딥러닝 탐지 및 회귀 기반 사격술 평가 모델 설계
Design of a Marksmanship Evaluation Model Based on Deep Learning Detection and Regression
- 주제(키워드) 딥러닝 , 회귀 , 사격술
- 주제(DDC) 006.3
- 발행기관 아주대학교 정보통신대학원
- 지도교수 손경아
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 석사
- 학과 및 전공 정보통신대학원 인공지능
- 실제URI http://www.dcollection.net/handler/ajou/000000036251
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
전쟁의 양상은 현대에 들어 여러 첨단 기술이 활용되며 정보의 획득, 처리, 전파 속도가 승패를 좌우하는 네트워크 중심전으로 변모하고 있다. 무기와 장비에 들어가는 기술이 고도화되는 만큼, 병사들을 훈련하는 방법에도 신기술을 도입하려는 시도가 많이 일어나고 있다. 병사의 사격술은 기술이 발전함에도 여전히 개개인의 생존력과 임무 수행에 있어 중요한 역량이지만, 군에서 사격술 훈련의 모습은 수십 년째 큰 변화가 일어나고 있지 않다. 비용적 측면, 실제 전장과의 괴리, 반동 제어나 기능 고장 경험의 제한 등 현실적인 문제들이 있기에 많은 수의 사격 훈련장에 적용하기에는 어려움이 있다. 본 논문에서는 합성곱 신경망, 회귀 학습과 같은 인공지능 기술을 통해 선행된 연구의 방법들과 비교하여 비용적 한계를 극복하고, 기존 사격 훈련장의 환경을 유지하며, 격발 시 반동 제어나 기능 고장 상황에서의 처치 경험을 그대로 체득할 수 있도록 하는 방법을 제안한다. 본 논문에서는 병 진급 평가에 반영되는 실거리 사격 외에 영점 사격 시 소모되는 영점 사격 표적지의 탄착군 형상에 주목하였다. 개인의 탄착군과 개인의 실거리 사격 결과 사이에 유의한 관계가 있을 수 있음을 인식하였고, 탄착군이 남은 이미지 스캔 시 얻어지는 JPEG 이미지에서 학습된 합성곱 신경망을 통해 탄흔의 좌푯값 추출 후 회귀 기법 모델이 실거리 사격 점수를 예측하게 함으로써 영점 사격만으로 실거리 사격 능력의 예측값을 산출하게 하였다. 사로 통제관의 구두 피드백보다 직관적인 예측 데이터를 확인함으로써 사격술의 증진을 기대할 수 있고, 사로 통제관 임무 수행 경험이 있는 전문가 집단의 예측 데이터와 회귀 기법 모델의 예측 데이터의 정확성을 비교하여 어느 쪽이 더 정확한 예측을 제공하는지 분석한다. 학습 데이터 확보 및 모델의 하이퍼파라미터 다양화에 따른 후속 연구가 활발히 이루어질 필요가 있고, 본 논문의 모델 도입을 통한 병사의 실제 사격술 증진 효과에 관해서는 추가적인 연구가 필요함을 언급한다.
more초록/요약
Modern warfare has evolved into Network-Centric Warfare （NCW）, where the speed of information acquisition, processing, and dissemination dictates victory. As weapon systems become increasingly sophisticated, integrating advanced technologies into infantry training has become an urgent necessity. While marksmanship remains a critical competency for individual survival and mission success, training methodologies have remained largely stagnant for decades. Practical barriers—most notably high implementation costs, a disconnect from real-world combat scenarios, and limited exposure to recoil control or malfunction drills—continue to hinder the modernization of shooting ranges. To bridge this gap, this paper introduces a cost-effective AI framework using Convolutional Neural Networks （CNNs） and regression learning. Unlike traditional virtual simulations, our approach preserves existing range environments, ensuring that soldiers retain the vital tactile experience of live-fire engagements. The core of this research lies in the analysis of shot grouping patterns on zeroing targets. Recognizing a significant correlation between a soldier’s initial grouping and their subsequent performance in Field Firing （Qualification）, we developed a system that extracts bullet hole coordinates from scanned JPEG images via CNN. These coordinates are then processed by a regression model to predict Field Firing scores based solely on zeroing data. This shift from subjective verbal feedback to intuitive, data-driven analytics offers a more systematic path to proficiency. Furthermore, the study validates the model’s reliability by comparing its predictive accuracy against a group of Subject Matter Experts （SME） with extensive range management experience. In conclusion, this research highlights the potential of AI-driven tools to optimize personnel resources and enhance training efficiency. Future work should focus on securing larger datasets and diversifying hyperparameters to refine model performance. Additional empirical studies are also necessary to evaluate the tangible impact of this model on the long-term enhancement of actual soldier marksmanship skills.
more목차
제1장 서론 1
제2장 이론적 배경 3
제1절 딥러닝 탐지 모델 3
제2절 회귀 모델 4
제3장 관련 연구 6
제4장 연구 방법론 7
제1절 데이터셋 구성 7
제2절 모델 선택 7
제3절 연구 환경 8
제4절 평가 지표 정의 8
제5절 회귀 벡터 구성 9
제6절 모델 성능 평가 방법 9
제5장 모델 평가 11
제1절 탄흔 인식률 11
제2절 점수 예측 정확도 12
제3절 예측 결과 평가 13
제6장 결론 16
참고 문헌 17
Abstract 19
