주야간 다중 스펙트럼 카메라 배열 기술 심층 분석 보고서

1. 주야간 다중 스펙트럼 이미징의 기본 원리

주야간 다중 스펙트럼 카메라 배열 시스템의 근간을 이해하기 위해서는 먼저 빛의 물리적 특성에서부터 시작하여, 다양한 환경 조건과 스펙트럼 대역에서 어떻게 정보를 획득하고 처리하는지에 대한 근본적인 원리를 파악해야 한다. 본 장에서는 전자기 스펙트럼의 기본 개념, 주야간 카메라의 핵심 작동 기제, 그리고 다중 스펙트럼 이미징의 정의와 기술적 분류를 심층적으로 다룬다.

1.1 전자기 스펙트럼과 정보 획득: 가시광선(EO)과 적외선(IR)의 물리적 특성

빛은 광자(photon)라는 개별적인 에너지 묶음으로 구성되며, 카메라의 이미지 센서는 수백만 개의 광 반응형 소자, 즉 픽셀(pixel)을 통해 입사하는 광자의 수를 감지하여 이미지를 생성한다.1 빛은 파장에 따라 각기 다른 에너지를 가지며, 센서는 이 파장 차이를 이용하여 특정 스펙트럼 대역의 정보를 선택적으로 수집할 수 있다.1 주야간 다중 스펙트럼 시스템이 활용하는 주요 대역은 가시광선과 적외선이다.

가시광선(Visible Light, Electro-Optical, EO): 약 400nm에서 700nm 사이의 파장 대역으로, 인간의 눈이 인지할 수 있는 모든 색상 정보를 포함한다.1 주간 환경이나 충분한 조명이 확보된 조건에서 EO 센서는 객체의 형태, 고유 색상, 표면의 질감과 같은 매우 상세하고 풍부한 시각 정보를 고해상도로 획득하는 데 핵심적인 역할을 수행한다.1 이는 객체를 정밀하게 식별하고 분류하는 데 필수적인 정보를 제공한다.

적외선(Infrared, IR): 가시광선보다 파장이 긴 대역으로, 인간의 눈에는 보이지 않지만 열 신호와 반사된 적외선 신호를 포착하는 데 사용된다. IR 대역은 파장 길이에 따라 다시 여러 하위 대역으로 세분화되며, 각 대역은 고유한 정보 획득 특성을 가진다.

• 근적외선(Near Infrared, NIR): 약 700nm에서 1000nm 사이의 파장 대역으로, 가시광선 바로 다음에 위치한다.1 NIR은 태양광에 풍부하게 포함되어 있으며, 인공적인 IR-LED 조명을 통해 능동적으로 방사할 수도 있다.1 이 특성 때문에 주야간 카메라의 야간 모드에서 핵심적으로 활용된다. 인공 NIR 조명은 인간의 눈에 보이지 않으므로, 은밀한 감시가 가능하다는 군사적, 보안적 이점을 제공한다.1
• 장파 적외선(Long-Wave Infrared, LWIR): 약 8µm에서 14µm 사이의 긴 파장 대역으로, 열상 카메라(Thermal Camera)가 주로 감지하는 영역이다.4 LWIR의 가장 큰 특징은 객체가 반사하는 빛이 아닌, 객체 자체의 온도에 따라 방출되는 열 복사(thermal radiation) 에너지를 감지한다는 점이다.1 절대영도 이상의 모든 물체는 열을 방출하므로, LWIR 센서는 외부 조명의 유무와 관계없이 완벽한 어둠 속이나 연기, 안개, 먼지가 자욱한 악천후 조건에서도 사람이나 동물, 작동 중인 차량과 같이 주변보다 온도가 높은 발열체를 명확하게 탐지할 수 있다.1

1.2 주야간(Day/Night) 카메라의 작동 기제: IR-Cut 필터와 센서 감광도

주야간 카메라의 핵심 기능은 조명 조건의 변화에 따라 주간 모드(컬러 영상)와 야간 모드(흑백 영상)를 자동으로 전환하여 최적의 영상 품질을 유지하는 능력이다.1 이 전환 과정의 중심에는 **적외선 차단 필터(IR-Cut Filter)**라는 기계적 부품이 있다.

이러한 전환 기제는 단순히 빛의 유무에 대한 수동적 대응을 넘어선다. 이는 주어진 환경에서 가장 유효한 정보 유형을 능동적으로 선택하는 시스템의 전략적 정보 최적화 과정으로 해석될 수 있다. 주간의 풍부한 광량 하에서는 NIR 신호가 오히려 노이즈로 작용하여 핵심 정보인 ’색상’을 훼손할 수 있으므로, IR-Cut 필터를 통해 이를 제거하는 것은 정보의 질을 극대화하는 행위다.1 반면, 야간의 극한 저조도 상황에서는 정보의 ‘존재 유무’ 자체를 탐지하는 것이 최우선 과제가 된다. 따라서 색상 정보를 포기(흑백 전환)하더라도, 가용한 모든 광자(가시광선+NIR)를 수집하여 탐지 확률 자체를 높이는 것이 합리적인 선택이다.1 이처럼 IR-Cut 필터의 기계적 작동은 단순한 기능 전환이 아니라, 주어진 환경에서 가장 가치 있는 정보(색상 vs. 존재)를 선택하고 최적화하는 시스템의 근본적인 정보 처리 전략을 물리적으로 구현한 것이다.

주간 모드: 충분한 가시광선이 존재하는 주간에는, 카메라 내부의 기계 장치가 IR-Cut 필터를 이미지 센서 바로 앞에 위치시킨다. 이 필터는 가시광선 대역의 빛은 통과시키면서, 색상 정보에 왜곡을 유발할 수 있는 근적외선(NIR) 대역은 차단하는 역할을 한다.1 만약 NIR이 차단되지 않으면, 센서의 RGB 필터를 투과하여 실제 색과 다른 색상으로 표현되는 현상(예: 짙은 녹색의 식물이 회색이나 흰색으로 보이는 현상)이 발생한다.5 따라서 IR-Cut 필터는 정확한 색 재현성, 즉 ‘트루 컬러(True Color)’ 영상을 구현하기 위한 필수 요소다.5

야간 모드: 주변 조도가 설정된 임계값 이하로 떨어지면, 카메라는 이를 감지하고 자동으로 야간 모드로 전환한다. 이때 기계 장치가 IR-Cut 필터를 센서의 광 경로에서 물리적으로 제거한다.1 필터가 사라지면 이미지 센서는 기존에 받아들이던 가시광선뿐만 아니라 근적외선 대역의 빛까지 모두 수용하게 된다. 이로 인해 센서가 감지할 수 있는 총 광자의 양이 크게 증가하여, 전체적인 감광도가 극대화된다.1 하지만 NIR 빛이 센서의 RGB 컬러 필터를 통과하면서 정확한 색상 정보를 구분할 수 없게 되므로, 카메라는 고감도의 흑백 영상을 출력하게 된다.1 완전한 암흑 환경에서는 내장되거나 별도로 설치된 IR-LED 조명을 사용하여 능동적으로 NIR 빛을 장면에 방사함으로써, 선명한 야간 영상을 확보할 수 있다.1

1.3 다중 스펙트럼 이미징의 정의: RGB, 다중 스펙트럼, 초분광의 비교 분석

다중 스펙트럼 이미징은 인간의 시각적 한계를 넘어, 전자기 스펙트럼의 다양한 대역에 숨겨진 정보를 포착하는 기술이다. 이를 이해하기 위해 가장 기본적인 RGB 이미징부터 초분광 이미징까지의 개념을 비교 분석할 필요가 있다.

RGB 이미징 (RGB Imaging): 인간의 시각 시스템이 빛의 삼원색인 적색(Red), 녹색(Green), 청색(Blue)에 반응하는 원리를 모방한 기술이다. 단일 센서 위에 Bayer 필터와 같은 컬러 필터 어레이를 배치하여, 세 개의 넓은 파장 대역에서만 정보를 수집한다.2 이는 우리가 일상적으로 접하는 대부분의 컬러 사진과 영상에 해당하며, 다중 스펙트럼 이미징의 가장 기본적인 형태로 볼 수 있다.

다중 스펙트럼 이미징 (Multispectral Imaging, MSI): 가시광선 대역을 넘어 자외선(UV), 근적외선(NIR), 단파 적외선(SWIR) 등 3개에서 15개 사이의 특정하고 분리된(discrete) 파장 대역에서 동시에 이미지 데이터를 획득하는 기술이다.2 MSI의 핵심 원리는 모든 물질이 각기 다른 파장 대역에서 고유한 빛 반사, 흡수, 투과 특성을 보인다는 점에 있다.8 예를 들어, 건강한 식물은 엽록소의 영향으로 근적외선(NIR)을 강하게 반사하는 반면, 병든 식물은 그 반사율이 떨어진다.9 MSI 카메라는 이러한 특정 대역(예: Red, NIR)의 반사율 차이를 포착하여, 육안으로는 동일하게 보이는 식물들의 건강 상태를 정량적으로 분석할 수 있게 한다.2

초분광 이미징 (Hyperspectral Imaging, HSI): 다중 스펙트럼 이미징을 한 단계 더 발전시킨 기술로, 수백에서 수천 개에 이르는 매우 좁고 연속적인(continuous) 스펙트럼 밴드에서 데이터를 획득한다.2 이를 통해 각 픽셀마다 마치 분광기(Spectrometer)로 측정한 것과 같은 상세한 스펙트럼 곡선, 즉 ’스펙트럼 지문(spectral signature)’을 얻을 수 있다.11 이 정밀한 스펙트럼 정보는 MSI로는 구분이 어려운 유사한 물질들(예: 다른 종류의 플라스틱, 특정 광물)을 매우 높은 정확도로 식별하고 분류하는 것을 가능하게 한다.12 HSI 데이터는 공간 정보(X, Y축)와 스펙트럼 정보(Z축)를 결합한 3차원

데이터 큐브(Data Cube) 형태로 구성된다.7

이러한 비교를 통해, 다중 스펙트럼 이미징은 단순히 ’보는 것’의 개념을 ’분석하는 것’으로 확장시키는 기술임을 알 수 있다. RGB 카메라가 인간의 시각을 충실히 재현하는 데 그친다면, 다중 스펙트럼 및 초분광 카메라는 물질의 고유한 물리적·화학적 특성을 비파괴적으로 원격 분석하는 과학적 측정 장비의 역할을 수행한다. 근적외선을 이용해 과일의 당도나 내부 결함을 파악하고 2, 의약품 포장 내부의 화학 성분 차이를 식별하며 2, 문화유산에 사용된 안료의 종류나 덧칠의 흔적을 찾아내는 것 15은 모두 이러한 분석 능력의 구체적인 예다. 이는 카메라의 패러다임을 단순한 ’기록’에서 정밀한 ’해석’으로 전환시키는 근본적인 변화를 의미한다.

1.4 다중 스펙트럼 정보 획득 기술: 프리즘 분광, 필터 휠, 필터 어레이 방식 비교

다중 스펙트럼 카메라는 렌즈를 통해 들어온 빛을 여러 개의 파장 대역으로 분리하는 방법에 따라 크게 세 가지 방식으로 구분된다. 각 방식은 고유한 장단점을 가지며, 이는 시스템의 성능과 적용 분야를 결정하는 중요한 요소가 된다.8

프리즘 분광 (Prism-based) 방식: 카메라 내부에 특수 코팅된 프리즘 빔 스플리터(prism beam splitter)를 내장하여, 입사광을 여러 파장 대역으로 분리한다. 분리된 각각의 빛은 해당 파장 대역에 최적화된 별도의 전용 이미지 센서로 동시에 전달되어 촬영된다.16 이 방식은 각 밴드별로 센서의 전체 해상도를 그대로 사용할 수 있어 최상의 공간 및 스펙트럼 해상도를 제공한다는 결정적인 장점이 있다.19

필터 휠 (Filter Wheel) 방식: 단일 이미지 센서 앞단에 여러 종류의 대역 통과 필터(band-pass filter)가 장착된 회전식 휠을 배치한다. 모터로 휠을 순차적으로 회전시키면서, 각 필터에 해당하는 파장 대역의 이미지를 시간차를 두고 촬영하는 방식이다.8 필터를 쉽게 교체할 수 있어 특정 응용에 맞게 시스템을 유연하게 구성할 수 있다는 장점이 있다.19

필터 어레이 (Filter Array) 방식: 단일 이미지 센서의 각 픽셀 위에 Bayer 필터와 유사하게, 각기 다른 파장 대역을 통과시키는 미세한 필터들을 모자이크 형태로 직접 증착하는 방식이다.8 이 방식은 별도의 기계적 구동부나 복잡한 광학계 없이 한 번의 촬영(snapshot)으로 모든 스펙트럼 대역의 정보를 동시에 얻을 수 있다.19

각 기술 방식은 시스템의 성능 지표와 실용적 제약 조건 사이의 근본적인 트레이드오프 관계를 보여준다. 프리즘 방식은 최고의 성능을 추구하는 반면, 필터 어레이 방식은 소형화와 실용성을 극대화하는 방향으로 발전해왔다.

2. 핵심 구성요소 기술 심층 분석

주야간 다중 스펙트럼 카메라 배열 시스템은 다양한 첨단 기술 요소들이 유기적으로 결합된 복합체다. 본 장에서는 시스템을 구성하는 가장 핵심적인 하드웨어 구성요소인 이미지 센서, 광학계, 그리고 다중 스펙트럼 구현 기술을 심층적으로 분석한다. 각 기술의 작동 원리와 특성을 이해하는 것은 시스템 전체의 성능과 한계를 파악하는 데 필수적이다.

2.1 이미지 센서 기술: CMOS와 비냉각 마이크로볼로미터의 원리와 특성

이미지 센서는 빛(광자)을 전기 신호로 변환하여 디지털 이미지를 생성하는 반도체 소자로, 카메라의 ’눈’에 해당한다. 이 시스템에서는 주로 가시광선 및 근적외선 대역을 위한 CMOS 센서와 장파 적외선 대역을 위한 비냉각 마이크로볼로미터가 사용된다.

CMOS (Complementary Metal-Oxide Semiconductor) 센서:

• 작동 원리: CMOS 센서는 빛을 감지하는 광다이오드(Photodiode)와 신호를 증폭하고 처리하는 회로가 각 픽셀 단위에 집적된 구조를 가진다.20 렌즈를 통해 들어온 빛이 광다이오드에 닿으면 광전 효과에 의해 광자의 수에 비례하는 전하가 발생하고, 이 아날로그 신호는 픽셀 내 회로를 거쳐 디지털 신호로 변환된다.21 각 픽셀이 독립적인 처리 회로를 갖추고 있어 신호 판독 속도가 빠르고, 표준 반도체 공정으로 대량 생산이 가능하여 비용 효율적이며, 전력 소모가 낮다는 장점 때문에 현재 대부분의 디지털 카메라에서 주력 센서로 사용되고 있다.21

• 재료별 특성 및 감지 파장 대역:

• Si (실리콘): 가장 보편적으로 사용되는 CMOS 센서 재료다. 실리콘의 밴드갭 에너지 특성상 약 400nm에서 1100nm 사이의 파장 대역, 즉 가시광선(EO) 전체와 근적외선(NIR) 일부에서 높은 양자 효율(quantum efficiency)을 보인다.22 이 때문에 주간 컬러 영상과 야간 NIR 흑백 영상을 모두 처리해야 하는 주야간 카메라의 핵심 소자로 활용된다.

• InGaAs (인듐-갈륨-비소): 실리콘이 감지할 수 없는 더 긴 파장 대역인 단파 적외선(SWIR, 약 900nm ~ 2600nm) 감지에 특화된 III-V족 화합물 반도체다.22 SWIR 대역은 안개, 연무, 먼지 등을 더 잘 투과하는 특성이 있으며, 물의 흡수 대역과 겹쳐 수분 함량을 측정하거나 특정 화학 물질 및 플라스틱 종류를 식별하는 데 매우 유용하다. 따라서 InGaAs 센서는 악천후 감시, 위장 탐지, 산업용 검사 등 특수 목적의 다중 스펙트럼 시스템에 채택된다.

비냉각 마이크로볼로미터 (Uncooled Microbolometer):

• 작동 원리: 장파 적외선(LWIR)을 감지하는 열상 카메라의 핵심 센서 기술이다. 이름에서 알 수 있듯이, 고가의 극저온 냉각장치(cryocooler) 없이 상온에서 작동하는 것이 가장 큰 특징이다.23 센서는 열적으로 절연된 수많은 미세한 멤브레인(membrane) 배열로 구성되며, 각 멤브레인은 적외선을 잘 흡수하는 물질로 코팅된 저항체(resistor)를 포함한다.4 외부에서 적외선(열에너지)이 입사하여 멤브레인에 흡수되면, 멤브레인의 온도가 미세하게 상승한다. 이 온도 변화는 저항체의 전기 저항값 변화를 유발하며(
  ΔT→ΔR), 이 저항값의 변화를 정밀하게 측정하고 신호 처리하여 2차원 온도 분포 영상, 즉 열화상을 생성한다.4
• 주요 특성 및 NUC (불균일 보정): 비냉각 마이크로볼로미터는 냉각식 센서에 비해 온도 분해능(NETD, Noise Equivalent Temperature Difference)과 반응 속도 면에서는 성능이 다소 낮지만, 소형·경량화, 저전력, 저비용, 긴 수명, 높은 신뢰성이라는 압도적인 장점을 가진다.23 이로 인해 군용 개인화기 조준경부터 산업용 설비 진단, 자율주행차 나이트 비전, 민수용 보안 카메라에 이르기까지 광범위하게 사용된다. 다만, 센서 픽셀 간의 미세한 제조 공정 차이로 인해 발생하는 고정 패턴 노이즈(Fixed Pattern Noise)와, 센서 자체 및 주변 부품의 온도 변화에 따라 발생하는 출력 신호의 변동(offset drift)을 보정하는 과정이 필수적이다. 이를 **NUC(Non-Uniformity Correction)**라 하며, 주기적으로 카메라 내부의 셔터(shutter)를 닫아 균일한 온도의 기준면을 촬영하고, 이를 바탕으로 각 픽셀의 출력값을 보정하여 균일하고 안정적인 영상을 얻는다.23 사용자가 열화상 카메라 작동 중 주기적으로 ‘찰칵’ 소리를 듣게 되는 이유가 바로 이 NUC 셔터가 작동하기 때문이다.26

이처럼 CMOS 센서와 마이크로볼로미터의 선택은 단순히 감지 파장 대역을 결정하는 것을 넘어, 시스템의 근본적인 정보 처리 철학을 규정한다. CMOS 센서는 외부 광원이 객체에 ’반사된 빛’을 감지하는 반면 29, 마이크로볼로미터는 객체 스스로 ’방출하는 열’을 감지한다.4 이는 각각 ’외부 조명에 의존적인 수동적 정보’와 ’객체 고유의 능동적 정보’를 의미한다. 따라서 EO/IR 시스템에서 이 두 센서를 함께 사용하는 것은, ’외부 환경에 의해 드러나는 정보’와 ’객체 스스로 발산하는 정보’를 상호 교차 검증하는 강력한 이중 정보 획득 전략이다. 이는 위장막으로 형태와 색을 감춘 표적(반사율은 주변과 유사하지만 체온은 다른 경우)을 탐지하는 데 결정적인 우위를 제공한다.

2.2 광학계 및 시스템 설계: 렌즈, 조리개, 안정화 플랫폼(Gimbal)의 역할

광학계는 센서가 최상의 이미지를 얻을 수 있도록 빛을 제어하고 전달하는 역할을 담당하며, 안정화 플랫폼은 움직이는 환경에서도 흔들림 없는 영상을 보장한다.

• 렌즈 (Lens) 및 조리개 (Aperture): 렌즈는 물체에서 반사되거나 방출된 빛을 모아 이미지 센서의 초점면에 정확한 상을 맺히게 하는 가장 기본적인 광학 부품이다.20 렌즈의 **초점 거리(Focal Length)**는 촬영되는 영역의 범위, 즉 **화각(Field of View, FoV)**을 결정한다. 초점 거리가 길면(망원 렌즈) 화각이 좁아져 멀리 있는 대상을 확대해서 볼 수 있고, 짧으면(광각 렌즈) 넓은 영역을 한 번에 볼 수 있다.20 **조리개(Aperture)**는 렌즈 내부에서 빛이 통과하는 구멍의 크기를 조절하는 장치로, F-값(F-stop)으로 표현된다. 조리개를 열면(F-값이 작아지면) 더 많은 빛이 센서에 도달하여 어두운 환경에서 유리하고, 조이면(F-값이 커지면) 빛의 양은 줄어들지만 피사계 심도(Depth of Field)가 깊어져 초점이 맞는 범위가 넓어진다.20 다중 스펙트럼 시스템에서는 가시광선부터 적외선까지 넓은 파장 대역에 걸쳐 빛의 굴절률이 달라 발생하는 **색수차(Chromatic Aberration)**를 최소화하도록 특수 설계된 렌즈(Apochromatic/Superachromatic lens)를 사용하는 것이 이미지 품질 확보에 매우 중요하다.30
• 안정화 플랫폼 (Gimbal): 항공기, 드론, 차량, 선박 등 끊임없이 움직이는 플랫폼에 탑재되는 카메라 시스템에서, 외부의 진동과 흔들림이 영상에 전달되는 것을 막아주는 핵심 장비다.31 짐벌은 내부에 탑재된 자이로스코프와 가속도계 등 관성 측정 장치(IMU)를 통해 플랫폼의 움직임을 실시간으로 감지하고, 이 움직임을 상쇄하는 방향으로 정밀 모터를 구동하여 카메라가 항상 안정적인 자세를 유지하도록 제어한다.31 특히 고배율 줌을 사용하여 원거리 표적을 관측할 때, 미세한 흔들림도 영상에서는 큰 떨림으로 나타나기 때문에 고성능의 안정화 짐벌은 필수적인 구성요소다.

2.3 다중 스펙트럼 구현 방식별 기술적 장단점 비교

다중 스펙트럼 정보를 획득하는 여러 기술 방식들은 각각의 뚜렷한 장단점을 가지며, 이는 시스템의 성능, 크기, 무게, 전력, 비용(SWaP-C: Size, Weight, Power, and Cost)과 직결된다. 시스템 설계자는 응용 분야의 요구사항에 맞춰 최적의 방식을 선택해야 한다.

프리즘 기반 방식:

• 장점: 입사광을 파장별로 분리하여 각기 다른 전용 센서로 동시에 촬영하므로, 각 밴드별로 센서의 최대 공간 해상도를 손실 없이 그대로 활용할 수 있다.19 또한, 빛의 손실이 적고 스펙트럼 분리도가 뛰어나
  최상의 스펙트럼 품질을 제공한다.8
• 단점: 여러 개의 센서와 정밀하게 정렬된 프리즘 블록을 사용해야 하므로 시스템의 구조가 복잡하고, 크기와 무게가 크며(Large SWaP), 비용이 매우 높다.8 또한, 프리즘을 통과하면서 발생하는 수차를 보정하기 위한 고가의 특수 렌즈가 필요하다.18

필터 휠 방식:

• 장점: 단일 센서를 사용하므로 프리즘 방식보다 상대적으로 구조가 간단하다. 필터를 교체할 수 있어 다양한 응용에 대응할 수 있는 높은 유연성을 제공하며, 각 샷에서는 센서의 전체 해상도를 활용할 수 있다.19
• 단점: 필터를 물리적으로 회전시키는 기계적 구동부가 있어 내구성에 취약하고, 진동이나 충격에 민감하다. 또한, 각 파장 대역을 순차적으로 촬영하기 때문에 이미징 속도가 느려 빠르게 움직이는 대상을 촬영하는 데에는 한계가 있다.8

필터 어레이 방식:

• 장점: 단일 센서 칩 위에 필터를 증착하는 방식이므로 별도의 구동부나 복잡한 광학계가 필요 없다. 이로 인해 시스템을 매우 작고 가볍게(Low SWaP) 만들 수 있으며, 한 번의 촬영으로 모든 밴드의 영상을 얻어 고속 촬영에 매우 유리하다.8 반도체 공정을 통해 대량 생산이 가능하여
  비용 효율성이 높다.17
• 단점: 센서의 전체 픽셀을 여러 밴드가 나누어 사용하기 때문에, 각 밴드별 유효 공간 해상도가 필연적으로 저하된다.19 또한, 인접한 다른 필터 밴드의 빛이 미세하게 새어 들어오는
  스펙트럼 누화(Spectral Crosstalk) 현상이 발생하여 스펙트럼 순도를 저하시킬 수 있다.19

이러한 기술 방식들의 발전 과정은 ’성능 극대화’에서 ’실용성 극대화’로의 패러다임 전환을 명확히 보여준다. 초기 기술인 프리즘 방식은 최고의 이미지 품질을 목표로 하는 연구실이나 고가의 대형 항공 정찰 플랫폼에 적합했다.18 그러나 기술이 정밀 농업용 드론 34, 소형 무인기 감시 장비 35, 자율주행차 센서 36 등 SWaP-C 제약이 극심한 실제 필드로 확산되면서, 필터 어레이 방식이 주목받기 시작했다. 이들 응용 분야에서는 최상의 화질보다 ’적절한 수준의 성능’을 ‘작고 가볍고 저렴하게’ 구현하는 것이 더 중요하기 때문이다. 이는 순수 광학 기술의 정점을 추구하던 단계에서, 반도체 공정 기술과 결합하여 대량 생산과 광범위한 적용이 가능한 ’제품’으로 기술이 진화하고 있음을 보여주는 대표적인 사례다.

아래 표는 각 다중 스펙트럼 카메라 구현 방식의 주요 특성을 비교 분석하여 정리한 것이다.

표 1: 다중 스펙트럼 카메라 구현 방식 비교 분석

3. 다중 카메라 배열 시스템의 구성과 운용

단일 카메라의 물리적, 기능적 한계를 극복하기 위해 다수의 카메라를 하나의 시스템으로 통합한 ’카메라 배열’은 현대 이미징 시스템의 중요한 패러다임이다. 본 장에서는 다중 카메라 배열의 구조적 목적과 이로 인해 발생하는 기술적 과제, 그리고 이를 해결하기 위한 핵심 기술인 보정(Calibration), 융합(Fusion), 인공지능(AI) 기반 분석 기술에 대해 상세히 논한다. 이 기술들은 개별 카메라로부터 수집된 원시 데이터를 유의미한 정보와 실행 가능한 통찰력으로 변환하는 핵심적인 역할을 수행한다.

3.1 카메라 배열의 목적과 구조: 시차(Parallax) 문제와 시야각(FoV) 확장

카메라 배열을 구성하는 목적은 크게 세 가지로 요약할 수 있다. 첫째, 여러 대의 카메라를 수평으로 배열하여 시야각(Field of View, FoV)을 확장하고, 이를 통해 360도 전방위 감시와 같은 광역 감시 능력을 확보하는 것이다.6 둘째, 인간의 두 눈처럼 약간의 거리를 두고 배치된 두 대 이상의 카메라(스테레오 또는 다중 시점 카메라)를 이용하여 삼각 측량 원리로

3차원 깊이 정보(Depth Map)를 획득하는 것이다.37 셋째, 각각 다른 종류의 센서(예: EO, IR, SWIR)를 하나의 플랫폼에 통합하여

다중 모드(Multi-modal) 정보를 동시에 획득함으로써, 단일 센서로는 불가능한 포괄적인 상황 인지를 달성하는 것이다.

그러나 이처럼 물리적으로 분리된 여러 카메라로 동일한 장면을 촬영할 때, 각 카메라의 위치 차이로 인해 이미지 간에 객체의 상대적 위치가 다르게 나타나는 시차(Parallax) 문제가 필연적으로 발생한다.19 특히 여러 대의 독립 카메라를 사용하여 다중 스펙트럼 시스템을 구성할 경우, 각 스펙트럼 밴드 이미지 간의 픽셀을 정확히 일치시키는 것이 매우 어려워진다.19 이 시차 문제는 후속 처리 단계인 영상 융합이나 3D 복원의 정확도를 심각하게 저해하는 근본적인 기술적 난제다.

3.2 다중 카메라 보정(Multi-Camera Calibration) 기술: 내부 및 외부 파라미터 동기화

다중 카메라 보정은 시차 문제를 해결하고, 배열 내 모든 카메라의 영상을 하나의 통일된 가상 좌표계로 정렬하기 위한 필수적인 전처리 과정이다.38 보정의 목표는 각 카메라 고유의 광학적 특성을 모델링하고, 카메라들 간의 상대적인 3차원 공간 관계를 정밀하게 계산하는 것이다. 이를 위해 내부 파라미터와 외부 파라미터를 추정한다.

• 내부 파라미터 (Intrinsic Parameters): 각 카메라 고유의 기하학적, 광학적 특성을 나타내는 값들이다. 여기에는 3D 공간의 점을 2D 이미지 평면에 투영하는 방식을 결정하는 **초점 거리(focal length)**와 주점(principal point), 그리고 렌즈의 물리적 불완전성으로 인해 발생하는 이미지 왜곡을 보정하기 위한 **렌즈 왜곡 계수(distortion coefficients)**가 포함된다.30 렌즈 왜곡은 주로 직선이 바깥쪽으로 휘는 배럴 왜곡(barrel distortion)과 안쪽으로 휘는 핀쿠션 왜곡(pincushion distortion)으로 나타난다.30
• 외부 파라미터 (Extrinsic Parameters): 배열 내의 기준 카메라 또는 월드 좌표계를 기준으로, 각 카메라가 3차원 공간상에 어떻게 위치하고 어느 방향을 바라보고 있는지를 나타내는 값이다. 이는 **회전 행렬(Rotation Matrix)**과 **이동 벡터(Translation Vector)**로 표현된다.30 이 파라미터들을 정확히 알아야만 한 카메라의 이미지 픽셀이 다른 카메라의 이미지 어디에 해당하는지를 계산할 수 있다.

보정 작업은 일반적으로 체커보드와 같이 특징점을 쉽게 추출할 수 있는 특정 패턴을 여러 카메라로 다양한 각도와 위치에서 동시에 촬영하여 수행된다.30 각 카메라 영상에서 검출된 패턴 특징점들의 2D 좌표와, 실제 패턴의 알려진 3D 구조 사이의 기하학적 관계를 분석하는 수학적 최적화 과정을 통해 내부 및 외부 파라미터들을 계산한다.39 최근에는 정지 영상을 여러 번 촬영하는 번거로움을 줄이기 위해, 패턴을 움직이면서 촬영한 동영상을 분석하여 모든 카메라가 동시에 패턴을 유효하게 포착한 프레임들을 자동으로 선별하고, 이를 기반으로 보정 파라미터를 계산하는 자동화 기술이 개발되어 시간과 비용을 크게 절감하고 있다.38

이처럼 다중 카메라 ‘배열’ 시스템의 본질은 하드웨어적 한계(단일 센서의 시야각, 스펙트럼 감지 범위)를 소프트웨어적, 계산적(computational) 방법으로 극복하려는 시도다. 시스템의 진정한 가치는 카메라의 개수가 아니라, 이들로부터 얻은 이질적인 데이터를 얼마나 정밀하게 ’보정’하고 지능적으로 ’융합’하는지에 달려 있다. 보정 기술은 물리적으로 분리된 센서들을 가상적으로 완벽하게 정렬된 단일 센서처럼 작동하게 만드는 기반을 제공하며, 이는 후속 영상 융합 및 분석의 성공을 위한 전제 조건이다.

3.3 다중 스펙트럼 영상 융합(Image Fusion) 알고리즘

영상 융합은 보정된 다중 카메라 또는 다중 모드 센서로부터 획득한 상보적인 정보들을 결합하여, 단일 센서 영상보다 더 완전하고 해석하기 용이한 단일의 고품질 영상을 생성하는 신호 처리 기술이다.41 예를 들어, 가시광선(EO) 영상이 제공하는 풍부한 배경 디테일과 높은 공간 해상도, 그리고 적외선(IR) 영상이 제공하는 악천후 투과 능력과 열원 표적 탐지 능력을 결합하는 것이 대표적인 EO/IR 영상 융합의 목표다.42 궁극적인 목표는 원본 영상들이 가진 유용한 정보(예: EO의 텍스처, IR의 표적)는 최대한 보존하면서, 융합 과정에서 발생할 수 있는 색상 왜곡이나 인공물(artifact)은 최소화하는 것이다.

영상 융합 알고리즘은 정보가 결합되는 추상화 수준에 따라 크게 세 가지 레벨로 분류된다.43

• 픽셀 레벨 융합 (Pixel-level Fusion): 가장 낮은 처리 단계에서 이루어지며, 원본 영상들의 픽셀 단위에서 직접 정보를 결합한다.44 대표적인 방법으로는 각 이미지의 픽셀 값을 단순히 가중 평균하는 방식부터, 이미지를 여러 주파수 대역으로 분해하여 각 대역별로 융합 규칙(예: 절대값이 큰 계수 선택)을 적용한 후 다시 합성하는 다중 해상도 분석(Multi-resolution Analysis) 기법이 있다.46 웨이블릿 변환(Wavelet Transform), 라플라시안 피라미드(Laplacian Pyramid) 등이 널리 사용되는 다중 해상도 분해 도구다.45 이 방식은 원본 데이터의 모든 정보를 최대한 활용하려 하지만, 계산량이 방대하여 실시간 처리에 부담이 될 수 있다.
• 특징 레벨 융합 (Feature-level Fusion): 각 원본 영상에서 에지, 코너, 텍스처, 형태 등과 같은 의미 있는 특징(feature)들을 먼저 추출한 후, 이 특징 정보들을 결합하는 방식이다.43 픽셀 전체가 아닌 핵심 정보만을 다루므로 데이터 처리량을 줄일 수 있고, 특정 응용에 중요한 특징을 강조하여 융합할 수 있다는 장점이 있다.
• 결정 레벨 융합 (Decision-level Fusion): 가장 높은 추상화 수준에서 이루어진다. 각 센서 영상으로부터 독립적인 해석이나 결정(예: ‘차량’, ’보행자’와 같은 객체 인식 결과)을 먼저 내린 후, 이 결정들을 종합하여 최종 결론을 도출하는 방식이다.44 예를 들어, EO 카메라가 ’차량 형태’를 인식하고 IR 카메라가 ’엔진 열원’을 탐지했다면, 이 두 결정을 융합하여 ’작동 중인 차량’이라는 더 높은 신뢰도의 최종 결정을 내릴 수 있다. 처리 과정이 가장 가볍고 빠르지만, 초기 단계의 개별 결정 오류가 최종 결과에 치명적인 영향을 미칠 수 있다.

최근에는 딥러닝, 특히 생성적 적대 신경망(Generative Adversarial Network, GAN)과 같은 기술이 영상 융합 분야에 활발히 도입되고 있다.48 GAN 기반 융합 모델은 두 개의 네트워크, 즉 융합 영상을 생성하는 생성자(Generator)와 생성된 영상이 실제 영상처럼 보이는지를 판별하는 판별자(Discriminator)를 서로 경쟁적으로 학습시킨다. 이를 통해 원본 EO 영상의 풍부한 텍스처와 IR 영상의 뚜렷한 열적 대비를 모두 자연스럽게 포함하는 시각적으로 우수한 융합 영상을 생성할 수 있다.49 또한, 최신 딥러닝 기반 융합 모델들은 네트워크의 여러 계층에서 저수준 특징(픽셀, 텍스처)과 고수준 특징(객체)을 동시에 추출하고 융합하는 ‘다단계 융합(multi-level fusion)’ 방식을 채택하여, 기존의 경직된 레벨 구분을 유연하게 통합함으로써 정확도와 실시간성을 모두 향상시키고 있다.51

3.4 인공지능(AI) 기반 영상 분석: 객체 탐지, 분류 및 상황 인식 고도화

보정과 융합을 통해 생성된 고품질 다중 스펙트럼 영상으로부터 실질적인 가치를 창출하는 마지막 단계는 인공지능(AI), 특히 딥러닝 기반의 컴퓨터 비전 기술을 이용한 자동 영상 분석이다. AI는 인간 분석가의 능력을 뛰어넘는 속도와 정확성으로 영상 속에서 유의미한 정보를 추출하고, 상황을 종합적으로 이해하는 역할을 수행한다.

• 객체 탐지 및 분류 (Object Detection and Classification): 합성곱 신경망(Convolutional Neural Network, CNN)에 기반한 AI 모델(예: YOLO, Faster R-CNN, EfficientDet)은 다중 스펙트럼 데이터가 제공하는 풍부한 정보를 활용하여 객체 탐지 성능을 획기적으로 향상시킨다.51 예를 들어, 야간 저조도 환경에서 가시광선 영상만으로는 식별이 어려운 보행자를 열상 정보를 결합하여 명확하게 탐지할 수 있다.51 또한, 주변 환경과 유사한 색상으로 위장한 군용 차량은 가시광선 영상에서는 탐지가 어렵지만, 작동 중인 엔진에서 방출되는 열 신호를 통해 적외선 영상에서는 뚜렷하게 드러나므로, EO/IR 융합 영상은 이러한 위장 표적을 탐지하는 데 결정적인 역할을 한다.2 AI 모델은 이러한 다중 스펙트럼 ’특징’을 학습하여 단일 스펙트럼 영상 기반 모델보다 훨씬 더 강건하고 높은 정확도를 달성한다.54
• 상황 인식 (Situation Awareness): 고도화된 AI 시스템은 단순히 개별 객체를 탐지하고 분류하는 것을 넘어, 영상 전체의 맥락을 이해하는 상황 인식 단계로 나아간다. 이는 탐지된 객체들의 상호 관계, 시간의 흐름에 따른 움직임 패턴, 주변 환경과의 상호작용 등을 종합적으로 분석하여 ’현재 어떤 상황이 벌어지고 있는지’를 판단하는 능력이다. 예를 들어, 보안 감시 시스템에서는 특정인이 제한 구역 경계선을 따라 반복적으로 움직이는 ‘배회(loitering)’ 행위를 비정상 패턴으로 감지하여 자동으로 경보를 발생시킬 수 있다.56 자율주행차의 경우, 도로 위 공의 움직임을 감지하고 그 뒤를 따라 아이가 뛰어나올 가능성을 예측하여 사전에 감속하는 등, 위험을 예측하고 예방하는 고차원적인 판단을 내리는 데 AI 기반 상황 인지 기술이 핵심적인 역할을 한다.36

4. 주요 응용 분야별 시스템 구축 및 활용 사례

주야간 다중 스펙트럼 카메라 배열 기술은 그 고유한 정보 획득 능력 덕분에 단순한 영상 촬영을 넘어, 다양한 고부가가치 산업 분야에서 핵심적인 역할을 수행하고 있다. 본 장에서는 국방·항공우주, 보안·감시, 정밀 농업·환경 모니터링, 그리고 자율주행 시스템 등 주요 응용 분야별로 해당 기술이 어떻게 맞춤형으로 구축되고 활용되는지에 대한 구체적인 사례를 분석한다.

4.1 국방 및 항공우주: ISR(정보·감시·정찰) 및 표적 획득 시스템

국방 및 항공우주 분야는 이 기술의 가장 전통적이면서도 핵심적인 수요처다. 전장의 극한 환경 속에서 아군의 생존성을 보장하고 임무 성공률을 높이기 위해 주야간, 악천후 조건에 구애받지 않는 전천후 정보 획득 능력은 필수적이다.

• 핵심 요구사항: 적에게 탐지되지 않고(은밀성), 원거리에서(생존성), 주야간 및 악천후 조건 하에서(전천후성) 표적을 먼저 탐지, 인지, 식별하고, 필요시 정밀 타격을 유도하는 능력이다.31
• 기술 조합 및 시스템 구축: 일반적으로 고배율 연속 줌이 가능한 고해상도 EO(주간) 카메라, 극저온 냉각 방식을 통해 미세한 온도 차이까지 감지하는 고감도 MWIR/LWIR(야간/열상) 카메라, 표적까지의 거리를 정밀하게 측정하는 레이저 거리측정기(LRF), 그리고 레이저 유도 무기를 위한 레이저 지시기(LD)가 하나의 안정화된 짐벌 플랫폼에 통합된 형태의 EO/IR 시스템이 주축을 이룬다.31 여기에 더해, 다중 스펙트럼(MSI) 및 초분광(HSI) 센서를 추가하여 위장, 은폐, 허위(decoy) 표적을 식별하는 능력을 획기적으로 향상시킨다.2

활용 사례:

• 항공 플랫폼: F-35 전투기의 분산형 개구 시스템(DAS)과 전자광학 표적 시스템(EOTS), 공격헬기 및 전투기의 타겟팅 포드(LITENING, TADS 등)는 표적 획득 및 정밀 타격의 핵심 장비다.35 글로벌 호크와 같은 고고도 무인기(UAV)나 중고도 무인기에 탑재되는 감시정찰 페이로드는 광역의 정보를 지속적으로 수집하는 ISR 임무를 수행한다.31
• 지상 및 해상 플랫폼: 전차나 장갑차에 탑재되어 360도 주변 상황인식 능력을 제공하고 6, 함정에 설치되어 야간 항해 및 위협 표적 감시에 사용된다.31 또한, 국경 및 해안 감시 시스템의 핵심 센서로 활용되어 원거리의 침투 시도를 24시간 감시한다.61

4.2 보안 및 감시: 광역 경계 감시 및 이상 행위 탐지 시스템

주요 산업 시설, 공항, 항만, 국경 등 광역의 경계를 24시간 감시하고 잠재적 위협을 사전에 식별하는 것은 국가 및 사회 안전의 핵심 과제다. 주야간 다중 스펙트럼 카메라는 이러한 광역 감시 시스템의 눈 역할을 한다.

• 핵심 요구사항: 넓은 영역을 사각지대 없이 24시간 감시하고, 침입이나 화재, 드론과 같은 비정상적 활동 및 위협을 자동으로 탐지, 추적, 식별하는 능력이다.
• 기술 조합 및 시스템 구축: 상하좌우 회전 및 확대/축소가 가능한 EO/IR PTZ(Pan-Tilt-Zoom) 카메라가 핵심적인 역할을 한다.62 주간에는 고해상도 EO 카메라로 침입자의 인상착의나 차량 번호판 등 상세 정보를 식별하고, 야간이나 안개 낀 날씨에는 고감도 열상 카메라로 수백 미터에서 수 킬로미터 밖의 사람이나 차량의 열 신호를 탐지한다.60 여러 대의 카메라를 네트워크로 연결하고 AI 기반의 영상 관리 시스템(VMS)과 통합하여, 경계선 침범, 지정 구역 내 배회, 객체 추적(Auto-tracking) 등 지능형 분석 기능을 구현한다.56

활용 사례:

• 주요 인프라 보호: 발전소, 데이터 센터, 정유 시설 등 국가 중요 시설의 외곽 경계 감시 시스템으로 구축된다.
• 안티드론(Counter-UAS) 시스템: 레이더 등 다른 센서와 연동하여, 탐지된 소형 드론을 시각(EO) 및 열(IR) 신호를 기반으로 최종 식별하고 지속적으로 추적하는 역할을 수행한다.64
• 화재 감시: 산불이나 산업 시설의 화재 발생 시, 열상 카메라를 이용해 발화 지점을 조기에 탐지하고 연기 속에서도 화점의 위치와 확산 방향을 파악하는 데 활용된다.31

4.3 정밀 농업 및 환경 모니터링: 작황 분석 및 환경 변화 추적

다중 스펙트럼 이미징 기술은 전통적인 경험 기반 농업을 데이터 기반의 정밀 농업으로 전환시키는 핵심 동력이다. 또한, 광범위한 지역의 환경 변화를 과학적으로 추적하고 관리하는 데 필수적인 도구로 자리 잡고 있다.

• 핵심 요구사항: 인간의 눈으로는 식별할 수 없는 식물의 미세한 생육 상태 변화(수분 스트레스, 영양 결핍, 병충해 등)를 조기에 넓은 지역에 걸쳐 진단하고, 토양 상태, 수질 오염, 산림 파괴 등 환경 변화를 정량적으로 모니터링하는 능력이다.
• 기술 조합 및 시스템 구축: 드론이나 경비행기, 위성에 다중 스펙트럼 카메라 어레이를 탑재한다. 이 카메라는 일반적으로 가시광선(RGB) 밴드와 함께 식물의 건강 상태 분석에 매우 중요한 적변(Red-Edge) 밴드와 근적외선(NIR) 밴드를 포함한다.34 촬영된 각 밴드의 이미지 데이터를 처리하여
  NDVI(정규화 식생 지수), NDRE 등 다양한 식생 지수(Vegetation Index) 맵을 생성한다.66 이 맵은 특정 지역의 식생 활력도를 색상으로 시각화하여 보여준다.

활용 사례:

• 정밀 농업 (Precision Agriculture): 농부들은 식생 지수 맵을 통해 농경지 내에서 생육이 부진한 특정 구역을 정확히 식별할 수 있다. 이를 바탕으로 비료, 물, 농약을 필요한 곳에 필요한 만큼만 차등적으로 살포하는 ’가변 비율 처리(Variable Rate Application)’를 수행하여, 작물 수확량을 극대화하는 동시에 비용과 환경오염을 줄일 수 있다.9 또한, 작물의 성장 단계를 모니터링하여 최적의 수확 시기를 예측하고, 잡초의 분포를 파악하여 선별적으로 제거하는 데에도 활용된다.66
• 환경 모니터링 (Environmental Monitoring): 녹조 현상 분석을 통한 수질 오염 평가 70, 산불 피해 지역 및 병충해로 인한 산림 파괴 범위 산정, 도시의 토지 이용 변화 추적, 해양 유류 유출 사고 탐지 등 인간의 접근이 어렵거나 광범위한 지역의 환경 문제를 분석하고 관리하는 데 폭넓게 활용된다.71

이러한 응용 분야의 확산은 ’데이터의 의미’가 각 도메인의 특정 문제와 결합하여 어떻게 재정의되는지를 보여준다. 국방 분야에서 ’위협 표적’으로 해석되던 열 신호는, 보안 분야에서는 ’침입자’로, 자율주행에서는 ’보행자’로, 농업 분야에서는 ’병충해로 인한 식물의 체온 상승’으로 그 의미가 달라진다. 동일한 물리적 원리(스펙트럼 분석)가 각 분야의 고유한 지식(domain knowledge)과 결합하여 완전히 새로운 가치를 창출하고 있으며, 이는 이 기술의 수평적 확산을 이끄는 핵심 동력이다.

4.4 자율주행 및 첨단 운전자 보조 시스템(ADAS): 악천후 및 야간 주행 환경 인지

완전 자율주행 기술의 실현을 위해서는 인간 운전자의 인지 능력을 뛰어넘는, 어떠한 주행 환경에서도 신뢰할 수 있는 주변 환경 인지 능력이 필수적이다. 특히 야간, 비, 안개, 역광 등 카메라의 성능이 급격히 저하되는 비정형 환경에서의 강건성(robustness) 확보가 핵심 과제다.

• 핵심 요구사항: 조명 조건이나 기상 상태에 관계없이 전방의 보행자, 차량, 동물, 장애물 등을 안정적으로 인지하고, 도로의 상태를 파악하는 능력이다.
• 기술 조합 및 시스템 구축: 현재 자율주행 시스템은 주로 가시광선 카메라(EO), 레이더(Radar), 라이다(LiDAR)를 핵심 센서로 사용한다.73 여기에
  열상(IR) 카메라를 추가하여 센서 융합 시스템의 신뢰도를 극대화하는 접근법이 활발히 연구되고 있다. 열상 카메라는 외부 조명에 의존하지 않고 객체의 열을 직접 감지하므로, 야간이나 악천후 상황에서 다른 센서들이 놓칠 수 있는 보행자나 동물과 같은 살아있는 장애물을 명확하게 탐지할 수 있다.31 다중 스펙트럼 기술은 더 나아가 도로 위의 블랙 아이스(black ice)와 일반 젖은 노면을 구분하는 등, 물질의 고유 특성을 분석하여 도로 상태를 정밀하게 파악하는 데 활용될 잠재력을 가진다.8
• 활용 사례: 야간 보행자 및 동물 충돌 방지를 위한 자동 긴급 제동(AEB) 시스템의 성능 향상, 악천후 조건에서의 주행 보조 기능 강화, 그리고 최종적으로 레벨 4/5 완전 자율주행을 위한 핵심 인지 센서 포트폴리오의 한 축으로 자리매김하고 있다.36

아래 표는 주요 응용 분야별로 요구되는 핵심 성능과 이를 충족시키기 위한 기술 조합을 요약한 것이다.

표 2: 주요 응용 분야별 요구 성능 및 기술 조합

5. 기술적 한계, 시장 동향 및 미래 전망

주야간 다중 스펙트럼 카메라 배열 기술은 다양한 산업 분야에서 혁신을 주도하고 있지만, 여전히 극복해야 할 기술적 한계와 과제를 안고 있다. 본 장에서는 현재 기술이 직면한 주요 한계점을 분석하고, 글로벌 시장의 동향과 주요 플레이어들의 경쟁 구도를 살펴본다. 이를 바탕으로 향후 기술 발전 방향과 미래 연구 트렌드를 전망함으로써, 이 기술의 잠재력과 미래 가치에 대한 종합적인 시각을 제공한다.

5.1 현재 기술의 주요 한계점: SWaP-C, 데이터 처리량, 대기 효과

• SWaP-C (Size, Weight, Power, and Cost): 기술의 광범위한 확산을 가로막는 가장 근본적인 제약 조건이다. 특히 고성능 센서, 예를 들어 극저온 냉각기가 필요한 냉각식 IR 센서나 수백 개의 밴드를 처리하는 초분광 센서는 여전히 크고 무거우며, 많은 전력을 소모하고 비용이 매우 높다.8 이는 소형 드론, 개인 휴대 장비, 저가형 자율주행차 등 크기, 무게, 전력, 비용에 민감한 플랫폼으로의 적용을 어렵게 만드는 핵심 요인이다.75
• 데이터 처리량 및 대역폭 (Data Throughput & Bandwidth): 다중 스펙트럼, 특히 초분광 카메라는 엄청난 양의 데이터를 생성한다. 예를 들어, 고해상도 센서가 수백 개의 스펙트럼 밴드를 높은 프레임 속도로 촬영할 경우, 초당 기가바이트(GB/s) 단위의 데이터가 발생할 수 있다. 이 방대한 데이터를 실시간으로 압축, 처리, 저장하고 무선으로 전송하는 것은 시스템의 온-보드 프로세서와 데이터 링크에 극심한 부담을 준다.76 이는 실시간 의사결정이 중요한 자율주행이나 군사 작전에서 심각한 병목 현상을 유발할 수 있다.
• 대기 효과 및 보정의 복잡성: 지상이나 항공에서 원격으로 대상을 촬영할 때, 빛은 대기를 통과하면서 수증기, 먼지, 에어로졸 등에 의해 흡수되거나 산란된다. 이러한 대기 효과는 원본 스펙트럼 신호를 왜곡시켜 분석의 정확도를 떨어뜨린다.76 또한, 태양의 고도 변화에 따른 조명 조건의 변화, 렌즈 자체의 광학적 왜곡(예: 비네팅) 등 다양한 외부 요인을 보정하는 복잡한 방사 보정(Radiometric Calibration) 과정이 정확한 정량 분석을 위해 필수적이다.78 이러한 보정 과정은 전문적인 지식과 추가적인 계산 자원을 요구한다.
• 공간-스펙트럼 해상도 트레이드오프: 이미징 시스템에는 물리적인 한계로 인해 상충 관계(trade-off)가 존재한다. 일반적으로 더 많은 스펙트럼 밴드(높은 스펙트럼 해상도)를 얻으려고 하면, 각 밴드에 할당되는 빛의 양이 줄어들어 신호 대 잡음비(SNR)가 낮아지거나, 공간 해상도가 저하되는 경향이 있다.75 따라서 시스템 설계자는 응용 목적에 따라 공간 해상도와 스펙트럼 해상도 사이에서 최적의 균형점을 찾아야 한다.

5.2 글로벌 시장 동향 및 주요 플레이어 분석

이러한 기술적 한계에도 불구하고, 주야간 다중 스펙트럼 이미징 시스템 시장은 국방 분야의 견고한 수요와 민간 부문의 새로운 응용 분야 확산에 힘입어 지속적인 성장을 보이고 있다.

• 시장 규모 및 성장률: 글로벌 EO/IR 시스템 시장은 2023년 약 71억 5천만 달러 규모에서 연평균 5.83%의 성장률을 보이며 2032년에는 119억 달러에 이를 것으로 전망된다.79 특히, 다중 스펙트럼 시스템 부문은 연평균 7.2%로 가장 높은 성장률을 보일 것으로 예측되어, 이 기술에 대한 시장의 높은 기대감을 반영한다.79 적외선 이미징 시장 역시 2023년 73억 5천만 달러에서 2032년 127억 8천만 달러로 연평균 6.1%의 꾸준한 성장이 예상된다.80 이러한 성장은 테러 위협 증가, 국경 감시 강화, 무인 시스템의 발전 등 국방·안보 수요와 더불어 산업 자동화, 의료 진단, 자율주행 등 상업용 응용 분야의 확대에 기인한다.79

• 주요 플레이어 (Key Players): 시장은 크게 전통적인 국방·항공우주 기업과 상업·산업용 전문 기업으로 나뉜다.

• 국방 분야: Northrop Grumman 59, Raytheon (RTX) 57, Leonardo DRS 81, L3Harris, BAE Systems, Thales 등 대형 방산 기업들이 전투기, 정찰기, 함정 등에 탑재되는 고성능 통합 EO/IR 시스템 시장을 주도하고 있다. 이들은 최종 플랫폼과의 체계 통합 능력을 핵심 경쟁력으로 보유한다.

• 상업 및 산업 분야: Teledyne FLIR 80, Axis Communications 62, Hanwha 35, JAI 19, Infiniti Optics 60 등 다수의 전문 기업들이 보안 감시, 산업 검사, R&D 등 다양한 분야에 특화된 제품을 공급하며 경쟁하고 있다. 특히 비냉각 열상 카메라 모듈과 지능형 보안 카메라 시장에서 치열한 경쟁이 벌어지고 있다.

• 신흥 플레이어: 드론 및 UAV용 초소형·경량 페이로드, AI 기반 영상 분석 소프트웨어, 특정 스펙트럼 대역(예: SWIR) 전문 센서 등 특정 틈새시장을 공략하는 기술 기반 스타트업들이 다수 등장하며 산업 생태계를 풍부하게 만들고 있다.82

시장의 경쟁 구도는 단순히 완제품을 판매하는 것을 넘어, 특정 기술에 강점을 가진 전문기업과 최종 플랫폼을 보유한 대기업 간의 협력 및 경쟁이 복잡하게 얽힌 생태계로 발전하고 있다. 플랫폼 기업은 최고의 성능을 내기 위해 다양한 전문기업의 핵심 부품과 소프트웨어를 소싱하여 통합할 것이며, 전문기업들은 자신들의 기술이 더 넓은 시장에 채택되도록 표준화와 호환성 확보에 주력할 것이다.

5.3 미래 연구 방향 및 기술 발전 전망

현재의 기술적 한계를 극복하고 새로운 시장 수요에 부응하기 위한 연구 개발은 다음과 같은 방향으로 전개될 전망이다.

• 센서 및 광학 기술의 혁신:

• 소형화 및 저비용화: 반도체 공정을 활용하여 렌즈와 같은 광학 부품을 웨이퍼 레벨에서 대량 생산하는 웨이퍼 레벨 광학(WLO) 기술, 빛의 파장보다 작은 구조를 이용하여 빛을 제어하는 메타물질(Metamaterials) 기반의 초박형 렌즈(Metalens) 기술 등은 시스템의 SWaP-C 문제를 근본적으로 해결할 잠재력을 가진다.13

• 성능 향상: 새로운 반도체 소재(예: 양자점, 2D 물질)를 개발하여 더 넓은 파장 대역에서 더 높은 감도를 구현하고, 기계적 스캔 없이 한 번의 촬영으로 초분광 데이터 큐브를 얻는 스냅샷 초분광(Snapshot Hyperspectral) 센서 기술의 성숙은 실시간 분광 분석의 시대를 열 것이다.86

• 온-보드 AI 프로세싱 (Edge AI): 방대한 데이터 처리 및 전송 문제를 해결하기 위해, 센서가 위치한 현장(edge)에서 데이터를 즉시 분석하고 필요한 정보만을 추출하여 전송하는 엣지 AI 기술이 핵심으로 부상할 것이다. 딥러닝 모델을 압축하고 경량화하여 저전력 AI 반도체(NPU)에 탑재함으로써, 드론이나 자율주행차와 같은 플랫폼이 중앙 서버의 도움 없이 독립적으로 상황을 인지하고 판단할 수 있게 된다.85

• 다중 모드 센서 융합 (Multi-modal Sensor Fusion): 시각 정보(EO, IR, MSI)뿐만 아니라, 거리 정보(LiDAR), 속도 정보(Radar), 음향 정보 등 물리적으로 다른 종류의 센서 데이터를 통합적으로 분석하는 다중 모드 융합 기술이 미래 상황 인식 시스템의 표준이 될 것이다.69 각 센서가 가진 장점은 취하고 단점은 상호 보완함으로써, 단일 종류의 센서로는 결코 달성할 수 없는 수준의 강건성과 정확성을 확보할 수 있다.

• AI 기반 자동 분석 파이프라인 고도화: 데이터 수집부터 보정, 융합, 특징 추출, 분류, 최종 의사결정에 이르는 전체 분석 파이프라인을 종단간(end-to-end) 딥러닝 모델로 자동화하려는 연구가 가속화될 것이다.85 이는 특정 분야의 전문가가 아니더라도 복잡한 다중 스펙트럼 데이터를 쉽게 활용할 수 있게 하여, 의료, 화학, 생물학 등 새로운 응용 분야를 폭발적으로 확장시키는 기폭제가 될 것이다.

결론적으로, 이 기술의 미래 발전 방향은 ’데이터 수집(Sensing)’의 물리적 한계를 극복하는 것과 ’데이터 처리(Processing)’의 계산적 부담을 줄이는 것이라는 두 가지 축으로 요약된다. 이 두 축은 결국 센서 자체에 지능을 부여한 **‘스마트 센서’**라는 개념으로 수렴될 것이다. 미래의 스마트 센서는 주변 환경과 임무 요구에 맞춰 필요한 데이터를 스스로 판단하여 수집하고(adaptive sensing), 현장에서 즉시 분석하여(edge AI), 최종적인 ’결과’나 ’통찰’만을 사용자에게 전달하는 형태로 진화할 것이다. 이는 데이터 수집과 처리의 패러다임을 근본적으로 바꾸는 혁신적인 변화를 예고한다.

6. 결론

본 보고서는 주야간(EO/IR) 다중 스펙트럼 카메라 배열 시스템을 구성하는 핵심 기술 요소들을 체계적으로 분석하고, 이들의 융합이 어떻게 다양한 응용 분야에서 새로운 가치를 창출하는지를 심층적으로 조망하였다.

분석 결과, 이 시스템의 본질은 단순히 여러 대의 카메라를 물리적으로 결합한 것을 넘어, 각기 다른 스펙트럼 대역이 제공하는 상보적인 정보를 유기적으로 통합하여 인간의 인지 능력을 초월하는 ’통합적 상황 인식’을 달성하는 데 있음을 확인하였다. 주야간 기능은 조명 조건의 제약을 극복하는 수단을, 다중 스펙트럼 기능은 물질의 고유 특성을 꿰뚫어 보는 분석적 시각을, 그리고 카메라 배열과 융합 기술은 공간적·기능적 한계를 극복하는 확장성을 제공한다. 이 세 가지 요소의 시너지는 국방, 보안, 정밀 농업, 자율주행 등 고도의 신뢰성과 정확성을 요구하는 분야에서 필수불가결한 기술적 기반이 되고 있다.

현재 기술은 SWaP-C, 데이터 처리량, 보정의 복잡성 등 명백한 한계에 직면해 있으나, 센서 소재, 초소형 광학, 엣지 AI, 다중 모드 융합 등 미래 기술의 발전은 이러한 한계를 극복하고 기술의 적용 범위를 더욱 확장시킬 잠재력을 품고 있다. 시장은 국방 분야의 안정적인 수요를 기반으로 민간 부문의 폭발적인 성장이 더해져 견조한 성장세를 이어갈 것으로 전망된다.

궁극적으로 주야간 다중 스펙트럼 카메라 배열 기술은 물리적 세계를 정밀하게 디지털화하고, 그 안에 숨겨진 의미를 AI를 통해 해석함으로써, 우리가 세상을 인지하고 상호작용하는 방식을 근본적으로 변화시키는 핵심 동력으로 자리매김할 것이다. 이 기술의 지속적인 발전과 확산은 미래 산업의 경쟁력과 사회의 안전을 좌우하는 중요한 변수가 될 것으로 판단된다.

7. 참고 자료

1. 감시에 사용되는 IR - 주야간 카메라와 OptimizedIR, https://www.axis.com/dam/public/a3/4e/35/%EA%B0%90%EC%8B%9C%EC%97%90-%EC%82%AC%EC%9A%A9%EB%90%98%EB%8A%94-ir-ko-KR-191189.pdf
2. 다중 분광 카메라: 무엇이고 어떻게 작동할까요? | JAI, https://news.jai.com/blog/ko/multi-spectral-imaging
3. EO 카메라의 의미는 무엇입니까 - 지식, https://ko.ireocam.com/info/what-is-the-meaning-of-eo-camera-94888607.html
4. Untitled - Korea Science, https://koreascience.kr/article/JAKO201115037855026.pdf
5. 적외선 카메라의 원리, 분류 및 특성 - 지식 - IR-EO, https://ko.ireocam.com/info/the-principle-classification-and-characterist-80227394.html
6. 군용제품소개 - 이오시스템, http://www.eosystem.com/product7.php
7. 다분광/초분광 카메라 - 영인모빌리티(주) - DJI, Unitree Robotics 한국 공식 파트너사, https://www.younginmobility.com/sub-main/4
8. 멀티 스펙트럼 이미징 기술이란? - CHNSpec, https://www.chnspec.net/kor/korean/What-is-multispectral-imaging-technology.html
9. 정밀농업 - 모던인텍, http://modernelios.com/76
10. 분광, 다중 분광, 초분광의 차이점은 무엇인가요 - CHNSpec, https://www.chnspec.net/kor/korean/spectral-multispectral-hyperspectral.html
11. 장춘광학연구소, 필터 분광형 초분광 카메라 개발 현황 및 동향 분석, https://ko.uvwavetek.com/news/changchun-institute-of-optics-analyzes-the-dev-69785955.html
12. 광학 카메라로 촬영한 사진에서 이미지 프로세싱을 통해 초분광 또는 다중 스펙트럼 이미지를 얻을 수 없는 이유는 무엇인가요? - CHNSpec, https://www.chnspec.net/kor/korean/hyperspectral-cameras.html
13. Hyperspectral and Multispectral Imaging | 에드몬드 옵틱스, https://www.edmundoptics.co.kr/knowledge-center/trending-in-optics/hyperspectral-and-multispectral-imaging/
14. 다중 분광 카메라: 무엇이고 어떻게 작동할까요? | JAI, https://news.jai.com/blog/ko/multi-spectral-camera
15. 다중분광이미징 기술을 활용한 전통 고지도의 비가시 상태 진단 및 글자 판독, https://koreascience.kr/article/JAKO202404861570588.pdf
16. visionsystem.kr, https://visionsystem.kr/technical-info?tpf=board/view&board_code=1&code=441#:~:text=%EB%A9%80%ED%8B%B0%20%EC%8A%A4%ED%8E%99%ED%8A%B8%EB%9F%BC%20%ED%95%84%ED%84%B0%20%EA%B8%B0%EC%88%A0&text=%EC%A0%84%ED%86%B5%EC%A0%81%EC%9C%BC%EB%A1%9C%2C%20%EB%A9%80%ED%8B%B0%20%EC%8A%A4%ED%8E%99%ED%8A%B8%EB%9F%BC%20%EC%B9%B4%EB%A9%94%EB%9D%BC,%EC%8A%A4%ED%8E%99%ED%8A%B8%EB%9F%BC%20%EC%9D%B4%EB%AF%B8%EC%A7%80%EB%A1%9C%20%EB%B3%B5%EA%B5%AC%ED%95%9C%EB%8B%A4.
17. 멀티 스펙트럼 이미징이란? - Basler AG, https://www.baslerweb.com/ko-kr/learning/multispectral-imaging/
18. 멀티 스펙트럼 이미징 - 비전시스템, https://visionsystem.kr/technical-info?tpf=board/view&board_code=1&code=441
19. 의료 및 산업용 머신 비전 시스템을 위한 멀티 스펙트럼 이미징 - JAI, https://www.jai.com/kr/multispectral-imaging
20. 머신 비전 시스템의 구조 이해 - Emergent Vision Technologies, https://emergentvisiontec.com/ko/tech-portal/anatomy-of-a-machine-vision-system/
21. 카메라 모듈의 기본구조 및 동작원리, http://ko.ronghuayxf.com/news/basic-structure-and-working-principle-of-camera-module/
22. CCD 대 CMOS 센서 비교: 이미징에 가장 적합한 것은 무엇인가? | Altium, https://resources.altium.com/kr/p/ccd-vs-cmos-sensor-comparison-which-is-best-for-imaging
23. [써멀][Thermal]적외선 센서에 대해서, https://chubbybear.tistory.com/entry/%EC%A0%81%EC%99%B8%EC%84%A0-%EC%84%BC%EC%84%9C%EC%97%90-%EB%8C%80%ED%95%B4%EC%84%9C
24. 냉각식 또는 비냉각식? | Teledyne FLIR, https://www.flirkorea.com/discover/rd-science/cooled-or-uncooled/
25. 냉각식 및 비냉각식 디텍터를 사용한 열화상의 차이 - elec4, https://www.elec4.co.kr/article/articleView.asp?idx=10846
26. [FPN-소방방재신문] “휴대폰이 아니고 열화상 카메라?” 두 번째 이야기, https://www.fpn119.co.kr/133111
27. KR20060064615A - 비냉각식 마이크로볼로미터 검출기를 이용한 복사 분석 - Google Patents, https://patents.google.com/patent/KR20060064615A/ko
28. KR20110028559A - 비냉각 마이크로 볼로미터 검출기를 사용하는 방사 측정 - Google Patents, https://patents.google.com/patent/KR20110028559A/ko
29. [3D Graphics/개념] 카메라 원리, 카메라 모델 - JeongHwarr의 작은 다락방, https://jeonghwarr.github.io/posts/%EA%B0%9C%EB%85%90-%EC%B9%B4%EB%A9%94%EB%9D%BC-%EC%9B%90%EB%A6%AC,-%EC%B9%B4%EB%A9%94%EB%9D%BC-%EB%AA%A8%EB%8D%B8/
30. 2025 비전 AI 카메라 보정, https://www.ultralytics.com/ko/blog/a-guide-to-camera-calibration-for-computer-vision-in-2025
31. 중국 맞춤형 통합 비디오 감시 및 정찰 EO 시스템 제조업체 공급 업체 공장|중국산 - IR-EO, https://ko.ireocam.com/integrated-video-surveillance-and-reconnaissance/
32. 고정밀도 멀티 센서 전자광학 적외선 EO / IR 추적 카메라 시스템, https://m.korean.eo-irsystems.com/quality-8760293-high-accuracy-multi-sensors-electro-optical-infrared-eo-ir-tracking-camera-system
33. 한 번에 여러 이미지를 얻을 수 있는 기술이 있다구요 ? -1탄- Multifield™ 기술, https://blog.envision.co.kr/93
34. Phantom 4 Multispectral(다분광) - 영인모빌리티(주) - DJI, Unitree Robotics 한국 공식 파트너사, https://www.younginmobility.com/sub-main/sub/18
35. 탐지·추적 전자광학 | 전자광학 | 감시·정찰(ISR) | Defense | 한화시스템, https://www.hanwhasystems.com/kr/business/defense/isr/electronic01.do
36. 자율주행을 위한 다중센서 기반 인공지능 기술, https://mhyoon1.github.io/home/paper/2017-02.pdf
37. 다양한 스테레오 카메라 배열을 위한 효율적인 깊이 지도 생성 방법 - Korea Science, https://koreascience.kr/article/JAKO201224963707439.pdf
38. KR20220115223A - 다중 카메라 캘리브레이션 방법 및 장치 - Google …, https://patents.google.com/patent/KR20220115223A/ko
39. [논문]광학식 모션캡처를 위한 다중 카메라 보정 방법 - 한국과학기술정보연구원, https://scienceon.kisti.re.kr/srch/selectPORSrchArticle.do?cn=JAKO200925265921703
40. 광학식 모션캡처를 위한 다중 카메라 보정 방법 - ResearchGate, https://www.researchgate.net/profile/Ki-Young-Shin-3/publication/264132790_Multi-camera_Calibration_Method_for_Optical_Motion_Capture_System/links/55f6a4ec08ae7a10cf8ba1ac/Multi-camera-Calibration-Method-for-Optical-Motion-Capture-System.pdf
41. KR101677230B1 - 이종 영상 융합 알고리즘의 품질 평가 장치 및 방법 - Google Patents, https://patents.google.com/patent/KR101677230B1/ko
42. Infrared and Visible Image Fusion Technology and Application: A Review - MDPI, https://www.mdpi.com/1424-8220/23/2/599
43. Image Fusion Techniques in Remote Sensing - arXiv, https://arxiv.org/pdf/1403.5473
44. taylorandfrancis.com, https://taylorandfrancis.com/knowledge/Engineering_and_technology/Artificial_intelligence/Image_fusion/#:~:text=In%20pixel%2Dlevel%20fusion%2C%20the,(Jiang%20and%20Wang%202014).
45. A multiscale approach to pixel-level image fusion - alan s. willsky, https://willsky.lids.mit.edu/publ_pdfs/168_pub_ICAE.pdf
46. (PDF) Review of pixel-level image fusion - ResearchGate, https://www.researchgate.net/publication/225166776_Review_of_pixel-level_image_fusion
47. Fusion of Infrared and Visible Images for Face Recognition - University of Nevada, Reno, https://www.cse.unr.edu/~bebis/fusefaceECCV04.pdf
48. Image Fusion Methods - Encyclopedia.pub, https://encyclopedia.pub/entry/54352
49. Infrared and Visible Image Fusion Algorithm Based on Double-Domain Transform Filter and Contrast Transform Feature Extraction - MDPI, https://www.mdpi.com/1424-8220/24/12/3949
50. Infrared and visible image fusion methods and applications: A survey - Semantic Scholar, https://www.semanticscholar.org/paper/Infrared-and-visible-image-fusion-methods-and-A-Ma-Ma/27adceb33a98e55f263a495dbe66baf22b5cf789
51. Multispectral Object Detection Based on Multilevel Feature Fusion and Dual Feature Modulation - MDPI, https://www.mdpi.com/2079-9292/13/2/443
52. Object Detection in Multispectral Remote Sensing Images Based on Cross-Modal Cross-Attention - MDPI, https://www.mdpi.com/1424-8220/24/13/4098
53. AI-based object detection latest trends in remote sensing, multimedia and agriculture applications - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC10112523/
54. Multispectral Image Analysis for Object Recognition and Classification - uO Research, https://ruor.uottawa.ca/bitstreams/6289b0ad-37ad-4397-b692-00bb58378776/download
55. Multispectral image analysis for object recognition and classification - ResearchGate, https://www.researchgate.net/publication/303031989_Multispectral_image_analysis_for_object_recognition_and_classification
56. 보안 카메라 | 상업용 비디오 감시 - Verkada, https://www.verkada.com/ko-kr/security-cameras/
57. Multi-Spectral Targeting System (MTS) | Raytheon - RTX, https://www.rtx.com/raytheon/what-we-do/air/mts
58. Global ISR Sensors and Software | Raytheon - RTX, https://www.rtx.com/raytheon/what-we-do/air/multispectral-imaging
59. Electro-Optical and Infrared Sensors (EO/IR) | Northrop Grumman, https://www.northropgrumman.com/what-we-do/mission-solutions/electro-optical-and-infrared-sensors-eo-ir
60. Marine & VTMS EO/IR PTZ Surveillance Cameras - Infiniti Electro-Optics, https://www.infinitioptics.com/marine
61. EO/IR이란 무엇입니까?, https://www.flirkorea.com/discover/rd-science/what-is-eoir/
62. Multi-Spectral PTZ Security Cameras – ICI - MultiSensor AI Holdings, Inc, https://buy.infraredcameras.com/collections/multi-spectral-ptz
63. 군이고 민간 현장의 2가지 주축 듀얼형센서 EO / IR 감시 시스템, https://m.korean.eo-irsystems.com/sale-33939849-2-axis-dual-sensor-eo-ir-surveillance-system-in-military-and-civilian-fields.html
64. 전자광학/적외선(EO/IR) 카메라 아카이브 - cuashub.com, https://cuashub.com/ko/%EC%A0%9C%ED%92%88-%EC%9C%A0%ED%98%95/%EC%B9%B4%EB%A9%94%EB%9D%BC-eo-ir/
65. 전자광학/적외선(EO/IR) 카메라 아카이브 - cuashub.com, https://cuashub.com/ko/%EA%B3%B5%EA%B8%89%EC%97%85%EC%B2%B4-%EC%9C%A0%ED%98%95/%EC%B9%B4%EB%A9%94%EB%9D%BC-eo-ir/
66. 정밀농업/인텔리전스 농업에서 다중분광 카메라의 역할 | JAI - News, https://news.jai.com/blog/ko/multi-spectral-camera-for-precision-agriculture
67. 왜, 농업에 다중분광 드론 카메라가 각광받을까요? - 헬셀, https://helsel.co.kr/article/%ED%97%AC%EC%85%80-%EB%B8%94%EB%A1%9C%EA%B7%B8/8/40328/
68. 디지털 농업의 머신 비전 혁신 사례 - 비전시스템, https://www.visionsystem.kr/technical-info?tpf=board/view&board_code=1&code=853
69. LiDAR와 정밀 농업: 스마트 산업의 농업 관행 혁신 - Neuvition, https://www.neuvition.com/ko/media/blog/lidar-and-precision-agriculture-revolutionizing-farming-practices-in-the-smart-industry.html
70. 초분광센서를 이용한 수질 분석의 적용성에 관한 연구, https://www.jeaht.org/upload/pdf/jksea-17-3-113.pdf
71. 다중분광(Multi-Spectral) 및 초분광(Hyper-Spectral)영상 - 클라우드의 데일리 리포트, https://clouds-daily.tistory.com/269
72. 하이퍼스펙트럼 카메라란? 원리와 응용 분야를 한 번에 알아보기 - CHNSpec, https://www.chnspec.net/kor/korean/what_is_a_hyperspectral_camera.html
73. 2024 자율차 핵심부품 산업 및 표준 동향, https://avstandard.or.kr/uploads/file_content/a367ae61-8d1e-4658-bf54-160eb2c2ca23/241025%EC%9E%90%EC%9C%A8%EC%B0%A8_%ED%95%B5%EC%8B%AC_%EB%B6%80%ED%92%88_%ED%91%9C%EC%A4%80_%EC%9D%B4%EC%8A%88_%EB%A6%AC%ED%8F%AC%ED%8A%B8_%EC%B6%9C%ED%8C%90%EB%B3%B8.pdf
74. Why can’t hyperspectral or multispectral images be obtained from photos taken by optical cameras through image processing? - CHNSpec, https://www.chnspec.net/hyperspectral-multispectral-images-optical-cameras.html
75. The Development of Snapshot Multispectral Imaging Technology Based on Artificial Compound Eyes - MDPI, https://www.mdpi.com/2079-9292/12/4/812
76. Multispectral Vs. Hyperspectral Imaging: Differences And Uses - EOS Data Analytics, https://eos.com/blog/multispectral-vs-hyperspectral-imaging/
77. Full article: A critical review on multi-sensor and multi-platform remote sensing data fusion approaches: current status and prospects, https://www.tandfonline.com/doi/full/10.1080/01431161.2024.2429784
78. Can Commercial Digital Cameras Be Used as Multispectral Sensors? A Crop Monitoring Test - PubMed Central, https://pmc.ncbi.nlm.nih.gov/articles/PMC3787446/
79. Electro Optical Infrared Systems Market Size, Share Report, Trends 2032, https://www.marketresearchfuture.com/reports/electro-optical-infrared-systems-market-40556
80. Infrared Imaging Market Size, Share, Growth | Forecast [2032] - Fortune Business Insights, https://www.fortunebusinessinsights.com/infrared-imaging-market-102601
81. Electro-Optical & Infrared (EO/IR) Systems - Leonardo DRS, https://www.leonardodrs.com/who-we-are/our-segments/electro-optical-infrared-systems/
82. Electro-Optical/Infrared (EO/IR) Cameras Archives - cuashub.com, https://cuashub.com/en/product-type/cameras-eo-ir/
83. SNAPSHOT MULTISPECTRAL CAMERAS - Spectral Devices, https://spectraldevices.com/collections/snapshot-multispectral-cameras
84. Electro-Optical Cameras & Gimbals | EO Systems for Drones, UAV, https://www.unmannedsystemstechnology.com/expo/electro-optical-systems/
85. Modern Trends and Recent Applications of Hyperspectral Imaging: A Review - MDPI, https://www.mdpi.com/2227-7080/13/5/170
86. Trends in Snapshot Spectral Imaging: Systems, Processing, and Quality - MDPI, https://www.mdpi.com/1424-8220/25/3/675
87. Computational optical imaging: challenges, opportunities, new trends, and emerging applications - Frontiers, https://www.frontiersin.org/journals/imaging/articles/10.3389/fimag.2024.1336829/full
88. A Multispectral Camera Development: From the Prototype Assembly until Its Use in a UAV System - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC7663471/
89. Recent Advances in Multi- and Hyperspectral Image Analysis - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC8473276/