KR102326805B1 - 공간 dbms 기반의 딥러닝 기술을 적용한 고사목 및 병해충 모니터링 시스템 - Google Patents
공간 dbms 기반의 딥러닝 기술을 적용한 고사목 및 병해충 모니터링 시스템 Download PDFInfo
- Publication number
- KR102326805B1 KR102326805B1 KR1020200135183A KR20200135183A KR102326805B1 KR 102326805 B1 KR102326805 B1 KR 102326805B1 KR 1020200135183 A KR1020200135183 A KR 1020200135183A KR 20200135183 A KR20200135183 A KR 20200135183A KR 102326805 B1 KR102326805 B1 KR 102326805B1
- Authority
- KR
- South Korea
- Prior art keywords
- tiling
- image
- pest
- images
- detection model
- Prior art date
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 146
- 238000012544 monitoring process Methods 0.000 title claims abstract description 76
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000005516 engineering process Methods 0.000 title abstract description 5
- 238000001514 detection method Methods 0.000 claims abstract description 103
- 238000009826 distribution Methods 0.000 claims abstract description 50
- 238000005070 sampling Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims description 40
- 239000002023 wood Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 description 19
- 238000013527 convolutional neural network Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 6
- 241000243771 Bursaphelenchus xylophilus Species 0.000 description 4
- 238000009827 uniform distribution Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 2
- 235000011613 Pinus brutia Nutrition 0.000 description 2
- 241000018646 Pinus brutia Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G06N7/005—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Catching Or Destruction (AREA)
Abstract
본 발명은 공간 DBMS 기반의 딥러닝 기술을 적용한 고사목 및 병해충 모니터링 시스템에 관한 것으로서, 병해충 피해목을 모니터링하기 위한 모니터링부; 및 상기 모니터링부로부터 제공되는 데이터를 저장하거나, 상기 모니터링부에 데이터를 제공하는 공간 DBMS를 포함하고, 상기 모니터링부는, 정사이미지 및 실측된 고사목 및 병해충 발생영역에 대한 제1 위치정보를 갖는 병해충 분포도를 입력받고 상기 공간 DBMS에 저장하는 데이터 입력부; 상기 정사이미지를 기반으로 복수의 타일링 이미지를 생성하고 상기 복수의 타일링 이미지 및 상기 복수의 타일링 이미지의 속성정보를 상기 DBMS에 저장하는 타일링 이미지 생성부; 상기 정사이미지를 상기 제1 위치정보에 대응되는 제1 타일링 이미지와, 상기 제1 위치정보에 대응되지 않는 제2 타일링 이미지로 샘플링하는 샘플링부; 상기 복수의 타일링 이미지 중 상기 제1 타일링 이미지를 기반으로 학습 및 검증하여 상기 복수의 타일링 이미지 각각에 대해 고사목 및 병해충 발생확률을 도출하기 위한 검출모델을 생성하는 검출모델 생성부; 및 상기 검출모델을 상기 복수의 타일링 이미지 전체에 적용하여 상기 복수의 타일링 이미지 전체에 대한 고사목 및 병해충 발생확률을 나타내는 확률지도를 생성하고, 상기 DBMS에 저정하는 확률지도 생성부를 포함한다.
Description
본 발명은 고사목 및 병해충 모니터링 시스템에 관련된 것으로서, 구체적으로 항공기 또는 위성에서 촬영된 정사이미지를 기반으로 고사목 및 병해충을 탐지하고 모니터링하기 위한 시스템에 관한 것이다.
우리나라는 전국토의 64%가 산림으로 이루어져 있으며, 1980년대 이후 지구의 평균 기온이 0.6℃증가해 기후변화에 따른 환경요인과 맞물려 산림생태계에 영향을 줄 가능성도 높을 것으로 예상된다. 특히 소나무재선충병은 1988년 부산에서 처음 발생된 이후 최근 급격히 확산되어 산림생태계에 많은 피해를 주고 있는 실정이다
소나무재선충의 방제를 위한 다양한 기술이 개발되고 있으며, 소나무재선충이 발생한 후 주변 소나무로 확산되는 것을 방지하기 위한 다양한 기술도 개발되고 있다.
이와 관련된 선행문헌1로서 대한민국특허 출원번호 제10-2017-0066242호는 무인 항공기 정사영상을 이용한 산림 병해충 피해목 검출 방법에 관한 것으로서, 정사영상 제작단계, 정상영상을 격자부분으로 나눈 후 피해목을 검출하는 단계를 포함함으로써 정사영상으로부터 피해목을 검출할 수 있다.
하지만 선행문헌1의 산림 병해충 피해목 검출방법에서 피해목을 검출하기 위해 사용되는 방법은, 미리 설정된 색상과 패턴을 기준으로 격자부분에 피해목의 존재여부를 판단한다. 이에 따르면 고정된 검출기준을 적용하여 피해목의 유무를 판단하므로 상황에 따라 오차가 다수 발생할 수 있다.
또한 선행문헌1의 피해목 검출방법에 의하면, 피해목의 존재여부만을 알 수 있으므로, 지형 등의 다른 공간정보와 연관시켜 분석 및 활용하기가 용이하지 않다.
본 발명은 상기 종래기술이 갖는 문제점을 해결하기 위하여 창출된 것으로서, 본 발명은, 피해목 검출오차를 줄이고 분석결과를 다른 공간정보와 연관시켜 활용할 수 있는 공간 DBMS기반의 모니터링 시스템을 제공하는 데에 있다.
상기 과제를 해결하기 위해 본 발명의 제1 실시예에 따른 공간 DBMS 기반의 딥러닝 기술을 적용한 고사목 및 병해충 모니터링 시스템은, 고사목 및 병해충 피해목을 모니터링하기 위한 모니터링부; 및 상기 모니터링부로부터 제공되는 데이터를 저장하거나, 상기 모니터링부에 데이터를 제공하는 공간 DBMS를 포함하고, 상기 모니터링부는, 정사이미지 및 실측된 고사목 및 병해충 발생영역에 대한 제1 위치정보를 갖는 고사목 및 병해충 분포도를 입력받고 상기 공간 DBMS에 저장하는 데이터 입력부; 상기 정사이미지 및 상기 고사목 및 병해충 분포도를 기반으로 복수의 타일링 이미지를 생성하고 상기 복수의 타일링 이미지 및 상기 복수의 타일링 이미지 각각에 대한 속성정보를 상기 DBMS에 저장하는 타일링 이미지 생성부; 상기 정사이미지를 상기 제1 위치정보에 대응되는 제1 타일링 이미지와, 상기 제1 위치정보에 대응되지 않는 제2 타일링 이미지로 샘플링하는 샘플링부; 상기 복수의 타일링 이미지 중 상기 제1 타일링 이미지를 기반으로 학습 및 검증하여 상기 복수의 타일링 이미지 각각에 대해 고사목 및 병해충 발생확률을 도출하기 위한 검출모델을 생성하는 검출모델 생성부; 및 상기 검출모델을 상기 복수의 타일링 이미지 전체에 적용하여 상기 복수의 타일링 이미지 전체에 대한 고사목 및 병해충 발생확률을 나타내는 확률지도를 생성하고, 상기 DBMS에 저정하는 확률지도 생성부를 포함한다.
또한 실시예에 있어서, 상기 제1 타일링 이미지는 검출모델을 생성하는 데 사용되는 제1-1 타일링 이미지 및 상기 피해목 모델을 검증하는 데 사용되는 제1-2 타일링 이미지를 포함한다.
본 발명의 제2 실시예에 따른 공간 DBMS을 이용한 고사목 및 병해충 모니터링 시스템은, 고사목 및 병해충 피해목을 모니터링하기 위한 병해충 피해목 모니터링부; 및 상기 모니터링부로부터 제공되는 데이터를 저장하거나, 상기 모니터링부에 데이터를 제공하는 공간 DBMS를 포함하고, 상기 고사목 및 병충해 피해목 모니터링부는, 정사이미지, 실측된 고사목 및 병해충 발생영역에 대한 제1 위치정보를 갖는 고사목 및 병해충 분포도, 고사목 및 병해충 발생영역과 유사한 유사지역에 대한 제2 위치정보를 갖는 유사지역 분포도를 입력받고 상기 공간 DBMS에 저장하는 데이터 입력부; 상기 정사이미지, 상기 고사목 및 병해충 분포도, 상기 유사지역 분포도를 기반으로 복수의 타일링 이미지를 생성하고 상기 복수의 타일링 이미지 및 상기 복수의 타일링 이미지 각각에 대한 속성정보를 상기 DBMS에 저장하는 타일링 이미지 생성부; 상기 복수의 타일링 이미지를 상기 제1 위치정보에 대응되는 제1 타일링 이미지와, 상기 제2 위치정보에 대응되는 제2 타일링 이미지와, 상기 제1 및 제2 위치정보에 대응되지 않는 제3 타일링 이미지로 샘플링하는 샘플링부; 상기 제1 타일링 이미지 및 상기 제2 타일링 이미지를 기반으로 학습 및 검증하여 상기 복수의 타일링 이미지 각각에 대해 고사목 및 병해충 발생확률을 도출하기 위한 검출모델을 생성하는 검출모델 생성부; 및 상기 검출모델을 상기 복수의 타일링 이미지 전체에 적용하여 상기 복수의 타일링 이미지 전체에 대한 고사목 및 병해충 발생확률을 나타내는 병해충발생 확률지도를 생성하여 상기 공간 DBMS에 저장하는 확률지도 생성부를 포함한다.
또한 실시예에 있어서, 상기 제1 타일링 이미지는, 상기 검출모델을 생성하는 데 사용되는 제1-1 타일링 이미지 및 상기 피해목 모델을 검증하는 데 사용되는 제1-2 타일링 이미지를 포함하고, 상기 제2 타일링 이미지는, 유사지역 형태에 따라 복수의 제2 서브 타일링 이미지를 포함한다.
본 발명에 따르면 합성곱 신경망(CNN)을 이용하여 검출모델을 생성하고, 검증하므로 최종적으로 확률지도 상에서 검출오차를 줄일 수 있다.
본 발명에 따르면, 공간 DBMS를 이용하여 고사목 및 병해충 피해목을 모니터링하는 경우, 공간 DBMS에 저장된 정보를 쿼리를 통해 손쉽게 얻을 수 있다.
또한 확률지도는 고사목 및 병해충 발생확률로 표현되어 있으므로, 공간 DBMS 상에서 해당 지역의 다른 공간정보들과 연관되는 경우, 다른 공간정보와 고사목 및 병해충의 상관관계도 분석할 수 있게 된다.
본 발명에 따르면, 타일링 이미지를 샘플링한 후 타일링 이미지 중 일부를 검출모델을 생성하는 데 이용하고, 나머지 일부를 검출모델을 검증하는 데 사용한다. 검출모델의 검출확률이 설정값 이하인 경우에도 별도의 실측없이 공간 DBMS에 저장된 과거 데이터를 이용할 수 있다. 이에 따라 고사목 및 병해충 분포도를 추가로 작성하기 위한 실측시간 및 노력을 절감할 수 있다.
도 1은 본 발명의 제1 실시예에 따른 공간 DBMS 기반의 딥러닝 기법을 이용한 고사목 및 병해충 모니터링 시스템을 설명하기 위한 도면이다.
도 2는 정사이미지와 타일링 이미지의 관계를 설명하기 위한 도면이다.
도 3은 도 2에 도시된 타일링 이미지에 대한 속성정보를 설명하기 위한 도면이다.
도 4는 본 발명의 제1 실시예에 따른 공간 DBMS 기반의 딥러닝 기법을 이용한 고사목 및 병해충 모니터링 방법을 설명하기 위한 플로우차트이다.
도 5는 본 발명의 제2 실시예에 따른 공간 DBMS 기반의 딥러닝 기법을 이용한 고사목 및 병해충 모니터링 시스템을 설명하기 위한 도면이다.
도 6은 본 발명의 제2 실시예에 따른 공간 DBMS 기반의 딥러닝 기법을 이용한 고사목 및 병해충 모니터링 방법을 설명하기 위한 플로우차트이다.
도 2는 정사이미지와 타일링 이미지의 관계를 설명하기 위한 도면이다.
도 3은 도 2에 도시된 타일링 이미지에 대한 속성정보를 설명하기 위한 도면이다.
도 4는 본 발명의 제1 실시예에 따른 공간 DBMS 기반의 딥러닝 기법을 이용한 고사목 및 병해충 모니터링 방법을 설명하기 위한 플로우차트이다.
도 5는 본 발명의 제2 실시예에 따른 공간 DBMS 기반의 딥러닝 기법을 이용한 고사목 및 병해충 모니터링 시스템을 설명하기 위한 도면이다.
도 6은 본 발명의 제2 실시예에 따른 공간 DBMS 기반의 딥러닝 기법을 이용한 고사목 및 병해충 모니터링 방법을 설명하기 위한 플로우차트이다.
도 1은 본 발명의 실시예에 따른 공간 데이터베이스관리시스템(Database Management System, DBMS) 기반의 딥러닝 기법(CNN 등)을 이용한 고사목 및 병해충 모니터링 시스템을 설명하기 위한 도면이다.
본 발명의 공간 DBMS 기반의 딥러닝 기법(CNN 등)을 이용한 고사목 및 병해충 모니터링 시스템은 공간 DBMS와 모니터링부가 서로 물리적으로 분리된 구성으로 설명되었으나, 이에 제한되지 않고, 공간 DBMS 상에서 모니터링부가 구현될 수 있다.
이하 첨부된 도면을 참조하여 본 발명의 제1 실시예에 따른 공간DBMS을 이용한 고사목 및 병해충 모니터링 시스템에 대해 상세히 설명한다.
