leeeunch/nationalpark_project

딥러닝 기술을 이용한 유해동물 퇴치 알림 서비스

이 서비스는 국립 공원 공단과 협업 프로젝트를 진행하여 만든 서비스입니다.

1. 프로젝트 배경

위 기사는 농가의 야생동물 피해 관련 기사들입니다. 이 기사들에서 국립 공원에서 야생동물로 인한 피해가 극심하다는 것을 알게 되었습니다. 그 중 2021년 을주군에선 "6천만원"의 예산을 편성했고, 그 외에도 매해 유해 야생동물로 인한 피해액은 "120억여원"으로 매우 크다는 것을 알 수 있습니다.

위의 그래프는 환경부에서 얻어낸 동물별 농작물 피해보상액을 그래프로 시각화 한것입니다. 단위는 백만원으로 유해동물로 인한 피해의 대부분이 멧돼지와 고라니에 편향되어 있는 것을 발견했습니다.

이런 문제점을 해결한 사례가 있나 찾아보던 중, "이지워치"라는 서비스를 알게 되었습니다. "이지워치"는 현재 국립 공원 공단에서 실제로 사용 중이며 카메라 반경 안에 일정한 무게가 넘는 생물체가 움직이는 것이 확인되면 호랑이 울음소리를 냄으로서 야생동물을 내쫓는 시스템입니다.

하지만 "이지워치"에도 3가지 문제점이 있었습니다. 첫 번째로 기계하나에 99만원으로 가격적으로 부담이 있었기 때문에 가격적인 측면을 줄이도록 했습니다. 두 번째로는 한가지 경고음만을 사용해 야생동물이 이에대해 학습해서 내성이 생길만한 여지가 있기 때문에 여러가지 경고음으로 내성이 생기지 않도록 했습니다. 세 번째는 이 프로젝트를 진행한 가장 큰 이유입니다. 국립공원공단 담당자님께 들은바로 25kg 이상의 열이나는 물체를 감지만 하면 호랑이 소리를 짖어내는 바람에 소리가 나오는 횟수가 너무 많아져 소음으로 인한 민원이 많이 생긴다고합니다. 저희는 이러한 소음문제를 해결하기위해 딥러닝을 이용하여 유해동물중 가장 많은 피해를 주는 “멧돼지와 고라니”를 인식하는 퇴치 서비스를 고안하게 되었습니다.

2. 프로젝트 진행 방향

저희는 실시간 영상처리를 어떤 객체인식 시스템을 이용해야할지에 대한 고민을 하게되었습니다. 많은 객체인식 시스템이 있었지만 크게 메가디텍터와 욜로 두가지에대해 고민하게 되었습니다. 결론적으로 메가디텍터는 높은 정확도를 보장하지만 20초짜리 영상을 처리하는데 2분이 걸린다는 사실을 알게되었습니다. 그에반해 욜로의 경우 1분의 영상을 처리하는데 40초가 걸려 실시간 리얼 타임 객체인식에 문제가 없다는 것을 확인했습니다. 겹쳐진 사물의 구분이 힘듦다는 단점 또한 확인 할 수 있었습니다. 하지만 저희는 유해동물을 인식하는것에 중점이 있기때문에 사물구분이 안된다는 부분에선 단점이 되지 않는다 생각하였습니다. 그렇기 때문에 저희는 yolo 모델을 사용하게 되었습니다.

그중에서도 yolo모델의 다양한 종류중에 무엇을 사용할까에 대한 토의를 했습니다. 위 그래프는 바의 길이가 길수록 속도가 “느려지며” 정확도가 향상되는것을 나타냅니다. 저희는 실시간으로 유해동물을 발견하는것을 가장 중점으로 뒀기도 했고 yolo5s 모델이 어느정도 정확도를 보장한다는것을 확인해서 이 yolov5s 모델을 사용하개 되었습니다.

선택한 모델에 활용한 데이터에 대해 설명드리겠습니다. 프로젝트를 선정하기전, 국립공원공단으로부터 많은 사진 데이터를 제공 받았습니다. 종류는 사진 데이터, 동영상 데이터, 라벨링 데이터로 사진데이터와 라벨링 데이터는 모델 학습에 사용했으며 동영상데이터는 모델의 성능을 평가하는데 사용하였습니다.

다음으로 앞서 설명한 라벨링 데이터에 대해서 구체적으로 설명 드리겠습니다. 모델에 멧돼지를 학습시키기 위해서는 멧돼지를 인식시켜주는 빨간색 바운딩 박스가 필요합니다. 라벨링 데이터라는것은 사진에서 바운딩박스가 사진상에 어떤 좌표값에 위치해 있는지 알려주는 데이터라고 보시면 될 것 같습니다.

저희는 데이터 전처리를 하는도중 두가지 문제에 직면했었습니다.

첫 번째 문제는 라운딩 박스 처리 관련 문제였습니다. 멧돼지 고라니 사진을 검수하여 많은 사진을 얻었습니다. 하지만 사진과 같이 바운딩박스가 근본적으로 잘못 처리된 사진을 확인했습니다. 그러한 사진을 제거하여 최종적으로 멧돼지 사진 약 4800장, 고라니 사진 약 4700장을 취득했습니다.

두 번째 문제는 객체 인식이 제대로 되지 않는 문제였습니다. train data set에 있는 사진 데이터들의 라벨링이 제대로 되어 있지 않아 훈련이 제대로 진행되지 않았습니다. YOLOv5 trian image 확인 결과 bbox의 위치가 잘못됨을 인지하였습니다. 제공받은 메가디테텍터의 바운딩박스는 맨 왼쪽 좌표를 기분으로 너비와 높이가 기록되어 있었으나, YOLOv5의 바운딩 박스는 중심 좌표를 기준으로 너비와 높이를 기록하는 차이점으로 인해 발생한 문제점이였습니다. 이 문제점을 해결하기 위하여 사진의 바운딩 박스 좌표 값과 크기 값을 불러와 재계산하였습니다.

모델링을 진행하는 과정에서도 한 가지 문제점에 직면하였습니다. 멧돼지와 고라니 두 종류로 훈련을 진행하자, 사람 얼굴을 멧돼지나 고라니로 오인식하는 문제점이였습니다. 이 때 멧돼지, 고라니와 더불어 사람 얼굴도 추가로 학습하여 해결하였습니다.

3. 모델 선정 이유

저희는 모델 평가 기준으로 F1 score를 사용하였습니다.