요약
원격 감지 이미지에서 객체를 정확히 인식하는 것은 카메라 높이, 객체의 외관, 복잡한 배경 등으로 인해 어려운 과제였습니다. 이러한 문제를 해결하기 위해 딥러닝 기반의 이미지 학습 처리 시스템이 개발되었습니다. 이 시스템은 데이터 증강 기법과 다양한 신경망 구조(VGG-16, ResNet50, U-Net 등)를 활용하여 방대한 원격 감지 데이터를 효과적으로 처리합니다. 전처리, 학습, 테스트, 재학습의 단계별 과정을 통해 모델의 성능을 개선하여 F1-score를 93%까지 향상시켰습니다. 이는 도시 관리, 토지 변화 모니터링, 교통 모니터링 등에서 정확한 객체 인식과 세부 정보 추출을 가능하게 합니다. 복잡한 환경에서도 높은 정확도로 객체를 찾아내는 딥러닝 기술의 혁신적인 성과를 확인해보세요.
기본 정보
•
특허명: 객체 추정을 위한 이미지 학습 처리 시스템
•
발명자: 전광길 교수
•
출원번호: 10-2022-0107455
상세 정보
배경 기술
배경 설명
•
최근 소형화되고 상업용으로 활용 가능한 위성과 무인 항공기(UAV)의 보급이 확산되면서 원격 감지 기술이 크게 발전함. 원격 감지는 고해상도 광학 장치를 활용하여 원격으로 지표 정보를 획득하는 기술을 의미함.
•
이러한 기술 발전으로 원격 감지 이미지와 비디오의 양이 급격히 증가하였으며, 이는 공간 해상도, 데이터 품질, 적용 가능한 영역 및 위치 측면에서 큰 변화를 가져옴.
•
원격 감지 이미지와 비디오는 자원의 효율적 관리와 중요한 정보 수집에 활용될 수 있으며, 도시 관리, 토지 변화 모니터링, 교통 모니터링 등 다양한 분야에서 응용되고 있음.
기존 기술의 문제점
•
원격 감지 이미지에서 다양한 객체를 효율적으로 분류하고 감지하며 세그먼트화하는 데 여러 어려움이 존재함. 이는 카메라 높이, 객체의 외관, 복잡한 배경 및 다양한 환경 조건 등으로 인해 발생함.
•
기존의 객체 인식 기술은 위와 같은 요인들로 인해 정확한 분류와 정보 추출에 한계가 있음. 특히 고도 변화나 환경 변화에 민감하여 일관된 성능을 보장하기 어려움.
•
데이터의 다양성과 방대한 양으로 인해 효율적인 데이터 처리 및 분석이 어려워, 고성능의 이미지 학습 처리 시스템의 필요성이 대두되고 있음.
기술의 필요성
•
원격 감지 이미지에서 객체를 정확하게 인식하고 세부 정보를 추출하기 위한 학습 모델의 개발이 필수적임. 이를 통해 이미지에서 다양한 객체를 효율적으로 분류하고 상세 정보를 획득할 수 있음.
•
딥러닝 기반의 이미지 학습 처리 시스템은 방대한 원격 감지 데이터를 효과적으로 처리하여 정확한 객체 인식과 세그먼트화를 가능하게 함. 이는 자원 관리 및 모니터링의 효율성을 높이는 데 기여할 수 있음.
•
데이터 증강 기법과 고도화된 학습 알고리즘의 적용으로 모델의 성능을 향상시켜 다양한 환경 조건에서도 안정적인 객체 인식이 가능함. 이는 산업 현장에서의 실용성을 높이는 데 중요함.
구현 방법
기술의 원리
•
본 발명의 이미지 학습 처리 시스템은 원격 감지 이미지에서 객체를 효율적으로 인식하고 세부 정보를 추정하는 것을 목표로 함. 이를 위해 딥러닝 기반의 학습 모델을 활용하여 이미지 내의 다양한 객체를 분류하고 해당 정보를 추출함.
•
원격 감지 이미지는 UAV나 위성 등 다양한 높이의 플랫폼에서 촬영되어 해상도, 배경, 환경 조건 등이 다양함. 이러한 특성을 고려하여 이미지 전처리, 데이터 증강, 학습, 테스트 및 모델 추정의 단계를 통해 모델의 정확도와 효율성을 향상시킴.
•
이미지 전처리 단계에서는 수집된 이미지를 크기 조정, 셔플링, 정규화하여 학습에 적합한 형태로 변환함. 데이터 증강 단계에서는 이미지에 다양한 변환을 적용하여 학습 데이터의 다양성을 높이고 과적합을 방지함.
구체적인 구현 방법
•
전처리부에서는 수집된 원격 감지 이미지를 일정한 크기로 조정하고, 픽셀 데이터를 셔플링하여 데이터의 분포를 균일하게 함. 또한 이미지의 밝기와 대비를 정규화하여 학습 모델의 효율을 높임.
•
데이터 증강부에서는 전처리된 이미지에 회전, 반전, 이동, 스케일 조정 등 다양한 변환을 적용하여 데이터 세트를 증강함. 이는 학습 데이터의 다양성을 확보하여 모델의 일반화 능력을 향상시킴.
•
학습부에서는 증강된 데이터 세트를 활용하여 딥러닝 모델을 학습시킴. VGG-16, ResNet50, MobileNet, U-Net 등의 신경망 구조를 사용하여 객체를 분류하고 세부 정보를 추출하는 객체 추정 세그먼트 모델을 개발함.
•
테스트부에서는 학습된 모델을 테스트 데이터 세트로 검증하여 모델의 성능을 평가함. 예측 결과와 실제 데이터를 비교하여 보정 정보를 생성하고, 모델의 정확도와 오차를 분석함.
•
모델 추정부에서는 보정 정보를 기반으로 모델을 재학습하여 성능을 개선함. 거짓 긍정(FP)과 거짓 부정(FN) 이미지들을 추가 학습 데이터로 활용하여 모델의 정확도를 높임.
기술의 장점
•
본 발명의 시스템은 원격 감지 이미지에서 객체를 효율적으로 인식하고 세부 정보를 추정할 수 있음. 이는 도시 관리, 토지 변화 모니터링, 교통 모니터링 등 다양한 분야에 활용 가능함.
•
데이터 증강과 모델 재학습을 통해 학습 데이터의 다양성과 모델의 일반화 능력을 향상시켜 과적합을 방지하고 성능을 최적화함.
•
딥러닝 기반의 학습 모델을 활용하여 복잡한 환경에서도 높은 정확도로 객체를 인식할 수 있으며, 다양한 신경망 구조를 적용하여 시스템의 유연성을 높임.
실험 및 결과
실험 목적
•
이미지 학습 처리 시스템의 객체 추정 세그먼트 모델 성능을 검증하고 개선하기 위함.
•
데이터 증강과 재학습을 통해 모델의 정확도와 일반화 능력을 향상시키고자 함.
•
F1-score 등 성능 지표를 활용하여 모델의 실질적인 성능을 평가함.
실험 방법 및 과정
•
전처리부에서 수집된 이미지 데이터를 크기 조정, 셔플링, 정규화하여 전처리함.
•
데이터 증강부에서 회전, 이동, 대칭 변환 등의 기법을 적용하여 학습 데이터 다양성을 확보함.
•
VGG-16, ResNet 50, U-Net 등 딥러닝 모델을 활용하여 객체 추정 세그먼트 모델을 학습함.
•
테스트부에서 학습된 모델을 테스트 데이터로 검증하고 보정 정보를 생성함.
•
모델 추정부에서 보정 정보를 바탕으로 거짓 긍정과 거짓 부정 이미지를 추가 학습하여 모델을 재학습함.
실험 결과
•
초기 모델의 F1-score는 평균 85%로 측정되었음.
•
재학습 후 모델의 F1-score가 93%로 향상되었으며, 정확도와 재현율이 모두 개선되었음.
•
추가 학습을 통해 과적합이 줄어들고 미학습 데이터에서도 우수한 성능을 보였음.
•
데이터 증강 기법 적용으로 모델의 일반화 능력이 향상되어 다양한 환경에서 정확한 객체 추정이 가능해졌음.
활용 방안 및 기대효과
활용 방안
•
이미지 학습 처리 시스템은 도시 관리에서 고해상도 원격 감지 이미지를 분석하여 건물, 도로 등의 인프라를 효율적으로 감지하고 모니터링하는 데 활용됨. 이를 통해 도시 계획과 개발에 필요한 정확한 정보를 제공함
•
토지 변화 모니터링에 적용하여 산림 벌채나 농지 변화를 신속하고 정확하게 감지함. 이는 환경 보호와 자원 관리에 기여하여 지속 가능한 발전을 지원함
•
교통 모니터링 분야에서 드론으로 촬영한 이미지로부터 차량 흐름과 교통 혼잡도를 분석함. 이를 통해 실시간 교통 관리와 최적의 교통 흐름 조절이 가능해짐
기대효과
•
원격 감지 이미지에서 객체 인식과 세분화의 정확도를 크게 향상시켜 기존 기술의 한계를 극복함. 이는 다양한 산업 분야에서 더 정확한 데이터 분석을 가능하게 함
•
자동화된 이미지 분석으로 수작업 처리에 소요되는 시간과 비용을 절감하여 생산성을 높임. 이는 기업의 운영 효율성을 향상시키고 비용 절감에 기여함
•
도시 관리, 환경 모니터링, 교통 관리 등에서 의사 결정의 정확성과 효율성을 개선함. 이를 통해 사회적 문제 해결과 서비스 품질 향상이 기대됨
시장 동향
이미지 세그멘테이션 기술의 시장 동향
•
•
•
자율주행차에서의 이미지 세그멘테이션 기술 응용
•
•
대표도면
인천대학교 산학협력단
(21999) 인천광역시 연수구 갯벌로 27(송도동) INU이노베이션센터 202호
본 메일은 마케팅 활용 동의서에 동의하신 회원님께 전송된 것입니다.
COPYRIGHT (c) 2023 Incheon National University. ALL RIGHT RESERVED.