지 속도는 평가용 데이터셋에 포함된 이미지 수(40,080장)만큼 반복 수행 후 평균값을 활용하였다.
오픈소스 가공 도구 중 하나인 ‘Labelme’를 활용하였으며, 대상물의 영역은 바운딩 박스(Bounding Box) 형식(Fig
탐지 속도는 단위 시간당 모델이 탐지 가능한 이미지의 수를 의미하며, 해당 모델이 다량의 이미지를 처리하는데 활용된다는 점을 고려하였다. 탐지 속도의 측정 지표로는 Frames Per Second (FPS)를 선정하였다.
해안쓰레기 모니터링 시 무인항공기가 촬영 대상 해변을 일정한 경로로 촬영할 수 있도록 전용 애플리케이션 중 하나인 Pix4D Capture를 활용하였다. Pix4D Capture는 사진측량을 위해 개발된 전문 애플리케이션 중 하나로 사전에 계획된 무인항공기의 비행 경로 및 촬영각도 등에 맞게 자동으로 촬영할 수 있게 해준다.

성능/효과

948의 정확도를 보였으며, 탐지 속도는 FPS를 기준으로 약 135로 나타났다. 11개 대상물 중 Metal 클래스가 가장 높은 정확도(AP 0.981)를 보였으며, Rope 클래스가 가장 낮은 정확도(AP 0.868)를 보였다.
7은 검증용 데이터셋에서의 Epoch별 mAP 변화를 나타낸 학습 곡선(Learning Curve)이다. MS-COCO 데이터셋으로 사전 학습된 가중치를 활용하여 초기 Epoch에서부터 높은 mAP값으로 출발하는 것을 확인할 수 있었다. 또한 학습이 진행되는 과정에서 mAP가 불규칙적으로 증가·감소하는 진동 현상도 식별되지 않았다.
따라서 구축과정에서 작업자의 실수로 인한 바운딩 박스 태깅 누락 사례가 자주 식별되었다. 구축 완료 후 정량적으로 집계한 결과 전체 바운딩 박스 기준 약 7%가 누락되었음을 확인하였다. 대부분 쓰레기가 밀집한 구역에서 촬영된 이미지를 태깅하는 과정에서 발생하였다.
우리나라 연안의 주요 해변 유형인 모래와 자갈 해변을 대상으로 이미지를 구성하였으며, 추가적으로 초목류 더미 위에서 촬영된 이미지도 일부 사용하였다. 본 연구에서 구축한 데이터셋으로 학습된 YOLOv8s 모델은 모래 해변 뿐 아니라 자갈 해변 및 초목류가 덮여 있는 배경에서도 해안쓰레기를 탐지가 가능하였다. 특히 초목류 타입 배경 이미지(Fig.
Pix4D Capture는 사진측량을 위해 개발된 전문 애플리케이션 중 하나로 사전에 계획된 무인항공기의 비행 경로 및 촬영각도 등에 맞게 자동으로 촬영할 수 있게 해준다. 본 연구에서는 모니터링 대상 해변의 촬영 시 카메라 촬영 방향이 지면을 향하도록(90도) 하였고, 비행 경로간의 중복률을 종방향과 횡방향 모두 애플리케이션에서 설정할 수 있는 가장 낮은 수치인 20%로 설정하였다.
이는 스티로폼 잔해에서 유출되는 물질을 주변 해양생물이 직접 섭취할 수 있음을 시사하는 바이다. 본 연구의 조사 대상지인 신자도에 가장 많이 분포하는 유형의 쓰레기가 스티로폼 파편이며, 그 다음으로 스티로폼 부표가 많이 존재한다는 점을 고려했을 때 이는 잠재적으로 생태계의 유해물질 원천이 될 수 있는 위험성이 있다고 볼 수 있다. 실제로 스티로폼 부표에 서식하는 바위털갯지렁이의 배설물에서 미세플라스틱이 발견된 사례가 있었다(Shim et al.
이때, Hot-spot은 평균보다 높은 수준의 쓰레기 수량을 보이며 동시에 이웃한 영역에서도 평균보다 높은 수준의 쓰레기가 분포하는 구역을 의미한다. 분석 결과 금속(Metal)과 유리(Glass)는 수량이 적으며 섬 전체에 고르게 존재하여 Hot-spot이 형성되지 않았으며, 그 외 쓰레기들은 Hot-spot이 형성되어 있는 것을 확인할 수 있었다.
04 내외를 보이는데 비해 탐지 속도는 2배가량 차이를 보이는 것을 확인할 수 있다. 이를 고려하였을 때, 속도와 정확도가 모두 중요한 본 연구에서는 YOLOv8s가 더 적합한 모델이라고 판단하였다.
또한 학습용 데이터셋과 검증용 데이터셋의 Loss가 일정 수준의 차이를 유지하면서 함께 하락하는 것을 확인할 수 있었다. 이를 통해 본 모델에서는 과적합 징후가 포착되지 않았으며, 일반화 능력을 유지하고 있음을 확인할 수 있었다.
탐지기를 활용하여 신자도의 해안쓰레기를 집계한 결과 스티로폼 파편(Styrofoam Piece)이 6,231개로 가장 많은 수량을 보였으며, 그 다음으로 PET병(PET Bottle) 3,940개, 기타 플라스틱(Plastic etc.) 703개, 스티로폼 부표(Styrofoam Buoy) 508개 순으로 발견되었다.
Table 3은 해안쓰레기 이미지 데이터셋으로 학습된 YOLOv8s 모델을 평가용 데이터셋으로 평가한 결과이다. 해안쓰레기 탐지를 위한 YOLOv8s 모델은 mAP 0.948의 정확도를 보였으며, 탐지 속도는 FPS를 기준으로 약 135로 나타났다. 11개 대상물 중 Metal 클래스가 가장 높은 정확도(AP 0.

