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.

보행 활동은 도시의 교통 및 환경 문제, 주민의 건강, 지역 커뮤니티 활성화 등에 중요한 역할을 하는 것으로 평가되고 있다. 보행의 중요성이 인지되면서 세계각국에서는 보행을 장려하는 도시건조환경을 만들기 위해 다양한 노력을 기울이고 있으 며, 이는 우리나라에서도 법제도적으로 나타나고 있다. 보행환경을 관리하고 개선하기 위해서는 물리적인 보행환경을 가로 단위 상세수준에서 평가하고, 시민들의 보행환경에 대한 인지가 어떤지를 아는 것이 필요하다. 기존에 이러한 연구들은 대부분 설문조사나 일부지역에 한 해 현장조사를 수행하는 방법이 주를 이루었다. 본 연구에서는 거리영상과 딥러닝 기술을 활용하여 가로단위 상세수준에서의 물리적 보행환경과 인지적 보행환경을 평가하고, 이를 비교하고자 한다. 물리적 보행환경 평가를 위해 평가지표를 선정하고, 평가지표별로 거리영상의 시멘틱 세그먼테이션 기법을 활용하거나 표고 자료, PoI자료를 크롤링한 후 관련 데이터를 구축하고 평가점수를 도출하였다. 인지적 보행환경 평가를 위해 거리영상에 대한 인지를 예측할 수 있도록 훈련데이타 셋을 구축하고, RSS-Swin모델을 훈련시켜 보행환경 인지점수를 예측할 수 있도록 하였다. 물리적 보행환경과 인지적 보행환경 지도를 구축하고, 각각의 특성과 차이를 분석하고, 이를 통해 보행환경 개선안을 도출할 수 있었다. 본 연구는 물리적 보행환경과 인지적 보행환경의 시각화하고 차이를 분석하여 개선안을 도출하였다는 점에 연구의 의의가 있으며, 기술적인 측면에서는 거리영상과 딥러닝 기술을 활용하여 도시의 가로단위에서 보행환경을 상세하게 평가할 수 있는 방법론을 체계화하였 다는 점에 의의가 있다

거주민의 도시 건조환경(Urban Built Environment)에 대한 인식은 도시연구, 도시계획 및 도시설계에 중요한 요소이다. 범죄불안감이란 특정 장소와 특정 범죄에 대해서 느끼는 범죄 발생 가능성에 대한 불안감의 심리량을 의미하는데, 이는 개개인의 주관적인 평가이다. 범죄불안감은 실제 범죄율보다 빠르게 증가하고 있어, 사람들이 범죄불안감을 느끼는 지역을 찾는 것은 범죄예방 에 효과적이며 중요한 과정이다. 하지만 기존 연구에서 도시 건조환경에 대한 불안감 측정은 소수의 사람과 제한된 범위를 대상으로 설문조사나 현장조사에 의존하여 제한적이었다. 본 연구의 목적은 거리영상과 딥러닝 기술을 활용하여 시민들이 느끼는 범죄 불안감 을 측정하고 시각화하는 것이며 연구대상지역은 서울시 영등포구이다. 거리영상을 활용하여 범죄불안감을 측정하기 위해서는 거리 영상에 대한 사람들의 범죄불안감을 측정하고, 이를 딥러닝 모델을 활용하여 평가점수를 예측하는 모델을 구축해야 한다. 이를 위해 본 연구에서는 카카오맵 API를 활용하여 거리영상을 수집하였다. 수집한 영상 중 20,886장의 거리영상을 활용하여 상대적으로 불안감을 느끼는 거리가 어느 쪽인지를 응답하도록 하는 171,942개의 훈련데이터 셋을 구축하였다. 구축된 쌍별비교 데이터 셋으로 Global-Patch-RSS-CNN모델을 훈련 후, 훈련된 모델을 연구대상 지역 전체에 적용하여 범죄불안감 예측점수를 도출하고 시각화였 다. 본 연구는 거리영상과 딥러닝 기술을 활용하여 도시의 범죄불안감을 측정하는 첫 사례를 제시하였다는 점, 그리고 범죄불안감이 높게 평가되는 지역의 환경 특성을 분석하여, 효과적인 도시 계획 및 범죄 예방 전략 수립에 기여할 수 있다는 점에 의의가 있다.

It is important to ensure worker’s safety from radiation hazard in decommissioning site. Real-time tracking of worker’s location is one of the factors necessary to detect radiation hazard in advance. In this study, the integrated algorithm for worker tracking has been developed to ensure the safety of workers. There are three essential techniques needed to track worker’s location, which are object detection, object tracking, and estimating location (stereo vision). Above all, object detection performance is most important factor in this study because the performance of tracking and estimating location is depended on worker detection level. YOLO (You Only Look Once version 5) model capable of real-time object detection was applied for worker detection. Among the various YOLO models, a model specialized for person detection was considered to maximize performance. This model showed good performance for distinguishing and detecting workers in various occlusion situations that are difficult to detect correctly. Deep SORT (Simple Online and Realtime Tracking) algorithm which uses deep learning technique has been considered for object tracking. Deep SORT is an algorithm that supplements the existing SORT method by utilizing the appearance information based on deep learning. It showed good tracking performance in the various occlusion situations. The last step is to estimate worker’s location (x-y-z coordinates). The stereo vision technique has been considered to estimate location. It predicts xyz location using two images obtained from stereo camera like human eyes. Two images are obtained from stereo camera and these images are rectified based on camera calibration information in the integrated algorithm. And then workers are detected from the two rectified images and the Deep SORT tracks workers based on worker’s position and appearance between previous frames and current frames. Two points of workers having same ID in two rectified images give xzy information by calculating depth estimation of stereo vision. The integrated algorithm developed in this study showed sufficient possibility to track workers in real time. It also showed fast speed to enable real-time application, showing about 0.08 sec per two frames to detect workers on a laptop with high-performance GPU (RTX 3080 laptop version). Therefore, it is expected that this algorithm can be sufficiently used to track workers in real decommissioning site by performing additional parameter optimization.