[★]UAV 온디바이스 재난 영역 검출 소프트웨어

팀명

DRONE SAVE

팀원 명단

최지석, 노성민

지도교수

김형신 교수님

작품 배경 및 목적

최근 자연재해의 빈도와 규모가 증가하면서, 재난 상황에서 신속하고 정확한 의사 결정의 중요성이 더욱 부각되고 있다. 이러한 상황에서 재난 현장을 빠르고 안전하게 파악하기 위해 UAV(무인 항공기) 기반의 온-디바이스 이미지 분석 기술이 중요한 역할을 하고 있다. 이 기술은 위험한 환경에서 인간 접근성이 제한된 상황에서도 광범위한 시야를 제공하고, 현장의 이미지를 실시간으로 분석함으로써 재난 대응 효율을 극대화할 수 있다.

그러나, 현재 사용되고 있는 중앙 처리 방식은 이미지를 서버로 전송하는 과정에서 발생하는 지연시간과 통신 문제로 인해 신속한 대응에 장애가 되고 있다. 특히, 통신 음영지역이나 네트워크 장애 상황에서는 데이터 전송이 원활하지 않아 재난 대응의 신속성이 저해될 수 있다. 이를 해결하기 위해, 본 연구는 UAV에서 직접 이미지를 분석할 수 있는 온-디바이스 기술을 개발하는 것을 목표로 한다. 이 방식은 네트워크에 의존하지 않고 현장에서 바로 데이터 처리를 수행함으로써, 재난 상황에서의 의사 결정 속도를 크게 향상시킬 수 있다.

본 프로젝트는 특히 컴퓨팅 자원이 제한된 환경에서도 효율적으로 작동할 수 있도록 딥러닝 모델을 경량화하고 최적화하는 데 중점을 둔다. Nvidia Jetson Nano와 같은 저전력 장치에서도 고성능을 유지할 수 있도록 모델을 조정하고, 실시간으로 이미지를 분석하여 재난 대응에 필요한 정보를 제공할 수 있도록 한다.

작품 내용

RedNet 모델 분석 및 프로파일링: RedNet의 구조를 분석하고, 이미지 인식 및 분류 작업을 위한 추론 과정을 Profiling 한다. 이 과정에서 Fowrad Time을 측정하여 모델 경량화 및 최적화 전략을 적용할 수 있는 부분을 식별한다.

경량화 및 최적화 전략 적용: Pruning, Quantization, Model Acceleration 등의 기술을 활용하여 모델의 성능을 최적화한다. 이를 통해 모델의 용량을 줄이고, 처리 속도를 향상시키며, 에너지 효율을 개선한다. 또한, 모델의 종류와 Backbone 모델을 바꿔가며 성능을 측정하여 경량화를 진행하는데 최적인 모델을 탐색해본다.

성능 테스트 및 측정: 경량화 및 최적화를 적용한 모델의 추론 속도와 정확도를 측정한다. 이 단계에서는 기존 모델과의 성능 비교를 통해 개선 효과를 평가하여 경량화 및 최적화 방향을 개선해나간다. 최종적으로, Nvidia Jetson Nano Board와 같은 저전력 디바이스에서 개량된 모델의 성능을 평가한다.

창의작품경진대회_결과보고서(DRONE SAVE) - 최지석.hwp

HWP 다운로드 • 4.61MB