KR101866617B1 - 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템 - Google Patents

해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템 Download PDF

Info

Publication number
KR101866617B1
KR101866617B1 KR1020150115667A KR20150115667A KR101866617B1 KR 101866617 B1 KR101866617 B1 KR 101866617B1 KR 1020150115667 A KR1020150115667 A KR 1020150115667A KR 20150115667 A KR20150115667 A KR 20150115667A KR 101866617 B1 KR101866617 B1 KR 101866617B1
Authority
KR
South Korea
Prior art keywords
jellyfish
image
robot
distribution
neural network
Prior art date
Application number
KR1020150115667A
Other languages
English (en)
Other versions
KR20170021176A (ko
Inventor
명현
김한근
김동훈
정성욱
구정모
Original Assignee
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020150115667A priority Critical patent/KR101866617B1/ko
Publication of KR20170021176A publication Critical patent/KR20170021176A/ko
Application granted granted Critical
Publication of KR101866617B1 publication Critical patent/KR101866617B1/ko

Links

Images

Classifications

    • G06K9/00771—
    • G06K9/32—
    • G06K9/6232—

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템이 제시된다. 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법은 무인 정찰기에 장착된 이미지 센서를 이용하여 이미지를 인식하는 단계; 상기 이미지에서 노이즈를 제거하고 해파리를 강조하기 위한 전처리 과정을 수행하는 단계; 상기 이미지에서 객체 이미지를 추출하는 단계; 및 상기 객체 이미지를 컨볼루션 신경망의 입력으로 사용하여 해파리 인식 결과를 출력하는 단계를 포함할 수 있다.

Description

해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템{Jellyfish Distribution Recognition Method and Systems for Operating Effectively Jellyfish Removal Type of Robot Systems}
아래의 실시예들은 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템에 관한 것이다. 더욱 상세하게는, 해파리의 발견 및 분포에 따라 경고 및 방재를 알리고 해파리 퇴치 로봇을 이용하여 해파리를 퇴치 가능한 해파리 분포 인식 방법 및 시스템에 관한 것이다.
최근 급증하는 해파리로 인해 해양 산업에 막대한 피해가 발생하고 있고, 한국에서도 매년 60억 원 이상의 경제적 손실을 입는 것으로 추정된다. 특히, 환경오염이 원인이 되어 원양에서 서식하는 해파리가 근해로 접근하여 주변 인근의 어획량이 갈수록 줄어들고 있다. 그물을 이용하여 조업을 하는 경우 그물에 많은 수의 해파리가 함께 포획되어 어민들은 해파리를 제거하기 위한 별도의 노동력을 투입하여야 할 뿐만 아니라, 그물이 파손되는 등 해파리로 인한 피해가 극심하게 나타나고 있다.
한국공개특허 10-2013-0076844호는 이러한 무인항공기를 활용한 해파리 및 이안류와 녹조감시방재시스템에 관한 것으로, 해파리 및 이안류와 녹조에 대한, 감시 및 촬영과 방재를 위한 무인항공기의 가용성과 활용성이 최대가 되도록 무인항공기 조종자가 스마트안경을 착용하여, 무인항공기에 대해서 실시간으로 촬영과 조정을 동시에 진행할 수 있도록 하는 스마트안경을 이용한 무인항공기 제어와 조종시스템을 제공에 관한 기술을 기재하고 있다. 그러나 해파리 및 녹조에 대한 감시를 수행할 뿐 해파리를 제거하는 방법은 제시되지 않았다.
실시예들은 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템에 관하여 기술하며, 보다 구체적으로 해파리의 발견 및 분포에 따라 경고 및 방재를 알리고, 해파리 퇴치 로봇을 이용하여 해파리를 퇴치 가능한 해파리 분포 인식 방법 및 시스템에 관한 기술을 제공한다.
실시예들은 무인 정찰기(Unmanned Aerial Vehicle, UAV)에 의해 자동적으로 해파리의 분포를 확인할 수 있고, 해파리의 위치를 전송받은 무인 수상정(Unmanned Surface Vehicle, USV)은 편대 및 경로 계획 알고리즘에 따라 자율적으로 목표 위치까지 도달하여 효율적으로 해파리를 퇴치할 수 있는 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템을 제공하는데 있다.
일 실시예에 따른 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법은 무인 정찰기에 장착된 이미지 센서를 이용하여 이미지를 인식하는 단계; 상기 이미지에서 노이즈를 제거하고 해파리를 강조하기 위한 전처리 과정을 수행하는 단계; 상기 이미지에서 객체 이미지를 추출하는 단계; 및 상기 객체 이미지를 컨볼루션 신경망의 입력으로 사용하여 해파리 인식 결과를 출력하는 단계를 포함한다.
여기서, 상기 해파리 인식 결과에서 상기 해파리가 인식되는 경우, 상기 무인 정찰기에 장착된 GPS에 의한 위치 정보를 관제 PC 및 적어도 하나 이상의 해파리 퇴치 로봇 중 적어도 하나 이상으로 무선 통신을 이용하여 송신하는 단계를 더 포함할 수 있다.
상기 무선 통신을 이용하여 송신하는 단계는, 상기 해파리 인식 결과에서 상기 해파리가 인식되는 경우, 상기 무인 정찰기에 장착된 GPS에 의한 위치 정보를 상기 적어도 하나 이상의 해파리 퇴치 로봇으로 무선 통신을 통해 송신하여, 상기 적어도 하나 이상의 해파리 퇴치 로봇을 상기 위치 정보에 따라 이동시켜 상기 해파리를 제거할 수 있다.
상기 무선 통신을 이용하여 송신하는 단계는, 상기 해파리 인식 결과에서 상기 해파리가 인식되는 경우, 상기 무인 정찰기에 장착된 GPS에 의한 위치 정보를 상기 관제 PC로 무선 통신을 이용하여 송신하는 단계; 상기 관제 PC에서 상기 위치 정보에 따른 목표 위치까지 도달하는 경로 계획을 상기 적어도 하나 이상의 해파리 퇴치 로봇으로 전송하는 단계; 및 상기 경로 계획에 따라 상기 적어도 하나 이상의 해파리 퇴치 로봇이 이동하여 상기 해파리를 제거하는 단계를 포함할 수 있다.
상기 객체 이미지를 추출하는 단계는, 슈퍼 픽셀 알고리즘을 이용하여 상기 이미지에서 비슷한 색상을 가진 픽셀을 그룹화하여 상기 객체 이미지를 추출하는 단계일 수 있다.
상기 해파리 인식 결과를 출력하는 단계는, 상기 객체 이미지를 상기 컨볼루션 신경망의 입력으로 사용하는 단계; 및 상기 컨볼루션 신경망의 출력을 일정 시간 동안의 누적 결과로 합산하여 상기 해파리 인식 결과를 출력하는 단계를 포함할 수 있다.
상기 적어도 하나 이상의 해파리 퇴치 로봇은, 복수의 무인 수상정들(Unmanned Surface Vehicle, USV)로 이루어지고, 상기 복수의 무인 수상정들에 장착된 비전 센서를 이용하여 일정 범위 내에서 상기 해파리를 인식하여 퇴치 작업을 수행하며, 효율적인 해파리 퇴치를 위하여 상기 복수의 무인 수상정들(USV)을 군집 제어 시스템을 이용하여 운용될 수 있다.
다른 실시예에 따른 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 시스템은 해상을 이동하며 이미지를 인식하는 이미지 센서; 상기 이미지에서 노이즈를 제거하고 해파리를 강조하기 위한 전처리 과정을 수행하는 전처리 필터; 상기 전처리 과정 후, 상기 이미지에서 객체 이미지를 추출하는 이미지 추출부; 및 상기 객체 이미지를 입력으로 사용하여 해파리 인식 결과를 출력하는 컨볼루션 신경망을 포함한다.