도 1은 본 발명의 제1 실시예에 따른 공간DBMS을 이용한 고사목 및 병해충 모니터링 시스템을 설명하기 위한 구성도이다.
도 1을 참조하면, 공간 DBMS를 이용한 고사목 및 병해충 모니터링 시스템(10)은 모니터링부(100) 및 공간 데이터베이스 관리시스템(DBMS)(200)을 포함한다
모니터링부(100)는 고사목 및 병해충을 모니터링하기 위한 것으로서, 데이터 입력부(110), 타일링 이미지 생성부(120), 샘플링부(130), 검출모델 생성부(140), 확률지도 생성부(150)를 포함한다.
데이터 입력부(110)는 정사이미지 및 실측된 고사목 및 병해충 발생영역에 대한 제1 위치정보를 갖는 고사목 및 병해충 분포도를 획득하여 공간 DBMS(200)에 저장한다.
정사이미지는 위성, 드론, 항공기 중 적어도 하나에 의해 촬영된 정사영상 이미지일 수 있다. 이러한 정사이미지는 왜곡보정을 통해 위치좌표가 보정된 이미지이다.
고사목 및 병해충 분포도는 실측된 고사목 및 병해충 발생영역에 대한 제1 위치정보를 갖는다. 여기서 병해충은 소나무재선충 등을 의미하나 이에 제한되지는 않는다. 그리고 모니터링 대상은 소나무이며, 피해목은 병해충에 의해 감염된 수목을 의미한다. 한편 고사목 및 병해충 분포도는 고사목 분포도이거나, 병해충 분포도일 수 있다.
제1 위치정보는 고사목 및 병해충에 의한 피해목의 실측 위치를 나타낸다. 제1 위치정보는, 피해목인 고사목 및 병해충에 감염된 수목의 실제 위치로서, 고사목 및 병해충 분포도는 제1 위치정보로서, (x1, y1), (x2, y2), (x3, y3)...(xn, yn) 등의 복수의 좌표에 대한 정보를 포함할 수 있다.
고사목 및 병해충 분포도는 제1 위치정보 자체 또는 정사이미지에 제1 위치정보가 식별될 수 있도록 표시된 형태로 형성될 수도 있다. 이러한 병해충 분포도는 실측에 의해 직접 작성된 것이거나 또는 전문업체 또는 기관으로부터 획득된 것일 수도 있고, 공간정보의 포맷으로도 활용될 수 있다.
데이터 입력부(110)는 정사이미지와, 고사목 및 병해충 분포도를 입력받고, 공간 DBMS(200)에 정사이미지 및 고사목 및 병해충의 위치정보와 속성정보를 저장한다. 정사이미지의 속성정보는, 정사이미지의 이름, 정사이미지의 생성날짜, 정사이미지의 크기 등을 포함하며, 정사이미지의 위치정보와 고사목 및 병해충 분포도에 포함된 제1 위치정보를 공간정보 형태로 포함한다.
도 2는 정사이미지와 타일링 이미지의 관계를 설명하기 위한 도면이고, 도 3은 도 2에 도시된 타일링 이미지에 대한 속성정보를 설명하기 위한 도면이다.
타일링 이미지 생성부(120)는 데이터 입력부(110)에 의해 공간 DBMS(200)에 저장된 정사이미지를 도 2와 같이 복수의 타일링 이미지로 분할하고, 복수의 타일링 이미지와, 복수의 타일링 이미지 각각에 대응되는 속성정보를 공간 DBMS(200)에 저장한다.
도 3을 참조하면, 타일링 이미지에 대한 속성정보는, 타일링 이미지가 속하는 소속정보, 타일링 이미지가 생성된 날짜정보, 타일링 이미지 위치정보, 타일링 이미지의 크기, 타일링 이미지의 샘플링 정보, 타일링 이미지에 대한 고사목 및 병해충 발생확률을 포함한다. 이외에도 속성정보에는 다른 내용을 나타내는 정보를 더 포함할 수 있다.
타일링 이미지의 소속정보는, 타일링 이미지가 어떤 정사 이미지로부터 타일링 되었는지를 나타내기 위한 정보로서, 정사이미지의 이름을 나타낼 수 있다. 타일링 이미지 위치정보는, 타일리 이미지가 정사이미지 상에서의 위치를 나타내며, 정사이미지로부터 타일링 이미지가 생성될 때, 생성되는 타일링 이미지의 이름에 타일링 이미지의 위치정보가 포함될 수도 있다.
타일링 이미지 크기는 타일링 이미지 생성부(120)에 의해 저장되는 정보로서, 가로방향 픽셀수 및 세로방향 픽셀수를 나타낼 수 있다. 타일링 이미지의 크기는 사용자에 의해 설정되거나 또는 미리 설정될 수 있다. 예를 들어 타일링 이미지의 크기가 64 픽셀 x 64 픽셀의 크기로 사용자에 의해 설정되는 경우, 정사이미지는 64 픽셀 x 64 픽셀의 크기로 타일링 이미지로 분할되며, 타일링 이미지의 속성정보에 가로방향 픽셀수 및 세로방향 픽셀수에 대한 정보가 저장된다.
샘플링 정보는 샘플링부(130)에 의해 저장되는 정보로서, 제1, 제1-1, 제1-2, 제2 타일링 이미지를 식별하기 위한 정보이다.
타일링 이미지의 고사목 및 병해충 발생확률 정보는 타일링 이미지에 대응되는 위치 상에서 고사목 및 병해충에 의한 피해목이 존재할 확률을 나타내는 정보로서, 확률지도 생성부(150)에 의해 저장되는 정보이다.
샘플링부(130)는 검출모델 생성부(140)에서 검출모델을 생성하기 위한 복수의 타일링 이미지를 샘플링하여 분류하고, 어떤 분류로 샘플링되었는 지를 나타내는 샘플링 정보를 복수의 타일링 이미지 각각에 대한 속성정보에 추가 저장한다.
샘플링부(130)는 제1 위치정보에 대응되는 픽셀을 포함하는 제1 타일링 이미지, 제1 위치정보에 대응되는 픽셀을 포함하지 않은 제2 타일링 이미지로 분류한다.
또한 샘플링부(130)는 제1 타일링 이미지를 다시 검출모델을 생성하는 데 사용되는 제1-1 타일링 이미지와, 검출모델을 검증하는 데 사용되는 검출모델을 검증하기 위한 타일링 이미지로서 제1-2 타일링 이미지로 분류할 수 있다.
이때 샘플링부(130)는 제1 타일링 이미지, 제2 타일링 이미지, 제1-1 타일링 이미지, 제1-2 타일링 이미지 중 어느 것에 해당되는 지 식별할 수 있도록 타일링 이미지에 대한 속성정보에 샘플링 정보를 추가 저장할 수 있다. 예를 들어, 어떤 하나의 타일링 이미지가 제2 타일링 이미지로 분류된 경우, 타일링 이미지에 대한 속성정보에 제2 타일링 이미지에 대응되는 값이 샘플링 정보로서 저장된다.
샘플링부(130)는 제1-1 타일링 이미지와 제1-2 타일링 이미지는 미리 설정된 비율로 분류할 수 있다. 예를 들어 제1-1타일링 이미지 개수와 제1-2 타일링 이미지 개수의 비율은 2:1일 수 있다. 또는 샘플링부(130)는 제1-1 타일링 이미지를 검출모델을 생성하는 데에 필요한 개수만큼 샘플링하고 나머지 타일링 이미지를 제1-2 타일링 이미지로 샘플링할 수 있다.
샘플링부(130)는 제1-1 타일링 이미지 및 제1-2 타일링 이미지 각각이 균일한 분포도를 갖도록 샘플링할 수 있다. 예를 들어, 정사이미지 상에서 어느 하나의 영역에서 집중적으로 샘플링된 제1-1 타일링 이미지를 이용하여 피해목 모델을 생성한 경우, 정사이미지의 다른 영역에서 집중적으로 샘플링된 제1-2 타일링 이미지로 피해목 모델을 검증할 때 피해목 검출률이 떨어질 수 있다.
따라서 샘플링부(130)는 균일한 분포도를 갖도록 제1-1 타일링 이미지 및 제1-2 타일링 이미지를 샘플링하여 피해목 검출률을 증가시킴으로써 검출모델의 수정 작업을 최소로 할 수 있게 한다.
검출모델 생성부(140)는 샘플링된 타일링 이미지를 기반으로 딥러닝 기반의 학습을 통해 검출모델을 생성하고, 생성된 검출모델을 검증한다.
병해충 모니터링 시스템의 대상은 수목이며, 고사목 및 병해충 피해목은 갈색, 적색, 회색으로 나타내므로, 수목의 형태와, 색상을 이용하여 고사목 및 병해충 피해목의 분별이 가능하다.
검출모델 생성부(140)는 검출모델을 생성하기 위해 딥러닝과 같은 인공지능 학습방법을 이용할 수 있다. 검출모델 생성부(140)는 딥러닝 방법 중 이미지학습과 관련된 합성곱 신경망(Convolution Neural Network, CNN) 등을 이용할 수 있다.
합성곱 신경망은 가중치 필터를 이용한 합성곱 과정과 압축을 위한 폴링 과정을 포함한다. 합성곱 신경망을 적용에 있어서 이미지의 가장자리임을 나타내기 위해 패딩과정이 추가로 포함될 수 있다. 예를 들어, 검출모델 생성부(140)는 검출모델을 생성하기 위해 실제 피해목 위치인 제1 위치정보에 대응되는 1로 표시된 제1-1 타일링 이미지 및 제1-1 타일링 이미지 주변에 위치하며 제1 위치정보에 대응되지 않는 0로 표시된 제2 타일링 이미지를 포함하는 타일링 이미지를 이용할 수 있다. 이때 1과 0은 예시적인 것으로서, 이에 제한되는 것은 아니다.
검출모델 생성부(140)는 제1-1 타일링 이미지를 이용하여 검출모델을 생성한 후, 제1-2 타일링 이미지를 이용하여 검출모델을 검증한다.
구체적으로 제1-2 타일링 이미지에 대해 검출모델을 적용하여 고사목 및 병해충 발생확률을 계산하고, 고사목 및 병해충 발생확률이 설정값(고사목 및 병해충이 존재하는 것으로 판단되는 최소확률) 이상일때 고사목 및 병해충 피해목이 위치하는 것으로 판단한다. 그리고 이러한 설정값 이상의 발생확률을 갖는 제1-2 타일링 이미지의 개수 대비 제1-2 타일링 이미지의 전체 개수를 비율로 나타내고, 이러한 비율이 설정비율을 넘는지 판단한다.
예를 들어, 검출모델 검증에 사용되는 설정비율이 80%이며, 제1-2 타일링 이미지 전체 개수가 100개일 때, 설정값 이상의 병해충 발생확률을 갖는 제1-2 타일링 이미지의 갯수가 85개이면, 설정값 이상의 발생확률을 갖는 제1-2 타일링 이미지의 개수 대비 제1-2 타일링 이미지의 전체 개수를 비율로 나타내면 85%이며 설정비율인 80%를 초과한다. 따라서 해당 검출모델은 적합한 것으로 판단된다.
이와 반대로 설정값 이상의 병해충 발생확률을 갖는 제1-2 타일링 이미지의 갯수가 70개이면, 설정값 이상의 발생확률을 갖는 제1-2 타일링 이미지의 개수 대비 제1-2 타일링 이미지의 전체 개수를 비율로 나타내면 70%이며 설정비율인 80%에 미치지 못한다. 따라서 해당 검출모델은 적합하지 않은 것으로서 수정이 필요한 것으로 판단된다.
검증결과, 검출모델 검증결과 설정비율을 넘지 못한 경우, 제1 데이터 입력부(110)에 새로운 데이터 입력을 요청한다. 제1 데이터 입력부(110)는 데이터 입력 요청에 대응하여, 추가로 실측된 고사목 및 병해충 발생영역에 대한 새로운 제2 위치정보를 갖는 병해충 분포도를 입력 받으면, 이를 기반으로 피해목 모델을 수정하고, 수정된 피해목 모델을 다시 검증한다.
이와는 달리 별도의 추가 실측을 회피하기 위해, 검출모델 생성부(140)는, 공간 DBMS(200)에 누적 저장된 같은 지역의 과거 정사영상을 활용할 수 있다.
공간 DBMS(200)에 저장된 과거 정사이미지 및 병해충 분포도의 생성날짜가 현재 정사이미지와 비슷한 날짜인 경우, 예를 들어 현재 서초구의 정사이미지 및 서초구의 병해충 분포도가 5월에 생성된 것일 때, 작년 5월에 생성된 서초구의 과거 정사이미지 및 서초구의 병해충 분포도가 공간 DBMS(200)에 저장되어 있는 경우, 현재 정사이미지 뿐만 아니라 과거 정사이미지의 제1 타일링 이미지 전부 또는 일부를 이용하여 검출모델을 생성, 수정 또는 검증할 수 있다.
또는 상기와는 달리, 공간 DBMS(200)에 저장된 과거의 정사이미지의 제1-1, 제1-2 타일링 이미지를 기반으로 생성된 과거의 검출모델을 현재 정사이미지의 제1-1, 제1-2 타일링 이미지 전체로 검증하여 과거의 병해충 검출모델을 수정하여 사용할 수도 있다. 과거의 정사이미지의 타일링 이미지를 활용하면, 검출모델 생성부(140)가 새로운 실측 고사목 및 병해충 분포도를 요청할 확률을 줄일 수 있다.
확률지도 생성부(150)는 검출모델 생성부(140)에서 생성된 검출모델을 상기 복수의 타일링 이미지 전체에 적용하여 복수의 타일링 이미지 전체에 대한 고사목 및 병해충 발생확률을 나타내는 고사목 및 병해충 발생확률 지도를 생성하고, 공간 DBMS(200)에 저장한다.
고사목 및 병해충 발생확률 지도는 검출모델을 이용하여 복수의 타일링 이미지 각각에 대해 고사목 및 병해충 발생확률을 나타내는 지도이다. 확률지도 생성부(150)는, 병해충 확률이 미리 설정된 확률 이상인 곳만 정사이미지에 표시하거나 또는 고사목 및 병해충 발생확률 정도에 따라 타일링 이미지의 색상을 정사이미지 상에서 다르게 표현할 수 있다.
공간 DBMS(200)는 모니터링부(100)로부터 제공되는 데이터를 저장하거나, 모니터링부(100)에 데이터를 제공한다. 또한 공간 DBMS는 특정 정사사진에 대한 모니터링부(100)에서 제공되는 데이터들뿐 아니라, 다른 지역의 정사사진에 대한 모니터링부(100)에서 제공되는 데이터들도 해당 정사사진과 연관시켜 저장한다. 또한 공간 DBMS(200)는 데이터를 누적 저장한다. 즉, 공간 DBMS(200)는 현재 특정지역의 정사사진에 관련된 모니터링부(100)에서 제공되는 데이터들뿐만 아니라 과거의 해당지역의 정사사진과 관련된 모니터링부(100)에서 제공되는 데이터들도 구비한다.
도 5는 본 발명의 실시예에 따른 공간 DBMS를 이용한 고사목 및 병해충 모니터링 방법을 설명하기 위한 플로우차트이다.
도 5를 참조하면, 공간 DBMS를 이용한 고사목 및 병해충 모니터링 방법은, 정사영상 및 병해충 분포도 입력 및 저장하는 과정(S10)과, 정사영상을 기반으로 복수의 타일링 이미지를 생성하는 과정(S20)과, 복수의 타일링 이미지를 제1 위치정보에 기반하여 샘플링하는 과정(S30)과, 샘플링된 이미지를 기반으로 검출모델을 생성 및 검증하는 과정(S40)과, 검출모델을 기반으로 고사목 및 병해충 발생 확률지도를 생성 및 저장하는 과정(S50)을 포함한다.
정사영상 및 고사목 및 병해충 분포도 입력 및 저장하는 과정(S10)에서는, 정사이미지 및 실측된 고사목 및 병해충 발생영역에 대한 제1 위치정보를 갖는 병해충 분포도를 입력받고 공간 DBMS에 저장한다. 여기서 제1 위치정보는 실측된 병해충에 의해 고사된 피해목의 좌표를 나타낸다. 공간 DBMS에는 정사영상 뿐만 아니라 정사영상의 속성정보도 함께 저장된다. 정사이미지의 속성정보는, 정사이미지의 이름, 정사이미지의 생성날짜, 정사이미지의 크기, 정사이미지의 위치정보 중 적어도 하나와, 병해충 분포도에 포함된 제1 위치정보를 포함한다.
정사영상을 기반으로 복수의 타일링 이미지를 생성하는 과정(S20)에서는, 정사이미지를 기반으로 설정된 크기의 복수의 타일링 이미지를 생성하고 상기 복수의 타일링 이미지를 공간 DBMS에 저장한다. 이때 공간 DBMS에는 복수의 타일링 이미지 뿐만 아니라, 복수의 타일링 이미지 각각에 대응되는 속성정보도 연관되어 저장된다. 타일링 이미지에 대한 속성정보는, 타일링 이미지가 속하는 소속, 생성날짜, 위치정보, 타일링 이미지 크기, 샘플링 정보, 병해충 발생확률을 포함한다.
복수의 타일링 이미지를 제1 위치정보에 기반하여 샘플링하는 과정(S30)에서는, 복수의 타일링 이미지를 제1 위치정보에 기반하여 제1 타일링 이미지와 제2 타일링 이미지로 분류한다. 구체적으로 복수의 타일링 이미지는, 제1 위치정보에 대응되는 제1 타일링 이미지와, 상기 제1 위치정보에 대응되지 않는 제2 타일링 이미지로 샘플링된다. 또한 제1 타일링 이미지는 다시 검출모델을 생성하는 데 사용되는 제1-1 타일링 이미지와, 피해목 모델을 검증하는 데 사용되는 제1-2 타일링 이미지로 샘플링된다.
샘플링된 이미지를 기반으로 검출모델을 생성 및 검증하는 과정(S40)에서는, 제1 타일링 이미지를 기반으로 학습 및 검증하여 상기 복수의 타일링 이미지 각각에 대해 병해충 발생확률을 도출하기 위한 검출모델을 생성하고, 공간 DBMS에 저장한다. 이때 검출모델은 합성곱 신경망을 이용하여 생성됨이 바람직하다. 특히 검출모델을 검증하는 과정에서, 검출모델의 피해목 검출확률이 낮은 경우, 추가적으로 피해목 분포도를 추가로 입력받고, 이를 기반으로 이전과정을 반복하여 검출모델을 수정할 수 있다.
검출모델을 기반으로 병해충발생 확률지도를 생성 및 저장하는 과정(S50)에서는, 검출모델을 복수의 타일링 이미지 전체에 적용하여 복수의 타일링 이미지 전체에 대한 병해충 발생확률을 나타내는 병해충 발생확률 지도를 생성하고 공간 DBMS에 저장한다.
본 발명에 따르면 합성곱 신경망을 이용하여 검출모델을 생성하고, 검증하므로 최종적으로 확률지도 상에서 검출오차를 줄일 수 있다.
본 발명에 따르면, 공간 DBMS를 이용하여 병해충 피해목을 모니터링하는 경우, 쿼리를 통해 공간 DBMS에 저장된 정보를 손쉽게 얻을 수 있다. 또한 공간 DBMS를 이용하여 해당 지역의 다른 공간정보들과 연관시키기 용이하며, 다른 공간정보와 병해충 피해목의 상관관계도 분석할 수 있다.
본 발명에 따르면, 타일링 이미지를 샘플링한 후 타일링 이미지 중 일부를 검출모델을 생성하는 데 이용하고, 나머지 일부를 검출모델을 검증하는 데 사용한다. 검출모델의 검출확률이 설정값 이하인 경우에도 별도의 실측없이 공간 DBMS에 저장된 과거 데이터를 이용할 수 있다. 이에 따라 병해충 분포도를 추가로 작성하기 위한 실측시간 및 노력을 절감할 수 있다.
이하 본 발명의 제2 실시예에 따른 공간 DBMS를 이용한 병해충 모니터링 시스템을 설명한다. 제1 실시예와 중복되는 설명은 생략한다.
제1 실시예의 공간 DBMS를 이용한 병해충 모니터링 시스템은, 정사이미지 및 실측된 병해충 발생영역에 대한 제1 위치정보를 갖는 병해충 분포도를 이용한다. 이에 비해 제2 실시예의 공간 DBMS를 이용한 병해충 모니터링 시스템은, 정사이미지, 병해충 발생영역에 대한 제1 위치정보를 갖는 병해충 분포도 및 유사지역에 대한 제2 위치정보를 갖는 유사지역 분포도를 이용한다.
또한 제1 실시예의 공간 DBMS를 이용한 병해충 모니터링 시스템은, 제1 위치정보에 대응되는 픽셀을 포함하는 제1 타일링 이미지를 합성곱 신경망(CNN)을 통해 학습하여 병해충 검출 모델을 생성 및 검증한다. 이에 비해 제2 실시예의 공간 DBMS를 이용한 병해충 모니터링 시스템은, 제1 위치정보에 대응되는 픽셀을 포함하는 제1 타일링 이미지 및 제2 위치정보에 대응되는 픽셀을 포함하는 제3 타일링 이미지를 합성곱 신경망(CNN)을 통해 학습하여 병해충 검출 모델을 생성 및 검증한다.
도 5는 본 발명의 제2 실시예에 따른 공간DBMS을 이용한 병해충 모니터링 시스템을 설명하기 위한 구성도이다.
도 5를 참조하면, 공간 DBMS를 이용한 병해충 모니터링 시스템(20)은 모니터링부(1100) 및 공간 데이터베이스 관리시스템(DBMS)(1200)을 포함한다.
모니터링부(1100)는 병해충 피해목을 모니터링하기 위한 것으로서, 데이터 입력부(1110), 타일링 이미지 생성부(1120), 샘플링부(1130), 검출모델 생성부(1140), 확률지도 생성부(1150)를 포함한다.
데이터 입력부(110)는 정사이미지, 병해충 발생영역에 대한 제1 위치정보를 갖는 병해충 분포도 및 유사지역에 대한 제2 위치정보를 갖는 유사지역 분포도를 획득하여 공간 DBMS(1200)에 저장한다.
본 발명의 모니터링부(1100)는 딥러닝을 기반으로 이미지를 학습힌다. 특히 모니터링부(1100)는 이미지 학습기법인 합성곱 신경망을 이용하여 제1 위치정보에 대응되는 타일링 이미지를 학습하되, 병해충 피해목이 발생한 지역과 유사하게 보일 수 있는 지붕, 논, 밭 등의 지역에 대한 제2 위치정보에 대응되는 타일링 이미지도 함께 학습한다. 즉, 모니터링부(1100)는 제1 위치정보를 갖는 고사목 또는 병충해 분포도와, 제2 위치정보를 갖는 유사지역 분포도를 이용하여 이미지를 학습하여 검출모델을 생성한다. 이러한 제2 위치정보는 국가에서 제공하는 토지피복지도 등을 통해 획득할 수 있다.
정사이미지 및 병해충 분포도에 대한 설명은 제1 실시예에서 설명한 바와 중복되므로 생략한다.
데이터 입력부(1110)는 정사이미지, 병해충 분포도, 유사지역 분포도를 입력받고 공간 DBMS(1200)에 저장한다. 이때 데이터 입력부(1110)는 해당 정사이미지의 속성정보를 저장한다. 정사이미지의 속성정보는, 정사이미지의 이름, 정사이미지의 생성날짜, 정사이미지의 크기, 정사이미지의 위치정보, 병해충 분포도에 포함된 제1 위치정보, 유사지역 분포도에 포함된 제2 위치정보를 포함한다.
타일링 이미지 생성부(1120)은 데이터 입력부(1110)에 의해 공간 DBMS(1200)에 저장된 정사이미지를 도 2와 같이 복수의 타일링 이미지로 분할하고, 복수의 타일링 이미지 및 복수의 타일링 이미지 각각에 대한 속성정보를 공간 DBMS(1200)에 저장한다.
타일링 이미지에 대한 속성정보는, 타일링 이미지가 속하는 소속정보, 타일링 이미지가 생성된 날짜정보, 타일링 이미지 위치정보, 타일링 이미지의 크기, 타일링 이미지의 샘플링 정보, 타일링 이미지에 대한 병해충 발생확률을 포함한다. 이외에도 속성정보에는 다른 내용을 나타내는 정보를 더 포함할 수 있다. 속성정보에 대한 상세설명은 제1 실시예에서 설명한 바와 같다.
샘플링부(1130)는 검출모델 생성부(1140)에서 피해목 모델을 생성하기 위한 복수의 타일링 이미지를 샘플링하여 분류하고, 어떤 분류로 샘플링되었는 지를 나타내는 샘플링 정보를 복수의 타일링 이미지 각각에 대한 속성정보에 추가 저장한다.
샘플링부(1130)는 제1 위치정보에 대응되는 픽셀을 포함하는 제1 타일링 이미지, 제2 위치정보에 대응되는 픽셀을 포함하는 제2 타일링 이미지, 및 제1 위치정보 및 제2 위치정보에 모두 대응되지 않은 픽셀을 포함하는 제3 타일링 이미지로 분류한다.
이때 제1 타일링 이미지는 병해충 피해목이 존재하는 타일링 이미지이고, 제2 타일링 이미지는 병해충 피해목이 존재하지 않지만 병해충 피해목이 있는 것으로 판단될 수 있는 타일링 이미지이다. 제1 타일링 이미지는 병해충 피해목이 있는 타일링 이미지로 학습되고, 제2 타일링 이미지는 병해충 피해목이 없는 타일링 이미지로 학습된다.
또한 샘플링부(1130)는 제1 타일링 이미지를 다시 검출모델을 생성하는 데 사용되는 제1-1 타일링 이미지와, 검출모델을 검증하는 데 사용되는 검출모델을 검증하기 위한 타일링 이미지로서 제1-2 타일링 이미지로 분류할 수 있다.
또한 샘플링부(1130)는 검출모델을 생성하는 데 사용되는 제2 타일링 이미지를 유사지역의 형태에 따라 복수의 타일링 이미지로 분류할 수 있다. 예를 들어, 지붕이 있는 위치에 대응되는 타일링 이미지는 제2-1 서브 타일링 이미지로 분류되고, 논이 있는 위치에 대응되는 타일링 이미지는 제2-2 서브 타일링 이미지로 분류되고, 밭이 있는 위치에 대응되는 타일링 이미지는 제2-3 서브 타일링 이미지로 분류될 수 있다. 다른 형태의 유사지역이 있는 경우, 추가적으로 더 분류될 수 있다.
샘플링부(1130)는 제1 타일링 이미지, 제2 타일링 이미지, 제1-1 타일링 이미지, 제1-2 타일링 이미지, 제2-1 서브 타일링 이미지, 제2-2 서브 타일링 이미지 등과 같이 타일링 이미지가 어떤 분류로 샘플링 되었는지를 나타내는 샘플링 정보를 타일링 이미지에 대한 속성정보에 추가 저장할 수 있다.
샘플링부(1130)는 학습을 위한 제1-1 타일링 이미지와 검증을 위한 제1-2 타일링 이미지는 미리 설정된 비율로 분류할 수 있다. 또한 샘플링부(1130)는 제1 타일링 이미지와 제2 타일링 이미지 또는, 제1 타일링 이미지와 제2 타일링 이미지(제2-1, 제2-2, 제2-3,.., 제2-n 서브 타일링 이미지)를 또다른 미리 설정된 비율로 분류할 수 있다.
샘플링부(1130)는 제1-1 타일링 이미지 및 제1-2 타일링 이미지 각각이 균일한 분포도를 갖도록 샘플링할 수 있다. 또한 샘플링부(1130)는 제2-1, 제2-2,. 제2-n 서브 타일링 이미지 각각이 균일한 분포도를 갖도록 샘플링할 수 있다.
검출모델 생성부(1140)는 고사목 및 병해충을 검출하기 위한 검출모델을 생성하기 위해 딥러닝과 같은 인공지능 학습방법을 이용할 수 있다. 검출모델 생성부(1140)는 딥러닝 방법 중 이미지학습과 관련된 합성곱 신경망(Convolution Neural Network, CNN)을 이용하여 검출모델을 생성할 수 있다.
검출모델 생성부(1140)는 고사목 또는 병해충이 존재하는 제1-1 타일링 이미지, 고사목 또는 병해충이 존재하지 않는 제2-1 서브 타일링 이미지, 제2-2 서브 타일링 이미지,.., 제2-n 서브 타일링 이미지를 이용하여 검출모델을 생성한 후, 제1-2 타일링 이미지를 이용하여 검출모델을 검증한다.
검출모델 생성부(1140)는 제1 실시예에서 설명한 바와 마찬가지로 공간 DBMS에 저장된 과거 데이터를 이용할 수도 있다.
확률지도 생성부(1150)는 검출모델 생성부(1140)에서 생성된 검출모델을 상기 복수의 타일링 이미지 전체에 적용하여 복수의 타일링 이미지 전체에 대한 고사목 및 병해충 발생확률을 나타내는 발생확률 확률지도를 생성하고, 공간 DBMS(1200)에 저장한다.
확률지도는 검출모델을 이용하여 복수의 타일링 이미지 각각에 대해 고사목 및 병해충 발생확률을 나타내는 지도이다. 확률지도 생성부(1150)는, 고사목 및 병해충 발생확률이 미리 설정된 확률 이상인 곳만 정사이미지에 표시하거나 또는 고사목 및 병해충 발생확률 정도에 따라 타일링 이미지의 색상을 정사이미지 상에서 다르게 표현할 수 있다.
공간 DBMS(1200)는 모니터링부(1100)로부터 제공되는 데이터를 저장하거나, 모니터링부(1100)에 데이터를 제공한다. 또한 공간 DBMS는 특정 정사사진에 대한 모니터링부(1100)에서 제공되는 데이터들뿐 아니라, 다른 지역의 정사사진에 대한 모니터링부(1100)에서 제공되는 데이터들도 해당 정사사진과 연관시켜 저장한다. 또한 공간 DBMS(1200)는 데이터를 누적 저장한다. 즉, 공간 DBMS(1200)는 현재 특정지역의 정사사진에 관련된 모니터링부(1100)에서 제공되는 데이터들 뿐만 아니라 과거의 해당지역의 정사사진과 관련된 모니터링부(1100)에서 제공되었던 데이터들도 저장하고 있다.
제2 실시예에 따르면, 제1 위치정보를 구비하는 고사목 및 병해충 분포도 뿐만 아니라 제2 위치정보를 구비하는 유사지역 분포도를 더 이용하여 학습함으로써, 더욱 정확한 병해충 발생확률을 나타내는 확률지도를 산출할 수 있다.
도 6은 본 발명의 제2 실시예에 따른 공간 DBMS를 이용한 병해충 모니터링 방법을 설명하기 위한 플로우차트이다.
도 6을 참조하면, 공간 DBMS를 이용한 병해충 모니터링 방법은, 정사영상, 고사목 및 병해충 분포도, 유사지역 분포도 입력 및 저장하는 과정(S110)과, 정사영상을 기반으로 복수의 타일링 이미지를 생성하는 과정(S120)과, 복수의 타일링 이미지를 제1 위치정보 및 제2 위치정보에 기반하여 샘플링하는 과정(S130)과, 샘플링된 이미지를 기반으로 검출모델을 생성 및 검증하는 과정(S140)과, 검출모델을 기반으로 확률지도를 생성 및 저장하는 과정(S150)을 포함한다.
이상에서 본 발명의 바람직한 실시예를 설명하였으나, 본 발명의 권리범위는 이에 한정되지 아니하며 본 발명의 실시 예와 실질적으로 균등한 범위에 있는 것까지 본 발명의 권리범위가 미치는 것으로 이해되어야 하며, 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능하다.
10, 20: 공간 DBMS를 이용한 고사목 및 병해충 모니터링 시스템
100, 1100: 모니터링부
110, 1110: 데이터 입력부
120, 1120: 타일링 이미지 생성부
130, 1130: 샘플링부
140, 1140: 검출모델 생성부
150, 1150: 확률지도 생성부
200, 1200: 공간 DBMS
100, 1100: 모니터링부
110, 1110: 데이터 입력부
120, 1120: 타일링 이미지 생성부
130, 1130: 샘플링부
140, 1140: 검출모델 생성부
150, 1150: 확률지도 생성부
200, 1200: 공간 DBMS
Claims (4)
- 고사목 또는 병해충을 모니터링하기 위한 모니터링부; 및
상기 모니터링부로부터 제공되는 데이터를 저장하거나, 상기 모니터링부에 데이터를 제공하는 공간 DBMS를 포함하고,
상기 모니터링부는,
정사이미지, 실측된 고사목 및 병해충 발생영역에 대한 제1 위치정보를 갖는 고사목 및 병해충 분포도, 병해충 발생영역은 아니지만 병해충 발생영역과 유사하다고 판단되어 미리 설정된 유사지역에 대한 제2 위치정보를 갖는 유사지역 분포도를 입력받고 상기 공간 DBMS에 저장하는 데이터 입력부;
상기 정사이미지, 상기 고사목 및 병해충 분포도, 상기 유사지역 분포도를 기반으로 상기 정사이미지를 일정 크기로 분할한 복수의 타일링 이미지를 생성하고 분할된 타일링 이미지 각각에 대한 속성정보를 공간DBMS에 저장하는 타일링 이미지 생성부;
상기 복수의 타일링 이미지를 상기 제1 위치정보에 대응되는 제1 타일링 이미지와, 상기 제2 위치정보에 대응되는 제2 타일링 이미지와, 상기 제1 및 제2 위치정보에 대응되지 않는 제3 타일링 이미지로 분류하는 샘플링부;
상기 제1 타일링 이미지 및 상기 제2 타일링 이미지를 기반으로 딥러닝 기반의 이미지학습기법을 이용한 학습 및 검증하여 상기 복수의 타일링 이미지 각각에 대해 고사목 및 병해충 발생확률을 도출하기 위한 검출모델을 생성하는 검출모델 생성부; 및
상기 검출모델을 상기 복수의 타일링 이미지 전체에 적용하여 상기 복수의 타일링 이미지 전체에 대한 고사목 및 병해충 발생확률을 나타내는 확률지도를 생성하여 상기 공간 DBMS에 저장하는 확률지도 생성부를 포함하며,
상기 제1 타일링 이미지는, 검출모델을 생성하는 데 사용되는 제1-1 타일링 이미지 및 상기 검출모델을 검증하는 데 사용되는 제1-2 타일링 이미지를 포함하고,
상기 제2 타일링 이미지는, 유사지역 형태에 따라 복수의 제2 서브 타일링 이미지를 포함하며,
상기 타일링 이미지 각각에 대한 속성정보는, 상기 확률지도 생성부에 의해 저장되는 고사목 및 병해충 발생확률 정보와, 상기 실측된 고사목 및 병해충 발생영역에 대한 제1 위치정보 및 상기 유사지역에 대한 제2 위치정보에 기초하여 상기 샘플링부에 의해 샘플링되었음을 나타내는 샘플링 정보를 포함하고,
상기 검출모델 생성부는,
제1-2 타일링 이미지에 대해 검출모델을 적용하여 병해충 발생확률을 계산하고, 병해충 발생확률이 설정값 이상일때 병해충 피해목이 위치하는 것으로 판단하며, 상기 설정값 이상의 발생확률을 갖는 제1-2 타일링 이미지의 개수 대비 제1-2 타일링 이미지의 전체 개수를 비율로 계산하고, 상기 비율이 설정값을 넘는지 비교하여 검출모델의 적합성을 판단하는 공간정보를 이용한 확률지도와 정사영상의 이미지 학습을 연계한 고사목 및 병해충 모니터링 시스템. - 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200135183A KR102326805B1 (ko) | 2020-10-19 | 2020-10-19 | 공간 dbms 기반의 딥러닝 기술을 적용한 고사목 및 병해충 모니터링 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200135183A KR102326805B1 (ko) | 2020-10-19 | 2020-10-19 | 공간 dbms 기반의 딥러닝 기술을 적용한 고사목 및 병해충 모니터링 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102326805B1 true KR102326805B1 (ko) | 2021-11-16 |
Family
ID=78716793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200135183A KR102326805B1 (ko) | 2020-10-19 | 2020-10-19 | 공간 dbms 기반의 딥러닝 기술을 적용한 고사목 및 병해충 모니터링 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102326805B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100047111A (ko) * | 2008-10-27 | 2010-05-07 | 서울대학교산학협력단 | 토양전염성 식물병 발생 예찰시스템 및 그 방법 |
| KR101155985B1 (ko) * | 2011-01-17 | 2012-06-27 | 대한민국 | 산불 발생 확률 모형 생성 방법 및 산불 발생 확률 지도 생성 방법 |
| KR20170125470A (ko) * | 2016-05-04 | 2017-11-15 | 주식회사 씨에스랩 | 항공 영상을 이용한 병해충 피해목 탐지 방법 및 이를 위한 병해충 피해목 탐지 시스템 |
-
2020
- 2020-10-19 KR KR1020200135183A patent/KR102326805B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100047111A (ko) * | 2008-10-27 | 2010-05-07 | 서울대학교산학협력단 | 토양전염성 식물병 발생 예찰시스템 및 그 방법 |
| KR101155985B1 (ko) * | 2011-01-17 | 2012-06-27 | 대한민국 | 산불 발생 확률 모형 생성 방법 및 산불 발생 확률 지도 생성 방법 |
| KR20170125470A (ko) * | 2016-05-04 | 2017-11-15 | 주식회사 씨에스랩 | 항공 영상을 이용한 병해충 피해목 탐지 방법 및 이를 위한 병해충 피해목 탐지 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102273063B1 (ko) | 공간정보를 이용한 확률지도와 정사영상의 이미지 학습을 연계한 고사목 및 병해충 모니터링 시스템 | |
| Immitzer et al. | Use of WorldView-2 stereo imagery and National Forest Inventory data for wall-to-wall mapping of growing stock | |
| US9942440B2 (en) | Image-based field boundary detection and identification | |
| Powell et al. | Sources of error in accuracy assessment of thematic land-cover maps in the Brazilian Amazon | |
| US8111924B2 (en) | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest | |
| CN108761451B (zh) | 一种基于多时相遥感影像的土地利用变化智能理解方法 | |
| US8958603B2 (en) | Automated mapping of land cover using sequences of aerial imagery | |
| US20040213459A1 (en) | Multispectral photographed image analyzing apparatus | |
| KR102308456B1 (ko) | 라이다 및 카메라 수집정보 기반 수종탐지 시스템 및 이를 이용한 수종탐지방법, 수종탐지방법을 수행하는 프로그램이 수록된 기록매체 | |
| US11270167B2 (en) | Methods and systems for hyper-spectral systems | |
| CN109902018A (zh) | 一种智能驾驶系统测试案例的获取方法 | |
| JP2019185281A (ja) | 衛星画像変化抽出システムおよび衛星画像変化抽出方法、並びに衛星画像変化抽出システムにおけるフロントエンド部 | |
| Passos et al. | Automatic detection of Aedes aegypti breeding grounds based on deep networks with spatio-temporal consistency | |
| JP6146731B2 (ja) | 座標補正装置、座標補正プログラム、及び座標補正方法 | |
| KR102326805B1 (ko) | 공간 dbms 기반의 딥러닝 기술을 적용한 고사목 및 병해충 모니터링 시스템 | |
| Herold et al. | Automatically georeferenced maps as a source for high resolution urban growth analyses | |
| CN107657262A (zh) | 一种计算机自动分类精度评价方法 | |
| Dahle et al. | Automatic change detection of digital maps using aerial images and point clouds | |
| Congalton | Accuracy and error analysis of global and local maps: Lessons learned and future considerations | |
| KR102239393B1 (ko) | 원격탐사 기반 수종 분류 시스템 및 방법 | |
| KR101517695B1 (ko) | 주행 중 과속방지턱 탐지 시스템 및 그 방법 | |
| CN112328913A (zh) | 任务处理方法以及装置 | |
| Congalton | 21 How to Assess the Accuracy of Maps Generated from Remotely Sensed Data | |
| Carmel | Characterizing location and classification error patterns in time-series thematic maps | |
| KR102632963B1 (ko) | 빅데이터 기반 인공지능(ai)을 이용한 농경지 속성변화 예측 모델 생성 장치 및 농경지 속성변화 예측 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |