항공 안전을 위한 다중 레벨 딥러닝 기반 새 종류 및 무리 특성 분류

초록

본 논문은 기존 레이더 기반 새 충돌 방지 시스템이 갖는 종 식별 한계를 극복하고자, 카메라 영상에서 새의 종, 무리 형태 및 무리 규모를 동시에 분류하는 두 가지 CNN 구조(계단식 분류(Cascade)와 통합 분류(Unified))를 제안한다. 실험 결과, 제안된 CNN이 전통적인 SVM·RF·KNN보다 전반적으로 높은 정확도를 보였으며, 통합 모델이 약간 더 우수한 성능을 기록하였다.

상세 분석

이 논문은 항공 안전 분야에서 아직 충분히 다루어지지 않은 “새 종 식별” 문제를 이미지 기반 딥러닝으로 해결하려는 시도를 상세히 제시한다. 기존 avian radar는 위치·속도·고도 등 동적 정보를 제공하지만, 종 정보를 제공하지 못해 종별 비행 특성을 반영한 예측 모델 구축에 한계가 있었다. 저자들은 이를 보완하기 위해 두 가지 CNN 아키텍처를 설계하였다. 첫 번째인 Cascade Classification Approach(CCA)는 입력 영상을 순차적으로 ‘새/항공기’, ‘크기(소·중·대)’, ‘크기별 종 분류’ 단계로 나누어 처리한다. 이 계층적 구조는 각 단계마다 특화된 네트워크를 학습시켜 클래스 불균형을 완화하고, 크기 정보가 종 구분에 미치는 영향을 명시적으로 활용한다는 점에서 설계상의 장점이 있다. 두 번째인 Unified Classification Approach(UCA)는 하나의 CNN이 직접 새와 항공기를 구분하고, 33종의 목표 종을 동시에 분류한다. 이는 파라미터 효율성과 추론 속도 면에서 유리하지만, 다중 클래스 간 경계가 모호해질 경우 성능 저하 위험이 있다.

데이터 측면에서 저자들은 1990~2023년 미국 FAA 데이터베이스에서 가장 빈번히 발생한 33종을 선정하고, 각 종별 고해상도 이미지와 무리 형태(수평·수직)·무리 규모(소·중·대) 라벨을 부착한 자체 데이터셋을 구축하였다. 데이터 전처리 과정에서 이미지 정규화, 배경 제거, 데이터 증강(회전·좌우반전·색상 변형) 등을 적용해 과적합을 방지하였다.

실험에서는 제안된 CNN 모델을 SVM, Random Forest, K-Nearest Neighbors 등 전통적인 머신러닝 알고리즘과 비교하였다. 결과는 모든 시나리오에서 CNN이 평균 5~10% 높은 정확도를 보였으며, 특히 종 분류에서 UCA가 92.3%, CCA가 90.7%의 정확도를 기록했다. 무리 형태와 규모 분류에서도 각각 94.5%와 93.2%의 높은 정확도를 달성해, 실시간 비행 상황에서 유용한 부가 정보를 제공할 수 있음을 입증했다.

또한 논문은 모델 경량화와 실시간 추론을 위한 최적화 방안을 간략히 논의한다. 예를 들어, MobileNetV2 기반 경량 CNN을 적용하면 30FPS 이상의 추론 속도를 유지하면서도 종 분류 정확도 88% 이상을 유지할 수 있다. 이는 실제 공항 환경에 카메라와 연계된 실시간 시스템을 구축하는 데 실질적인 가능성을 제시한다.

한계점으로는 데이터셋의 종 다양성이 제한적이며, 악천후·조도 변화·고도에 따른 이미지 품질 저하에 대한 견고성 검증이 부족하다는 점을 지적한다. 또한, 레이더와 카메라의 융합 방안, 즉 레이더 기반 위치·속도 정보와 이미지 기반 종·무리 정보를 결합한 다중 모달 예측 모델에 대한 연구가 향후 과제로 남는다.

전반적으로 이 연구는 항공 안전을 위한 선제적 위험 관리에 이미지 기반 딥러닝을 도입함으로써, 기존 레이더 시스템의 한계를 보완하고, 종별·무리 특성 기반 고도화된 비행 경로 예측 및 전술적 회피 전략 수립에 기여할 수 있음을 보여준다.