표제지
국문초록
목차
제1장 서론 14
제2장 AI 기반 객체 탐지율 개선 기법 관련 연구 18
제1절 중요 시설에 대한 객체 탐지 시스템 현황 18
1. AI 기반 군 과학화 경계 시스템 20
2. AI 기반 해안 경계 지능화를 위한 AI 학습 시스템 23
제2절 AI 기반 객체 인식 기술 26
1. AI 기반 객체 인식 기술 26
2. YOLOv3 모델을 활용한 객체 인식 기술 35
제3절 객체 탐지율 개선을 위한 악천후 영향 최소화 알고리즘 41
1. gUNet-D 알고리즘 42
2. SnowFormer 알고리즘 43
3. Restormer 알고리즘 44
제3장 중요 시설 경계 시스템을 위한 AI 기반 객체 탐지율 개선기법 46
제1절 객체의 궤적 AI 모델을 이용한 객체 탐지 시스템 설계 46
1. 전체 시스템 설계 46
2. AI 모델 개발단계 48
3. AI 모델의 운영을 통한 객체 탐지 단계 54
4. 제안된 시스템의 동작 설계 56
제2절 객체의 궤적 AI 모델을 이용한 객체 탐지율 개선 65
제4장 실험 및 고찰 69
제1절 악천후 제거 Dexx 알고리즘의 성능실험 69
제2절 객체의 궤적탐지 AI 모델을 이용한 객체 탐지율 개선 시스템의 성능해석 76
1. 분석 시뮬레이션 모델 설계 76
2. 제안된 시스템의 객체 탐지율 성능 분석 78
3. 제안된 시스템의 처리부하 성능 분석 83
4. 제안된 시스템의 처리시간 지연 성능 분석 89
제5장 결론 94
참고문헌 97
Abstract 101
[표 1] 악천후 상황별 AI 모델 유형 41
[표 2] 악천후 데이터 증강을 위한 기상환경 시나리오 설계 59
[표 3] 궤적 탐지를 위한 객체유형별 변수 63
[표 4] 6개의 영상에 대한 Dehazing gUNet-D AI 모델 처리결과 75
[표 5] AI 상황 모델별 가중치 77
[표 6] 악천후 제거 Dexx AI 모델 적용 실험 결과 79
[표 7] 악천후 제거 AI 모델과 객체궤적탐지 AI를 적용한 경우 실험 결과 82
[표 8] Dexx만 사용하는 경우와 Dexx 및 객체궤적탐지를 동시에 사용하는 경우의 실험 결과 83
[표 9] Dexx만 사용하는 경우 처리부하 결과 84
[표 10] Dexx + 궤적탐지를 동시 사용하는 경우 처리부하 결과 87
[표 11] Dexx만 사용하는 경우와 Dexx 및 객체궤적탐지를 동시에 사용하는 경우의 처리부하 결과 88
[표 12] Dexx만 사용하는 경우 처리시간 결과 90
[표 13] Dexx + 궤적탐지를 동시 사용하는 경우 처리시간 결과 91
[표 14] Dexx만 사용하는 경우와 Dexx 및 객체궤적탐지를 동시에 사용하는 경우의 처리시간 지연 결과 비교 93
[그림 1] GOP 철책 경보 작동 원인 15
[그림 2] GOP 과학화 경계 시스템 구성요소 및 배치 개념도 19
[그림 3] GOP 과학화 경계 시스템의 연도별 고장 현황 20
[그림 4] CNN 모델 구조와 Layer 종류 22
[그림 5] CNN 모델의 Auto-labeling Process 23
[그림 6] 책임해역 분석 AI 모델 개발 프로세스 24
[그림 7] R/D(Radar) 경계 체계의 AI 학습 모델 개발 아키텍처 25
[그림 8] R-CNN 계열의 Pipeline 개념 26
[그림 9] R-CNN 계열의 동작 과정 28
[그림 10] Faster R-CNN Architecture 29
[그림 11] Mask Branch 30
[그림 12] First YOLO 처리 프로세스 31
[그림 13] Overlap Problem과 NMS(None Maximum Suppression) 프로세스 32
[그림 14] YOLOv1 Layer 절차 33
[그림 15] YOLOv1 DarkNet Architecture 33
[그림 16] YOLOv8 Model Architecture 34
[그림 17] Object Detection Process 36
[그림 18] YOLOv3 Model Architecture 37
[그림 19] YOLOv3 Model 상세 Process 38
[그림 20] 오프셋 예측 (후보 앵커 상자 형성) 결과 이미지 39
[그림 21] Non-maximum Suppression Process 40
[그림 22] 제안된 전체 시스템 구성도 47
[그림 23] AI 모델 개발단계 48
[그림 24] AI 모델의 운영을 통한 객체 탐지 및 처리절차 49
[그림 25] AI 모델의 운영을 통한 객체 탐지 단계의 동작 원리 54
[그림 26] 객체 궤적탐지 AI 기반 경계 시스템의 전체 동작 흐름도 57
[그림 27] UWB 궤적과 Camera 궤적의 융·복합 처리방법 67
[그림 28] 전이학습(Transformer) 기반 궤적 분류 방식(DNN) 68
[그림 29] gUNet-D를 이용한 안개 영향을 제거하는 단계별 절차 69
[그림 30] Test: [0][1] Dehazing 소스 및 처리 후 사진 70
[그림 31] Test: [2][3] Dehazing 소스 및 처리 후 사진 71
[그림 32] Test: [4][5] Dehazing 소스 및 처리 후 사진 72
[그림 33] Test: [6] Dehazing 소스 및 처리 후 사진 73
[그림 34] 객체 인식 AI 모델을 이용하는 경계관제 시스템 모델링 구조도 76
[그림 35] 제안된 시스템 모델링 프로세스 77
[그림 36] 악천후 제거 Dexx AI 모델 적용 실험 결과 80
[그림 37] 악천후 제거 AI 모델과 객체궤적탐지 AI를 적용한 경우 실험 결과 81
[그림 38] Dexx만 사용하는 경우와 Dexx 및 객체궤적탐지를 동시에 사용하는 경우의 실험 결과 82
[그림 39] Dexx만 사용하는 경우 처리부하 결과 85
[그림 40] Dexx + 궤적탐지를 동시 사용하는 경우 처리부하 결과 87
[그림 41] Dexx만 사용하는 경우와 Dexx 및 객체궤적탐지를 동시에 사용하는 경우의 처리부하 결과 88
[그림 42] Dexx만 사용하는 경우 처리시간 결과 90
[그림 43] Dexx + 궤적탐지를 동시 사용하는 경우 처리시간 결과 92
[그림 44] Dexx만 사용하는 경우와 Dexx 및 객체궤적탐지를 동시에 사용하는 경우의 처리시간 지연 결과 비교 93