초분광 영상을 이용한 인공지능 기반의 호안 쓰레기 자동 탐지 방법에 관한 연구 = Artificial Intelligence Approaches for Automated Shoreline Debris Detection with Hyperspectral Imaging

국문 초록 (Abstract)

최근 도심지 호안 지역의 쓰레기 발생이 심각한 환경문제로 대두되고 있다. 이에 따라 인공지능을 이용한 다양한 자동 탐지 방법이 연구되고 있으나, 초분광 영상을 활용한 쓰레기의 자동 탐지에 관한 연구는 미흡 한 실정이다. 따라서 본 연구는 초분광 영상으로부터 인공지능 기술을 활용한 호안 쓰레기를 자동으로 탐지하는 방법을 연구하는 데 그 목적이 있다. 이를 위해 초분광 영상을 이용한 호안 지역에 분포하는 쓰레기의 재질 별 분류 체계를 정립하고, 초분광 영상의 전처리 과정과 정답 데이터 구 축 방법을 체계화하였다. 또한 인공지능 기반 영상 분류 기법으로 U-Net++ 모델을 적용한 딥러닝 분류 방법을 구축하여 픽셀 단위의 쓰 레기 자동 탐지를 수행하였다. 본 연구 결과, 도심 호안 지역의 쓰레기에 대해 재질별 분류 체계를 정립하고 초분광 영상의 분광 정보를 활용한 정답 데이터를 구축할 경 우, 인공지능 모델을 기반으로 쓰레기를 재질별로 정밀하게 자동 탐지할 수 있음을 확인하였다. 특히 초분광 영상은 쓰레기 재질별 분광 정보를 세밀하게 반영할 수 있어 일반적인 광학 영상과 대비하여 정밀한 분류가 가능함을 확인하였 으며 딥러닝 분석에서는 원본 영상 대신 주성분 분석 기반 차원 축소와 타일링 기법을 적용할 경우 분류 성능이 향상됨을 알 수 있었다.

다국어 초록 (Multilingual Abstract)

Waste accumulation has been continuously observed in urban shoreline areas, raising concerns related to environmental management. Although artificial intelligence–based approaches for automatic waste detection have been actively studied, applications that utilize hyperspectral imagery for shoreline environments remain relatively scarce. This study investigates an automatic detection approach for shoreline waste by integrating hyperspectral data with artificial intelligence techniques.
To achieve this, a material-based classification scheme for waste distributed in shoreline areas was established, and preprocessing procedures along with ground-truth data construction methods were organized. A pixel-level waste detection framework was then implemented using the U-Net++ model to conduct deep learning– based classification experiments.
The analysis results indicate that when ground-truth data are constructed using spectral information within a material-based
- 65 -classification framework, artificial intelligence models are capable of distinguishing shoreline waste according to material type. Compared with conventional optical imagery, hyperspectral imagery provides improved discrimination by more effectively capturing material-specific spectral characteristics. In addition, the application of Principal Component Analysis (PCA)–based dimensionality reduction combined with tiling techniques resulted in improved classification performance compared with the direct use of raw hyperspectral imagery.

목차 (Table of Contents)

• 국문초록 i
• 목 차 ii
• 표 목 차 iv
• 그림목차 v
• 제 1장 서론 1
• 1.1. 연구배경 및 목적 1
• 1.2. 연구내용 및 방법 4
• 제 2장 이론적 고찰 7
• 2.1. 초분광 영상의 특징 7
• 2.2. 영상 분석 방법 10
• 2.2.1. 감독 분류 기법 10
• 2.2.2. 무감독 분류 기법 12
• 2.3. 인공지능 기반 영상 분석 방법 13
• 2.3.1. 인공지능 기반 학습 모델 13
• 2.3.2. 딥러닝 학습 손실 함수 15
• 2.3.3. 인공지능 모델 성능 지표 17
• 2.4. 호안 쓰레기 자동 분류 체계 정립 방법 18
• 2.4.1. 호안 쓰레기 분류 체계 18
• 2.4.2. 쓰레기 재질별 분광 특성 분석 방법 19
• 제 3장 적용 및 분석 25
• 3.1. 연구대상 지역 선정 및 데이터 취득 25
• 3.1.1. 적용 실험 개요 25
• 3.1.2. 영상 데이터 취득 27
• 3.2. 영상 전처리 및 학습 데이터 구축 33
• 3.2.1. 분광 영상 정사영상 제작 33
• 3.2.2. 초분광 영상 정사영상 제작 35
• 3.2.3. 인공지능 학습용 정답 데이터 구축 39
• 3.3. 쓰레기 자동 탐지 결과 및 분석 40
• 3.3.1. 영상 분석 기법 기반 자동 탐지 결과 및 분석 42
• 3.3.2. 인공지능 학습 기반 자동 탐지 결과 및 분석 46
• 제 4장 결론 60
• 참고문헌 62
• Abstract 65