후속연구

우리나라 해변은 대부분 모래와 자갈로 이루어져 있으나 태풍 또는 집중호우 발생 시 일부 해역에서 대량의 초목류 더미가 강 또는 해양을 통해 유입되어 표착하는 재해쓰레기가 발생한다. YOLOv8s 모델은 이러한 재해쓰레기 발생 상황에서 초목류 더미 위에 함께 표착한 플라스틱 등의 쓰레기를 탐지하고 그 수량을 파악하는데도 활용될 수 있을 것으로 보인다.
본 연구에서 시험적으로 적용했던 Local Moran’s I 분석을 통해 Hot-spot의 식별할 수 있으며, 조사 영역을 확대 적용할 경우 특정 도시 또는 지역에 대한 Global Moran’s I 분석을 통해 각 성상별 공간 분포 패턴에 대한 정량적 분석도 가능할 것으로 기대된다. 또한 같은 스케일로 제작된 다양한 해양, 환경, 지형 관련 주제도와 더불어 중첩분석을 통한 주요 원인인자 탐색에도 활용될 수 있을 것이다.
본 연구에서 제안하는 해안쓰레기 모니터링 방법은 딥러닝 모델을 기반으로 손쉽게 공간자료를 생산함으로써 관련 정책 입안자와 실무자에게 데이터 기반 의사결정을 위한 근거자료를 제공할 수 있다. 또한 성상별 고해상도 지도는 해안쓰레기 및 환경분야 연구를 위한 기초자료로 활용될 수 있을 것으로 기대된다.
또한 쓰레기 성상별 고해상도 지도를 획득함으로써 이를 기반으로 다양한 공간분석 기법의 적용이 가능하다. 본 연구에서 시험적으로 적용했던 Local Moran’s I 분석을 통해 Hot-spot의 식별할 수 있으며, 조사 영역을 확대 적용할 경우 특정 도시 또는 지역에 대한 Global Moran’s I 분석을 통해 각 성상별 공간 분포 패턴에 대한 정량적 분석도 가능할 것으로 기대된다.
, 2023b). 또한 해안쓰레기의 존재 여부만 식별(Papakonstantinous et al., 2021)하거나 특정 2~4종을 대상으로 수행(Choi, 2021; Freitas et al., 2022)된 것이 주를 이루며, 모델 학습에 활용된 데이터셋의 수량이 수백건에서 수천건에 불과하여 실제 현장 모니터링 시 활용가능성과 한계점에 대해서는 추가적인 연구가 필요하다. 한편, 해안쓰레기 모니터링의 궁극적인 목적은 특정 해안의 해안쓰레기 양을 파악하기 위함이다.
본 연구에서 시험적으로 적용했던 Local Moran’s I 분석을 통해 Hot-spot의 식별할 수 있으며, 조사 영역을 확대 적용할 경우 특정 도시 또는 지역에 대한 Global Moran’s I 분석을 통해 각 성상별 공간 분포 패턴에 대한 정량적 분석도 가능할 것으로 기대된다
또한 학습된 딥러닝 모델을 활용하여 무인도서의 해안쓰레기 분포를 파악하고, 특히 쓰레기 종류별 분포 특성 차이를 상세히 분석하기 위한 모니터링 및 매핑(Mapping) 시나리오를 제안하고 시범적으로 적용한 결과를 제시하였다. 이 연구는 해안쓰레기 모니터링의 방법론을 개선하고, 이를 통해 환경 보호 및 정책 수립에 기여할 수 있는 새로운 접근 방법을 제시할 것으로 기대된다.
이러한 상황에서 딥러닝과 드론을 융합한 접근 방식은 해안쓰레기의 발생 특성을 이해하고, 사후 처리를 위한 의사결정지원 자료를 생산하는데 효과적으로 이용될 수 있을 것이라 생각된다. 따라서 본 연구에서는 딥러닝 기반의 객체 탐지 모델과 드론을 활용하여 해안쓰레기 모니터링을 시범적으로 수행하고자 한다.
또한 해안쓰레기의 종류별 수량 집계 및 매핑이 가능하다. 이렇게 제작된 공간정보는 본 연구에서 시도한 바와 같이 공간자기 상관성 분석에 활용될 수 있다.
해안쓰레기의 공간적 분포 패턴을 정량적으로 파악함으로써, 중점 관리가 필요한 위치를 도출할 수 있으며, 이를 통해 효과적인 예산 배분 및 정책 수립이 가능해질 것으로 기대된다. 특히 핫스팟의 위치 식별은 해안쓰레기 축적의 근본적인 원인을 조사하는데 중요한 단서를 제공할 수 있으며, 장기적인 해양 환경 보호전략 개발에 기여할 수 있을 것이다. 본 연구에서 제안하는 해안쓰레기 모니터링 방법은 딥러닝 모델을 기반으로 손쉽게 공간자료를 생산함으로써 관련 정책 입안자와 실무자에게 데이터 기반 의사결정을 위한 근거자료를 제공할 수 있다.
이러한 분석을 적용함으로써 해안쓰레기 문제에 대한 심층적인 이해를 도모할 수 있다. 해안쓰레기의 공간적 분포 패턴을 정량적으로 파악함으로써, 중점 관리가 필요한 위치를 도출할 수 있으며, 이를 통해 효과적인 예산 배분 및 정책 수립이 가능해질 것으로 기대된다. 특히 핫스팟의 위치 식별은 해안쓰레기 축적의 근본적인 원인을 조사하는데 중요한 단서를 제공할 수 있으며, 장기적인 해양 환경 보호전략 개발에 기여할 수 있을 것이다.

