뉴스/속보

과학자들은 인간보다 더 빠르게 영상 속 물고기를 탐지하고 분류할 수 있는 모델을 사용했다. 이 탐지 모델은 ‘You Only Look Once, 버전 11(YOLOv11)’이라 불린다. 이 모델은 명태를 잡는 어망에서 연어가 빠져나가도록 돕는 장치(excluder)의 효과를 평가하는 데 과학자들을 돕고 있다.

YOLOv11은 이미지용 물체 탐지 딥러닝 모델이다. 알래스카 어업과학센터의 과학자들은 이 모델을 명태와 연어를 어망 안에서 탐지하고 식별하도록 맞춤화했다. 이를 통해 혼획 저감 장치의 효과를 평가하는 데 사용되는 영상 검토 과정을 반자동화할 수 있게 되었다. 과학자들은 또한 물고기의 행동을 관찰해 이러한 장치의 성능을 개선할 수도 있다.

2005년에는 치누크(Chinook) 연어, 2006년에는 훔(Chum) 연어의 혼획 수준이 사상 최고치를 기록했다. 그 이후 상업 어업계는 어업 과학자 및 기술자들과 협력하여 장비의 효율을 개선하고 연어 혼획을 피하거나 줄이기 위한 노력을 이어왔다. 산업계는 여전히 다음과 같은 분야에 투자하고 있다:

- 새로운 어망 설계

- 첨단 기술

- 연어 존재 시 어선에 알림을 주는 시스템

이러한 도구들은 처음부터 연어를 잡지 않도록 돕는 역할을 할 수 있다.

< 인공지능이 필요한 영상 모니터링 >

이번 딥러닝 연구는 연어 탐지를 자동화하여 혼획 저감 장치의 효과를 평가할 수 있는지 검증하기에 이상적인 사례였다. 어망 내부에 설치되는 이 장치들은 ‘연어 배제기(salmon excluder)’라고 불리며, 명태는 어망 안에 남기고 연어는 빠져나가도록 설계되어 있다. 그 효과를 시험하기 위해 조명과 함께 설치된 카메라가 혼획 저감 장치의 입구 전체를 비추며 영상을 촬영한다. 과학자들은 이 영상을 검토해 어획시 장치가 제대로 작동하는지 모니터링한다.

어업에서 영상의 활용은 다음과 같은 이점을 준다:

- 어업 과정이 어떻게 작동하는지 이해

- 물고기를 더 효율적이고 빠르게 잡는 방법 연구

- 환경에 해를 끼치지 않고 자원을 지속적으로 이용할 수 있도록 함

최근 몇 년 동안, 다양한 환경에서 사용할 수 있는 저비용, 고화질 카메라 시스템의 보급으로 영상 수집이 증가했다. 그러나 영상이 많아질수록 과학자들이 이를 검토하는 데 더 많은 시간이 필요하다. 바로 이 지점에서 머신러닝이 과학자들을 돕는다.

“우리는 공개된 딥러닝 물체 탐지 모델을 훈련시켜 연어와 명태를 식별할 수 있도록 만들었습니다. 모델의 성능은 인간과 비교했을 때 일부 변동은 있었지만 유사한 수준이었습니다. 무엇보다도 엄청난 시간을 절약해 줍니다. 모델은 몇 시간 만에 어획 영상을 처리하지만, 인간은 같은 데이터를 검토하는 데 며칠에서 몇 주가 걸립니다.”라고 NOAA 알래스카 어업과학센터의 물리학자이자 연구 책임자인 Katherine Wilson은 말했다.

이번 프로젝트는 태평양 주 해양어업위원회(Pacific States Marine Fisheries Commission)와 협력하여 진행되었으며, B&N Fisheries 소속 어선이 데이터를 수집했다. Wilson은 이어 “아직 개선해야 할 부분이 있지만, 이번 연구는 큰 가능성을 보여줍니다. 연어 식별에 익숙한 사람이라도 수많은 영상을 검토하며 모든 연어를 식별하는 것은 어려운 일입니다. 장기적으로 자동화된 영상 모니터링은 훨씬 비용 효율적이며 인간의 오류를 줄일 수 있습니다.”라고 덧붙였다.

< 딥러닝 모델의 역할 >

컴퓨터 비전, 머신러닝, 딥러닝 기술의 발전은 데이터 처리 능력을 향상시켜왔다. 이러한 발전은 물체 식별 같은 기본 작업을 수행할 수 있는 인공지능 기반 머신러닝 솔루션의 개발을 이끌었다.

딥러닝은 머신러닝의 하위 분야로, 신경망을 이용해 데이터 내 복잡한 패턴과 관계를 포착한다. 특히 합성곱 신경망(CNN)은 이미지 인식에 뛰어난 성능을 보이는 딥러닝 모델이다. 산업 분야에서는 CNN을 이용해 제조 공정의 결함 탐지나 의료 영상에서 질병 진단 등을 자동화하고 있으며, 이를 통해 차량, 장비, 로봇이 자율적으로 움직일 수 있게 된다.

해양 연구 및 응용 분야에서도 CNN은 다양한 해양 어류 종을 분류하거나 탐지하는 데 활용되어 영상 분석을 지원한다. 딥러닝은 이미지 주석(image annotation) 즉, 컴퓨터 비전 모델이 물체를 탐지하거나 식별하도록 학습시키기 위해 이미지를 라벨링하는 과정을 이용한다. 이번 연구에서는 16,998개의 영상 프레임으로부터 연어 11,572개, 명태 73,394개의 주석 데이터를 사용했다.

영상은 여름철 여러 차례 어획 작업 중에 촬영되었다. 여름에는 주로 큰 훔(Chum) 연어가 혼획되고, 겨울철에는 더 작고 어린 치누크(Chinook) 연어가 주로 나타난다.

과학자들은 모델의 전반적인 성능과 다음과 같은 조건에서의 성능을 평가했다:

- 크릴 존재 여부

- 물고기 밀도 변화

- 카메라 시야 가림

- 낮은 조도 환경

최고 성능의 모델은 물고기의 97%를 탐지하고, 82%의 예측 정확도를 보였다. 그러나 영상에 청어(herring)가 포함된 경우에는 잘못된 연어 탐지가 다수 발생했다. 반면, 연어와 명태를 함께 인식하도록 학습시킨 다중 분류 모델은 단일 연어 모델보다 오탐률이 낮았다. 이는 청어를 모델의 새로운 탐지 클래스에 포함하면 이러한 오류를 줄일 수 있음을 시사한다.

이러한 딥러닝 모델을 명태 어업의 연어 혼획 완화에 실제로 적용하기 위해서는 더 많은 연구가 필요하다. 예를 들어, 더 작은 치누크 연어가 포함된 영상에서 모델의 성능을 검증해야 하며, 훔과 치누크를 구분할 수 있는 모델을 개발할 필요도 있다.

< 더 똑똑한 어업, 더 지속 가능한 미래 >

“영상 분석 자동화는 시간과 비용을 절약할 잠재력이 있습니다.”라고 Wilson은 말했다. “이번 연구는 어업계가 혼획을 줄이고 더 지속 가능한 방식으로 운영할 수 있는 새로운 도구를 제공합니다. 배제기 평가를 자동화하는 후처리 도구를 개발하면 혼획 저감 기술의 발전 속도를 더 빠르게 높일 수 있고, 실시간 도구를 개발하면 어민들이 더욱 친환경적으로 조업할 수 있는 정보를 얻을 수 있습니다. 우리의 연어 및 명태 탐지 연구는 딥러닝 방법이 접근하기 쉽고 강력하다는 것을 보여주었습니다.”

[출처] NOAA Fishereis 2025/09/30

[원문]

https://www.fisheries.noaa.gov/feature-story/faster-analysis-data-evaluate-bycatch-reduction-efforts-pollock-fishery