에너지 자립형 마이크로컨트롤러를 위한 새소리 인식 모델 압축 연구

초록

본 논문은 마이크로컨트롤러(MCU) 기반의 실시간 새소리 감지를 위해 신경망을 압축하고, 목표 클래스 수가 압축 효율에 미치는 영향을 분석한다. 500종의 조류 데이터를 활용해 MCUNet‑in4 모델을 학습·프루닝·양자화하고, 2501개의 클래스에 대해 50개의 파레토 최적 압축 모델을 생성하였다. 압축률은 8288%이며, 클래스 수가 증가함에 따라 정확도는 다소 감소하지만 201종 이상에서는 압축 효율이 다시 향상된다. ARM Cortex‑M7 및 Raspberry Pi 4에서의 에너지·지연 측정 결과, M7과 Pi 4에서는 실시간 배치가 가능하지만, 메모리·연산 한계로 Cortex‑M4에서는 적용이 어렵다. 배터리·태양광 패널 용량 추정도 제공한다.

상세 분석

이 연구는 현장 생태 모니터링에서 데이터 전송 비용과 전력 소모를 최소화하기 위해, 초소형 MCU에 직접 AI 추론을 탑재하는 방안을 제시한다. 데이터는 Xeno‑Canto와 ESC‑50을 결합해 500종의 조류와 비조류 소리를 포함한 대규모 음향 데이터셋을 구축했으며, 2초 청크와 멜‑스펙트로그램 변환을 통해 입력 형태를 표준화하였다. 데이터 증강으로는 주파수·시간 이동, 시간 왜곡, 잡음 추가를 적용해 현장 환경 변동성을 모사하였다. 모델 아키텍처는 MCUNet‑in4를 기반으로, 17개의 MobileInvertedResidualBlock을 포함한 경량 CNN을 사용했으며, 첫 번째와 마지막 레이어만 클래스 수에 맞게 재구성하였다. 압축 단계는 인터리브 프루닝과 최종 양자화를 결합한 방법으로, 50번의 독립 실험을 통해 파레토 최적점들을 도출하였다. 평가 지표는 정확도, ROM, RAM, FLOPs이며, 정확도는 전체 클래스 수가 늘어날수록 서서히 감소했지만, 201종 이상에서는 압축률이 86~88% 수준으로 약간 상승하였다. 이는 다중 클래스 간 특징 공유가 증가하면서 파라미터 효율성이 향상된 것으로 해석된다. 에너지·지연 측정에서는 FLOPs 감소가 직접적인 전력 절감에 기여했으며, Cortex‑M7에서는 평균 추론 지연이 150 ms 이하로 청크 길이(2 s)보다 충분히 짧아 실시간 처리가 가능했다. 반면 Cortex‑M4는 메모리 제한으로 지연이 청크 길이를 초과해 실용성이 떨어졌다. Raspberry Pi 4에서는 GPU 활용 없이도 충분한 처리 속도와 낮은 전력 소모를 보였다. 마지막으로, 48 h 지속 운용을 위한 배터리 용량과 24 h 완충을 위한 태양광 패널 면적을 계산해, 실제 현장 배치 시 에너지 자립형 시스템 설계에 필요한 구체적 수치를 제공한다. 전체적으로, 목표 클래스 수가 압축 효율에 미치는 비선형적 영향을 실험적으로 규명하고, MCU 수준에서 실시간 조류 감지를 구현할 수 있는 실용적 가이드를 제시한다.