참고문헌 (27)

Bak, S. H., Jang, S. W., Kim, H. M., Kim, T. Y., and Ye, G. H., 2023a. A？performance comparison of land-based floating debris detection？based on deep learning and its field applications. Korean Journal？of Remote Sensing, 39(2), 193-205. https://doi.org/10.7780/kjrs.2023.39.2.6

원문보기 상세보기
Bak, S. H., Kim, H. M., Kim, T. Y., Lim, J. Y., and Jang, S. W., 2023b.？Evaluation of robustness of deep learning-based object detection？models for invertebrate grazers detection and monitoring.？Korean Journal of Remote Sensing, 39(3), 297-309 https://doi.org/10.7780/kjrs.2023.39.3.4

원문보기 상세보기
Bak, S. H., Kim, H. M., Kim, Y. M., Lee, I. J., Park, M. S., Oh, S. Y. et al.,？2023c. Applicability evaluation of deep learning-based object？detection for coastal debris monitoring: A comparative study of？YOLOv8 and RT-DETR. Korean Journal of Remote Sensing,？39(6-1), 1195-1210. https://doi.org/10.7780/kjrs.2023.39.6.1.2

원문보기 상세보기
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),？1209-1215. 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
Goodfellow, I., Bengio, Y., and Courville, A., 2017. Deep learning (Vol.？1). MIT Press.
Choi, K., 2021. A coastal garbage monitoring system using drones and？AI technologies: Focusing on the case of Jeju Province. Journal？of the Korean Society for Geospatial Information Science, 29(4),？127-138. https://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
Freitas, S., Silva, H., and Silva, E., 2022. Hyperspectral imaging zero-shot learning for remote marine litter detection and？classification. Remote Sensing, 14(21), 5516. https://doi.org/10.3390/rs14215516

상세보기
Han, J., andKim, J., 2020. Seismic vulnerability assessment and mapping？for 9.12 Gyeongju earthquake based on machine learning.？Korean Journal of Remote Sensing, 36(6-1), 1367-1377. https://doi.org/10.7780/kjrs.2020.36.6.1.7

원문보기 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
Hirahara, D., Takaya, E., Takahara, T., and Ueda, T., 2020. Effects of？data count and image scaling on deep learning training. PeerJ？Computer Science, 6, e312. http://dx.doi.org/10.7717/peerjcs.312
Hwang, D. J., Woo, H. J., Koo, B. J., and Choi, J. K., 2021. A study on the？habitat mapping of Meretrix lyrata using remote sensing at？Ben-Tre tidal flat, Vietnam. Korean Journal of Remote Sensing,？37(5-1), 975-987. https://doi.org/10.7780/kjrs.2021.37.5.1.12

원문보기 상세보기
Jang, M., Shim, W. J., Han, G. M., Rani, M., Song, Y. K., and Hong,？S. H., 2016. Styrofoam debris as a source of hazardous additives？for marine organisms. Environmental Science and Technology,？50(10), 4951-4960. https://doi.org/10.1021/acs.est.5b05485

상세보기
Jang, S. W., 2015. Analysis on behavior characteristics of Nakdong River-based marine floating debris using moving route tracking trial.？Doctoral dissertation, Pukyong National University, Busan,？Republic of Korea.
Jang, S. W., Lee, S. K., Oh, S. Y., Kim, D. H., and Yoon, H. J., 2011.？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
Jang, S. W., Yoon, H. J., and Seo, W. C., 2015. Analysis of the estuary？outflow characteristics of floating debris in the downstream of？Nakdong River using satellite location tracking buoys. The？Journal of the Korea Institute of Electronic Communication？Sciences, 10(2), 157-164. https://doi.org/10.13067/JKIECS.2015.10.2.157

원문보기 상세보기
Jeon, S., Jeon, J. H., Jeong, J., Kim, G., Lee, S., Kim, S. et al., 2023. Size-and oxidative potential-dependent toxicity of environmentally？relevant expanded polystyrene styrofoam microplastics to？macrophages. Journal of Hazardous Materials, 459, 132295.？https://doi.org/10.1016/j.jhazmat.2023.132295

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
Luca, A. R., Ursuleanu, T. F., Gheorghe, L., Grigorovici, R., Iancu, S.,？Hlusneac, M., and Grigorovici, A., 2022. Impact of quality, type？and volume of data used by deep learning models in the analysis？of medical images. Informatics in Medicine Unlocked, 29, 100911.？https://doi.org/10.1016/j.imu.2022.100911

상세보기
Papakonstantinou, A., Batsaris, M., Spondylidis, S., and Topouzelis, K., 2021. A citizen science unmanned aerial system data acquisition？protocol and deep learning techniques for the automatic？detection and mapping of marine litter concentrations in the？coastal zone. Drones, 5(1), 6. https://doi.org/10.3390/drones5010006

상세보기
Piao, Y., Lee, H. S., Kim, K. T., and Lee, K. S., 2018. Methodology？to apply low spatial resolution optical satellite images for largescale flood mapping. Korean Journal of Remote Sensing, 34(5),？787-799. https://doi.org/10.7780/kjrs.2018.34.5.7

원문보기 상세보기
Shim, W. J., Hong, S. H., Kang, J. H., Yim, U. H., Kim, M. K., Jung, J.？H. et al., 2015. A study on microplastic pollution in the coastal？environments (Report No. TRKO201500013691). Ministry of？Oceans and Fisheries, Korea Institute of Ocean Science and？Technology. https://doi.org/10.23000/TRKO201500013691
Shin, K. H., 2013. An exploratory study to make the second basic plan on？main stream and estuary of the five major rivers. Ministry of？Environment, Korea Environment Institute. http://repository.kei.re.kr/handle/2017.oak/20131
Turner, A., 2020. Foamed polystyrene in the marine environment:？Sources, additives, transport, behavior, and impacts. Environmental？Science and Technology, 54(17), 10411-10420. https://doi.org/10.1021/acs.est.0c03221

상세보기
Yohanlis, A. D., and Putri, M. R., 2021. Identification of marine debris？and its distribution using unmanned aerial vehicle (UAV) on the？Cirebon coastal area, Indonesia. IOP Conference Series: Earth？and Environmental Science, 925, 012038. https://doi.org/10.1088/1755-1315/925/1/012038

상세보기
Yoo, C. I., Yoon, H. S., and Kim, G. T., 2007. The behavior of floating？debris in the Nakdong River estuary using a simple numerical？particle model. Journal of the Korean Society of Marine Environment？& Safety, 13(4), 9-14. https://koreascience.kr/article/JAKO200709906218142.pdf

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