KR102374158B1 - Gis 및 cnn 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법 - Google Patents
Gis 및 cnn 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법 Download PDFInfo
- Publication number
- KR102374158B1 KR102374158B1 KR1020200099971A KR20200099971A KR102374158B1 KR 102374158 B1 KR102374158 B1 KR 102374158B1 KR 1020200099971 A KR1020200099971 A KR 1020200099971A KR 20200099971 A KR20200099971 A KR 20200099971A KR 102374158 B1 KR102374158 B1 KR 102374158B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- aerial
- cnn
- data
- change detection
- Prior art date
Links
- 230000008859 change Effects 0.000 title claims abstract description 70
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 title description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010030 laminating Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 239000008186 active pharmaceutical agent Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007519 figuring Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012795 verification 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- 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
- G06Q50/10—Services
-
- G06T5/005—
-
- G06T5/008—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법이 제공되며, 공공데이터 포털에서 제공하는 항공영상 데이터를 수집하여 항공영상 이미지로 변환하는 단계, 항공영상 이미지에 RGB 임계치 알고리즘을 적용하여 기 설정된 RGB 임계치 이내인 항공영상 이미지를 임시저장하는 단계, 임시저장된 항공영상 이미지와 공공데이터 포털로부터 수집된 지적도 이미지를 병합(Merging)하는 단계, 지적도 이미지가 병합된 항공영상 이미지에 그림자 제거 알고리즘을 적용하는 단계 및 지적도 이미지와 일치하지 않은 항공영상 이미지의 영역을 CNN(Convolution Neural Network)을 기반으로 레이어로 추출 및 영역에 대응하는 주소와 매핑하여 저장하고 항공영상 이미지에 표시하는 단계를 포함한다.
Description
본 발명은 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법에 관한 것으로, GIS 기반 데이터를 이용하여 변화를 탐지할 때 오류를 최소화할 수 있도록 딥러닝을 접목시키는 플랫폼을 제공한다.
국토 공간을 효율적으로 관리하고 분석하기 위해서 항공사진 등 공간 데이터가 주기적으로 획득되고 있으며, 이렇게 원격에서 얻어지는 다양한 공간 데이터는 현장 자료 수집에 비해 비용을 절감시킬 수 있을 뿐 아니라 대상지에 대한 종합적인 분석을 가능케 하여 환경 변화, 도시 변화 분석 및 매핑에 널리 활용되고 있다. 공간 데이터를 이용한 변화 분석을 위해 활용되는 변화 탐지(Change Detection) 기술은 다중 시간대에 걸쳐 얻어지는 공간 데이터를 이용하여 변화된 지역을 자동으로 검색해주는 기술로, 작업자로 하여금 변화지역을 쉽게 인지하게 도와주거나 변화 지역을 매핑하고 정량화하는데 필수적인 기술이다. 공간 영상 정보를 이용한 변화 탐지의 일반적인 과정은 기하보정 및 방사보정, 선정된 알고리즘에 따른 변화 탐지, 그리고 변화 탐지 정확도 검사 과정으로 마무리된다. 변화 탐지를 데이터의 종류에 따라 구분해 보면 중저해상도 위성데이터, 레이더 데이터, 항공사진, 수치지도, 항공 라이다 데이터 등으로 나뉠 수 있으며, 변화 탐지 기법에 따르면 차분에 의한 기법 및 피복 분류를 통한 비교 기법, 분광 벡터 분석 기법, 객체 지향 기법 등으로 나뉠 수 있다.
이때, 시계열 항공 사진을 입체 모델로 변환하고 지도에 좌표를 연동하여 변화를 탐지하는 방법이 연구 및 개발되었는데, 이와 관련하여 한국등록특허 제10-1574636호(2015년12월07일 공고) 및 한국등록특허 제10-1284079(2013년07월10일 공고)에는, 시계열 영상 비교판독을 위하여 각 결과물 내의 동일한 위치에 부표 마크를 생성하고, 입체 모델로 변환된 시계열 영상 내 좌표에서 부표 마크가 위치한 지점을 추출하며, 검색용 절대 좌표를 기준으로 동일한 좌표를 검색한 후 검색된 좌표를 절대 좌표로 변환하고, 입체 모델이 축소 또는 확대된 경우 각 좌표가 연동하여 오버레이되도록 적용하는 구성과, 현재 사진인 위성 사진에 지적도를 합성하고 도시계획에 따라 변경되는 도시의 모습을 이미지화하여 관리할 수 있도록, 적어도 하나의 종류의 데이터베이스 내 이미지를 이용하여 도시의 좌표정보에 대응하는 지역의 합성이미지 지도를 생성하는 구성이 각각 개시되어 있다.
다만, 상술한 구성은 GIS 관련 기술만 사용하기 때문에 같은 위치를 지속적으로 촬영한 항공영상의 데이터 양이 부족할 경우 판독하는 능력 및 정확도가 낮아진다는 문제점이 발생한다. 그리고, 한국의 건물배치가 외국과는 달리 일정한 패턴을 가지고 있지 않다는 특수성 때문에 단순한 GIS 기술 및 이미지 분석만으로는 정확성을 높일 수 없다. 또, 항공영상을 이용한 변화 탐지는 시간, 날씨, 그림자 유무 및 좌표값과 같은 다양한 변수에 의해 항공 영상의 비교 분석 시 정확도가 높은 편이 아니며, 알고리즘은 찾아내지 못하지만 육안으로만 발견되는 오류도 종종 발생하고 있어 인간의 개입이 지속적으로 요구된다. 이에, 항공영상의 데이터 양이 부족할지라도 다른 지역에서 누적된 데이터를 바탕으로 분석하여 판독하는 능력과 정확도를 높일 수 있는 시스템의 연구 및 개발이 요구되고 있다.
본 발명의 일 실시예는, GIS를 기반으로 CNN(Convolutional Neural Networks)를 적용함으로써 항공영상의 데이터 양이 부족할지라도 다른 지역에서 누적된 데이터를 바탕으로 분석하여 판독하는 능력과 정확도를 높일 수 있도록 하고, 건물패턴이 일정하지 않은 한국 도시의 특수성을 고려하고, 시간, 날씨, 그림자 유무 및 좌표값과 같은 다양한 변수의 변화가 발생한다고 할지라도 항공영상을 이용한 변화 탐지의 정확도를 높일 수 있으며, 지속적인 딥러닝으로 인간의 개입을 최소화하면서도 오류는 줄일 수 있는, GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법을 제공할 수 있다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예는, 공공데이터 포털에서 제공하는 항공영상 데이터를 수집하여 항공영상 이미지로 변환하는 단계, 항공영상 이미지에 RGB 임계치 알고리즘을 적용하여 기 설정된 RGB 임계치 이내인 항공영상 이미지를 임시저장하는 단계, 임시저장된 항공영상 이미지와 공공데이터 포털로부터 수집된 지적도 이미지를 병합(Merging)하는 단계, 지적도 이미지가 병합된 항공영상 이미지에 그림자 제거 알고리즘을 적용하는 단계 및 지적도 이미지와 일치하지 않은 항공영상 이미지의 영역을 CNN(Convolution Neural Network)을 기반으로 레이어로 추출 및 영역에 대응하는 주소와 매핑하여 저장하고 항공영상 이미지에 표시하는 단계를 포함한다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, IS를 기반으로 CNN(Convolutional Neural Networks)를 적용함으로써 항공영상의 데이터 양이 부족할지라도 다른 지역에서 누적된 데이터를 바탕으로 분석하여 판독하는 능력과 정확도를 높일 수 있도록 하고, 건물패턴이 일정하지 않은 한국 도시의 특수성을 고려하고, 시간, 날씨, 그림자 유무 및 좌표값과 같은 다양한 변수의 변화가 발생한다고 할지라도 항공영상을 이용한 변화 탐지의 정확도를 높일 수 있으며, 지속적인 딥러닝으로 인간의 개입을 최소화하면서도 오류는 줄일 수 있고, 높은 정확성으로 무허가건축 및 불법건축물을 탐지하는 것 뿐만 아니라, 환경, 토지, 도시, 농업 및 산림과 같은 적용분야 및 활용범위를 다양화 및 다각화시켜 그 가치를 극대화시킬 수 있으며, GIS 서비스 분야에 인공지능을 적용하여 정체되어 있는 GIS 시장을 한 단계 업그레이드 시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2는 도 1의 시스템에 포함된 변화탐지 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3 내지 도 7은 본 발명의 일 실시예에 따른 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.
도 2는 도 1의 시스템에 포함된 변화탐지 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3 내지 도 7은 본 발명의 일 실시예에 따른 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본 발명의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본 발명의 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체 지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
본 명세서에서 있어서, 단말과 매핑(Mapping) 또는 매칭(Matching)으로 기술된 동작이나 기능 중 일부는, 단말의 식별 정보(Identifying Data)인 단말기의 고유번호나 개인의 식별정보를 매핑 또는 매칭한다는 의미로 해석될 수 있다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 시스템을 설명하기 위한 도면이다. 도 1을 참조하면, GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 시스템(1)은, 적어도 하나의 사용자 단말(100), 변화탐지 서비스 제공 서버(300), 적어도 하나의 공공데이터 포털 서버(400)를 포함할 수 있다. 다만, 이러한 도 1의 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 시스템(1)은, 본 발명의 일 실시예에 불과하므로, 도 1을 통하여 본 발명이 한정 해석되는 것은 아니다.
이때, 도 1의 각 구성요소들은 일반적으로 네트워크(network, 200)를 통해 연결된다. 예를 들어, 도 1에 도시된 바와 같이, 적어도 하나의 사용자 단말(100)은 네트워크(200)를 통하여 변화탐지 서비스 제공 서버(300)와 연결될 수 있다. 그리고, 변화탐지 서비스 제공 서버(300)는, 네트워크(200)를 통하여 적어도 하나의 사용자 단말(100), 적어도 하나의 공공데이터 포털 서버(400)와 연결될 수 있다. 또한, 적어도 하나의 공공데이터 포털 서버(400)는, 네트워크(200)를 통하여 변화탐지 서비스 제공 서버(300)와 연결될 수 있다.
여기서, 네트워크는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
하기에서, 적어도 하나의 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다. 또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시예에 따라 변경가능하다 할 것이다.
적어도 하나의 사용자 단말(100)은, GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 지도상 위반건축물, 예를 들어, 불법건축물이나 무허가건축물을 검색하는 사용자의 단말일 수 있다. 이를 위하여, 사용자 단말(100)은, 현재 항공영상 데이터와 비교대상 연도의 항공영상 데이터를 선택하고, 비교결과를 위치값에 출력하는 단말일 수 있다. 이때, 비교결과는 면적변화 및 지적도의 영역을 벗어난 부분 등을 포함할 수 있다.
여기서, 적어도 하나의 사용자 단말(100)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 사용자 단말(100)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 사용자 단말(100)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
변화탐지 서비스 제공 서버(300)는, GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 제공하는 서버일 수 있다. 그리고, 변화탐지 서비스 제공 서버(300)는, 적어도 하나의 공공데이터 포털 서버(400)로부터 항공영상 데이터, 공간 데이터, 지적도 데이터 및 건축물대장 데이터를 오픈 API로 데이터를 연계하여 수집하는 서버일 수 있다. 또,변화탐지 서비스 제공 서버(300)는 기 설정된 기간 내에 누적된 항공영상 데이터로부터 불법건축물이나 무허가건축물을 탐지해내는데 발생하는 오류를 CNN(Convolution Neural Network)로 추출하여 오류를 최소화하는 방향으로 딥러닝시키는 서버일 수 있다. 이에 따라, 변화탐지 서비스 제공 서버(300)는, 새로운 질의가 입력되었을 때 변화탐지 오류가 최소화되도록 결과를 출력할 수 있는 서버일 수 있다. 여기서, 변화탐지 서비스 제공 서버(300)는, 항공영상 데이터를 항공영상 이미지로 변환하고, RGB 임계치 알고리즘을 이용하여 RGB가 정규화되도록 항공영상 이미지를 조정 및 저장하고, 항공영상 이미지 상에 지적도 이미지를 병합(Merging)시키며, 항공영상 이미지 상에서 지적도 이미지의 라인 외부에 그림자 영역이 제거되도록 그림자 제거 알고리즘으로 그림자를 제거하는 서버일 수 있다. 이때, RGB 임계치 알고리즘, 병합 및 그림자 제거 알고리즘이 항공영상 이미지를 처리하는 동안 CNN은 오류가 최소화되는 방향으로 출력값이 나오도록 조정하며, 이렇게 전처리가 모두 완료된 항공영상 이미지는, 변화탐지 서비스 제공 서버(300)에서 비교할 연도의 항공영상 이미지와 비교되거나, 지적도 이미지의 윤곽선(라인)과 비교되어 일치하지 않는 영역, 즉 불법으로 증축되거나 변형된 위반건축물을 추출하여 도시할 수 있는 서버일 수 있다.
여기서, 변화탐지 서비스 제공 서버(300)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.
