Earticle

초록

영어

The escalating threat from small drones mandates that Anti-Drone Systems (ADS) prioritize rapid and accurate threat identification over simple detection, a capability fundamentally limited by conventional radar/RF sensors. This paper proposes a Deep Learning (DL)-based real-time object detection framework that integrates Electro-Optical (EO) and Infrared (IR) imagery to overcome this. Analysis of stringent real-time requirements theoretically validates the YOLOv7-Tiny architecture as the optimal model, offering a superior balance between speed and accuracy. The proposed 4-channel early fusion strategy, optimized with CIoU and Focal Loss, significantly enhances small object detection. The study details a rigorous experimental methodology, utilizing mAP_S and FPS as key metrics, thereby providing the theoretical foundation for intelligent ADS development.

한국어

소형 드론 위협 증가로 안티-드론 시스템(ADS)은 단순 탐지를 넘어 신속하고 정확한 위협 식별 능력이 필수적이다. 기존 레이더 및 RF 센서는 위협 판단에 결정적인 식별 정보 제공에 한계가 있다. 본 논문은 이 한계를 극복하기 위해 전자광학 (EO) 및 적외선(IR) 영상을 융합하는 딥러닝 기반 실시간 객체 탐지 프레임워크의 설계 방향을 제시한다. 실시간 처리 요구 사항 분석 결과, YOLOv7-Tiny 아키텍처가 압도적인 속도와 정확도의 균형을 제공하는 최적의 모델임을 이론적으로 입증했 다. 제안된 4채널 조기 융합 전략과 CIoU/Focal Loss 최적화는 미세 객체 탐지 성능을 극대화하며, 본 연구는 미세 객체 탐지 정확도(mAP_S) 및 추론 속도(FPS)를 핵심 평가 지표로 하는 상세한 실험 방법론을 제시하여 ADS 지능화의 이론적 토 대를 마련한다.

목차

ABSTRACT
초록
Ⅰ. 서론
1.1 연구 배경 및 필요성
1.2 기존 연구의 한계
1.3 연구 목표 및 내용
Ⅱ. 이론적 배경 및 관련 연구
2.1 드론 탐지 기술 동향
2.2 딥러닝 기반 객체 식별 방법
Ⅲ. 딥러닝 기반 탐지 및 식별 알고리즘설계 및 방법론
3.1 다중 센서 데이터 융합
3.2 위협 기반 드론 식별 클래스 정의
3.3 학습 데이터 셋 구축
3.4 손실 함수 및 최적화
3.5 엣지 컴퓨팅 및 실시간 최적화
Ⅳ. 실험 방법
4.1 실험 환경 및 설정
4.2 데이터셋 구성 및 전처리
4.3 평가 지표 및 비교 분석 방법
4.4 비교 분석 및 실험 시나리오
Ⅴ. 결론
참고문헌

키워드

저자

• 김진곤 [ Jin-Gon Kim | 국립금오공과대학교 전자공학과 박사과정 ] 주저자
• 조국한 [ Guk-Han Jo | 구미전자정보기술원 실감미디어연구단 연구원 ]
• 송영준 [ Young-Joon Song | 국립금오공과대학교 전자공학부 교수 ] 교신저자

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  한국방위산업학회지 [Journal of the Korean Association of Defense Industry Studies]

• 간기

  연3회

• pISSN

  1738-6144

• 수록기간

  2000~2025

• 등재여부

  KCI 등재

• 십진분류

  KDC 390 DDC 355