시각적 악조건에서 해양 로봇을 위한 시각 인지 시스템 강화에 관한 연구 = A Study on the Enhancement of Visual Perception Systems for Marine Robots in Adverse Visual Conditions

다국어 초록 (Multilingual Abstract)

For the stable operation of marine robots, a robust visual perception system is required that can function reliably even under adverse visual conditions such as diffuse reflection from the sea surface, wave foam, underwater turbidity, and changes in illumination. This paper proposes a reinforcement method for a deep learning-based visual perception model to ensure stable recognition performance even under such adverse conditions. First, an Object-Centric Attention Module(OCAM) is proposed to suppress strong visual noise originating from the sea surface and effectively highlight the features of maritime objects. This reduces background interference such as sea surface reflections and wave foam, thereby improving detection performance for actual objects. Second, to enhance object segmentation accuracy in underwater environments with low contrast due to high turbidity, a weighted loss function is proposed that assigns greater learning weight to object boundary regions. This method is designed to enable stable learning of structural shapes even with blurred boundaries. The proposed enhancement methods were validated using real-world field data in UAV-based maritime search and rescue (SAR) and ROV-based aquaculture net damage detection scenarios. They demonstrated improved model recognition stability and reliability even under various adverse visual conditions.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• 1.1 연구 배경 1
• 1.2 연구 목표 및 구성 6
• Ⅱ. 해양 시각 인지 시스템 8
• 2.1 해양 시각 인지 시스템 개요 8
• 2.2 딥러닝 기반 해양 객체 인지 10
• 2.3 시각적 악조건에서의 해양 인지 시스템 강화 13
• Ⅲ. 어텐션 모듈 기반 해상 객체 탐지 시스템 강화 16
• 3.1 해상 환경에서의 시각적 악조건 요인 16
• 3.2 해수면 노이즈 환경에서의 객체 탐지 17
• 3.3 객체 중심적 어텐션 모듈 기반 익수자 탐지 20
• 3.4 실험 및 결과 23
• 3.4.1 해수면 시각적 노이즈가 포함된 데이터셋 구축 23
• 3.4.2 구현 세부사항 30
• 3.4.3 SVN 데이터셋의 모델 성능 영향 분석 33
• 3.4.4 OCAM 성능 분석 38
• 3.4.5 추론 시간 성능 분석 44
• Ⅳ. 가중 손실 기반 수중 객체 분할 시스템 강화 45
• 4.1 수중 환경에서의 시각적 악조건 요인 45
• 4.2 수중 부유물 환경에서 객체 분할 46
• 4.3 가중 손실 기반 양식장 그물 분할 및 파손 탐지 51
• 4.3.1 가중 손실 기반 그물 분할 51
• 4.3.2 mesh-hole 그룹핑 기반 그물 파손 탐지 알고리즘 57
• 4.4 실험 및 결과 62
• 4.4.1 수중 그물 데이터셋 구축 62
• 4.4.2 그물 분할 모델 평가 65
• 4.4.3 그물 파손 탐지 알고리즘 평가 72
• 4.4.4 추론 시간 성능 분석 81
• Ⅴ. 결론 및 향후 연구 방향 83
• 참고문헌 85