저서성 해양무척추동물은 해양 바닥에서 서식하는 무척추동물로서 해양 생태계의 중요한 구성원이지만, 이 중에서 조식동물이나 해적생물이 과도하게 번식하면 연안어장 생태계에 피해를 야기할 수 있다. 본 연구에서는 저서성 해양무척추동물을 대상으로 우리나라 연안에서 수중 촬영한 영상을 활용하여, 실시간 객체 탐지를 위한 딥러닝 모델로 가장 널리 사용되는 You Only Look Once Version 7 (YOLOv7)과 트랜스포머 계열 모델인 detection transformer (DETR)을 비교평가 하였다. YOLOv7이 mean average precision at 0.5 (mAP@0.5) =0.899, DETR이 mAP@0.5=0.862를 기록하였는데, YOLOv7은 멀티스케일(multiscale)로 바운딩 박스(bounding box)를 생성하는 구조이기 때문에 작은 객체를 포함하여 다양한 크기의 객체 탐지에 보다 적합한 것으로 사료된다. 두 모델 모두 30 frames per second (FPS) 이상의 처리속도를 보였기 때문에, 잠수부 촬영영상 및 수중드론 영상에 대한 실시간 객체탐지가 가능할 것으로 기대된다. 이를 통해 조식동물 구제, 바다 사막화 방지를 위한 바다숲 조성 등 연안어장 생태계 피해 방지 및 복원에 활용될 수 있을 것이다.

Benthic marine invertebrates, the invertebrates living on the bottom of the ocean, are an essential component of the marine ecosystem, but excessive reproduction of invertebrate grazers or pirate creatures can cause damage to the coastal fishery ecosystem. In this study, we compared and evaluated You Only Look Once Version 7 (YOLOv7), the most widely used deep learning model for real-time object detection, and detection tansformer (DETR), a transformer-based model, using underwater images for benthic marine invertebrates in the coasts of South Korea. YOLOv7 showed a mean average precision at 0.5 (mAP@0.5) of 0.899, and DETR showed an mAP@0.5 of 0.862, which implies that YOLOv7 is more appropriate for object detection of various sizes. This is because YOLOv7 generates the bounding boxes at multiple scales that can help detect small objects. Both models had a processing speed of more than 30 frames per second (FPS), so it is expected that real-time object detection from the images provided by divers and underwater drones will be possible. The proposed method can be used to prevent and restore damage to coastal fisheries ecosystems, such as rescuing invertebrate grazers and creating sea forests to prevent ocean desertification.