**TRN03 실습가이드 - 드론·미사일 실루엣 이미지 분류 학습앱**

구    분 **실습가이드 [교육용가상자료]**

**1. 실습 개요**

본 실습은 기본 도형으로 만든 교육용 합성 실루엣으로 드론·미사일 실루엣 분류 학습앱을 미션 단위로 구현하는 과정이다. 미션마다 정답 코드(TRN03_정답코드.md)의 해당 코드를 웹 파이썬 실행기에 붙여 넣어 실행하고, 출력된 수치가 평가 기준을 충족하는지 확인한 뒤 파라미터를 바꿔 보는 도전 과제를 수행한다. 미션별 코드는 서로 독립적이어서 어느 미션부터 실행해도 동작한다.

| **과제** | TRN03 드론·미사일 실루엣 이미지 분류 학습앱 |
| --- | --- |

| **난이도·유형** | 중급 / 코딩형 |
| --- | --- |

| **예상 소요시간** | 미션 10개, 총 27.5시간 |
| --- | --- |

| **준비물** | TRN03_정답코드.md, 웹 파이썬 실행기(numpy·pandas·scipy·scikit-learn·matplotlib 사용 가능), 결과 기록용 문서 |
| --- | --- |

**2. 진행 방법**

- 정답코드 md에서 해당 미션의 코드 블록 전체를 복사해 실행기에 붙여 넣고 실행한다(부분 복사 시 실루엣 생성 함수가 빠져 오류가 난다).

- 실행 결과를 md의 '실행 결과 예시'와 비교한다. 난수 시드가 고정되어 있어 같은 값이 나와야 한다. 처리 속도(장/초, ms)는 실행 환경에 따라 달라질 수 있다.

- 도전 과제는 코드 상단의 파라미터(잡음 임계값, 규칙 깊이, 신뢰도 기준, 대기열 용량 등)를 바꿔 다시 실행하고 변화와 이유를 기록한다.

- 그래프 글자는 영문, 표·출력은 한글이다. 한글이 깨지면 실행기 글꼴 문제이며 결과에는 영향이 없다.

- 실루엣은 실제 기종이 아닌 추상 도형이다. 실제 기체 사진이나 부대 촬영 이미지는 입력하지 않으며, 실제 식별·대응은 정식 교육과 지휘계통에 따른다.

**3. 미션 진행 요약**

| **미션** | **난이도·시간** | **핵심 확인 결과** |
| --- | --- | --- |
| **M1. 전술 드론 및 순항/탄도미사일 실루엣 이미지(흑백/원거리/다각도) 데이터셋 구축** | 초급
1.5시간 | 정상 샘플 오류 0건, 주입 오류 7건 모두 검출 |
| **M2. 이미지 명암 대비 강화, 윤곽선(Edge) 검출 및 크기 정규화 전처리 모듈 구현** | 초급~중급
2시간 | 처리 속도 1,000장/초 이상(예시 2,056장/초), 단위 테스트 5/5 |
| **M3. 기본 형태 특징 기반 1차 비행체 실루엣 분류 Baseline 모델 구현** | 중급
2.5시간 | 기본 데이터셋 정확도 75% 이상(예시 94.6%) |
| **M4. 다양한 각도/배경 노이즈 환경 하 전술 드론·미사일 정밀 이미지 분류 딥러닝 고도화** | 중급
3시간 | 복합 위협 재현율 85% 이상(예시 90.7%), 처리 지연 200ms 이하 |
| **M5. 유사 형상 비행체(민간 드론 vs 자폭 드론) 오분류 방지 신뢰도 점수 엔진 구현** | 중급~고급
3시간 | 오경보율 40% 이상 감축(예시 79.3%), 일관성 90% 이상(예시 97.3%) |
| **M6. 장병 대상 모바일/웹 대화형 실루엣 식별 학습 앱 UI 프로토타입 구현** | 중급
2.5시간 | 응답 처리 최대 100ms 이내(예시 6.6ms), 점수 9/12 |
| **M7. 학습자 오답 시 정답 실루엣 비교 및 핵심 특징(날개 형상 등) 교관 HITL 해설 모듈 설계** | 고급
3시간 | 자동 공개 0건, 규칙 위반 3건 차단, 로깅 성공률 100% |
| **M8. 다량의 저품질 흐린 실루엣 이미지 분류 스트레스 테스트 및 한계치 검증** | 고급
3.5시간 | 모든 상황 다운 0건, 유실률 0% |
| **M9. AAR 기반 장병 다빈도 오답 비행체 분석 및 학습 데이터셋 증강 재학습** | 고급
3시간 | 종합 정확도 0.770 → 0.873(+10.3%p) |
| **M10. 드론·미사일 실루엣 분류 학습앱 최종 패키징 및 부대 교육 배포 가이드 완성** | 최고급
3.5시간 | 자체 점검 10/10, 함수 커버리지 87% |

**미션 1. 전술 드론 및 순항/탄도미사일 실루엣 이미지(흑백/원거리/다각도) 데이터셋 구축**

| **난이도·시간** | 초급 · 1.5시간 |
| --- | --- |

| **진행 순서** | 1) M1 코드를 실행해 정상 샘플 60장의 검증 결과를 확인한다.
2) 오류 주입 결과 7건이 어떤 규칙에 걸렸는지 표로 정리한다.
3) 레이블 정의표와 필드 명세를 보고 빠진 전술 파라미터가 없는지 검토한다. |
| --- | --- |

| **확인할 결과** | 정상 샘플 오류 0건, 주입 오류 7건 모두 검출
레이블 6종(위협 3종)과 필드 15개 명세 출력 |
| --- | --- |

| **도전 과제** | tactical에 관측 고도 등급(altitude_level: low/mid/high) 필드를 추가하고 허용되지 않은 값을 넣어 검출되는지 확인한다. |
| --- | --- |

| **제출물** | 스키마 정의 코드, 데이터 명세서(레이블 정의표·필드 규칙표) |
| --- | --- |

**미션 2. 이미지 명암 대비 강화, 윤곽선(Edge) 검출 및 크기 정규화 전처리 모듈 구현**

| **난이도·시간** | 초급~중급 · 2시간 |
| --- | --- |

| **진행 순서** | 1) M2 코드를 실행해 처리 속도와 단위 테스트 5종 결과를 확인한다.
2) 전처리 전후 식별 정확도 표에서 야간(night) 조건이 크게 개선된 이유를 극성 보정으로 설명한다.
3) 원거리 조건에서 잡음 임계값을 0으로 낮췄을 때 정확도가 떨어지는 이유를 정리한다. |
| --- | --- |

| **확인할 결과** | 처리 속도 1,000장/초 이상(예시 2,056장/초), 단위 테스트 5/5
야간 정확도 0.167 → 0.983으로 개선 |
| --- | --- |

| **도전 과제** | NOISE_T를 8과 20으로 바꿔 noise·far 조건 정확도 변화를 비교하고, 조건별 적정 임계값을 제안한다. |
| --- | --- |

| **제출물** | 전처리 코드, 단위 테스트 결과, 조건별 전처리 전후 비교표 |
| --- | --- |

**미션 3. 기본 형태 특징 기반 1차 비행체 실루엣 분류 Baseline 모델 구현**

| **난이도·시간** | 중급 · 2.5시간 |
| --- | --- |

| **진행 순서** | 1) M3 코드를 실행해 규칙 깊이별 정확도와 기본 데이터셋 혼동표를 확인한다.
2) 출력된 판단 규칙을 읽고 w_max·fill 기준이 어떤 형상 차이를 뜻하는지 해석한다.
3) 어려운 조건 정확도로 Baseline의 한계를 정리한다. |
| --- | --- |

| **확인할 결과** | 기본 데이터셋 정확도 75% 이상(예시 94.6%)
측면(oblique) 0.292 등 어려운 조건에서 급락 |
| --- | --- |

| **도전 과제** | max_depth를 5로 올리면 정확도와 규칙 줄 수가 어떻게 변하는지 비교하고, 교관이 설명하기 쉬운 깊이를 토의한다. |
| --- | --- |

| **제출물** | Baseline 코드, 기본 추론 결과 보고서(혼동표·판단 규칙·한계표) |
| --- | --- |

**미션 4. 다양한 각도/배경 노이즈 환경 하 전술 드론·미사일 정밀 이미지 분류 딥러닝 고도화**

| **난이도·시간** | 중급 · 3시간 |
| --- | --- |

| **진행 순서** | 1) M4 코드를 실행해 시나리오 10종의 Baseline·신경망 정확도와 위협 재현율을 확인한다.
2) FAIL 시나리오(clutter, occlude, combo)의 공통점을 찾는다.
3) 오경보·미탐 유발 패턴 상위 항목을 정리한다. |
| --- | --- |

| **확인할 결과** | 복합 위협 재현율 85% 이상(예시 90.7%), 처리 지연 200ms 이하
시나리오 통과 7/10, combo 조건이 가장 취약 |
| --- | --- |

| **도전 과제** | train_model의 hidden을 (128, 64)로 바꾸고 학습 장수를 늘려 combo 정확도와 학습 시간 변화를 기록한다. |
| --- | --- |

| **제출물** | 고도화 모델 코드, 시나리오별 시험 결과표, 오경보 패턴 분석 |
| --- | --- |

**미션 5. 유사 형상 비행체(민간 드론 vs 자폭 드론) 오분류 방지 신뢰도 점수 엔진 구현**

| **난이도·시간** | 중급~고급 · 3시간 |
| --- | --- |

| **진행 순서** | 1) M5 코드를 실행해 기존 방식과 신뢰도 엔진의 오경보율·위협 재현율을 비교한다.
2) 임계값 민감도 표에서 오경보와 재현율이 맞바뀌는 구간을 찾는다.
3) 클래스별 등급 분포에서 Low가 많은 클래스를 확인한다. |
| --- | --- |

| **확인할 결과** | 오경보율 40% 이상 감축(예시 79.3%), 일관성 90% 이상(예시 97.3%)
ROC-AUC 0.983, 위협 재현율 0.924 → 0.836 |
| --- | --- |

| **도전 과제** | WEIGHTS를 p_max 0.8, margin 0.2로 바꿔 오경보율과 일관성이 어떻게 변하는지 확인하고 적정 가중치를 제안한다. |
| --- | --- |

| **제출물** | 신뢰도 엔진 코드, 필터링 전후 비교표, ROC·점수 분포 그림 |
| --- | --- |

**미션 6. 장병 대상 모바일/웹 대화형 실루엣 식별 학습 앱 UI 프로토타입 구현**

| **난이도·시간** | 중급 · 2.5시간 |
| --- | --- |

| **진행 순서** | 1) M6 코드를 실행해 문항 화면 2개와 피드백 문구를 확인한다.
2) 응답 처리시간과 화면 갱신 처리시간이 목표 이내인지 확인한다.
3) 야간 모드 화면의 구성요소 5종과 정답·오답 색 구분을 점검한다. |
| --- | --- |

| **확인할 결과** | 응답 처리 최대 100ms 이내(예시 6.6ms), 점수 9/12
시각화 구성요소 5종, 정답 초록·오답 빨강 표시 |
| --- | --- |

| **도전 과제** | N_OPTIONS를 3으로 줄이거나 CONFUSE 보기를 빼면 문항 난이도가 어떻게 달라지는지 토의하고 출제 규칙을 제안한다. |
| --- | --- |

| **제출물** | 학습 앱 UI 코드, 학습 화면, 개선 의견 |
| --- | --- |

**미션 7. 학습자 오답 시 정답 실루엣 비교 및 핵심 특징(날개 형상 등) 교관 HITL 해설 모듈 설계**

| **난이도·시간** | 고급 · 3시간 |
| --- | --- |

| **진행 순서** | 1) M7 코드를 실행해 오답 20건이 혼동 쌍 5건으로 묶이는 것을 확인한다.
2) 규칙 위반 시도 3건이 차단된 이유를 정리한다.
3) SLA 초과 상신과 감사 로그 변조 검출 결과를 확인한다. |
| --- | --- |

| **확인할 결과** | 자동 공개 0건, 규칙 위반 3건 차단, 로깅 성공률 100%
4번째 기록 변조 위치 검출 |
| --- | --- |

| **도전 과제** | SLA_H를 12시간으로 줄이면 상신 건수가 어떻게 바뀌는지 확인하고, 교관 1명이 하루에 검토할 수 있는 건수를 가정해 운영안을 만든다. |
| --- | --- |

| **제출물** | HITL 해설 모듈 코드, 교관 검토 절차 요약(승인·수정·반려 기준) |
| --- | --- |

**미션 8. 다량의 저품질 흐린 실루엣 이미지 분류 스트레스 테스트 및 한계치 검증**

| **난이도·시간** | 고급 · 3.5시간 |
| --- | --- |

| **진행 순서** | 1) M8 코드를 실행해 부하 상황별 응답·유실률·다운·판별불가 수를 확인한다.
2) 흐림 단계별 정확도 표에서 한계치를 찾는다.
3) 병목 구간 비율과 메모리 반복 측정값을 확인한다. |
| --- | --- |

| **확인할 결과** | 모든 상황 다운 0건, 유실률 0%
흐림 2.5 이상에서 정확도 75% 미만, 병목은 형태특징 계산 |
| --- | --- |

| **도전 과제** | MIN_CONF를 0.7로 올려 극저화질 상황의 판별 정확도와 판별불가 건수 변화를 비교한다. |
| --- | --- |

| **제출물** | 스트레스 테스트 코드, 부하 시험 결과표, 병목 개선안 |
| --- | --- |

**미션 9. AAR 기반 장병 다빈도 오답 비행체 분석 및 학습 데이터셋 증강 재학습**

| **난이도·시간** | 고급 · 3시간 |
| --- | --- |

| **진행 순서** | 1) M9 코드를 실행해 다빈도 오답 쌍과 현행 모델의 조건별 오류율을 확인한다.
2) 증강 재학습 전후 종합 정확도와 조건별 정확도를 비교한다.
3) 재발 오류와 회귀 오류 건수, 교관 확인으로 걸러지는 건수를 정리한다. |
| --- | --- |

| **확인할 결과** | 종합 정확도 0.770 → 0.873(+10.3%p)
재발 67건(목표 0건 미달), 그중 36건은 교관 확인으로 걸러짐 |
| --- | --- |

| **도전 과제** | 증강 클래스당 추가 장수를 40에서 80으로 늘리면 재발 오류와 회귀 오류가 어떻게 변하는지 확인한다. |
| --- | --- |

| **제출물** | AAR 보고서(무엇이·왜·무엇을 바꾸나), 재보정 파라미터 |
| --- | --- |

**미션 10. 드론·미사일 실루엣 분류 학습앱 최종 패키징 및 부대 교육 배포 가이드 완성**

| **난이도·시간** | 최고급 · 3.5시간 |
| --- | --- |

| **진행 순서** | 1) M10 코드를 실행해 자체 점검 10개 항목이 모두 PASS인지 확인한다.
2) 손상 문항 3건 차단과 함수 커버리지를 확인한다.
3) 출력된 배포 브리핑 요약으로 5분 분량 브리핑 자료를 만든다. |
| --- | --- |

| **확인할 결과** | 자체 점검 10/10, 함수 커버리지 87%
판별(Medium 이상) 정확도 96.7%, 해설 자동 공개 0건 |
| --- | --- |

| **도전 과제** | CONFIG의 min_confidence를 0.7로 바꿔 실행하고 Low 문항 수와 판별 정확도 변화를 브리핑에 추가한다. |
| --- | --- |

| **제출물** | 통합 코드, README(실행 방법), 부대 교육 배포 브리핑 자료 |
| --- | --- |

**4. 최종 점검표**

| **점검 항목** | **확인** |
| --- | --- |
| 미션 1~10 코드가 모두 오류 없이 실행되었다 | ( ) |
| 각 미션의 확인할 결과를 기록했다 | ( ) |
| 도전 과제 결과와 이유를 기록했다 | ( ) |
| 브리핑 수치가 실행 결과와 일치한다 | ( ) |
| 실제 기체 사진·부대 촬영 이미지를 사용하지 않았다 | ( ) |
| AI 해설·판정은 교관 확인 후에만 제공됨을 명시했다 | ( ) |