[논문 리뷰] Research on Detection of Floating Objects in River and Lake Based on AI Intelligent Image Recognition

Jingyu Zhang, Ao Xiang외 3명|arXiv (Cornell University)|2024. 04. 10.

Advanced Technologies in Various Fields인용 수 5

한 줄 요약

이 논문은 깊이 학습을 사용하여 강과 호수의 부유 잔해를 탐지하는 것을 조사하고 SSD, Faster-RCNN, YOLOv5를 비교하며 더 나은 잔해 탐지를 위한 하드웨어-소프트웨어 탐지 시스템을 제시한다.

ABSTRACT

With the rapid advancement of artificial intelligence technology, AI-enabled image recognition has emerged as a potent tool for addressing challenges in traditional environmental monitoring. This study focuses on the detection of floating objects in river and lake environments, exploring an innovative approach based on deep learning. By intricately analyzing the technical pathways for detecting static and dynamic features and considering the characteristics of river and lake debris, a comprehensive image acquisition and processing workflow has been developed. The study highlights the application and performance comparison of three mainstream deep learning models -SSD, Faster-RCNN, and YOLOv5- in debris identification. Additionally, a detection system for floating objects has been designed and implemented, encompassing both hardware platform construction and software framework development. Through rigorous experimental validation, the proposed system has demonstrated its ability to significantly enhance the accuracy and efficiency of debris detection, thus offering a new technological avenue for water quality monitoring in rivers and lakes

연구 동기 및 목표

• 물환경 모니터링을 위한 AI 기반 영상 인식 활용의 필요성을 제고한다.
• 강과 호수의 정적 및 동적 잔해에 대한 특징 추출을 탐구한다.
• 잔해 탐지를 위한 세 가지 주류 딥러닝 모델을 평가하고 비교한다.
• 하드웨어와 소프트웨어 구성요소를 망라하는 부유물 탐지 시스템을 설계하고 구현한다.
• 실험적 검증을 통해 시스템의 정확도와 효율성을 평가한다.

제안 방법

• 수환경에서 정적 및 동적 특징을 탐지하기 위한 기술적 경로를 분석한다.
• 잔해 식별을 위한 세 가지 주류 딥러닝 모델(SSD, Faster-RCNN, YOLOv5) 비교한다.
• 강과 호수의 잔해에 맞춘 영상 획득 및 처리 워크플로우를 개발한다.
• 탐지 시스템을 위한 하드웨어 플랫폼과 소프트웨어 프레임워크를 설계하고 구현한다.
• 정확도와 효율성 측면에서 성능을 평가하기 위한 실험적 검증을 수행한다.

실험 결과

연구 질문

• RQ1 강과 호수에서 부유 물체 잔해 탐지에 가장 효과적인 딥러닝 모델은 무엇인가? (SSD, Faster-RCNN, YOLOv5)
• RQ2 통합된 하드웨어-소프트웨어 워크플로우가 탐지 정확도와 효율성에 미치는 영향은 무엇인가?
• RQ3 동적 수중 잔해 시나리오에 대해 영상 획득 및 처리를 어떻게 최적화할 수 있는가?
• RQ4 AI 기반 잔해 탐지 시스템을 이용한 수질 모니터링에 어떤 지침을 제공할 수 있는가?

주요 결과

• 세 가지 주류 모델(SSD, Faster-RCNN, YOLOv5)이 부유 잔해 탐지에 대해 평가되었다.
• 하드웨어와 소프트웨어 구성요소를 갖춘 제안 시스템은 탐지 성능이 향상되는 것을 보여주었다.
• 실험적 검증에서 기준 접근법과 비교하여 잔해 탐지의 정확도와 효율성이 향상된 것으로 나타났다.
• 본 연구는 강과 호수의 수질 모니터링을 위한 새로운 기술적 방향을 제시한다.