또 다른 실시예에 따른 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 시스템은 해상을 이동하며 이미지를 인식하는 이미지 센서와, 상기 이미지에서 노이즈를 제거하고 해파리를 강조하기 위한 전처리 과정을 수행하는 전처리 필터와, 상기 전처리 과정 후, 상기 이미지에서 객체 이미지를 추출하는 이미지 추출부와, 상기 객체 이미지를 입력으로 사용하여 해파리 인식 결과를 출력하는 컨볼루션 신경망, 및 상기 해파리 인식 결과에서 상기 해파리가 인식되는 경우, 상기 무인 정찰기에 장착된 GPS에 의한 위치 정보를 관제 PC 및 적어도 하나 이상의 해파리 퇴치 로봇 중 적어도 하나 이상으로 무선 통신을 이용하여 송신하는 무선 통신부를 포함하는 무인 정찰기; 및 상기 무인 정찰기로부터 상기 위치 정보를 수신하여 상기 위치 정보에 따른 목표 위치로 이동하고 상기 해파리를 제거하는 상기 적어도 하나 이상의 해파리 퇴치 로봇을 포함한다.
여기서, 상기 무인 정찰기로부터 상기 위치 정보를 수신하여, 상기 위치 정보에 따른 목표 위치까지 도달하는 경로 계획을 상기 적어도 하나 이상의 해파리 퇴치 로봇으로 전송하는 관제 PC를 더 포함할 수 있다.
상기 이미지를 추출부는, 슈퍼 픽셀 알고리즘을 이용하여 상기 이미지에서 비슷한 색상을 가진 픽셀을 그룹화하여 상기 객체 이미지를 추출할 수 있다.
상기 컨볼루션 신경망은, 상기 객체 이미지를 상기 컨볼루션 신경망의 입력으로 사용하고, 상기 컨볼루션 신경망의 출력을 일정 시간 동안의 누적 결과로 합산하여 상기 해파리 인식 결과를 출력할 수 있다.
상기 적어도 하나 이상의 해파리 퇴치 로봇은, 복수의 무인 수상정들(Unmanned Surface Vehicle, USV)로 이루어지고, 상기 복수의 무인 수상정들에 장착된 비전 센서를 이용하여 일정 범위 내에서 상기 해파리를 인식하여 퇴치 작업을 수행하며, 효율적인 해파리 퇴치를 위하여 상기 복수의 무인 수상정들(USV)을 군집 제어 시스템을 이용하여 운용될 수 있다.
실시예들에 따르면 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템을 이용하여 해파리의 발견 및 분포에 따라 경고 및 방재를 알릴 뿐 아니라, 해파리 퇴치 로봇을 이용하여 해파리를 퇴치 가능한 해파리 분포 인식 방법 및 시스템을 제공할 수 있다.
실시예들에 따르면 무인 정찰기(Unmanned Aerial Vehicle, UAV)에 의해 자동적으로 해파리의 분포를 확인할 수 있고, 해파리의 위치를 전송받은 무인 수상정(Unmanned Surface Vehicle, USV)은 편대 및 경로 계획 알고리즘에 따라 자율적으로 목표 위치까지 도달하여 효율적으로 해파리를 퇴치할 수 있는 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템을 제공할 수 있다.
도 1은 일 실시예에 따른 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 알고리즘을 개략적으로 나타내는 도면이다.
도 2는 일 실시예에 따른 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 시스템을 나타내는 블록도이다.
도 3은 일 실시예에 따른 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법을 나타내는 흐름도이다.
도 4는 일 실시예에 따른 해파리 분포 인식 과정의 예를 나타내는 도면이다.
이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
실시예들은 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템에 관하여 기술하며, 보다 구체적으로 해파리의 발견 및 분포에 따라 경고 및 방재를 알리고, 해파리 퇴치 로봇을 이용하여 해파리를 퇴치 가능한 해파리 분포 인식 방법 및 시스템에 관한 기술을 제공한다.
실시예들은 무인 정찰기(Unmanned Aerial Vehicle, UAV)에 의해 자동적으로 해파리의 분포를 확인할 수 있고, 해파리의 위치를 전송받은 무인 수상정(Unmanned Surface Vehicle, USV)은 편대 및 경로 계획 알고리즘에 따라 자율적으로 목표 위치까지 도달할 수 있다. 효율적인 해파리 퇴치를 위하여 여러 대의 무인 수상정(USV)을 군집 제어 시스템으로 운용할 수 있다. 여기서, 무인 수상정(USV)은 해파리 퇴치 로봇(Jellyfish Elimination Robotic Swarm)이 될 수 있다.
실시예에 따르면 해파리의 발견 및 분포에 따라 경고 및 방재를 알릴 뿐만 아니라, 해파리 퇴치 로봇을 이용하여 해파리를 퇴치할 수 있다. 더 구체적으로, 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템은 무인 정찰기(Unmanned Aerial Vehicle, UAV)와 무인 수상정(Unmanned Surface Vehicle, USV)을 모두 이용하여 해파리의 분포 인식을 위한 효율적인 시스템을 운용할 수 있다.
도 1은 일 실시예에 따른 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 알고리즘을 개략적으로 나타내는 도면이다.
도 1을 참조하면, 해파리 분포 인식 알고리즘은 적어도 하나 이상의 해파리 퇴치 로봇(Jellyfish Elimination Robotic Swarm)(120)이 임무를 수행하기 전에, 무인 정찰기(Unmanned Aerial Vehicle, UAV)(110)가 해상을 촬영하고, 이 때 촬영된 영상과 GPS(Global Positioning System) 위치 정보를 이용하여 해파리 무리들(150)을 인식하고 퇴치 작업을 수행할 수 있다.
여기서, 해파리(150) 인식을 위해 무인 정찰기(110)로부터 촬영된 이미지를 입력으로 하여 노이즈와 해파리를 강조하기 위한 전처리 과정을 거칠 수 있다. 이후, 무인 정찰기(110)는 Simple Linear Iterative Clustering(SLIC) 슈퍼픽셀 알고리즘을 이용하여 입력 이미지에서 비슷한 색을 가진 픽셀을 그룹화하여 추출할 수 있다. 추출된 이미지들은 컨볼루션 신경망의 입력으로 사용하게 되고, 신경망의 출력 결과가 최종 해파리 인식 결과로 사용할 수 있다.
해파리 인식 결과에서 해파리가 인식되는 경우, 무선 통신을 이용하여 무인 정찰기(110)에 장착된 GPS에 의한 위치 정보를 관제 PC(130) 및 해파리 퇴치 로봇(120) 중 적어도 하나 이상으로 무선 통신을 이용하여 송신할 수 있다.
관제 PC(130)는 무선 통신을 이용하여 해파리 퇴치 로봇(120) 및 무인 정찰기(110)를 제어가 가능하다.
관제 PC(130)는 무인 정찰기(110)로부터 인식된 해파리의 위치 정보를 수신하여, 위치 정보에 따른 목표 위치까지 도달하는 경로 계획(140)을 세우고, 경로 계획(140)을 해파리 퇴치 로봇(120)으로 전송할 수 있다. 이에 따라 해파리 퇴치 로봇(120)은 상기의 경로 계획(140)을 따라 목표 위치로 이동하여 해파리(150)를 퇴치할 수 있다.
이와 같이, 일 실시예에 따르면 적어도 하나 이상의 해파리 퇴치 로봇(120)의 해파리 퇴치 효율을 높이기 위해, 해파리 퇴치 작업 전에 무인 정찰기(110)를 이용하여 해상에서 해파리(150) 분포와 위치를 인식할 수 있다. 해파리 분포 인식 알고리즘은 딥러닝 기법 중 하나인 컨볼루션 신경망 기반으로, 예컨대 경상남도 창원 마산만에서 촬영한 실험 영상을 이용하여 75% 이상의 인식률을 보인다.
일 실시예에 따른 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 시스템은 GPS, 이미지 센서, 전처리 필터, 이미지 추출부, 컨볼루션 신경망을 포함할 수 있다.
더 구체적으로 해상을 이동하며 위치 정보를 획득하는 GPS, 이미지를 인식하는 이미지 센서, 이미지에서 노이즈를 제거하고 해파리를 강조하기 위한 전처리 과정을 수행하는 전처리 필터, 전처리 과정 후, 이미지에서 객체 이미지를 추출하는 이미지 추출부, 및 객체 이미지를 입력으로 사용하여 해파리 인식 결과를 출력하는 컨볼루션 신경망을 포함하여 이루어질 수 있다.
여기서, 이미지를 추출부는 슈퍼 픽셀 알고리즘을 이용하여 이미지에서 비슷한 색상을 가진 픽셀을 그룹화하여 객체 이미지를 추출할 수 있다.
그리고 컨볼루션 신경망은 객체 이미지를 컨볼루션 신경망의 입력으로 사용하고, 컨볼루션 신경망의 출력을 일정 시간 동안의 누적 결과로 합산하여 해파리 인식 결과를 출력할 수 있다.
해파리 퇴치 로봇은 복수의 무인 수상정들(Unmanned Surface Vehicle, USV)로 이루어지고, 복수의 무인 수상정들에 장착된 비전 센서를 이용하여 일정 범위 내에서 해파리를 인식하여 퇴치 작업을 수행하며, 효율적인 해파리 퇴치를 위하여 복수의 무인 수상정들(USV)을 군집 제어 시스템을 이용하여 운용될 수 있다.
아래에서는 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 시스템에 대해 더 구체적으로 설명하기로 한다.
도 2는 다른 실시예에 따른 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 시스템을 나타내는 블록도이다.
도 2를 참조하면, 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 시스템(200)은 무인 정찰기(210) 및 해파리 퇴치 로봇(220)을 포함할 수 있다.
무인 정찰기(Unmanned Aerial Vehicle, UAV)(210)는 바다 위를 비행하며 이미지를 획득하여, 획득된 이미지로부터 해파리의 분포를 인식할 수 있다. 즉, 해파리 인식 알고리즘을 탑재한 무인 정찰기(210)가 특정 지역을 정찰할 수 있다.
이러한 무인 정찰기(210)는, 앞에서 설명한 바와 같이, GPS, 이미지 센서, 전처리 필터, 이미지 추출부, 컨볼루션 신경망을 포함할 수 있고, 해파리 퇴치 로봇(220)과 통신할 수 있는 무선 통신부를 더 포함하여 이루어질 수 있다.
더 구체적으로 무인 정찰기(210)는 바다 위를 비행 또는 운행하며, GPS(Global Positioning System)를 이용하여 위치 정보를 획득할 수 있다.
그리고 이미지 센서를 통해 이미지를 인식할 수 있다. 여기서 이미지 센서는 이미지 및 영상을 촬영하는 카메라 등이 될 수 있으며, 이미지를 인식할 수 있는 수단이 될 수 있다. 무인 정찰기(210)가 해상을 촬영하고, 이 때 촬영된 영상과 GPS 값을 이용하여 해파리 무리들을 인식할 수 있다.
무인 정찰기(210)를 이용하여 해상 이미지를 얻어오기 때문에 원하는 지역을 높은 해상도로 관찰할 수 있고, 단위 지역의 해파리 분포 정도를 확률적으로 파악할 수도 있다. 기존에는 위성 사진을 이용하여 흐린 날 등에는 적용되기 어려워 날씨의 제약이 크지만, 무인 정찰기(210)를 이용하여 이미지를 얻기 때문에 비교적 날씨의 제약이 적다.
전처리 필터는 이미지에서 해파리 인식률을 향상시키기 위해 이미지의 노이즈를 제거하고 해파리를 강조하기 위한 전처리 과정을 수행할 수 있다.
전처리 과정 후, 이미지 추출부에서 이미지에서 객체 이미지를 추출할 수 있다. 이미지를 추출부는 슈퍼 픽셀 알고리즘을 이용하여 이미지에서 비슷한 색상을 가진 픽셀을 그룹화하여 객체 이미지를 추출할 수 있다.
객체 이미지의 추출 후, 컨볼루션 신경망에서 객체 이미지를 입력으로 사용하여 해파리 인식 결과를 출력할 수 있다. 컨볼루션 신경망은 객체 이미지를 컨볼루션 신경망의 입력으로 사용하고, 컨볼루션 신경망의 출력을 일정 시간 동안의 누적 결과로 합산하여 해파리 인식 결과를 출력함으로써, 해파리의 분포를 인식할 수 있다.
여기서 해파리 인식 결과에서 해파리가 인식되는 경우, 무선 통신부는 무인 정찰기(210)에 장착된 GPS에 의한 위치 정보를 관제 PC(230) 및 적어도 하나 이상의 해파리 퇴치 로봇(220) 중 적어도 하나 이상으로 무선 통신을 이용하여 송신할 수 있다.
해파리 퇴치 로봇(220)은 적어도 하나 이상의 해파리 퇴치 로봇(220)으로 이루어지고, 무인 정찰기(210)로부터 위치 정보를 수신하여 위치 정보에 따른 목표 위치로 이동하고 해파리를 제거할 수 있다. 즉, 해파리 퇴치 로봇(220)은 해당 위치까지 자율 운항한 후, 해파리 무리를 제거할 수 있다.
그리고 해파리 퇴치 로봇(220)은 복수의 무인 수상정들(Unmanned Surface Vehicle, USV)로 이루어질 수 있다. 복수의 무인 수상정들에 장착된 비전 센서를 이용하여 일정 범위 내에서 해파리를 인식하여 퇴치 작업을 수행하며, 효율적인 해파리 퇴치를 위하여 복수의 무인 수상정들(USV)을 군집 제어 시스템을 이용하여 운용될 수 있다. 한편, 해파리 퇴치 로봇(220)은 평상시에는 대기 또는 개별 정찰을 수행할 수 있다.
추가적으로 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 시스템(200)은 관제 PC(230)를 더 포함할 수 있다.
관제 PC(230)는 무선 통신을 이용하여 해파리 퇴치 로봇(220) 및 무인 정찰기(210)를 제어가 가능하다.
관제 PC(230)는 무인 정찰기(210)로부터 인식된 해파리의 위치 정보를 수신하여, 위치 정보에 따른 목표 위치까지 도달하는 경로 계획을 세우고, 경로 계획을 적어도 하나 이상의 해파리 퇴치 로봇(220)으로 전송할 수 있다. 이에 따라 해파리 퇴치 로봇(220)은 상기의 경로 계획을 따라 목표 위치로 이동하여 해파리를 퇴치할 수 있다.
이와 같이 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 시스템(200)을 이용하여 해파리의 발견 및 분포에 따라 경고 및 방재를 알릴 수 있고, 해파리 퇴치 로봇을 이용하여 신속하게 해파리 무리를 퇴치 가능하다.
도 3은 일 실시예에 따른 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법을 나타내는 흐름도이다.
도 3을 참조하면, 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법은 도 2에서 설명한 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 시스템(200)을 이용하여 구체적으로 설명할 수 있다. 여기서, 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 시스템(200)은 무인 정찰기(210) 및 적어도 하나 이상의 해파리 퇴치 로봇(220)을 포함할 수 있다.
단계(310)에서, 무인 정찰기(210)는 해상 등을 이동하며 무인 정찰기(210)에 장착된 이미지 센서를 이용하여 이미지를 인식할 수 있다. 여기서 이미지 센서는 이미지 및 영상을 촬영하는 카메라 등이 될 수 있으며, 이미지를 인식할 수 있는 수단이 될 수 있다. 무인 정찰기(210)가 해상을 촬영하고, 이 때 촬영된 영상과 GPS 값을 이용하여 해파리 무리들을 인식할 수 있다.
무인 정찰기(210)를 이용하여 해상 이미지를 얻어오기 때문에 원하는 지역을 높은 해상도로 관찰할 수 있고, 단위 지역별로 해파리 분포 정도를 확률적으로 파악할 수 있다. 기존에는 위성 사진을 이용하여 흐린 날 등에는 적용되기 어려워 날씨의 제약이 크지만, 무인 정찰기(210)를 이용하여 이미지를 얻기 때문에 날씨의 제약이 적다.
단계(320)에서, 무인 정찰기(210)는 이미지에서 해파리 인식률을 향상시키기 위해 노이즈를 제거하고 해파리를 강조하기 위한 전처리 과정을 수행할 수 있다. 예를 들어, 해파리의 형태가 둥글고 명암이 주변에 비해 밝다는 특징 등을 이용하여 이미지를 필터링할 수 있다.
단계(330)에서, 무인 정찰기(210)는 이미지에서 객체 이미지를 추출할 수 있다. 연산량 감소 및 입력된 이미지 내에서 객체 이미지 추출을 위해서 슈퍼 픽셀 알고리즘을 이용할 수 있다. 슈퍼 픽셀 알고리즘은 이미지에서 비슷한 색상을 가진 픽셀을 그룹화하여 출력하는 알고리즘이다. 다시 말하면, 무인 정찰기(210)는 슈퍼 픽셀 알고리즘을 이용하여 이미지에서 비슷한 색상을 가진 픽셀을 그룹화하여 객체 이미지를 추출할 수 있다.
단계(340)에서, 무인 정찰기(210)는 추출된 객체 이미지를 컨볼루션 신경망의 입력으로 사용하여 해파리 인식 결과를 출력(350)할 수 있다.
더 구체적으로 무인 정찰기(210)는 객체 이미지를 컨볼루션 신경망의 입력으로 사용할 수 있다. 그리고 컨볼루션 신경망의 출력을 일정 시간 동안의 누적 결과로 합산하여 해파리 인식 결과를 출력함으로써, 해파리를 인식할 수 있다.
여기서 해파리 인식 결과에서 해파리가 인식되는 경우, 무인 정찰기(210)에 장착된 GPS(Global Positioning System)에 의한 위치 정보를 관제 PC(230) 및 적어도 하나 이상의 해파리 퇴치 로봇(220) 중 적어도 하나 이상으로 무선 통신을 이용하여 송신하는 단계를 더 포함할 수 있다.
적어도 하나 이상의 해파리 퇴치 로봇(220)은 해파리 퇴치를 위한 복수의 무인 수상정들(Unmanned Surface Vehicle, USV)로 이루어지고, 효율적인 해파리 퇴치를 위하여 복수의 무인 수상정들(USV)을 군집 제어 시스템을 이용하여 운용될 수 있다.
이러한 적어도 하나 이상의 해파리 퇴치 로봇(220) 은 자율 운항 및 편대 운용이 가능한 무인 수상정으로, 무인 수상정에 장착된 비전 센서를 이용하여 제한적인 범위 내에서 해파리를 인식하여 퇴치 작업을 수행할 수 있다. 즉, 무인 수상정은 비전 센서를 이용하여 수상에서 해수면 근처의 해파리 위치를 인식하고 해파리를 추적할 수 있다.
앞에서 설명한 바와 같이, 해파리 인식 결과에서 해파리가 인식되는 경우에 무인 정찰기(210)에 장착된 GPS에 의한 위치 정보를 관제 PC(230) 또는 적어도 하나 이상의 해파리 퇴치 로봇(220)으로 송신할 수 있다.
일 예로, 해파리 인식 결과에서 해파리가 인식되는 경우, 무인 정찰기(210)에 장착된 GPS에 의한 위치 정보를 적어도 하나 이상의 해파리 퇴치 로봇(220)으로 무선 통신을 통해 송신하여, 적어도 하나 이상의 해파리 퇴치 로봇(220)을 위치 정보에 따라 이동시킴으로써 해파리를 제거할 수 있다.
즉, 무인 정찰기(210) 통해 문제 인식이 되면, 무선 통신 등에 의해 이와 연동된 적어도 하나 이상의 해파리 퇴치 로봇(220)이 자동적으로 문제 해결 단계를 실행할 수 있다. 이에 따라 단위 지역의 해파리 분포 정도를 확률적으로 파악할 수 있다.
다른 예로, 해파리 인식 결과에서 해파리가 인식되는 경우, 무인 정찰기(210)에 장착된 GPS에 의한 위치 정보를 관제 PC(230)로 무선 통신을 이용하여 송신할 수 있다. 이에, 관제 PC(230)에서 위치 정보에 따른 목표 위치까지 도달하는 경로 계획을 적어도 하나 이상의 해파리 퇴치 로봇(220)으로 전송할 수 있다. 그리고 경로 계획에 따라 적어도 하나 이상의 해파리 퇴치 로봇(220)이 이동하여 해파리를 제거할 수 있다.
실시예들에 따르면 무인 정찰기에 의해 자동적으로 해파리의 분포를 확인할 수 있고, 해파리의 위치를 전송받은 해파리 퇴치 로봇(무인 수상정)은 편대 및 경로 계획 알고리즘에 따라 자율적으로 목표 위치까지 도달하여 효율적으로 해파리를 퇴치할 수 있다.
도 4는 일 실시예에 따른 해파리 분포 인식 과정의 예를 나타내는 도면이다.
도 4를 참조하면, 전처리 필터(410)와 컨볼루션 신경망(420)을 이용하여 획득한 이미지로부터 해파리 분포를 인식할 수 있다.
무인 정찰기로부터 촬영 등에 의해 획득한 이미지에서 해파리 인식률을 향상시키기 위해 전처리 필터(410)를 통과시킬 수 있다. 전처리 필터(410)는 노이즈를 제거하고 해파리를 강조하기 위한 전처리 과정을 수행할 수 있다. 예를 들어, 전처리 필터(410)는 해파리의 형태가 둥글고 명암이 주변에 비해 밝다는 특징 등을 이용하여 이미지를 필터링할 수 있다.
이후, 필터링된 이미지에서 객체 이미지를 추출할 수 있다. 연산량 감소 및 입력된 이미지 내에서 객체 이미지 추출을 위해서 슈퍼 픽셀 알고리즘을 이용할 수 있다. 슈퍼 픽셀 알고리즘은 이미지에서 비슷한 색상을 가진 픽셀을 그룹화하여 출력하는 알고리즘이다. 따라서 슈퍼 픽셀 알고리즘을 이용하여 이미지에서 비슷한 색상을 가진 픽셀을 그룹화하여 객체 이미지를 추출할 수 있다.
다음으로, 추출된 객체 이미지를 컨볼루션 신경망(420)의 입력으로 사용하여 해파리 인식 결과를 출력할 수 있다.
추출된 객체 이미지를 컨볼루션 신경망(420)의 입력으로 사용하고, 컨볼루션 신경망(420)의 출력을 일정 시간 동안의 누적 결과로 합산하여 해파리 인식 결과를 출력할 수 있다.
아래는 해파리 분포 인식 알고리즘의 성능을 확인하기 위한 실험 결과를 나타낸다.
해파리 분포 인식 알고리즘의 성능을 확인하기 위해, 경상남도 창원 마산만에서 촬영한 영상에서 추출되는 입력 이미지를 11가지 물체(해파리, 해면, 부표, 밧줄, 타이어, 해변, 선박 등)로 분류하여 컨볼루션 신경망을 학습하고, 같은 수의 분류로 생성된 별도의 실험 데이터를 이용하여, 표 1의 결과와 같은 인식 성능을 얻을 수 있다.
표 1은 해파리 인식 성능 결과를 나타낼 수 있다.
Figure 112015079563516-pat00001
표 1을 참조하면, 75%의 해파리 인식 성능을 확인할 수 있고, 해파리 이외의 10가지 분류는 94%의 인식 성능을 확인할 수 있다. 타 분류에 비해 해파리의 인식 성능이 떨어지는 이유는 강장동물에 속하는 해파리의 특성상 환경적인 영향에 매우 다양한 형태로 부유하고 있기 때문이다.
이상과 같이, 실시예들에 따르면 무인 정찰기를 이용하여 이미지를 획득하고, 획득한 이미지로부터 해파리 분포 인식 알고리즘을 적용하여 해파리 분포 여부를 확인함으로써, 해파리의 발견 및 분포에 따라 경고 및 방재를 알릴 수 있다. 또한, 무인 정찰기와 무선 통신에 의해 연동되는 해파리 퇴치 로봇을 이용하여 위치 정보를 전송함으로써, 편대 및 경로 계획 알고리즘에 따라 자율적으로 목표 위치까지 도달하여 효율적으로 해파리를 퇴치할 수 있다.
특히, 실시예들에 따르면 해파리 퇴치 로봇의 퇴치 효율을 높이기 위해서 무인 정찰기를 이용한 컨볼루션 신경망 기반의 해파리 분포 인식 알고리즘을 적용할 수 있다. 또한 해파리 분포의 인식 성능을 높이기 위해서 컨볼루션 신경망의 예측 신뢰성을 높일 수 있는 후처리 필터를 추가함으로써, 더욱 다양한 형태의 해파리 분포 데이터를 획득할 수도 있다. 그리고 해파리 분포 인식 알고리즘과 무인 정찰기 시스템과 결합하여, 최종적으로 해파리 분포 및 위치 인식 시스템 구현함으로써 효율적으로 해파리 무리를 제거할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
110, 210: 무인 정찰기
120, 220: 해파리 퇴치 로봇
200: 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 시스템

Claims (13)

  1. 무인 정찰기에 장착된 이미지 센서를 이용하여 이미지를 인식하는 단계;
    상기 이미지에서 노이즈를 제거하고 해파리를 강조하기 위한 전처리 과정을 수행하는 단계;
    상기 전처리 과정 후, 슈퍼 픽셀 알고리즘을 이용하여 상기 이미지에서 비슷한 색상을 가진 픽셀을 그룹화하여 객체 이미지를 추출하는 단계;
    상기 객체 이미지를 컨볼루션 신경망의 입력으로 사용하여 해파리 인식 결과를 출력하는 단계;
    상기 해파리 인식 결과에서 상기 해파리가 인식되는 경우, 상기 무인 정찰기에 장착된 GPS에 의한 위치 정보를 관제 PC로 무선 통신을 이용하여 송신하는 단계;
    상기 관제 PC에서 상기 위치 정보에 따른 목표 위치까지 도달하는 경로 계획을 해파리 분포 인식 방법에서 이용되는 적어도 하나 이상의 해파리 퇴치 로봇으로 전송하는 단계; 및
    상기 경로 계획에 따라 상기 적어도 하나 이상의 해파리 퇴치 로봇이 이동하여 상기 해파리를 제거하는 단계
    를 포함하는 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 해파리 인식 결과를 출력하는 단계는,
    상기 객체 이미지를 상기 컨볼루션 신경망의 입력으로 사용하는 단계; 및
    상기 컨볼루션 신경망의 출력을 일정 시간 동안의 누적 결과로 합산하여 상기 해파리 인식 결과를 출력하는 단계
    를 포함하는 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법.
  7. 제1항에 있어서,
    상기 적어도 하나 이상의 해파리 퇴치 로봇은,
    복수의 무인 수상정들(Unmanned Surface Vehicle, USV)로 이루어지고, 상기 복수의 무인 수상정들에 장착된 비전 센서를 이용하여 일정 범위 내에서 상기 해파리를 인식하여 퇴치 작업을 수행하며, 효율적인 해파리 퇴치를 위하여 상기 복수의 무인 수상정들(USV)을 군집 제어 시스템을 이용하여 운용되는 것
    을 특징으로 하는 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법.
  8. 삭제
  9. 해상을 이동하며 위치 정보를 획득하는 GPS와, 이미지를 인식하는 이미지 센서와, 상기 이미지에서 노이즈를 제거하고 해파리를 강조하기 위한 전처리 과정을 수행하는 전처리 필터와, 상기 전처리 과정 후, 슈퍼 픽셀 알고리즘을 이용하여 상기 이미지에서 비슷한 색상을 가진 픽셀을 그룹화하여 객체 이미지를 추출하는 이미지 추출부와, 상기 객체 이미지를 입력으로 사용하여 해파리 인식 결과를 출력하는 컨볼루션 신경망, 및 상기 해파리 인식 결과에서 상기 해파리가 인식되는 경우, 상기 GPS에 의한 위치 정보를 관제 PC로 무선 통신을 이용하여 송신하는 무선 통신부를 포함하는 무인 정찰기;
    상기 무인 정찰기로부터 상기 위치 정보를 수신하여, 상기 위치 정보에 따른 목표 위치까지 도달하는 경로 계획을 해파리 분포 인식 방법에서 이용되는 적어도 하나 이상의 해파리 퇴치 로봇으로 전송하는 관제 PC; 및
    상기 관제 PC로부터 상기 경로 계획을 수신하여 상기 경로 계획에 따라 목표 위치로 이동하고 상기 해파리를 제거하는 상기 적어도 하나 이상의 해파리 퇴치 로봇
    을 포함하는 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 시스템.
  10. 삭제
  11. 삭제
  12. 제9항에 있어서,
    상기 컨볼루션 신경망은,
    상기 객체 이미지를 상기 컨볼루션 신경망의 입력으로 사용하고, 상기 컨볼루션 신경망의 출력을 일정 시간 동안의 누적 결과로 합산하여 상기 해파리 인식 결과를 출력하는 것
    을 특징으로 하는 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 시스템.
  13. 제9항에 있어서,
    상기 적어도 하나 이상의 해파리 퇴치 로봇은,
    복수의 무인 수상정들(Unmanned Surface Vehicle, USV)로 이루어지고, 상기 복수의 무인 수상정들에 장착된 비전 센서를 이용하여 일정 범위 내에서 상기 해파리를 인식하여 퇴치 작업을 수행하며, 효율적인 해파리 퇴치를 위하여 상기 복수의 무인 수상정들(USV)을 군집 제어 시스템을 이용하여 운용되는 것
    을 특징으로 하는 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 시스템.
KR1020150115667A 2015-08-17 2015-08-17 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템 KR101866617B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150115667A KR101866617B1 (ko) 2015-08-17 2015-08-17 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150115667A KR101866617B1 (ko) 2015-08-17 2015-08-17 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20170021176A KR20170021176A (ko) 2017-02-27
KR101866617B1 true KR101866617B1 (ko) 2018-06-12

Family

ID=58315737

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150115667A KR101866617B1 (ko) 2015-08-17 2015-08-17 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR101866617B1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102020713B1 (ko) * 2017-10-20 2019-09-10 경희대학교 산학협력단 라이다 센서를 통해 획득한 해상 데이터의 필터링 장치 및 필터링 방법
KR102043509B1 (ko) * 2017-10-23 2019-11-11 한국과학기술원 해파리 수거, 인양 및 저장 장치
KR101888170B1 (ko) * 2017-11-16 2018-08-13 엘아이지넥스원 주식회사 무인 수상정의 장애물 탐지 시 노이즈 제거방법 및 장치
KR102489806B1 (ko) 2018-01-03 2023-01-19 삼성전자주식회사 청소용 이동장치, 협업청소 시스템 및 그 제어방법
CN108805844B (zh) * 2018-06-30 2021-10-08 合肥工业大学 一种基于先验滤波的轻量化回归网络构建方法
KR102199368B1 (ko) * 2018-12-28 2021-01-06 에코피스 주식회사 드론을 이용한 녹조제거 시스템
KR102169701B1 (ko) * 2019-02-26 2020-10-26 경기과학기술대학교 산학협력단 자율방식의 해양 쓰레기 수거 시스템
KR102269216B1 (ko) * 2019-09-03 2021-06-24 한국산업기술시험원 드론을 활용한 조류제거선의 운용방법
KR102366604B1 (ko) * 2020-02-04 2022-02-23 금오공과대학교 산학협력단 무인항공기를 이용한 동물 퇴치 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101532320B1 (ko) * 2014-04-18 2015-07-22 국방과학연구소 자율주행 무인차량에 탑재된 쌍안카메라를 이용한 동적물체 검출방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7499588B2 (en) * 2004-05-20 2009-03-03 Microsoft Corporation Low resolution OCR for camera acquired documents
KR20140031498A (ko) * 2012-09-03 2014-03-13 주식회사 에프나인 수상 구조로봇을 이용한 인명 구조시스템
KR20130076844A (ko) * 2013-06-18 2013-07-08 이상윤 무인항공기를 활용한 해파리 및 이안류와 녹조감시방재시스템
KR20150071694A (ko) * 2015-06-08 2015-06-26 노인철 드론을 이용한 수중 탐색 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101532320B1 (ko) * 2014-04-18 2015-07-22 국방과학연구소 자율주행 무인차량에 탑재된 쌍안카메라를 이용한 동적물체 검출방법

Also Published As

Publication number Publication date
KR20170021176A (ko) 2017-02-27

Similar Documents

Publication Publication Date Title
KR101866617B1 (ko) 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템
US11195038B2 (en) Device and a method for extracting dynamic information on a scene using a convolutional neural network
US11042755B2 (en) Method for foreign object debris detection
Nassar et al. A deep CNN-based framework for enhanced aerial imagery registration with applications to UAV geolocalization
WO2020052678A1 (en) Method and system for generating synthetic point cloud data using a generative model
US10002416B2 (en) Inventory, growth, and risk prediction using image processing
CN109387828B (zh) 自动检测和规避系统
CN106647805B (zh) 无人机自主飞行的方法、装置以及无人机
WO2009085233A2 (en) System and method for visually tracking with occlusions
Kim et al. Image-based monitoring of jellyfish using deep learning architecture
US20170068855A1 (en) Method and system for facilitating real time detection of linear infrastructural objects by aerial imagery
Sharma et al. Vision-based detection of power distribution lines in complex remote surroundings
US11804026B2 (en) Device and a method for processing data sequences using a convolutional neural network
Savva et al. ICARUS: Automatic autonomous power infrastructure inspection with UAVs
Chavez et al. Underwater vision-based gesture recognition: A robustness validation for safe human–robot interaction
Kim et al. Development of a UAV-type jellyfish monitoring system using deep learning
KR102388454B1 (ko) 시맨틱 분할을 이용한 소나무 재선충 확산 방지 시스템 및 방법
CN115327568A (zh) 基于PointNet网络的无人机集群实时目标识别方法、系统和地图构建方法
Jodas et al. A deep learning-based approach for tree trunk segmentation
Afridi et al. Flood rescue operations using artificially intelligent UAVs
Zhang PEDS-AI: A novel unmanned aerial vehicle based artificial intelligence powered visual-acoustic pest early detection and identification system for field deployment and surveillance
D’Souza et al. Effectiveness of a camera as a UAV mounted search sensor for target detection: An experimental investigation
Sung et al. Onboard pattern recognition for autonomous UAV landing
US11182672B1 (en) Optimized focal-plane electronics using vector-enhanced deep learning
CN112286230A (zh) 无人机视觉图像算法、避障步骤及其信息融合处理系统

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant