도시 시각오염 딥러닝 탐지와 실시간 모니터링 프레임워크

초록

본 논문은 PRISMA‑ScR 방법론에 따라 7개 데이터베이스에서 26편의 논문을 선별·분석하여, 현재 도시 시각오염(Visual Pollution, UVP) 탐지에 활용되는 딥러닝 모델과 데이터셋 현황을 조망한다. 대부분 YOLO 계열과 Faster R‑CNN, EfficientDet이 사용되고 있으나, 데이터셋은 지역·오염 유형에 편중돼 표준화된 분류 체계가 부재하다. 저자는 시각오염 지수(VPI)를 도입한 실시간 모니터링 프레임워크를 제안하며, 통합된 오염 분류 체계·다도시 벤치마크·범용 모델·지수 기반 의사결정 지원의 필요성을 강조한다.

상세 분석

이 리뷰는 PRISMA‑ScR 가이드라인을 충실히 따랐으며, 검색어 설계, 포함·제외 기준, 이중 검증 절차 등을 명시적으로 기술해 재현성을 확보하였다. 3,439건의 초기 검색 결과에서 1,207건을 제목·초록 단계에서 선별하고, 최종 26편(논문 본문에서는 24편이라고 표기)만을 심층 분석했다는 점은 연구 범위가 충분히 포괄적임을 보여준다. 주요 기술 트렌드를 살펴보면, YOLO(v3‑v8)가 23편에서 사용될 정도로 객체 검출 속도와 경량화가 실시간 적용에 핵심 요소임을 확인할 수 있다. Faster R‑CNN은 정확도 면에서 여전히 강점이 있지만, 두 단계 구조와 높은 연산 비용 때문에 모바일·엣지 디바이스에는 부적합한 경우가 많다. EfficientDet은 BiFPN과 공유 헤드를 통해 정확도와 효율성을 균형 있게 제공하며, 특히 D0‑D2 모델은 저사양 스마트폰에서도 30 FPS 이상을 달성한다. 트랜스포머 기반 Swin‑Transformer가 두 차례 등장했지만, 아직 데이터 양과 연산 요구량이 제한적이라 보편화 단계는 아니다.

데이터셋 측면에서는 18편이 자체 구축 데이터셋을, 14편이 공개 데이터(TACO, Place Pulse 2.0 등)를 활용했으며, 대부분 특정 도시·지역에 국한된 이미지와 라벨링 방식을 사용한다. 이는 모델 일반화와 교차 도시 비교를 어렵게 만든다. 또한 시각오염 유형에 대한 분류 체계가 일관되지 않아, “빌보드”, “간판”, “쓰레기” 등을 서로 다른 논문에서 서로 다른 클래스 정의로 다루는 경우가 빈번하다. 이러한 분류 불일치는 VPI(Visual Pollution Index) 설계에도 영향을 미쳐, 현재는 전문가 설문 기반 가중치 부여 방식이 주류이며, 객관적 메트릭으로 전환되지 못하고 있다.

제안된 프레임워크는 (1) 통합 오염 분류 체계, (2) 다도시 벤치마크 데이터셋, (3) 경량화된 범용 딥러닝 모델, (4) VPI 기반 위험도 평가·시각화, (5) 모바일·클라우드 연동 실시간 모니터링 모듈을 포함한다. 특히 VPI는 각 오염 유형별 가중치를 정량화하고, GIS 기반 히트맵으로 시각화함으로써 정책 입안자가 지역별 우선순위를 쉽게 파악하도록 설계되었다. 그러나 프레임워크 구현 시 데이터 프라이버시, 라벨링 비용, 모델 업데이트 주기, 엣지 디바이스 배터리 소모 등 실용적 제약이 존재한다는 점을 저자는 인정한다.

전체적으로 이 논문은 딥러닝 기반 시각오염 탐지 연구가 급속히 성장했지만, 데이터·표준·시스템 통합 측면에서 아직 초기 단계임을 진단한다. 향후 연구는 (① 국제 공통 오염 분류 체계 확립, ② 다양한 기후·문화권을 포괄하는 대규모 공개 데이터셋 구축, ③ 경량화와 정확도 모두를 만족하는 모델 아키텍처 개발, ④ VPI의 객관적 자동화 방안 모색) 등을 통해 실시간 도시 미관 관리 시스템으로의 전환을 가속화해야 한다.