High-Resolution Mapping Techniques for Coastal Debris Using YOLOv8 and Unmanned Aerial Vehicle

YOLOv8과 무인항공기를 활용한 고해상도 해안쓰레기 매핑

Abstract

Coastal debris presents a significant environmental threat globally. This research sought to improve the monitoring methods for coastal debris by employing deep learning and remote sensing technologies. To achieve this, an object detection approach utilizing the You Only Look Once (YOLO)v8 model was implemented to develop a comprehensive image dataset for 11 primary types of coastal debris in our country, proposing a protocol for the real-time detection and analysis of debris. Drone imagery was collected over Sinja Island, situated at the estuary of the Nakdong River, and analyzed using our custom YOLOv8-based analysis program to identify type-specific hotspots of coastal debris. The deployment of these mapping and analysis methodologies is anticipated to be effectively utilized in managing coastal debris.

해안쓰레기 문제는 전 세계적으로 환경에 대한 심각한 위협이 되고 있다. 본 연구에서는 딥러닝과 원격탐사 기술을 활용하여 해안쓰레기의 모니터링 방법을 개선하고자 하였다. 이를 위해 You Only Look Once (YOLO)v8 모델을 이용한 객체 탐지 기법을 적용하여 우리나라 주요 해안쓰레기 11종에 대한 대규모 이미지 데이터셋을 구축하고, 실시간으로 쓰레기를 탐지 및 분석할 수 있는 프로토콜(Protocol)을 제안한다. 낙동강 하구에 위치한 신자도를 대상으로 드론 이미지 촬영 및 자체 개발한 YOLOv8 기반의 분석 프로그램을 적용하여 해안쓰레기 성상별 핫스팟을 식별하였다. 이러한 매핑(Mapping) 및 분석 기법의 적용은 해안쓰레기 관리에 효과적으로 활용될 수 있을 것으로 기대된다.

1. 서론

해안쓰레기는 세계적으로 중대한 환경 문제로 부상하고 있다. 해안에 누적되는 쓰레기는 해변의 미관을 심각하게 저해하고, 이로 인한 심미적 가치를 훼손시키고 있다. 더욱이, 풍화와 분해 과정을 거치며 생성되는 이차 물질들은 환경오염을 가속화시키는 주요 요인이 될 수 있으며, 생태계에 악영향을 미칠 수 있다. 특히 해양으로 유입되는 플라스틱 쓰레기는 장기적인 마모, 산화 및 분해 과정을 통해 이차 미세플라스틱으로 변하며(Han, 2020), 이는 자외선에 노출됨으로써 광분해되기도 한다(Delre et al., 2023). 이러한 광분해 과정은 플라스틱을 더 작은 입자로 분해할 뿐 완전히 제거하지는 못한다(Delre et al., 2023).

이러한 문제에 대처하기 위해서는 정화활동을 통해 해안쓰레기의 현존량을 줄이고, 근원지 파악을 통한 재발 방지 활동이 필요하다. 그러나 현실적으로 대부분의 국가에서 해안쓰레기 모니터링은 수작업에 의존하고 있으며, 이는 임의의 구역에서 얻어진 조사결과를 전체 해변 면적으로 환산하는 방식으로 이루어지고 있다. 이러한 방식은 높은 오차율을 내포하고 있으며, 많은 인력과 비용이 필요하므로 넓은 국토에 대해 정기적으로 수행하기에는 현실적인 어려움이 있다. 또한 단순히 특정 해변에 존재하는 총량으로써의 현존량으로는 근원지 파악 등의 연구활동에 활용하기에는 한계가 있다.

최근에는 이러한 문제를 해결하기 위해 원격탐사 기반의 모니터링 기법들이 제안되고 있다. 이러한 방법들은 무인항공기나 기구를 활용하여 촬영된 이미지에 모폴로지(Morphology) 변환, 문턱치 기법 등의 영상처리 알고리즘을 적용하여 해변 영역과 쓰레기 영역을 구분한다(Jang et al., 2011; Kako et al., 2012; Bao et al., 2018). 그러나 이 방법들은 해변마다 다른 최적의 파라미터(Parameter) 설정이 필요하며, 특히 자갈해변이나 암석과 모래가 혼재된 해변에서는 정확도가 떨어진다는 문제가 있다. 이에 반해 딥러닝 기반 객체 탐지 모델은 높은 정밀도를 제공하며, 다양한 종류의 해안쓰레기를 효과적으로 탐지할 수 있는 능력을 보이고 있다(Bak et al., 2020; Choi, 2021; Papakonstantinou et al., 2021; Freitas et al., 2022; Bak et al., 2023c). 그럼에도 불구하고 이러한 기술을 활용하여 실제 해안쓰레기 모니터링에 적용하고 그 결과를 분석한 연구는 부족한 실정이다.

딥러닝 기술을 해안쓰레기 모니터링에 적용한 사례들은 주로 딥러닝 모델 간의 성능 비교에 초점을 두고 있다(Choi, 2021; Papakons tantinou et al., 2021; Freitas et al., 2022; Bak et al., 2023b). 또한 해안쓰레기의 존재 여부만 식별(Papakonstantinous et al., 2021)하거나 특정 2~4종을 대상으로 수행(Choi, 2021; Freitas et al., 2022)된 것이 주를 이루며, 모델 학습에 활용된 데이터셋의 수량이 수백건에서 수천건에 불과하여 실제 현장 모니터링 시 활용가능성과 한계점에 대해서는 추가적인 연구가 필요하다. 한편, 해안쓰레기 모니터링의 궁극적인 목적은 특정 해안의 해안쓰레기 양을 파악하기 위함이다. 원격탐사 기반의 해안쓰레기 탐지는 이러한 해안쓰레기의 양을 공간적인 분포로 파악할 수 있는 기초 자료를 생산할 수 있다. 이미 환경을 비롯한 다양한 분야에서 인공위성이나 드론을 활용한 원격탐사 자료를 활용하여 주제도를 제작하고 더 나아가 주제도를 활용한 공간분석을 시도하고 있다(Piao et al., 2018; Han and Kim, 2020; Hwang et al., 2021).

이러한 상황에서 딥러닝과 드론을 융합한 접근 방식은 해안쓰레기의 발생 특성을 이해하고, 사후 처리를 위한 의사결정지원 자료를 생산하는데 효과적으로 이용될 수 있을 것이라 생각된다. 따라서 본 연구에서는 딥러닝 기반의 객체 탐지 모델과 드론을 활용하여 해안쓰레기 모니터링을 시범적으로 수행하고자 한다. 본 연구는 딥러닝 기반 해양쓰레기 자동 탐지 기능을 구현하기 위해 이미지 빅데이터를 자체적으로 구축하였으며, 이를 위한 프로토콜(Protocol)을 제안한다. 또한 학습된 딥러닝 모델을 활용하여 무인도서의 해안쓰레기 분포를 파악하고, 특히 쓰레기 종류별 분포 특성 차이를 상세히 분석하기 위한 모니터링 및 매핑(Mapping) 시나리오를 제안하고 시범적으로 적용한 결과를 제시하였다. 이 연구는 해안쓰레기 모니터링의 방법론을 개선하고, 이를 통해 환경 보호 및 정책 수립에 기여할 수 있는 새로운 접근 방법을 제시할 것으로 기대된다.

2. 연구자료 및 방법

본 연구에서는 드론과 딥러닝 기반 객체 탐지 모델을 활용하여 부산에 위치한 무인도서인 신자도를 대상으로 해안쓰레기 모니터링을 시도하였다. 드론으로 촬영된 이미지를 자동으로 분석하기 위해 딥러닝 기반 객체 탐지 모델 중 You Only Look Once (YOLO)v8을 사용하였으며, 모델이 해안쓰레기를 탐지할 수 있도록 데이터셋을 자체적으로 구축하였다. 모델의 탐지 결과는 점자료의 공간자료로 생산하였으며, 이를 활용하여 공간분포 특성을 분석하였다.

Fig. 1. Flowchart.

Fig. 2. Study area: Sinjado is an uninhabited island located centrally among the islands in the Nakdong River estuary. Beneath the estuary dam constructed at the mouth of the Nakdong River, there exist three channels, each of which traverses the maritime area around Sinjado. The red dot marks the site of the Tidal Gauge and Automatic Weather Station employed to check the weather conditions during the monitoring period in Sinjado.

2.1. 연구 지역

본 연구에서 연구 대상지로 선정한 신자도는 한반도 남동쪽에 위치한 무인도서로 낙동강 하구에 운반 및 퇴적된 모래에 의해 형성된 섬이다. 길이 약 3 km에 평균 폭은 300 m로 평균 면적은 약 610,000 m²에 이른다. 섬 북쪽에는 길이 약 510 km, 유역면적 약 23,400 km²에 이르는 낙동강 하구가 바다로 이어지며, 하구 말단부에는 하구둑이 존재한다. 낙동강은 우리나라 남동쪽에 위치한 대규모 하천으로 대량의 부유쓰레기가 매년 수거되고 있는 곳이다(Shin, 2013). 특히 장마 이후 낙동강 하류에서 쓰레기 집적량이 평상시의 4배 이상 증가하는 것이 확인된 바 있다(Jang et al., 2015). 이렇게 집적된 쓰레기는 낙동강 하구 수문 개방 시 낙동강 유출수와 함께 하구를 거쳐 주변 지역으로 유입되는 것으로 알려져 있다(Yoo et al., 2007).

2.2. 드론을 활용한 이미지 데이터 수집

본 연구에서는 신속하게 고해상도 해안가 이미지를 획득하기 위해 상용 무인항공기 중 하나인 DJI사의 Mavic 2 Pro를 활용하였다. 활용한 무인항공기는 20 MP 공간해상도의 RGB 카메라를 내장하고 있으며 Global Navigation Satellite System (GNSS)를 탑재하고 있어 촬영된 이미지의 EXIF에 촬영된 위치의 위도와 경도를 저장할 수 있다.

해안쓰레기 모니터링 시 무인항공기가 촬영 대상 해변을 일정한 경로로 촬영할 수 있도록 전용 애플리케이션 중 하나인 Pix4D Capture를 활용하였다. Pix4D Capture는 사진측량을 위해 개발된 전문 애플리케이션 중 하나로 사전에 계획된 무인항공기의 비행 경로 및 촬영각도 등에 맞게 자동으로 촬영할 수 있게 해준다. 본 연구에서는 모니터링 대상 해변의 촬영 시 카메라 촬영 방향이 지면을 향하도록(90도) 하였고, 비행 경로간의 중복률을 종방향과 횡방향 모두 애플리케이션에서 설정할 수 있는 가장 낮은 수치인 20%로 설정하였다.

사진측량 목적으로 해당 애플리케이션을 활용하는 경우 지면의 기복 변위 및 종류에 따라 중복률을 최소 60% 이상으로 설정하는 것이 일반적이다. 그러나 이는 인접한 이미지를 이어붙여 모자이크 이미지(또는 파노라마 이미지)를 제작하기 위한 것이다. 본 연구에서는 모자이크 이미지를 생성하지 않고 촬영된 각 이미지를 개별적으로 활용하기 위한 목적으로 촬영하므로 중복률을 가장 낮은 값으로 설정하였다.

