Safe navigation of ships has always been emphasized along with human history, and for this purpose, rigorous measuring equipment and advanced navigation technologies are developing continuously. However, accidents of ships continue to occur, and among them, accidents due to the judgement from inexperienced ship crews occur meaningfully. In addition, in the case of larger ships, the use of precision measuring instruments and the use of professional personnel to make judgements on sea conditions as accurately as possible are attempted to sail the ship safely.
In this study, a system for predicting the ocean environment using the rapidly developing machine learning method was proposed. In judging sea states, it is the captain’s main duty to determine the size and seriousness of waves, and based on this long experience, the winds and waves are classified as the Beaufort wind scale. The purpose of this study is to choose and apply a suitable machine learning method that can predict sea states with sufficient big data, and to evaluate its effectiveness.
Initially, the applicability of machine learning was reviewed and the characteristics of the learning model were identified through numerical graphical wave fields. Attempts were performed to identify the wave height of a certain point for long-crested and short-crested waves based on convolutional neural network. Various simulations with image pre-processing techniques, neural network changes, hyper-parameter tunings were conducted, while it was difficult to improve the prediction accuracy. Though this, we tried to examine the applicability of machine learning in identifying the sea state rather than the strict measurement.
Learning data was collected form the actual site over a certain period of time. The images were obtained using a camera in the southwestern area of Korea, and the sea states were obtained from the public data and a seabed installed wave height meter. In single snapshot-based learning, simple convolutional neural network-based learning showed limitations. Therefore, the combined model with convolutional neural network and long short-term memory was applied. In this case, when an appropriate data augmentation technique was utilized together, it was confirmed that the short video-clip based prediction can be applied to the real ocean environment. The applicability of this network was confirmed on images applied by artificially simulating the motion of a vessel, and to improve this, correction and re-prediction of the angle of view through image processing techniques were attempted.
Lastly, limitations of the present technique are arranged and possible solutions are introduced. In addition, the initial application to real problems was performed through prediction of images acquired from a ship in operation.
선박의 안전한 항해는 인류 역사와 더불어 항상 강조되었으며, 이를 위한 엄밀한 계측장비, 고도화된 항해 기법은 나날이 발전하고 있다. 그럼에도 선박의 사고는 지속적으로 발생하고 있으며, 이 중 숙련되지 않은 선원의 판단에 기인한 사고도 유의미하게 발생한다. 또한 대형 선박의 경우 정밀 계측기기의 활용, 전문인력의 승선으로 해상 조건에 대한 판단을 최대한 정확하게 진행하려고 하나 연안을 운항하는 중소형 선박의 경우 중앙기관의 기상 예보 기반으로 전적으로 선장의 판단에 기인하여 선박 운항을 하게 된다.
본 연구에서는 급속도로 발전하고 있는 기계학습법을 이용하여 해상환경을 예측하는 시스템을 제안하였다. 해상 조건을 판단함에 있어 파도의 크기를 판단하는 것은 선장의 주요임무로서 이런 오랜 경험을 기반으로 Beaufort wind scale로서 바람과 파도에 대한 분류가 되어 있다. 이를 충분한 데이터 기반으로 해상 조건을 판단할 수 있는 적합한 기계학습법의 선별, 적용 및 이의 유효성을 판단하고자 하였다.
초기에는 수치 그래픽 데이터 파랑장 기반 학습을 통해 기계학습의 적용가능성 검토 및 학습모델의 특성을 파악하였다. 합성곱 신경망 기반으로 장파정파, 단파정파에 대하여 특정지점의 파고를 식별하는 시도들을 진행하였다. 이미지 전처리 기법 적용, 신경망 구조 변경, 하이퍼 파라미터의 보정 등을 다양하게 적용하였으나 전반적인 정확도를 향상시키기는 어려웠다. 이를 통해 엄밀 계측이 아닌, 해상 상태를 식별함에 있어 기계학습의 적용 가능성을 살펴보고자 하였다.
실제 해역에서의 데이터를 일정 기간 이상 획득하여 학습데이터를 생성하였다. 이 때 이미지 데이터는 한국 서남부 해역에서 카메라를 이용해 획득하였으며, 해상 상태는 기상청 제공 공개 데이터 및 파고 정보는 해저면 설치 파고계로부터 확보하였다. 단일 스냅샷 기반의 학습에서는 단순 합성곱 신경망 기반 학습은 한계를 보였기에, 합성곱 신경망 및 장단기 메모리 기반 딥러닝 네트워크를 적용하였다. 이 때 적절한 데이터 증폭 기법을 함께 사용했을 시, 짧은 영상기반 예측이 실제 해양환경에서도 적용되는 것을 확인하였다. 선박의 운동을 인위적으로 모사하여 적용한 이미지들에 본 네트워크의 유효성을 확인했으며, 이를 개선하고자 이미지 처리 기법들을 통한 화각 보정 및 재예측을 시도하였다.
마지막으로 본 연구에서 활용된 기법의 한계점 및 이를 개선하기 위한 계획들을 정리하였다. 또한 운항 중인 선박에서 획득한 이미지에 대한 예측을 통해 실제 문제에서의 초기 적용을 수행하였다.
