KR102376912B1 - 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법 - Google Patents

인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법 Download PDF

Info

Publication number
KR102376912B1
KR102376912B1 KR1020200129478A KR20200129478A KR102376912B1 KR 102376912 B1 KR102376912 B1 KR 102376912B1 KR 1020200129478 A KR1020200129478 A KR 1020200129478A KR 20200129478 A KR20200129478 A KR 20200129478A KR 102376912 B1 KR102376912 B1 KR 102376912B1
Authority
KR
South Korea
Prior art keywords
image
suspicion
land
analysis
building
Prior art date
Application number
KR1020200129478A
Other languages
English (en)
Inventor
배종욱
윤한철
김형근
김성호
배경록
전정철
Original Assignee
한국국토정보공사
경상남도 창원시
주식회사 지노시스템
(주)이지스
주식회사 무한정보기술
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국국토정보공사, 경상남도 창원시, 주식회사 지노시스템, (주)이지스, 주식회사 무한정보기술 filed Critical 한국국토정보공사
Priority to KR1020200129478A priority Critical patent/KR102376912B1/ko
Application granted granted Critical
Publication of KR102376912B1 publication Critical patent/KR102376912B1/ko

Links

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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06K9/62—
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20081—Training; Learning
    • 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]

Abstract

본 발명은 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법에 관한 것으로, 상기 장치는 특정 지역에 관한 정사영상을 기초로 AI 영상 판독 모델을 구축하는 데이터베이스 구축부; 상기 특정 지역에 관한 위성영상, 항공영상 및 드론영상 중 적어도 하나를 감시영상으로 수집하는 영상 획득부; 상기 감시영상을 상기 AI 영상 판독 모델에 적용하여 토지의 부정사용이 의심되는 적어도 하나의 부정사용 의심지를 결정하는 영상 분석부; 및 상기 적어도 하나의 부정사용 의심지에 관한 의심지 레벨에 따라 토지 관리를 위한 모니터링을 수행하는 의심지 관리부를 포함한다.

Description

인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법{LAND MANAGEMENT DEVICE AND METHOD BASED ON SPATIAL INFORMATION USING ARTIFICIAL INTELLIGENCE}
본 발명은 공간정보 기반의 토지 관리 기술에 관한 것으로, 보다 상세하게는 AI 영상 판독 모델을 통한 판독 결과와 GIS정보를 비교분석하여 의심지 여부를 결정하고 국공유지 관리체계를 개선할 수 있는 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법에 관한 것이다.
실제 이용현황 및 토지행정(인·허가 등)에 따라 관리되어야 할 토지는 전국에 분포하지만, 관리대상 필지 수 대비 관리인력이 많이 부족하고, 관리체계의 부재 등으로 인해 원활한 관리에는 어려움이 존재한다. 특히 국·공유재산에 대한 관리업무는 민원대응 등 사후처리가 일반적이므로 현실적으로 선제적 발견 및 주기적인 확인이 어려울 수 있다.
최근에는 드론영상, 항공영상 등 상공에서 촬영한 토지 영상을 기초로 토지 관리를 위한 다양한 시도들이 등장하고 있으나, 촬영된 영상을 수작업으로 분석하는 과정에서 관리대상 누락이 발생하거나 과도한 데이터 연산량으로 인해 체계적인 분석에는 여전히 많은 문제점들이 존재하는 상황이다.
한편, 인공지능은 인간의 학습능력, 추론능력, 지각능력 및 이해능력 등을 컴퓨터 프로그램으로 실현하는 기술에 해당하며, 다양한 분야에 적용되어 기술 활용 영역이 지속적으로 확장되고 있다. 국토공간 분석에 있어서도 인공지능은 필수적인 연구 주제에 해당하며, 이를 활용하여 인간이 수동으로 처리하는 영역을 대체함으로써 국·공유지 관리의 한계를 보완할 수 있을 것으로 예상된다.
한국등록특허 제10-1150348호 (2012.05.21)
본 발명의 일 실시예는 특정 지역을 촬영한 영상을 AI 영상 판독 모델을 통해 자동판독하고, 판독 결과와 GIS정보를 비교분석하여 객체식별, 점유면적 비교 및 행정정보 연계분석을 통해 의심지 여부를 결정할 수 있는 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법을 제공하고자 한다.
본 발명의 일 실시예는 부정사용 의심지를 점유정도 또는 조사의 시급성에 따라 레벨을 부여하고 조건별 조회를 통해 조사목록 생성, 현장조사, 측량, 조사결과 등록, 통계관리 등에 의해 국공유지 관리체계를 개선할 수 있는 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법을 제공하고자 한다.
실시예들 중에서, 인공지능을 활용한 공간정보 기반의 토지 관리 장치는 특정 지역에 관한 정사영상을 기초로 AI 영상 판독 모델을 구축하는 데이터베이스 구축부; 상기 특정 지역에 관한 위성영상, 항공영상 및 드론영상 중 적어도 하나를 감시영상으로 수집하는 영상 획득부; 상기 감시영상을 상기 AI 영상 판독 모델에 적용하여 토지의 부정사용이 의심되는 적어도 하나의 부정사용 의심지를 결정하는 영상 분석부; 및 상기 적어도 하나의 부정사용 의심지에 관한 의심지 레벨에 따라 토지 관리를 위한 모니터링을 수행하는 의심지 관리부를 포함한다.
상기 데이터베이스 구축부는 상기 특정 지역에 관한 정사영상을 획득하여 복수의 분할 영상들로 분할하는 단계; 상기 복수의 분할 영상들 각각에 대해 적어도 하나의 식별 객체를 검출하여 라벨 정보를 생성하는 단계; 상기 적어도 하나의 식별 객체 및 상기 라벨 정보를 학습하여 상기 AI 영상 판독 모델을 구축하는 단계; 및 상기 AI 영상 판독 모델의 검출율, 정확도 및 평균정확도에 관한 통계적 검증을 수행하는 단계를 통해 동작할 수 있다.
상기 영상 분석부는 상기 AI 영상 판독 모델이 제공하는 판독 결과를 기초로 제1 공간연산을 통해 국공유지 필지별로 식별 객체의 점유 면적을 추출하는 제1 분석 단계; 상기 판독 결과를 기초로 제2 공간연산을 통해 국공유지 필지별로 GIS 건물통합 객체의 점유 면적을 추출하는 제2 분석 단계; 및 상기 판독 결과를 행정정보와 비교하는 제3 분석 단계를 단계적으로 수행하여 상기 적어도 하나의 부정사용 의심지를 결정할 수 있다.
상기 영상 분석부는 상기 제1 내지 제3 분석 단계별 결과를 기준으로 상기 적어도 하나의 부정사용 의심지에 대해 의심지 레벨을 부여할 수 있다.
상기 의심지 레벨은 상기 제1 및 제2 분석 단계의 결과로서 총점유면적 및 점유율에 따라 기 설정된 복수의 제1 의심지 레벨들 중 어느 하나로 결정되고, 상기 제3 분석 단계의 결과로서 의심지 제외 조건에 해당되는 경우 상기 제1 의심지 레벨과 구분되는 제2 의심지 레벨로 결정될 수 있다.
상기 의심지 관리부는 상기 적어도 하나의 부정사용 의심지에 대한 현장조사를 결정하고 해당 현장조사의 결과를 수신하여 등록할 수 있다.
상기 의심지 관리부는 상기 적어도 하나의 부정사용 의심지에 대한 AI 판독유형 통계와 국공유지 점유분석통계를 생성하여 제공할 수 있다.
실시예들 중에서, 인공지능을 활용한 공간정보 기반의 토지 관리 방법은 특정 지역에 관한 정사영상을 기초로 AI 영상 판독 모델을 구축하는 단계; 상기 특정 지역에 관한 위성영상, 항공영상 및 드론영상 중 적어도 하나를 감시영상으로 수집하는 단계; 상기 감시영상을 상기 AI 영상 판독 모델에 적용하여 토지의 부정사용이 의심되는 적어도 하나의 부정사용 의심지를 결정하는 단계; 및 상기 적어도 하나의 부정사용 의심지에 관한 의심지 레벨에 따라 토지 관리를 위한 모니터링을 수행하는 단계를 포함한다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법은 특정 지역을 촬영한 영상을 AI 영상 판독 모델을 통해 자동판독하고, 판독 결과와 GIS정보를 비교분석하여 객체식별, 점유면적 비교 및 행정정보 연계분석을 통해 의심지 여부를 결정할 수 있다.
본 발명의 일 실시예에 따른 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법은 부정사용 의심지를 점유정도 또는 조사의 시급성에 따라 레벨을 부여하고 조건별 조회를 통해 조사목록 생성, 현장조사, 측량, 조사결과 등록, 통계관리 등에 의해 국공유지 관리체계를 개선할 수 있다.
도 1은 본 발명에 따른 토지 관리 시스템을 설명하는 블록도이다.
도 2는 도 1에 있는 토지 관리 장치의 물리적 구성을 설명하는 도면이다.
도 3은 도 1에 있는 토지 관리 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 공간정보 기반의 토지 관리를 위한 데이터베이스 구축 과정을 설명하는 순서도이다.
도 5는 본 발명에 따른 AI 영상 판독 모델을 설명하는 도면이다.
도 6은 본 발명에 따른 분할 영상 생성 과정을 설명하는 도면이다.
도 7은 본 발명에 따른 영상 라벨링 과정을 설명하는 도면이다.
도 8은 본 발명에 따른 AI 국공유지 모니터링 과정을 설명하는 도면이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 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.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명에 따른 토지 관리 시스템을 설명하는 블록도이다.
도 1을 참조하면, 도 1을 참조하면, 토지 관리 시스템(100)은 사용자 단말(110), 토지 관리 장치(130) 및 데이터베이스(150)를 포함할 수 있다.
사용자 단말(110)은 토지 관리 장치(130)에서 수행되는 토지 관리에 관한 정보를 이용할 수 있는 컴퓨팅 장치에 해당할 수 있다. 사용자 단말(110)은 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(110)은 토지 관리 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 사용자 단말(110)들은 토지 관리 장치(130)와 동시에 연결될 수 있다.
토지 관리 장치(130)는 특정 지역에 대해 구축된 학습 DB를 이용하여 토지 이용에 관한 현황을 모니터링하는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 또한, 토지 관리 장치(130)는 사용자 단말(110)과 유선 네트워크 또는 블루투스, WiFi 등과 같은 무선 네트워크로 연결될 수 있고, 유선 또는 무선 네트워크를 통해 토지 관리 장치(130)와 직접 연결될 수도 있다. 토지 관리 장치(130)는 데이터베이스(150)와 연동하여 공간정보 기반의 토지 관리 시스템(100)의 운용 과정에서 다양한 정보들을 저장할 수 있다. 토지 관리 장치(130)는 기본적인 시스템 구성으로서 프로세서, 메모리, 사용자 입출력부 및 네트워크 입출력부를 포함하여 구현될 수 있으며, 이에 대해서는 도 2에서 보다 자세히 설명한다.
데이터베이스(150)는 토지 관리 장치(130)의 동작 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 데이터베이스(150)는 AI 모델을 구축하기 위한 학습 데이터셋을 저장할 수 있고, AI 판독 및 분석에 따른 데이터를 저장할 수 있으며, 반드시 이에 한정되지 않고, 토지 관리 장치(130)가 인공지능을 활용하여 공간정보 기반의 토지 관리를 수행하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.
도 2는 도 1에 있는 토지 관리 장치의 물리적 구성을 설명하는 도면이다.
도 2를 참조하면, 토지 관리 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.
프로세서(210)는 토지 관리 장치(130)가 동작하는 과정에서의 각 단계들을 처리하는 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 토지 관리 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 토지 관리 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.
메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 토지 관리 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.
사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다. 예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 토지 관리 장치(130)는 서버로서 수행될 수 있다.
네트워크 입출력부(270)은 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.
도 3은 도 1에 있는 토지 관리 장치의 기능적 구성을 설명하는 도면이다.
도 3을 참조하면, 토지 관리 장치(130)는 데이터베이스 구축부(310), 영상 획득부(330), 영상 분석부(350), 의심지 관리부(370) 및 제어부(390)를 포함할 수 있다.
데이터베이스 구축부(310)는 특정 지역에 관한 정사영상을 기초로 AI 영상 판독 모델을 구축할 수 있다. 데이터베이스 구축부(310)는 GeoAI 학습을 위한 학습 DB를 구축할 수 있고, 인공지능 기술을 적용하여 데이터 분석과 모델 관리 및 검증을 수행하는 GeoAI 자동화 플랫폼을 데이터베이스로서 구축할 수 있다. 여기에서, GeoAI는 고해상도 국토영상을 자동판독 가능한 인공지능에 해당할 수 있고, 데이터베이스 구축부(310)에 의해 구축되는 AI 영상 판독 모델을 통해 구현될 수 있다.
일 실시예에서, 데이터베이스 구축부(310)는 특정 지역에 관한 정사영상을 획득하여 복수의 분할 영상들로 분할하는 단계, 복수의 분할 영상들 각각에 대해 적어도 하나의 식별 객체를 검출하여 라벨 정보를 생성하는 단계, 적어도 하나의 식별 객체 및 라벨 정보를 학습하여 AI 영상 판독 모델을 구축하는 단계 및 AI 영상 판독 모델의 검출율, 정확도 및 평균정확도에 관한 통계적 검증을 수행하는 단계를 통해 동작할 수 있다. 데이터베이스 구축부(310)는 각 단계를 수행하는 독립적인 모듈들을 포함할 수 있으며, 이하 데이터베이스 구축부(310)의 동작을 각 단계별로 자세히 설명한다.
1) 데이터베이스 구축부(310)는 영상 수집 모듈을 통해 특정 지역에 관한 정사영상을 획득하여 복수의 분할 영상들로 분할할 수 있다. 정사영상(Orthophoto)은 사진 촬영 당시의 카메라 자세 및 지형 기복에 의해 발생된 대상체의 변위를 제거한 영상에 해당할 수 있고, 촬영 영상에 대한 정사보정 작업을 수행한 결과로서 생성될 수 있다. 예를 들어, 정사영상은 위성영상, 항공영상 및 드론영상을 포함할 수 있다. 데이터베이스 구축부(310)는 AI 영상 판독 모델을 구축하기 위한 전단계로서 정사영상을 분할하여 복수의 분할 영상들로 분할할 수 있다.
일 실시예에서, 영상 수집 모듈은 정사영상을 수평 및 수직 방향으로 각각 이동하는 분할 윈도우의 위치 및 크기에 따라 분할할 수 있다. 분할 윈도우는 영상을 분할하기 위해 정의되는 사각형 경계에 해당할 수 있다. 즉, 영상 수집 모듈은 분할 윈도우를 정사영상 위에서 수평 방향 또는 수직 방향으로 소정의 간격에 따라 이동시키면서 분할 윈도우와 중첩되는 부분을 분할하여 분할 영상을 생성할 수 있다. 예를 들어, 정사영상은 특정 지역의 항공영상에서 10cm, 1 도엽크기에 해당하고 23,890×28,850 픽셀의 파일 해상도를 가질 수 있다.
일 실시예에서, 분할 윈도우는 다면체 형태의 고정 크기로 정의되고 이동에 따른 다음 위치는 이전 위치와 적어도 중첩되는 영역을 포함하도록 결정될 수 있다. 영상 수집 모듈은 학습에 적합한 분할 영상을 생성하기 위하여 분할 윈도우의 크기와 이동 간격을 결정할 수 있다. 예를 들어, 분할 윈도우는 학습에 적합한 형태로서 정사각형 형태로 정의될 수 있으며, 1024×1024의 고정 크기로 정의될 수 있다. 한편, 분할 윈도우는 기본적으로 사각형 형태로 정의될 수 있으나, 반드시 이에 한정되지 않고, 부정형이나 타일링(세로가 더 긴 직사항형) 형태로 정의될 수도 있다.
또한, 분할 윈도우의 이동 간격은 객체의 손상 및 누락을 최소화하기 위하여 이동 전과 후의 분할 윈도우 간에 적어도 중첩 영역을 포함하도록 결정될 수 있다. 바람직하게, 분할 윈도우는 50%의 중첩 영역이 포함되는 간격에 따라 이동될 수 있다.
일 실시예에서, 영상 수집 모듈은 정사영상을 식별 객체의 유형에 따라 서로 다른 크기의 분할 영상들로 분할할 수 있다. 예를 들어, 식별 객체가 건물인 경우 영상 수집 모듈은 분할 영상을 기준 사이즈(예를 들어, 1024×1024 픽셀, 약 260m)로 분할할 수 있다. 식별 객체가 기준 사이즈보다 큰 경우 영상 수집 모듈은 분할 영상을 기준 사이즈보다 더 큰 사이즈로 분할할 수 있다. 예를 들어, 식별 객체가 산, 저수지 및 바다에 해당하는 경우 영상 수집 모듈은 정사영상을 2048×2048 픽셀로 분할할 수 있으며, 분할 영상에 대해 기준 사이즈로 리사이징(resizing)하는 연산을 추가적으로 수행할 수 있다.
2) 데이터베이스 구축부(310)는 영상 라벨링 모듈을 통해 복수의 분할 영상들 각각에 대해 적어도 하나의 식별 객체를 검출하여 라벨 정보를 생성할 수 있다. 복수의 분할 영상들은 AI 영상 판독 모델의 학습 데이터로 사용될 수 있으며, AI 영상 판독 모델은 항공사진이나 드론영상에 대한 영상 판독을 수행하여 토지특성별 현실지목에 관한 대상을 추출할 수 있다. 따라서, 학습 데이터는 각 분할 영상에서 검출된 식별 객체에 대한 정보와 해당 식별 객체에 관한 라벨 정보를 포함하여 생성될 수 있다. 영상 라벨링 모듈은 각 분할 영상에 대해 객체 식별 동작과 라벨 부여 동작을 수행하여 데이터베이스(150)에 저장할 수 있다.
일 실시예에서, 영상 라벨링 모듈은 제1 프로그램 실행, 이미지 호출, 객체영역 지정 및 객체 직렬 과정을 통해 수행되는 임시라벨 부여 단계와, 제2 프로그램 실행, 임시라벨 데이터 호출, 누락 검사 및 오입력 검사 과정을 통해 수행되는 라벨 확정 저장 단계를 통해 동작할 수 있다. 보다 구체적으로, 임시라벨 부여 단계는 분할 영상에서 객체(예를 들어, 건물)를 식별하고 해당 객체에 관한 객체영역을 지정하여 라벨링 후 직렬화 하여 라벨 임시 데이터베이스에 저장하는 단계에 해당할 수 있다. 임시라벨 부여 단계는 라벨 임시 데이터베이스로부터의 라벨 재요청에 따라 객체영역에 관한 라벨링 동작을 반복적으로 수행할 수 있다.
라벨 확정 저장 단계는 라벨링된 데이터에 대해 누락 검사와 오입력 검사를 단계적으로 수행한 후 유효성 검증에 통과한 데이터를 라벨 저장소에 저장하는 단계에 해당할 수 있다. 유효성 검증에 실패한 데이터는 라벨 임시 데이터베이스에 재저장되어 라벨링 동작이 재수행될 수 있다. 임시라벨 부여 단계는 제1 프로그램의 실행을 통해 분할 영상에 관한 이미지 호출이 개시될 수 있고, 라벨 확정 저장 단계는 제2 프로그램의 실행을 통해 라벨 완료 데이터의 호출이 개시될 수 있다.
일 실시예에서, 영상 라벨링 모듈은 라벨 확정 저장 단계에서 유효성 검증을 통해 상기 라벨 정보가 확정된 식별 객체에 대해 해당 라벨 정보를 구분항목, 중심점 좌표, 가로 길이 및 세로 길이를 포함하는 라벨 코드로 코드화하여 저장할 수 있다. 구분항목(Code)은 사전 정의된 학습대상 항목에 관한 항목코드에 해당할 수 있고, 중심점 좌표(X, Y)는 식별 객체에 대한 객체 영역의 중심점(center)에 관한 x, y 좌표에 해당할 수 있으며, 가로 길이(W)와 세로 길이(H)는 객체 영역의 가로 크기값과 세로 크기값에 해당할 수 있다.
3) 데이터베이스 구축부(310)는 영상 학습 모듈을 통해 적어도 하나의 식별 객체 및 라벨 정보를 학습하여 AI 영상 판독 모델을 구축할 수 있다.
AI 영상 판독 모델은 항공사진이나 드론영상을 입력으로 수신하여 영상 판독 결과로서 토지특성별 현실지목에 관한 대상을 출력으로 생성하는 학습 모델에 해당할 수 있다. 영상 학습 모듈은 이미지 및 영상 분석에 적용 가능한 다양한 인공지능 학습 알고리즘을 이용하여 학습을 수행할 수 있으며, 필요에 따라 학습 유형별로 독립적인 학습을 수행하여 독립적인 학습 모델을 구축할 수도 있다.
일 실시예에서, 영상 학습 모듈은 AI 프레임워크를 통해 1단계(one-stage) 검출기(detector) 또는 2단계(two-stage) 검출기를 선택적으로 적용하여 학습을 수행할 수 있다. 영상 학습 모듈은 AI 프레임워크를 통해 영역 지정 및 객체 분류를 수행하는 학습 알고리즘을 적용하여 AI 영상 판독 모델을 구축할 수 있다. 예를 들어, 영상 학습 모듈은 AI 프레임워크로서 Darknet를 사용할 수 있으며, 1단계 아키텍처로서 YOLO 또는 2단계 아키텍처로서 Faster R-CNN을 기초로 학습을 수행할 수 있다.
여기에서, Darknet(다크넷)은 YOLO 아키텍처 개발자에 의해 개발된 플랫폼으로 YOLO 구현에 특화되어 있는 객체 인식 오프소스 신경망 프레임워크에 해당할 수 있다. YOLO(You only Look once)는 타 알고리즘과 다르게 영역 지정(Bounding Box)과 객체 분류(Classification)를 동시에 수행하여 속도가 빠른 장점을 가지며, Faster R-CNN(Regions with Convolutional Neural Network)은 Fast R-CNN의 속도를 개선한 버전에 해당할 수 있다. 또한, 영상 학습 모듈은 TersorFlow, MXNet, Keras, PyTorch 등의 AI 프레임워크들을 선택적으로 사용할 수 있고, SDD(Single Shot MultiBox Detector), R-FCN 등의 학습 알고리즘을 사용하여 AI 영상 판독 모델을 구축할 수 있다.
4) 데이터베이스 구축부(310)는 정확도 검증 모듈을 통해 AI 영상 판독 모델의 검출율, 정확도 및 평균정확도에 관한 통계적 검증을 수행할 수 있다. 정확도 검증 모듈은 AI 영상 판독 모델에 수집된 정사영상을 입력하고 해당 정사영상 내에 존재하는 객체 검출 및 분류 결과를 비교 분석하여 AI 영상 판독 모델의 성능을 측정할 수 있다. 구체적으로, 정확도 검증 모듈은 AI 영상 판독 모델의 판독 결과와 연속지적도의 지목을 매핑하여 유사 판독율을 추정할 수 있고, 이를 기초로 분석을 수행할 수 있다.
즉, 정확도 검증 모듈은 사전 정의된 판독유형 별로 검출율(recall), 정확도(precision) 및 평균 정확도(AP, Average Precision)를 결정할 수 있고, 이를 통합하여 AI 영상 판독 모델에 대한 검출율(recall), 정확도(precision) 및 평균 정확도(mAP)를 결정할 수 있다.
일 실시예에서, 정확도 검증 모듈은 통계적 검증 결과를 반영하여 AI 영상 판독 모델에 대한 튜닝을 주기적으로 수행할 수 있다. 정확도 검증 모듈은 검출 기준값을 설정하고 AI 영상 판독 모델이 해당 검출 기준값을 충족할 수 있도록 모델에 대한 튜닝을 수행할 수 있다. 즉, 튜닝 연산은 학습 모델의 출력값이 기 설정된 조건을 충족하는 방향으로 정확도 검증 모듈에 의해 수행될 수 있다.
영상 획득부(330)는 특정 지역에 관한 위성영상, 항공영상 및 드론영상 중 적어도 하나를 감시영상으로 수집할 수 있다. 영상 획득부(330)는 특정 지역의 토지 이용 현황을 모니터링하기 위하여 감시영상을 수집할 수 있으며, 감시영상은 AI 영상 판독 모델의 입력으로 제공되어 자동판독 및 분류 시스템을 통해 다양한 출력 정보로서 관리될 수 있다. 또한, 영상 획득부(330)를 통해 수집된 감시영상은 관리자에 의해 시스템에 등록될 수 있으며, 이후 관련 동작에 의해 처리될 수 있다.
영상 분석부(350)는 특정 지역에 관한 감시영상을 AI 영상 판독 모델에 적용하여 토지의 부정사용이 의심되는 적어도 하나의 부정사용 의심지를 결정할 수 있다. 영상 분석부(350)는 AI 영상 판독 모델의 자동판독 및 분류 결과를 실제정보인 공간정보와 비교하여 토지의 부정사용이 의심되는 후보지를 효과적으로 추출할 수 있다.
일 실시예에서, 영상 분석부(350)는 AI 영상 판독 모델이 제공하는 판독 결과를 기초로 제1 공간연산을 통해 국공유지 필지별로 식별 객체의 점유 면적을 추출하는 제1 분석 단계, 판독 결과를 기초로 제2 공간연산을 통해 국공유지 필지별로 GIS 건물통합 객체의 점유 면적을 추출하는 제2 분석 단계 및 판독 결과를 행정정보와 비교하는 제3 분석 단계를 단계적으로 수행하여 적어도 하나의 부정사용 의심지를 결정할 수 있다.
보다 구체적으로, 영상 분석부(350)는 제1 분석 단계에서 AI 영상 판독 모델에 영상 판독을 요청할 수 있으며, AI 영상 판독 모델이 판독한 객체를 공간정보로 변환할 수 있다. 영상 분석부(350)는 AI 영상 판독 모델이 판독한 객체와 연속지적도 상의 지목을 매핑하여 유사 판독율을 추정할 수 있고, 유사 지목을 결정할 수 있다. 영상 분석부(350)는 제1 공간연산을 통해 실제 공간정보 상에서 AI 영상 판독 모델이 판독한 객체에 대응되는 지목이 차지하는 점유 면적을 산출할 수 있다.
또한, 영상 분석부(350)는 제2 분석 단계에서 AI 영상 판독 모델이 판독한 객체에 대응되는 GIS 건물통합 객체의 점유 면적을 추출할 수 있다. 영상 분석부(350)는 AI 영상 판독 모델이 판독한 객체와 GIS 건물통합 객체 매핑하여 유사 건물을 결정할 수 있고, GIS 건물통합 UFID를 부여할 수 있다. 영상 분석부(350)는 제2 공간연산을 통해 실제 공간정보 상에서 AI 영상 판독 모델이 판독한 객체에 대응되는 GIS 건물통합 객체가 차지하는 점유 면적을 산출할 수 있다.
또한, 영상 분석부(350)는 제3 분석 단계에서 행정정보 상의 등록 정보와 비교하여 AI 영상 판독 모델이 판독한 객체에 대한 의심지 제외여부를 결정할 수 있다. 여기에서, 행정정보는 부동산종합공부, 건축행정, 새올, 지방세, 세외수입 등을 포함할 수 있다.
일 실시예에서, 영상 분석부(350)는 제1 내지 제3 분석 단계별 결과를 기준으로 적어도 하나의 부정사용 의심지에 대해 의심지 레벨을 부여할 수 있다. 예를 들어, 의심지 레벨은 1 부터 6 레벨까지 의심 정도에 빠라 차등적으로 부여될 수 있으며, 의심지 레벨이 낮을수록 부상사용 가능성이 높은 토지에 해당할 수 있다.
일 실시예에서, 의심지 레벨은 제1 및 제2 분석 단계의 결과로서 총점유면적 및 점유율에 따라 기 설정된 복수의 제1 의심지 레벨들 중 어느 하나로 결정되고, 제3 분석 단계의 결과로서 의심지 제외 조건에 해당되는 경우 제1 의심지 레벨과 구분되는 제2 의심지 레벨로 결정될 수 있다. 예를 들어, 제1 의심지 레벨에 대해 레벨 1의 경우 총점유면적 500m2이상 및 점유율 50%이상으로 부여되고, 레벨 2의 경우 총점유면적 500m2이상 및 점유율 50%미만으로 부여되며, 레벨 3의 경우 총점유면적 100m2이상 및 점유율 50%이상으로 부여되고, 레벨 4의 경우 총점유면적 100m2이상 및 점유율 50%미만으로 부여되며, 레벨 5의 경우 총점유면적 10m2이상 및 점유율 50%이상으로 부여되고, 레벨 6의 경우 총점유면적 10m2이상 및 점유율 50%미만으로 부여될 수 있다.
또한, 제2 의심지 레벨의 경우 기 설정된 의심지 제외 조건에 따라 제1 의심지 레벨과 독립적으로 정의된 레벨 0으로 부여될 수 있다. 이때, 의심지 제외 조건은 건물인 경우와 건물 이외인 경우로 구분되어 정의될 수 있다. 예를 들어, 건물인 경우의 제외 조건은 1)새올행정시스템 재산대장(건물) 등록 건물, 2)지목이 10 학교용지 또는 21 수도용지, 3)건축물용도(usability코드)가 '05000 문화및집회시설', '10000 교육연구시설', '11000 노유자시설', '23000 교정및군사시설', '29000 장례시설' 및 '30000 자원순환관련시설' 중 어느 하나, 및 4)점유면적이 10m2이하를 포함할 수 있다. 건물 이외인 경우의 제외 조건은 1)AI판독유형코드가 '12.대:건물집합군'으로 판독, 2)지목이 10 학교용지 또는 21 수도용지, 3)AI 판독유형코드가 '4.도로', '6.하천', '7.유지', '8.제방' 및 '13.철도용지' 중 어느 하나, 및 4)점유면적인 10m2이하를 포함할 수 있다.
의심지 관리부(370)는 적어도 하나의 부정사용 의심지에 관한 의심지 레벨에 따라 토지 관리를 위한 모니터링을 수행할 수 있다. 먼저, 의심지 관리부(370)는 부정사용 의심지에 대한 관리의 전단계에서 의심지 조회 기능을 제공할 수 있다. 즉, 의심지 관리부(370)는 판독 및 분류가 완료된 의심지 대상 정보를 조건별 조회를 통해 조회 결과로서 제공할 수 있다. 의심지 관리부(370)는 의심지 레벨별, 점유면적 규모별 검색을 수행하여 조회 결과로서 제공할 수 있으며, AI판독유형별, 지목별 및 국공유자 소유권별 검색을 각각 수행하여 조회 결과로서 제공할 수도 있다.
또한, 의심지 관리부(370)는 의심지 레벨에 따라 부정사용 의심지에 대한 모니터링을 차별적으로 수행할 수 있다. 예를 들어, 의심지 관리부(370)는 부정사용 의심지에 대해 관리 구역에 따라 담당자별 최종 의심지를 확정하여 현장조사 대상을 결정할 수 있고, 의심지에 대한 감시영상 조회를 수행할 수도 있으며, 반드시 이에 한정되지 않고, 부정사용 의심지에 대한 다양한 모니터링 방법이 적용될 수 있다.
일 실시예에서, 의심지 관리부(370)는 적어도 하나의 부정사용 의심지에 대한 현장조사를 결정하고 해당 현장조사의 결과를 수신하여 등록할 수 있다. 의심지 관리부(370)는 부정사용 의심지에 대해 의심지 레벨이 기설정된 기준 이상인 경우 해당 의심지에 대한 현장조사를 결정할 수 있다. 또한, 의심지 관리부(370)는 현장조사에 따라 촬영된 현장사진과 담당자에 의해 작성된 현장조사서가 등록되면 해당 부정사용 의심지와 연관지어 데이터베이스(150)에 저장할 수 있다.
한편, 부정사용 의심지에 대한 현장조사는 지적현장조사표를 기준으로 수행될 수 있고, 필요에 따라 지적측량이 함께 수행될 수 있다. 현장조사서는 현장조사의 결과로서 생성될 수 있고, 조사자, 조사일시 등 현장조사에 관한 서지사항과 지적현장조사표의 내용을 포함할 수 있다. 또한, 드론촬영의 경우 해당 지자체가 운용하는 시스템에 의해 요청 접수, 담당자 지정 및 촬영 개시의 동작이 순차적으로 수행될 수 있다.
일 실시예에서, 의심지 관리부(370)는 적어도 하나의 부정사용 의심지에 대한 AI 판독유형 통계와 국공유지 점유분석통계를 생성하여 제공할 수 있다. 예를 들어, 의심지 관리부(370)는 AI 판독유형 통계로서 AI판독유형별 통계, 건물객체 비교 통계 및 AI판독유형 지목별 통계를 제공할 수 있고, 국공유지 점유분석통계로서 국공유지 점유 AI판독유형별 통계, 국공유지 점유 지목별 통계, 국공유지 점유 건축물용도별 통계, 국공유지 점유 재산용도별 통계, 국공유지 의심지 추출 단계별 통계 및 국공유지 의심지 추출 행정정보연계 통계를 제공할 수 있다.
여기에서, 국공유지 의심지 추출 단계별 통계는 의심지 레벨 별로 점유 객체수와 점유면적(m2)에 관한 통계를 포함할 수 있고 연도 별로 정리되어 집계될 수 있다. 또한, 의심지 레벨은 1-2레벨, 3-4레벨, 5-6레벨 및 의심지 제외로 구분되어 통계화될 수 있고, AI 판독유형 코드에 따라 세분화되어 제공될 수도 있다.
제어부(390)는 토지 관리 장치(130)의 전체적인 동작을 제어하고, 데이터베이스 구축부(310), 영상 획득부(330), 영상 분석부(350) 및 의심지 관리부(370) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 4는 본 발명에 따른 공간정보 기반의 토지 관리를 위한 데이터베이스 구축 과정을 설명하는 순서도이다.
도 4를 참조하면, 토지 관리 장치(130)는 데이터베이스 구축부(310)를 통해 특정 지역에 관한 정사영상을 기초로 AI 영상 판독 모델을 구축할 수 있다(단계 S410). 또한, 토지 관리 장치(130)는 영상 획득부(330)를 통해 특정 지역에 관한 위성영상, 항공영상 및 드론영상 중 적어도 하나를 감시영상으로 수집할 수 있다(단계 S430).
또한, 토지 관리 장치(130)는 영상 분석부(350)를 통해 감시영상을 AI 영상 판독 모델에 적용하여 토지의 부정사용이 의심되는 적어도 하나의 부정사용 의심지를 결정할 수 있다(단계 S450). 또한, 토지 관리 장치(130)는 의심지 관리부(370)를 통해 적어도 하나의 부정사용 의심지에 관한 의심지 레벨에 따라 토지 관리를 위한 모니터링을 수행할 수 있다(단계 S470).
도 5는 본 발명에 따른 AI 영상 판독 모델을 설명하는 도면이다.
도 5를 참조하면, 토지 관리 장치(130)는 AI 영상 판독 모델(530)에 관한 데이터베이스를 구축할 수 있고, 이를 통해 토지현황 분석에 사용되는 유효 데이터를 확보할 수 있다. 토지 관리 장치(130)는 데이터베이스 구축부(310)를 통해 식별 객체 및 라벨 정보를 학습 데이터(510)로서 학습할 수 있고, 정확도 검증 과정을 거쳐 AI 영상 판독 모델(530)을 구축할 수 있다. AI 영상 판독 모델(530)은 특정 지역에 관한 정사영상(520), 예를 들어 위성사진, 항공사진이나 드론영상을 입력으로 수신하여 영상 판독을 통해 해당 영상 내에 존재하는 객체를 식별하고 그 결과를 출력으로 제공할 수 있다.
한편, AI 영상 판독 모델(530)이 제공하는 출력영상(540)은 객체 영역과 객체 식별정보를 포함할 수 있다. 객체 식별정보는 항목코드, 식별영역의 좌표 및 가로와 세로의 길이 등을 포함할 수 있다.
도 6은 본 발명에 따른 분할 영상 생성 과정을 설명하는 도면이다.
도 6을 참조하면, 정사영상(610)의 원본 이미지는 사이즈와 용량이 매우 크다는 점에서 학습 모델에 직접 적용하기 어려울 수 있다. 토지 관리 장치(130)는 데이터베이스 구축부(310)를 통해 정사영사(610)을 기초로 학습 데이터로 사용될 복수의 분할 영상(630)들을 획득할 수 있다. 데이터베이스 구축부(310)는 정사영상(610)을 기초로 수평 및 수직 방향으로 각각 이동하는 분할 윈도우(650)의 위치 및 크기에 따라 정사영상(610)을 분할할 수 있다.
일 실시예에서, 분할 윈도우(650)는 다면체 형태의 고정 크기로 정의되고 이동에 따른 다음 위치는 이전 위치와 적어도 중첩되는 영역을 포함하도록 결정될 수 있다. 예를 들어, 분할 윈도우(650)의 크기는 1024×1024로 설정될 수 있고, 데이터베이스 구축부(310)는 정사영상(610)에서 분할 윈도우(650)를 수평 또는 수직 방향으로 소정의 간격만큼 이동시키면서 분할 영상(630)을 생성할 수 있다.
이때, 분할 윈도우(650)가 이동하는 간격은 이동 전과 후의 분할 윈도우(650) 간의 중첩 영역(670)이 발생하는 간격으로 설정될 수 있다. 도 6에서, 데이터베이스 구축부(310)는 수직 방향에 대해 이동 전(①)과 후(②)의 분할 윈도우(650) 간에 50%의 중첩 영역(670)이 발생하도록 이동시키면서 분할 영상(630)을 생성할 수 있다.
도 7은 본 발명에 따른 영상 라벨링 과정을 설명하는 도면이다.
도 7을 참조하면, 토지 관리 장치(130)는 데이터베이스 구축부(310)를 통해 복수의 분할 영상들 각각에 대해 적어도 하나의 식별 객체를 검출하여 라벨 정보를 생성할 수 있다. 데이터베이스 구축부(310)는 크게 두가지 단계로 구분되어 동작할 수 있다. 보다 구체적으로, 데이터베이스 구축부(310)는 제1 프로그램 실행, 이미지 호출, 객체영역 지정 및 객체 직렬 과정을 통해 수행되는 임시라벨 부여 단계(S710)와, 제2 프로그램 실행, 임시라벨 데이터 호출, 누락 검사 및 오입력 검사 과정을 통해 수행되는 라벨 확정 저장 단계(S730)를 통해 동작할 수 있다.
임시라벨 부여 단계(S710)는 데이터베이스(150)의 영상 저장소와 임시 라벨 데이터베이스에 연동하여 동작할 수 있으며, 라벨 확정 저장 단계(S730)는 데이터베이스의 라벨 저장소와 임시 라벨 데이터베이스에 연동하여 동작할 수 있다. 한편, 도 7의 학습 DB, 영상 저장소, 라벨 저장소 및 임시 라벨 데이터베이스는 데이터베이스(150) 내에서 논리적으로 구분되어 정의된 부분 데이터베이스에 해당할 수 있다. 토지 관리 장치(130)는 데이터베이스 구축부(310)를 통해 AI 영상 판독 모델 구축을 위한 학습 데이터셋을 생성할 수 있다.
도 8은 본 발명에 따른 AI 국공유지 모니터링 과정을 설명하는 도면이다.
도 8을 참조하면, 토지 관리 장치(130)는 (ㄱ)GeoAI 자동화 플랫폼을 통해 데이터베이스를 구축하고, (ㄴ)AI 영상 판독 모델을 통해 AI판독 및 분석분류를 수행하며, (ㄷ)부정사용 의심지를 중심으로 AI 국공유지 모니터링을 수행할 수 있다.
(ㄱ)단계에서, 학습유형 18종에 대한 레이블링 동작을 수행하는 학습작업관리 과정, 학습유형별 모델 분석 및 검증과 학습유형별 AI 학습을 수행하는 평가작업관리 과정, 학습유형별 평가 및 검증을 수행하는 평가이력관리 과정, 학습유형별 데이터셋을 관리하는 데이터셋 관리 과정이 순차적으로 수행될 수 있다.
(ㄴ)단계에서, 항공영상이나 드론영상을 포함하는 정사영상을 등록하는 영상등록관리 과정, GeoAI 플랫폼에 판독을 요청하여 AI가 판독한 객체를 공간정보로 전환하는 영상판독관리(AI판독) 과정, AI가 판독한 객체의 중심점을 기준으로 연속지적도의 지목을 매핑하여 유사 판독율을 추정하는 영상판독관리(지목비교) 과정, AI가 판독한 건물 객체와 GIS건물통합 객체를 비교하여 유사 건물일 경우 AI 건물객체에 GIS 건물통합 UFID를 부여하는 영상판독관리(GIS건물비교) 과정, 제1 공간연산으로 AI판독객체가 국공유지 필지 별로 점유한 면적을 추출하는 국공유지 점유 공간분석(AI공간분석) 과정, 제2 공간연산으로 GIS 건물통합 객체가 국공유지 필지별로 점유한 면적을 추출하는 국공유지 점유 공간분석(GIS건물통합 공간분석) 과정, 부동산종합공부, 건축행정, 새올, 지방세, 세외수입과 연계하고 새올 재산대장(건물) 등록 여부 등에 따라 의심지 제외판단 정보를 수집하는 행정정보연계(행정정보 연계분석) 과정, 국공유지 점유 공간분석의 단계별 결과를 기준으로 의심지 1~6 레벨을 부여하는 행정정보연계(의심지 레벨 부여) 과정이 순차적으로 수행될 수 있다.
(ㄷ)단계에서, 판독 및 분류가 완료된 의심지 대상 정보를 조건별 조회를 통해 확인하고, 의심지 레벨별, 점유면적 규모별 검색하며, AI판독유형별, 지목별, 국공유자 소유권별 조회하는 의심지 조회 과정(S810), 국공유지 관리 담당자별 최종 의심지 확정(현장조사 대상 선정) 및 제외 선택을 처리하고 의심지에 대한 드론영상을 조회하는 의심지 관리 과정(S830), 국공유지 관리 담당자별 확정된 의심지를 관리하고 대상지에 대해 현장조사를 실시한 결과(예를 들어, 현장사진, 현장조사서 등)를 등록하는 의심지 조사 과정(S850), AI 판독유형 통계 3종과 국공유지 점유분석 통계 6종에 대한 통계를 생성하는 통계관리 과정(S870)이 순차적으로 수행될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 토지 관리 시스템
110: 사용자 단말 130: 토지 관리 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 데이터베이스 구축부 330: 영상 획득부
350: 영상 분석부 370: 의심지 관리부
390: 제어부
510: 학습 데이터 520: 정사영상
530: AI 영상 판독 모델 540: 출력영상
610: 정사영상 630: 분할 영상
650: 분할 윈도우 670: 중첩 영역

Claims (8)

  1. 특정 지역에 관한 정사영상을 기초로 AI 영상 판독 모델을 구축하는 데이터베이스 구축부;
    상기 특정 지역에 관한 위성영상, 항공영상 및 드론영상 중 적어도 하나를 감시영상으로 수집하는 영상 획득부;
    상기 감시영상을 상기 AI 영상 판독 모델에 적용하여 토지의 부정사용이 의심되는 적어도 하나의 부정사용 의심지를 결정하는 영상 분석부; 및
    상기 적어도 하나의 부정사용 의심지에 관한 의심지 레벨에 따라 토지 관리를 위한 모니터링을 수행하는 의심지 관리부를 포함하되,
    상기 데이터베이스 구축부는
    상기 특정 지역에 관한 정사영상을 획득하여 복수의 분할 영상들로 분할하는 단계;
    상기 복수의 분할 영상들 각각에 대해 적어도 하나의 식별 객체를 검출하여 라벨 정보를 생성하는 단계;
    상기 적어도 하나의 식별 객체 및 상기 라벨 정보를 학습하여 상기 AI 영상 판독 모델을 구축하는 단계; 및
    상기 AI 영상 판독 모델의 검출율, 정확도 및 평균정확도에 관한 통계적 검증을 수행하는 단계를 통해 동작하고,
    상기 영상 분석부는
    상기 AI 영상 판독 모델이 제공하는 판독 결과를 기초로 제1 공간연산을 통해 국공유지 필지별로 식별 객체의 점유 면적을 추출하는 제1 분석 단계;
    상기 판독 결과를 기초로 제2 공간연산을 통해 국공유지 필지별로 GIS 건물통합 객체의 점유 면적을 추출하는 제2 분석 단계; 및
    상기 판독 결과를 행정정보와 비교하는 제3 분석 단계를 단계적으로 수행하여 상기 적어도 하나의 부정사용 의심지를 결정하고,
    상기 제1 내지 제3 분석 단계별 결과를 기준으로 상기 적어도 하나의 부정사용 의심지에 대해 의심지 레벨을 부여하며,
    상기 의심지 관리부는
    상기 적어도 하나의 부정사용 의심지에 대한 현장조사 및 지적측량을 결정하고 의심지에 관한 점유 면적을 포함하는 해당 현장조사 및 지적측량의 결과를 수신하여 등록하는 것을 특징으로 하는 인공지능을 활용한 공간정보 기반의 토지 관리 장치.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1항에 있어서, 상기 의심지 레벨은
    상기 제1 및 제2 분석 단계의 결과로서 총점유면적 및 점유율에 따라 기 설정된 복수의 제1 의심지 레벨들 중 어느 하나로 결정되고,
    상기 제3 분석 단계의 결과로서 의심지 제외 조건에 해당되는 경우 상기 제1 의심지 레벨과 구분되는 제2 의심지 레벨로 결정되는 것을 특징으로 하는 인공지능을 활용한 공간정보 기반의 토지 관리 장치.
  6. 삭제
  7. 제1항에 있어서, 상기 의심지 관리부는
    상기 적어도 하나의 부정사용 의심지에 대한 AI 판독유형 통계와 국공유지 점유분석통계를 생성하여 제공하는 것을 특징으로 하는 인공지능을 활용한 공간정보 기반의 토지 관리 장치.
  8. 특정 지역에 관한 정사영상을 기초로 AI 영상 판독 모델을 구축하는 단계;
    상기 특정 지역에 관한 위성영상, 항공영상 및 드론영상 중 적어도 하나를 감시영상으로 수집하는 단계;
    상기 감시영상을 상기 AI 영상 판독 모델에 적용하여 토지의 부정사용이 의심되는 적어도 하나의 부정사용 의심지를 결정하는 단계; 및
    상기 적어도 하나의 부정사용 의심지에 관한 의심지 레벨에 따라 토지 관리를 위한 모니터링을 수행하는 단계를 포함하되,
    상기 AI 영상 판독 모델을 구축하는 단계는
    상기 특정 지역에 관한 정사영상을 획득하여 복수의 분할 영상들로 분할하는 단계;
    상기 복수의 분할 영상들 각각에 대해 적어도 하나의 식별 객체를 검출하여 라벨 정보를 생성하는 단계;
    상기 적어도 하나의 식별 객체 및 상기 라벨 정보를 학습하여 상기 AI 영상 판독 모델을 구축하는 단계; 및
    상기 AI 영상 판독 모델의 검출율, 정확도 및 평균정확도에 관한 통계적 검증을 수행하는 단계를 포함하고,
    상기 적어도 하나의 부정사용 의심지를 결정하는 단계는
    상기 AI 영상 판독 모델이 제공하는 판독 결과를 기초로 제1 공간연산을 통해 국공유지 필지별로 식별 객체의 점유 면적을 추출하는 제1 분석 단계;
    상기 판독 결과를 기초로 제2 공간연산을 통해 국공유지 필지별로 GIS 건물통합 객체의 점유 면적을 추출하는 제2 분석 단계; 및
    상기 판독 결과를 행정정보와 비교하는 제3 분석 단계를 단계적으로 수행하여 상기 적어도 하나의 부정사용 의심지를 결정하는 단계를 포함하고,
    상기 제1 내지 제3 분석 단계별 결과를 기준으로 상기 적어도 하나의 부정사용 의심지에 대해 의심지 레벨을 부여하는 단계를 포함하며,
    상기 모니터링을 수행하는 단계는
    상기 적어도 하나의 부정사용 의심지에 대한 현장조사 및 지적측량을 결정하고 의심지에 관한 점유 면적을 포함하는 해당 현장조사 및 지적측량의 결과를 수신하여 등록하는 단계를 포함하는 것을 특징으로 하는 인공지능을 활용한 공간정보 기반의 토지 관리 방법.
KR1020200129478A 2020-10-07 2020-10-07 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법 KR102376912B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200129478A KR102376912B1 (ko) 2020-10-07 2020-10-07 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200129478A KR102376912B1 (ko) 2020-10-07 2020-10-07 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102376912B1 true KR102376912B1 (ko) 2022-03-23

Family

ID=80963402

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200129478A KR102376912B1 (ko) 2020-10-07 2020-10-07 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102376912B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562510A (zh) * 2023-07-11 2023-08-08 国家林业和草原局产业发展规划院 一种野外调查面积测定方法、系统、终端及存储介质
CN116681313A (zh) * 2023-08-02 2023-09-01 菏泽市国土综合整治服务中心 一种土地综合整治项目监管系统
CN116703681A (zh) * 2023-07-25 2023-09-05 南京智绘星图信息科技有限公司 一种基于数据分析的土地使用管控系统
CN116957883A (zh) * 2023-07-25 2023-10-27 南京智绘星图信息科技有限公司 一种基于数据分析的建设用地用途管制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101150348B1 (ko) 2011-12-09 2012-06-08 중앙항업(주) 지상기준점 측량을 연계한 지하시설물 및 정사영상 제작과 항공라이다 측량 데이터 처리에 활용 가능한 통합 ｕｆｉｄ가 부여된 수치지형도의 제작방법
KR101797006B1 (ko) * 2017-04-27 2017-11-13 한국자산관리공사 드론을 이용한 토지 조사 시스템 및 방법
KR102053582B1 (ko) * 2019-05-28 2019-12-06 (주) 지오아이티 딥러닝 기반 영상패턴학습을 이용한 토지피복 분류 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101150348B1 (ko) 2011-12-09 2012-06-08 중앙항업(주) 지상기준점 측량을 연계한 지하시설물 및 정사영상 제작과 항공라이다 측량 데이터 처리에 활용 가능한 통합 ｕｆｉｄ가 부여된 수치지형도의 제작방법
KR101797006B1 (ko) * 2017-04-27 2017-11-13 한국자산관리공사 드론을 이용한 토지 조사 시스템 및 방법
KR102053582B1 (ko) * 2019-05-28 2019-12-06 (주) 지오아이티 딥러닝 기반 영상패턴학습을 이용한 토지피복 분류 방법

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562510A (zh) * 2023-07-11 2023-08-08 国家林业和草原局产业发展规划院 一种野外调查面积测定方法、系统、终端及存储介质
CN116703681A (zh) * 2023-07-25 2023-09-05 南京智绘星图信息科技有限公司 一种基于数据分析的土地使用管控系统
CN116957883A (zh) * 2023-07-25 2023-10-27 南京智绘星图信息科技有限公司 一种基于数据分析的建设用地用途管制方法
CN116703681B (zh) * 2023-07-25 2024-02-20 南京智绘星图信息科技有限公司 一种基于数据分析的土地使用管控系统
CN116957883B (zh) * 2023-07-25 2024-04-05 南京智绘星图信息科技有限公司 一种基于数据分析的建设用地用途管制方法
CN116681313A (zh) * 2023-08-02 2023-09-01 菏泽市国土综合整治服务中心 一种土地综合整治项目监管系统
CN116681313B (zh) * 2023-08-02 2023-10-10 菏泽市国土综合整治服务中心 一种土地综合整治项目监管系统

Similar Documents

Publication Publication Date Title
KR102376912B1 (ko) 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법
Hara et al. Tohme: detecting curb ramps in google street view using crowdsourcing, computer vision, and machine learning
Wang et al. Machine learning-based regional scale intelligent modeling of building information for natural hazard risk management
KR102024695B1 (ko) 감시카메라 배치 모델링 시스템 및 방법
CN110807385A (zh) 目标检测方法、装置、电子设备及存储介质
Ehrlich et al. Extracting building stock information from optical satellite imagery for mapping earthquake exposure and its vulnerability
Hou et al. Detecting structural components of building engineering based on deep-learning method
CN109961458B (zh) 目标对象的追踪方法、装置及计算机可读存储介质
US8855427B2 (en) Systems and methods for efficiently and accurately detecting changes in spatial feature data
Nyaruhuma et al. Verification of 2D building outlines using oblique airborne images
Yeum et al. Postevent reconnaissance image documentation using automated classification
Chen et al. Automatic concrete defect detection and reconstruction by aligning aerial images onto semantic‐rich building information model
CN113033516A (zh) 对象识别统计方法及装置、电子设备、存储介质
Mast et al. Mapping urban villages using fully convolutional neural networks
Chen et al. Uvlens: urban village boundary identification and population estimation leveraging open government data
Hoffmann et al. Using social media images for building function classification
Chen et al. Classification of soft-story buildings using deep learning with density features extracted from 3D point clouds
WO2023141192A1 (en) System and method for object analysis
Gueguen et al. Mapping human settlements and population at country scale from VHR images
San Blas et al. A platform for swimming pool detection and legal verification using a multi-agent system and remote image sensing
Mallinis et al. Development of a nationwide approach for large scale estimation of green roof retrofitting areas and roof-top solar energy potential using VHR natural colour orthoimagery and DSM data over Thessaloniki, Greece
KR102376921B1 (ko) 토지현황 분석을 위한 데이터베이스 구축 장치 및 방법
US8755606B2 (en) Systems and methods for efficient feature extraction accuracy using imperfect extractors
JP6434834B2 (ja) 検査対象物抽出装置、及び検査対象物抽出方法
Zhang et al. Deep-learning generation of POI data with scene images

Legal Events

Date Code Title Description
GRNT Written decision to grant