최근 드론 기술이 발전하면서 사물 탐지 기술이 부상하고 있다. 그리고 이러한 기술들은 불법 이민자들, 산업 및 자연재해 현장, 실종자 및 물체 탐지 등 다양한 분야에 적용할 수 있다.
본 논문은 이렇게 다양한 상황에서 활용할 수 있는 객체 탐지 모델의 성능을 효율적으로 향상하는 방법에 관하여 알아보려고 한다. 실험에 사용된 이미지를 위한 드론 촬영은 물체 감지가 어려운 환경에서 진행되었다. 예를 들면 맑은 날, 흐린 날, 비 내리는 날, 눈 오는 날, 빛이 부족할 때 (오후, 저녁), 드론의 고도 변화 (낮은 고도, 높은 고도)로 이루어진 다양한 환경 조건에서 촬영한 사진을 토대로 Dataset을 구성하였다. 그리고 실험의 정확도 향상을 위해 모든 데이터는 F11 4K PRO 드론으로 직접 촬영한 데이터 및 VisDrone 데이터를 혼합하여 사용하였다.
본 연구에서는 기존 YOLOv5 모델을 토대로 성능을 향상한 YOLOv5_Ours 모델을 제안한다. 기본적인 실험방법으로 우리는 획득한 데이터를 YOLOv5와 YOLOv5_Ours에 각각 적용하여 독립적으로 실험을 진행하였다. 그리고 도출된 주요 지표를 통해 모델들의 성능을 비교하였다. 실험에 사용된 주요 지표는 Precision, Recall, F-1 Score, mAP (0.5)이다. 최종 결괏값을 바탕으로 우리는 Precision와 mAP (0.5)의 값이 기존의 YOLOv5 모델과 비교하여 각각 0.6, 0.9%가 개선되었다는 것을 알 수 있었다. 그리고 데이터의 Class를 3개 (Person, Car, Notice)에서 5개 (Person, Car, Notice, Motorcycle, Truck)로 늘려서 결괏값의 변화도 알아보았다.
마지막으로 정확한 비교를 위해 객체 탐지의 예전 모델들 (Faster R-CNN, YOLOv3, YOLOv4)에 같은 데이터를 기반으로 실험을 진행하였다. 그리고 도출된 결괏값을 비교하여 최종 결론을 도출하였다. 최종 분석을 바탕으로 우리는 다양한 조건에서 최적의 물체 탐지 모델을 도출할 수 있었다. 추가로 범용성을 입증하기 위해 다양한 데이터 (VisDrone, COCO, SKU-110K, Pascal VOC, Global Wheat)에 대입하여 실험하였다.
이러한 연구 결과는 드론을 이용한 객체 탐지 모델들의 성능을 향상하는 도움을 줄 것이다. 또한, 드론에만 한정되지 않고, 객체를 탐지하는 모델에 적용하여 다양한 상황에서 활용할 수 있다.