| 초록 |
1. 과제 개요 1-1. 연구배경 ❍ 최종목표 - 지역기업과 우주전문기관간의 성장 동력 도출 기획과 큐브위성의 신뢰성 평가 지원 및 활용 연구 - 1차 년도 : 부산시와 유사한 도시와 우주기업/기관 간 협력 사례 분석, 큐브위성 제작/시험 계획 검토 자문, 큐브위성 탑재체 데이터 활용 방안 검토, 해외 초소형위성 플랫폼 사업자 비즈니스 모델 벤치마킹 - 2차 년도 : 큐브위성 사업화 및 경제성 분석 등 기획, 큐브위성 부품 6종 제작/우주환경시험 기술자문, 큐브위성 탑재체 데이터 수집 및 인공지능 기술 적용 - 3차 년도 : 큐브위성 부품 6종 제작/우주환경시험 기술자문, 큐브위성 탑재체 데이터 수집 및 인공지능 기술 고도화 ❍ 총괄 연구계획 - 1차 년도 : ⦁ 지역기업 주도형 큐브위성 개발 기획 연구 : 부산시와 유사한 도시와 우주기업/기관 간 협력 사례 분석 ⦁ 큐브위성의 부품제작/신뢰성 평가 기술 자문 : 큐브위성 부품 제작/시험 계획 검토 ⦁ 인공지능 기술을 적용한 큐브위성 탑재체 데이터 활용 연구 수행 : 큐브위성 탑재체(다분광카메라, 선박위치정보수집시스템) 데이터 활용 방안 검토 ⦁ 해외 초소형위성 플랫폼 사업자 비즈니스 모델 벤치마킹 - 2차 년도 : ⦁ 지역기업 주도형 큐브위성 기획 연구 : 큐브위성 사업화/경제성 및 파급효과 분석 등 기획 연구 수행 ⦁ 큐브위성의 부품제작/신뢰성 평가 기술 자문 : 큐브위성 부품 최대 6종 제작/우주환경시험 기술자문 ⦁ 인공지능 기술을 적용한 큐브위성 탑재체 데이터 활용 연구 수행 : 큐브위성 탑재체 데이터 수집 및 인공지능 기술 적용 - 3차 년도 : ⦁ 큐브위성의 부품제작/신뢰성 평가 기술 자문 : 큐브위성 부품 최대 6종 제작/우주환경시험 기술자문 ⦁ 인공지능 기술을 적용한 큐브위성 탑재체 데이터 활용 연구 수행 : 큐브위성 탑재체 데이터 수집 및 인공지능 기술 고도화 2. 연구내용 및 결과 2-1. 연구내용(3차년도, 최종연도) [큐브위성 제작 기술자문] - 일반적인 위성의 시스템 개발단계 및 스펙트리에 대한 소개 - 우주급 FPGA 기반 OBC 및 페이로드 프로세서 소개 - 여러기관들의 큐브위성 비행소프트웨어 개발 방식 소개 - 유럽표준(ECSS)을 큐브위성을 위해 분야별로 수정하는 사례 소개 - 큐브위성 임무 성공 방안 및 개발 방안 제시 - 큐브위성 신뢰성을 높이기 위한 고장모드영향분석(Failure Mode and Effects Analysis, FMEA) - 위성등급별 전자부품 선정 체계에 대한 소개 - 항우연 제품보증팀이 제안하는 위성 등급별 업무 수행 구분하는 방식 소개 - 통계를 통하여 파악된 큐브위성의 여러 가지 분류에 따른 신뢰도 분석 - 초소형/큐브위성의 부품 및 시스템 모델에 적용해야 할 우주환경시험의 종류와 규격을 개발 중인 12U 나노 위성의 시험 계획과 비교하여 필요한 기술자문 내용을 소개 - 큐브위성을 군집으로 발사한 후 발생하는 위성 식별 문제 소개 - 큐브위성을 타 위성들과 공유(Ride Share)하여 발사하는 경우에 발생하는 위성 식별의 어려움과 군집위성이 야기하는 빛공해 문제 및 방지 대책에 대한 소개 - 군집위성의 자동화된 시운전(Commissioning) 작업흐름 소개 - 한국항공우주연구원 큐브위성 지상국 소개 및 인터페이스를 소개 - 국내 큐브위성 지상국 전파환경 측정결과 및 교신주파수 조정 소개 - 초소형위성의 지상 테이터 처리 개발 진행을 위해, 사용자 준비 데이터(ARD, Analysis Ready Data)에 대한 검토 [인공지능 기술을 적용한 데이터 활용 연구] - 인공지능 기술을 적용한 큐브위성 탑재체 데이터 활용 가능 연구 주제 조사, 적용 여부 분석 • 위성 영상 기반 인공지능 기술 활용 해양 부유물 탐지 (MODIS, GOCI, Sentinel-2) 1) 연구 데이터셋 구축 및 부유물 탐지 전처리 알고리즘 개발 완료 - KIOST에서 GOCI 데이터와 해수 온도 및 태양 고도 등의 데이터를 통해 수치 모델링한 결과(ground truth) - GOCI : L2A, L2C(추가)활용 (2017/03~2020/03) - 좌표계 변환 및 Band & ROI selection 알고리즘 개발 완료 - 이종간 데이터셋 통합 알고리즘 개발 완료 2) Floating index 기반 classification 알고리즘 개발 - Floating index 기반 딥러닝 모델 학습 과정 : 1. 데이터 입력 2. AFAI 값 계산 → label 생성 (AFAI 값>임계값(0.05)) 3. ASI(Algal Status Index) 맵 생성 4. 모델 학습(Loss : Binary cross entropy, Optimizer : Adam optimizer) - Floating index 기반 딥러닝 모델을 활용한 모자반 검출 결과 : 멕시코 연안(2019.7.6.) : 발생 빈도 및 정확도가 높은 지역은 탐지 정확도 높음 제주도 연안(2019.2.2.) : 3월 데이터 부재로 수치 모델링 결과와의 분석은 불가하였지만, 모자반이 빈번하게 발생하는 지역 중심의 분석 수행 - AFAI (Alternative Floating Algae Index) index map : Sargassum(모자반), greenmacroalgae(녹조류), cyanobacteria(남세균)등의 특징 추출을 위한 계수로 NIR(745nm), RED (660nm), LNIR (865nm)는 생체량 변화와 높은 상관관계를 보이는 band를 조합 및 계산 AFAI, Brightness, NDVI, Whiteness등 계산하여, class 구분 3) 딥러닝 기반 모자반 탐지 모델 및 결과 - U-net based network 기반, Binary class 학습 - 최종 탐지 정확도 : 정밀도 86%, 재현율 82%, F1 83% • 위성 영상 기반 인공지능 기술 활용 부산시 불법 건축물 의심 지역 탐지(SPOT) 1) 건축물 분할 알고리즘 성능 고도화 - 학습 데이터 추가 및 파라미터 변경을 통해 총 6차에 걸친 성능 고도화를 진행함 - 딥러닝 모델 파라미터 변경 및 데이터셋 추가 등을 통한 성능 고도화 작업을 진행함 2) 불법건축물 탐지 범위 설정 - 위성사진에서 육안으로 식별이 가능한 ①무단 컨테이너 설치(신축-미허가), ②무단 건물 확장(증축)을 불법건축물 탐지 범위로 설정함 3) 위치보정 알고리즘 설계 - 영상기반 위치보정이 아닌 건축물 분할 알고리즘 추출 결과를 통한 위치보정 작업을 함 (1차 보정) polygon 전체 이동 통한 위치보정으로 각도에 의한 위치 차이 보정 함 (2차 보정) 추가 이동이 필요한 polygon 탐색 후 구분하여 추가 개별 보정으로 지형 및 건물 높이에 의한 위치 차이 보정 함 → 1차 보정 polygon과 2차 보정 polygon 병합함 4) 불법건축물 판단 알고리즘 설계 - 1차적으로 건축물 분할 알고리즘 추출 보정 결과 이용하여 변화탐지 알고리즘 구축, 2차적으로 불법건축물 판단 근거인 공공데이터를 활용한 불법 여부 판단 알고리즘을 통한 최종 불법건축물 의심지역 추출함 5) 건축물 변화 탐지 시각화 - ①무단 컨테이너 설치(신축-미허가), ②무단 건물 확장(증축), ③무단 새시(베란다) 증축, ④부분 새시설치로 일조권 제한위반의 건물 확장(수직 증축), ⑤가구간 경계벽을 수선 또는 변경하는 경우(가구 분할) 등 다섯 가지로 불법 건축물 유형을 분류하였고, 이 중본 연구에서는 위성 영상을 활용하여 육안으로 식별이 가능한 ①, ② 경우에 대한 탐지를 진행함 - 시기가 다른 두 위성영상에 각각 건축물 탐지 알고리즘을 적용 후, 그 결과를 비교하여 각 폴리곤마다 변화율을 계산함. 변화율에 따라 정상, 증축, 미허가로 분류하고, 최종적인 결과를 도출함 2-2. 연구결과 - 큐브위성을 개발함에 있어서 사업기획부터 부품개발, 시스템개발, 신뢰성 제고, 환경시험, 발사 및 위성운영, 그리고 위성데이터 처리까지 각 분야별 및 시기별에 필요한 기술과 자문사항들이 본 연구를 통하여 막라 되었음 - 인공지능 기반의 위성 탑재 데이터 활용 연구 주제 선정 및 모델개발 완료 2-3. 목표대비 및 달성도 - 큐브위성 제작/시험 계획 검토 자문 : 3차년도 기 |
