http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
선박안전 운항을 위한 이진 분할 알고리즘 기반 해상 객체 검출 하드웨어 가속기 설계 및 구현
이효찬,송현학,이성주,전호석,김효성,임태호,Lee, Hyo-Chan,Song, Hyun-hak,Lee, Sung-ju,Jeon, Ho-seok,Kim, Hyo-Sung,Im, Tae-ho 한국정보통신학회 2020 한국정보통신학회논문지 Vol.24 No.10
해상 객체 검출은 선장이 육안으로 해상 주변의 충돌 위험성이 있는 부유물을 컴퓨터를 통해 자동으로 검출하여 사람이 확인하는 방법과 유사한 정확도로 인지하는 방법을 말한다. 기존 선박에서는 레이더의 전파를 통해 해상 부유물의 유무와 거리를 판단하였지만 형체를 알아내어 장애물이 무엇인지는 판단할 수 없는 약점이 있다. 반면, 카메라는 인공지능 기술이 발달하면서 물체를 검출하거나 인식하는데 성능이 우수하여 항로에 있는 장애물을 정확하게 판단할 수 있다. 하지만, 디지털 영상을 분석하기 위해서는 컴퓨터가 대용량의 화소를 연산해야 하는데 CPU는 순차적 처리 방식에 특화된 구조이기에 처리속도가 매우 느려 원활한 서비스 지원은 물론 안전성도 보장할 수 없게 된다. 따라서 본 논문에서는 해상 객체 인식 소프트웨어를 개발하였고 연산량이 많은 부분을 가속화하기 위해 FPGA로 구현하였다. 또한, 임베디드 보드와 FPGA 인터페이스를 통해 시스템 구현 완성도를 높였으며 소프트웨어 기반의 기존 구현 방법보다 약 30배의 빠른 성능을 얻었고 전체 시스템의 속도는 약 3배 이상이 개선되었음을 확인할 수 있었다. Object detection in maritime means that the captain detects floating objects that has a risk of colliding with the ship using the computer automatically and as accurately as human eyes. In conventional ships, the presence and distance of objects are determined through radar waves. However, it cannot identify the shape and type. In contrast, with the development of AI, cameras help accurately identify obstacles on the sea route with excellent performance in detecting or recognizing objects. The computer must calculate high-volume pixels to analyze digital images. However, the CPU is specialized for sequential processing; the processing speed is very slow, and smooth service support or security is not guaranteed. Accordingly, this study developed maritime object detection software and implemented it with FPGA to accelerate the processing of large-scale computations. Additionally, the system implementation was improved through embedded boards and FPGA interface, achieving 30 times faster performance than the existing algorithm and a three-times faster entire system.
스마트 항로표지 시스템에서 해상 객체 감지 가속화를 위한 방법에 관한 연구
전호석,송현학,권기원,김영진,임태호,Jeon, Ho-Seok,Song, Hyun-hak,Kwon, Ki-Won,Kim, Young-Jin,Im, Tae-Ho 한국인터넷정보학회 2022 인터넷정보학회논문지 Vol.23 No.5
In recent years, navigation aids, which plays as sea traffic lights, have been digitized, and are developing beyond simple sign purpose to provide various functions such as marine information collection, supervision, control, etc. For example, Busan Port which is located in South Korea is leading the application of the advanced technologies by installing cameras on buoys and recording video images to supervise maritime accidents. However, there are difficulties to perform their major functions since the advanced technologies require long-term battery operation and also management and maintenance of them are hampered by marine characteristics. This study proposes a system that can automatically notify maritime objects passing around buoys by analyzing image information. In the existing sensor-based accident prevention systems, the alarms are generated by a collision detection sensor. The system can identify the cause of the accident whilst even though it is difficult not possible to fundamentally prevent the accidents. Therefore, in order to overcome these limitations, the proposed a maritime object detection system is based on marine characteristics. The experiments demonstrate that the proposed system shows about 5 times faster processing speed than other existing algorithms.
임베디드 보드 환경에서의 딥러닝 기반 선박 안전 시스템에 관한 연구
전호석(Ho-Seok Jeon),송현학(Hyun-hak Song),이성주(Sung-Ju Lee),임태호(Tae-Ho Im) 한국통신학회 2021 한국통신학회 학술대회논문집 Vol.2021 No.2
본 논문은 소형 선박의 해양사고를 줄이기 위하여 임베디드 보드 환경에서의 카메라 영상으로부터 주변 위험 상황을 딥러닝 및 영상처리로 예측하는 안전 시스템에 관한 것으로 대형선박에 탑재되는 선박 충돌방지시스템 및 항해용 레이더 등의 고도화된 장비의 역할을 카메라 영상 기반으로 대체하여, 소형 선박에 저비용으로 안전 시스템을 적용하고자 한다. 딥러닝으로 선박과 구명조끼착용 여부를 학습 시켜 검출하고 인식된 결과를 영상처리를 통하여 위험도를 판단하며, 위험 상황 시 인식된 객체를 붉게 표시하고 음성으로 안내하며, 사용자에게 위험 상황을 시청각으로 제공한다.
해상 객체 인식을 위한 이진 분할 알고리즘 하드웨어 가속기 설계
이효찬(Hyo-chan Lee),송현학(Hyun-Hak Song),뤼징신(Jing-Lin Lwo),왕비(Fei Wang),고학림(Hak-Lim Ko),임태호(Tae-Ho Im) 한국정보통신학회 2020 한국정보통신학회 종합학술대회 논문집 Vol.24 No.1
해상 객체 인식은 자율운항선박의 지능형 보조 시스템으로써 컴퓨터가 영상 분석을 통해 선박 주변에 존재하는 위험 물체가 검출되면 자동으로 회피하여 선박의 안전운항을 돕는다. 이러한 자율 운항을 위해 요구사항과 기능이 다양해지고 복잡해지면서 프로세서 기반의 소프트웨어의 성능은 저하되기 때문에 실시간 처리 기술의 필요성이 대두되고 있다. 이에 대응하여 본 논문에서는 실시간 객체 인식을 위해 소프트웨어의 병목현상을 제거하고, 해상 객체 인식에 핵심이 되는 이진 분할 알고리즘을 하드웨어를 설계하여 가속화하였다. 또한, FPGA에 구현하여 적용한 결과 기존 알고리즘 수행시간 대비 약 20배 빠른 성능을 얻을 수 있었다. The intelligent assistance system of a maritime autonomous surface ship, object detection in maritime supports the safe operation of a ship by detecting and avoiding dangerous objects in the near of the ship through digital image analysis with a computer. With the diversified and complexity requirements and functions, the performance of processor-based software degrades. Therefore, the importance of real-time processing technology is increasing for the autonomous operation of ships. In this regard, this study removed the bottleneck of software for real-time object recognition and designed and accelerated binary segmentation algorithm hardware, which is the core of object detection in maritime. Furthermore, it was able to obtain a performance approximately 20 times faster than the existing algorithm by implementing and applying it to the FPGA.
고속 해상 객체 분류를 위한 양자화 적용 기반 CNN 딥러닝 모델 성능 비교 분석
이성주 ( Seong-ju Lee ),이효찬 ( Hyo-chan Lee ),송현학 ( Hyun-hak Song ),전호석 ( Ho-seok Jeon ),임태호 ( Tae-ho Im ) 한국인터넷정보학회 2021 인터넷정보학회논문지 Vol.22 No.2
최근 급속도로 성장하고 있는 인공지능 기술이 자율운항선박과 같은 해상 환경에서도 적용되기 시작하면서 디지털 영상에 특화된 CNN 기반의 모델을 적용하는 관련 연구가 활발히 진행되고 있다. 이러한 해상 서비스의 경우 인적 과실을 줄이기 위해 충돌 위험이 있는 부유물을 감지하거나 선박 내부의 화재 등 여러 가지 기술이 접목되기에 실시간 처리가 매우 중요하다. 그러나 기능이 추가 될수록 프로세서의 제품 가격이 증가하는 문제가 존재해 소형 선박의 선주들에게는 비용적인 측면에서 부담이 된다. 또한 대형 선박의 경우 자율운항선박의 시스템을 감안할 때, 연산 속도의 성능 향상을 위해 복잡도가 높은 딥러닝 모델의 성능을 개선하는 방법이 필요하다. 따라서 본 논문에서는 딥러닝 모델에 경량화 기법을 적용해 정확도를 유지하면서 고속으로 처리할 수 있는 방법에 대해 제안한다. 먼저 해상 부유물 검출에 적합한 영상 전처리를 진행하여 효율적으로 CNN 기반 신경망 모델 입력에 영상 데이터가 전달될 수 있도록 하였다. 또한, 신경망 모델의 알고리즘 경량화 기법 중 하나인 학습 후 파라미터 양자화 기법을 적용하여 모델의 메모리 용량을 줄이면서 추론 부분의 처리 속도를 증가시켰다. 양자화 기법이 적용된 모델을 저전력 임베디드 보드에 적용시켜 정확도와 처리 속도를 사용하는 임베디드 성능을 고려하여 설계하는 방법을 제안한다. 제안하는 방법 중 정확도 손실이 제일 최소화되는 모델을 활용해 저전력 임베디드 보드에 비교하여 기존보다 최대 4~5배 처리 속도를 개선할 수 있었다. As artificial intelligence(AI) technologies, which have made rapid growth recently, began to be applied to the marine environment such as ships, there have been active researches on the application of CNN-based models specialized for digital videos. In E-Navigation service, which is combined with various technologies to detect floating objects of clash risk to reduce human errors and prevent fires inside ships, real-time processing is of huge importance. More functions added, however, mean a need for high-performance processes, which raises prices and poses a cost burden on shipowners. This study thus set out to propose a method capable of processing information at a high rate while maintaining the accuracy by applying Quantization techniques of a deep learning model. First, videos were pre-processed fit for the detection of floating matters in the sea to ensure the efficient transmission of video data to the deep learning entry. Secondly, the quantization technique, one of lightweight techniques for a deep learning model, was applied to reduce the usage rate of memory and increase the processing speed. Finally, the proposed deep learning model to which video pre-processing and quantization were applied was applied to various embedded boards to measure its accuracy and processing speed and test its performance. The proposed method was able to reduce the usage of memory capacity four times and improve the processing speed about four to five times while maintaining the old accuracy of recognition.