[논문 리뷰] Slash or burn: Power line and vegetation classification for wildfire prevention

Austin Park, Farzaneh Rajabi외 1명|arXiv (Cornell University)|2021. 05. 09.

Remote Sensing and LiDAR Applications참고 문헌 14인용 수 6

한 줄 요약

이 논문은 구글 스트리트 뷰 이미지, HOG 및 허프 특징 강화, 그리고 전이 학습을 활용한 컨볼루션 네트워크(CNN, 예: VGG11 및 ResNet18)를 사용하여 전력선과 식생을 분류하는 컴퓨터 비전 프레임워크를 제안한다. 이는 wildfulre 위험 완화를 위한 것이다. 앙상블 기반 접근 방식을 통해 위험한 식생 과잉 성장을 88.88%의 정확도로 탐지하며, 이는 식생 관리의 우선순위를 정하고 지리정보 기반 유니티 자산 맵핑을 가능하게 한다.

ABSTRACT

Electric utilities are struggling to manage increasing wildfire risk in a hotter and drier climate. Utility transmission and distribution lines regularly ignite destructive fires when they make contact with surrounding vegetation. Trimming vegetation to maintain the separation from utility assets is as critical to safety as it is difficult. Each utility has tens of thousands of linear miles to manage, poor knowledge of where those assets are located, and no way to prioritize trimming. Feature-enhanced convolutional neural networks (CNNs) have proven effective in this problem space. Histograms of oriented gradients (HOG) and Hough transforms are used to increase the salience of the linear structures like power lines and poles. Data is frequently taken from drone or satellite footage, but Google Street View offers an even more scalable and lower cost solution. This paper uses $1,320$ images scraped from Street View, transfer learning on popular CNNs, and feature engineering to place images in one of three classes: (1) no utility systems, (2) utility systems with no overgrown vegetation, or (3) utility systems with overgrown vegetation. The CNN output thus yields a prioritized vegetation management system and creates a geotagged map of utility assets as a byproduct. Test set accuracy with reached $80.15\%$ using VGG11 with a trained first layer and classifier, and a model ensemble correctly classified $88.88\%$ of images with risky vegetation overgrowth.

연구 동기 및 목표

• 가뭄에 취약한 지역인 노던 캘리포니아와 같은 지역에서 전력선과 식생 간의 접촉으로 인한 증가하는 wildfulre 위험을 해결하기 위해.
• 공개된 스트리트 뷰 이미지를 활용하여 확장 가능하고 저비용의 고위험 유니티 자산 식별 솔루션을 개발하기 위해.
• 이미지를 세 가지 범주로 분류함으로써 식생 관리의 우선순위를 정하기 위해: 유니티 없음, 유니티 존재 및 과잉 성장 없음, 또는 유니티 존재 및 과잉 성장 있음.
• 분류 과정의 부산물로 지리정보 기반 유니티 자산 맵핑을 생성하기 위해.
• AI 기반 자동 점검을 통해 안전성과 규정 준수를 향상시키기 위해.

제안 방법

• 훈련 및 테스트를 위해 PG&E 서비스 영역을 커버하는 1,320장의 구글 스트리트 뷰 이미지를 스크래핑하였다.
• 전력선과 전봇대와 같은 선형 구조물의 가시성을 향상시키기 위해 방향성 기울기 히스토GRAM(HOG)과 허프 변환을 적용하였다.
• 사전 학습된 VGG11, ResNet18 및 기타 CNN 아키텍처를 사용한 전이 학습을 통해 이미지를 세 클래스로 분류하였다.
• 가로 뒤집기와 10개 모델의 투표 앙상블를 통해 데이터 증강을 실시하여 정확도를 높이고 과적합을 줄였다.
• 식생 과잉 성장을 놓치는 것의 위험이 매우 높기 때문에, 잘못된 음성 결과를 최소화하기 위해 포칼 손실 함수를 사용하여 모델을 훈련시켰다.
• 모델의 결정을 해석하고 네트워크가 전력선과 식생 가장자리와 같은 관련 특징에 집중하고 있는지 확인하기 위해 선명도 맵을 생성하였다.

실험 결과

연구 질문

• RQ1 스트리트 뷰 이미지에서 훈련된 딥 러닝 모델은 고위험 구성에서 전력선과 식생을 정확하게 탐지할 수 있는가?
• RQ2 HOG 및 허프 특징 엔지니어링 기법은 전력선 및 식생 분류에 있어 CNN 성능 향상에 얼마나 효과적인가?
• RQ3 미세조정된 CNN의 앙상블은 유니티 자산 근처의 식생 과잉 성장을 높은 정확도로 식별할 수 있는가?
• RQ4 모델의 예측 결과가 지리정보 기반 유니티 자산 맵핑 생성 및 유지보수 우선순위 정하기에 얼마나 활용될 수 있는가?
• RQ5 클래스 불균형과 손실 함수 설계는 안전을 최우선으로 하는 wildfulre 방지 응용 분야에서 모델 성능에 어떤 영향을 미치는가?

주요 결과

• 커스텀 첫 번째 레이어와 분류기로 미세조정된 VGG11 모델이 테스트 세트에서 가장 높은 정확도 80.15%를 기록하였다.
• 10개 모델의 앙상블은 과잉 성장이 있는 이미지를 정확히 분류하는 데 88.88%의 정확도를 달성하였으며, 이 중 18장의 이미지 중 16장이 올바르게 식별되었다.
• 모델은 13개의 가짜 양성 결과(18장의 '유니티 없음'으로 레이블링된 이미지 중 13장이 '식생 과잉 성장'으로 잘못 분류됨)를 생성하였지만, 이는 포칼 손실 함수를 사용하여 잘못된 음성 결과를 최소화하기 위해 의도된 것이었다.
• 선명도 맵은 모델이 전력선과 식생 가장자리를 탐지하는 데 성공했음을 확인하였으며, 겹치는 선과 나무 가장자리 전환 부분에서 강한 활성화가 관찰되었다.
• 가짜 양성 이미지의 수평 뒤집힌 버전은 일관되게 '식생'으로 잘못 분류되었으며, 이는 시각적 패턴에 민감하고 데이터 레이블링 오류의 가능성을 시사하였다.
• 연구에서 인간의 레이블링 오류가 발생한 것으로 드러났으며, 예를 들어 전력선이 없는 이미지를 '유니티 없음'으로 잘못 레이블링한 사례가 있었고, 이는 모델이 정확히 분류한 바, 더 나은 데이터 품질의 필요성을 보여주었다.