KR102447678B1 - 드론 및 인공지능을 이용하는 식물 관리 방법 - Google Patents

드론 및 인공지능을 이용하는 식물 관리 방법 Download PDF

Info

Publication number
KR102447678B1
KR102447678B1 KR1020220059274A KR20220059274A KR102447678B1 KR 102447678 B1 KR102447678 B1 KR 102447678B1 KR 1020220059274 A KR1020220059274 A KR 1020220059274A KR 20220059274 A KR20220059274 A KR 20220059274A KR 102447678 B1 KR102447678 B1 KR 102447678B1
Authority
KR
South Korea
Prior art keywords
image
plant
pest
management
managed
Prior art date
Application number
KR1020220059274A
Other languages
English (en)
Inventor
이대권
Original Assignee
이대권
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 이대권 filed Critical 이대권
Priority to KR1020220059274A priority Critical patent/KR102447678B1/ko
Application granted granted Critical
Publication of KR102447678B1 publication Critical patent/KR102447678B1/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—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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • 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
    • 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
    • B64C2201/127—
    • 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
    • G06T2207/20081—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]
    • 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
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mining & Mineral Resources (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Sampling And Sample Adjustment (AREA)

Abstract

드론 및 인공지능을 이용하여 식물의 병충해를 검출할 수 있는 식물 관리 방법이 개시된다. 개시된 드론 및 인공지능을 이용하는 식물 관리 방법은 미리 설정된 관리 지역을 비행하는 드론에 의해 촬영된, 관리 식물에 대한 제1이미지를 획득하는 단계; 훈련 데이터를 통해 미리 학습된 병충해 검출 모델 및 상기 제1이미지를 이용하여, 상기 관리 식물의 병충해를 검출하는 단계; 상기 제1이미지를 통해 생성된, 상기 관리 지역에 대한 이미지 맵에, 상기 제1이미지의 촬영 위치를 이용하여, 상기 병충해가 검출된 병충해 식물을 표시하는 단계를 포함하며, 상기 훈련 데이터는, 상기 관리 식물의 병충해 이미지 및 상기 병충해 이미지에 대한 병충해 종류 데이터를 포함한다.

Description

드론 및 인공지능을 이용하는 식물 관리 방법{DRONE FOR MEASURING ATMOSPHERE ENVIRONMENT}
본 발명은 식물 관리 방법에 관한 것으로서, 더욱 상세하게는 드론 및 인공지능을 이용하여 식물을 관리하는 방법에 관한 것이다.
식물에 병충해가 발생할 경우, 병충해의 전파 속도가 매우 빠르며, 병충해를 치료하기 어렵기 때문에, 병충해를 조기에 발견하고 식물을 관리하는 것이 중요하다.
하지만, 관리 대상의 식물이 자라고 있는 면적이 매우 넓을 경우, 병충해를 조기에 발견하는 것이 쉽지 않으며, 설사 병충해 의심 증상이 조기에 발견된다고 하더라도 병충해로 판단하기 쉽지 않다.
이에 식물 관리의 효율성을 높이기 위해 드론과 인공지능 기반의 식물 관리 방법이 개발되고 있다.
관련 선행문헌으로 대한민국 공개특허 제2022-0011878호, 대한민국 등록특허 제10-1933657호, 제10-2376921호가 있다.
본 발명은 드론 및 인공지능을 이용하여 식물의 병충해를 검출할 수 있는 식물 관리 방법을 제공하기 위한 것이다.
상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 미리 설정된 관리 지역을 비행하는 드론에 의해 촬영된, 관리 식물에 대한 제1이미지를 획득하는 단계; 훈련 데이터를 통해 미리 학습된 병충해 검출 모델에 상기 제1이미지를 입력하여, 상기 관리 식물의 병충해를 검출하는 단계; 상기 제1이미지를 통해 생성된, 상기 관리 지역에 대한 이미지 맵에, 상기 제1이미지의 촬영 위치를 이용하여, 상기 병충해가 검출된 병충해 식물을 표시하는 단계를 포함하며, 상기 병충해 검출 모델은 상기 제1이미지로부터 특징값을 생성하여, 상기 관리 식물의 병충해를 검출하며, 상기 훈련 데이터는, 상기 관리 식물의 병충해 이미지 및 상기 병충해 이미지에 대한 병충해 종류 데이터를 포함하는 드론 및 인공지능을 이용하는 식물 관리 방법이 제공된다.
또한 상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 상기 식물의 병충해를 검출하는 단계는 상기 관리 식물 중 상기 병충해 식물에 대한 제2이미지를 이용하여, 상기 병충해 식물의 병충해를 재검출하며, 상기 제2이미지는, 상기 제1이미지보다 상기 드론이 상기 병충해 식물에 근접하여 촬영한 이미지일 수 있다.
또한 상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 상기 관리 지역에 대한 이미지 맵을 생성하는 단계는 상기 관리 식물의 종류에 따라, 상기 제1이미지의 중첩도를 조절하여, 상기 이미지 맵을 생성할 수 있다.
또한 상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 상기 병충해 식물을 표시하는 단계는 높이가 제1임계 높이보다 큰 관리 식물에 대한 제1이미지의 중첩도보다, 높이가 상기 제1임계 높이보다 작은 관리 식물에 대한 제1이미지의 중첩도를 감소시켜, 상기 이미지 맵을 생성할 수 있다.
또한 상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 상기 관리 식물에 설정된 관리 중요 레벨은 제1 및 제2레벨을 포함하며, 상기 제1임계 높이는 상기 관리 식물 중 나무에 대한 관리 중요 레벨이 상기 제1레벨인 경우 증가하며, 상기 관리 식물 중 잔디에 대한 관리 중요 레벨이 상기 제2레벨인 경우 감소할 수 있다.
또한 상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 상기 제1이미지의 촬영 방향은 상기 관리 식물의 종류에 따라 결정될 수 있다.
또한 상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 높이가 제2임계 높이보다 작은 관리 식물에 대한 상기 제1이미지의 촬영 방향은, 지표면에 수직한 방향이며, 높이가 상기 제2임계 높이보다 큰 관리 식물에 대한 상기 제1이미지의 촬영 방향은, 상기 지표면에 수직한 방향 및 상기 지표면으로부터 기울어진 방향을 포함할 수 있다.
또한 상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 상기 관리 식물에 설정된 관리 중요 레벨은 제1 및 제2레벨을 포함하며, 상기 제2임계 높이는 상기 관리 식물 중 나무에 대한 관리 중요 레벨이 상기 제1레벨인 경우 증가하며, 상기 관리 식물 중 잔디에 대한 관리 중요 레벨이 상기 제2레벨인 경우 감소할 수 있다.
본 발명의 일실시예에 따르면, 드론에 의해 촬영된 이미지와 인공 지능을 이용하여, 관리 식물의 병충해 검출 정확도가 높아질 수 있다.
또한 본 발명의 일실시예에 따르면 관리 식물의 종류에 따라 촬영 방향이나 촬영 고도를 조절하여, 관리 식물에 대한 이미지를 획득함으로써, 병충해 검출 정확도가 높아질 수 있다.
또한 본 발명의 일실시예에 따르면, 관리 식물의 종류에 따라 관리 식물에 대한 이미지의 중첩도를 조절하여 이미지 맵을 생성함으로써, 이미지 맵에 소요되는 시간과 비용이 감소될 수 있다.
도 1은 본 발명의 일실시예에 따른 식물 관리 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 일실시예에 따른 드론 및 인공지능을 이용하는 식물 관리 방법을 설명하기 위한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 식물 관리 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 식물 관리 시스템은, 드론(110) 및 식물 관리 장치(120)를 포함한다.
드론(110)은 미리 설정된 관리 지역을 비행하며, 관리 지역에서 자라고 있는 관리 식물을 촬영하기 위한 카메라를 포함한다. 관리 식물은 관리 지역에 포함된 식물 전체 또는 일부일 수 있다.
드론(110)은 미리 설정된 고도로 비행하며, 카메라를 이용하여 관리 식물에 대한 이미지를 생성한다. 드론은 미리 설정된 촬영 간격으로, 촬영을 진행하며 관리 식물에 대한 이미지를 생성할 수 있으며, 이미지 별로 촬영 지점이 할당될 수 있다.
본 발명의 일실시예는 관리 식물에 대한 이미지를 이용하여 관리 식물의 병충해를 검출하기 때문에, 병충해 검출의 정확성을 높이기 위해 드론(110)은 촬영 고도나 카메라의 촬영 방향을 조절하며, 관리 식물에 대한 이미지를 생성할 수 있다.
예컨대, 드론(110)은 식물의 높이에 따라서 촬영 고도를 조절할 수 있다. 드론(110)은, 높이가 작은 잔디나 나무에 대한 이미지를 획득하기 위해 촬영 고도를 낮추고, 높이가 큰 나무에 대한 이미지를 획득하기 위해 촬영 고도를 높일 수 있다.
또한 드론(110)은 제1촬영 고도 범위에서 이미지를 생성하다가, 관리 식물에 대한 보다 자세한 이미지를 획득하기 위해 제1촬영 고도 범위보다 낮은 촬영 고도를 포함하는 제2촬영 고도 범위로 촬영 고도를 조절할 수 있다. 제1 및 제2촬영 고도 범위는, 관리 식물 별로 설정될 수 있다.
그리고 드론(110)은 관리 식물의 위에서 지표면에 수직한 방향으로 촬영을 진행하며 관리 식물에 대한 이미지를 생성하는데, 잎이 우거지고 높이가 큰 나무에 대해, 드론(110)이 나무 위에서 지표면에 수직한 방향으로 촬영을 진행할 경우, 나무의 측면으로 자란 잎에 대한 이미지는 획득되기 어렵다. 따라서 드론(110)은 이러한 상황에서는, 지표면에 수직한 방향 뿐만 아니라 지표면에 대해 미리 설정된 각도만큼 기울어진 방향으로 촬영을 진행하여, 관리 식물의 상부 이미지 뿐만 아니라 측면 이미지를 생성할 수 있다. 드론(110)은, 드론(110)에 장착된 카메라를 회전시켜, 관리 식물의 측면에 대한 이미지를 생성할 수 있다.
식물 관리 장치(120)는 드론(110)에서 생성된 이미지를 이용하여, 관리 식물의 병충해를 검출한다. 드론(110)에서 생성된 이미지는 통신망을 통해 식물 관리 장치(120)로 전송되거나 또는 드론(110)에 저장된 이후 드론의 비행이 종료되면, 식물 관리 장치(120)로 제공될 수 있다.
식물 관리 장치(120)는 미리 학습된 인공지능 모델인 병충해 검출 모델을 이용하여, 관리 식물의 병충해 유무 및 병충해 종류를 검출할 수 있다.
병충해 검출 모델은 일예로서, CNN(Convolution Neural Network) 기반의 인공 신경망일 수 있다. 드론(110)에서 생성된 이미지는 컨벌루션 네트워크로 입력되며, 컨벌루션 네트워크는 입력된 이미지에 대한 특징값을 생성한다. 그리고 특징값은 완전 연결된 신경망으로 입력되며, 완전 연결된 신경망은 관리 식물의 병충해 종류를 출력할 수 있다.
병충해 검출 모델의 학습에 이용되는 훈련 데이터는, 관리 식물의 병충해 이미지 및 병충해 이미지에 대한 병충해 종류 데이터를 포함할 수 있다. 병충해 종류 데이터는, 병충해 이미지에 대한 정답값으로 라벨링된다. 따라서, 병충해 검출 모델은, 학습에 이용된 병충해 이미지와 유사한 관리 식물의 이미지가 입력되는 경우, 병충해 이미지에 라벨링된 병충해 종류를, 관리 식물에 대한 병충해 종류로 출력할 수 있다.
또한 식물 관리 장치(120)는 드론이 다양한 촬영 높이에서 관리 식물에 대한 이미지를 생성한다는 점을 고려하여, 일실시예로서, 복수개의 병충해 검출 모델을 이용해 관리 식물의 병충해를 검출할 수 있다. 제1병충해 검출 모델은 드론의 제1촬영 고도 범위에서 촬영된 병충해 이미지를 통해 학습된 모델이며, 제2병충해 검출 모델은 드론의 제2촬영 고도 범위에서 촬영된 병충해 이미지를 통해 학습된 모델일 수 있다. 식물 관리 장치(120)는 드론(110)이 제1 또는 제2촬영 고도 범위에서 촬영을 수행하도록, 드론(110)으로 제어 신호를 전송할 수 있다.
식물 관리 장치(120)는 드론(110)에서 촬영된 이미지를 이용하여 관리 지역에 대한 이미지 맵, 즉 정사영상을 생성하고, 이미지 맵에 병충해가 검출된 병충해 식물을 표시할 수 있다. 즉, 이미지 맵은, 일종의 항공 사진 맵으로서, 드론에서 촬영된 이미지로 표현되며, 미리 제작된 관리 지역 맵에 매핑될 수 있다. 이미지 맵은 2D 또는 3D 형태일 수 있다.
또한 식물 관리 장치(120)는 드론(110)에서 촬영된 이미지에 대한 위치 정보를 보정하여, 이미지 맵을 생성할 수 있으며, 이미지 맵에 관리 식물에 대한 식생지수를 표시할 수 있다. 식생지수 생성을 위해 드론은 RGB 카메라 뿐만 아니라 적외선 카메라를 포함할 수 있으며, 식물 관리 장치(120)는 RGB 영상과 적외선 영상을 이용하여, 일예로서 정규화식생지수(NVDI)를 계산할 수 있다.
관리자는 이미지 맵에서 병충해 식물이 존재하는 지역을 확인하고, 병충해 식물이 존재하는 지역에 대해 집중적으로 방제 작업을 수행하거나, 식생지수에 따라 관리 식물을 관리할 수 있다.
본 발명의 일실시예에 따르면 관리 식물의 종류에 따라 촬영 방향이나 촬영 고도를 조절하여, 관리 식물에 대한 이미지를 획득함으로써, 병충해 검출 정확도가 높아질 수 있다.
도 2는 본 발명의 일실시예에 따른 드론 및 인공지능을 이용하는 식물 관리 방법을 설명하기 위한 도면이다.
본 발명의 일실시예에 따른 드론 및 인공지능을 이용하는 식물 관리 방법은 프로세서 및 메모리를 포함하는 컴퓨팅 장치에서 수행될 수 있으며, 전술된 식물 관리 장치는 컴퓨팅 장치의 일예이다.
도 2를 참조하면 본 발명의 일실시예에 따른 컴퓨팅 장치는 미리 설정된 관리 지역을 비행하는 드론에 의해 촬영된, 관리 식물에 대한 제1이미지를 획득(S210)한다. 이 때, 드론에 의해 생성된 제1이미지의 촬영 방향 즉, 드론이 관리 식물을 촬영하는 방향은 관리 식물의 종류에 따라서 결정될 수 있다. 다시 말해, 관리 식물의 종류에 따라서 제1이미지의 촬영 방향은 달라질 수 있다. 드론은 미리 설정된 비행 경로 또는 관리자의 제어에 따라 비행하며, 드론의 현재 위치에 존재하는 관리 식물의 종류를 관리자에게 제공받을 수 있다.
일실시예로서, 잔디와 같이, 높이가 제1임계 높이보다 작은 관리 식물에 대한 제1이미지의 촬영 방향은, 지표면에 수직한 방향이며, 소나무와 같이 높이가 제1임계 높이보다 큰 관리 식물에 대한 제1이미지의 촬영 방향은, 지표면에 수직한 방향 및 지표면으로부터 기울어진 방향을 포함한다. 다시 말해, 드론은 높이가 작은 관리 식물에 대해서는 지표면에 수직한 방향으로 촬영을 수행하며, 높이가 큰 관리 식물에 대해서는 지표면에 수직한 방향 뿐만 아니라, 지표면에 대해 미리 설정된 각도만큼 기울어진 방향으로 촬영을 수행한다.
그리고 컴퓨팅 장치는 훈련 데이터를 통해 미리 학습된 병충해 검출 모델 및 제1이미지를 이용하여, 관리 식물의 병충해를 검출(S220)한다. 제1이미지는 병충해 검출 모델로 입력되며, 병충해 검출 모델은 제1이미지로부터 특징값을 추출하여, 관리 식물의 병충해 유무 및 병충해 종류를 출력할 수 있다.
단계 S220에서 컴퓨팅 장치는 병충해가 검출된 경우, 관리 식물 중에서 병충해가 검출된 병충해 식물에 대한 제2이미지를 이용하여 병충해 식물의 병충해를 재검출할 수 있다. 여기서 제2이미지는 제1이미지보다 드론이 병충해 식물에 근접하여 촬영한 이미지에 대응된다. 다시 말해 제2이미지는 제1이미지보다 병충해 식물 가까이서 촬영된 이미지에 대응되며, 컴퓨팅 장치는 보다 정확하게 병충해를 검출하기 위해, 제2이미지를 이용한다.
이 때, 컴퓨팅 장치는 제1이미지로부터 병충해를 검출하기 위해, 제1병충해 검출 모델을 이용할 수 있으며, 제2이미지로부터 병충해를 검출하기 위해, 제2병충해 검출 모델을 이용할 수 있다. 제1이미지는 제1촬영 고도 범위에서 촬영된 이미지이며, 제2이미지는 제2촬영 고도 범위에서 촬영된 이미지에 대응될 수 있다.
본 발명의 일실시예에 따른 컴퓨팅 장치는 관리 지역에 대한 이미지 맵에, 제1이미지의 촬영 위치를 이용하여, 병충해 식물을 표시(S230)한다. 즉, 병충해 식물에 대한 제1이미지의 촬영 위치에 대응되는 이미지 맵 상의 위치에, 병충해 식물이 표시된다. 그리고 병충해 식물과 함께 검출된 병충해 종류도 표시될 수 있다.
이미지 맵은 제1이미지를 통해서 생성될 수 있으며, 컴퓨팅 장치는 제1이미지들을 중첩하여 이미지 맵을 생성할 수 있다. 이 때, 컴퓨팅 장치는 관리 식물의 종류에 따라, 제1이미지의 중첩도를 조절하여, 이미지 맵을 생성할 수 있다. 여기서 중첩도란 이미지의 전체 면적에서 다른 이미지가 중첩되는 비율을 나타낸다. 드론은 동일한 사이즈의 제1이미지들을 생성하며, 제1이미지들은 서로 중첩됨으로써, 이미지 맵이 생성된다.
컴퓨팅 장치는 나무와 같이 높이가 제2임계 높이보다 큰 관리 식물보다, 잔디와 같이, 높이가 제2임계 높이보다 작은 관리 식물에 대한 제1이미지의 중첩도를 감소시켜, 이미지 맵을 생성한다. 즉, 높이가 작은 관리 식물에 대한 제1이미지의 중첩도보다, 높이가 큰 관리 식물에 대한 제1이미지의 중첩도가 보다 높다.
이미지의 중첩도가 감소된다는 것은, 동일 면적에 대한 이미지 맵이 생성될 때 보다 적은 이미지가 필요한 것이므로, 본 발명의 일실시예에 따르면 이미지 맵의 생성에 소요 시간과 비용이 감소될 수 있다.
여기서, 제2임계 높이는 실시예에 따라서, 제1임계 높이와 동일한 임계 높이기거나 서로 다른 임계 높이일 수 있다. 또한 제1 또는 제2임계 높이는 관리 식물에 설정된 관리 중요 레벨에 따라 결정될 수 있다. 일실시예로서, 관리 식물의 관리 중요 레벨은 제1 및 제2레벨을 포함할 수 있으며, 제2레벨의 관리 식물은 제1레벨의 관리 식물보다 관리 중요도가 높은 식물에 대응된다.
관리 지역에 포함된 관리 식물 중 나무와 같이 높이가 큰 관리 식물의 관리 중요 레벨이 제1레벨이고, 잔디와 같이 높이가 작은 관리 식물의 관리 중요 레벨이 제2레벨인 경우, 제1 또는 제2임계 높이는 증가할 수 있다. 높이가 큰 관리 식물의 관리 중요성이 상대적으로 적은 경우, 제1 또는 제2임계 높이를 증가시킴으로써, 드론에서 생성되는 이미지의 개수가 줄어들 수 있으며, 상대적으로 낮은 중첩도로 중첩되는 이미지가 증가함으로써, 이미지 맵의 생성에 소요 시간과 비용이 더욱 줄어들 수 있다.
반대로 높이가 큰 관리 식물의 관리 중요 레벨이 제2레벨이고, 잔디와 같이 높이가 낮은 관리 식물의 관리 중요 레벨이 제1레벨인 경우, 제1 및 제2임계 높이는 감소할 수 있다. 높이가 큰 관리 식물의 관리 중요성이 상대적으로 높은 경우, 제1 또는 제2임계 높이를 감소시킴으로써, 다양한 촬영 방향에서 관리 식물에 대한 이미지가 생성되고, 병충해 검출 정확도가 높아질 수 있으며, 상대적으로 높은 중첩도로 중첩되는 이미지가 증가함으로서, 이미지 맵의 정확도 또한 높아질 수 있다.
앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (8)

  1. 컴퓨팅 장치에서 수행되는, 드론 및 인공지능을 이용하는 식물 관리 방법에 있어서,
    미리 설정된 관리 지역을 비행하는 드론에 의해 촬영된, 관리 식물에 대한 제1이미지를 획득하는 단계;
    훈련 데이터를 통해 미리 학습된 병충해 검출 모델에 상기 제1이미지를 입력하여, 상기 관리 식물의 병충해를 검출하는 단계; 및
    상기 제1이미지를 통해 생성된, 상기 관리 지역에 대한 이미지 맵에, 상기 제1이미지의 촬영 위치를 이용하여, 상기 병충해가 검출된 병충해 식물을 표시하는 단계를 포함하며,
    상기 병충해 검출 모델은, 상기 제1이미지로부터 특징값을 생성하여, 상기 관리 식물의 병충해를 검출하는 모델이며,
    상기 훈련 데이터는, 상기 관리 식물의 병충해 이미지 및 상기 병충해 이미지에 대한 병충해 종류 데이터를 포함하며,
    상기 병충해 식물을 표시하는 단계는
    상기 제1이미지를 중첩하여 상기 이미지 맵을 생성하되, 상기 관리 식물의 종류에 따라, 상기 제1이미지의 중첩도를 조절하여 상기 이미지 맵을 생성하며, 높이가 제1임계 높이보다 큰 관리 식물에 대한 제1이미지의 중첩도보다, 높이가 상기 제1임계 높이보다 작은 관리 식물에 대한 제1이미지의 중첩도를 감소시켜, 상기 이미지 맵을 생성하며,
    상기 제1임계 높이는, 상기 관리 식물 중 나무에 대한 관리 중요 레벨이 제1레벨인 경우 증가하며, 상기 관리 식물 중 나무에 대한 관리 중요 레벨이 제2레벨인 경우 감소하며,
    상기 중첩도는, 이미지의 중첩 비율을 나타내며,
    관리 중요도를 나타내는 상기 관리 중요 레벨은, 상기 제1레벨 및 상기 제1레벨보다 상기 관리 중요도가 높은 상기 제2레벨을 포함하는,
    드론 및 인공지능을 이용하는 식물 관리 방법.
  2. 제 1항에 있어서,
    상기 식물의 병충해를 검출하는 단계는
    상기 관리 식물 중 상기 병충해 식물에 대한 제2이미지를 이용하여, 상기 병충해 식물의 병충해를 재검출하며,
    상기 제2이미지는, 상기 제1이미지보다 상기 드론이 상기 병충해 식물에 근접하여 촬영한 이미지인
    드론 및 인공지능을 이용하는 식물 관리 방법.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제 1항에 있어서,
    상기 제1이미지의 촬영 방향은
    상기 관리 식물의 종류에 따라 결정되는
    드론 및 인공지능을 이용하는 식물 관리 방법.
  7. 제 6항에 있어서,
    높이가 제2임계 높이보다 작은 관리 식물에 대한 상기 제1이미지의 촬영 방향은,
    지표면에 수직한 방향이며,
    높이가 상기 제2임계 높이보다 큰 관리 식물에 대한 상기 제1이미지의 촬영 방향은,
    상기 지표면에 수직한 방향 및 상기 지표면으로부터 기울어진 방향을 포함하는
    드론 및 인공지능을 이용하는 식물 관리 방법.
  8. 제 7항에 있어서,
    상기 제2임계 높이는
    상기 관리 식물 중 나무에 대한 관리 중요 레벨이 상기 제1레벨인 경우 증가하며, 상기 관리 식물 중 잔디에 대한 관리 중요 레벨이 상기 제1레벨인 경우 감소하는
    드론 및 인공지능을 이용하는 식물 관리 방법.
KR1020220059274A 2022-05-16 2022-05-16 드론 및 인공지능을 이용하는 식물 관리 방법 KR102447678B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220059274A KR102447678B1 (ko) 2022-05-16 2022-05-16 드론 및 인공지능을 이용하는 식물 관리 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220059274A KR102447678B1 (ko) 2022-05-16 2022-05-16 드론 및 인공지능을 이용하는 식물 관리 방법

Publications (1)

Publication Number Publication Date
KR102447678B1 true KR102447678B1 (ko) 2022-09-26

Family

ID=83452683

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220059274A KR102447678B1 (ko) 2022-05-16 2022-05-16 드론 및 인공지능을 이용하는 식물 관리 방법

Country Status (1)

Country Link
KR (1) KR102447678B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200007165A (ko) * 2018-07-12 2020-01-22 한국건설기술연구원 무인비행체에 탑재된 비전센서를 활용한 포트홀 탐지 시스템 및 그 방법
KR102187654B1 (ko) * 2020-07-09 2020-12-07 주식회사 이노드 저고도 무인 비행체 및 이를 포함하는 작물 재배 정보 획득 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200007165A (ko) * 2018-07-12 2020-01-22 한국건설기술연구원 무인비행체에 탑재된 비전센서를 활용한 포트홀 탐지 시스템 및 그 방법
KR102187654B1 (ko) * 2020-07-09 2020-12-07 주식회사 이노드 저고도 무인 비행체 및 이를 포함하는 작물 재배 정보 획득 시스템

Similar Documents

Publication Publication Date Title
CN111507166B (zh) 通过一起使用照相机和雷达来学习cnn的方法及装置
EP3805981A1 (en) Method and apparatus for planning operation in target region, storage medium, and processor
Liu et al. Estimating wheat green area index from ground-based LiDAR measurement using a 3D canopy structure model
WO2020103108A1 (zh) 一种语义生成方法、设备、飞行器及存储介质
KR102260372B1 (ko) 토공현장의 디지털맵 생성을 위한 드론 기반 지상기준점 배치 자동화 방법
WO2020103109A1 (zh) 一种地图生成方法、设备、飞行器及存储介质
CN111225855A (zh) 无人机
US11853080B2 (en) Spray operation method and device for unmanned aerial vehicle
EP3686837B1 (en) Learning method and learning device for reducing distortion occurred in warped image generated in process of stabilizing jittered image by using gan to enhance fault tolerance and fluctuation robustness in extreme situations
BR102021016489A2 (pt) Máquina agrícola, e, método para controlar uma máquina agrícola
US11769225B2 (en) Image processing apparatus, image processing method, and program
KR102242366B1 (ko) 토공현장의 디지털맵 생성을 위한 드론 기반 지상기준점 배치 자동화 장치
KR101778209B1 (ko) 다각형의 자동 생성 수치지도 정보를 이용한 수치지도 제작 시스템
KR102261087B1 (ko) 영상기반 감시 장치 및 그 동작방법
BR102021020993A2 (pt) Máquina agrícola, e, método para controlar uma máquina agríola
KR102447678B1 (ko) 드론 및 인공지능을 이용하는 식물 관리 방법
WO2021051268A1 (zh) 基于机器视觉的树木种类识别方法及装置
CN117193347B (zh) 无人机飞行高度控制方法、装置、电子设备及存储介质
De Silva et al. Deep learning‐based crop row detection for infield navigation of agri‐robots
JP2020021368A (ja) 画像解析システム、画像解析方法及び画像解析プログラム
JP7028336B2 (ja) 学習装置、学習方法および学習プログラム
KR102632056B1 (ko) 무인항공기 영상과 다양한 머신러닝을 활용한 야적퇴비 탐지 방법 및 장치
Avery A Feasibility Study on the Use of Manual Unmanned Aerial Vehicles for Topographical Surveys
KR102632963B1 (ko) 빅데이터 기반 인공지능(ai)을 이용한 농경지 속성변화 예측 모델 생성 장치 및 농경지 속성변화 예측 장치
JP7375064B2 (ja) ドローン映像を活用した航空地図のアップデート方法およびシステム

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant