An Intelligent YOLO26-Based Early Warning Framework for Drone Detection in Critical Infrastructure Surveillance

기술 요약: 주요 기반 시설 감시를 위한 지능형 YOLO26 기반 드론 탐지 조기 경보 프레임워크

문제 정의
무인 항공기(UAV)의 확산은 공항, 석유 및 가스 시설, 제한 구역을 포함한 주요 기반 시설에 심각한 보안 위험을 초래하고 있습니다. 레이더, 무선 주파수(RF) 모니터링, 음향 센서 또는 수동 CCTV 관찰에 의존하는 전통적인 대드론(counter-UAS) 방식은 높은 비용, 환경적 취약성(예: 소음, 날씨), 확장성 부족 등의 한계를 가집니다. 컴퓨터 비전은 기존 감시 카메라를 활용함으로써 실용적인 대안을 제공하지만, 드론을 탐지하는 것은 기술적으로 매우 까다롭습니다. 드론은 종종 작고 빠르게 움직이는 물체로 나타나며, 모션 블러(motion blur), 복잡한 배경(구름, 도시 경관) 대비 낮은 대비도, 그리고 새, 항공기 또는 헬리콥터와의 시각적 유사성 문제를 보입니다. 기존의 딥러닝 접근 방식은 실시간 성능을 유지하면서 높은 재현율(모든 위협 탐지)과 낮은 오탐률(false-positive rates) 사이의 균형을 맞추는 데 어려움을 겪는 경우가 많으며, 많은 모델이 민감한 구역에 진입하기 전의 "조기 경보"를 위한 구체적인 운영 로직이 결여되어 있습니다.

방법론
본 연구는 실시간 드론 탐지 및 조기 경보를 위해 YOLO26 딥러닝 아키텍처를 활용한 실험적 프레임워크를 제안합니다. 방법론은 다음과 같은 핵심 구성 요소로 이루어집니다.

• 데이터셋 구축: 공공 저장소와 합성/실제 감시 영상을 활용하여 약 3,200개의 주석 처리된 이미지와 10,000개의 인스턴스로 구성된 맞춤형 데이터셋을 수집하였습니다. 데이터셋에는 *드론(drone), 새(bird), 항공기(aircraft), 헬리콥터(helicopter), 배경 비행 물체(background flying object)*의 5개 클래스가 포함됩니다. 이미지는 다양한 거리, 고도, 조명(주간/야간 시뮬레이션), 날씨(흐림), 모션 블러를 포함합니다.
• 데이터 증강(Data Augmentation): 일반화 성능을 높이기 위해 온라인 증강 기법을 사용하여 훈련 세트를 약 10,000장의 이미지로 확장하였습니다. 여기에는 저품질 CCTV를 시뮬레이션하기 위한 가우시안 노이즈 주입(Gaussian noise injection)과 흑백/야간 투시 카메라를 시뮬레이션하기 위한 그레이스케일 변환이 포함됩니다.
• 모델 아키텍처: 본 연구는 비최대 억제(NMS) 없는 엔드 투 엔드 추론을 위해 듀얼 헤드 아키텍처를 특징으로 하는 통합 실시간 객체 탐지 모델인 YOLO26을 활용합니다. 활용된 주요 기술적 특징은 다음과 같습니다.
  • 소형 객체 인지 레이블 할당(Small Target Aware Label Assignment, STAL): 작고 멀리 있는 객체의 학습을 개선하기 위함입니다.
  • 점진적 손실(Progressive Loss): 감독(supervision)을 탐지 헤드로 전환하기 위함입니다.
  • NMS-free 추론: 후처리 지연 시간을 줄이기 위함입니다.
• 훈련 설정: NVIDIA T4 GPU를 사용하여 COCO 사전 학습 가중치로부터 전이 학습(transfer learning)을 통해 50 에포크(epoch) 동안 모델을 훈련시켰습니다. 훈련에는 코사인 어닐링(cosine annealing)과 함께 학습률 0.01을 적용하였으며, 조기 종료(patience 10)를 사용하였습니다.
• 조기 경보 로직: 단순한 탐지를 넘어, 본 프레임워크는 규칙 기반 경보 시스템을 구현합니다. 경보는 탐지 신뢰도, 프레임 지속성(여러 프레임에 걸친 반복 탐지), 그리고 제한 구역을 향한 객체의 이동에 따라 단계적으로 격상됩니다.
• 평가: 성능은 mAP, 정밀도(Precision), 재현율(Recall), F1-Score, FPS(초당 프레임 수), 오경보율 등의 지표를 사용하여 베이스라인 모델(표준 CNN, YOLOv8, YOLO11 포함)과 벤치마킹되었습니다.