적어도 하나의 공공데이터 포털 서버(400)는, GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하거나 이용하지 않는 OPEN API를 제공하는 서버일 수 있다. 이때, 적어도 하나의 공공데이터 포털 서버(400)는, 변화탐지 서비스 제공 서버(300)에서 데이터 연계를 요청하는 경우, 요청받은 데이터를 변화탐지 서비스 제공 서버(300)로 전송하는 서버일 수 있다.
여기서, 적어도 하나의 공공데이터 포털 서버(400)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 공공데이터 포털 서버(400)는, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 공공데이터 포털 서버(400)는, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
도 2는 도 1의 시스템에 포함된 변화탐지 서비스 제공 서버를 설명하기 위한 블록 구성도이고, 도 3 내지 도 7은 본 발명의 일 실시예에 따른 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 2를 참조하면, 변화탐지 서비스 제공 서버(300)는, 변환부(310), 저장부(320), 병합부(330), 적용부(340), 표시부(350), 딥러닝부(360) 및 데이터 연계부(370)를 포함할 수 있다.
본 발명의 일 실시예에 따른 변화탐지 서비스 제공 서버(300)나 연동되어 동작하는 다른 서버(미도시)가 적어도 하나의 사용자 단말(100) 및 적어도 하나의 공공데이터 포털 서버(400)로 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 전송하는 경우, 적어도 하나의 사용자 단말(100) 및 적어도 하나의 공공데이터 포털 서버(400)는, GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 설치하거나 열 수 있다. 또한, 웹 브라우저에서 실행되는 스크립트를 이용하여 서비스 프로그램이 적어도 하나의 사용자 단말(100) 및 적어도 하나의 공공데이터 포털 서버(400)에서 구동될 수도 있다. 여기서, 웹 브라우저는 웹(WWW: World Wide Web) 서비스를 이용할 수 있게 하는 프로그램으로 HTML(Hyper Text Mark-up Language)로 서술된 하이퍼 텍스트를 받아서 보여주는 프로그램을 의미하며, 예를 들어 넷스케이프(Netscape), 익스플로러(Explorer), 크롬(Chrome) 등을 포함한다. 또한, 애플리케이션은 단말 상의 응용 프로그램(Application)을 의미하며, 예를 들어, 모바일 단말(스마트폰)에서 실행되는 앱(App)을 포함한다.
도 2를 참조하여 본 발명의 일 실시예에 따른 구성을 설명하기 이전에, 항공영상에서 사용되는 CNN에 대한 개념을 먼저 설명하기로 한다. 이하에서 설명한 개념은 CNN을 설명할 때 중복하여 설명하지 않는다.
인간의 인지능력에 근접한 시스템 개발은 오래전부터 관심의 대상이 되었지만, 컴퓨팅 파워가 급속히 향상된 최근에는 다양한 분야에서 인공지능(AI: Artificial Intelligence)의 실현을 위해 인공신경망(ANN: Artificial Neural Network)에 의한 딥러닝(DL: Deep Learning)에 관한 연구와 개발이 활발하게 진행되고 있다. ANN은 최초에 뉴런 모델로부터 시작하여 지도학습을 위한 퍼셉트론(Perceptron) 알고리즘이 개발되었고, ANN의 중추적인 역할을 담당하는 역전파(Backpropagation)는 다층 신경망(Multi-Layer Network)을 위한 역전파 알고리즘을 체계화했다. 특히 영상 및 컴퓨터비전 분야에서는 DL을 위한 신경망 모델의 영상분류(Classification) 성능을 평가하고 우승 모델을 선정하여 분류 오류율(Classification Error Rate)을 발표해오고 있었지만, 최근에는 분류뿐 아니라 분류된 객체들의 위치(Localization) 및 객체탐지(Object Detection) 능력을 평가항목에 추가하여 종합적으로 신경망 모델의 학습 및 범용화 능력 등을 판단하고 있다.
CNN은 영상의 의미적 분할, 분류, 객체탐지 및 인식을 위해 개발된 DL 모델이다. 일반적인 ANN은 완전결합 층(FCL: Fully Connected Layer)으로 구성되어 1차원 형태의 데이터만 입력이 가능하지만, 반면에 영상은 픽셀의 위치정보와 픽셀에 저장된 밝기값으로 이루어진 3차원 배열이므로 영상을 FCL에 입력하려면 1차원으로 변환시켜야 한다. 이 경우 공간정보가 유실되어 영상으로부터 위치를 보존하면서 특징을 추출할 수 없으므로 학습이 비효율적이다. 이런 문제를 해결하기 위해 영상의 공간적 특성을 유지한 상태로 학습이 가능한 CNN이 제안되었다.
CNN은 합성곱 연산을 수행하여 특징맵(Feature Map)을 생성하는 컨볼루션 층(Convolution Layer, 일반 ANN의 은닉층에 해당), 특징맵을 다음 층(Layer)으로 전달하기 위한 활성화 층(Activation Layer), 데이터 크기를 줄이기 위한 풀링 층(Pooling Layer)으로 구성된다. 그리고 출력층 부분은 FCL로 구성되어 클래스 스코어(Class Score)를 계산하여 객체를 분류하는데, 이를 정리하면 이하와 같다.
① 컨볼루션(합성곱) 층은, 입력된 영상과 필터(또는 커널(Kernel)) 간에 컨볼루션을 수행하여 특징정보를 추출하고 특징맵을 생성한다. 컨볼루션 연산은 영상처리에서 사용하는 필터링과 같은 이하 수학식 1을 사용한다.
이때, I와 w는 각각 입력 영상과 필터를 의미하고, i 및 j는 영상의 사이즈를 의미하며, k1 및 k2는 필터 사이즈를 의미하고, C는 입력 영상의 채널(또는 밴드)의 숫자를 의미한다.
CNN의 필터계수(Filter Coefficient)는 일반 ANN의 가중치에 해당되며, 일반적으로 초기값은 무작위로 부여하고 학습과정에서 반복적으로 업데이트 된다. 컨볼루션을 수행하면 입력영상의 테두리 부분에서 필터 크기의 반에 해당하는 픽셀들이 소실되어 특징맵의 크기가 작아지므로 입력영상과 같은 크기를 유지하기 위해 소실된 픽셀들을 0으로 채우는 제로 패딩(Zero Padding)을 수행한다.
② 활성화 층은, 중추적인 역할을 하는 층으로서 활성화 또는 전달함수(Activation 또는 Transfer Function)를 사용하여 특징맵의 정보를 출력할 조건과 형태를 판단하며, 임계값을 초과할 경우에 다음 층으로 전달한다. 심층 신경망에 사용하는 활성화 함수는 비선형이어야 하며, 대표적인 활성화 함수는 Sigmoid (Logistic Function), Tanh (Hyperbolic Tangent), ReLU(Rectified Linear Unit) 등 이다. 대부분의 CNN 모델에서는 ReLU 함수를 사용하며 이하 수학식 2와 같이 표현될 수 있다.
이때, z는 입력값이고, φ는 활성 함수이다.
③ 풀링 층은, 특징맵의 크기를 줄이는 층으로서 크기가 작아지면, 오히려 영상의 특징이 잘 부각되고 학습이 효율적이며, DL의 문제점인 과적합(Overfitting)을 해결할 수 있는 장점이 있다. 대부분의 CNN에서는 2x2 크기를 하나의 단위로 특징맵을 분할하고, 행과 열 방향으로 중복하지 않고 2 픽셀씩 이동하면서(즉 Stride=2) 분할된 영역에 속한 4개의 픽셀에 대해 평균값(Average), 최대값(Max) 또는 요소들의 제곱의 합에 대한 제곱근(L2-norm)을 취하는 방법이 있으며, 이는 이하 수학식 3 내지 수학식 5으로 표현된다. 풀링은 가중치를 고려하지 않으며, 주로 최대 풀링(Max Pooling) 방법을 사용한다.
이때, fij는 특징맵의 각 요소(Element)를 의미하고, Rij는 특징 요소가 속한 분할 영역을 의미한다.
④ 전연결층(Fully Connected Layer; FCL)은, 풀링 층에서 모든 출력된 값들과 분류 클래스(또는 카테고리)의 모든 요소가 서로 연결된 완전결합 구조로서 FCL 층으로 입력되는 값과 가중치를 곱하여 계산된 값으로 클래스 점수(즉 각각의 클래스에 대한 확률)로 분류를 수행한다.
CNN 모델의 종류와 특성은 컨볼루션 층의 수, 필터의 수 및 크기, 활성화 함수의 종류 및 풀링 방식과 층들의 배열 형태에 의해서 결정된다. 또한 동일한 구조의 신경망 모델도 학습 데이터의 특성과 학습 수행에 관련된 Hyperparameter(Backpropagation 방법, Epoch, Iteration, 학습률 등)에 따라 결과는 다를 수 있다. 최근에는 단순히 영상분류 성능 이외에도 분류된 객체의 위치 및 탐지/인식 정확도 등 여러 측면을 고려한 신경망 모델의 평가 방법을 적용하고 있으며, DL의 궁극적 목표인 일반화 및 범용화를 실현하기 위해 서 학습과 검증에 사용된 특정 영상 이외에 전혀 학습에 관여하지 않은 새로운 영상(즉 New, Unseen or Future Image)을 사전에 학습된 모델에 입력하고 결과를 평가하여 범용성을 넓혀가고 있다.
상술한 개념을 바탕으로 도 2를 참조하면, 변환부(310)는, 공공데이터 포털에서 제공하는 항공영상 데이터를 수집하여 항공영상 이미지로 변환할 수 있다. 변환부(310)는, 데이터 연계 알고리즘을 이용하는데, 도 3을 참조하면, 공공데이터 포털에서 제공하는 항공영상 데이터, 공간데이터, 지적도 데이터, 건축물대장 데이터를 수집할 수 있는 오픈 API 이용을 위하여 인증키 및 서비스를 신청할 수 있다. 그리고, 변환부(310)는, 입력한 주소의 항공영상 데이터 및 지적도 데이터를 전송받기 위해 AJAX/JSON을 이용하여 입력된 주소 및 인증키값을 전송할 수 있고, 이를 통하여 요청한 데이터들을 수신할 수 있다. 그리고, 변환부(310)는, 항공영상 데이터 승인 완료시 주소값에 맞는 위치값(XY 좌표)을 추출할 수 있고, 추출된 위치값을 중심으로 설정하여 항공영상 데이터, 예를 들어, Tiff 파일 내 위치값에 맞는 지역을 도엽하여 제공받을 수 있도록 구성될 수 있다. 그리고, 지적도 데이터 사용승인이 완료된 경우에도 마찬가지로 주소값에 맞는 위치값(XY 좌표)을 추출함으로써, 추출된 위치값을 중심으로 설정하여 해당 지역에 맞게 도엽하여 제공받을 수 있도록 구성될 수 있다.
저장부(320)는, 항공영상 이미지에 RGB 임계치 알고리즘을 적용하여 기 설정된 RGB 임계치 이내인 항공영상 이미지를 임시저장할 수 있다. 저장부(320)는, 기 설정된 RGB 임계치를 초과하는 항공영상 이미지는 항공영상 이미지를 RGB 임계치 이내로 수정한 후 임시저장할 수 있다. 도 4를 참조하면, RGB 임계치 알고리즘이란, 비교하는 객체 간, 즉 항공영상 데이터의 시간, 날씨, 계절 등의 영향으로 RGB 차이가 발생하게 되는데, 이러한 RGB 차이가 피사체인 각 건축물을 무허가 건축물로 인식하는 오류를 방지하기 위하여, RGB 기준을 설정한 후, 예를 들어 RGB 기준을 중심으로 20% 내지 30%를 벗어나는 RGB 값을 가지는 항공영상 이미지는 RGB를 임계치 내로 수정하는 전처리 작업을 수행하게 된다. 즉, 각 항공영상 이미지가 동일 내지 유사한 범위의 RGB 값을 가지도록 전처리를 하는 것이다. 이때, 저장부(320)는 각 항공영상 이미지가 20% 내지 30% 범위 내에 포함된 경우, 즉 RGB 임계치를 초과하지 않은 경우에는, 이를 그대로 이용하기 위하여 다음 단계로 전달하고자 임시저장하게 된다. 이때, 임시저장하는 장소는 버퍼(Buffer)일 수 있다.
병합부(330)는, 임시저장된 항공영상 이미지와 공공데이터 포털로부터 수집된 지적도 이미지를 병합(Merging)할 수 있다. 이때, 병합은, 촬영되어 RGB가 평준화된 항공영상 이미지와, 지적도 이미지를 각 주소나 GPS 좌표에 맞게 맞추는 작업이다. 실제로 촬영된 사진(항공영상 이미지)와 실제 지적도 이미지(설계 이미지)가 일치해야 이후 불법증축이나 무허가 건축물을 세우지 않은 것이다. 지적도 이미지는 각 필지의 경계를 도시하게 되는데, 지적도란 토지 위치, 형질, 면적, 지목, 지번, 경계 및 좌표 등 어떠한 필지의 토지가 가지고 있는 현황 자체를 말하는 것인데, 이러한 지적을 공적으로 증명하는 장부를 지적공부라 한다. 이때, 지적도를 실제 항공영상 이미지, 즉 건축물을 위에서 아래로 내려다본 평면도에 맞춰보게 되면, 실제 지어진 건축물의 경계가 지적도 상의 경계와 맞는지를 볼 수 있고, 이와 동시에 각 지적도 상의 주소가 존재하기 때문에 좌표를 맞추기에도 좋은 기준이 되고, 건물의 경계를 정형적으로 표기할 수 있게 된다. 이렇게 병합을 시키는 이유는, 지적도 이미지 내의 윤곽선(토지의 경계)을 벗어나 후술할 그림자가 존재한다면 이를 제거하기가 용이해지고, 만약 지적도 이미지의 윤곽선을 벗어나 건축물이 증축되었다면 그 자체로 불법증축물이 될 수 있으므로 빠르게 확인할 수도 있다.
적용부(340)는, 지적도 이미지가 병합된 항공영상 이미지에 그림자 제거 알고리즘을 적용할 수 있다. 그림자 제거 알고리즘은, 지적도 이미지의 라인 밖에 영역이 기 설정된 RGB 명암 임계치를 초과하는 경우, 영역의 명암을 RGB 명암 임계치 내로 조절하는 알고리즘일 수 있다. 예를 들어, 그림자 제거 알고리즘은, OpenCV(Open Source Computer Vision) 기반으로 그림자 영역과 비그림자 영역을 탐지(Detection), 분류(Classify) 및 소프트 매팅(Soft Matting)을 실시하는 알고리즘이고, 소프트 매팅은 각 픽셀별로 그림자 계수(Coefficient)를 적용하여 계산하는 것일 수 있다. 이때, 지적도 이미지 내 각 필지의 윤곽선(경계선)을 벗어난 건축물이 있다면 불법증축물로 적발하겠지만, 만약 태양의 방향에 따라 그림자가 진 것인데 RGB 명암이 짙은 경우 불법증축물로 추출되는 오류가 발생할 수도 있다. 이를 제거하기 위하여, 기 설정된 RGB 명암 임계치를 초과하는 그림자의 경우에는 이러한 오류가 발생하지 않도록 전처리를 해주는 것이다. 도 4를 보면, 병합부(330)에서 병합을 한 후 적용부(340)에서 그림자 제거 알고리즘을 수행하는 것을 알 수 있다. 시간이나 건물 간 이격이 좁음으로 인하여 발생되는 그림자를 무허가 건축물로 인식하는 오류를 방지하기 위하여, 병합을 거친 항공영상 이미지에 RGB 임계치 기준을 블랙계열로 설정한 후, 지적도 이미지 상 경계로 표시된 윤곽선(경계선) 밖의 범위가 블랙계열인 경우 명암을 조절해준 후 임시저장, 즉 버퍼에 저장할 수 있다.
표시부(350)는, 지적도 이미지와 일치하지 않은 항공영상 이미지의 영역을 CNN(Convolution Neural Network)을 기반으로 레이어로 추출 및 영역에 대응하는 주소와 매핑하여 저장하고 항공영상 이미지에 표시할 수 있다. 이때, 표시부(350)는, 지적도 이미지와 일치하지 않은 항공영상 이미지의 이미지를 픽셀단위로 비교 후 기 설정된 RGB 범주를 벗어난 경우 무허가 건물 또는 불법 건축물로 인식하는 이미지 비교 알고리즘을 이용할 수 있다. 도 5를 참조하면, 본 발명의 일 실시예에 따른 CNN 기반 예측모델을 구축하기 위하여, 후술하겠지만 농지나 임야 지역을 30개씩 선정하고, 선정된 지역의 최근 3년 동안의 항공영상 이미지를 훈련데이터로 생성하게 된다. 딥러닝(DL) 중 CNN을 사용하여 각각의 항공영상 이미지의 크기 조절을 이용하여 레이어를 반복적으로 쌓고, 특징 추출 부분에 상술한 RGB 임계치 알고리즘, 병합 및 그림자 제거 알고리즘을 연계하고 출력하며, 부여된 독립된 코드의 연도값을 이용하여 테이블을 생성하고, 알고리즘으로 추출된 이미지와 코드의 주소값을 각 연도에 맞게 훈련데이터로 데이터베이스에 기록하고, 예측 모델의 결과값, 즉 각 항공영상 이미지를 비교했을 때 생기는 차이점 위치를 파악함으로써, 오류를 배제하도록 훈련시키고 이 과정을 반복함으로써 최대한 차이점을 잘못 찾아내는 일이 없도록 오류를 최소화 할 수 있다. 이때, RGB 임계치 알고리즘, 병합 및 그림자 제거 알고리즘은 CNN의 과정 중 필터(Filter) 단계에 대응하고, 지적도 이미지와 일치하지 않은 항공영상 이미지의 영역의 추출은 CNN의 과정 중 패딩(Padding) 단계에 대응할 수 있다.
표시부(350)는, CNN의 예측 결과 이미지를 픽셀 단위로 자른 후 각 이미지를 겹쳐 비교하는 알고리즘을 적용하는데, 각 픽셀별로 비교 후 RGB 범주를 벗어나는 경우, 무허가 건축물로 인식하고, 인식한 건물의 위치만 지적도 이미지와 겹쳐 출력되도록 할 수 있다. 또, 공공데이터 포털에서 제공하는 건축물대장 데이터를 연계함으로써, 무허가 건축물로 인식한 위치값과 일치하는 건축물대장 데이터를 출력하도록 할 수 있다. 각 픽셀별로 비교하면 어느 부분이 예를 들어, 작년과 달라졌는지, 현재와 작년이 어느 부분이 달라졌는지를 확인할 수 있다.
최근 건축주들은 건축완공 검사를 받아놓고 나서 이후에 담당 공무원의 감시를 벗어났을 때 증축을 시작하면서 공사를 재개한다. 예를 들어, 북방향에 있는 인접건물의 일조권을 위해서 남쪽의 건물은 정북방향의 인접 대지 경계선에서 1.5m를 띄워야만 9m까지 수직으로 건축할 수 있고, 9m이상의 높이의 건물은 짓고자 한다면 짓고자 하는 건물 높이의 1/2을 정북방향의 인접대지 경계선으로 부터 띄워야 하지만, 이렇게 층계식으로 전용면적이 줄어들게 되면서 띄운 부분을 다시 메우는 방식으로 불법증축을 하거나 고도 제한이 있지만 옥상에 옥탑방을 더 지어 증축된 부분으로 건물의 가격을 올리려는 사람들이 대다수이다. 이때, 전용면적을 띄운 부분을 다시 메운 경우에는 작년의 항공영상 이미지와 올해(현재)의 항공영상 이미지를 비교했을 때 픽셀단위로 분석하기 때문에 서로 달라진 픽셀이 존재할 것이고, 해당 픽셀의 차이가 기 설정된 RGB 범주를 벗어난다면, 이는 불법건축물을 세운 것이 맞다고 판단할 수 있게 된다. 또, 옥탑방을 지은 경우에도, 옥상이 방수페인트로 초록색으로 도장되어 있었는데, 도장이 없어진 부분, 즉 옥탑방 면적만큼 방수페인트가 없어질 것이고 이 부분이 차이점으로 RGB 유사 범주를 벗어나게 된다. 이에 따라 이렇게 달라진 부분 및 달라진 부분이 위치하는 주소, 건물주 등의 정보를 추출하여 바로 담당 공무원에게 알림을 알릴 수 있다.
딥러닝부(360)는, 변환부(310)에서 공공데이터 포털에서 제공하는 항공영상 데이터를 수집하여 항공영상 이미지로 변환하기 이전에, 공공데이터 포털로부터 기 설정된 기간 동안의 적어도 하나의 항공영상 데이터를 수집하여 적어도 하나의 항공영상 이미지로 변환하는 전처리 후 훈련 데이터를 생성할 수 있다. 이때, 딥러닝부(360)는, CNN을 이용하여 적어도 하나의 항공영상 이미지의 크기조절을 통하여 CNN의 레이어(Layer)를 반복적으로 적층할 수 있다. 딥러닝부(360)는, CNN의 특징추출(Feature Extraction) 부분에 기 저장된 RGB 임계치 알고리즘, 지적도 이미지와 병합 및 그림자 제거 알고리즘을 연계하여 출력할 수 있고, 적어도 하나의 항공영상 이미지에 부여된 독립코드 내 연도 값을 이용하여 테이블을 생성하고, CNN으로 추출된 항공영상 이미지 간 일치하지 않은 영역에 대응하는 주소와 매핑하여 저장할 수 있다. 그리고, 딥러닝부(360)는, 일치하지 않은 영역을 픽셀 단위로 분석한 결과 실제로 일치한 영역이 일치하지 않은 영역으로 출력된 경우 오류 영역 및 오류 원인을 파악할 수 있다. 또한, 딥러닝부(360)는, 파악된 오류 영역 및 오류 원인을 훈련 데이터에 업데이트한 후, 오류의 패턴을 발견하고 분류를 통하여 오류율을 낮추기 위하여 CNN의 훈련을 재시작할 수 있다.
도 7a를 참조하면, 딥러닝부(360)는 테스트 기간 동안 웹 페이지 사용을 통하여 신규데이터와 훈련 데이터의 CNN 대입을 통하여 반복적으로 학습을 진행할 수 있다. RGB 임계치 알고리즘 및 그림자 제거 알고리즘(둘을 합하여 오류 최소화 알고리즘이라 한다)과, 병합 작업을 한 후 일치하지 않은 영역을 레이어로 저장하여 패딩 단계를 거치고, 입력과 출력 크기를 계산하고 각각의 클래스를 정의하여 결과값을 웹 페이지에 시각화할 수 있다. 이때, 오류 최소화 알고리즘의 결과값, 즉 필터 단계 및 패딩 단계를 거친 레이어를 생성된 데이터베이스에 레이어 저장하고, 설정한 주소를 저장할 수 있다. 이미 CNN의 결과값(예측 데이터)인, 비교되는 두 개의 항공 이미지의 차이점 위치를 알고 있는 지역의 샘플데이터를 이용하여 딥러닝의 정밀도와 정확도를 테스트할 수 있으며, 이러한 작업을 반복한 결과값에 따라 각각의 알고리즘의 임계치나 RGB 값을 조절하고, 병합 작업의 수정 및 보완을 반복하여 비교분석 결과값, 즉 무허가 건축물의 도출률을 95% 이상 판단할 수 있게 된다.
데이터 연계부(370)는, 변환부(310)에서 공공데이터 포털에서 제공하는 항공영상 데이터를 수집하여 항공영상 이미지로 변환하기 이전에, 공공데이터 포털에서 제공하는 항공영상 데이터, 공간 데이터, 지적도 데이터 및 건축물대장 데이터의 오픈 API 이용을 위하여 서비스를 신청할 수 있다. 또, 데이터 연계부(370)는, 항공영상 데이터 및 지적도 데이터의 사용승인 완료시 주소값에 맞는 위치값을 XY 좌표로 추출하고, 추출된 위치값을 중심으로 항공영상 데이터 및 지적도 데이터 내 위치값에 맞는 지역을 도엽(圖葉)하여 제공받을 수 있도록 설정할 수 있다. 예를 들어, 각 시나 도 내의 몇 개의 도시를 초기 모델로 선정한 후 제작할 수 있는데, 다른 웹브라우저나 운영체제를 이용하더라도 동일하게 웹 페이지를 표시할 수 있으며 엑티브엑스와 같은 플러그인 설치가 필요없는 웹 접근성과 웹 표준이 높은 HTML5로 구성될 수 있다. 또, 데이터 형식이 동적이고, 서비스 안정성과 개발 용이성이 높으며 서로 다른 시스템 간의 데이터 교환이 용이한 JSON,AJAX이 이용될 수 있으며, 기본지도기능, 예를 들어, 다음이나 네이버 API를 탑재한 프로토타입 웹 페이지를 구축하고, 사용자가 쉽게 사용할 수 있는 인터페이스, 예를 들어, 도 7b 내지 도 7d와 같은 인터페이스로 설계될 수 있다.
이때, 도 7b 내지 도 7d를 참조하면, 웹 페이지는, 최근 위성지도를 좌측에 비교할 연도의 위성지도가 우측에 배치되고, CNN을 통하여 일치하지 않은 영역에 대응하는 위치값을 지도 내에 위치값의 면적 및 주소와 함께 표기하고, 표기된 주소의 건축물 대장 정보를 출력하여 비교되도록 디스플레이될 수 있다.
이와 같은 도 2 내지 도 7의 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1을 통해 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 8은 본 발명의 일 실시예에 따른 도 1의 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 시스템에 포함된 각 구성들 상호 간에 데이터가 송수신되는 과정을 나타낸 도면이다. 이하, 도 8을 통해 각 구성들 상호간에 데이터가 송수신되는 과정의 일 예를 설명할 것이나, 이와 같은 실시예로 본원이 한정 해석되는 것은 아니며, 앞서 설명한 다양한 실시예들에 따라 도 8에 도시된 데이터가 송수신되는 과정이 변경될 수 있음은 기술분야에 속하는 당업자에게 자명하다.
