단시간 수중음향 신호를 활용한 합성곱 신경망 기반의 선박 소음 탐지

Abstract

해양에서 인간에 의해 발생하는 대부분의 소음은 어업 및 상업 운송과 관련된 선박 방사소음이 주요한 원인이다. 최근 선박소음을 자동으로 탐지하기 위한 방법으로 딥러닝 기술이 활용되고 있다. 본 연구에서는 1분 단위로 분할한 선박소음 신호 기반의 스펙트로그램 이미지를 합성곱 신경망 기반 학습을 수행하여 근거리 선박소음 및 배경소음을 자동으로 탐지하는 연구를 수행하였다. 현재까지 많이 사용되고 있는 합성곱 신경망 모델인 Inception-V3, ResNet-50, VGG-16와 본 연구에서 제안한 모델을 이용하여 1분 단위의 선박소음을 학습 및 평가를 수행하였다. 분석 결과 F1 점수는 모델별로 각각 Inception-V3 97.42%, ResNet-50 98.42%, VGG-16 98.16%, 제안된 모델은 97.88%로 나타나 선박소음을 탐지함에 있어 준수한 성능이 나타났다. 이 때, 제안된 모델은 F1 점수가 가장 높게 나타난 ResNet-50 모델에 비해 약 1/8의 적은 파라미터로 동등한 탐지 성능을 보이는 것을 확인할 수 있었다. 추후에는 다양한 선박소음 및 선박자동식별장치(AIS, Automatic Identification System) 자료를 동시에 활용하여 원거리 선박소음 또한 자동으로 탐지가 가능할 것으로 판단된다.

Most of the noise generated by humans in the ocean is ship radiated noise caused to fishing and commercial shipping. Recently, deep learning technology has been used to detect shipping noise. In this study, the convolutional neural network is trained by a shipping noise spectrogram divided into 1-minute units to detect a near distance ship. Inception-V3, ResNet-50, VGG-16 and the proposed model were used to learn and evaluate 1-minute shipping noise. As a result, the F1 scores were 97.42%, 98.42%, 98.16% and 97.88% for Inception-V3, ResNet-50, VGG-16 and the proposed model, respectively. These models showed satisfactory performance in detecting shipping noise. It was confirmed that the proposed model showed equivalent detection performance with about 1/8 parameters compared to ResNet-50. For future works, it is expected that it will be possible to detect long-distance shipping noise by using additional noise data and AIS(Automatic Identification System).