해경함정 영상정보에 합성곱신경망을 적용한 국적식별 전문가시스템 구축에 관한 연구
A Study on Expert System for Nationality Classification of Coast Guard Ship using Convolution Neural Network
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
본 연구는 합성곱신경망(CNN, Convolution Neural Network) 활용하여 한국과 일본의 해경함정 국적 분류를 위한 전문가시스템 구축에 관한 연구이다. 일본과 영유권 갈등을 겪고 있는독도 해역은 군의 감시가 약한 해역으로 일본 해경의 출현이 빈번한 만큼 해상경계를 위한 대책이 필요하다. 현재는 독도 근무자와 출동한 한국 해경함정에서 사람의 육안 또는 무선 교신으로일본 해경함정 여부를 식별하고 있다. 이는 원거리에서 해경함정의 국적을 식별할 수 없는 단점이 있고 대응이 느리다. 따라서 본 연구에서는 이를 보강하기 위해 영상장비에서 얻은 영상정보에 CNN을 적용하여 한국 해경함정과 일본 해경함정을 식별하는 전문가시스템에 대해 연구하였다. 제안하는 전문가시스템은 CNN을 기반으로 구축되었고, 정확도는 훈련 및 검증 데이터에95%이상, 테스트 데이터에 86.25%를 보였다. 본 연구의 결과를 기초로 모델의 성능을 더욱향상시키면 독도 해역에 신속하고 정확한 해상경계의 향상이 있을 것으로 기대된다.
Abstract
This study is about an expert system for nationality classification of coast guard ship in Korea or Japan using the convolution neural network (CNN). Dokdo Sea area, which is experiencing territorial disputes with Japan, is a sea area where military surveillance is weak, and the appearance of the Japan coast guard ships is frequent, it is necessary to improve maritime surveillance. Currently, dispatched with Dokdo workers, identifies coast guard ship by human or wireless communication. This has the disadvantage of not being able to discern the nationality of coast guard ship from a long distance, and the response is slow. Therefore, in this study, to reinforce this, we applied CNN to the image information obtained from the imaging equipment, and studied the construction of an expert system that identifies coast guard ship belonging to the Korean coast guard and the Japan coast guard. The proposed classification model was built based on CNN, and accuracy was 95% for training and verification data and 86.25% for test data. Based on the results of this study, if the performance of the model is further improved, it is expected that a fast and accurate maritime surveillance will be possible in Dokdo Sea area.
참고문헌 (13)
- 고성제, "딥러닝을 이용한 객체분류 및 검출 기술", 전자공학회지, 44(11), pp.26~33 (2017)
- 김광현, "Faster R-CNN을 이용한 해양에서의 선박 검출", 정보 및 제어 논문집, pp.158~159 (2017)
- 김유림, "합성곱신경망 기반 한국군 및 일본군 주력전차 판별 시스템", 한국시뮬레이션학회 학술대회 논문집, pp.45~45 (2019)
- 김태완, "합성곱 신경망을 이용한 헬기 피아식별 모형 연구", 한국컴퓨터정보학회논문지, 25(3), pp.33~42 (2020), 한국컴퓨터정보학회[DOI]
- 심민섭, "합성곱신경망 기반의 미국 및 중국의 주력전차 식별 시스템", 제11회 육군 M&S 국제학술세미나, pp.162~163 (2018)
- 윤상철, "4차 산업혁명시대에서의 디지털 무역과 무역보험", 산업연구, 43(2), pp.73~90 (2019), 미래산업연구소
- 최대욱, "야간 및 저시정 해양환경을 고려한 인공신경망 기반의 선박 분류 향상에 관한 연구", 한국CDE학회 논문집, 24(3), pp.320~328 (2019), 한국CDE학회[DOI]
- 프랑소와 숄레, "케라스 창시자에게 배우는 딥러닝" (2019), 길벗
- A. Krizhevsky, "ImageNet classification with deep convolutional neural networks" (2012), Proc. NIPS.
- C. Szegedy, "Wojna. 2016. Rethinking the inception architecture for computer vision", Proc. CVPR (2016)
- K. He, "Deep residual learning for image recognition", Proc. CVPR (2016)
- K. Simonyan, "Very deep convolutional networks for large-scale image recognition", Proc. ICLR (2015)
- Yann LeCun, "Backpropagation Applied to Handwritten Zip Code Recognition", Neural Computation(MIT),, 1, pp.541~551 (1989)