[논문]딥러닝 기반 어선조업종류 판별 방법

김광일; 김지희

딥러닝 기반 어선조업종류 판별 방법
Deep-learning based Fishing Gear Type Classification 원문보기

김광일 (제주대학교 해양산업경찰학과) , 김지희 (제주대학교 산업대학원 어업학과)

대부분의 나라에서는 어선의 위치발신장치를 이용하여 어선 조업상황을 모니터링 한다. 우리나라도 어선의 위치발신장치를 이용하여 어선 조업량, 불법조업 유무를 판별한다. 현재까지는 어선의 불법조업 유무 판별은 어선의 위치정보 기반으로 이루어 졌으나, 허가받지 않는 어구를 사용하는 불법조업에 대한 판별은 불가능 하였다. 이에 본 논문에서는 어선 항적과 조업면허 데이터를 이용하여 데이터 기반의 어선 조업 판별모델을 개발하고자 한다. 이를 위해 어선 항적데이터를 시계열 단위로 전처리하여 학습 이미지들을 생성하고, 해당 어선의 조업면허 정보를 레이블로 하여 학습 데이터를 제안하는 딥러닝 모델에 적용한다. 제안하는 방법의 검증을 위해 1년 동안 제주 주변해역에서 조업하는 어선의 선박자동식별장치의 항적데이터를 수집하여 실험을 하였다. 실험 결과 제안한 방법의 분류정확도는 71.5%를 얻었다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구는 어선의 조업 종류를 판별하기 위해 AIS 데이터기반의 어선 항적데이터를 딥러닝 모델에 학습하였다. 제안하는 방법으로 어선에 대한 조업종류를 판별이 가능하여 향후 어업자원 관리나 불법 조업여부 판별에 유용할 것이다.
하지만, 어선들이 정부로부터 허가받는 어구 외에 다른 어구를 가지고 조업하는 것에 대한 판별은 어선 항적데이터로 판별이 불가하다. 이에 본 연구에서는 어선 항적데이터를 딥러닝 모델에 학습하여 어선의 조업을 판별할 수 있는 모델을 개발하고자 한다.

제안 방법

이 데이터는 선박 위치, 속력, 침로정보를 2초~10초 이내의 간격으로 수집된다[4]. 이 데이터들은 제안하는 딥러닝 모델 적용을 위하여 다음 그림과 같이 일정 간격으로 보간하고, n 개의 이미지 세그먼트로 분류하였다. 각 항적의 조업면허 정보는 해당 선박이 허가받은 업종(예, 유자망, 안강망, 통발어선 등)의 범주형 데이터를 레이블값으로 지정한다.
각 나라에서는 자국 어선의 불법조업을 예방하기 위하여 어선에 위치발신장치를 강제 장착을 의무하도록 하여, 그들의 실시간 조업정보를 각국의 어업정보센터로 전송하도록 강제화하고 있다. 이를 이용하여 항행하는 어선이 다른나라의 영해 및 배타적 경제수역에서 조업하거나 금어기시 조업이 불가한 해역에서 조업하는지를 판별한다.
제안하는 딥러닝 모델은 각 이미지 세그먼트를 공통의 컨볼루션 신경망(convolution neural network)으로 학습하여 이미지 특징을 추출하고, 연속되는 이미지 특징들을 LSTM(long short-term memory) 네트워크에 순차적으로 학습하였다[3]. 해당 항적의 면허정보는 Output label에 할당하였다.
딥러닝 모델에는 65,210개의 학습 이미지와 21,000개의 테스트 이미지셋으로 구성하였다. 학습을 위한 어선의 항적길이는 1시간으로 하고, 12개의 세그먼트(5분간격)의 이미지를 생성하여 제안한 모델에 학습을 하였다. 제안하는 모델에 의해 실험한 결과 71.

대상 데이터

제안하는 모델의 실험을 위하여 2015년 1년동안 제주도 주변해역의 어선 항적정보를 수집하였으며, 각 선박에 대한 어선업종 정보를 조사하였다. 딥러닝 모델에는 65,210개의 학습 이미지와 21,000개의 테스트 이미지셋으로 구성하였다. 학습을 위한 어선의 항적길이는 1시간으로 하고, 12개의 세그먼트(5분간격)의 이미지를 생성하여 제안한 모델에 학습을 하였다.
어선의 조업 판별을 위하여 선박자동식별장치(Automatic Identification System) 데이터를 이용하였다. 이 데이터는 선박 위치, 속력, 침로정보를 2초~10초 이내의 간격으로 수집된다[4].
제안하는 모델의 실험을 위하여 2015년 1년동안 제주도 주변해역의 어선 항적정보를 수집하였으며, 각 선박에 대한 어선업종 정보를 조사하였다. 딥러닝 모델에는 65,210개의 학습 이미지와 21,000개의 테스트 이미지셋으로 구성하였다.

성능/효과

학습을 위한 어선의 항적길이는 1시간으로 하고, 12개의 세그먼트(5분간격)의 이미지를 생성하여 제안한 모델에 학습을 하였다. 제안하는 모델에 의해 실험한 결과 71.5%의 어선 업종 분류 정확도를 얻었다.

후속연구

본 연구는 어선의 조업 종류를 판별하기 위해 AIS 데이터기반의 어선 항적데이터를 딥러닝 모델에 학습하였다. 제안하는 방법으로 어선에 대한 조업종류를 판별이 가능하여 향후 어업자원 관리나 불법 조업여부 판별에 유용할 것이다. 하지만 모델의 정확도 향상과 조업/비조업 판별은 향후 연구내용으로 남는다.
제안하는 방법으로 어선에 대한 조업종류를 판별이 가능하여 향후 어업자원 관리나 불법 조업여부 판별에 유용할 것이다. 하지만 모델의 정확도 향상과 조업/비조업 판별은 향후 연구내용으로 남는다.

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

딥러닝 기반 어선조업종류 판별 방법
Deep-learning based Fishing Gear Type Classification 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

딥러닝 기반 어선조업종류 판별 방법 Deep-learning based Fishing Gear Type Classification 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

딥러닝 기반 어선조업종류 판별 방법
Deep-learning based Fishing Gear Type Classification 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper