Performance Analysis of Lightweight Deep Learning Models for Real-time Wildfire Smoke Detection on Edge AI Devices

급격한 기후변화로 인해 전 세계적으로 대형 산불이 빈번하게 발생하고 있다. 이러한 대형 산불 감지를 위해 산림지역에 설치된 CCTV나 드론 등을 활용한 딥러닝 기반 영상인식 연구가 활발히 진행되고 있다. 최근에는 네트워크 지연 없이 현장에서 실시간 탐지가 가능한 엣지AI에 대한 관심이 증가하고 있다. 본 논문에서는 실시간 객체 탐지에 높은 성능을 보여주는 YOLOv8을 활용하여 산불연기를 탐지하는 딥러닝 모델을 구현하고, 다양한 엣지 디바이스에서 성능 평가를 진행한다. 제한된 리소스를 갖는 엣지 디바이스에서의 효율적인 딥러닝 추론을 위하여 학습된 모델을 TensorRT 엔진으로 최적화 및 경량화한다. 실험은 YOLOv8의 기본 모델과 경량화된 모델을 Jetson AGX Xavier와 Xavier NX에서 실행했을 때 객체 탐지 정확도 및 실시간 성능을 분석하고 평가한다. 성능 평가 결과 경량화된 모델은 학습 파라미터를 획기적으로 줄이면서도 기본 모델과 비슷한 정확도를 유지한다. 또한 영상 처리속도 측면에서 약 2배 가량 빠른 성능을 보여주며, 단일 엣지 디바이스 상에서 최대 30개의 영상을 동시에 처리할 수 있다. 따라서 본 연구 결과를 기반으로 엣지 AI-CCTV에서 산불 탐지를 수행하면 컴퓨팅 리소스 및 네트워크 비용 투입을 최소화 하면서 효율적으로 넓은 지역을 실시간 감시할 수 있을 것으로 기대된다.