표제지
목차
Nomenclature 7
초록 11
제1장 서론 13
제1절 연구배경 및 목적 13
제2절 연구 이론 및 내용 15
제3절 연구방법 및 절차 22
제4절 논문의 구성 24
제2장 본론 25
제1절 드론 및 안티드론 시스템 25
1. 드론의 종류 25
제2절 데이터셋 어노테이션 도구 28
1. 어노테이션 도구의 종류 28
제3장 데이터베이스 구축 및 관리시스템 31
제1절 시스템 구성 및 기능 31
1. 데이터베이스 구축 및 관리시스템 동작순서 32
2. 데이터 구축 및 관리 시스템 인터페이스 34
3. 데이터 생성 기능 35
4. 어노테이션 기능 37
5. 어노테이션 정보 참고표시 기능 38
제2절 이미지 증강 기법을 이용한 이미지 생성 40
1. 색상영역 변환 이미지 생성 41
2. Seamless Cloning을 이용한 거리비례 합성이미지 생성 42
제3절 고전 영상처리기법 45
1. HOG (Histogram of Oriented Gradients) 45
2. LBP (Local Binaty Pattern) 47
제4장 YOLOv5 49
제1절 YOLOV5모델 구조 49
제2절 실험 설계 50
제3절 실험 환경 50
제4절 실험 과정 및 결과 52
제5장 결론 61
제1절 연구의 시사점 61
제2절 향후 연구수행방향 63
참고문헌 64
ABSTRACT 68
Table 1. 드론의 다양한 명칭 및 주요 개념 26
Table 2. 다양한 종류의 드론·새 27
Table 3. 어노테이션 도구 및 설명 28
Table 4. 개발 환경 31
Table 5. 수집한 데이터셋 객체 스케일 비교 44
Table 6. YoloV5s 모델 학습 데이터셋 비교군 50
Table 7. 실험 환경 50
Table 8. GPU 대비 FHD(1920×1080) 해상도 학습능력 51
Table 9. GPU 대비 HD(1280x720) 해상도 학습능력 51
Table 10. GPU 대비 VGA(640x480) 해상도 학습능력 51
Table 11. YoloV5s 모델 최종 학습 결과 표 53
Table 12. 추론성능 비교를 위한 입력영상 57
Table 13. 입력 영상1 실험결과 / 전체 프레임 수 1789 58
Table 14. 입력 영상2 실험결과 / 전체 프레임 수 466 58
Table 15. 입력 영상3 실험결과 / 전체 프레임 수 588 59
Table 16. 전체 입력영상 대비 추론성능 향상도 비교 59
Fig. 1. AI 프로젝트 소요되는 시간 비율 14
Fig. 2. 수집한 데이터셋 30
Fig. 3. 다양한 환경에서의 데이터셋 수집 33
Fig. 4. 시스템 동작 순서도 33
Fig. 5. 시스템 사용자 인터페이스 34
Fig. 6. 이미지 데이터 저장 디렉토리 구조 36
Fig. 7. YOLO 데이터셋 객체 경계상자 형식 정의 37
Fig. 8. 바운딩 박스 형태의 어노테이션 정보 38
Fig. 9. 거리에 따른 드론의 픽셀 상 변화 39
Fig. 10. 어노테이션 참조 정보 생성 40
Fig. 11. 이미지 색상변환 및 배경이미지 추출 증강 41
Fig. 12. Seamless Cloning 적용한 합성 이미지 생성 43
Fig. 13. Histogram of oriented gradients example 46
Fig. 14. Block and Cell 46
Fig. 15. Histogram of oriented Gradients - DJI Phantom4 47
Fig. 16. Local Binary Pattern 이미지 생성 방법 48
Fig. 17. LPB 변환 후 객체 확인 48
Fig. 18. HOG 이진화변환 및 LBP변환 특징비교 48
Fig. 19. YoloV5 모델 작동 신경망 구조 49
Fig. 20. YoloV5s 모델 신경망 구조 49
Fig. 21. 훈련 세트의 드론 객체분포 및 히스토그램 분석 52
Fig. 22. YoloV5s 모델 최종 학습 결과 53
Fig. 23. YoloV5s 모델 성능 정량적 추론 빈도 비교 결과 54
Fig. 24. 영상 내 3프레임 연속 추론성능 비교분석 55
Fig. 25. Confusion Matrix를 통한 추론성능 비교분석 55
Fig. 26. 입력 영상으로 활용된 비디오 57
Fig. 27. 각 입력 영상의 개별 데이터셋 정량적 추론빈도 분석 결과 60