표제지
국문초록
목차
제1장 서론 12
제1절 연구의 배경 및 목적 12
제2절 선행 연구 17
1. 객체 탐지 관련 연구 17
2. 객체 크기 추정 관련 연구 19
제3절 연구개요 및 구성 체계 21
제2장 이론적 배경 및 연구동향 22
제1절 굴뚝 기반 대기질 관리 22
1. 굴뚝과 대기오염의 연관성 22
2. 대기배출원관리시스템 23
제2절 위성 기반 대기질 관리 24
1. 위성 원격탐사 24
2. 위성 기반 대기질 관리 시스템 25
제3절 딥러닝 기법 27
1. 영상 기반 딥러닝 기법 29
2. 객체 탐지를 위한 딥러닝 기법 30
3. 크기 추정을 위한 딥러닝 기법 32
제3장 연구 자료 33
제1절 연구 자료 개요 33
제2절 연구 자료 생성 36
1. 데이터 수집 37
2. 데이터 정제 38
3. 데이터 가공 39
제4장 딥러닝 기반의 굴뚝 위치 탐지 41
제1절 연구 방법 41
1. 학습 데이터 구축 43
2. 굴뚝 탐지 모델 학습 49
3. 모델 검증 및 성능 평가 52
제2절 연구 결과 54
1. 굴뚝 탐지 데이터 제작 결과 54
2. 굴뚝 탐지 모델 성능 평가 57
제3절 요약 및 토론 65
제5장 딥러닝 기반의 굴뚝 크기 추정 67
제1절 연구 방법 67
1. 학습 데이터 구축 69
2. 굴뚝 크기 추정 모델 학습 73
3. 모델 검증 및 성능 평가 76
4. 예측된 굴뚝 크기 보정 78
제2절 연구 결과 80
1. 굴뚝 크기 추정 데이터 제작 결과 80
2. 굴뚝 크기 추정 모델 성능 평가 82
제3절 요약 및 토론 94
제6장 결론 96
참고문헌 99
ABSTRACT 105
표 1-1. 국내외 미세먼지 환경기준 13
표 2-1. 대기오염물질 배출사업장 분류기준 및 현황 23
표 3-1. 대한민국형 다목적실용위성의 종류 및 운용 현황 33
표 3-2. 다목적실용위성 3호 및 3A호의 주요 제원 35
표 4-1. YOLOv8 모델 학습에 사용된 하이퍼파라미터 51
표 4-2. 혼동 행렬(confusion matrix) 52
표 4-3. 굴뚝 탐지 데이터 수량 54
표 4-4. 데이터 불균형 해소에 따른 굴뚝 탐지 모델 성능 57
표 4-5. 촬영 국가에 따른 굴뚝 탐지 모델 성능 58
표 4-6. 센서 종류에 따른 굴뚝 탐지 모델 성능 63
표 4-7. 센서 종류 및 촬영 국가에 따른 굴뚝 탐지 모델 성능 64
표 5-1. ResNet의 다양한 구조 74
표 5-2. ResNet 모델 학습에 사용된 하이퍼파라미터 75
표 5-3. 굴뚝 높이 및 직경 추정 데이터 수량 81
표 5-4. 모델 구조에 따른 굴뚝 크기 추정 모델 성능 82
표 5-5. 모델 구조에 따른 굴뚝 높이 및 직경 값의 분포: (a) ResNet-18, (b) ResNet-34, (c) ResNet-50, (d) ResNet-101, (e) ResNet-152 83
표 5-6. 데이터 불균형 해소 전후 굴뚝 크기 추정 모델의 성능 변화 86
표 5-7. 촬영 국가에 따른 굴뚝 크기 추정 모델 성능 87
표 5-8. 촬영 국가 및 센서 종류에 따른 굴뚝 크기 추정 모델 성능 89
그림 1-1. 2015년~2022년 등급별 전국 초미세먼지 농도 변화 13
그림 2-1. 정지궤도 환경 위성 산출물 에어로졸 광학두께 영상 26
그림 2-2. 전통적인 프로그래밍과 머신러닝의 구조적 차이 27
그림 2-3. 은닉층이 하나인 인공신경망 구조 28
그림 2-4. 인공지능, 머신러닝, 딥러닝, 컴퓨터 비전의 관계 29
그림 3-1. 연구 자료 생성 흐름도 37
그림 3-2. 원시데이터와 원천데이터의 비교: (A) 원시데이터, (a-c) 원천데이터 38
그림 3-3. 굴뚝 높이 및 직경 측정 예시: (A) 원천데이터 확대 영상, (a) 굴뚝 높이 및 직경 측정 예시 40
그림 4-1. 딥러닝 기반의 굴뚝 위치 탐지 연구 흐름도 42
그림 4-2. 딥러닝 학습을 위한 패치 제작 과정: (a) 일반적인 패치 제작 방법, (b) 굴뚝 위치 기반의 패치 제작 방법 44
그림 4-3. YOLO 기반의 바운딩 박스 데이터 제작 과정 46
그림 4-4. 데이터 불균형 해결을 위한 오버샘플링 적용 과정 48
그림 4-5. YOLOv8 모델의 구조 50
그림 4-6. 굴뚝 탐지를 위한 학습 데이터: (a) 대한민국-3호 영상, (b) 대한민국-3A호 영상, (c) 태국-3호 영상, (d) 태국-3A호 영상 56
그림 4-7. 태국 굴뚝의 위치를 올바르게 예측한 영상: (a1-c1) 굴뚝 위치 참값, (a2-c2) 모델 예측 결과 59
그림 4-8. 태국 굴뚝의 위치를 미탐지한 영상: (a1-c1) 굴뚝 위치 참값,(a2-c2) 모델 예측 결과, (A-C) 미탐지 굴뚝 확대 영상 60
그림 4-9. 대한민국 굴뚝의 위치를 미탐지한 영상: (a1, b1) 굴뚝 위치 참값, (a2, b2) 모델 예측 결과, (A, B) 미탐지 굴뚝 확대 영상 61
그림 4-10. 대한민국 작은 굴뚝의 위치를 미탐지한 영상: (a1, b1) 굴뚝 위치 참값, (a2, b2) 모델 예측 결과, (A, B) 미탐지 굴뚝 확대 영상 62
그림 5-1. 딥러닝 기반의 굴뚝 크기 추정 연구 흐름도 68
그림 5-2. 굴뚝 크기 추정을 위한 데이터 패치화 과정 69
그림 5-3. 불균형한 굴뚝 높이 데이터 분포 71
그림 5-4. 기본 잔여 블록과 병목 잔여 블록의 구조: (a) Basic Block, (b) BottleNeck Block 75
그림 5-5. 굴뚝 크기 보정 수식 도출 과정 78
그림 5-6. 최적 군집 수 결정을 위한 Elbow Method 적용 결과 80
그림 5-7. 클래스 분류 기준 설정을 위한 K-means Clustering 결과 81
그림 5-8. 데이터 불균형 해소 전후 굴뚝 높이 및 직경 값의 분포: (a) 불균형 데이터 굴뚝 높이, (b) 불균형 데이터 굴뚝 직경, (c) 균형 데이터 굴뚝 높이,... 86
그림 5-9. 촬영 국가에 따른 굴뚝 높이 및 직경 값의 분포: (a) 대한민국 굴뚝 높이, (b) 대한민국 굴뚝 직경, (c) 태국 굴뚝 높이, (d) 태국 굴뚝 직경 88
그림 5-10. 센서 종류에 따른 굴뚝 높이 및 직경 값의 분포: (a) 3호 굴뚝 높이, (b) 3호 굴뚝 직경, (c) 3A호 굴뚝 높이, (d) 3A호 굴뚝 직경 90
그림 5-11. 센서 종류에 따른 대한민국 굴뚝 높이 및 직경 값의 분포: (a) 3호 굴뚝 높이, (b) 3호 굴뚝 직경, (c) 3A호 굴뚝 높이, (d) 3A호 굴뚝 직경 91
그림 5-12. 센서 종류에 따른 태국 굴뚝 높이 및 직경 값의 분포: (a) 3호 굴뚝 높이, (b) 3호 굴뚝 직경, (c) 3A호 굴뚝 높이, (d) 3A호 굴뚝 직경 92
그림 5-13. 크기 보정 수식 적용에 따른 굴뚝 높이 분포: (a) 보정 전, (b) 보정 후 93