2023년 발표된 해양사고 통계에 따르면 해양 사고로 인한 인명피해는 소폭 감소하였지만, 해양 사고 발생 건수는 2021 ~ 2023년 까지 꾸준히 증가하고 있다. 이러한 해양사고의 예방 및 조치를 위해 정부 기관, 지자체 등에서는 안전 사업 추진 및 CCTV 관제 시스템을 구축하고 있다. 그 중 CCTV 관제 시스템은 야간 환경에서 가시거리 감소, 객체 식별의 어려움 등의 한계를 가지고 있다. 이러한 한계를 극복하기 위해 본 연구에서는 저조도 개선 알고리즘을 활용한 야간 해양 환경 개선에 관한 연구를 진행했다. 연구 진행간 저조도 개선 성 능과 실시간 안전 모니터링을 위한 영상 데이터의 처리에 초점을 맞췄다. 총 3가지의 저조도 개선 알고리즘과 2가지의 딥러닝 모델 경량 화 기법을 활용하여 최적의 실시간 저조도 개선 알고리즘을 선정하였다. 본 연구에서는 Bread 알고리즘에 Tensor RT 기법을 적용한 경우 에서 SSIM 0.7, FPS 100을 기록하며 저조도 개선 성능 및 실시간 데이터 처리에 가장 적합한 방안인 것을 입증하였다.

According to marine accident statistics released in 2023, the number of casualties due to marine accidents has slightly decreased; however, the overall number of marine accidents has steadily increased between 2021 and 2023. To prevent such accidents and take appropriate action, government agencies and local authorities have been promoting safety initiatives and implementing CCTV control systems. However, these CCTV systems face limitations, such as reduced visibility in nighttime environments and difficulty in identifying objects. To address these challenges, this study focused on improving nighttime marine surveillance through the development and application of a low-light enhancement algorithm. The research prioritized the performance of low-light enhancement and real-time image data processing for effective safety monitoring. A comprehensive evaluation was conducted using three different low-light enhancement algorithms and two lightweight deep learning model techniques to identify the optimal solution. The results revealed that applying the TensorRT technique to the Bread algorithm achieved an SSIM (Structural Similarity Index Measure) of 0.7 and a frame rate of 100 FPS. This demonstrates that the combination is the most suitable for both low-light enhancement performance and real-time data processing in nighttime marine environments.

요 약
Abstract
1. 서 론
    1.1 연구 배경 및 필요성
    1.2 관련 연구 현황
2. 저조도 개선 알고리즘 및 성능 평가 기법
    2.1 Dataset
    2.2 Zero-DCE(Zero-reference Deep Curve Estimation)
    2.3 Zero-DCE++
    2.4 Bread(Brightness restoration and Adjustment)
    2.5 SSIM
3. 사례 연구
    3.1 Zero-DCE 적용 결과
    3.2 Zero-DCE++ 적용 결과
    3.3 Bread 적용 결과
    3.4 전체 결과 비교 분석
4. 결론 및 향후 연구
감사의 글
References

• 장준교(㈜아디아랩 선임연구원) | Jun-gyo Jang (Senior Researcher, Research and Development Department, Adialab, Busan, 48059, Korea)
• 이진욱(㈜아디아랩 연구원) | Jin-wook Lee (Researcher, Research and Development Department, Adialab, Busan 48059, Korea)
• 이순섭(경상국립대학교 조선해양공학과 교수) | Soon-sup Lee (Professor, Department of Naval Architecture and Ocean Engineering, Gyeongsang National University, Tongyeong 53064, Korea)
• 황세윤(경상국립대학교 조선해양공학과 교수) | Se-yun Hwang (Professor, Department of Naval Architecture and Ocean Engineering, Gyeongsang National University, Tongyeong 53064, Korea)
• 이재철(경상국립대학교 조선해양공학과 교수) | Jae-chul Lee (Professor, Department of Naval Architecture and Ocean Engineering, Gyeongsang National University, Tongyeong 53064, Korea) Corresponding author