YOLO 객체 탐지 기법을 사용한 멀티빔 수주 자료 내 해조류 탐지

Abstract

멀티빔 수주 자료의 경우 크게 두 구역으로 구분할 수 있으며 Transmitter에서 최소 탐지 거리(MSR: Minimum slarange)를 나타내는 선을 기준으로 그 윗구역(MSRa: MSR above)과 그 아랫구역(MSRb: MSR below), 그리해저면구역으로 나눌 수 있다. MSRa 지역은 일반적으로 사이드 로브(Side lobe) 간섭 영향을 받지 않는 수주 자료의 깨끗영역(주로 파란색)을 보여주는 반면, MSRb 지역은 MSR을 넘어서는 모든 빔 또는 해저 반사에 의한 사이드 로브 간영향으로 상대적으로 깨끗하지 않은 영역(주로 녹색)으로 보여지며 이 밖에 여러 노이즈들이 MSR 안팎지역에 다양한 형태나타난다. 한편 수주 자료에서는 버블과 유사한 가스, 해양생물체, 해조류 등 해수면과 해저면 사이에 있는 이상체들의 주변해수 밀도와 다른 반사강도 및 형태로 보여진다. 이를 “Flare”로 표현하며 Flare의 경우 수주 자료가 상대적으로 선명한 경다른 노이즈들과 쉽게 구분되는 반면 수주 자료가 상대적으로 노이즈가 많은 경우 쉽게 구분되지 않는 어려움이 있다. 기수주자료를 활용한 객체 탐지는 대부분 정규화 필터, 사이드 로브 억제 필터, 해저면 탐지 필터, 쓰레드홀드 필터, 디스피1필터 등을 통해 마스킹하여 수행되었지만 원시자료의 복잡한 수층환경에 의한 잡음, 측정 자료 내 급격한 수심 변화 등일정한 필터링 측면에서 취약하다. 따라서 본 연구는 근래 각광받는 딥러닝 기술 중 여러 분야에서 많이 활용되고 있는 YOL객체 탐지 기법을 사용하여 멀티빔 수주 자료 내 해조류 탐지를 수행하였다(경북 울진 후정해변). 버전은 YOLOv5s사용했고, 약 300장(대략적인 객체는 약 400개)의 데이터셋을 통해 batch 16, epoch는 50(default), 100, 200, 300으각각 training 및 detect한 수행한 결과, 수심변화로 수주 자료가 너무 작아지거나 또는 해조류 분포가 너무 조밀한 경우탐색이 다소 어려웠지만, 수행한 모델의 작은 해상도 및 한정적인 데이터셋을 고려한다면 전체적으로 훌륭한 탐지 결과보여주었다고 판단된다.