[논문 리뷰] YOLO series target detection algorithms for underwater environments

Chenjie Zhang, Pengcheng Jiao|arXiv (Cornell University)|2023. 09. 07.

Water Quality Monitoring TechnologiesEnvironmental Science인용 수 3

한 줄 요약

이 논문은 구조물 건강 모니터링 및 유해 생물 검출을 위한 수중 목표 검출을 위한 개선된 YOLO 기반 모델인 YOLO-UC와 YOLO-UH를 제안한다. 데이터 증강, 라플라스 锐화, 소형 객체 최적화를 통합함으로써, 탁도, 흐림, 인식 거리 제한과 같은 도전 과제가 있는 저조도 조건에서도 검출 정확도를 향상시켜 강건성을 향상시킨다.

ABSTRACT

You Only Look Once (YOLO) algorithm is a representative target detection algorithm emerging in 2016, which is known for its balance of computing speed and accuracy, and now plays an important role in various fields of human production and life. However, there are still many limitations in the application of YOLO algorithm in underwater environments due to problems such as dim light and turbid water. With limited land area resources, the ocean must have great potential for future human development. In this paper, starting from the actual needs of marine engineering applications, taking underwater structural health monitoring (SHM) and underwater biological detection as examples, we propose improved methods for the application of underwater YOLO algorithms, and point out the problems that still exist.

연구 동기 및 목표

• 저조도, 탁도, 이미지 열화로 인한 수중 환경에서의 강건한 목표 검출 부족을 해결한다.
• 해양 구조물의 수중 콘크리트 손상 검출을 위한 YOLO-UC를 개발하여 도전적인 영상 조건에서도 검출 정확도를 향상시킨다.
• 소형이지만 유해할 수 있는 해양 생물을 식별하기 위한 YOLO-UH를 개발하여 실생활 수중 환경에서 소형 목표의 검출을 향상시킨다.
• 수중 로봇 및 자율 시스템에서 YOLO 배포에 영향을 주는 하드웨어 및 소프트웨어 제약 조건을 조사한다.
• 카메라 품질, 계산 제약 조건, 통신 제약 조건, 지상 환경에서 수중 환경으로의 도메인 이동과 같은 주요 과제를 규명한다.

제안 방법

• 수중 환경에서의 조명 및 시점 변화에 대한 모델 강건성을 향상시키기 위해 광학적 및 기하학적 데이터 증강을 적용하였다.
• 복잡한 배경과 소형 객체에서의 검출 성능을 향상시키기 위해 모자이크 및 믹스 증강 기법을 통합하였다.
• 특히 겹치지 않는 예측 상황에서의 경계 박스 회귀 성능을 향상시키기 위해 표준 IoU 손실을 일반화된 IoU(GIoU) 손실로 대체하였다.
• 이미지 선명도를 향상시키고 수중 영상의 흐림을 줄이기 위해 라플라스 锐화를 적용하여 특징 추출 성능을 향상시켰다.
• 소형 목표 검출 성능을 향상시키기 위해 YOLO-UH에 특화된 넥 모듈과 소형 목표에 맞는 데이터 증강 기법을 도입하였다.
• 출력 경계 상자 우선순위를 부여하고 정밀 조정함으로써 빠른 경고 메커니즘을 제안하여 빠진 검출을 줄였다.

실험 결과

연구 질문

• RQ1 저조도, 탁도, 이미지 열화가 있는 수중 환경에 대해 YOLO 기반 모델을 효과적으로 어떻게 적응시킬 수 있는가?
• RQ2 어떤 데이터 증강 및 이미지 전처리 기법이 수중 목표 검출 작업의 정확도를 크게 향상시키는가?
• RQ3 모델 아키텍처 수정을 통해 수중 환경에서 소형 목표 검출 성능을 얼마나 향상시킬 수 있는가?
• RQ4 실시간 YOLO 배포에 영향을 주는 주요 하드웨어 및 소프트웨어 제약 조건는 무엇인가?
• RQ5 지상 환경에서 수중 환경으로의 도메인 이동이 YOLO 모델 일반화에 어떤 영향을 미치며, 효과적인 적응 전략은 무엇인가?

주요 결과

• YOLO-UC 모델은 GIoU 손실과 데이터 증강을 통해 다양한 조명 조건과 시점 조건에서도 수중 콘크리트 손상 검출 정확도를 향상시켰다.
• YOLO-UH는 특화된 넥 모듈과 데이터 증강을 통해 소형 해양 생물 검출 성능을 향상시켜 기준 YOLOv5를 능가했다.
• 카메라 초점 실패와 이미지 흐림으로 인해 1.5미터를 초과하면 인식 정확도가 크게 떨어져 효과적인 검출 거리에 하한선이 존재함을 시사했다.
• 라플라스 锐화 및 대trast 강화와 같은 이미지 전처리 기법이 특징의 가시성과 검출 신뢰도를 크게 향상시켰다.
• 현장 테스트 결과, sediment 농도와 거리가 검출 성능에 큰 영향을 미치며, 높은 탁도와 장거리에서 정확도가 떨어짐을 확인했다.
• 카메라 해상도, 자동 초점, 칩 성능 등 하드웨어 제약 조건이 소프트웨어 개선에도 불구하고 주요 성능 저하 요인임을 규명했다.