광섬유 위상 OTDR 기반 이벤트 검출을 위한 이미지 변환·전이학습 고성능 분류 모델
📝 원문 정보
- Title: Phase-OTDR Event Detection Using Image-Based Data Transformation and Deep Learning
- ArXiv ID: 2512.05830
- 발행일: 2025-12-05
- 저자: Muhammet Cagri Yeke, Samil Sirin, Kivilcim Yuksel, Abdurrahman Gumus
📝 초록 (Abstract)
본 연구는 광섬유 위상 OTDR(Phase‑OTDR) 시스템에서 발생하는 여섯 종류의 이벤트를 분류하는 데 초점을 맞추었다. 1차원 위상 OTDR 데이터를 Gramian Angular Difference Field(GADF), Gramian Angular Summation Field(GASF), Recurrence Plot(RP) 등 기법을 이용해 회색조 이미지로 변환한 뒤, 이들을 RGB 3채널 이미지로 결합한다. 이렇게 생성된 이미지 데이터를 전이학습 기반 모델에 적용함으로써 보다 견고하고 유연한 분석이 가능해졌다. EfficientNetB0와 DenseNet121 모델을 각각 적용했을 때 분류 정확도는 98.84 %와 98.24 %를 기록했으며, 5‑fold 교차 검증을 통해 테스트 정확도는 각각 99.07 %와 98.68 %로 확인되었다. 공개된 Phase‑OTDR 데이터셋을 활용해 데이터 규모를 축소하고 분석 효율성을 높이는 방안을 제시했으며, 이미지 기반 분석이 광섬유 센싱 데이터 해석에 혁신적인 가능성을 제공함을 입증하였다. 관련 코드와 이미지 기반 데이터셋은 GitHub(https://github.com/miralab‑ai/Phase‑OTDR‑event‑detection)에서 공개한다.💡 논문 핵심 해설 (Deep Analysis)
모델 선택 측면에서 EfficientNetB0와 DenseNet121을 사용한 것은 현명한 판단이다. EfficientNet은 복합적인 스케일링 전략을 통해 파라미터 효율성을 극대화하고, DenseNet은 레이어 간의 직접적인 연결을 통해 그래디언트 흐름을 원활히 하여 깊은 네트워크에서도 학습이 안정적이다. 두 모델 모두 사전 학습된 ImageNet 가중치를 초기화값으로 사용했으며, 이후 전이학습 과정에서 이미지 기반 Phase‑OTDR 데이터에 맞게 미세조정하였다. 결과적으로 98 % 이상의 정확도를 달성했으며, 5‑fold 교차 검증을 통해 과적합 위험을 최소화하고 모델의 일반화 능력을 검증하였다. 특히 테스트 정확도가 99 %에 육박한다는 점은 변환된 이미지가 원본 신호의 핵심 정보를 충분히 보존하고 있음을 시사한다.
데이터 측면에서도 주목할 만하다. 원본 Phase‑OTDR 데이터는 고해상도 1차원 시계열이며, 이를 이미지로 변환함으로써 데이터 크기가 크게 감소한다. 이는 저장·전송 비용 절감은 물론, 딥러닝 학습 시 메모리 효율성을 크게 향상시킨다. 또한 공개된 GitHub 레포지토리를 통해 코드와 변환된 이미지 데이터셋을 제공함으로써 재현 가능성을 높이고, 향후 연구자들이 다양한 모델·전처리 기법을 시험해 볼 수 있는 기반을 마련했다.
학술적·산업적 파급 효과도 크다. 광섬유 기반 구조물 모니터링, 누수 탐지, 침입 감지 등 실시간 이벤트 검출이 요구되는 분야에서 높은 정확도와 빠른 처리 속도는 시스템 신뢰성을 크게 높인다. 특히 이미지 기반 접근법은 기존 신호 처리 파이프라인을 대체하거나 보완할 수 있어, 기존 인프라에 대한 업그레이드 비용을 최소화하면서도 성능을 향상시킬 수 있다. 향후 연구에서는 다중 클래스 확대, 실시간 스트리밍 적용, 경량화 모델 개발 등을 통해 현장 적용성을 더욱 강화할 여지가 있다.
📄 논문 본문 발췌 (Translation)
📸 추가 이미지 갤러리
