An Adaptive and Deep Learning Framework for Drone Detection under Nighttime and Adverse Weather Conditions

현대전에서 드론은 정찰, 감시, 공격 등 다양한 임무에 활용되며, 이에 따라 드론 탐지 기술의 중요성이 급격히 증가하고 있다. 그러나 기존 객체 탐지 모델은 주로 맑은 날의 시각적 데이터를 기반으로 학습되어, 야간 및 악천후(비, 안개, 눈)와 같은 환경에서는 탐지 성능이 크게 저하되는 한계를 보인다. 본 연구에서는 YOLOv8 기반 객체 탐지 모델에 GELAN-E(Generalized Efficient Layer Aggregation Network-Extended) Backbone 과 Domain Adaptation(DANN) 모듈을 결합한 모델을 제안하였다. YOLOv8은 실시간성, 구조적 단순성, 높은 탐지 정확도를 동시에 갖추고 있어, 다양한 운용 환경에서 드론 탐지 시스템의 기반 모델로 적합하지만 불균일한 조명, 기상 변화 등 환경적 요인에 따라 탐지 성능이 저하되는 한계가 있다. 이에 따라 GELAN-E Backbone을 적용하여 저조도 및 악천후 환경에서도 드론의 형태적 특징 추출을 강화하고 배경 노이즈를 억제하였으며 Domain Adaptation(DANN) 기법을 적용하여 맑은 날 학습된 이미지와 악천후 환경에서 촬영된 이미지 간의 차이를 줄이고 모델이 다양한 환경에서 드론을 안정적으로 인식할 수 있도록 학습하였다. 실험은 실제 드론 및 기상 변화 증강 데이터를 이용하여 수행되었으며, 제안된 모델은 기존 YOLOv8 대비 mAP은 9.5% 향상, Domain Gap Score가 19.3% 감소하였다. 본 연구는 드론이 실제 운용되는 다양한 환경에서 향상된 성능으로 탐지할 수 있는 실용적 모델을 제안한다는 점에 의의가 있다. 이를 통해 날씨나 조명 변화에도 영향을 감소시키는 현실적인 드론 탐지 기술의 발전 가능성을 제시한다.