조식동물 탐지 및 모니터링을 위한 딥러닝 기반 객체 탐지 모델의 강인성 평가 = Evaluation of Robustness of Deep Learning-Based Object Detection Models for Invertebrate Grazers Detection and Monitoring

국문 초록 (Abstract)

최근 조식동물로 인한 갯녹음 현상으로 인해 연안 생태계 및 어장환경의 황폐화가 가속화되고 있다. 이러한 갯녹음 현상을 모니터링하고 방지대책을 세우기 위해서는 광범위한 해역에 대한 원격탐사 기반의 모니터링 기술 도입이 필요하다. 본 연구에서는 수중에서 촬영된 동영상으로부터 조식동물을 탐지하고 모니터링하기위한 딥러닝 기반 객체 탐지 모델의 강인성(robustness)을 비교 분석하였다. 우리나라 연안의 대표적인 조식동물7종을 대상으로 이미지 데이터셋을 구축하였으며, 이를 활용하여 딥러닝 기반 객체 탐지 모델인 You Only LookOnce (YOLO)v7과 YOLOv8을 훈련시켰다. 총 6개의 YOLO 모델(YOLOv7, YOLOv7x, YOLOv8s, YOLOv8m,YOLOv8l, YOLOv8x)에 대해 탐지 성능과 탐지 속도를 평가하였으며, 수중환경에서 촬영 시 발생할 수 있는 다양한 이미지 왜곡에 대해서 강인성 평가를 실시하였다. 평가결과 YOLOv8 계열 모델이 파라미터(parameter) 수대비 더 높은 탐지 속도(약 71–141 FPS [frame per second])를 보였다. 탐지 성능에 있어서도 YOLOv8 계열 모델(mean average precision [mAP] 0.848–0.882)이 YOLOv7 계열 모델(mAP 0.847–0.850)에 비해 더 높은 성능을 보이는 것을 확인하였다. 모델의 강인함에 있어서 형태 왜곡에 대해서는 YOLOv7 계열 모델이 YOLOv8 계열 모델에 비해 강인한 것을 확인하였으며, 색상 왜곡에 대해서는 YOLOv8 계열 모델이 상대적으로 강인한 것을 확인하였다. 따라서 실해역에서 수중 영상 촬영 시, 형태 왜곡은 발생 빈도가 낮으며 색상 왜곡은 연안에서 빈번하게 발생한다는 점을 고려했을 때, 연안해역에서 조식동물 탐지와 모니터링을 위해서는 YOLOv8 계열 모델을활용하는 것이 타당한 것으로 판단된다.

참고문헌 (Reference)

1 박수호 ; 김흥민 ; 이희원 ; 한정익 ; 김탁영 ; 임재영 ; 장선웅, "딥러닝 기반 다중 객체 추적 모델을 활용한 조식성 무척추동물 현존량 추정 기법 연구" 대한원격탐사학회 38 (38): 237-250, 2022

2 홍재상 ; 유재원 ; 김동삼 ; 김효진 ; 이현정 ; 이창근 ; 김창수 ; 홍정표, "동해안 조식성 무척추동물과 해조류 간 상호작용" 한국해양학회 12 (12): 125-132, 2007

3 Wang, C. Y., "YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors"

4 Wernberg, T., "World seas: An environmental evaluation" Academic Press 57-78, 2019

5 Yan-Tsung Peng, "Underwater Image Restoration Based on Image Blurriness and Light Absorption" Institute of Electrical and Electronics Engineers (IEEE) 26 (26): 1579-1594, 2017

6 National Institute of Fisheries Science, "Study on the status of whitening occurrence in the waters of Korea" Fisheries Resources Enhancement Center, National Fisheries Research and Development Institute 2009

7 Tahara, J., "Sea urchin survey by small ROV : – Study of the Urchin barren –" 1-5, 2018

8 Kjell Magnus Norderhaug, "Sea urchin grazing and kelp re-vegetation in the NE Atlantic" Informa UK Limited 5 (5): 515-528, 2009

9 K Filbee-Dexter, "Sea urchin barrens as alternative stable states of collapsed kelp ecosystems" Inter-Research Science Center 495 : 1-25, 2014

10 Kelsey I. Miller, "Sea Urchin Removal as a Tool for Macroalgal Restoration: A Review on Removing “the Spiny Enemies”" Frontiers Media SA 9 : 2022

11 Kyung-Ran Choi, "Public perspective on constructing sea forests as a public good: A contingent valuation experiment in South Korea" Elsevier BV 120 : 104146-, 2020

12 L. Rogers-Bennett, "Marine heat wave and multiple stressors tip bull kelp forest to sea urchin barrens" Springer Science and Business Media LLC 9 (9): 15050-, 2019

13 Kenta Watanabe, "Macroalgal metabolism and lateral carbon flows can create significant carbon sinks" Copernicus GmbH 17 (17): 2425-2440, 2020

14 Tomohiro Kuwae, "Linking climate change mitigation and adaptation through coastal green–gray infrastructure: a perspective" Informa UK Limited 63 (63): 188-199, 2021

15 Meredith L. McPherson, "Large-scale shift in the structure of a kelp forest ecosystem co-occurs with an epizootic and marine heatwave" Springer Science and Business Media LLC 4 (4): 298-, 2021

16 Robert S. Steneck, "Kelp forest ecosystems: biodiversity, stability, resilience and future" Cambridge University Press (CUP) 29 (29): 436-459, 2002

17 Chang-Keun Kang, "Food web structure of a restored macroalgal bed in the eastern Korean peninsula determined by C and N stable isotope analyses" Springer Science and Business Media LLC 153 (153): 1181-1198, 2008

18 Arie J. P. Spyksma, "Diver-generated photomosaics as a tool for monitoring temperate rocky reef ecosystems" Frontiers Media SA 9 : 1314-, 2022

19 Kei Terayama, "Cost‐effective seafloor habitat mapping using a portable speedy sea scanner and deep‐learning‐based segmentation: A sea trial at Pujada Bay, Philippines" Wiley 13 (13): 339-345, 2021

20 Ministry of Oceans and Fisheries, "Cause of phenomena of Getnokgum and the way to control it (Final research report)" Ministry of Oceans and Fisheries 2002

21 Michaelis, C., "Benchmarking robustness in object detection: Autonomous driving when winter is coming"

22 Somi Jung, "Artificial Seaweed Reefs That Support the Establishment of Submerged Aquatic Vegetation Beds and Facilitate Ocean Macroalgal Afforestation: A Review" MDPI AG 10 (10): 1184-, 2022

23 Huilin Ge, "A Deep Learning Model Applied to Optical Image Target Detection and Recognition for the Identification of Underwater Biostructures" MDPI AG 10 (10): 809-, 2022