KR102353336B1 - 인공 지능 모델을 이용하여 항만 구조물을 인식할 수 있는 전자 장치 및 전자 장치의 제어 방법 - Google Patents

Abstract

전자 장치 및 전자 장치의 제어 방법이 개시된다. 특히, 본 개시에 따른 전자 장치는 메모리 및 프로세서(120)를 포함하고, 프로세서(120)는 제1 이미지가 획득되면, 이미지에 포함된 항만 구조물을 인식하기 위한 신경망 모델에 제1 이미지를 입력하여 제1 이미지에 포함된 복수의 오브젝트를 식별하고, 식별 결과에 따른 신경망 모델의 인식률이 기 설정된 제1 임계 값 미만이면, 복수의 오브젝트 중 인식률에 관련된 방해 오브젝트를 식별하며, 메모리에 저장된 복수의 이미지 중 제1 이미지와의 유사도가 기 설정된 제2 임계 값 이상인 제2 이미지를 식별하고, 제1 이미지 및 제2 이미지에 기초하여 방해 오브젝트가 제거된 제3 이미지를 획득하며, 제3 이미지에 기초하여 신경망 모델을 학습시킨다.

Description

인공 지능 모델을 이용하여 항만 구조물을 인식할 수 있는 전자 장치 및 전자 장치의 제어 방법{ELECTRONIC DEVICE FOR RECOGNIZING PORT STRUCTURE BASED ON ARTIFICIAL INTELLIGENCE MODEL AND CONTROL METHOD THEREOF}

본 개시는 전자 장치 및 전자 장치의 제어 방법에 관한 것으로서, 구체적으로는 신경망 모델을 이용하여 항만 구조물을 인식할 수 있는 전자 장치 및 전자 장치의 제어 방법에 관한 것이다.

근래에는 현실 세계에 존재하는 자산을 디지털 세계로 투영하여 쌍둥이 모델을 구축하기 위한 디지털 트윈(Digital Twin)이 다양한 산업 분야에 적용되고 있다. 특히, 최근에는 항만 산업 분야에 있어서, 이미지에 포함된 항만 구조물을 정확하게 인식할 수 있는 신경망 모델을 구현하고, 그 신경망 모델을 이용하여 항만 구조물에 대한 디지털 트윈을 구축하고자 하는 시도가 계속되고 있다.

그런데, 국가보안 목표시설로 관리되고 24 시간 중단 없이 운영되는 항만 시설의 특성 상, 학습 데이터를 생성하기 위해 인적 또는 물적 자원을 투입하여 원천 데이터를 수집하는 과정에서 많은 어려움이 따르는 것이 현실이며, 수집된 학습 데이터의 양이 적은 경우 신경망 모델의 인식률과 정확도에는 한계가 따를 수밖에 없다.

한편, 종래 기술로서 한정적인 양의 데이터를 바탕으로 데이터 증강(data augmentation)을 수행하기 위한 다양한 기법이 존재하지만, 종래 기술의 경우 항만 구조물의 특성과 항만 구조물의 인식을 어렵게 만드는 구조적/환경적 요인을 고려하고 있지 않기 때문에, 항만 구조물의 인식을 위한 신경망 모델의 인식률을 높이는 데에는 한계가 있다고 지적되고 있다.

본 개시는 상술한 바와 같은 종래 기술의 한계를 극복하기 위한 것으로서, 본 개시의 목적은 항만 구조물의 인식을 위한 신경망 모델의 인식률을 높일 수 있는 전자 장치 및 전자 장치의 제어 방법을 제공함에 있다.

상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 전자 장치는 메모리 및 제1 이미지가 획득되면, 이미지에 포함된 항만 구조물을 인식하기 위한 신경망 모델에 상기 제1 이미지를 입력하여 상기 제1 이미지에 포함된 복수의 오브젝트를 식별하고, 상기 식별 결과에 따른 상기 신경망 모델의 인식률이 기 설정된 제1 임계 값 미만이면, 상기 복수의 오브젝트 중 상기 인식률에 관련된 방해 오브젝트를 식별하며, 상기 메모리에 저장된 복수의 이미지 중 상기 제1 이미지와의 유사도가 기 설정된 제2 임계 값 이상인 제2 이미지를 식별하고, 상기 제1 이미지 및 상기 제2 이미지에 기초하여 상기 방해 오브젝트가 제거된 제3 이미지를 획득하며, 상기 제3 이미지에 기초하여 상기 신경망 모델을 학습시키는 프로세서를 포함한다.

여기서, 상기 신경망 모델은 이미지에 포함된 오브젝트가 기 정의된 복수의 항만 구조물의 유형 또는 기 정의된 복수의 방해 오브젝트의 유형에 대응되는지 여부를 식별하도록 학습된 신경망 모델이며, 상기 프로세서는 상기 신경망 모델을 통해, 상기 복수의 오브젝트 중 상기 기 정의된 복수의 방해 오브젝트의 유형에 대응되는 오브젝트를 상기 방해 오브젝트로 식별할 수 있다.

한편, 상기 전자 장치는 센서를 더 포함하고, 상기 프로세서는 상기 센서를 통해 상기 제1 이미지의 획득 시간에 대응되는 기상 조건에 대한 정보를 획득하고, 상기 기상 조건에 대한 정보에 기초하여 상기 방해 오브젝트를 식별할 수 있다.

한편, 상기 프로세서는 상기 제1 이미지에서 서로 중첩된 복수의 오브젝트 중 가장 전면 레이어에 배치된 오브젝트를 상기 방해 오브젝트로 식별할 수 있다.

한편, 상기 프로세서는 상기 제1 이미지에서 상기 방해 오브젝트에 대응되는 제1 영역을 식별하고, 상기 제2 이미지에서 상기 제1 영역에 대응되는 제2 영역을 식별하며, 상기 제1 이미지의 제1 영역을 상기 제2 영역으로 대체함으로써 상기 방해 오브젝트가 제거된 제3 이미지를 획득할 수 있다.

한편, 상기 제2 이미지는 상기 신경망 모델의 학습을 위한 학습 데이터에 포함된 이미지이고, 상기 프로세서는 상기 제3 이미지가 획득되면, 상기 제3 이미지에 상기 제2 이미지에 대한 레이블 정보를 할당하여 상기 학습 데이터를 갱신할 수 있다.

한편, 상기 신경망 모델은 이미지에 포함된 복수의 영역 별로 상이한 가중치를 부여하여 이미지에 포함된 복수의 오브젝트를 인식하도록 학습된 신경망 모델이며, 상기 프로세서는 상기 제1 이미지에 상기 방해 오브젝트에 대응되는 영역의 가중치를 낮게 설정하기 위한 부가 정보를 결합하여 상기 학습 데이터를 갱신할 수 있다.

상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 전자 장치의 제어 방법은 제1 이미지가 획득되면, 이미지에 포함된 항만 구조물을 인식하기 위한 신경망 모델에 상기 제1 이미지를 입력하여 상기 제1 이미지에 포함된 복수의 오브젝트를 식별하는 단계, 상기 식별 결과에 따른 상기 신경망 모델의 인식률이 기 설정된 제1 임계 값 미만이면, 상기 복수의 오브젝트 중 상기 인식률에 관련된 방해 오브젝트를 식별하는 단계, 상기 전자 장치에 저장된 복수의 이미지 중 상기 제1 이미지와의 유사도가 기 설정된 제2 임계 값 이상인 제2 이미지를 식별하는 단계, 상기 제1 이미지 및 상기 제2 이미지에 기초하여 상기 방해 오브젝트가 제거된 제3 이미지를 획득하는 단계 및 상기 제3 이미지에 기초하여 상기 신경망 모델을 학습시키는 단계를 포함한다.

도 1은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 간략하게 나타내는 도면,
도2는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 상세하게 나타내는 도면,
도 3은 본 개시의 일 실시 예에 따른 제1 이미지를 예시적으로 나타낸 도면,
도 4는 본 개시의 일 실시 예에 따른 소프트웨어 모듈들을 나타내는 블록도, 그리고,
도 5는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 나타내는 흐름도이다.

본 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.

본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다.

덧붙여, 하기 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.

본 개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.

본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.

본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.

본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다.

대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.

실시 예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '모듈' 혹은 '부'를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.

한편, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다.

이하에서는 첨부한 도면을 참고하여 본 개시에 따른 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.

도 1은 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 간략하게 나타내는 도면이고, 도2는 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 상세하게 나타내는 도면이며, 도 3은 본 개시의 일 실시 예에 따른 제1 이미지를 예시적으로 나타낸 도면이다. 이하에서는 도 1 내지 도 3을 함께 참조하여 본 개시의 다양한 실시 예에 대해 설명한다.

도 1에 도시된 바와 같이, 본 개시에 따른 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함한다. 또한, 도 2에 도시된 바와 같이, 본 개시에 따른 전자 장치(100)는 센서(130), 통신부(150), 입력부(160) 및 출력부(170)를 더 포함할 수 있다. 그러나, 도 1 및 도 2에 도시된 바와 같은 구성들은 예시적인 것에 불과할 뿐이며, 본 개시를 실시함에 있어 도 1 및 도 2에 도시된 바와 같은 구성에 더하여 새로운 구성이 추가되거나 일부 구성이 생략될 수 있음은 물론이다.

본 개시에 따른 전자 장치(100)는 신경망 모델을 이용하여 항만 구조물을 인식할 수 있도록 구성된 장치로서, 본 개시에 따른 전자 장치(100)의 유형에 특별한 제한이 따르는 것은 아니다.

한편, 본 개시에 따른 '신경망 모델'은 신경망(neural network)을 포함하는 인공 지능 모델(artificial intelligence model)을 말하며, 딥러닝(deep learning)에 의해 학습될 수 있다. 특히, 본 개시에 따른 신경망 모델은 이미지에 포함된 복수의 오브젝트가 기 정의된 복수의 항만 구조물의 유형에 대응되는지 여부를 식별할 수 있도록 구성된 신경망 모델을 말한다. 그리고, 신경망 모델은 복수의 오브젝트가 복수의 항만 구조물의 유형에 대응되는지 여부에 대한 식별 결과로서, 복수의 오브젝트 별로 복수의 항만 구조물의 유형에 대응될 확률에 대한 정보를 출력할 수 있다.

본 개시에 따른 신경망 모델에 포함된 신경망은 CNN(Convolutional Neural Networks)과 같은 신경망일 수 있으며, 다만 이에 국한되는 것은 아니다. 한편, 신경망 모델은 전자 장치(100) 내부에 on-device 방식으로 구현될 수도 있으며, 서버와 같은 외부 장치 내부에 구현될 수도 있는바, 어떠한 경우에도 본 개시에 따른 적용 범위에 해당함은 물론이다.

메모리(110)에는 전자 장치(100)에 관한 적어도 하나의 인스트럭션(instruction)이 저장될 수 있다. 그리고, 메모리(110)에는 전자 장치(100)를 구동시키기 위한 O/S(Operating System)가 저장될 수 있다. 또한, 메모리(110)에는 본 개시의 다양한 실시 예들에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 프로그램이나 애플리케이션이 저장될 수도 있다. 그리고, 메모리(110)는 플래시 메모리(Flash Memory) 등과 같은 반도체 메모리나 하드디스크(Hard Disk) 등과 같은 자기 저장 매체 등을 포함할 수 있다.

구체적으로, 메모리(110)에는 본 개시의 다양한 실시 예에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 모듈이 저장될 수 있으며, 프로세서(120)는 메모리(110)에 저장된 각종 소프트웨어 모듈을 실행하여 전자 장치(100)의 동작을 제어할 수 있다. 즉, 메모리(110)는 프로세서(120)에 의해 액세스되며, 프로세서(120)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 한편, 본 개시에서 메모리(110)라는 용어는 메모리(110), 프로세서(120) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함하는 의미로 사용될 수 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 메모리(110)에는 신경망 모델에 대한 데이터, 제1 이미지, 제2 이미지, 제3 이미지, 기상 조건에 대한 정보, 방해 오브젝트에 대한 정보, 그리고, 이미지들에 대한 메타데이터 등이 저장될 수 있다. 여기서, 신경망 모델에 대한 데이터는 신경망 모델의 학습을 위한 학습 데이터를 포함할 수 있다. 제1 이미지, 제2 이미지, 제3 이미지, 기상 조건에 대한 정보, 방해 오브젝트에 대한 정보 등의 의미에 대해서는 후술한다.

이상에서 설명한 데이터 또는 정보 외에도, 본 개시의 목적을 달성하기 위한 범위 내에서 필요한 다양한 정보가 메모리(110)에 저장될 수 있으며, 메모리(110)에 저장된 정보는 전자 장치(100)에 의해 생성된 정보를 바탕으로 갱신될 수도 있고, 외부 장치로부터 수신되거나 사용자에 의해 입력됨에 따라 갱신될 수도 있다.

프로세서(120)는 전자 장치(100)의 전반적인 동작을 제어한다. 구체적으로, 프로세서(120)는 메모리(110), 센서(130), 통신부(150), 입력부(160) 및 출력부(170)를 포함하는 전자 장치(100)의 구성과 연결되며, 상술한 바와 같은 메모리(110)에 저장된 적어도 하나의 인스트럭션을 실행함으로써, 전자 장치(100)의 동작을 전반적으로 제어할 수 있다.

프로세서(120)는 다양한 방식으로 구현될 수 있다. 예를 들어, 프로세서(120)는 주문형 집적 회로(Application Specific Integrated Circuit, ASIC), 임베디드 프로세서, 마이크로 프로세서, 하드웨어 컨트롤 로직, 하드웨어 유한 상태 기계(hardware Finite State Machine, FSM), 디지털 신호 프로세서(Digital Signal Processor, DSP) 중 적어도 하나로 구현될 수 있다. 한편, 본 개시에서 프로세서(120)라는 용어는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 및 MPU(Main Processing Unit)등을 포함하는 의미로 사용될 수 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 프로세서(120)는 이하에서 상술하는 바와 같은 다양한 실시 예를 구현할 수 있도록 메모리(110)를 비롯한 전자 장치(100)의 구성들을 제어할 수 있다.

제1 이미지가 획득되면, 프로세서(120)는 이미지에 포함된 항만 구조물을 인식하기 위한 신경망 모델에 제1 이미지를 입력하여 제1 이미지에 포함된 복수의 오브젝트를 식별할 수 있다. 이하 본 개시를 설명함에 있어서, 제1 이미지라는 용어는 신경망 모델에 입력되는 임의의 이미지를 다른 이미지와 구별하여 특정하기 위한 용어로 사용된다. 제1 이미지는 전자 장치(100)에 포함된 카메라(140)릍 통해 획득된 이미지일 수도 있고, 외부 장치로부터 수신된 이미지일 수도 있다.

구체적으로, 제1 이미지가 입력되면, 신경망 모델은 제1 이미지에 포함된 복수의 오브젝트가 기 정의된 복수의 항만 구조물의 유형에 대응되는지 여부를 식별할 수 있다. 그리고, 신경망 모델은 복수의 오브젝트가 복수의 항만 구조물의 유형에 대응되는지 여부에 대한 식별 결과로서, 복수의 오브젝트 별로 복수의 항만 구조물의 유형에 대응될 확률에 대한 정보를 출력할 수 있다.

여기서, 항만 구조물의 유형은 크게 수역 시설, 외곽 시설, 계류 시설, 광범위의 항만 시설 및 항만 하역 시설 등으로 분류될 수 있다. 수역 시설은 선로(access channel), 박지(anchorage) 및 선회장을 포함할 수 있다. 외곽 시설은 방파제(break water), 방사제, 방조제, 제방, 호안(護岸), 수문(水門) 및 갑문(閘門) 등을 포함할 수 있다. 계류 시설은 펜더(fender), 계선주(bit, mooring post, bollard), 캡스턴/윈치(capstan/winch), 잔교(pier, 棧橋), 부잔교(floating landing stage, 浮棧橋)　및 계선 부표(繫船浮標) 등을 포함할 수 있다. 광범위의 항만시설은 부두(wharf, 埠頭), 창고(warehouse), 사일로 창고(silo warehouse), 상옥(transit shed), 임항철도(dock railway siding) 및 해분(basin) 등을 포함할 수 있다. 그리고, 항만 하역 시설은 부선(lighter), 기중기(crane) 및 벨트 컨베이어(belt conveyer) 등을 포함할 수 있다. 상술한 바와 같은 항만 구조물의 유형은 단지 예시적인 것일 뿐이다.

식별 결과에 따른 신경망 모델의 인식률이 기 설정된 제1 임계 값 미만이면, 프로세서(120)는 복수의 오브젝트 중 신경망 모델의 인식률에 관련된 방해 오브젝트를 식별할 수 있다. 여기서, 제1 임계 값은 신경망 모델의 인식률을 나타내는 지표 중 사용자 또는 개발자에 의해 설정된 값을 말하며, 확률 값 또는 손실(loss) 값 등에 기초하여 산출될 수 있다. 그리고, 제1 임계 값은 개발자 또는 사용자에 의해 변경될 수 있다.

구체적으로, 식별 결과에 따른 신경망 모델의 인식률이 기 설정된 제1 임계 값 이상이면, 제1 이미지에 포함된 항만 구조물이 만족할 수 있는 수준으로 인식되었다고 할 수 있으므로, 추가적인 신경망 모델의 학습 과정을 수행하지 않거나, 제1 이미지를 학습 데이터에 추가시킴으로써 학습 데이터를 갱신할 수 있다.

반면, 식별 결과에 따른 신경망 모델의 인식률이 기 설정된 제1 임계 값 미만이면, 프로세서(120)는 신경망 모델의 인식률 개선을 위해 복수의 오브젝트 중 인식률에 관련된 방해 오브젝트를 식별할 수 있다. 예를 들어, 식별 결과에 따른 신경망 모델의 인식률이 기 설정된 제1 임계 값 미만이라는 것은 제1 이미지에 포함된 복수의 오브젝트 중 복수의 항만 구조물의 유형에 대응될 확률이 소정의 값 이상인 오브젝트가 존재하지 않는 경우를 의미할 수 있다.

여기서, 방해 오브젝트란 제1 이미지에 포함된 복수의 오브젝트 중 어느 하나의 오브젝트가 다른 적어도 하나의 오브젝트가 항만 구조물로 인식되는 것을 방해할 때 그 방해의 원인이 되는 오브젝트를 말한다. 예를 들어, 방해 오브젝트는 제1 이미지 내에서 인식의 대상이 되는 항만 구조물의 전면에 배치된 다른 구조물과 같은 구조적인 요인에 의한 방해 오브젝트뿐만 아니라, 인식의 대상이 되는 항만 구조물 주변에 발생된 해무(海霧, sea fog)와 같은 환경적 요인에 의한 방해 오브젝트를 포함할 수 있다.

일 실시 예에 따르면, 프로세서(120)는 방해 오브젝트를 인식할 수 있는 신경망 모델을 이용하여 제1 이미지에 포함된 방해 오브젝트를 식별할 수 있다. 구체적으로, 프로세서(120)는 신경망 모델을 통해 복수의 오브젝트 중 기 정의된 복수의 방해 오브젝트의 유형에 대응되는 오브젝트를 식별할 수 있다.

여기서, 방해 오브젝트를 인식할 수 있는 신경망 모델은 항만 구조물을 인식할 수 있는 신경망 모델과 통합된 신경망 모델로 구현될 수도 있고, 별도의 신경망 모델로 구현될 수도 있다. 즉, 본 개시에 따른 신경망 모델은 이미지에 포함된 오브젝트가 기 정의된 복수의 항만 구조물의 유형에 대응되는지 여부뿐만 아니라, 이미지에 포함된 오브젝트가 기 정의된 복수의 방해 오브젝트의 유형에 대응되는지 여부도 식별할 수 있는 신경망 모델일 수도 있다. 방해 오브젝트를 인식할 수 있는 신경망 모델이 항만 구조물을 인식할 수 있는 신경망 모델과 통합된 신경망 모델로 구현되는 경우 통합된 신경망 모델은 end-to-end로 학습될 수 있다. 방해 오브젝트를 인식할 수 있는 신경망 모델이 항만 구조물을 인식할 수 있는 신경망 모델과 별도의 신경망 모델로 구현되는 경우에는 항만 구조물을 인식할 수 있도록 기 학습된 신경망 모델을 이용할 수 있다는 점에서 장점이 있다.

일 실시 예에 따르면, 프로세서(120)는 센서(130)를 통해 획득된 정보를 이용하여 제1 이미지에 포함된 방해 오브젝트를 식별할 수 있다. 여기서, 센서(130)는 온도 센서, 습도 센서 또는 풍량 센서 등과 같이 기상 조건에 대한 정보를 획득할 수 있는 다양한 종류의 센서를 포함할 수 있다. 프로세서(120)는 센서(130)를 통해 제1 이미지의 획득 시간에 대응되는 기상 조건에 대한 정보를 획득하고, 그 기상 조건에 대한 정보에 기초하여 제1 이미지에 포함된 방해 오브젝트를 식별할 수 있다. 예를 들어, 센서(130)를 통해 획득된 기상 조건에 대한 정보가 해무의 발생에 적합한 기상 조건을 나타내면, 프로세서(120)는 제1 이미지에 해무가 포함되어 있다는 점을 추정할 수 있으며, 그에 따라 제1 이미지에 방해 오브젝트인 해무가 포함되어 있는 것으로 식별할 수 있다.

한편, 프로세서(120)는 제1 이미지의 획득 시간에 대응되는 기상 조건에 대한 정보와 함께 제1 이미지의 획득 시간에 대한 정보를 이용하여 제1 이미지에 포함된 방해 오브젝트를 식별할 수 있다. 즉, 프로세서(120)는 제1 이미지의 획득 시간이 낮인지, 밤인지, 새벽인지 여부를 기상 조건에 대한 정보와 함께 고려함으로써 제1 이미지에 포함된 방해 오브젝트를 보다 명확하게 식별할 수 있다. 예를 들어, 제1 이미지의 획득 시간이 낮인 경우에는 태양광에 의해 반사되는 영역을 고려하여 방해 오브젝트를 식별할 수 있다.

일 실시 예에 따르면, 제1 이미지에 포함된 복수의 오브젝트 사이의 배치 관계에 기초하여 제1 이미지에 포함된 방해 오브젝트를 식별할 수도 있다. 구체적으로, 프로세서(120)는 제1 이미지에서 서로 중첩된 복수의 오브젝트 중 가장 전면 레이어에 배치된 오브젝트를 방해 오브젝트로 식별할 수 있다. 예를 들어, 제1 이미지에 포함된 오브젝트 A와 오브젝트 B가 서로 중첩된 경우, 프로세서(120)는 오브젝트 A 및 오브젝트 B 중 전면 레이어에 배치된 오브젝트를 식별하고, 전면 레이어에 배치된 오브젝트를 후면 레이어에 배치된 오브젝트의 인식률을 저하시킨 원인에 해당하는 방해 오브젝트로 식별할 수 있다.

이상에서 상술한 바와 같은 방해 오브젝트를 식별하기 위한 다양한 실시 예들은 서로 결합될 수도 있다. 즉, 프로세서(120)는 신경망 모델에 따른 식별 결과, 센서(130)를 통해 획득된 정보 및 복수의 오브젝트 사이의 배치 관계를 이용하여 제1 이미지에 포함된 방해 오브젝트를 식별할 수도 있음은 물론이다. 구체적으로, 프로세서(120)는 신경망 모델에 따른 식별 결과, 센서(130)를 통해 획득된 정보 및 복수의 오브젝트 사이의 배치 관계 각각에 관련된 스코어를 산출하고, 산출된 스코어의 가중합에 기초하여 제1 이미지에 포함된 방해 오브젝트를 식별할 수 있다.

도 3의 예시를 참조하면, 제1 이미지(310)는 오브젝트 A 및 오브젝트 B를 포함할 수 있다. 그리고, 프로세서(120)는 기 정의된 복수의 방해 오브젝트의 유형에 대응되는지 여부를 식별할 수 있는 신경망 모델을 통해 제1 이미지(310)에 포함된 방해 오브젝트로서 오브젝트 B를 식별할 수 있다. 또한, 프로세서(120)는 제1 이미지(310)의 획득 당시의 기상 조건에 대한 정보에 기초하여, 제1 이미지(310)의 획득 당시에 획득 장소의 주변에 해무가 발생된 상태라는 정보를 획득할 수 있다. 그리고, 프로세서(120)는 오브젝트 A 및 오브젝트 B 중 전면 레이어에 배치된 오브젝트 A를 방해 오브젝트로 식별하고, 오브젝트 B는 식별 대상인 오브젝트로 식별할 수 있다.

한편, 프로세서(120)는 메모리(110)에 저장된 복수의 이미지 중 제1 이미지와의 유사도가 기 설정된 제2 임계 값 이상인 제2 이미지를 식별할 수 있다. 여기서, 제2 임계 값은 이미지들 사이의 유사도를 나타내는 지표 중 사용자 또는 개발자에 의해 설정된 값을 말하며, 픽셀 값 또는 특징 값 등에 기초하여 산출될 수 있다. 그리고, 제2 임계 값은 개발자 또는 사용자에 의해 변경될 수 있다.

이하 본 개시를 설명함에 있어서, '제2 이미지'라는 용어는 메모리(110)에 저장된 복수의 이미지 중 제1 이미지와 유사한 이미지를 특정하기 위한 용어로 사용된다. 한편, 이하에서는 설명의 편의를 위해 하나의 제2 이미지를 식별하는 경우를 전제로 설명할 것이지만, 제2 이미지는 하나 또는 두 개 이상의 이미지를 의미할 수 있다.

일 예로서, 메모리(110)에 저장된 복수의 이미지는 신경망 모델의 학습을 위한 학습 데이터에 포함된 이미지를 포함할 수 있다. 또한, 복수의 이미지는 제1 이미지의 촬영 시간을 기준으로 기 설정된 시간 간격 내에 촬영된 이미지를 포함할 수 있으며, 예를 들어 복수의 이미지는 제1 이미지와 동일한 오브젝트를 다른 각도로 촬영함으로써 획득된 이미지일 수 있다.

구체적으로, 프로세서(120)는 이미지들의 픽셀 값에 기초하여 복수의 이미지와 제1 이미지 사이의 유사도에 대한 정보를 획득할 수 있다. 여기서, 유사도에 대한 정보는 이미지들의 서로 대응되는 위치의 픽셀에 대한 픽셀 값들끼리 비교함으로써 산출된 스코어일 수 있다. 한편, 유사도에 대한 정보는 입력된 이미지들의 특징 값들을 비교하여 유사도에 대한 스코어를 출력하도록 학습된 신경망 모델을 통해 획득될 수도 있다.

한편, 유사도에 대한 정보를 획득함에 있어서, 방해 오브젝트에 대응되는 픽셀 값들 또는 특징 값들을 포함하여 복수의 이미지와 비교할 것인지 여부는 실시 예에 따라 달라질 수 있다. 즉, 방해 오브젝트를 포함하는 제1 이미지 자체를 복수의 이미지와 비교하여 유사도에 대한 정보를 획득할 수 있을 뿐만 아니라, 방해 오브젝트에 대한 픽셀 값들 또는 특징 값들에 대한 가중치를 낮게 설정하거나, 제1 이미지에서 방해 오브젝트에 대한 픽셀 값들 또는 특징 값들을 제외한 채 복수의 이미지의 픽셀 값들 또는 픽셀 값들과 비교하여 유사도에 대한 정보를 획득할 수도 있다.

방해 오브젝트 및 제2 이미지가 식별되면, 프로세서(120)는 제1 이미지 및 제2 이미지에 기초하여 방해 오브젝트가 제거된 제3 이미지를 획득할 수 있다. 여기서, 제3 이미지는 제1 이미지 및 제2 이미지에 기초하여 새롭게 생성된 이미지를 지칭하기 위한 용어로 사용된다.

구체적으로, 프로세서(120)는 제1 이미지에서 방해 오브젝트에 대응되는 제1 영역을 식별하고, 제2 이미지에서 제1 영역에 대응되는 제2 영역을 식별하며, 제1 이미지의 제1 영역을 제2 영역으로 대체함으로써 방해 오브젝트가 제거된 제3 이미지를 획득할 수 있다. 여기서, 제1 영역의 위치/크기와 제2 영역의 위치/크기가 반드시 정확하게 일치하여야 하는 것은 아니고, 소정의 범위 내에서 일치하는 정도이면 제1 영역과 제2 영역이 서로 대응되는 것이라고 할 수 있다.

제1 이미지의 제1 영역을 제2 영역으로 대체하여 제3 이미지를 획득하는 과정에 있어서 이미지 합성에 관련된 다양한 기술이 적용될 수 있으며, 본 개시에 적용될 수 있는 이미지 합성 기술의 종류에 특별한 제한이 따르는 것도 아니다. 예를 들어, 본 개시에 따른 제3 이미지는 유사한 이미지들을 합성하여 새로운 이미지를 생성하도록 학습된 신경망 모델을 통해 획득될 수 있으며, 이 경우 신경망 모델은 GAN (Generative Adversarial Networks)과 같은 신경망을 포함할 수 있다.

다시 도 3의 예시를 참조하면, 프로세서(120)는 제1 이미지(310)에서 방해 오브젝트로 식별된 오브젝트 B에 대응되는 제1 영역을 식별하고, 제2 이미지에서 제1 영역에 대응되는 제2 영역을 식별하며, 제1 이미지(310)의 제1 영역을 제2 영역으로 대체함으로써 방해 오브젝트가 제거된 제3 이미지를 획득할 수 있다.

제3 이미지가 획득되면, 프로세서(120)는 제3 이미지에 기초하여 신경망 모델을 학습시킬 수 있다. 구체적으로, 프로세서(120)는 획득된 제3 이미지를 본 개시에 따른 신경망 모델에 입력하여 제3 이미지에 포함된 복수의 오브젝트가 복수의 항만 구조물의 유형에 대응되는지 여부를 식별할 수 있으며, 식별 결과에 기초하여 신경망 모델을 학습시킬 수 있다.

특히, 제2 이미지는 신경망 모델의 학습을 위한 학습 데이터에 포함된 이미지일 수 있다. 이 경우, 프로세서(120)는 제3 이미지가 획득되면, 제3 이미지에 제2 이미지에 대한 레이블 정보를 할당하여 학습 데이터를 갱신할 수 있다.

한편, 본 개시에 따른 신경망 모델은 이미지에 포함된 복수의 영역 별로 상이한 가중치를 부여하여 이미지에 포함된 복수의 오브젝트를 인식하도록 학습된 신경망 모델일 수 있다. 이 경우, 프로세서(120)는 제1 이미지에 식별된 방해 오브젝트에 대응되는 영역의 가중치를 낮게 설정하기 위한 부가 정보를 결합하여 학습 데이터를 갱신할 수도 있다.

센서(130)는 전자 장치(100) 내부 및 외부의 다양한 정보를 감지할 수 있다. 구체적으로, 센서(130)는 온도 센서, 습도 센서 및 풍량 센서 등과 같이 기상 조건에 대한 정보를 획득할 수 있는 센서를 포함할 수 있다. 또한, 센서는 GPS(Global Positioning System) 센서, 자이로 센서(130)(gyro sensor, gyroscope), 라이다 센서(lidar sensor) 등을 포함할 수도 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 센서(130)는 제1 이미지의 획득 시간의 온도, 습도 및 풍량 등에 대한 정보를 획득할 수 있으며, 그 밖에도 제1 이미지의 획득 당시의 기상 조건에 대한 다양한 정보를 획득할 수 있다.

카메라(140)는 적어도 하나의 오브젝트에 대한 이미지를 획득할 수 있다. 구체적으로, 카메라(140)는 이미지 센서(130)를 포함하고, 이미지 센서(130)는 렌즈를 통해 들어오는 빛을 전기적인 영상 신호로 변환할 수 있다. 특히, 본 개시에 따른 다양한 실시 예에 있어서, 프로세서(120)는 카메라(140)를 통해 본 개시에 따른 제1 이미지와 같은 다양한 이미지를 획득할 수 있다.

통신부(150)는 회로를 포함하며, 외부 장치와의 통신을 수행할 수 있다. 구체적으로, 프로세서(120)는 통신부(150)를 통해 연결된 외부 장치로부터 각종 데이터 또는 정보를 수신할 수 있으며, 외부 장치로 각종 데이터 또는 정보를 전송할 수도 있다.

통신부(150)는 WiFi 모듈, Bluetooth 모듈, 무선 통신 모듈, 및 NFC 모듈 중 적어도 하나를 포함할 수 있다. 구체적으로, WiFi 모듈과 Bluetooth 모듈 각각은 WiFi 방식, Bluetooth 방식으로 통신을 수행할 수 있다. WiFi 모듈이나 Bluetooth 모듈을 이용하는 경우에는 SSID 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 또한, 무선 통신 모듈은 IEEE, Zigbee, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행할 수 있다. 그리고, NFC 모듈은 135kHz, 13.56MHz, 433MHz, 860~960MHz, 2.45GHz 등과 같은 다양한 RF-ID 주파수 대역들 중에서 13.56MHz 대역을 사용하는 NFC(Near Field Communication) 방식으로 통신을 수행할 수 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 프로세서(120)는 통신부(150)를 통해 외부 장치로부터 신경망 모델에 대한 정보, 제1 이미지와 같은 이미지들에 대한 이미지 데이터, 기상 조건에 대한 정보 등과 같은 다양한 정보/데이터를 수신할 수 있다. 예를 들어, 기상 조건에 대한 정보는 대한민국 기상청 기상자료개방포털(data.kma.go.kr/cmmn/main.do)의 Open-API를 이용하여 획득될 수 있다.

일 예로서, 프로세서(130)는 저전력 광역 네트워크(Low Power Wide Area Network, LPWAN)인 LoRa(Long Range) 네트워크를 통해 외부 장치로부터 다양한 정보를 수신할 수도 있다.

입력부(160)는 회로를 포함하며, 프로세서(120)는 입력부(160)를 통해 전자 장치(100)의 동작을 제어하기 위한 사용자 명령을 수신할 수 있다. 구체적으로, 입력부(160)는 마이크 및 리모컨 신호 수신부 등과 같은 구성으로 이루어질 수 있다. 그리고, 입력부(160)는 터치 스크린으로서 디스플레이에 포함된 형태로 구현될 수도 있다. 특히, 마이크는 음성 신호를 수신하고, 수신된 음성 신호를 전기 신호로 변환할 수 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 프로세서(120)는 입력부(160)를 통해 제1 이미지의 획득을 위한 사용자 명령, 제1 이미지에 포함된 항만 구조물을 인식하기 위한 사용자 명령 등과 같은 사용자 명령을 수신할 수 있다. 다만, 제1 이미지의 획득과 제1 이미지에 포함된 항만 구조물의 인식이 반드시 사용자 명령에 기초하여 수행되는 것이 아님은 물론이다. 한편, 프로세서(120)는 입력부(160)를 통해 제3 이미지에 대한 사용자의 피드백을 수신할 수 있으며, 수신된 피드백이 긍정적인 피드백인지 아니면 부정적인 피드백인지 여부에 기초하여 제3 이미지를 학습 데이터에 포함시킬 것인지 여부를 달리 결정할 수도 있다.

출력부(170)는 회로를 포함하며, 프로세서(120)는 출력부(170)를 통해 전자 장치(100)가 수행할 수 있는 다양한 기능을 출력할 수 있다. 그리고, 출력부(170)는 디스플레이, 스피커 및 인디케이터 중 적어도 하나를 포함할 수 있다. 디스플레이는 프로세서(120)의 제어에 의하여 영상 데이터를 출력할 수 있다. 구체적으로, 디스플레이는 프로세서(120)의 제어에 의하여 메모리(110)에 기 저장된 영상을 출력할 수 있다. 특히, 본 개시의 일 실시 예에 따른 디스플레이는 메모리(110)에 저장된 사용자 인터페이스(User Interface)를 표시할 수도 있다. 디스플레이는 LCD(Liquid Crystal Display Panel), OLED(Organic Light Emitting Diodes) 등으로 구현될 수 있으며, 또한 디스플레이는 경우에 따라 플렉서블 디스플레이, 투명 디스플레이 등으로 구현되는 것도 가능하다. 다만, 본 개시에 따른 디스플레이가 특정한 종류에 한정되는 것은 아니다. 스피커는 프로세서(120)의 제어에 의하여 오디오 데이터를 출력할 수 있으며, 인디케이터는 프로세서(120)의 제어에 의하여 점등될 수 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 프로세서(120)는 디스플레이를 통해 제1 이미지, 제1 이미지에 대한 식별 결과, 제1 이미지에 대한 신경망 모델의 인식률에 대한 정보, 제2 이미지 및 제3 이미지를 표시할 수 있다. 또한, 프로세서(120)는 스피커를 통해 제1 이미지에 대한 식별 결과 또는 제1 이미지에 대한 신경망 모델의 인식률에 대한 정보 등과 같은 다양한 정보를 음성의 형태로 출력할 수도 있다.

이상에서 상술한 바와 같은 다양한 실시 예에 따르면, 전자 장치는 이미지에서 신경망 모델의 인식률을 저하하는 원인에 관련된 방해 오브젝트를 식별하고, 그에 기초하여 학습 데이터에 포함될 새로운 이미지를 생성함으로써, 항만 구조물의 인식을 위한 신경망 모델의 인식률을 높일 수 있다.

특히, 본 개시에 따른 방해 오브젝트를 식별함에 있어서, 전자 장치는 방해 오브젝트를 식별할 수 있는 신경망 모델을 이용하거나, 센서를 통해 획득된 기상 조건에 대한 정보를 이용함으로써 항만 구조물의 특성과 항만 구조물의 인식을 어렵게 만드는 구조적/환경적 요인을 반영하여 항만 구조물의 인식을 위한 신경망 모델의 인식률을 더욱 높일 수 있게 된다.

도 4는 본 개시의 일 실시 예에 따른 소프트웨어 모듈들을 나타내는 블록도이다.

구체적으로, 본 개시에 따른 소프트웨어 모듈은 신경망 모델(40)의 인식률 개선을 위한 것으로서, 이미지 획득 모듈(41), 오브젝트 식별 모듈(42), 인식률 평가 모듈(43), 방해 오브젝트 식별 모듈(44), 유사 이미지 식별 모듈(45), 이미지 합성 모듈(46), 학습 데이터 갱신 모듈(47) 및 신경망 모델(40) 학습 모듈을 포함할 수 있다.

이미지 획득 모듈(41)은 본 개시에 따라 신경망 모델(40)에 입력될 제1 이미지를 획득할 수 있는 모듈을 말한다. 구체적으로, 이미지 획득 모듈(41)은 전자 장치(100)에 포함된 카메라를 통해 제1 이미지를 획득할 수도 있고, 외부 장치로부터 제1 이미지를 수신함으로써 획득할 수도 있다.

오브젝트 인식 모듈(42)은 제1 이미지에 포함된 오브젝트를 인식할 수 있는 모듈을 말한다. 구체적으로, 오브젝트 인식 모듈(42)은 신경망 모델(40)에 제1 이미지를 입력하고, 제1 이미지에 포함된 복수의 오브젝트가 기 정의된 복수의 항만 구조물의 유형에 대응되는지 여부를 식별할 수 있다. 그에 따라 오브젝트 식별 모듈(42)은 복수의 오브젝트 별로 복수의 항만 구조물의 유형에 대응될 확률에 대한 정보를 획득할 수 있다.

인식률 평가 모듈(43)은 제1 이미지에 대한 신경망 모델(40)의 인식률을 평가할 수 있는 모듈을 말한다. 구체적으로, 인식률 평가 모듈(43)은 오브젝트 인식 모듈(42)을 통해 복수의 오브젝트 별로 복수의 항만 구조물의 유형에 대응될 확률에 대한 정보가 획득되면, 그에 기초하여 제1 이미지에 포함된 항만 구조물이 일정 수준 이상의 정확도로 인식되었는지에 대한 인식률을 평가할 수 있다.

방해 오브젝트 식별 모듈(44)은 제1 이미지에 포함된 방해 오브젝트를 식별할 수 있는 모듈을 말한다. 방해 오브젝트 식별 모듈(44)은 인식률 평가 모듈(43)을 통해 평가된 신경망 모델(40)의 인식률이 기 설정된 제1 임계 값 미만인 경우에 동작할 수 있다.

구체적으로, 방해 오브젝트 식별 모듈(44)은 방해 오브젝트를 인식할 수 있는 신경망 모델(40)을 이용하여 제1 이미지에 포함된 방해 오브젝트를 식별할 수 있다. 또한, 방해 오브젝트 식별 모듈(44)은 센서를 통해 획득된 정보를 이용하여 제1 이미지에 포함된 방해 오브젝트를 식별할 수 있다. 그리고, 방해 오브젝트 식별 모듈(44)은 제1 이미지에 포함된 복수의 오브젝트 사이의 배치 관계에 기초하여 제1 이미지에 포함된 방해 오브젝트를 식별할 수도 있다.

유사 이미지 식별 모듈(45)은 메모리에 저장된 복수의 이미지 중 제1 이미지와의 유사도가 높은 제2 이미지를 식별할 수 있는 모듈을 말한다. 구체적으로, 유사 이미지 식별 모듈(45)은 메모리에 저장된 복수의 이미지 중 제1 이미지와의 유사도가 기 설정된 제2 임계 값 이상인 제2 이미지를 식별할 수 있다.

이미지 합성 모듈(46)은 제1 이미지 및 제2 이미지를 합성하여 제3 이미지를 획득할 수 있는 모듈을 말한다. 구체적으로, 이미지 합성 모듈(46)은 제1 이미지에서 방해 오브젝트에 대응되는 제1 영역을 식별하고, 제2 이미지에서 제1 영역에 대응되는 제2 영역을 식별하며, 제1 이미지의 제1 영역을 제2 영역으로 대체함으로써 방해 오브젝트가 제거된 제3 이미지를 획득할 수 있다.

학습 데이터 갱신 모듈(47)은 제3 이미지를 바탕으로 신경망 모델(40)의 학습 데이터를 갱신할 수 있는 모듈을 말한다. 특히, 제2 이미지가 신경망 모델(40)의 학습을 위한 학습 데이터에 포함된 이미지인 경우, 학습 데이터 갱신 모듈(47)은 제3 이미지에 제2 이미지에 대한 레이블 정보를 할당하여 학습 데이터를 갱신할 수 있다.

신경망 모델(40) 학습 모듈은 학습 데이터에 기초하여 신경망 모델(40)을 학습시킬 수 있는 모듈을 말한다. 구체적으로, 신경망 모델(40) 학습 모듈은 갱신된 학습 데이터에 포함된 이미지(예: 제3 이미지)를 본 개시에 따른 신경망 모델(40)에 입력하여 그 이미지에 포함된 복수의 오브젝트가 복수의 항만 구조물의 유형에 대응되는지 여부를 식별할 수 있으며, 식별 결과에 기초하여 신경망 모델(40)을 학습시킬 수 있다.

일 예로서, 신경망 모델(40) 학습 모듈은 제3 이미지를 신경망 모델(40)에 입력하여 제3 이미지에 포함된 복수의 오브젝트가 복수의 항만 구조물의 유형에 대응되는지에 대한 확률 정보를 획득하고, 그 확률 정보와 제3 이미지에 할당된 레이블 정보의 차이에 따른 손실 함수에 기초하여 신경망 모델(40)의 파라미터를 업데이트함으로써 신경망 모델(40)을 학습시킬 수 있다. 신경망 모델(40)의 구체적인 학습 방법에 특별한 제한이 따르는 것은 아니다.

이상에서는 본 개시에 따른 소프트웨어 모듈을 통해 본 개시에 따른 다양한 실시 예가 구현될 수 있음을 설명하였다. 다만, 도 4에 도시된 소프트웨어 모듈들은 예시적인 것에 불과할 뿐, 도 4에 도시된 모듈들 이외의 모듈들이 결합되거나 도 4에 도시된 모듈들 중 적어도 하나가 생략될 수 있음은 물론이다.

한편, 도 4에 도시된 소프트웨어 모듈들은 도 1 및 도 2의 하드웨어 구성들과 유기적으로 결합되어 본 개시에 따른 다양한 실시 예를 구현할 수 있다. 그리고, 도 4에 대한 설명에서는 각 소프트웨어 모듈들의 동작에 대해 간략하게 설명하였으나, 이는 중복 설명을 생략하기 위한 것일 뿐, 도 3을 참조하여 설명한 내용 설명한 바와 같은 실시 예 외에도, 도 1 내지 도 3을 참조하여 설명한 다양한 실시 예들이 도 4에 도시된 소프트웨어 모듈들을 통해 구현될 수 있음은 물론이다.

도 5는 본 개시의 일 실시 예에 따른 전자 장치(100)의 제어 방법을 나타내는 흐름도이다.

전자 장치(100)는 제1 이미지를 획득할 수 있다(S510). 여기서, 제1 이미지는 전자 장치(100)에 포함된 카메라릍 통해 획득된 이미지일 수도 있고, 외부 장치로부터 수신된 이미지일 수도 있다.

제1 이미지가 획득되면, 전자 장치(100)는 이미지에 포함된 항만 구조물을 인식하기 위한 신경망 모델에 제1 이미지를 입력하여 제1 이미지에 포함된 복수의 오브젝트를 식별할 수 있다(S520). 구체적으로, 제1 이미지가 입력되면, 신경망 모델은 제1 이미지에 포함된 복수의 오브젝트가 기 정의된 복수의 항만 구조물의 유형에 대응되는지 여부를 식별할 수 있다. 그리고, 신경망 모델은 복수의 오브젝트가 복수의 항만 구조물의 유형에 대응되는지 여부에 대한 식별 결과로서, 복수의 오브젝트 별로 복수의 항만 구조물의 유형에 대응될 확률에 대한 정보를 출력할 수 있다.

식별 결과에 따른 신경망 모델의 인식률이 기 설정된 제1 임계 값 미만이면(S530-Y), 전자 장치(100)는 복수의 오브젝트 중 신경망 모델의 인식률에 관련된 방해 오브젝트를 식별할 수 있다(S540).

일 실시 예에 따르면, 전자 장치(100)는 방해 오브젝트를 인식할 수 있는 신경망 모델을 이용하여 제1 이미지에 포함된 방해 오브젝트를 식별할 수 있다. 구체적으로, 전자 장치(100)는 신경망 모델을 통해 복수의 오브젝트 중 기 정의된 복수의 방해 오브젝트의 유형에 대응되는 오브젝트를 식별할 수 있다.

일 실시 예에 따르면, 전자 장치(100)는 센서를 통해 획득된 정보를 이용하여 제1 이미지에 포함된 방해 오브젝트를 식별할 수 있다. 예를 들어, 센서 또는 통신부를 통해 획득된 기상 조건에 대한 정보가 해무의 발생에 적합한 기상 조건을 나타내면, 전자 장치(100)는 제1 이미지에 해무가 포함되어 있다는 점을 추정할 수 있으며, 그에 따라 제1 이미지에 방해 오브젝트인 해무가 포함되어 있는 것으로 식별할 수 있다.

일 실시 예에 따르면, 제1 이미지에 포함된 복수의 오브젝트 사이의 배치 관계에 기초하여 제1 이미지에 포함된 방해 오브젝트를 식별할 수도 있다. 구체적으로, 전자 장치(100)는 제1 이미지에서 서로 중첩된 복수의 오브젝트 중 가장 전면 레이어에 배치된 오브젝트를 방해 오브젝트로 식별할 수 있다.

한편, 식별 결과에 따른 신경망 모델의 인식률이 기 설정된 제1 임계 값 이상이면(S530-N), 전자 장치(100)는 추가적인 신경망 모델의 학습 과정을 수행하지 않거나, 제1 이미지를 학습 데이터에 추가시킴으로써 학습 데이터를 갱신할 수 있다.

한편, 전자 장치(100)는 메모리에 저장된 복수의 이미지 중 제1 이미지와의 유사도가 기 설정된 제2 임계 값 이상인 제2 이미지를 식별할 수 있다(S550).

구체적으로, 전자 장치(100)는 이미지들의 픽셀 값에 기초하여 복수의 이미지와 제1 이미지 사이의 유사도에 대한 정보를 획득할 수 있다. 여기서, 유사도에 대한 정보는 이미지들의 서로 대응되는 위치의 픽셀에 대한 픽셀 값들끼리 비교함으로써 산출된 스코어일 수 있다. 한편, 유사도에 대한 정보는 입력된 이미지들의 특징 값들을 비교하여 유사도에 대한 스코어를 출력하도록 학습된 신경망 모델을 통해 획득될 수도 있다.

전자 장치(100)는 제2 이미지에 기초하여 방해 오브젝트가 제거된 제3 이미지를 획득할 수 있다(S560). 구체적으로, 전자 장치(100)는 제1 이미지에서 방해 오브젝트에 대응되는 제1 영역을 식별하고, 제2 이미지에서 제1 영역에 대응되는 제2 영역을 식별하며, 제1 이미지의 제1 영역을 제2 영역으로 대체함으로써 방해 오브젝트가 제거된 제3 이미지를 획득할 수 있다.

전자 장치(100)는 제3 이미지에 기초하여 신경망 모델을 학습시킬 수 있다(S570). 구체적으로, 전자 장치(100)는 제 획득된 제3 이미지를 본 개시에 따른 신경망 모델에 입력하여 제3 이미지에 포함된 복수의 오브젝트가 복수의 항만 구조물의 유형에 대응되는지 여부를 식별할 수 있으며, 식별 결과에 기초하여 신경망 모델을 학습시킬 수 있다. 특히, 제2 이미지는 신경망 모델의 학습을 위한 학습 데이터에 포함된 이미지일 수 있다. 이 경우, 전자 장치(100)는 제3 이미지가 획득되면, 제3 이미지에 제2 이미지에 대한 레이블 정보를 할당하여 학습 데이터를 갱신할 수 있다.

한편, 상술한 실시 예에 따른 전자 장치(100)의 제어 방법은 프로그램으로 구현되어 전자 장치(100)에 제공될 수 있다. 특히, 전자 장치(100)의 제어 방법을 포함하는 프로그램은 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.

구체적으로, 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 비일시적 컴퓨터 판독 가능 기록매체에 있어서, 전자 장치(100)의 제어 방법은 제1 이미지가 획득되면, 이미지에 포함된 항만 구조물을 인식하기 위한 신경망 모델에 상기 제1 이미지를 입력하여 상기 제1 이미지에 포함된 복수의 오브젝트를 식별하는 단계, 상기 식별 결과에 따른 상기 신경망 모델의 인식률이 기 설정된 제1 임계 값 미만이면, 상기 복수의 오브젝트 중 상기 인식률에 관련된 방해 오브젝트를 식별하는 단계, 상기 전자 장치(100)에 저장된 복수의 이미지 중 상기 제1 이미지와의 유사도가 기 설정된 제2 임계 값 이상인 제2 이미지를 식별하는 단계, 상기 제1 이미지 및 상기 제2 이미지에 기초하여 상기 방해 오브젝트가 제거된 제3 이미지를 획득하는 단계 및 상기 제3 이미지에 기초하여 상기 신경망 모델을 학습시키는 단계를 포함한다.

이상에서 전자 장치(100)의 제어 방법, 그리고 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독 가능 기록매체에 대해 간략하게 설명하였으나, 이는 중복 설명을 생략하기 위한 것일 뿐이며, 전자 장치(100)에 대한 다양한 실시 예는 전자 장치(100)의 제어 방법, 그리고 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독 가능 기록매체에 대해서도 적용될 수 있음은 물론이다.

기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.

일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어^TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

한편, 이상에서 상술한 바와 같은 신경망 모델에 관련된 기능은 메모리 및 프로세서(120)를 통해 수행될 수 있다.

프로세서(120)는 하나 또는 복수의 프로세서(120)로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서(120)는 CPU, AP 등과 같은 범용 프로세서(120), GPU. VPU 등과 같은 그래픽 전용 프로세서(120) 또는 NPU와 같은 인공 지능 전용 프로세서(120)일 수 있다.

하나 또는 복수의 프로세서(120)는, 비휘발성 메모리 및 휘발성 메모리에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 기 정의된 동작 규칙 또는 인공 지능 모델은 학습을 통해 만들어진 것을 특징으로 한다.

여기서, 학습을 통해 만들어진다는 것은, 다수의 학습 데이터들에 학습 알고리즘을 적용함으로써, 원하는 특성의 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공 지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버/시스템을 통해 이루어질 수도 있다.

인공 지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 각 레이어는 복수의 가중치(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치의 연산을 통해 레이어의 연산을 수행한다. 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network), GAN(Generative Adversarial Networks) 및 심층 Q-네트워크 (Deep Q-Networks)이 있으며, 본 개시에서의 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.

학습 알고리즘은, 다수의 학습 데이터들을 이용하여 소정의 대상 기기(예컨대, 로봇)을 훈련시켜 소정의 대상 기기 스스로 결정을 내리거나 예측을 할 수 있도록 하는 방법이다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으며, 본 개시에서의 학습 알고리즘은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.

이상에서 상술한 바와 같은 본 개시의 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다.

다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.

한편, 본 개시에서 사용된 용어 "부" 또는 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "부" 또는 "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.

본 개시의 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(100))를 포함할 수 있다.

상기 명령이 프로세서(120)에 의해 실행될 경우, 프로세서(120)가 직접 또는 상기 프로세서(120)의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다.

이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.

100: 전자 장치 110: 메모리
120: 프로세서(120)

Claims (8)

1. 전자 장치에 있어서,
   카메라;
   센서;
   메모리; 및
   상기 카메라를 통해 제1 이미지를 획득하고,
   상기 센서를 통해 상기 제1 이미지의 획득 시간에 대응되는 기상 조건에 대한 정보를 획득하며,
   이미지에 포함된 항만 구조물을 인식하기 위한 제1 신경망 모델에 상기 제1 이미지를 입력하여 상기 제1 이미지에 포함된 복수의 오브젝트를 식별하고,
   상기 식별 결과에 따른 상기 제1 신경망 모델의 인식률이 기 설정된 제1 임계 값 이상이면, 상기 제1 이미지에 기초하여 상기 제1 신경망 모델을 학습시키고,
   상기 식별 결과에 따른 상기 제1 신경망 모델의 인식률이 상기 기 설정된 제1 임계 값 미만이면, 이미지에 포함된 방해 오브젝트를 식별하기 위한 제2 신경망 모델에 상기 제1 이미지를 입력하여 상기 복수의 오브젝트 각각이 상기 인식률의 저하 원인이 되는 방해 오브젝트에 해당될 확률을 나타내는 제1 스코어를 획득하고,
   상기 제1 이미지의 획득 시간 및 상기 기상 조건에 대한 정보에 기초하여, 상기 복수의 오브젝트 각각이 상기 방해 오브젝트에 해당될 확률을 나타내는 제2 스코어를 획득하고,
   상기 제1 이미지를 구성하는 복수의 레이어 중 상기 복수의 오브젝트 각각이 배치되는 레이어에 대한 정보에 기초하여, 상기 복수의 오브젝트 각각이 상기 방해 오브젝트에 해당될 확률을 나타내는 제3 스코어를 획득하고,
   상기 제1 스코어, 상기 제2 스코어 및 상기 제3 스코어의 가중합에 기초하여, 상기 복수의 오브젝트 중 상기 방해 오브젝트를 식별하며,
   상기 메모리에 저장된 복수의 이미지 중 상기 제1 이미지와의 유사도가 기 설정된 제2 임계 값 이상인 제2 이미지를 식별하고,
   상기 제1 이미지 및 상기 제2 이미지에 기초하여 상기 방해 오브젝트가 제거된 제3 이미지를 획득하며,
   상기 제3 이미지에 기초하여 상기 제1 신경망 모델을 학습시키는 프로세서; 를 포함하고,
   상기 제1 신경망 모델은 이미지에 포함된 오브젝트가 기 정의된 복수의 항만 구조물의 유형에 대응되는지 여부를 식별하도록 학습된 신경망 모델이며,
   상기 항만 구조물의 유형은 수역 시설, 외곽 시설, 계류 시설, 광범위의 항만 시설 및 항만 하역 시설을 포함하고,
   상기 수역 시설은 선로(access channel), 박지(anchorage) 및 선회장을 포함하며,
   상기 외곽 시설은 방파제(break water), 방사제, 방조제, 제방, 호안(護岸), 수문(水門) 및 갑문(閘門)을 포함하고,
   상기 계류 시설은 펜더(fender), 계선주(bit, mooring post, bollard), 캡스턴/윈치(capstan/winch), 잔교(pier, 棧橋), 부잔교(floating landing stage, 浮棧橋)　및 계선 부표(繫船浮標)를 포함하며,
   상기 광범위의 항만시설은 부두(wharf, 埠頭), 창고(warehouse), 사일로 창고(silo warehouse), 상옥(transit shed), 임항철도(dock railway siding) 및 해분(basin)를 포함하고,
   상기 항만 하역 시설은 부선(lighter), 기중기(crane) 및 벨트 컨베이어(belt conveyer)를 포함하고,
   상기 제2 신경망 모델은 이미지에 포함된 오브젝트가 기 정의된 복수의 방해 오브젝트의 유형에 대응되는지 여부를 식별하도록 학습된 신경망 모델이며,
   상기 방해 오브젝트는 제1 이미지에 포함된 항만 구조물의 전면에 배치된 다른 구조물을 포함하는 구조적인 요인에 의한 제1 방해 오브젝트 및 상기 항만 구조물 주변에 발생된 해무(海霧, sea fog)를 포함하는 환경적 요인에 의한 제2 방해 오브젝트를 포함하는 전자 장치.
   
   
2. 삭제
3. 삭제
4. 삭제
5. 제1 항에 있어서,
   상기 프로세서는,
   상기 제1 이미지에서 상기 방해 오브젝트에 대응되는 제1 영역을 식별하고,
   상기 제2 이미지에서 상기 제1 영역에 대응되는 제2 영역을 식별하며,
   상기 제1 이미지의 제1 영역을 상기 제2 영역으로 대체함으로써 상기 방해 오브젝트가 제거된 제3 이미지를 획득하는 전자 장치.
   
6. 제1 항에 있어서,
   상기 제2 이미지는 제1 상기 신경망 모델의 학습을 위한 학습 데이터에 포함된 이미지이고,
   상기 프로세서는,
   상기 제3 이미지가 획득되면, 상기 제3 이미지에 상기 제2 이미지에 대한 레이블 정보를 할당하여 상기 학습 데이터를 갱신하는 전자 장치.
   
7. 제1 항에 있어서,
   상기 제1 신경망 모델은 이미지에 포함된 복수의 영역 별로 상이한 가중치를 부여하여 이미지에 포함된 복수의 오브젝트를 인식하도록 학습된 신경망 모델이며,
   상기 프로세서는,
   상기 제1 이미지에 상기 방해 오브젝트에 대응되는 영역의 가중치를 낮게 설정하기 위한 부가 정보를 결합하여 상기 제1 상기 신경망 모델의 학습을 위한 학습 데이터를 갱신하는 전자 장치.
   
8. 전자 장치의 제어 방법에 있어서,
   상기 전자 장치의 카메라를 통해 제1 이미지를 획득하는 단계;
   상기 전자 장치의 센서를 통해 상기 제1 이미지의 획득 시간에 대응되는 기상 조건에 대한 정보를 획득하는 단계;
   이미지에 포함된 항만 구조물을 인식하기 위한 제1 신경망 모델에 상기 제1 이미지를 입력하여 상기 제1 이미지에 포함된 복수의 오브젝트를 식별하는 단계;
   상기 식별 결과에 따른 상기 제1 신경망 모델의 인식률이 기 설정된 제1 임계 값 이상이면, 상기 제1 이미지에 기초하여 상기 제1 신경망 모델을 학습시키는 단계;
   상기 식별 결과에 따른 상기 제1 신경망 모델의 인식률이 기 설정된 제1 임계 값 미만이면, 이미지에 포함된 방해 오브젝트를 식별하기 위한 제2 신경망 모델에 상기 제1 이미지를 입력하여 상기 복수의 오브젝트 각각이 상기 인식률의 저하 원인이 되는 방해 오브젝트에 해당될 확률을 나타내는 제1 스코어를 획득하는 단계;상기 제1 이미지의 획득 시간 및 상기 기상 조건에 대한 정보에 기초하여, 상기 복수의 오브젝트 각각이 상기 방해 오브젝트에 해당될 확률을 나타내는 제2 스코어를 획득하는 단계;
   상기 제1 이미지를 구성하는 복수의 레이어 중 상기 복수의 오브젝트 각각이 배치되는 레이어에 대한 정보에 기초하여, 상기 복수의 오브젝트 각각이 상기 방해 오브젝트에 해당될 확률을 나타내는 제3 스코어를 획득하는 단계;
   상기 제1 스코어, 상기 제2 스코어 및 상기 제3 스코어의 가중합에 기초하여, 상기 복수의 오브젝트 중 상기 방해 오브젝트를 식별하는 단계;
   상기 전자 장치에 저장된 복수의 이미지 중 상기 제1 이미지와의 유사도가 기 설정된 제2 임계 값 이상인 제2 이미지를 식별하는 단계;
   상기 제1 이미지 및 상기 제2 이미지에 기초하여 상기 방해 오브젝트가 제거된 제3 이미지를 획득하는 단계; 및
   상기 제3 이미지에 기초하여 상기 제1 신경망 모델을 학습시키는 단계; 를 포함하고,
   상기 제1 신경망 모델은 이미지에 포함된 오브젝트가 기 정의된 복수의 항만 구조물의 유형에 대응되는지 여부를 식별하도록 학습된 신경망 모델이며,
   상기 항만 구조물의 유형은 수역 시설, 외곽 시설, 계류 시설, 광범위의 항만 시설 및 항만 하역 시설을 포함하고,
   상기 수역 시설은 선로(access channel), 박지(anchorage) 및 선회장을 포함하며,
   상기 외곽 시설은 방파제(break water), 방사제, 방조제, 제방, 호안(護岸), 수문(水門) 및 갑문(閘門)을 포함하고,
   상기 계류 시설은 펜더(fender), 계선주(bit, mooring post, bollard), 캡스턴/윈치(capstan/winch), 잔교(pier, 棧橋), 부잔교(floating landing stage, 浮棧橋)　및 계선 부표(繫船浮標)를 포함하며,
   상기 광범위의 항만시설은 부두(wharf, 埠頭), 창고(warehouse), 사일로 창고(silo warehouse), 상옥(transit shed), 임항철도(dock railway siding) 및 해분(basin)를 포함하고,
   상기 항만 하역 시설은 부선(lighter), 기중기(crane) 및 벨트 컨베이어(belt conveyer)를 포함하고,
   상기 제2 신경망 모델은 이미지에 포함된 오브젝트가 기 정의된 복수의 방해 오브젝트의 유형에 대응되는지 여부를 식별하도록 학습된 신경망 모델이며,
   상기 방해 오브젝트는 제1 이미지에 포함된 항만 구조물의 전면에 배치된 다른 구조물을 포함하는 구조적인 요인에 의한 제1 방해 오브젝트 및 상기 항만 구조물 주변에 발생된 해무(海霧, sea fog)를 포함하는 환경적 요인에 의한 제2 방해 오브젝트를 포함하는 전자 장치의 제어 방법.

Images