딥러닝을 활용한 조류자동분석 알고리즘 개발연구

김혜인* · 유지수* · 박연정* · 송대성* · 채신태** ·  오은정* · 박정수*
한국수자원공사 K-water 융합연구원*
㈜ 시정**

1. 서론
   실생활에서 사용하는 물에 직간접적으로 영향을 미치는 대표 조류에는 이취미 및 독성물질을 유발하는 남조류와 수처리공정에서 용수생산을 저해하는 규조류가 있다. 매해 반복적으로 발생하는 녹조는 일조량, 수온, 수중의 영양염류 등에 의해 녹조류 및 남조류가 대규모로 번식하는 것으로, 특히 유해 남조류의 경우 독성물질 및 이취미를 유발할 수 있어 지속적 관리가 필요하다. 규조류의 경우 여과지 폐색을 유발함으로써 역세척 주기를 단축시키고 약품사용량 및 손실수량이 증가되는 등 경제적 측면에서 영향을 미친다. 이러한 조류에 효과적으로 대응하기 위해서는 조류 조기감지가 중요하나, 기존의 현미경계수법에 의한 조류분석은 시간이 많이 소요됨에 따라 즉각 대응에 한계가 있다. 이에 효율적인 조류 모니터링 기법에 대한 많은 연구들이 이루어졌다. 
  최근 머신러닝기법의 환경 분야 적용이 지속적으로 늘어나고 있으며, 기존의 ANN (Artificial Neural Network)에서 많이 논의되는 문제 중 하나인 과적합(Overfitting) 문제 등을 해결할 수 있도록 개발된 딥러닝(Deep Learning)도 점차 적용범위가 넓어지고 있다. 
  본 연구에서는 이러한 딥러닝 알고리즘 중 특히 영상, 이미지 분석에 널리 쓰이는 CNN(Convolutional Neural Network) 알고리즘의 조류(Algae) 이미지 분석 적용 가능성을 조사하였다. 

2. 연구방법
  2.1. 조류 이미지 라이브러리(Image Library) 구축
  CNN을 이용한 조류 자동분석 모델 구축을 위해서는 측정 대상 조류의 대표성을 보이는 이미지 자료를 축적한 이미지 라이브러리의 구축이 필요하다. 본 연구에서는 유해남조류인 Anabaena sp. 및 Aphanizomenon sp. 등 조류 10종을 대상으로 조류 이미지 라이브러리를 구축하였다.

  2.2. 자동 분석 알고리즘 개발
  조류 이미지의 분석은 CNN 알고리즘을 이용하였으며, Tensorflow 환경에서 구동되는 U-Net 모델을 이용하여 수행되었다.

3. 결과 및 고찰
  본 연구에서는 유해남조류 등 조류 10종에 대하여 이미지 라이브러리를 구축하였으며, CNN 알고리즘을 이용한 이미지 학습을 수행하여 딥러닝의 조류 분석 적용 가능성을 검토하였다. 향후 이미지 라이브러리의 확대와 모델 개선으로 알고리즘의 정확도를 향상시키기 위한 지속적인 연구를 수행할 예정이다.

References
1. LeCun, Y., Bengio, Y., & Hinton, G., “Deep learning”,  Nature, 521(7553), 436.(2015)
2. Lakshmi, S., & Sivakumar, R,. (2018). Chlorella Algae Image Analysis Using Artificial Neural Network and Deep Learning. In Biologically Rationalized Computing Techniques For Image Processing Applications (pp. 215-248). Springer, Cham.