논문 상세보기
pp.717-727
본 연구는 YOLO(You Only Look Once)-Segmentation 기반 해양생물 탐지 모델의 성능 비교와 수중 이미지의 색상 왜곡 보정을 위한 딥러닝 모델 구축에 중점을 둔다. 탐지 모델 구축에는 Ultralytics에서 공식적으로 배포하는 YOLO의 버전별 객체분할 모델인 YOLOv5-Seg, YOLOv8-Seg, YOLOv9-Seg, YOLOv11-Seg를 활용하였으며, 22종의 해양생물 데이터셋을 사용해 동일한 학습 과정을 거쳤다. 이 를 통해 각 버전의 탐지 성능을 비교한 결과, YOLOv9c-Seg 모델이 정밀도(Precision) 0.908, 재현율(Recall) 0.912, mAP@50 0.943으로 가장 높 은 성능을 기록하며 최적의 모델로 선정되었다. 또한, 수중 환경에서 발생하는 색상 왜곡 문제를 해결하고 탐지 정확도를 높이기 위해 CLAHE, White Balance, Image Filter 등의 RGB 요소 변환 기법을 적용한 PhysicalNN 기반 이미지 보정 모델을 구축하였다. 선정된 탐지 모델 과 이미지 보정 모델을 이용해 수중영상 내 탐지된 생물의 위치를 정확히 파악하고, Monocular Depth Estimation(MDE) 알고리즘과 거리 및 크기 측정을 위한 가이드 스틱을 활용하여 대상 생물의 거리와 크기를 추정하였다. 이를 통해 단안 카메라 영상만으로도 3차원 공간의 해 양생물 크기와 이에 따른 체중을 간접적으로 추정하였으며, 향후 해양 생태계 모니터링에 활용할 수 있는 가능성을 시사한다.
This study focuses on comparing the performance of YOLO(You Only Look Once)-segmentation-based marine life detection models and developing a deep learning model for correcting color distortion in underwater images. The detection models were constructed using instance segmentation models YOLOv5-Seg, YOLOv8-Seg, YOLOv9-Seg, and YOLOv11-Seg, officially provided by Ultralytics. The models were trained on an identical dataset of 22 marine species to ensure consistency across versions. The results demonstrated that YOLOv9c-Seg achieved the highest performance with a precision of 0.908, recall of 0.912, and mAP@50 of 0.943, making it the optimal model for marine life detection. To address color distortion in underwater environments and improve detection accuracy, a PhysicalNN-based image correction model was developed, incorporating RGB transformation techniques such as CLAHE, White Balance, and Image Filtering. Using the selected detection and image correction models, we accurately identified the locations of marine organisms within underwater footage. Additionally, employing a Monocular Depth Estimation (MDE) algorithm and a guide stick as a reference point, we estimated the distance and size of detected organisms. This research highlights the potential of indirectly estimating the size (10.0–35.0 cm) and weight of marine life in a 3D space using single-camera footage, offering practical implications for future marine ecosystem monitoring.
Abstract
1. 서 론
2. 연구 방법
2.1 탐지 모델 구축
2.2 이미지 보정 모델 구축
2.3 거리 및 크기 추정 방법
3. 사용 자료
3.1 해양생물 데이터셋
3.2 수중 이미지 보정 모델 데이터셋
3.3 분석 영상 취득
3.4 모델 학습 환경 및 조건
4. 연구 결과
4.1 탐지 모델 성능 비교
4.2 이미지 보정 효과 분석
4.3 거리 및 크기 추정 결과
5. 결 론
감사의 글
References
