김석환
(Seokhwan Kim)
1iD
김태건
(Taegeon Kim)
2iD
김홍조
(Hongjo Kim)
3†iD
-
정회원 ․ 연세대학교 건설환경공학과 석박사통합과정
(Yonsei University · yyksh2019@yonsei.ac.kr)
-
정회원 ․ 연세대학교 건설환경공학과 석박사통합과정
(Yonsei University · ktg9655@yonsei.ac.kr)
-
종신회원 ․ 교신저자 ․ 연세대학교 건설환경공학과 조교수
(Corresponding Author ․ Yonsei University · hongjo@yonsei.ac.kr)
Copyright © 2021 by the Korean Society of Civil Engineers
키워드
해양쓰레기, 쓰레기 수거, 몬테카를로 시뮬레이션, 유지관리
Key words
Marine debris, Trash collection, Monte Carlo Simulation(MCS), Maintenance
1. 서 론
유엔의 지속가능발전목표 중 해양 분야 목표에 ‘해양 쓰레기 저감’이 있을 정도로 해양 쓰레기를 줄이기 위한 노력이 국내외적으로 주목받고 있다. 해안
쓰레기의 60 %는 육상에서 발생하며 처리되지 못한 쓰레기가 강줄기를 통해 바다로 유입되는 것이 주요한 원인이다. 최근 법적으로 이러한 육상 기인
쓰레기의 유출 방지 조치가 의무화되었고(Lee and Kang, 2021) 따라서 부유 쓰레기 차단시설이 강줄기에 설치가 진행 중이거나 계획되어 있다. 그러나 이러한 차단시설의 유지관리 방안에 대한 깊이 있는 논의는 이루어지지
않았다. 차단시설물은 강물에 설치되어야 한다는 특성 때문에 넓게 분포되어 있으므로 실시간 모니터링이 어렵다. 그 결과 현장 작업자의 경험적 판단에
의존하게 되어 관리 과정이 비과학적인 면을 가진다. 이러한 문제를 해결하기 위하여 ‘컴퓨터 비전 결합 실시간 쓰레기 차단막 모니터링 기술 기반 쓰레기
수거 프레임워크’를 제시하고자 한다.
컴퓨터 비전 기술의 적용은 부유 쓰레기의 실시간 모니터링과 효율적인 관리에 핵심적인 역할을 할 수 있다. 이때, 본 연구에서 사용한 해양 부유 쓰레기,
해안 쓰레기, 부유 쓰레기라는 용어들은 모두 같은 의미로 사용된다. 이 기술은 강변에 설치된 차단시설에서 발생하는 쓰레기의 종류와 양을 정확하고 빠르게
파악할 수 있도록 돕는다. 특히, YOLOv7-x(Wang et al., 2023) 모델 같은 고급 이미지 인식 알고리즘을 활용하여, 이러한 데이터를 수집하고 분석하는 것은 수거 작업의 최적화에 중요한 기여를 한다. 이러한 기술적
접근은 수거 작업의 빈도와 범위를 더 정확하게 결정하는 데 도움을 주며, 이는 전체적인 운영 비용을 줄이는 데 중요한 역할을 한다.
본 연구에서는 컴퓨터 비전 기반의 모니터링 시스템을 통해 얻은 데이터를 수거 시나리오와 연계하여, 강변 쓰레기 차단막의 유지보수 및 관리 전략을 개선하는
방법을 제안한다. 또한 몬테카를로 시뮬레이션을 통한 경제적 분석으로 이 새로운 접근법이 기존의 주기적 수거 방식보다 비용 효율적임을 구체적인 수치로
보여주고자 한다.
2. 컴퓨터 비전 기반 쓰레기 모니터링 기술
수상 쓰레기를 찾기 위한 시도는 지속해서 있어 왔다. Kylili et al.(2019)는 플라스틱 성분의 부유 쓰레기를 Convolutional Neural Network(CNN) 방법으로 분류하였으나, 위치 정보를 찾지 못하는 한계를
가졌다. Fallati et al.(2019)는 무인비행체로 촬영한 영상으로부터 해안가에 떠밀려 온 부유 쓰레기를 찾는 연구를 진행하였으나 촬영 장소가 한국과 상이한 특징을 가지고 있다는 한계를
가졌다. Sánchez-Ferrer et al. (2023)은 이전의 논문보다 정교한 방식으로 쓰레기를 탐지하고자 하였으나 학습에 사용한 데이터가 수중에서 수집한 영상이기에 본 시스템에 직접 적용에는 한계가
있었다. 이처럼 강물 상에 설치된 쓰레기 차단막에 모인 부유 쓰레기를 찾는 시도는 그동안 미흡하였다.
Kim et al.(2023)은 한국의 쓰레기 차단막을 고려하여 목재, 병, 종이, 스티로폼, 비닐, 그리고 플라스틱의 6개의 쓰레기로 구성된 영상 데이터를 수집하고 학습 데이터
셋을 직접 제작하였다. 또한 이를 YOLOv3, v5, v7에 각각 학습시켜서 이들 간의 성능을 비교하였고 YOLOv7의 쓰레기 탐지 성능의 우월성을
입증하였다. 컴퓨터 비전이 결합한 실시간 쓰레기 차단막 기술은 물체 탐지 알고리즘이 쓰레기의 수량을 실시간으로 확인한다. 또한 수량과 더불어 쓰레기의
종류도 함께 탐지한다. 부유 쓰레기에 라벨링 된 7,960여 장의 사진을 이용하여 쓰레기의 종류를 인식하도록 학습시켰으며 mAP기준 96.8 %의
높은 성능을 보였다. Fig. 1은 그 추론 예시를 보여준다.
Fig. 1. Detection Results of Floating Trash
3. 부유 쓰레기 차단막 유지관리 프레임 워크
신규 차단막 유지관리 프레임 워크는 Fig. 2와 같이 이루어져 있다. 앞서 서 컴퓨터 비전 기반 쓰레기 모니터링 AI가 찾아낸 쓰레기의 종류와 수량 정보는 환산지표를 통해 무게로 변환하였다.
환산지표는 국가 해안 쓰레기 모니터링 사업 결과 자료(KOEM, 2020a)와 해양폐기물 정화사업 표준품셈 및 설계기준(KOEM, 2020b)의 자료를 참조하여 특정 물체에 대한 개수 당 무게를 파악할 수 있음을 확인하였다. 본 논문에서는 시뮬레이션으로 프레임워크를 분석하기에 무게를 직접
수치상으로 정하면 되므로 이 자료를 사용하지 않았다.
각 쓰레기 차단시설의 한계 차집 용량을 넘기 전에 수거를 진행하도록 유지관리를 진행하였다. 이를 위해 (1) 지점간 거리, (2) 경로의 최단 거리,
(3) 비용산정수식을 알아야 한다. 먼저 쓰레기 차단막 시설과 수거 시설로 이루어진 임의 지점간에 대하여 직선 거리를 계산하고 행렬형식으로 저장하였다.
예를 들어, N개의 지점이 존재한다면 N*N의 크기를 가진 거리행렬을 구할 수 있었다. 수거가 필요한 시설을 선택하고, 이들에 대하여 Traveling
Salesman Problem(TSP) 알고리즘으로 최단 경로를 찾을 수 있었다(Reinelt, 1994). TSP는 가장 짧은 경로를 통해 여러 도시를 한 번씩 방문하고 시작점으로 돌아오는 최적 경로를 찾는 문제를 의미한다. 조합 최적화와 그래프 이론에
기반한 TSP는 물류, 제조, 순차적 계획 세우기 등 다양한 실제 응용 분야에서 활용되고 있으며, 본 연구에서는 쓰레기 차단막 설치 지점들 사이의
최적 경로를 찾는데 활용하였다. TSP를 풀기위해 2-opt 알고리즘을 사용하였는데, 많은 수의 지점에 대해서도 빠르게 유사 최단 거리를 계산할 수
있다는 장점이 있어서 선택하였다. 정해진 경로를 순회하며 쓰레기를 수거에 드는 비용을 해양폐기물 정화 사업 표준품셈(KOEM, 2020b)을 참조하여 산정하였다. 표준품셈에 따라 차단막의 쓰레기를 수거하는데 1대의 크레인과 2명의 인부가 필요하다고 가정하였다. 비용의 계산은 단순화하여
크레인이 1 km를 이동하는데 1$(1,300₩), 한 곳을 수거하는데 60$(78,000₩)를 소요한다 가정하였다. 또한 차집한 쓰레기를 운반하는
25톤 트럭의 비용을 회당 600$(780,000₩)라고 가정하였다. 따라서 비용을 계산하는 공식은 Eq. (1)과 같다.
제시한 프레임워크와 대비되는 주기적 수거 방식은 단지 정해진 시간만 따라 쓰레기를 수거하는 것이다. 즉, 특정 지점을 수거하는 시점이 차집된 쓰레기의
양이 아닌 일정한 시간간격이다. 모든 수거 지점을 매일 혹은 일자단위의 쉬는 간격을 두어 차집되며 비용은 Eq. (1)과 같다. 이후 MCS를 이용하여 전략의 경제적 이득을 분석하였다.
Fig. 2. Flowchart of Proposed Floating Barrier Maintenance Framework
4. MCS 기법을 이용한 경제성 분석
Fig. 3은 제시한 차단막 유지관리 프레임워크의 경제적 장점을 MCS를 이용하여 이득을 계산하고 분석하는 방법을 보여준다. MCS는 공학 분야에서 확률적 또는
결정론적 문제를 해결하는 데 널리 사용되는 컴퓨터 기반 시뮬레이션 방법이다. 이 기술을 사용해서 다양한 시나리오를 확률 표본 추출을 통해 빠르게 생성하고
분석하여 예측이 어려운 문제에 대한 근사적인 해답을 도출할 수 있다. 따라서 MCS는 본 연구 문제에서와 같이 불확실성이 높은 상황에서 다양한 결과의
확률을 추정하는 데 사용될 수 있다. 본 연구의 MCS는 다양한 변수와 이를 위한 매개변수들을 고려하여 비용을 예측하고 비교하기 위해 두 단계로 구성된다.
1단계 시뮬레이션에서는 쓰레기 차단막의 위치 좌표를 0과 60 사이에서 임의의 변수로 생성하였다. 또한 각 차단막의 시작 축적된 쓰레기의 양을 0
%부터 100 % 사이의 범위로 임의지정하였다. 각 차단막의 쓰레기 축적 속도에 대한 표준편차와 평균과 같은 하이퍼 파라미터도 각각 0에서 10,
0에서 30 사이의 범위를 가지도록 하여 쓰레기가 각 차단막에 얼마나 빠르고 일정하게 쌓이는지에 대한 경향과 그 변동성을 고려해야 한다.
본 시뮬레이션에서 사용한 변수로는 기름값, 지점 수(number of nodes), 신규 전략의 쓰레기 수거 임계값, 기존 전략의 수거 간격, 1
km당 이동비, 25톤 트럭의 사용료, 크레인 트럭의 작업당 비용, 그 외의 평균 이동속도와 연비가 있다. 이들은 각각 1.5$/L, 1~30, 100,
1~4, 1$, 600$, 60$/h, 2 km/L, 30 km/h의 값을 가진다. 이 변수들은 시뮬레이션 과정에서 비용을 계산하는 데 사용된다.
2단계 시뮬레이션은 1단계에서 나온 변수와 하이퍼파라미터를 바탕으로 비용을 계산한다. 이를 위하여 무작위 차단막의 위치와 쓰레기 유입량으로부터 10,000번의
반복을 통해 10,000개의 비용을 계산할 수 있었다. Fig. 4는 그 결과를 시각화한 것이다. 좌측 빨간색은 신규 수거 전략을, 우측 파란색은 기존 수거 전략을 의미한다. x축은 금액, y축은 cost의 구간별
빈도수를 의미한다. 같은 조건에서 신규 수거 전략은 $317,253(412,428,900₩)을 평균 비용으로 하여 기존 전략의 $518,953(674,638,900₩)
대비 63 %의 비용적 우위를 보였다.
Fig. 3. Overview of the Monte-Carlo Simulation
Fig. 4. Results of MCS. (Left)Proposed Strategy, (Right)Existing Strategy
5. 결 론
본 연구에서 새롭게 제시한 ‘컴퓨터 비전 결합 실시간 쓰레기 차단막 모니터링 기술 기반 쓰레기 수거 프레임워크’를 사용하면 부유 쓰레기의 차집량을
CCTV 등의 원격 영상 수집 기기로부터 추정할 수 있다. 신규 수거 전략은 ‘(1) 쓰레기 인식 (2) 쓰레기 량 추정 (3) 차집량 계산 (4)
차집량 기반 수거 대상 지점 선정 (5) 지점을 모두 방문하는 최단거리 제안’으로 5단계로 이뤄진 방식이다. 이러한 방식의 우월성을 확인하기 위하여
신구 전략별로 MCS방법을 이용하여 경제적 분석을 진행, 비교하였다. MCS 결과 신규 전략이 기존 전략대비 63 %의 비용만으로 같은 효과를 가지는
것으로 분석되었다. 이를 수거 스케쥴링 및 비용 추정에 사용할 수 있을 것으로 전망한다.
본 연구의 한계점은 다음과 같다. (1) 실제 하천에 설치된 쓰레기 차단막 데이터의 부존으로 인하여 변수 및 조건을 가정한 점이다. 이중 쓰레기 유입량과
관련된 변수와 조건을 가정사항으로 한 점이다. 실제 차단막이 설치된 경우 강우강도, 지형, 토지 이용 현황 등에 따라 쓰레기의 유입량이 변하지만 이를
고려하지 못했다. (2) 비용을 계산할 때 사용한 변수나 알고리즘 기반자료로 표준 품셈을 단순화화한 자료를 사용한 점이다.
제시한 ‘AI기반 수상 부유쓰레기 차단막 유지관리 최적화 방안’은 쓰레기 문제가 심각해지는 요즘 이러한 환경적 문제를 해결하는 최근 심각해지는 쓰레기
처리에서 환경적인 요인을 고려할 수 있는 시설물의 유지관리를 연구한 사례로 가치를 가진다. 또한 그러한 유지관리 전략의 평가방식과 구체적인 결과를
도출한 최초의 사례 중 하나로 가치를 가진다.
신규로 제안한 유지관리 프레임워크가 전 세계적인 쓰레기 문제의 해결에 도움을 주고, 이러한 접근법은 단순히 쓰레기 수거 방식을 개선하는 것을 넘어서,
환경 보호와 자원 관리에 있어서 보다 지속 가능하고 과학적인 접근법을 가능하게 해줄 수 있다고 예상한다.
Acknowledgements
This research was conducted by the support of 2023 Yonsei University Future-Leading
Research Initiative (No.2023-22-0114).
This paper has been written by modifying and supplementing the KSCE 2023 CONVENTION
paper.
References
"Fallati, L., Polidori, A., Salvatore, C., Saponari, L., Savini, A. and Galli, P.
(2019). “Anthropogenic Marine Debris assessment with Unmanned Aerial Vehicle imagery
and deep learning: A case study along the beaches of the Republic of Maldives.” Science
of the Total Environment, Elsevier, Vol. 693, 133581, https://doi.org/10.1016/j.scitotenv.2019.133581."
![DOI](../../Resources/images/icon_crossref.png)
"Kim, S., Kim, T., Hyeon, J., Won, J. and Kim, H. (2023). “Comparing object detection
models for water trash monitoring.” Proceedings of International Conference on Computing
in Civil and Building Engieering, Springer, Cape Town, South Africa, pp. 161-170,
https://doi.org/10.1007/978-3-031-35399-4_13."
![DOI](../../Resources/images/icon_crossref.png)
"Korea Marine Environment Management Corporation (KOEM) (2020a). 2020 National Coastal
Waste Monitoring Service (in Korean). "
![URL](../../Resources/images/icon_url.png)
"Korea Marine Environment Management Corporation (KOEM) (2020b). Standard Product
Calculation and Design Standards for Marine Waste Purification Business (in Korean).
"
![URL](../../Resources/images/icon_url.png)
"Kylili, K., Kyriakides, I., Artusi, A. and Hadjistassou, C. (2019). “Identifying
floating plastic marine debris using a deep learning approach.” Environmental Science
and Pollution Research, EuChemS, Vol. 26, pp. 17091-17099, https://doi.org/10.1007/s11356-019-05148-4."
![DOI](../../Resources/images/icon_crossref.png)
"Lee, J. and Kang, Y. (2021). “The criteria for suitable site selection of floating
barriers.” Proceedings of the Korean Society for Marine Environment and Energy, KOSMEE,
Incheon, Korea, pp. 1640 (in Korean). "
![URL](../../Resources/images/icon_url.png)
"Reinelt, G. (1994). The Traveling Salesman: Computational Solutions for TSP Applications,
Springer, Berlin, Heidelberg. "
![URL](../../Resources/images/icon_url.png)
"Sánchez-Ferrer, A., Valero-Mas, J. J., Gallego, A. J. and Calvo- Zaragoza, J. (2023).
“An experimental study on marine debris location and recognition using object detection.”
Pattern Recognition Letters, Elsevier, Vol. 168, pp. 154-161, https://doi.org/10.1016/j.patrec.2022.12.019."
![DOI](../../Resources/images/icon_crossref.png)
"Wang, C. Y., Bochkovskiy, A. and Liao, H. Y. M. (2023). “YOLOv7: Trainable bag-of-freebies
sets new state-of-the-art for real-time object detectors.” Proceedings of 2023 IEEE/CVF
Conference on Computer Vision and Pattern Recognition, IEEE Computer Society and The
Computer Vision Foundation, Vancouver, Canada, pp. 7464-7475, https://doi.org/10.1109/CVPR52729.2023.00721."
![DOI](../../Resources/images/icon_crossref.png)