도 8을 참조하면, 변화탐지 서비스 제공 서버는, 공공데이터 포털에서 제공하는 항공영상 데이터를 수집하여 항공영상 이미지로 변환한다(S8100).
그리고, 변화탐지 서비스 제공 서버는, 항공영상 이미지에 RGB 임계치 알고리즘을 적용하여 기 설정된 RGB 임계치 이내인 항공영상 이미지를 임시저장하고(S8200), 임시저장된 항공영상 이미지와 공공데이터 포털로부터 수집된 지적도 이미지를 병합(Merging)한다(S8300).
또, 변화탐지 서비스 제공 서버는, 지적도 이미지가 병합된 항공영상 이미지에 그림자 제거 알고리즘을 적용하고(S8400), 지적도 이미지와 일치하지 않은 항공영상 이미지의 영역을 CNN(Convolution Neural Network)을 기반으로 레이어로 추출 및 영역에 대응하는 주소와 매핑하여 저장하고 항공영상 이미지에 표시한다(S8500).
상술한 단계들(S8100~S8500)간의 순서는 예시일 뿐, 이에 한정되지 않는다. 즉, 상술한 단계들(S8100~S8500)간의 순서는 상호 변동될 수 있으며, 이중 일부 단계들은 동시에 실행되거나 삭제될 수도 있다.
이와 같은 도 8의 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1 내지 도 7을 통해 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 8을 통해 설명된 일 실시예에 따른 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법은, 컴퓨터에 의해 실행되는 애플리케이션이나 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 일 실시예에 따른 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 본 발명의 일 실시예에 따른 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (10)
- 변화탐지 서비스 제공 서버에서 실행되는 변화탐지 서비스 제공 방법에 있어서,
공공데이터 포털에서 제공하는 항공영상 데이터를 수집하여 항공영상 이미지로 변환하는 단계;
상기 항공영상 이미지에 RGB 임계치 알고리즘을 적용하여 기 설정된 RGB 임계치 이내인 항공영상 이미지를 임시저장하는 단계;
상기 임시저장된 항공영상 이미지와 상기 공공데이터 포털로부터 수집된 지적도 이미지를 병합(Merging)하는 단계;
상기 지적도 이미지가 병합된 항공영상 이미지에 그림자 제거 알고리즘을 적용하는 단계; 및
상기 지적도 이미지와 일치하지 않은 상기 항공영상 이미지의 영역을 CNN(Convolution Neural Network)을 기반으로 레이어로 추출 및 상기 영역에 대응하는 주소와 매핑하여 저장하고 상기 항공영상 이미지에 표시하는 단계;를 포함하며,
상기 공공데이터 포털에서 제공하는 항공영상 데이터를 수집하여 항공영상 이미지로 변환하는 단계 이전에,
상기 공공데이터 포털로부터 기 설정된 기간 동안의 적어도 하나의 항공영상 데이터를 수집하여 적어도 하나의 항공영상 이미지로 변환하는 전처리 후 훈련 데이터를 생성하는 단계;
상기 CNN을 이용하여 상기 적어도 하나의 항공영상 이미지의 크기조절을 통하여 상기 CNN의 레이어(Layer)를 반복적으로 적층하는 단계;
상기 CNN의 특징추출(Feature Extraction) 부분에 기 저장된 RGB 임계치 알고리즘, 지적도 이미지와 병합 및 그림자 제거 알고리즘을 연계하여 출력하는 단계;
상기 적어도 하나의 항공영상 이미지에 부여된 독립코드 내 연도 값을 이용하여 테이블을 생성하고, 상기 CNN으로 추출된 상기 항공영상 이미지 간 일치하지 않은 영역에 대응하는 주소와 매핑하여 저장하는 단계;
상기 일치하지 않은 영역을 픽셀 단위로 분석한 결과 실제로 일치한 영역이 일치하지 않은 영역으로 출력된 경우 오류 영역 및 오류 원인을 파악하는 단계; 및
상기 파악된 오류 영역 및 오류 원인을 상기 훈련 데이터에 업데이트한 후, 상기 오류의 패턴을 발견하고 분류를 통하여 오류율을 낮추기 위하여 상기 CNN의 훈련을 재시작하는 단계를 더 포함하는 것을 특징으로 하는 GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법.
- 제 1 항에 있어서,
상기 RGB 임계치 알고리즘, 병합 및 그림자 제거 알고리즘은 CNN의 과정 중 필터(Filter) 단계에 대응하고, 상기 상기 지적도 이미지와 일치하지 않은 상기 항공영상 이미지의 영역의 추출은 CNN의 과정 중 패딩(Padding) 단계에 대응하는 것인, GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법.
- 제 1 항에 있어서,
상기 지적도 이미지와 일치하지 않은 상기 항공영상 이미지의 영역을 CNN(Convolution Neural Network)을 기반으로 레이어로 추출 및 상기 영역에 대응하는 주소와 매핑하여 저장하고 상기 항공영상 이미지에 표시하는 단계는,
상기 지적도 이미지와 일치하지 않은 상기 항공영상 이미지의 이미지를 픽셀단위로 비교 후 기 설정된 RGB 범주를 벗어난 경우 무허가 건물 또는 불법 건축물로 인식하는 이미지 비교 알고리즘을 이용하는 단계;
를 포함하는 것인, GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법.
- 삭제
- 제 1 항에 있어서,
상기 그림자 제거 알고리즘은, 상기 지적도 이미지의 라인 밖에 영역이 기 설정된 RGB 명암 임계치를 초과하는 경우, 상기 영역의 명암을 상기 RGB 명암 임계치 내로 조절하는 알고리즘인 것인, GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법.
- 제 1 항에 있어서,
상기 그림자 제거 알고리즘은, OpenCV(Open Source Computer Vision) 기반으로 그림자 영역과 비그림자 영역을 탐지(Detection), 분류(Classify) 및 소프트 매팅(Soft Matting)을 실시하는 알고리즘이고, 상기 소프트 매팅은 각 픽셀별로 그림자 계수(Coefficient)를 적용하여 계산하는 것인, GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법.
- 제 1 항에 있어서,
상기 항공영상 이미지에 RGB 임계치 알고리즘을 적용하여 기 설정된 RGB 임계치 이내인 항공영상 이미지를 임시저장하는 단계는,
상기 기 설정된 RGB 임계치를 초과하는 항공영상 이미지는 상기 항공영상 이미지를 상기 RGB 임계치 이내로 수정한 후 임시저장하는 단계;
를 포함하는 것인, GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법.
- 제 1 항에 있어서,
상기 변화탐지 서비스 제공 서버는, 상기 변화탐지 서비스를 제공할 때 HTML5 기반 웹 페이지로 제공하고,
상기 웹 페이지는, 최근 위성지도를 좌측에 비교할 연도의 위성지도가 우측에 배치되고, 상기 CNN을 통하여 일치하지 않은 영역에 대응하는 위치값을 지도 내에 상기 위치값의 면적 및 주소와 함께 표기하고, 상기 표기된 주소의 건축물 대장 정보를 출력하여 비교되도록 디스플레이하는 것인, GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법.
- 제 1 항에 있어서,
상기 공공데이터 포털에서 제공하는 항공영상 데이터를 수집하여 항공영상 이미지로 변환하는 단계 이전에,
상기 공공데이터 포털에서 제공하는 항공영상 데이터, 공간 데이터, 지적도 데이터 및 건축물대장 데이터의 오픈 API 이용을 위하여 서비스를 신청하는 단계;
상기 항공영상 데이터 및 지적도 데이터의 사용승인 완료시 주소값에 맞는 위치값을 XY 좌표로 추출하고, 상기 추출된 위치값을 중심으로 항공영상 데이터 및 지적도 데이터 내 위치값에 맞는 지역을 도엽하여 제공받을 수 있도록 설정하는 단계;
를 더 포함하는 것인, GIS 및 CNN 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법.
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200099971A KR102374158B1 (ko) | 2020-08-10 | 2020-08-10 | Gis 및 cnn 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200099971A KR102374158B1 (ko) | 2020-08-10 | 2020-08-10 | Gis 및 cnn 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220019885A KR20220019885A (ko) | 2022-02-18 |
| KR102374158B1 true KR102374158B1 (ko) | 2022-03-16 |
Family
ID=80495127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200099971A KR102374158B1 (ko) | 2020-08-10 | 2020-08-10 | Gis 및 cnn 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102374158B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102487904B1 (ko) * | 2022-10-19 | 2023-01-13 | 주식회사 제이비티 | 훼손 표토 자동 탐지 및 복원 지원 시스템 |
| KR102616873B1 (ko) * | 2023-09-13 | 2023-12-27 | 메이사플래닛 주식회사 | 변화 탐지 장치 및 방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017033197A (ja) * | 2015-07-30 | 2017-02-09 | 日本電信電話株式会社 | 変化領域検出装置、方法、及びプログラム |
| US20190050625A1 (en) | 2017-08-08 | 2019-02-14 | Spaceknow Inc. | Systems, methods and computer program products for multi-resolution multi-spectral deep learning based change detection for satellite images |
| US20200151500A1 (en) | 2018-11-14 | 2020-05-14 | Cape Analytics, Inc. | Systems, methods, and computer readable media for predictive analytics and change detection from remotely sensed imagery |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101782914B1 (ko) * | 2016-02-29 | 2017-09-28 | 한국항공대학교산학협력단 | 항공 영상 분류 장치 및 그 방법 |
| DE112016002782T5 (de) * | 2016-08-24 | 2018-07-05 | Google LLC (n.d.Ges.d. Staates Delaware) | Änderungserkennungsbasiertes System zur Aktualisierung von Kartenschnittstellen |
| US10922578B2 (en) * | 2016-08-24 | 2021-02-16 | Google Llc | Change detection based imagery acquisition tasking system |
| EP3637303B1 (en) * | 2018-10-09 | 2024-02-14 | Naver Corporation | Methods for generating a base of training images, for training a cnn and for detecting a poi change in a pair of inputted poi images using said cnn |
-
2020
- 2020-08-10 KR KR1020200099971A patent/KR102374158B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017033197A (ja) * | 2015-07-30 | 2017-02-09 | 日本電信電話株式会社 | 変化領域検出装置、方法、及びプログラム |
| US20190050625A1 (en) | 2017-08-08 | 2019-02-14 | Spaceknow Inc. | Systems, methods and computer program products for multi-resolution multi-spectral deep learning based change detection for satellite images |
| US20200151500A1 (en) | 2018-11-14 | 2020-05-14 | Cape Analytics, Inc. | Systems, methods, and computer readable media for predictive analytics and change detection from remotely sensed imagery |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220019885A (ko) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xie et al. | A locally-constrained YOLO framework for detecting small and densely-distributed building footprints | |
| Kharazi et al. | Flood depth mapping in street photos with image processing and deep neural networks | |
| US8180146B2 (en) | Method and apparatus for recognizing and localizing landmarks from an image onto a map | |
| Taubenböck et al. | Object-based feature extraction using high spatial resolution satellite data of urban areas | |
| Ma et al. | A real-time crack detection algorithm for pavement based on CNN with multiple feature layers | |
| Chen et al. | Automatic mapping of urban green spaces using a geospatial neural network | |
| KR102374158B1 (ko) | Gis 및 cnn 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법 | |
| Chen et al. | Urban road mapping based on an end-to-end road vectorization mapping network framework | |
| Li et al. | Breaking the resolution barrier: A low-to-high network for large-scale high-resolution land-cover mapping using low-resolution labels | |
| Sukhia et al. | Content-based remote sensing image retrieval using multi-scale local ternary pattern | |
| Peeters et al. | Automated recognition of urban objects for morphological urban analysis | |
| CN111507296A (zh) | 基于无人机遥感与深度学习的违章建筑智能化提取方法 | |
| Ziaei et al. | A rule-based parameter aided with object-based classification approach for extraction of building and roads from WorldView-2 images | |
| CN112464766A (zh) | 一种农田地头自动识别方法及系统 | |
| CN107578003B (zh) | 一种基于地理标记图像的遥感图像迁移学习方法 | |
| KR102388777B1 (ko) | ３６０도 ｖｒ 카메라를 이용한 연도변 조사 서비스 제공 시스템 | |
| Ozturk et al. | Generation of Istanbul road data set using Google Map API for deep learning-based segmentation | |
| Gibril et al. | Deep convolutional neural networks and Swin transformer-based frameworks for individual date palm tree detection and mapping from large-scale UAV images | |
| Qiao et al. | Spatial relationship-assisted classification from high-resolution remote sensing imagery | |
| Alshehhi et al. | Detection of Martian dust storms using mask regional convolutional neural networks | |
| CN114037922B (zh) | 一种基于层级上下文网络的航拍图像分割方法 | |
| Zhang et al. | Forest roads extraction through a convolution neural network aided method | |
| CN115223245A (zh) | 景区游客行为的检测聚类方法、系统、设备及存储介质 | |
| Han et al. | Multibranch spatial-channel attention for semantic labeling of very high-resolution remote sensing images | |
| Deren et al. | Automatic change detection of geo-spatial data from imagery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |