초록 ▼

지구온난화의 영향으로 모기의 개체수는 급증하고 있는 반면, 전 세계적으로 현장에서 직접 운영이 가능한 감염병 매개 모기의 자동 종 분류 장비는 존재하지 않는다. 본 연구는 매개모기 자동분류 감시 장비를 개발하기 위해 자동 분류 및 계측이 가능한 감시 장비 시제품을 개발하였고, 딥러닝 객체 탐지 기술을 활용하여 우리나라 주요 매개모기 5종에 대한 분류 정확도 85% 이상을 달성하였다.

최적의 학습 데이터 셋을 구축하기 위해 이미지 획득부를 우선 구성하였다. 선명한 모기의 특징을 확인하기 위해 고화질의 카메라를 활용하였고,

지구온난화의 영향으로 모기의 개체수는 급증하고 있는 반면, 전 세계적으로 현장에서 직접 운영이 가능한 감염병 매개 모기의 자동 종 분류 장비는 존재하지 않는다. 본 연구는 매개모기 자동분류 감시 장비를 개발하기 위해 자동 분류 및 계측이 가능한 감시 장비 시제품을 개발하였고, 딥러닝 객체 탐지 기술을 활용하여 우리나라 주요 매개모기 5종에 대한 분류 정확도 85% 이상을 달성하였다.

최적의 학습 데이터 셋을 구축하기 위해 이미지 획득부를 우선 구성하였다. 선명한 모기의 특징을 확인하기 위해 고화질의 카메라를 활용하였고, 초점 거리를 조절하여 depth를 키워주었다. 초기 배경판은 메쉬 제질이였으나, 매개체 고정 방법의 개선을 통하여 철판 재질의 검은색 배경판을 선정하였다. 매개체 고정 방법은 공압에서 전기 충격으로 변경하여 개체 손상을 최소화하였다.

주요 매개모기 5종 및 추가 8종을 포함해 총 13종의 모기를 학습 데이터 셋으로 활용하였다. 데이터 셋은 사육종 및 매개모기 감시 장비 시제품에서 직접 촬영된 모기를 학습 데이터 셋으로 활용하였으며 장비간 색감의 차이는 colortransfer 기법을 활용하여 표준화하였다. 딥러닝 모델은 Resnet, YOLOv5, YOLOv7, Swin-transformer 등 다양한 모델을 비교하였고, YOLOv7 모델에서 가장 우수한 분류 정확도를 달성하여 최종모델로 선정하였다. 컬러 및 형광의 이미지에 NMS(Non-maximum suppression) 기법을 응용하여 분류 정확도를 향상시켰다. 그리고 포충률을 향상시키기 위해 전기 충격부에 와이퍼를 부착하여 전기 충격부에 걸린 모기들을 탈각시켰다. 최종 블라인드 테스트 결과 95.47%의 분류정확도를 달성하였다.

매개모기 자동 분류 감시 장비는 다양한 지역에서 발생하는 매개모기의 개체수를 지속적으로 관찰할 수 있고 급증하는 모기에 대한 빠른 조치가 가능하다. 이를 통하여 감염병의 전파를 신속하게 대처할 수 있고, 선제적인 방제 작업을 통하여 질병 확산을 억제하는 주용한 역할을 수행할 수 있다.

(출처 : 요약문 4p)

Abstract ▼

While the population of mosquitoes is rapidly increasing under the influence of global warming, there is no equipment for automatic species classification of infectious disease vector mosquitoes that can be operated directly in the field worldwide. This study developed a surveillance equipment proto

While the population of mosquitoes is rapidly increasing under the influence of global warming, there is no equipment for automatic species classification of infectious disease vector mosquitoes that can be operated directly in the field worldwide. This study developed a surveillance equipment prototype capable of automatic classification and measurement to develop automatic classification and monitoring equipment for mosquito vectors, and achieved classification accuracy of over 85% for five major mosquito vector species in Korea by using deep learning object detection technology.

To build an optimal learning data set, the image acquisition unit was first configured. A high-definition camera was used to confirm the clear features of the mosquito, and the depth was increased by adjusting the focal length. The initial background plate was made of mesh material, but a black background plate made of steel was selected by improving the method of fixing the medium. The medium fixation method was changed from pneumatic to electric shock to minimize object damage.

A total of 13 mosquito species, including 5 major vector mosquito species and 8 additional species, were used as the learning data set. For the data set, mosquitoes directly photographed from breeding species and prototypes of mosquito monitoring equipment were used as a learning data set, and the difference in color between equipment was standardized using the colortransfer technique. For the deep learning model, various models such as Resnet, YOLOv5, YOLOv7, and Swin-transformer were compared, and the YOLOv7 model achieved the best classification accuracy and was selected as the final model. Classification accuracy was improved by applying non-maximum suppression (NMS) techniques to color and fluorescence images. In addition, to improve the insecticidal rate, a wiper was attached to the electric shock unit to detach mosquitoes caught in the electric shock unit. As a result of the final blind test, a classification accuracy of 95.47% was achieved.

The automatic classification monitoring equipment for mosquito vectors can continuously observe the population of mosquito vectors occurring in various regions and can take quick action against rapidly increasing mosquitoes. Through this, it is possible to quickly cope with the spread of infectious diseases and play a major role in suppressing the spread of diseases through preemptive control work.

(source : Summary 5p)

목차 Contents

• 표지 ... 1
• 제출문 ... 2
• 목차 ... 3
• 요약문 ... 4
• Summary ... 5
• 제1세부용역과제 연구결과 ... 6
• 제1장 제1세부과제의 최종 연구 목표 ... 6
• 제2장 제1세부용역과제의 국내외 기술 현황 ... 21
• 제3장 제1세부용역과제의 용역과제 내용 및 방법 ... 23
• 제4장 제1세부연구용역과제의 최종 용역과제 결과 ... 29
• 제5장 제1세부연구용역과제의 연구결과 고찰 ... 80
• 제6장 제1세부연구용역과제의 연구개발성과의 관리 및 활용계획 ... 83
• 제7장 제1세부연구용역과제의 진행과정에서 수집한 해외과학기술정보 ... 98
• 제8장 제1세부연구용역과제의 기타 중요 변경 사항 ... 99
• 제9장 제1세부연구용역과제의 연구비 사용 내역 및 연구원 분담표 ... 100
• 제10장 참고문헌 ... 108
• 제11장 첨부서류 ... 110
• 제2세부용역과제 연구결과 ... 113
• 제1장 제2세부용역과제의 최종 연구목표 ... 113
• 제2장 제2세부용역과제의 국내외 기술 현황 ... 121
• 제3장 제2세부연구용역과제의 용역과제 내용 및 방법 ... 124
• 제4장 제2세부연구용역과제의 최종 용역과제 결과 ... 136
• 제5장 제2세부연구용역과제의 연구결과 고찰 ... 210
• 제6장 제2세부연구용역과제의 연구개발성과의 관리 및 활용계획 ... 211
• 제7장 제2세부연구용역과제의 진행과정에서 수집한 해외과학기술정보 ... 224
• 제8장 제2세부연구용역과제의 기타 중요변경사항 ... 225
• 제9장 제2세부연구용역과제의 연구비 사용 내역 및 연구원 분담표 ... 227
• 제10장 참고문헌 ... 235
• 제11장 첨부서류 ... 236
• 끝페이지 ... 242