손실함수를 활용한 YOLO 알고리즘 기반 드론 방재 인공지능 시스템 = Loss-Reengineered YOLOv5 for Real-Time Drone-Based Early Wildfire Smoke Detection

국문 초록 (Abstract)

산불로 인한 생태계 안정성과 공공 안전에 대한 위협이 심화됨에 따라, 신속하고 신뢰할 수 있는 조기 감지 시스템의 필요성이 증가했다. 본 연구에서는 이러한 문제를 해결하기 위해 드론과 YOLO 기반 인공 지능 모델을 통합한 실시간 산불 연기 감지 시스템을 제안한다. 제안 된 모델은 YOLO V5 아키텍처를 기반으로 Focal Loss와 손실 함수 가중치를 최적화하여 재설계했으며, 그 결과 정확도 0.930, 재현율 0.939, mAP50 0.949, mAP50–90 0.540의 성능을 달성했다. 또한 YOLO V8과 비교했을 때, 정밀도 +5.4%, 재현율 +14.1%, mAP50 +3.7%의 향상을 보이며, 손실 최적화 전략과 모델 튜닝의 효과를 실 험적으로 입증했다. 실시간 추론 성능은 Jetson AGX Orin 임베디드 모듈에서 검증하였으며, YOLO V8 이상 수준의 감지 성능을 유지하면 서, YOLO V8 대비 약 33% 낮은 연산 자원과 전력을 요구하여 지속 적인 드론 시스템 운용 가능성을 확인했다. 또한 최적화된 모델은 유· 무선 드론 시스템에 통합되어 최대 12 m/s의 풍속 환경에서도 안정적으로 운용했으며, 실시간 영상 송신, 자율 추론 및 임무 수행 과정을 성공적으로 검증했다. 인왕산 산불 사례 분석 결과, 본 시스템은 기존 모니터링 방식 대비 감지 지연 시간을 최대 80%까지 축소할 수 있다. 본 연구는 산불 연기 감지 성능 개선과 경량화된 임베디드 추론 구조 를 가진 손실함수를 활용한 YOLO 알고리즘 기반 드론 방재 인공지능 시스템을 구현함으로써, 확장 가능한 자율형 유무선 드론 기반 산불 대응 인공지능 시스템의 현실적 적용 가능성을 제시했다. 향후 드론 기반 재난 감지 표준화, 자율 대응 자동화, 그리고 교육 및 실증운용의 실질적 기반을 제공한다.

다국어 초록 (Multilingual Abstract)

Wildfires increasingly threaten ecological stability and public safety, highlighting the urgent need for fast and reliable early detection systems.
To address this challenge, this study proposes a real-time wildfire smoke detection system integrating unmanned aerial vehicles(UAV) with a YOLO-based artificial intelligence model. The proposed model is redesigned from the YOLO V5 architecture through the optimization of Focal Loss and loss-weighting strategies, achieving an accuracy of 0.930, recall of 0.939, mAP50 of 0.949, and mAP50–90 of 0.540. Compared with YOLO V8, the optimized model demonstrates improvements of +5.4% in precision, +14.1% in recall, and +3.7% in mAP50, experimentally validating the effectiveness of the loss optimization method and architectural tuning. Real-time inference was verified on the Jetson AGX Orin embedded platform, where the proposed model maintained detection performance comparable to or exceeding YOLOv8 while requiring approximately 33% fewer computational resources and power consumption, confirming its suitability for long-duration UAV deployment.
The system was further integrated into both wired and wireless UAV configurations and demonstrated stable operation in wind conditions up to 12 m/s, successfully performing real-time video transmission, onboard inference, and autonomous mission execution.
Field validation based on the Inwangsan wildfire case indicated that the proposed system can reduce detection latency by up to 80% compared with conventional monitoring approaches. This research demonstrates the feasibility of a scalable autonomous UAV-based wildfire response framework by simultaneously enhancing smoke detection accuracy and enabling lightweight embedded inference. The proposed system provides a practical foundation for future standardization of drone-based disaster monitoring, autonomous emergency response work-flows, deployment in training and operational environments.

목차 (Table of Contents)

• I. 서 론 1
• 1.1 연구 배경 1
• 1.2 연구 목적 3
• 1.3 연구 연혁 4
• 1.4 선행 연구 6
• II. 인공지능 및 드론 시스템 9
• 2.1 인공지능 9
• 2.1.1 객체 탐지 알고리즘 10
• 2.1.2 YOLO 알고리즘 및 최적화 12
• 2.1.3 엣지 컴퓨팅과 통신 체계 15
• 2.2 드론 시스템 17
• 2.2.1 무인 이동체 17
• 2.2.2 임무장비 19
• 2.2.3 지상 제어 시스템 20
• 2.3 이기종 간 네트워크 21
• III. 드론 방재 인공지능 시스템 설계 26
• 3.1 산불 연기 감지 인공지능 시스템 26
• 3.1.1 산불 연기 데이터 특성 분석 27
• 3.1.2 YOLO V5 모델 구조와 손실함수의 한계 28
• 3.1.3 손실함수 재설계:  가중치 유도와 Focal Loss 적용 30
• 3.2 드론 시스템 및 네트워크 44
• 3.2.1 드론 시스템 설계 및 구현 46
• 3.2.2 드론 네트워크 및 시뮬레이션 47
• 3.3 드론 방재 인공지능 시스템 설계 및 구현 58
• 3.3.1 드론 방재 인공지능 네트워크 58
• 3.3.2 드론 방재 인공지능 시스템 구현 61
• IV. 드론 방재 인공지능 시스템 성능 및 결과 74
• 4.1 산불 연기 감지 인공지능 시스템 성능 및 결과 74
• 4.2 드론 비행 성능 및 결과 92
• 4.3 산불 연기 감지 모의실험 99
• V. 결론 103
• 참고문헌 106
• 영문초록 117