주요 결과
YOLO26 모델은 별도의 테스트 세트에서 견고한 성능을 입증하였습니다.

• 전체 정확도: 종합 mAP 98.4% 및 **F1-Score 98.3%**를 달려 성과를 거두었습니다.
• 클래스별 성능:
  • 드론 클래스: 정밀도 99.3%, 재현율 100%, mAP 99.5%.
  • 헬리콥터 클래스: 정밀도 99.9%, 재현율 100%, mAP 99.5%.
  • 새 클래스: 정밀도 95.9%, 재현율 93.7%, mAP 95.9% (드론과 새를 구분하는 데 예상되는 어려움이 나타남).
• 수렴(Convergence): 훈련 곡선은 첫 몇 에포크 동안 특유의 "하락 후 상승(dip-then-rise)" 패턴을 보였으나(일반 COCO 가중치에서 특수화된 드론 데이터셋으로의 도메인 적응 때문), 이후 빠르게 안정화되었습니다. 50 에포크에 도달했을 때 모델은 98.91%의 최고 mAP에 도달했습니다.
• 실시간 검증: 시스템은 비디오 스트림을 성공적으로 처리하여 바운딩 박스를 생성하고, 신뢰도와 지속성에 따라 경보 상태를 "관찰(Observation)"에서 "심각 경보(Critical Alert)"로 격상시키는 과정을 보여줌으로써 연속 모니터링의 가능성을 입증했습니다.

주요 기여

1. 새로운 프레임워크: 단순한 탐지를 넘어 실행 가능한 보안 경고를 제공하는 조기 경보 로직과 YOLO26 탐지를 결합한 통합 시스템을 개발하여, 탐지와 실제 보안 경고 사이의 간극을 해결하였습니다.
2. 특화된 데이터셋: 도전적인 환경 조건 하에서 드론을 시각적으로 유사한 비행 물체(새, 항공기)와 구분할 수 있도록 특별히 주석 처리된 다중 클래스 드론 감시 데이터셋을 구축하였습니다.
3. 소형 객체 최적화: STAL 및 점진적 손실 메커니즘을 활용하여 복잡한 환경에서 작고 멀리 있는 목표물을 탐지하는 데 있어 YOLO26의 효능을 입증하였습니다.
4. 포괄적인 평가: 표준 탐지 지표(mAP, F1)뿐만 아니라 오경보 감소 및 경보 격상 로직과 같이 보안 측면에서 중요한 운영 지표를 통해 시스템을 평가하였습니다.

의의 및 주장
본 논문은 제안된 프레임워크가 값비싼 새로운 센서 배치를 요구하는 대신 기존 CCTV 인프라를 활용함으로써 주요 기반 시설 감시를 위한 확장 가능하고 비용 효율적인 솔루션을 제공한다고 주장합니다. 저자들은 YOLO26의 특정 아키텍처 특징(NMS-free 추론, STAL)이 소형 객체 탐지와 저지연 실시간 처리라는 두 가지 과제를 해결하는 데 특히 적합하다고 단언합니다.

본 연구는 시스템이 높은 정확도를 달 achieves 하지만, 시각적 확인이 필요한 환경에 가장 적합하다고 결론짓습니다. 저자들은 시각적 유사성(드론과 새)이 오경보의 원인이 될 수 있음을 언급하며 한계를 겸허히 인정하였고, 고도의 보안이 요구되는 애플리케이션의 경우 극단적인 날씨나 사각지대를 보완하기 위해 센서 퓨전(예: 레이더 또는 RF 결합)이 여전히 필요할 수 있다고 명시하였습니다. 본 연구의 주요 기여는 YOLO26이 선제적이고 AI 기반인 드론 조기 경보 시스템을 위한 실행 가능하고 고성능인 백본으로서 유효함을 검증한 데 있습니다.