비행체 데이터 기반 LCB-YOLOv8 구조 설계 및 성능 평가 = Design and Performance Evaluation of LCB-YOLOv8 on an Aircraft Image Dataset

다국어 초록 (Multilingual Abstract)

This study proposes LCB-YOLOv8, a video-based real-time surveillance-oriented object detection architecture designed to mitigate safety risks caused by external aerial objects such as drone intrusions, bird strikes, and multiple aircraft approaches in low-altitude airspace including airports and vertiports. Low-altitude surveillance imagery is characterized by large homogeneous sky regions, small targets with low contrast, and continuous variations in illumination due to time of day as well as adverse weather conditions such as fog and precipitation. These environmental factors increase false positives and false negatives in general-purpose object detectors such as YOLOv8, thereby degrading operational reliability. To address this limitation, this study structurally redesigns YOLOv8 to better adapt it to the aerial object detection domain, aiming to improve both detection performance and robustness.

LCB-YOLOv8 incorporates three major architectural enhancements. First, an LK-Bottleneck is introduced, which combines large-kernel convolution and depthwise separable convolution in parallel branches to effectively capture global contextual information while suppressing computational overhead. Second, channel and spatial attention mechanisms (CBAM) are integrated into the LK-Bottleneck and C2f blocks, forming LK-CBAM Bottleneck and LK-CBAM C2f, to enhance discriminative target features while suppressing background-like noise. Third, the neck is redesigned using a concat-based BiFPN structure, minimizing information loss in top-down and bottom-up feature flows and improving multi-scale feature preservation and fusion.

Experiments were conducted on a newly constructed aerial object dataset consisting of 36,301 images and 66,276 instances across four classes—Cessna aircraft, helicopters, drones, and birds—collected from both field recordings and public sources. Under identical training conditions (input resolution of 640, 50 epochs, SGD optimizer, and CIoU-based bounding box regression), LCB-YOLOv8 was evaluated against all YOLOv8 scales (n/s/m/l/x). Module-wise ablation studies and performance comparisons across different large-kernel sizes were performed to verify the contribution and design validity of each component.

Experimental results demonstrate that LCB-YOLOv8 consistently outperforms the baseline YOLOv8 across all scales. For the s-scale model, Precision/Recall/mAP@50/mAP@0.5:95 improved from 89.2/88.3/90.6/65.6 to 90.5/89.6/91.7/68.2, with mAP@0.5:95 increasing by up to 2.6 points. Ablation studies confirmed that the large-kernel module is the primary contributor to performance gains, while the combined application of CBAM and BiFPN further improves detection accuracy and localization precision.

These results indicate that the proposed LCB-YOLOv8 can be effectively applied to real-time aerial surveillance and alert systems in low-altitude airspace such as airports and vertiports, where both real-time performance and high reliability are critical.

국문 초록 (Abstract)

본 연구는 공항 및 버티포트와 같은 저고도 공역에서 발생하는 드론 침입, 조류 충돌, 다중 항공기 접근 등 외부 비행체로 인한 안전 리스크를 완화하기 위해, 영상 기반 실시간 감시에 특화된 LCB-YOLOv8 구조를 제안한다. 저고도 감시 영상은 단조로운 하늘 배경이 넓게 분포하고 소형 표적이 저대비로 나타나는 경우가 많으며, 시간대에 따른 조도 변화와 안개·강수 등 기상 요인이 지속적으로 개입한다. 이러한 환경적 요인은 범용 객체 탐지 모델인 YOLOv8에서 오탐·미탐을 증가시켜 운용 신뢰도를 저하시킨다. 이에 본 연구는 YOLOv8을 비행체 탐지 도메인에 보다 적합하도록 구조적으로 재설계하여 비행체 탐지 성능과 강건성을 동시에 향상시키는 것을 목표로 한다.

LCB-YOLOv8은 세 가지 구조적 개선으로 구성된다. 첫째, Large Kernel과 Depthwise Separable Convolution을 병렬 분기로 결합한 LK-Bottleneck을 도입하여 전역 문맥 정보를 효과적으로 포착하면서도 연산량 증가를 억제하였다. 둘째, 채널·공간 주의집중 모듈(CBAM)을 LK-Bottleneck 및 C2f 블록 말단에 삽입한 LK-CBAM Bottleneck·LK-CBAM C2f를 설계하여, 표적 관련 유효 특징은 강화하고 배경과 유사한 노이즈는 억제하도록 하였다. 셋째, Neck을 Concat 기반 BiFPN 구조로 재구성하여 상·하향 피처 흐름에서의 정보 손실을 최소화하고 멀티스케일 특징의 보존 및 융합 능력을 향상시켰다.

실험은 세스나, 헬리콥터, 드론, 새의 4개 클래스로 구성된 36,301장 이미지와 66,276개 인스턴스를 포함하는 비행체 데이터셋(현장 촬영 및 공개 데이터)을 구축하여 수행하였다. 입력 해상도 640, 50 epoch, SGD 옵티마이저, CIoU 기반 박스 회귀 등 동일 학습 조건에서 YOLOv8 전 스케일(n/s/m/l/x)과 제안 모델을 비교하였으며, 모듈별 어블레이션 스터디와 Large Kernel 크기별 성능 비교를 통해 각 구성 요소의 기여도와 설계 타당성을 검증하였다.

실험 결과, LCB-YOLOV8은 모든 스케일에서 일관된 성능 향상을 보였다. s 스케일 기준 Precision/Recall/mAP@50/mAP@0.5:95는 89.2/88.3/90.6/65.6에서 90.5/89.6/91.7/68.2로 개선되었고, mAP@0.5:95는 최대 2.6포인트 상승하였다. 어블레이션 스터디에서는 Large Kernel 모듈이 성능 개선의 핵심 요인으로 확인되었으며, CBAM과 BiFPN을 결합 적용할 경우 정탐률과 위치 추정 정밀도가 추가적으로 향상됨을 확인하였다.

이러한 결과는 공항·버티포트와 같은 저고도 공역에서 요구되는 실시간성 및 신뢰성을 충족하는 비행체 감시·경보 체계에 제안 모델이 효과적으로 활용될 수 있음을 시사한다.

목차 (Table of Contents)

• 표 목 차 ⅲ
• 그림목차 ⅳ
• 국문초록 vi
• 제 1 장 서론 1
• 1.1 연구 배경 1
• 1.2 연구 목적 및 필요성 2
• 제 2 장 관련 연구 4
• 2.1 영상 기반 비행체 탐지 기술 동향 4
• 2.2 객체 탐지 알고리즘 연구 동향 6
• 2.2.1 합성곱 신경망 6
• 2.2.2 객체 탐지 알고리즘 7
• 2.2.3 YOLO 알고리즘 10
• 제 3 장 모델 구조 설계 13
• 3.1 비행체 탐지 환경 분석 13
• 3.2 YOLOv8 구조 분석 14
• 3.2.1 YOLOv8 Backbone 구조 분석 18
• 3.2.2 YOLOv8 Neck 구조 분석 21
• 3.2.3 YOLOv8 Head 구조 분석 22
• 3.3 Large Kernel 기반 Bottleneck 개선 23
• 3.3.1 YOLOv8의 수용영역 한계 23
• 3.3.2 Large Kernel 기반 Bottleneck 재구축 26
• 3.4 Attention 기반 CBAM 모듈 적용 29
• 3.5 BiFPN 기반 구조 개선 35
• 3.6 최종 제안 모델 구조 38
• 제 4 장 실험 및 결과 분석 40
• 4.1 데이터셋 구축 40
• 4.1.1 데이터셋 클래스 선정 40
• 4.1.2 데이터 수집 41
• 4.2 실험 환경 구축 45
• 4.3 성능 지표 46
• 4.4 실험 수행 및 결과 분석 47
• 4.4.1 베이스라인 성능 비교 실험 48
• 4.4.2 모듈별 성능 비교 실험 57
• 4.4.3 커널 크기별 성능 비교 실험 64
• 제 5 장 결론 69
• 5.1 연구 결과 69
• 5.2 연구의 한계 70
• 5.3 향후 연구 방향 70
• 참고문헌 72
• ABSTRACT 76