영상처리 기법 기반 겹친 넙치 객체 탐지를 위한 자동 라벨링 방법
(An Automatic Labeling Method for Overlapping Paralichthys olivaceus Object Detection based on Image Processing Technique)
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
수중 환경에서의 객체 탐지는 물체의 겹침, 노이즈, 조명 변화 등으로 인해 어려움이 있으며, 특히 넙치와 같은 수중 생물의 경우 수동 라벨링에 많은 시간과 노력이 필요하다. 본 논문에서는 이러한 문제를 해결하기 위해 영상처리 기법을 활용하여 넙치의 라벨링을 자동화하고 학습을 위한 데이터셋의 크기를 증가 방법을 제안한다. 제안한 방법은 모폴로지 연산과 외곽선 검출 방법을 적용하여 노이즈를 제거하고 객체의 테두리를 정확하게 추출하였으며, YOLOv8 모델을 사용하여 데이터셋의 크기와 학습 방법에 따른 성능 변화를 분석했다. 그 결과, 자동화된 이미지 전처리를 통해 데이터셋을 확대함으로써 겹침이 발생한 객체 탐지에서도 향상된 성능을 얻을 수 있었고, 수동 라벨링에 비해 시간적 효율성이 높음을 확인하였다.
Abstract
Detecting objects in underwater environments is challenging due to factors such as object overlap, noise, and lighting variations. In particular, labeling underwater organisms like Paralichthys olivaceus requires significant time and effort when done manually. To address these challenges, this paper proposes a method to automate the labeling of Paralichthys olivaceus using image processing techniques and to increase the size of the dataset for training. The proposed method applies morphological operations and contour detection to remove noise and accurately extract object boundaries. Additionally, the YOLOv8 model is used to analyze performance variations based on dataset size and training methods. The results demonstrate that expanding the dataset through automated image preprocessing improves object detection performance, even in cases of object overlap, and proves to be more time-efficient compared to manual labeling.
참고문헌 (14)
- N. O’Mahony, "Deep learning vs. traditional computer vision", Science and information conference, pp.128~144 (2019), Springer
- 강성왕, "OpenCV 기반 동영상에서 넙치의 객체 탐지 방법", 한국스마트미디어학회 춘계학술대회, pp.264~265 (2024)
- F. Ortiz, "Gaussian noise removal by color morphology and polar color models", International Conference Image Analysis and Recognition, pp.163~172 (2006)
- P. Soille, "Morphological Image Analysis: Principles and Applications" (2003), Springer-Verlag
- S. Suzuki, "Topological structural analysis of digitized binary images by border following", Computer Vision, Graphics, and Image Processing, 30(1), pp.32~46 (1985)
- J. Canny, "A computational approach to edge detection", IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(6), pp.679~698 (1986)
- C. Shorten, "A survey on image data augmentation for deep learning", Journal of Big Data, 6(1), pp.1~48 (2019)
- C. Fang, "Enhancing livestock detection : An efficient model based on YOLOv8", Applied Sciences, 14(11), pp.4809~ (2024)
- M. Everingham, "The Pascal Visual Object Classes(VOC)challenge", International Journal of Computer Vision, 88, pp.303~338 (2010)
- A. Althnian, "Impact of dataset size on classification performance : An empirical evaluation in the medical domain", Applied Sciences, 11(2), pp.796~ (2021)