특징 도메인 정렬 기반 조도 변화에 강인한 객체 탐지 모델 개발 연구 = Research on an Illumination-Robust Object Detection Model Based on Feature Domain Alignment

국문 초록 (Abstract)

본 연구는 산업 현장에서 객체 탐지 모델을 적용할 때, 공장마다 상이한 조명 조건으로 인해 탐지 성능이 저하되는 문제를 해결하는 것을 목표로 한다. 산업 환경에서는 조명 장치, 카메라 종류, 촬영 위치 등에 따라 이미지의 밝기와 색상이 달라지며, 이러한 조도 변화는 기존 모델의 성능을 떨어뜨리는 주요 요인으로 작용한다. 특히 산업 현장에서는 실시간 처리 성능, 비용 효율성, 높은 정확도가 동시에 요구되므로, 모델 확장이나 추가 데이터셋 구축에 대한 한계가 존재한다.

이에, 본 연구는 밝은 환경에서 학습된 모델이 저조도 환경에서도 강인하게 동작하도록 하는 학습 방법을 제안한다. 먼저 Dark-ISP(Low-light Image Synthesis Pipeline)를 활용하여 실제 밝은 환경 데이터를 기반으로 합성 저조도 이미지를 생성함으로써 추가적인 데이터 수집 없이 학습 데이터를 확보하였다. 이후 Teacher-Student 프레임워크를 적용하여, 밝은 이미지로 학습된 Teacher 모델과 저조도 이미지를 입력받는 Student 모델의 백본(Backbone) 특징을 MMD(Maximum Mean Discrepancy) 기반으로 정렬하여 도메인 간 분포 차이를 완화하였다. 또한, 실시간성과 높은 정확도를 동시에 만족하는 RT-DETRv2를 기반 모델로 선택하여 산업 현장의 요구 조건을 충족시켰다. 여기에 DETR 구조에 최적화된 KD-DETR 지식 증류 기법을 적용하여, Teacher 모델의 정보를 Student 모델에 전달함으로써 저조도 환경에서의 탐지 성능을 추가로 향상시켰다. 실험은 실제 현장에서 수집된 재활용품 데이터셋을 활용하여 수행되었으며, 제안 방법은 파인튜닝 및 기존 저조도 대응 기법 대비 최대 6.4% 향상된 mAP를 기록하였다. 또한 MMD 기반 특징 정렬만 적용했을 때보다 지식 증류를 추가했을 때 성능 향상이 더 크게 나타나 제안 기법의 효과성을 검증하였다.

결과적으로, 본 연구는 산업 현장에서 요구되는 실시간성, 비용 효율성, 정확성을 충족하면서 조도 변화에 강인한 객체 탐지 모델을 구축할 수 있는 학습 전략을 제시한다. 이는 향후 스마트 팩토리, 로봇 비전 등 조명이 불안정한 다양한 산업 비전 분야에서 활용 가능성이 크다.

다국어 초록 (Multilingual Abstract)

This study addresses the degradation of object detection performance in industrial environments caused by varying illumination conditions. Differences in lighting equipment, camera types, and viewpoints often alter image brightness and color, which significantly reduce the robustness of conventional models. Since industrial applications demand real-time processing, cost efficiency, and high accuracy, it is difficult to rely on model expansion or large-scale data collection.

To tackle this issue, we propose a training strategy that enables models trained under bright conditions to remain robust in low-light scenarios. Using the Dark-ISP (Low-light Image Synthesis Pipeline), synthetic low-light images are generated from real bright-condition data without requiring additional collection. A Teacher–Student framework is then employed, where the Teacher model is frozen and trained on bright images, while the Student learns from low-light inputs. Their backbone features are aligned with Maximum Mean Discrepancy (MMD) to reduce distribution shifts. We adopt RT-DETRv2 as the baseline for its balance of real-time performance and accuracy, and further enhance detection through KD-DETR knowledge distillation, which transfers Teacher knowledge to the Student. Experiments on a real-world recycling dataset demonstrate up to a 6.4% mAP improvement compared with fine-tuning and conventional low-light methods.

The proposed method builds an illumination-robust object detection framework that meets industrial requirements, with strong applicability to smart factories and robotic vision systems under unstable lighting conditions.

목차 (Table of Contents)

• 국문요약 Ⅰ
• 영문요약 Ⅱ
• 목차 Ⅲ
• 그림 목차 Ⅴ
• 표 목차 Ⅵ
• 1. 서론 1
• 1.1. 연구 배경 1
• 1.2. 연구 동기 2
• 1.3. 연구 목적 3
• 2. 관련 연구 동향 4
• 2.1. 도메인 정렬 4
• 2.2. 저조도 환경 대응 5
• 2.2.1. 데이터 기반 접근법 5
• 2.2.2. 모델 구조 기반 접근법 6
• 2.3 객체 탐지 모델 7
• 2.4 지식 증류 8
• 3. 제안 방법 9
• 3.1. MMD를 이용한 특징 정렬 10
• 3.2. KD-DETR을 활용한 정확도 향상 12
• 4. 실험 14
• 4.1. 데이터셋 구성 14
• 4.1.1. 세부 실험 환경 14
• 4.2. 객체 검출 실험 결과 15
• 4.3. 요소별 성능 검증 17
• 4.4. 결과 사진 18
• 5. 결론 19
• 참고문헌 20