2.3. 데이터셋 생산

딥러닝 기반 객체 탐지 모델의 훈련과 성능 평가를 위해서는 이미지와 라벨링 데이터로 구성된 데이터셋이 요구된다. 본 연구에서는 원시데이터 수집, 데이터 정제, 데이터 가공, 데이터 품질 검수의 4단계 작업을 통해 자체적으로 데이터셋을 구축하였다. 원시데이터는 한국해양환경공단의 ‘국가 해안쓰레기 모니터링(2019년) 보고서’를 토대로 우리나라 연안 해변에서 발생하는 해안쓰레기 중 가장 많은 양을 차지하는 재질인 플라스틱, 유리류, 금속류를 대상으로 선정하였다. 또한 발생량 중 대부분을 차지하는 재질인 플라스틱류는 9개의 세부 성상으로 구분하여 총 11종에 대해서 수집하였다.

원시데이터 수집 장비는 무인항공기와 스마트폰을 활용하였다. 이미지 내에 있는 대상물 스케일의 다양성을 확보하기 위해 지표 및 5~30 m 고도에서 촬영하였다. 무인항공기는 DJI사의 Mavic 2 Pro와 Phantom 4 Pro를 사용하였으며, 스마트폰은 12 MP 이상의 카메라를 탑재한 기종을 사용하였다. 촬영 대상지 선정 시 딥러닝 모델의 일반화 탐지 성능을 데이터셋 수준에서 확보하기 위해 데이터셋에 포함된 대상물들의 다양한 사례를 포함시키는데 초점을 두었다. 이를 위해 우리나라 주요 해안 중 쓰레기 발생량이 많으며 그 다양성이 높은 해변을 대상으로 촬영을 시도하였다. 쓰레기 발생량 및 다양성과 관련된 자료는 한국해양환경공단의 ‘국가 해안쓰레기 모니터링 구역’ 및 ‘국가 해안쓰레기 모니터링 보고서’, 국립공원공단의 해양쓰레기 모니터링 구역을 참조하였다. 최종 촬영지는 최근 현존량 자료를 참조하되 현장 답사를 통해 선택하였다(Fig. 3).

Fig. 3. Distribution of data collection areas. The locations of beaches where raw data were collected are indicated by red dots.

Fig. 4. Example images of the results of processing data in bounding box format.

데이터 정제 단계에서는 원시데이터 중 이미지 내에 대상물을 포함하지 않는 것을 제거하고 대상물이 이미지의 특정 구역에 밀집한 경우 해당 영역을 Crop하여 가공 대상 이미지로 만드는 작업을 수행하였다. 데이터 가공은 이미지 내에 존재하는 대상물의 영역을 태깅(Tagging)하는 작업이다. 오픈소스 가공 도구 중 하나인 ‘Labelme’를 활용하였으며, 대상물의 영역은 바운딩 박스(Bounding Box) 형식(Fig. 2)으로 태깅하여 총 400,796장의 이미지를 가공하였다(Table 1). 데이터 가공 시 이미지에 존재하는 대상물의 영역을 사각형 바운딩 박스로 태깅하였다. 바운딩 박스는 대상물에 외접하도록 태깅하였다.

Table 1. The composition of the coastal debris image dataset

Due to the presence of multiple objects in 1 image, the result of the sum of the number of images is greater than the total number of images included in the dataset.

마지막 단계인 데이터 품질 검수 단계에서는 구축된 데이터셋의 품질을 검사하고 오류가 식별되는 경우 교정하는 작업을 수행하였다. 데이터셋의 품질 검수는 구문 정확성과 의미 정확성으로 구분하여 진행하였다. 이때, 구문 정확성이란 라벨링 데이터인 Json 파일의 속성 누락이나 오탈자의 존재 여부, 데이터 타입의 일치 여부를 의미한다. 의미 정확성은 태깅된 바운딩 박스의 클래스명 일치 여부 및 바운딩 박스 태깅 정밀도를 의미한다. 구문정확성 검사는 사전에 정의된 구문 규칙에 따라 Python으로 작성된 스크립트를 활용하여 수행하였다. 의미정확성 검사는 검사 전담 인력에 의해 육안으로 수행되었으며 3회 이상 교차 검사하여 오류 식별 시 교정하도록 하였다. 품질 검수 및 교정 작업이 완료된 데이터셋은 해안쓰레기 탐지를 위한 딥러닝 모델 학습에 활용하였다. 데이터셋은 학습용(Train), 검증용(Validation), 평가용(Test)으로 구분하였으며, 각각 80% (320,637장), 10% (40,079장), 10% (40,080장)로 분할하여 활용하였다.

2.4. YOLO 기반 해안쓰레기 탐지기

드론을 활용하여 해안가 사진 촬영 시 면적에 따라 수백에서 수천장 또는 그 이상의 이미지를 촬영하게 된다. 이러한 이미지를 신속하게 탐지 및 분석하기 위해서는 활용되는 딥러닝 모델의 정확도 뿐만 아니라 탐지 속도 또한 중요하다고 판단하였다. 이런 점에 착안하여 본 연구에서는 무인항공기로 촬영된 이미지를 자동분석하기 위해 실시간 객체 탐지 모델 중 하나인 YOLOv8을 기반으로 탐지 및 집계 모듈을 구현하였다. 실시간 객체 탐지 모델은 기존의 객체 탐지 모델과 달리 탐지 정확도뿐만 아니라 탐지 속도에도 초점을 두고 개발된 모델이다. 일반적으로 초당 탐지가능한 이미지 수가 30장 이상인 모델을 실시간 객체 탐지 모델로 정의하고 있다.

YOLOv8은 Ultralytics 사에서 개발한 합성곱 신경망(Convolutional Neural Network)기반의 실시간 객체 탐지 모델로 이전 버전인 YOLOv5를 기반으로 네트워크 구조를 개선하고 Anchor Free Detection을 도입함으로써 탐지 속도와 정확도를 향상시켰다. 이미 해안 및 부유쓰레기의 주요 성상인 플라스틱 및 금속류, 유리류 등에 대한 선행연구의 실험결과가 확인(Bak et al., 2023a; Bak et al., 2023c)되었으며, 비슷한 시기에 공개된 실시간 객체 탐지 모델들과 비교했을 때, 더 높은 정확도와 강건성을 보여 본 연구에 활용하였다.

YOLOv8은 Depth와 Width를 조정하여 Compound Scaling을 함으로써 다양한 성능의 모델을 생성할 수 있다. 스케일에 따라 YOLOv8n(Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large), YOLOv8x (eXtra-Large)로 구분된다. YOLOv8n이 가장 낮은 Depth, Width 파라미터를 가지며, YOLOv8x가 가장 높은 Depth, Width 파라미터를 가진다. Depth와 Width 파라미터가 작을수록 상대적으로 적은 수의 뉴런을 가진 모델이 생성되며, 그 반대의 경우 많은 수의 뉴런을 가진 모델이 생성된다. 모델의 뉴런 수가 많을수록 더 복잡한 네트워크가 생성되므로 탐지 정확도는 개선될 수 있으나 연산량을 증가시켜 탐지 속도는 떨어지게 된다.

이 중 YOLOv8n은 모바일 및 엣지 디바이스를 위한 모델로 파라미터 수를 극단적으로 줄여 연산량을 낮추는데 주력한 모델로 정확도와 속도를 모두 중요시하는 본 연구의 목적에 맞지 않다고 판단하였다. 또한 YOLOv8을 활용하여 진행된 선행연구(Bak et al., 2023a; Bak et al., 2023b; Bak et al., 2023c)에 의하면, YOLOv8s와 YOLOv8x의 정확도 차이는 mean Average Precision (mAP)을 기준으로 약 0.02~0.04 내외를 보이는데 비해 탐지 속도는 2배가량 차이를 보이는 것을 확인할 수 있다. 이를 고려하였을 때, 속도와 정확도가 모두 중요한 본 연구에서는 YOLOv8s가 더 적합한 모델이라고 판단하였다.

Fig. 5는 본 연구를 위해 개발된 YOLO 해안쓰레기 탐지기(이하 탐지기)의 작동 모식도이다. 탐지기는 무인항공기를 통해 촬영된 해변의 전체 이미지를 입력 받아 순차적으로 분석하며, 이때 탐지된 결과와 입력된 이미지의 EXIF 내에 저장된 위도와 경도 자료는 집계 모듈(Counting Module) 내에서 성상별로 집계된다. 집계 결과는 Json과 Shp 파일로 저장하도록 구현되었다. 이때, Json은 향후 탐지기의 집계 결과를 웹(Web) 서비스 및 모바일 애플리케이션과 연동하기 위한 목적으로 저장되도록 구현하였다. Shp 파일은 Geographic Information System (GIS) 소프트웨어에서 일반적으로 활용되는 파일 형식으로 점, 선, 폴리곤(Polygon) 등의 지오메트리(Geometry) 정보와 온도, 인구, 수량 등의 속성정보를 저장하기 위해 개발되었다. 본 연구에서는 탐지 이후 단계에서 GIS를 활용한 매핑 및 공간분석을 위해 Shp 파일을 생성하여 활용하였다.

Fig. 5. A schematic diagram of the operation of the debris detector using the pre-trained YOLOv8 model.

2.5. 모델 성능평가 지표

본 연구에서는 YOLOv8의 탐지 정확도와 탐지 속도를 기준으로 성능을 평가하였다. 탐지정확도는 입력된 이미지 내에서 대상물의 영역과 클래스명을 구분하는 능력을 의미하며, 일반적으로 컴퓨터 비전 분야의 딥러닝 모델 평가 시 많이 활용되는 mAP를 평가지표로 선정하였다. 이때, Intersection over Union (IoU)은 50%를 기준으로 mAP를 산출하였다(식1–4).

\(\begin{align}Precision = \frac{True \; Positivie}{True \; Positivie \; + \: False \; Positive}\end{align}\)       (1)

\(\begin{align}Recall = \frac{True \; Positive}{True \; Positivie \; + \: False \; Negative}\end{align}\)       (2)

AP = ∫¹₀ P(r)dr       (3)

\(\begin{align}m A P=\frac{1}{N} \sum_{i=1}^{N} A P(i)\end{align}\)       (4)

이 때, P(r)은 Precision-Recall 곡선이다. 즉, AP는 Precision-Recall 곡선 아래의 면적을 의미하며, mAP는 각 클래스별 AP의 평균값이다. 탐지 속도는 단위 시간당 모델이 탐지 가능한 이미지의 수를 의미하며, 해당 모델이 다량의 이미지를 처리하는데 활용된다는 점을 고려하였다. 탐지 속도의 측정 지표로는 Frames Per Second (FPS)를 선정하였다.

2.6. 공간분포 분석

2023년 7월에 신자도 해안쓰레기 모니터링을 목적으로 무인항공기를 활용하여 이미지를 수집하였다. 이미지 내 대상물의 해상도를 고려하여 15 m 고도에서 745장의 이미지를 촬영하였다. 촬영 시 공간해상도는 약 0.38 cm/pixel이었으며, 작업자 1명이 투입되어 약 1시간 24분(84분)동안 촬영하였다. 신자도에서 촬영된 무인항공기 이미지들을 탐지기에 입력하여 얻은 공간자료를 활용하여 해안쓰레기의 공간 분포 패턴을 분석하였다. 공간 분포 패턴은 QGIS와 Python의 ESDA 패키지를 활용하여 수행하였다. 신자도 내에 각 쓰레기 성상별 분포를 비교하였으며, Local Moran’s I 분석을 통해 Hot-Spot의 위치를 확인하였다. 이때, Local Moran’s I는 지역 단위에서의 공간적 자기상관을 측정하는 지표이며 다음과 같이 정의된다.

\(\begin{align}I_{i}=\frac{x_{i}-\bar{x}}{S_{i}^{2}} \sum_{j=1}^{n} w_{i, j}\left(x_{j}-\bar{x}\right)\end{align}\)       (5)

여기서 I_i는 i에 대한 Local Moran’s I의 값이며, 은 전체 관측치의 수이다. w_{i, j}는 관측치 i와 j간의 거리가중치이며, w_i와 w_j는 각각 i와 j의 값을 의미한다. 또한 \(\begin{align}\bar {x}\end{align}\) 와 S²_i는 평균과 표준편차를 의미한다. Local Moran’s I 분석은 각 관측치가 주변 관측치와 어느 정도 유사한지를 정량적으로 평가하는 공간자기상관 측정 방법으로, 특정 지역 내에서 해안쓰레기가 어떻게 군집화되어 있는지 파악하는데 활용될 수 있다. 본 연구에서는 이러한 분석을 통해 신자도 내 해안쓰레기 군집 위치와 각 쓰레기 성상별 군집 차이를 비교하였다.

3. 연구결과 및 토의

3.1. 해안쓰레기 탐지 모델의 성능 평가 결과

본 연구에서는 학습용 데이터셋(Training Dataset)과 검증용 데이터셋(Validation Dataset)을 활용하여 YOLOv8s를 학습시켰다. Epochs는 50으로 설정하였으며, 학습 효율 및 정확도 확보를 위해 MSCOCO 데이터셋으로 사전학습 된 YOLOv8s 모델의 가중치를 활용하여 모델을 미세조정하였다.

Fig. 6은 YOLOv8s 모델의 학습용 데이터셋과 검증용 데이터셋에서의 Loss 곡선이다. 초기 10 Epoch까지 Loss가 급격히 하락 후 50 Epoch까지 점진적으로 하락하는 형태를 보이고 있으며, 전구간에서 진동이 관찰되지 않았다. 이는 모델 학습에 활용된 학습률 및 배치사이즈가 적절한 값이 활용되었으며, 이를 통해 모델이 해안쓰레기 탐지에 필요한 특징들을 신속하게 파악하고 있음을 시사한다. 또한 학습용 데이터셋과 검증용 데이터셋의 Loss가 일정 수준의 차이를 유지하면서 함께 하락하는 것을 확인할 수 있었다. 이를 통해 본 모델에서는 과적합 징후가 포착되지 않았으며, 일반화 능력을 유지하고 있음을 확인할 수 있었다.

Fig. 6. Training and validation loss for each epoch.

Fig. 7은 검증용 데이터셋에서의 Epoch별 mAP 변화를 나타낸 학습 곡선(Learning Curve)이다. MS-COCO 데이터셋으로 사전 학습된 가중치를 활용하여 초기 Epoch에서부터 높은 mAP값으로 출발하는 것을 확인할 수 있었다. 또한 학습이 진행되는 과정에서 mAP가 불규칙적으로 증가·감소하는 진동 현상도 식별되지 않았다. 본 연구에서는 구축된 데이터셋으로 학습된 YOLOv8s 모델의 탐지 정확도 및 속도 평가를 위해 GPU를 탑재한 워크스테이션(Table 2)을 활용하였다. 탐지 정확도 및 속도 평가 시 사전에 구별해둔 평가용 데이터셋(Test Dataset)을 활용하였으며, 탐지 속도는 평가용 데이터셋에 포함된 이미지 수(40,080장)만큼 반복 수행 후 평균값을 활용하였다.

Fig. 7. Validation mAP for each epoch.

Table 2. Environment for measuring detection accuracy and speed

Table 3은 해안쓰레기 이미지 데이터셋으로 학습된 YOLOv8s 모델을 평가용 데이터셋으로 평가한 결과이다. 해안쓰레기 탐지를 위한 YOLOv8s 모델은 mAP 0.948의 정확도를 보였으며, 탐지 속도는 FPS를 기준으로 약 135로 나타났다. 11개 대상물 중 Metal 클래스가 가장 높은 정확도(AP 0.981)를 보였으며, Rope 클래스가 가장 낮은 정확도(AP 0.868)를 보였다.

Table 3. Accuracy and speed of detection of YOLOv8s model for detection of coastal debris

Fig. 8은 YOLOv8s 모델을 활용하여 다양한 종류의 해변에서 촬영된 이미지를 탐지한 결과이다. 우리나라 연안의 주요 해변 유형인 모래와 자갈 해변을 대상으로 이미지를 구성하였으며, 추가적으로 초목류 더미 위에서 촬영된 이미지도 일부 사용하였다. 본 연구에서 구축한 데이터셋으로 학습된 YOLOv8s 모델은 모래 해변 뿐 아니라 자갈 해변 및 초목류가 덮여 있는 배경에서도 해안쓰레기를 탐지가 가능하였다. 특히 초목류 타입 배경 이미지(Fig. 8c)는 학습용 데이터셋에 존재하지 않는 이미지로 YOLOv8s가 배경 타입에 대한 강건성을 가지고 있는 것으로 추정된다. 우리나라 해변은 대부분 모래와 자갈로 이루어져 있으나 태풍 또는 집중호우 발생 시 일부 해역에서 대량의 초목류 더미가 강 또는 해양을 통해 유입되어 표착하는 재해쓰레기가 발생한다. YOLOv8s 모델은 이러한 재해쓰레기 발생 상황에서 초목류 더미 위에 함께 표착한 플라스틱 등의 쓰레기를 탐지하고 그 수량을 파악하는데도 활용될 수 있을 것으로 보인다.

Fig. 8. Examples of coastal debris detection using YOLOv8s: (a) sand type background, (b) gravel type background, and (c) vegetation type background.

한편, 본 연구에서 구축한 이미지 데이터셋은 약 100여명의 작업자에 의해 수작업으로 구축되었다. 따라서 구축과정에서 작업자의 실수로 인한 바운딩 박스 태깅 누락 사례가 자주 식별되었다. 구축 완료 후 정량적으로 집계한 결과 전체 바운딩 박스 기준 약 7%가 누락되었음을 확인하였다. 대부분 쓰레기가 밀집한 구역에서 촬영된 이미지를 태깅하는 과정에서 발생하였다. 이를 교정하기 위해 3회에 걸쳐 교차검증 및 수정작업을 수행하였으며, 품질 개선 작업 전과 후의 모델 탐지 정확도를 비교하였다(Fig. 9).

Fig. 9. Comparison of class-specific accuracy before and after quality improvement of datasets. The red line represents the class-wise Average Precision (AP) evaluated with the dataset before correcting for missing bounding boxes, while the blue line indicates the class-wise AP evaluated with the dataset after retagging the missing bounding boxes. It can be observed that performance improved across all classes upon correcting for the absence of bounding boxes.

그래프에 나타난 것과 같이 단 7%의 바운딩 박스 누락으로도 모든 클래스의 탐지 정확도가 낮아지는 것을 확인할 수 있었다. mAP를 기준으로 비교했을 때, 품질 개선 전의 mAP는 0.894, 품질 개선 후의 mAP는 0.948로 약 0.054의 차이를 보였다.

딥러닝 기반 객체 탐지 모델의 정확도는 일반적으로 데이터셋의 크기에 비례하여 증가하는 것으로 알려져 있다(Goodfellow et al., 2016; Hirahara et al., 2020; Luca et al., 2022). 또한 훈련용 데이터셋뿐 아니라 실제 현장에서 적용 시 오차를 줄이는 일반화 능력에 있어서도 훈련용 데이터셋의 수가 커짐에 따라 향상되는 경향이 있다(Goodfellow et al., 2016). 본 연구에서 구축한 데이터셋과 같이 수만에서 수십만장으로 구성된 대규모 데이터셋은 높은 탐지 성능과 일반화 능력 확보가 가능하다는 장점이 있으나 이러한 데이터셋을 구축하기 위해서는 딥러닝 모델 개발 또는 소프트웨어 개발 인력만으로는 부족하다. 필연적으로 크라우드 워커 또는 조직내 다른 인력의 도움으로 데이터셋 가공 작업을 수행해야 할 것이다.

그러나 다수의 인력에게 통일된 데이터셋 구축 가이드라인을 공유하고 실행시키는 것은 매우 어려운 일이다. 특히 어떤 대상물을 해안쓰레기로 정의할 것인가에 대한 기준을 정립하고 공유하고 일치시키는 일은 완벽하게 이루어지기 힘든 작업이다. 뿐만 아니라 장시간 이미지를 육안으로 판독하고 바운딩 박스를 태깅하는 작업은 피로도를 상승시켜 실수를 유발시킬 수 있다. 따라서 대규모 이미지 데이터셋을 사람에 의해 구축하는 과정에서는 객체 누락과 같은 품질저하 이슈가 반드시 발생할 수 밖에 없다.

이러한 객체 누락 오류는 모델이 학습하는 과정에서 이미지 내에 존재하는 대상물을 배경(Background)으로 인식하게 하여 학습에 부정적인 영향을 미친다. 특히 합성곱 신경망 기반의 객체 탐지 모델은 이미지에서 태깅 정보를 기반으로 공간적 계층적 특징을 추출하여 객체 탐지에 활용한다. 이때, 대상물에 바운딩 박스가 누락되는 경우 해당 대상물을 배경으로 인식함으로써 해당 이미지의 대상물이 가지고 있는 특징을 무시할 수 있다. 이러한 누락이 반복되는 경우 모델은 해당 클래스의 대상물이 가지고 있는 일반화된 특징이 아니라 특정 이미지에만 나타나는 대상물의 특징을 학습할 가능성이 높아진다. 따라서 대규모 이미지 데이터셋 특히 크라우드 워커를 통해 구축된 데이터셋은 반드시 품질 개선작업을 동반해야 한다.

3.2. 신자도 해안쓰레기의 공간분포

탐지기를 활용하여 신자도의 해안쓰레기를 집계한 결과 스티로폼 파편(Styrofoam Piece)이 6,231개로 가장 많은 수량을 보였으며, 그 다음으로 PET병(PET Bottle) 3,940개, 기타 플라스틱(Plastic etc.) 703개, 스티로폼 부표(Styrofoam Buoy) 508개 순으로 발견되었다.

Fig. 11은 신자도에서 무인항공기로 촬영한 사진별 탐지된 총 해안쓰레기의 수를 나타낸 것이다. 해안쓰레기의 총량을 기준으로 대부분의 쓰레기는 신자도 북쪽 해안선을 따라 분포하고 있었다. 그러나 남쪽 해안선에도 일부 구역에서는 쓰레기 밀도가 높게 나타나는 것을 확인할 수 있었다.

Table 4. Amount of coastal debris from Sinja Island

Fig. 10. Amount of coastal debris from Sinja Island.

Fig. 11. Distribution of the amount of coastal debris by shooting area. Each point corresponds to 1 image of an unmanned aerial vehicle.

Fig. 12는 이미지로부터 탐지된 결과를 기반으로 1 ha 격자로 환산하여 해안쓰레기의 종류별로 수량을 집계한 결과이며, Fig. 13은 각 격자 내에서 특정 종류의 해안쓰레기의 수량이 차지하는 비율을 나타낸 것이다. 대부분의 격자에서 총 쓰레기양은 1 ha당 31개 이상 존재하였다. 그러나 대부분의 격자에서 스티로폼 파편이 60% 이상을 차지하고 있었으며, 그 다음으로 많은 비율을 차지하는 쓰레기는 주로 PET병이었다(Fig. 13).

Fig. 12. Distribution of types of coastal debris per 1 ha grid.

Fig. 13. Proportional distribution of types of coastal debris within each 1 ha grid.

Fig. 14는 해안쓰레기의 종류별 Local Moran’s I 계산 결과를 기반으로 Hot-spot의 위치를 도출한 결과이다. 이때, Hot-spot은 평균보다 높은 수준의 쓰레기 수량을 보이며 동시에 이웃한 영역에서도 평균보다 높은 수준의 쓰레기가 분포하는 구역을 의미한다. 분석 결과 금속(Metal)과 유리(Glass)는 수량이 적으며 섬 전체에 고르게 존재하여 Hot-spot이 형성되지 않았으며, 그 외 쓰레기들은 Hot-spot이 형성되어 있는 것을 확인할 수 있었다.

Fig. 14. Locations of hot-spots for different types of coastal debris.​​​​​​​

한편, 각 쓰레기 성상별 Hot-spot의 위치는 서로 다르게 나타났다. 스티로폼 파편 및 스티로폼 상자(Styrofoam Box), PET병, 플라스틱 부표, 기타 플라스틱은 신자도의 북쪽과 남쪽 해안선에 모두 Hotspot을 형성하고 있으나 그 외 성상들은 모두 북쪽 해안선에 Hot-spot을 형성하고 있다. 성상별로 Hot-spot의 위치가 상이하게 나타나는 것은 쓰레기의 종류별로 신자도에 유입되는 경로와 전파 메커니즘이 다르기 때문일 것이다.

대부분의 성상에서 공통적으로 신자도 북쪽 해안선에 Hot-spot을 형성하고 있는 것은 신자도 북쪽에 위치한 낙동강으로부터 유입된 쓰레기로 인한 것으로 추정된다. 무인항공기를 활용하여 신자도를 촬영했던 2023년 7월 21일은 장마가 끝난 직후로 촬영 시점 이전까지 약 1,200 mm의 누적 강수량을 기록한 바 있다(Fig. 15). 이로 인해 7월 15일~20일에는 낙동강 하구의 유량이 같은 해 7월 평균 유량인 약 2,500 m³/s의 2~3배에 달하는 유량을 기록하였다.

Fig. 15. Weather and tides at the time of drone photography and flow rate in Nakdong estuary.​​​​​​​

동일한 지역을 대상으로 수행된 수치모의실험에 의하면 낙동강 하구둑 수문 개방 시 방출되는 부유쓰레기는 초기 72시간 이내에 낙동강 하구역내 일정하게 분포하는 안정상태에 도달하고, 약 3일이 경과된 시점에서는 대체로 외해로 유출된다고 보고된 바 있다(Yoo et al., 2007). 이는 낙동강 하구둑 수문 개방을 통해 하구역내로 유입된 부유쓰레기가 외해로 완전히 유출되기 이전까지 신자도 주변에서 표류하다가 일부는 해안선으로 유입되어 표착할 수 있는 가능성을 시사한다.

한편, Jang (2015)에 의하면 신자도 주변 해역의 표류물체 이동경로는 조류의 영향보다는 바람에 의한 표층 흐름이 더 큰 영향을 미친다고 보고한 바 있다. 실제로 2014년 8월에 Jang (2015)에 의해 수행된 표류부표 실험에서 남풍계열의 바람이 우세했던 시기에 일부 부표가 외해로 유입되었다가 다시 북향하여 신자도 및 주변 도서의 남쪽 해안선에 표착된 사례들이 확인된 바 있다. 이는 신자도의 남쪽 해안선에 형성된 일부 쓰레기의 Hot-spot의 형성 메커니즘과 관련이 있을 것으로 추정된다.

3.3. 스티로폼 파편으로 인해 발생할 수 있는 문제

Fig. 16은 낙동강 하류 유역에 위치한 주요 도시 및 낙동강 하구 주변 해역에 존재하는 대규모 양식장의 위치를 표시한 것이다. 신자도에 분포하는 쓰레기 중 가장 많은 수를 보인 스티로폼 파편은 인근 양식장에서 사용하는 스티로폼 부표가 바람 및 파도로 인해 파손되어 발생하였거나 신자도에 표착한 스티로폼 부표가 풍화를 통해 미세화되어 발생한 것으로 추정된다.

Fig. 16. Distribution of cities around Nakdong River and location of large fish farms The area marked with red squares is the area located on a large fish farm.​​​​​​​

Jang et al. (2016)은 스티로폼 부표에서 서식하는 홍합에서 Hexabromocyclododecane (HBCD)이 축적되는 현상을 보고한 바 있다. 이는 스티로폼 잔해에서 유출되는 물질을 주변 해양생물이 직접 섭취할 수 있음을 시사하는 바이다. 본 연구의 조사 대상지인 신자도에 가장 많이 분포하는 유형의 쓰레기가 스티로폼 파편이며, 그 다음으로 스티로폼 부표가 많이 존재한다는 점을 고려했을 때 이는 잠재적으로 생태계의 유해물질 원천이 될 수 있는 위험성이 있다고 볼 수 있다. 실제로 스티로폼 부표에 서식하는 바위털갯지렁이의 배설물에서 미세플라스틱이 발견된 사례가 있었다(Shim et al., 2015). 또한 미세화 된 스티로폼 입자가 요각류에게 섭취되었을 때, 번식력 감소를 야기시키는 것을 실험실에서 확인된 바 있어(Shim et al., 2015) 스티로폼 파편이 생태계에 부정적인 영향을 미칠 수 있음을 시사하고 있다.

또한 신자도는 나무와 같은 대형 식생이 존재하지 않는 섬으로 섬 내에 존재하는 스티로폼류는 자외선에 대한 노출이 다른 섬에 비해 더 높다. 한편 신자도는 무인도서로 육지나 유인도서에 위치한 해변에 비해 해양쓰레기 관리가 어렵다는 문제가 있다. 해당 도서의 환경관리 주체인 부산광역시에서 연 2회 해양쓰레기 수거를 하고 있으나 본 연구의 결과에서 나타난 것처럼 섬 전체에 여전히 고밀도 해안쓰레기 Hot-spot이 존재하고 있다.

스티로폼, PET와 같은 플라스틱류는 해변에 장기간 노출될 경우 풍화로 인한 마모 및 광분해를 통해 미세화 될 수 있다(Han, 2020; Delre et al., 2023). 특히 스티로폼의 마모와 자외선 노출은 산화 잠재력을 증가시킬 수 있는데, 이렇게 마모되고 산화된 미세 입자가 생물세포에 유입될 경우 산화스트레스를 유발하고 염증 반응을 촉진할 수 있다(Jeon et al., 2023). 신자도와 같은 환경조건은 스티로폼 부표 및 파편을 분해하여 미세화시킴으로써 더 많은 스티로폼 파편을 만들어낼 수 있다. 미세화된 스티로폼 파편은 바람에 의해 이동 및 확산될 수 있으므로(Turner, 2020), 바람을 통해 주변 해양으로 재유입 될 수 있다. 신자도가 우리나라의 대표적인 철새 도래지임을 고려했을 때, 스티로폼 및 그 부산물로 인한 오염확산 범위는 해양과 육상 뿐 아니라 생물권 등으로 더욱 확대될 수 있는 위험성이 있다.

3.4. 고해상도 해안쓰레기 지도를 통해 얻을 수 있는 정보

지금까지 해안쓰레기에 대한 조사를 위해 일반적으로 사용되던 방식은 사람에 의해 현장에서 직접 조사하는 것이었다. 이 방법은 국가별로 차이는 있으나 대부분 100 m 내외의 샘플링 구역을 선정하고 해당 구역 내에서 집계된 쓰레기의 양을 조사 대상 해안의 면적에 대한 값으로 환산하는 방식이었다. 이 조사 방법은 별도의 전문적인 장비 없이 비숙련 인력으로도 수행가능하다는 장점이 있으나 많은 시간과 노동력을 요구하여 비용부담이 크다는 단점이 있었다. 또한 샘플링 구역을 어디에 선정하는가에 따라 쓰레기의 총량이 달라질 수 있어 오차에 대한 위험성이 높다. 이러한 문제를 개선하기 위해 본 연구에서는 무인항공기와 딥러닝 기술을 활용한 모니터링 및 매핑 프로토콜을 제안하였다.

본 연구에서는 11종의 해안쓰레기에 대해 고해상도 지도를 제작하고 공간분포 특성을 분석하였다. 또한 40만장 이상의 이미지를 포함하는 데이터셋을 활용하여 모델의 신뢰성과 다양성을 확보하였다. 제안된 방법은 평방미터 수준의 고해상도 해안쓰레기 지도를 성상별로 제작할 수 있다. 약 2.5 ha에 해당하는 넓은 해안을 기준으로 무인항공기 영상 촬영(84분)과 매핑(분석시간 포함 약 10분)에 2시간 미만의 시간이 소요되어 넓은 해안에 대한 현존량 파악 시간을 획기적으로 단축시킬 수 있다. 뿐만 아니라 기존의 유사 연구들(Bao et al., 2018; Yohanlis and Putri, 2021; Papakonstantinou et al., 2021)이 입력자료로 정사영상을 사용한 것과 달리 드론에서 촬영된 이미지를 그대로 사용하기 때문에 모자이크 이미지를 생산하는데 필요한 시간 및 소프트웨어 라이선스 비용도 절약할 수 있다.

또한 쓰레기 성상별 고해상도 지도를 획득함으로써 이를 기반으로 다양한 공간분석 기법의 적용이 가능하다. 본 연구에서 시험적으로 적용했던 Local Moran’s I 분석을 통해 Hot-spot의 식별할 수 있으며, 조사 영역을 확대 적용할 경우 특정 도시 또는 지역에 대한 Global Moran’s I 분석을 통해 각 성상별 공간 분포 패턴에 대한 정량적 분석도 가능할 것으로 기대된다. 또한 같은 스케일로 제작된 다양한 해양, 환경, 지형 관련 주제도와 더불어 중첩분석을 통한 주요 원인인자 탐색에도 활용될 수 있을 것이다.

4. 결론

본 연구에서는 무인항공기와 딥러닝 기반 객체 탐지 기술을 활용한 새로운 해안쓰레기 모니터링 방법을 제안한다. 40만장 이상의 이미지를 모델학습에 활용함으로써 정확도 평가의 신뢰도를 개선하였으며, 정사영상을 사용하지 않아도 되는 조사 방법을 적용하였다. 제안하는 방법은 별도의 전문적인 기술 없이 모바일 애플리케이션을 활용하여 이미지를 획득 할 수 있으며, 넓은 해안을 단시간에 촬영할 수 있다. 따라서 원격탐사 또는 사진측량 전문가 이외의 인력에 의해서도 손 쉽게 모니터링이 가능하다. 또한 해안쓰레기의 종류별 수량 집계 및 매핑이 가능하다. 이렇게 제작된 공간정보는 본 연구에서 시도한 바와 같이 공간자기 상관성 분석에 활용될 수 있다.

이러한 분석을 적용함으로써 해안쓰레기 문제에 대한 심층적인 이해를 도모할 수 있다. 해안쓰레기의 공간적 분포 패턴을 정량적으로 파악함으로써, 중점 관리가 필요한 위치를 도출할 수 있으며, 이를 통해 효과적인 예산 배분 및 정책 수립이 가능해질 것으로 기대된다. 특히 핫스팟의 위치 식별은 해안쓰레기 축적의 근본적인 원인을 조사하는데 중요한 단서를 제공할 수 있으며, 장기적인 해양 환경 보호전략 개발에 기여할 수 있을 것이다. 본 연구에서 제안하는 해안쓰레기 모니터링 방법은 딥러닝 모델을 기반으로 손쉽게 공간자료를 생산함으로써 관련 정책 입안자와 실무자에게 데이터 기반 의사결정을 위한 근거자료를 제공할 수 있다. 또한 성상별 고해상도 지도는 해안쓰레기 및 환경분야 연구를 위한 기초자료로 활용될 수 있을 것으로 기대된다.