KR102517513B1

KR102517513B1 - 인공지능 기반 수목 데이터 관리 시스템 및 수목 데이터 관리 방법

Info

Publication number: KR102517513B1
Application number: KR1020200082402A
Authority: KR
Inventors: 임원택; 최광훈; 고동욱
Original assignee: 국민대학교산학협력단
Priority date: 2020-07-03
Filing date: 2020-07-03
Publication date: 2023-04-03
Also published as: KR20220004491A

Abstract

본 발명의 일 실시 예에 따른 수목 데이터 관리 시스템 및 이를 이용한 수목 데이터 관리 방법은, 인공지능 기술을 이용하여 수목이 촬영된 이미지를 이용하여 수목 정보를 포함하는 데이터를 추출하고, 추출된 수목 데이터를 관리할 수 있도록 한다.

Description

인공지능 기반 수목 데이터 관리 시스템 및 수목 데이터 관리 방법{ARTIFICIAL INTELLIGENCE BASED TREE DATA MANAGEMENT SYSTEM AND TREE DATA MANAGEMENT METHOD}

본 발명은 인공지능 기반 수목 데이터 관리 시스템 및 이를 이용한 수목 데이터 관리 방법에 관한 것으로, 보다 상세하게는 수목이 촬영된 이미지를 이용하여 수목의 종류 및 수목의 구조 정보를 포함하는 데이터를 추출하고, 추출된 수목 데이터를 관리할 수 있는 수목 데이터 관리 시스템 및 이를 이용한 수목 데이터 관리 방법에 관한 것이다.

이하에서 기술되는 내용은 본 발명의 실시 예와 관련되는 배경 정보를 제공할 목적으로 기재된 것일 뿐이고, 기술되는 내용들이 당연하게 종래기술을 구성하는 것은 아니다.

일반적으로 도심에 설치되어 있는 수목은 수목에 각 수목의 고유 인식 번호가 인쇄된 표찰을 부착하여 관리하고 있다. 하지만 표찰이 수목 표면에 부착되어 있어 통행인에 의한 인위적 훼손되거나, 사고 등에 의해 파손되어 관리가 어려워지는 등의 문제가 있다.

또한, 일반적으로 수목 관리는 수목 관리자가 수작업으로 진행하고 있다. 구체적으로 시간 경과에 따른 수목의 물리적 구조(예: 수고, 흉고직경 측정 등) 변화를 측정하기 위해서 수목 관리자가 현장에서 수목의 물리적 구조를 측정해야 한다. 따라서, 이를 위한 인력과 비용 손실에 대한 문제점이 발생하고 있다.

즉, 수목에 대한 정보를 수작업으로 진행하기 때문에 시간 소요가 많으며, 수목에 대한 정보 수집 및 수집된 정보를 갱신하는 작업이 어렵다는 문제점이 있다.

더욱이, 개별 수목을 일일이 조사하고 측정하는 것은 많은 인력을 요구하고 비용이 많이 소요될 뿐 아니라 조사자에 따른 조사 오류나 누락이 발생하여 효율적인 도시숲 및 가로수 관리의 저해 요인이 되는 문제점이 있다.

따라서, 도심에 설치된 수목의 적절하고 용이한 관리를 위하여 수목에 대한 정보 수집이 필요한 실정이다.

한편, 전술한 선행기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

대한민국 등록특허 제10-0874346호 (2008.12.16.)

본 발명의 일 과제는, 인공지능 기술 또는 영상 처리 기술을 이용하여 도심에 설치된 수목의 수목 정보 수집을 용이하게 하는 수목 데이터 관리 시스템 및 이를 이용한 수목 데이터 관리 방법을 제공할 수 있도록 한다.

또한, 본 발명의 다른 과제는 수목 관리를 위한 수종 판단, 수목의 물리적 구조 등을 수목이 설치된 현장 이외에서도 수목 이미지에 기초하여 측정할 수 있도록 하는 수목 데이터 관리 시스템 및 이를 이용한 수목 데이터 관리 방법을 제공할 수 있도록 한다.

또한, 본 발명의 다른 과제는 인력 및 비용을 저감하여 수목을 보다 효율적으로 관리할 수 있는 수목 데이터 관리 시스템 및 이를 이용한 수목 데이터 관리 방법을 제공할 수 있도록 한다.

본 발명의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.

본 발명의 실시 예에 따른 수목 데이터 관리 방법은, 적어도 하나의 촬영 장치를 이용하여 획득된 적어도 하나의 수목 이미지를 수신하면, 객체 인식 알고리즘을 이용하여 수목 이미지로부터 수목의 종류를 분류하고, 거리 추정 알고리즘을 이용하여 수목 이미지로부터 수목의 구조를 파악한 뒤, 수목의 종류 및 수목의 구조를 기초로 수목 인벤토리를 작성하는 과정으로 이루어질 수 있다.

이러한 수목 데이터 관리 방법에 의하여 인공지능 기술을 이용하여 도심에 설치된 수목의 적절한 관리를 위한 수목 정보 수집이 가능해질 수 있다.

한편, 본 개시의 실시 예에 따른 수목 데이터 관리 시스템은 수목 이미지로부터 수목의 종류를 분류할 수 있는 객체 인식 알고리즘을 훈련시킬 수 있다.

구체적으로 객체 인식 알고리즘 훈련은, 제1 위치에서 촬영된 제1 수목 이미지 및 제2 위치에서 촬영된 제2 수목 이미지를 수신하면, 산림청 서버 또는 지자체 서버에 접속하여 또는 공개된 지자체 데이터에 접속하여 제1 위치와 제2 위치 각각에서의 수목의 종류 정보를 취득하고, 취득된 수목의 종류 정보에 기초하여 제1 수목 이미지 및 제2 수목 이미지 각각에 대응하는 수목의 종류를 레이블링하여 훈련 데이터를 생성한 후에 훈련 데이터를 이용하여 수목 이미지에 기초하여 수목의 종류를 파악하는 객체 인식 알고리즘을 훈련시키는 과정으로 이루어질 수 있다.

이때, 제1 수목 이미지에는 제1 위치의 위치 정보가 태깅되어 있고, 제2 수목 이미지에는 제2 위치의 위치 정보가 태깅되어 있을 수 있다.

또한, 본 개시의 실시 예에 따른 수목 데이터 관리 시스템은 수목의 구조를 파악하기 전에 수목 이미지로부터 수목의 구조를 파악할 수 있는 거리 추정 알고리즘을 훈련하도록 할 수 있다.

거리 추정 알고리즘 훈련은 제1 위치에서 촬영된 제1 수목 이미지 및 제2 위치에서 촬영된 제2 수목 이미지를 수신하면, 산림청 서버 또는 지자체 서버에 접속하여 제1 위치와 제2 위치 각각에서의 수목의 구조 정보를 취득하고, 취득된 수목의 구조 정보에 기초하여 제1 수목 이미지 및 제2 수목 이미지 각각에 대응하는 수목의 구조를 레이블링하여 훈련 데이터를 생성한 후, 훈련 데이터를 이용하여 수목 이미지에 기초하여 수목의 구조를 파악하는 거리 추정 알고리즘을 훈련시키는 과정으로 이루어질 수 있다.

특히, 제1 수목 이미지 및 제2 수목 이미지는 스테레오 카메라에 의해 촬영된 깊이 정보를 포함하는 이미지일 수 있다. 즉, 촬영된 수목 이미지는 입체 이미지로서, 나무의 외관 특징을 나타내는 3차원 이미지라고 할 수 있다.

더불어, 수목의 구조를 파악할 때, 수목의 깊이(Depth) 정보를 포함하는 입체 이미지를 이용하여 수목의 수고(樹高), 흉고직경, 수관크기 및 지하고 중 어느 하나 이상의 정보를 추정할 수 있다.

본 발명의 실시 예에 따른 수목 데이터 관리 방법에 따라 촬영된 수목 이미지에는 규격물이 포함될 수 있다. 수목 이미지에 규격물이 포함되는 경우, 수목 이미지 내의 수목과 규격물 사이의 거리를 추정하고, 미리 저장된 규격물 크기 데이터베이스로부터 규격물의 크기 정보를 추출한 후, 규격물의 크기 정보 및 수목과 규격물 사이의 거리에 기초하여 수목의 구조를 추정하는 과정으로 수목 구조를 파악할 수 있다.

더욱이, 수목 구조 파악 시, 거리 추정 알고리즘에 의해 추정된 수목 구조의 추정치와 산림청 서버 또는 지자체 서버로부터 획득한 수목의 구조값을 비교하여, 수목 구조의 추정치가 수목의 구조값보다 작은 경우, 추정 에러를 출력하도록 한다.

즉, 수목은 시간 경과에 따라 성장하는 생물이고, 산림청이나 지자체 서버에 저장된 수목 구조 값(수목 높이, 흉고 직경 등)은 과거에 저장된 값이므로, 촬영된 시점의 수목 구조 값은 현재 시점의 수목의 구조적 특징이기 때문에 산림청이나 지자체 서버에 저장된 수목 구조 값보다 커야 한다. 따라서, 이러한 기준에 어긋날 경우 추정 에러를 출력하여 수목의 구조를 재파악할 수 있도록 하는 것이다.

추가적으로 수목 인벤토리 작성 시, 수목 인벤토리가 신규인지 여부를 판단할 수 있다.

판단된 결과가 수목 인벤토리가 신규인 경우, 수목 인벤토리가 저장된 데이터 베이스에 신규 수목 인벤토리를 추가할 수 있으며, 이와 반대로 판단된 결과가 수목 인벤토리가 기존의 수목 인벤토리인 경우, 기존 수목 인벤토리를 갱신하도록 할 수 있다.

한편, 상술된 과정들은 수목 데이터 관리 시스템의 프로세서에 의해 실행될 수 있다.

전술한 것 외의 다른 측면, 특징, 및 이점이 이하의 도면, 청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.

본 발명의 실시 예의 수목 데이터 관리 시스템에 따라 인공지능 기술을 이용하여 도심에 설치되 수목을 현장 조사를 따로 실시하지 않고도 수행할 수 있게 된다.

더욱이, 촬영 장치를 통해 촬영된 수목 이미지를 통해 수목의 종류(수종), 수목의 물리적 구조 특징을 추출하게 됨에 따라 적은 인력 및 비용을 통해 수목 데이터를 추출할 수 있게 된다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 실시 예에 따른 수목 데이터 관리 시스템을 수행하기 위한 환경의 예시도이다.
도 2는 본 발명의 실시 예에 따른 수목 데이터 관리 시스템의 구성을 설명하기 위한 블록도이다.
도 3은 본 발명의 실시 예에 따른 수목 데이터 관리를 위한 이미지 처리 신경망을 설명하기 위한 시스템을 도시한다.
도 4는 본 발명의 실시 예에 따른 수목 데이터 관리 위한 신경망을 설명하기 위한 도면이다.
도 5는 본 발명의 실시 예에 따른 수목 데이터 관리를 위한 신경망을 기초로 출력되는 수목 인벤토리를 설명하기 위한 도면이다.
도 6은 본 발명의 실시 예에 따른 수목 데이터 관리 방법을 설명하는 순서도이다.

이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시 예들에 한정되지 않는다. 이하 실시 예에서는 본 발명을 명확하게 설명하기 위해서 설명과 직접적인 관계가 없는 부분을 생략하지만, 본 발명의 사상이 적용된 장치 또는 시스템을 구현함에 있어서, 이와 같이 생략된 구성이 불필요함을 의미하는 것은 아니다. 아울러, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조번호를 사용한다.

이하의 설명에서 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 되며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 또한, 이하의 설명에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

이하의 설명에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하 도면을 참고하여 본 발명을 상세히 설명하기로 한다.

도 1은 본 발명의 실시 예에 따른 수목 데이터 관리 시스템을 수행하기 위한 환경의 예시도이고, 도 2는 본 발명의 실시 예에 따른 수목 데이터 관리 시스템의 구성을 설명하기 위한 블록도이다.

본 발명의 실시 예에 따른 수목 데이터 관리 시스템(1)을 수행하기 위한 환경은, 촬영 장치(100), 서버 연산 시스템(200), 트레이닝 연산 시스템(300),및 이들이 서로 통신할 수 있도록 하는 네트워크(400)를 포함할 수 있다.

수목은 예를 들어 도로에 설치된 가로수, 또는 공원, 수목원, 숲 등의 녹지에 심겨진 나무들이 될 수 있으며, 이하 본 발명의 실시 예에서는 가로수를 예를 들어 설명하기로 한다.

촬영 장치(100)는 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, D2D(device to device) 통신 등을 지원할 수 있다.

촬영 장치(100)는 사물 인터넷을 위해 연결된 5G 환경에서 빅데이터, 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 이용하여 이미지 해상도 향상 방식을 결정할 수 있다.

촬영 장치(100)는, 예를 들어, 개인용 컴퓨터, 스마트폰, 태블릿, 게임 콘솔, 웨어러블 기기 등 어떤 종류의 연산 디바이스든 될 수 있다. 사용자 촬영 장치(100)는 하나 이상의 프로세서들(110) 및 메모리(120)를 포함할 수 있다.

또한, 촬영 장치(100)는 수목을 촬영할 수 있는 카메라, CCTV, 차량 내 블랙박스 등에 한정되지 않고, 수목 이미지를 형성할 수 있는 라이다(LiDAR), 항공 라이다, 초음파 센서 등 다양한 센서 장치를 포함할 수도 있다.

수목 데이터 관리 시스템의 프로세서는 이러한 촬영 장치(100)에 의해 획득된 적어도 하나의 수목 이미지를 수신할 수 있다. 여기서, 수목 이미지는 촬영 장치(100)로부터 직접 수신될 수도 있고, 촬영 장치(100)에 의해 획득된 이미지들로 구성된 지도 서비스(예를 들어, 구글의 스트리트 뷰, 네이버의 거리뷰 또는 위성지도, 다음의 로드뷰 또는 스카이뷰)로부터 수신될 수도 있다.

촬영 장치(100)에 포함된 하나 이상의 프로세서들(110)은 데이터를 처리할 수 있는 모든 종류의 장치, 예를 들어 MCU(Micro Controller unit)를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다.

이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array), GPU(Graphics Processing Unit), NPU(Neural Network Processing Unit) 등의 처리 장치를 망라할 수 있으나, 본 개시의 범위가 이에 한정되는 것은 아니다.

메모리(120)는 RAM, ROM, EEPROM, EPROM, 플래시 메모리 디바이스들, 자기 디스크들, 등과 같은 하나 이상의 비-일시적(non-transitory) 저장 매체를 포함할 수 있다. 메모리(120)는 데이터(122) 및 프로세서들(110)에 의해 실행되었을 때 촬영 장치(100)로 하여금 동작들을 수행하도록 하는 인스트럭션들(124)을 저장할 수 있다.

또한, 촬영 장치(100)는 인터페이스(140)를 포함해 사용자로부터 명령들을 입력 받을 수 있고, 출력 정보를 사용자에게 전달할 수도 있다. 인터페이스(140)는 키보드, 마우스, 터치 스크린, 마이크, 카메라 등의 다양한 입력 수단과 모니터, 스피커, 디스플레이 등의 다양한 출력 수단을 포함할 수 있다.

사용자는 인터페이스(140)를 통해 촬영 장치(100)에서 처리되어야 하는 이미지 또는 이미지의 영역을 선택할 수 있다. 예를 들어, 사용자는 마우스, 키보드, 터치 스크린 등을 통해 이미지 내에서 촬영된 수목만을 선택할 수도 있다. 또한, 사용자는 터치 스크린 상에서 핀치-인 또는 핀치-아웃 동작을 수행하여 이미지를 축소하거나 확대하기 위한 명령을 생성할 수 있다.

한편, 본 발명의 실시 예에서는 사용자가 촬영 장치(100)에서 처리되어야 하는 이미지 또는 이미지의 영역을 선택하는 예를 들지만, 촬영 장치(100)에 포함된 프로세서를 통해 자동으로 수목이 포함된 이미지 또는 수목이 포함된 영역의 인근 영역까지 선택하도록 구성될 수도 있다.

일 실시 예에서, 촬영 장치(100)는 인공 지능 기술이 적용된 이미지 처리 모델(130)을 저장하거나 포함할 수 있다. 예를 들어, 인공 지능 기술이 적용된 이미지 처리 모델(130)은 객체 인식 알고리즘, 거리 추정 알고리즘, 또는 다른 타입의 머신 러닝 모델들과 같은 다양한 학습 모델들일 수 있다.

한편, 본 발명의 실시 예에서 촬영 장치(100)에 연결된 로컬 디바이스에 학습 모델이 포함된 예를 들어 설명하지만, 로컬 디바이스와 네트워크(400)를 통해 연결되는 서버 연산 시스템(200)에 학습 모델이 적용되어 수목 관리를 위한 데이터가 추출될 수 있다.

여기서, 인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트 벡터 머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 감별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 감별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기는 감별기를 속이지 못한 데이터를 입력 받아 학습하며, 감별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 감별기를 최대한 잘 속이도록 진화할 수 있고, 감별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.

준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)을 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.

예컨대, 하이퍼 파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 개시가 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼 파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼 파라미터를 설정하는 것이 중요하다.

통상적으로 하이퍼 파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.

상술된 바와 같은 인공 지능 기술이 적용된 이미지 처리 모델(130, 230)은 트레이닝 연산 시스템(300)에서 생성된 이미지 처리 모델들 중 일부일 수 있으며, 필요에 따라, 새로운 이미지 처리 모델들이 트레이닝 연산 시스템(300)에서 생성되어 촬영 장치(100)로 전달될 수도 있다.

다른 예로, 이미지 처리 모델들은 촬영 장치(100)에 저장되는 대신 서버 연산 시스템(200)에 저장되고, 웹 서비스 형태로 촬영 장치(100)에 필요한 기능을 제공할 수도 있다.

서버 연산 시스템(200)은 프로세서들(210) 및 메모리(220)를 포함하며, 일반적으로 촬영 장치(100)보다 큰 프로세싱 능력 및 큰 메모리 용량을 가질 수 있다. 따라서, 시스템 구현에 따라, 적용에 보다 많은 프로세싱 능력을 필요로 하는 무거운 이미지 처리 모델(230)은 서버 연산 시스템(200)에 저장되고, 적용에 보다 적은 프로세싱 능력을 필요로 하는 경량의 이미지 처리 모델(230)은 촬영 장치(100)에 저장되도록 구성될 수도 있다.

촬영 장치(100)는 여러 이미지 처리 모델들 중 처리 대상이 되는 이미지의 속성에 따라 적합한 이미지 처리 모델을 선택할 수 있다. 일 예에서 촬영 장치(100)는 경량의 이미지 처리 모델(230)이 필요한 경우에는 촬영 장치(100)에 저장되어 있는 이미지 처리 모델(230)을 사용하고, 중량의 이미지 처리 모델(230)이 필요한 경우에는 서버 연산 시스템(200)에 저장된 이미지 처리 모델(230)을 사용하도록 구성될 수도 있다.

촬영 장치(100) 또는 서버 연산 시스템(200)이 포함하는 이미지 처리 모델들(130, 230)은 트레이닝 연산 시스템(300)에 의해 생성된 이미지 처리용 신경망일 수 있다.

트레이닝 연산 시스템(300)은 하나 이상의 프로세서들(310)과 메모리(320)를 포함할 수 있다. 또한, 트레이닝 연산 시스템(300)은 기계 학습 모델들을 트레이닝하기 위한 모델 트레이너(330) 및 트레이닝 데이터(340)를 포함할 수 있다.

트레이닝 연산 시스템(300)의 모델 트레이너(330)를 통해 트레이닝 데이터에 기초하여 다수의 이미지 처리용 모델들을 생성할 수 있다.

본 발명의 실시 예에 따라 트레이닝 연산 시스템(300)에 의해 생성되는 이미지 처리용 신경망 모델은 수목의 종류를 판단할 수 있는 객체 인식, 수목의 물리적 특징 추정 등 다양한 이미지 처리에 사용될 수 있다.

한편, 본 개시의 수목 데이터 관리 시스템의 구성은 디지털 기기를 통해 취득된 영상을 수신받는 입력부, 수신된 영상에 포함된 수목에 대해 객체 인식 알고리즘 및 거리 추정 알고리즘을 적용하여 수종 및 수목 구조 정보를 추출하는 연산부, 추출된 수종 및 수목 구조 정보를 출력하는 출력부로 이루어질 수도 있다.

도 3은 본 발명의 실시 예에 따른 수목 데이터 관리를 위한 이미지 처리 신경망을 설명하기 위한 시스템을 도시한다.

트레이닝 시스템(300)은 하나 이상의 트레이닝측 프로세서(310)와 트레이닝측 메모리(320)를 포함할 수 있다. 또한, 트레이닝 시스템(300)은 기계 학습 모델들을 트레이닝하기 위한 모델 트레이너(330) 및 트레이닝 데이터(340)를 포함할 수 있다.

트레이닝 시스템(300)은 모델 트레이너(330)를 통해 트레이닝 데이터(340)에 기초하여 다수의 학습 모델들을 훈련시켜 생성할 수 있다.

트레이닝 데이터(340)는 촬영 장치(100)를 통해 촬영된 이미지가 저장된 원본 이미지 데이터 또는 촬영 장치(100)를 통해 촬영된 수목이 포함된 이미지 및 해당 이미지에 수종 및 수목 구조 정보가 레이블링된 데이터를 포함하고, 트레이닝 시스템(300)은 선택된 이미지에서 수목 또는 수목이 포함된 영역을 선택하고, 선택된 수목 또는 수목이 포함된 영역에서부터 수목의 종류 및 수목의 구조를 파악할 수 있는 신경망을 생성할 수 있다.

더 나아가, 트레이닝 시스템(300)은 이미지 이외에 촬영 장치(100)에 저장되거나 촬영 장치(100)를 통해 촬영한 수목 또는 수목이 포함된 영역을 포함하는 이미지에서 수목의 종류 및 수목의 구조를 파악할 수 있는 수목 데이터 관리를 위한 신경망을 생성할 수도 있다.

여기서, 촬영된 이미지의 복잡도(예: 수목의 개수가 많은 경우)가 높을수록 수목의 종류 및 수목의 구조를 파악하기 위한 복잡도가 높아질 수 있다. 예컨대, 동일한 이미지 처리 알고리즘이 적용된다며 수목의 개수가 적은 이미지가 수목의 개수가 많은 이미지보다 수목의 종류 및 수목의 구조를 파악하기 위한 시간 소요가 증가할 수 있다.

따라서, 촬영된 이미지를 통해 수목의 종류 및 수목의 구조를 보다 효과적으로 파악하기 위해서 수목 또는 수목이 포함된 영역을 포함하는 이미지에서 수목의 종류를 분류하기 위한 객체 인식 알고리즘과 수목의 물리적 구조(예: 흉고 직경, 수관폭, 수고 등)를 파악하기 위한 거리 추정 알고리즘이 각각 생성되고 적용되는 것이 바람직할 수 있다.

또한, 트레이닝 시스템(300)은 최초 신경망의 구성에 따라 처리 시간은 오래 걸리지만 보다 많은 개체의 수목의 종류와 구조를 파악할 수 있는 신경망을 생성할 수 있고, 처리 시간이 단축되도록 적은 개체의 수목의 종류와 구조를 파악할 수 있는 신경망을 생성할 수도 있다.

여기서 수목의 종류 및 구조를 파악할 수 있는 학습 모델의 복잡도는 입력 노드의 개수, 피쳐의 개수, 사물의 개수와 은닉층의 개수 등에 의해 결정되는 것으로 피쳐의 개수가 많을수록, 사물의 개수가 많을수록, 그리고 은닉층의 개수가 많을수록 복잡도가 높은 것으로 이해될 수 있다. 또한, 사물의 수가 많을수록, 그리고 은닉층의 수가 많을수록 신경망이 무거운 것으로 지칭될 수도 있다. 또한, 신경망의 복잡도는 신경망의 차원수(dimensionality)라고 지칭될 수도 있다.

신경망의 복잡도가 높을수록 많은 개체의 수목 종류 및 구조를 파악할 수 있지만, 개체의 파악에 소요되는 시간은 더 길어질 수 있다. 반대로, 신경망이 가벼울수록 적은 개체의 수목 종류 및 구조를 파악할 수 있지만 이를 처리하는 소요 시간은 더 짧아질 수 있다.

트레이닝 시스템(300)은 위와 같은 다양한 상황에 적합할 수 있는 신경망 모델을 생성할 수 있으며, 수목의 종류를 인식할 수 있는 다수의 수목 종류 신경망 그룹 및 수목의 구조를 인식할 수 있는 다수의 수목 구조 파악 신경망 그룹을 생성할 수 있다.

도 4는 본 발명의 실시 예에 따른 수목 데이터 관리를 위한 신경망을 설명하기 위한 도면이다.

수목 데이터 관리를 위한 신경망은, 입력층과, 은닉층, 그리고 출력층으로 구성될 수 있다. 촬영된 이미지에 피처(feature)의 개수인 수목의 개체 수에 따라 입력 노드의 개수가 정해지게 되고, 노드의 개수가 많아질수록 신경망의 복잡도 또는 차원수는 증가하게 된다. 또한, 은닉층의 개수가 많아질수록 신경망의 복잡도 또는 차원수가 증가하게 된다.

수목의 개체 수, 입력 노드의 개수, 은닉층의 개수, 각 층들의 노드의 개수는 신경망 설계자에 의해 정해질 수 있으며, 복잡도가 증가할수록 처리 시간은 더 많이 소요되지만 더 좋은 성능을 보일 수 있다.

초기 신경망 구조가 설계되면, 훈련 데이터를 이용해 신경망을 훈련시킬 수 있다. 수목 데이터 관리를 위한 신경망을 구현하기 위해서는 우선 촬영 장치(100)로부터 촬영된 이미지에서 수목 또는 수목이 포함된 영역을 추출하도록 한다.

여기서, 트레이닝 데이터로 동일 종류의 수목의 개체 수가 많은 이미지를 포함하는 트레이닝 데이터를 사용하면 수목의 종류, 구조를 포함하는 수목 인벤토리를 추출하기 위한 신경망을 훈련시킬 훈련 데이터를 보다 효과적으로 확보할 수 있다. 동일 수종의 수목에 대해 다양한 이미지를 보다 용이하게 획득할 수 있기 때문이다.

한편, 수목 데이터 관리를 위한 신경망의 처리 속도와 처리 성능은 트레이드 오프 관계에 있을 수 있는데, 설계자는 신경망의 초기 구조를 변경함으로써, 처리 속도를 향상시킬 것인지, 처리 성능을 향상시킬 것인지 결정할 수 있다.

설계자는 한 장의 이미지에 포함된 수목의 개체 수를 고려하여 신경망의 구조를 설정할 수 있고, 해당 신경망을 훈련시킬 수 있다. 이에 따라, 한 장의 이미지에 포함된 수목의 개체 수에 따라 최적으로 사용될 수 있는 수목 데이터 관리를 위한 신경망이 획득될 수 있다.

한편, 훈련 데이터로 사용되는 이미지는 수목을 포함할 뿐만 아니라 크기가 정해져 있는 규격물을 포함할 수도 있다. 규격물은 신호등, 가로등, 교통 표지판, 전봇대, 횡단보도, 랜드마크 등으로, 크기가 일정하게 정해져 있고, 크기 정보가 공개되어 획득할 수 있는 사물들을 의미한다.

규격물이 포함된 수목 이미지의 경우에는 수작업으로 수목의 구조 정보를 레이블링할 필요 없이 규격물과의 크기 비교를 통해 자동으로 수목의 구조 정보를 추출하여 레이블링 할 수도 있다.

한편, 위와 같이 규격물이 수목의 구조를 판단하는데 도움이 될 수 있으므로, 훈련 데이터로 사용되는 이미지들은 규격물을 포함한 이미지들이 우선시될 수도 있다.

효과적으로 확보된 훈련 데이터를 이용하여 신경망들을 학습시키면 수종을 분류하는 신경망, 수목의 구조를 파악하는 신경망을 확복할 수 있고, 이러한 신경망에 수목 이미지가 포함된 입력 데이터를 입력하면 해당 수목 이미지 내의 수목에 대한 수종과 수목 구조 데이터(예를 들어, 수고, 지하고, 흉고직경, 수관폭)를 출력 데이터로 확보할 수 있다.

도 5는 본 발명의 실시 예에 따른 수목 데이터 관리를 위한 신경망을 기초로 출력되는 수목 인벤토리를 설명하기 위한 도면이고, 도 6은 본 발명의 실시 예에 따른 수목 데이터 관리 방법을 설명하는 순서도이다.

먼저, 수목 종류 및 수목의 물리적 구조를 파악하기 위해 수목 또는 수목이 포함된 영역이 포함되어 있는 이미지를 촬영 장치(100)를 통해 취득할 수 있다(S110). 취득하는 이미지는 개인 스마트폰, 차량 내 설치되어 있는 블랙박스, 도로의 신호등에 설치된 RGB 센서를 기반으로 도시 가로수의 수목 이미지를 취득할 수 있다.

다른 실시예에서, 수목 이미지는 구글의 스트리트 뷰, 네이버의 거리뷰 또는 위성지도, 다음의 로드뷰 또는 스카이뷰와 같은 지도 서비스로부터 취득될 수도 있다. 이를 위해 수목 데이터 관리 시스템은 지도 서비스에 접속하여 이미지 식별 알고리즘을 이용해 수목이 포함된 이미지만을 선택적으로 취득하도록 설계될 수 있다.

여기서 수목 이미지란 수목을 포함하는 이미지로서, 수목 이외에 다른 대상들, 예를 들어 사람, 신호등, 가로등, 전봇대, 횡단보도, 랜드마크, 교통 표지판 등을 포함할 수 있다. 여기서 신호등, 가로등, 횡단보도 등과 같이 도시 전체에서 크기가 동일하도록 정해져 있는 물체를 규격물이라고 지칭한다. 이러한 규격물들은 크기가 정해져 있으므로, 해당 규격물을 기준으로 이미지에 포함된 수목의 구조를 판단하는데 좋은 참조 정보를 제공할 수 있다.

취득한 이미지에는 다수의 수목이 포함될 수 있다. 다수의 수목이 포함된 이미지인 경우 수목 데이터를 획득하기 위해서 이미지를 처리할 때 각각의 수목이 학습 모델에 입력되어 각각의 수목 데이터를 획득할 수 있도록 한다.

또한, 수목 이미지에는 수목이 촬영된 위치에 관한 정보가 포함될 수 있다. 예를 들어, 취득한 이미지에는 촬영 장치(100)에 내장된 GPS 및 외부 장치에 설치된 GPS를 이용하여 위치 정보가 태깅될 수 있다. 이렇게 위치 정보가 태깅됨에 따라 취득한 수목의 데이터에 대응하는 수목의 위치를 획득할 수 있다. 이로써, 특정 위치에 설치된 수목의 종류 및 물리적 구조 특징에 대한 인벤토리를 획득하게 되는 것이다.

취득한 이미지를 이용하여 수목 데이터를 획득하기 위해서 촬영된 이미지에 객체 인식 알고리즘과 거리 추정 알고리즘을 적용할 수 있다(S120). 한편, 촬영된 이미지 모두에 객체 인식 알고리즘 및 거리 추정 알고리즘을 적용하기 전에 보다 효과적인 수목 정보 추정이 이루어지도록 촬영된 이미지 중 일부를 선별할 수 있다.

예를 들어, 촬영되어 수신된 수목 이미지는 복수의 수목 이미지들이고, 수목 데이터 관리 시스템은 상기 복수의 수목 이미지들 중 규격물을 포함하고 있는 이미지들을 선정할 수 있다. 규격물은 수목의 구조 정보를 추출하는데 있어서 유용한 기준 정보를 제공하므로, 규격물을 포함한 수목 이미지들을 이용한 수목 구조 추정은 보다 정확한 결과를 제공할 수 있다. 복수의 수목 이미지들 중에서 규격물을 포함한 이미지들을 선정하는 것은 규격물 인식 알고리즘을 통해 이루어질 수 있고, 규격물 인식 알고리즘은 이미지에 포함된 규격물을 식별하도록 훈련된 신경망 모델일 수 있다.

한편, 객체 인식 알고리즘이란, 이미지 속 수목의 종류(수종)를 분별할 수 있는 알고리즘이다. 이러한 객체 인식 알고리즘은 다음의 방법으로 구현될 수 있다.

객체 인식 알고리즘은 다양한 수목 이미지와 해당 수목의 종류가 레이블링된 훈련 데이터로 학습된 신경망 모델로서, 수목 이미지를 수신하여 해당 수목의 종류를 자동으로 판단하도록 설계될 수 있다.

한편, 이러한 객체 인식 알고리즘을 훈련시키는 방식으로 수작업을 통해 수종이 레이블링된 수목 이미지들이 사용될 수도 있지만, 하기와 같이 위치 정보가 포함된 수목 이미지에 대해서는 자동으로 레이블링이 되도록 수목 데이터 관리 시스템을 구성할 수도 있다.

우선, 서로 다른 위치(제1 위치 및 제2 위치)에서 수목 이미지를 촬영한다. 여기서, 수목 이미지는 각각의 위치에 대한 정보가 태깅되어 있다. 이러한 수목 이미지를 수신한 수목 데이터 관리 시스템은 산림청 서버 또는 지자체 서버에 접속하여 제1 위치와 제2 위치 각각에 설치된 수목의 수목 정보(예를 들어, 수종 및 수목의 구조 정보)를 취득한다.

산림청 서버 또는 지자체 서버에는 공공 데이터로서 특정 지역에 심어진 수목의 종류 및 과거 조사 시점에서의 수목의 구조 정보가 공개될 수 있다. 이러한 정보를 이용하여 수목 이미지 각각에 대해 수작업으로 수종 또는 수목의 구조 정보를 레이블링하지 않고, 자동으로 레이블링이 이루어지도록 할 수 있다.

즉, 수목 데이터 관리 시스템의 통신 모듈을 통해 접속한 산림청 서버 또는 지자체 서버로부터 취득된 수목 정보를 이용하여 제1 위치와 제2 위치 각각에서 획득된 수목 이미지에 수종 또는 수목의 구조 정보가 자동으로 레이블링 될 수 있다.

이렇게 취득한 수목 이미지와 수목 정보를 대응하여 수목 종류를 레이블링한 훈련 데이터를 생성한다. 생성된 훈련 데이터를 기초로 촬영된 수목 이미지에 기초하여 수목의 종류를 파악하는 객체 인식 알고리즘 훈련이 이루어질 수 있다.

다른 실시예에서, 산림청이나 지자체 서버에 기 저장된 특정 위치(제1 위치 또는 제2 위치)의 수목의 종류를 학습한 뒤, 특정 위치에서 촬영한 수목 이미지가 수신되면 학습한 특정 위치의 수목에 대한 정보를 대응하여 촬영된 이미지의 수목의 종류를 파악할 수 있도록 할 수 있다.

이는 앞서 설명한 바와 같이 수목 이미지에는 수목이 촬영된 위치에 관한 정보가 태깅되어 있기 때문에, 태깅된 위치 정보를 기초로 산림청 또는 지자체 서버에 저장된 정보와 비교할 수 있는 것이다.

한편, 촬영된 이미지는 거리 추정 알고리즘을 이용하여 수목 이미지로부터 수목의 구조를 파악할 수 있다(S120). 수목의 구조 파악이란, 각도가 다른 방향에서 촬영된 복수의 이미지에서 수목 흉고의 직경, 수고(나무의 높이), 지하고 등에 대한 수목의 물리적 구조를 파악하는 것을 의미한다.

여기서 거리 추정 알고리즘은 일정 훈련 과정을 통해 생성될 수 있다. 구체적으로, 서로 다른 위치(제1 위치 및 제2 위치)에서 촬영된 제1 수목 이미지와 제2 수목 이미지를 수신한다. 이후, 산림청 서버 또는 지자체 서버에 접속하여 서로 다른 위치 각각에서의 수목 구조 정보를 취득한 후, 취득된 수목 구조 정보와 촬영된 제1 수목 이미지 및 제2 수목 이미지에 대응하는 수목의 구조를 레이블링하여 훈련 데이터를 생성한다. 생성된 훈련 데이터를 이용하여 수목의 구조를 파악하는 거리 추정 알고리즘을 훈련이 이루어질 수 있다.

결과적으로 산림청이나 지자체 서버에 기 저장된 특정 위치(제1 위치 또는 제2 위치)의 수목에 대한 물리적 구조(예: 흉고 직경, 수고(수목 높이), 지하고(가지가 없는 줄기 부분의 높이)등)을 학습한 뒤, 특정 위치에서 촬영한 수목 이미지와 학습한 특정 위치의 수목을 대응하여 촬영된 이미지의 수목의 구조를 파악할 수 있도록 하는 것이다.

이때, 촬영된 수목 이미지는 스테레오 카메라에 의해 촬영된 깊이 정보를 포함하는 이미지가 될 수 있다. 깊이 정보를 포함하는 이미지란, 입체 이미지로서, 나무의 외관 특징을 나타내는 3차원 이미지라고 할 수 있다. 이와 같이 수목 이미지를 3차원으로 촬영함에 따라 수목의 구조를 보다 정확하게 파악할 수 있다.

한편, 수목 이미지에는 규격물(도시 전체에서 크기가 동일하도록 정해져 있는 물체)이 포함될 수 있으며, 수목 구조 파악 시, 수목 이미지 내 규격물 사이의 거리를 추정하여 수목의 구조를 측정할 수도 있다.

구체적으로, 규격물은 신호등, 가로등, 횡단보도 등과 같이 도시 전체에 설치되되, 크기가 동일하게 형성된 물체를 의미한다. 각각의 규격물 크기는 규격물 크기 데이터 베이스에 저장될 수 있다. 이후, 촬영된 수목의 이미지에서 수목과 규격물 사이의 거리 및 규격물의 크기 정보에 기초하여 수목의 물리적 구조 특징을 추정할 수 있다.

예를 들어, 수목과 상기 규격물 사이의 거리는 촬영 방향 상에서의 거리를 의미할 수도 있다.

즉, 2차원으로 보이는 촬영된 이미지에서는 카메라로부터 멀리 있는 사물은 가까이 있는 사물보다 상대적으로 더 작게 보인다는 전제에 따라 카메라로부터 수목까지의 거리 및 카메라로부터 규격물까지의 거리의 차에 기초하여 규격물의 크기로부터 수목의 구조 정보를 추정할 수 있다.

따라서, 수목 이미지 내의 수목과 규격물 사이의 거리를 추정하는 단계는, 촬영 기준선에서부터 수목이 위치한 지점에서 연장된 제1 평행선까지의 거리 및 촬영 기준선에서부터 규격물이 위치한 지점에서 연장된 제2 평행선까지의 거리를 추정하는 단계를 포함할 수 있다. 여기서 촬영 기준선과 제1 평행선 및 제2 평행선은 모두 평행 관계를 갖는다.

더불어, 거리 추정 알고리즘을 이용하여 수목 구조 추정 시, 산림청이나 지자체 서버에 저장된 과거 시점의 수목 구조 정보값보다 촬영된 시점에의 수목 구조 정보값이 작은 경우, 추정 에러를 출력할 수 있도록 한다.

산림청이나 지자체 서버에 저장된 수목 구조 값(수목 높이, 흉고 직경 등)은 과거에 저장된 값이다. 이에 반해 촬영된 시점의 수목 구조 값은 현재 시점의 수목의 구조적 특징이기 때문에 산림청이나 지자체 서버에 저장된 수목 구조 값보다 커야 한다.

따라서, 수목은 시간 경과에 따라 성장하는 생물이므로, 촬영된 이미지에서 측정한 수목 구조 정보값이 서버에 저장된 수목 구조 정보값보다 작은 경우 수목 구조 측정이 잘못된 것으로 판단하여 추정이 잘못되었음을 알릴 수 있다.

이와 같이 수목 구조 추정 에러가 발생하는 경우, 수목 구조를 재측정하거나 측정 조건을 변경하여 수목 구조 측정이 이루어질 수 있도록 한다. 예를 들어, 추정 에러가 발생하는 경우, 수목 이미지를 다시 요청하는 신호를 발생시킬 수 있다. 다른 실시 예에서, 수신된 수목 이미지들 중 이전의 수목 구조 파악을 위해 이용된 수목 이미지 외에 다른 수목 이미지에 거리 추정 알고리즘을 적용하여 수목의 구조를 다시 파악하도록 할 수 있다.

또 다른 실시 예에서, 수목 데이터 관리 시스템의 프로세서는 수목 이미지에 태깅된 위치 정보를 이용하여 산림청 서버 또는 지자체 서버로부터 해당 위치의 수목 이미지 및 수목 정보를 수신하고, 수신된 수목 이미지 및 수목 정보를 이용하여 거리 추정 알고리즘을 재학습시킬 수 있다.

상술된 방식을 통해 추정된 수목의 종류 및 구조를 기초로 수목 인벤토리를 작성하게 된다(S130).

작성된 수목 인벤토리는 서버 연산 시스템(200)을 통해 신규 인벤토리인지 여부를 판단한다(S140). 신규 인벤토리란, 특정 위치의 수목이 산림청 또는 지자체 서버에 저장되어 있지 않은 수목 종류를 의미할 수 있으며, 이러한 신규 인벤토리는 수목 인벤토리 데이터 베이스에 저장될 수 있다(S150).

이와 다르게, 작성된 수목 인벤토리가 신규 인벤토리가 아닌 기 저장된 수목 인벤토리 정보와 대응되는 것으로 판단되면, 기존 수목 인벤토리 정보가 과거 시점에 저장된 것으로 간주하고 추정된 수목 인벤토리 정보로 갱신하도록 한다(S160).

이때, 추정된 수목 인벤토리에서 수목 구조 정보값이 데이터베이스에 저장된 기존 수목 인벤토리 수목 구조 정보값보다 작은 경우, 추정된 수목 인벤토리의 추정 에러로 판단하여 수목 인벤토리 추정을 재 실시하게 된다.

결과적으로, 본 발명의 실시 예를 통해 한번의 영상 취득으로 수목 객체를 인식하고 동시에 구조도 파악하여 자동 획득할 수 있다. 따라서, 별도의 인력이 현장에 배치되어 수목의 종류 및 구조를 파악하지 않고도 수목의 구조 및 종류를 획득할 수 있는 것이다.

또한, 획득한 수목 인벤토리는 수목 인벤토리 데이터 베이스에 자동 저장되도록 하여 특정 위치에 설치된 수목의 정보가 손실되는 것을 방지할 수 있게 된다.

한편, 획득한 수목 인벤토리를 통해 과수 및 유실수 모니터링이 가능해질 수 있다. 과수 및 유실수는 소득 작물로 본 발명의 객체 인식 알고리즘과 거리 추정 알고리즘을 통해 과수 및 유실수에서 획득할 수 있는 과실의 종류 및 구조(예: 크기, 익음 정도 등)을 인식할 수 있다. 구체적으로, 거리 추정 알고리즘을 통해 과실의 크기와 과실의 색을 분석하여 과실의 수확시기를 예측할 수 있다. 이와 같이 과실의 종류 및 구조를 인식함으로써, 작물 생산량을 자동으로 계량할 수 있는 것이다.

이때, 작물 품질을 예측하기 위해 다분광센서를 활용할 수 있으며, 다분광센서를 통해 수목의 활력과 수확될 과실의 품질을 예측할 수도 있다.

이상과 같이 본 발명의 실시 예에 따른 수목 데이터 관리 시스템에 따라 인공지능 기술을 이용하여 도심에 설치되 수목을 현장 조사를 따로 실시하지 않고도 수행할 수 있게 된다.

이상 설명된 본 발명의 실시 예에 대한 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 실시 예들은 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 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims

각 단계의 적어도 일부가 프로세서에 의해 수행되고, 도심 수목의 구조에 기초한 도심 수목 데이터 관리 방법으로서,
프로세서에 의해, 적어도 하나의 촬영 장치를 이용하여 획득된 적어도 하나의 도심 수목 이미지를 수신하는 단계;
상기 프로세서에 의해, 객체 인식 알고리즘을 이용하여 상기 도심 수목 이미지로부터 도심 수목의 종류를 분류하는 단계;
상기 프로세서에 의해, 거리 추정 알고리즘을 이용하여 상기 도심 수목 이미지로부터 상기 도심 수목의 구조를 파악하는 단계; 및
상기 프로세서에 의해, 상기 도심 수목의 종류 및 상기 도심 수목의 구조를 기초로 도심 수목 인벤토리를 작성하는 단계를 포함하고,
상기 프로세서에 의해, 상기 도심 수목 이미지는 크기 정보가 미리 저장되어 있는 적어도 하나의 규격물을 포함하고,
상기 도심 수목의 구조를 파악하는 단계는,
상기 프로세서에 의해, 미리 저장된 규격물 크기 데이터베이스로부터 상기 규격물의 크기 정보를 추출하는 단계;
상기 프로세서에 의해, 임의의 촬영 기준선에서부터 상기 도심 수목이 위치한 지점에서 상기 촬영 기준선과 평행하게 연장된 제1 평행선까지의 거리와, 상기 촬영 기준선에서부터 상기 규격물이 위치한 지점에서 상기 촬영 기준선 및 상기 제1 평행선과 평행하게 연장된 제2 평행선까지의 거리에 기반해 상기 도심 수목 이미지 내의 도심 수목과 상기 규격물 사이의 거리를 추정하는 단계; 및
상기 프로세서에 의해, 상기 규격물의 크기 정보 및 상기 도심 수목과 상기 규격물 사이의 거리 차이에 기반하여 상기 도심 수목의 구조를 추정하는 단계를 포함하는,
도심 수목 데이터 관리 방법.
제1항에 있어서,
상기 분류하는 단계 전에, 상기 객체 인식 알고리즘을 훈련시키는 단계를 더 포함하고,
상기 객체 인식 알고리즘을 훈련시키는 단계는,
제1 위치에서 촬영된 제1 도심 수목 이미지 및 제2 위치에서 촬영된 제2 도심 수목 이미지를 수신하는 단계;
산림청 서버 또는 지자체 서버에 접속하여 상기 제1 위치와 상기 제2 위치 각각에서의 도심 수목의 종류 정보를 취득하는 단계;
취득된 도심 수목의 종류 정보에 기초하여 상기 제1 도심 수목 이미지 및 상기 제2 도심 수목 이미지 각각에 대응하는 도심 수목의 종류를 레이블링하여 훈련 데이터를 생성하는 단계; 및
상기 훈련 데이터를 이용하여 도심 수목 이미지에 기초하여 도심 수목의 종류를 파악하는 객체 인식 알고리즘을 훈련시키는 단계를 포함하는,
도심 수목 데이터 관리 방법.
제2항에 있어서,
상기 제1 도심 수목 이미지에는 상기 제1 위치의 위치 정보가 태깅되어 있고, 상기 제2 도심 수목 이미지에는 상기 제2 위치의 위치 정보가 태깅되어 있는,
도심 수목 데이터 관리 방법.
제1항에 있어서,
상기 도심 수목의 구조를 파악하는 단계 전에, 상기 거리 추정 알고리즘을 훈련시키는 단계를 더 포함하고,
상기 거리 추정 알고리즘을 훈련시키는 단계는,
제1 위치에서 촬영된 제1 도심 수목 이미지 및 제2 위치에서 촬영된 제2 도심 수목 이미지를 수신하는 단계;
산림청 서버 또는 지자체 서버에 접속하여 상기 제1 위치와 상기 제2 위치 각각에서의 도심 수목의 구조 정보를 취득하는 단계;
취득된 도심 수목의 구조 정보에 기초하여 상기 제1 도심 수목 이미지 및 상기 제2 도심 수목 이미지 각각에 대응하는 도심 수목의 구조를 레이블링하여 훈련 데이터를 생성하는 단계; 및
상기 훈련 데이터를 이용하여 도심 수목 이미지에 기초하여 도심 수목의 구조를 파악하는 거리 추정 알고리즘을 훈련시키는 단계를 포함하는,
도심 수목 데이터 관리 방법.
제4항에 있어서,
상기 제1 도심 수목 이미지 및 상기 제2 도심 수목 이미지는 스테레오 카메라에 의해 촬영된 깊이(Depth) 정보를 포함하는 이미지인,
도심 수목 데이터 관리 방법.
제1항에 있어서,
상기 도심 수목의 구조를 파악하는 단계는,
상기 도심 수목에 대한 깊이(Depth) 정보를 포함하는 이미지를 이용하여 상기 도심 수목의 수고(樹高), 흉고직경, 수관크기 및 지하고 중 어느 하나 이상의 정보를 추정하는 단계를 포함하는,
도심 수목 데이터 관리 방법.
삭제
제4항에 있어서,
상기 도심 수목의 구조를 파악하는 단계는,
상기 거리 추정 알고리즘에 의해 추정된 상기 도심 수목 구조의 추정치와 기 저장된 도심 수목의 구조값을 비교하여, 추정된 상기 도심 수목 구조의 추정치가 상기 기 저장된 도심 수목의 구조값보다 작은 경우, 추정 에러를 출력하는 단계를 포함하는,
도심 수목 데이터 관리 방법.
제1항에 있어서,
상기 인벤토리를 작성하는 단계는,
상기 도심 수목 인벤토리가 신규인지 여부를 판단하는 단계를 더 포함하는,
도심 수목 데이터 관리 방법.
제9항에 있어서,
상기 신규인지 여부를 판단하는 단계는,
상기 도심 수목 인벤토리가 신규로 판단되는 경우, 상기 도심 수목 인벤토리가 저장된 데이터베이스에 신규 도심 수목 인벤토리를 추가하는 단계; 및
상기 도심 수목 인벤토리가 기존의 도심 수목 인벤토리로 판단되는 경우, 상기 기존 도심 수목 인벤토리를 갱신하는 단계를 포함하는,
도심 수목 데이터 관리 방법.
컴퓨터를 이용하여 제1항 내지 제6항 및 제8항 내지 제10항의 방법 중 어느 한 항의 방법을 실행시키기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체.
도심 수목 데이터 관리 시스템으로서,
프로세서; 및
상기 프로세서에 연결된 메모리를 포함하고,
상기 메모리는, 상기 프로세서를 통해 실행될 때,
적어도 하나의 촬영 장치를 이용하여 획득된 적어도 하나의 도심 수목 이미지를 수신하고, 객체 인식 알고리즘을 이용하여 상기 도심 수목 이미지로부터 도심 수목의 종류를 분류하고, 거리 추정 알고리즘을 이용하여 상기 도심 수목 이미지로부터 상기 도심 수목의 구조를 파악하고, 상기 도심 수목의 종류 및 상기 도심 수목의 구조를 기초로 도심 수목 인벤토리를 작성하며, 상기 도심 수목 이미지는 크기 정보가 미리 저장되어 있는 적어도 하나의 규격물을 포함하고, 상기 도심 수목의 구조를 파악 시, 미리 저장된 규격물 크기 데이터베이스로부터 상기 규격물의 크기 정보를 추출한 뒤, 임의의 촬영 기준선에서부터 상기 도심 수목이 위치한 지점에서 상기 촬영 기준선과 평행하게 연장된 제1 평행선까지의 거리와, 상기 촬영 기준선에서부터 상기 규격물이 위치한 지점에서 상기 촬영 기준선 및 상기 제1 평행선과 평행하게 연장된 제2 평행선까지의 거리에 기반해 상기 도심 수목 이미지 내의 도심 수목과 상기 규격물 사이의 거리를 추정한 후, 상기 규격물의 크기 정보 및 상기 도심 수목과 상기 규격물 사이의 거리 차이에 기반하여 상기 도심 수목의 구조를 추정하는 동작을 수행하게 하는 명령들을 저장하는,
도심 수목 데이터 관리 시스템.
제12항에 있어서,
상기 명령들은,
상기 도심 수목 이미지로부터 도심 수목의 종류를 분류하기 위해 상기 객체 인식 알고리즘을 훈련시키는 명령을 더 포함하고,
상기 객체 인식 알고리즘을 훈련시키는 명령은, 상기 프로세서에 의해 실행될 때,
제1 위치에서 촬영된 제1 도심 수목 이미지 및 제2 위치에서 촬영된 제2 도심 수목 이미지를 수신하고, 산림청 서버 또는 지자체 서버에 접속하여 상기 제1 위치와 상기 제2 위치 각각에서의 도심 수목의 종류 정보를 취득하고, 취득된 도심 수목의 종류 정보에 기초하여 상기 제1 도심 수목 이미지 및 상기 제2 도심 수목 이미지 각각에 대응하는 도심 수목의 종류를 레이블링하여 훈련 데이터를 생성하고, 상기 훈련 데이터를 이용하여 도심 수목 이미지에 기초하여 도심 수목의 종류를 파악하는 객체 인식 알고리즘을 훈련시키도록 구성되는,
도심 수목 데이터 관리 시스템.
제12항에 있어서,
상기 명령들은,
상기 도심 수목의 구조를 파악하기 위해, 상기 거리 추정 알고리즘을 훈련시키는 명령을 더 포함하고,
상기 거리 추정 알고리즘을 훈련시키는 명령은, 상기 프로세서에 의해 실행될 때,
제1 위치에서 촬영된 제1 도심 수목 이미지 및 제2 위치에서 촬영된 제2 도심 수목 이미지를 수신하고, 산림청 서버 또는 지자체 서버에 접속하여 상기 제1 위치와 상기 제2 위치 각각에서의 도심 수목의 구조 정보를 취득하고, 취득된 도심 수목의 종류 정보에 기초하여 상기 제1 도심 수목 이미지 및 상기 제2 도심 수목 이미지 각각에 대응하는 도심 수목의 구조를 레이블링하여 훈련 데이터를 생성하고, 상기 훈련 데이터를 이용하여 도심 수목 이미지에 기초하여 도심 수목의 구조를 파악하는 거리 추정 알고리즘을 훈련시키도록 구성되는,
도심 수목 데이터 관리 시스템.
제12항에 있어서,
상기 도심 수목 이미지는 스테레오 카메라에 의해 촬영된 깊이 정보를 포함하는 이미지인,
도심 수목 데이터 관리 시스템.
제12항에 있어서,
상기 도심 수목의 구조를 파악하는 동작은,
상기 도심 수목에 대한 깊이(Depth) 정보를 포함하는 이미지를 이용하여 상기 도심 수목의 수고(樹高), 흉고직경, 수관크기 및 지하고 중 어느 하나 이상의 정보를 추정하는 동작을 포함하는,
도심 수목 데이터 관리 시스템.
삭제
제14항에 있어서,
상기 도심 수목의 구조를 파악하는 동작은,
상기 거리 추정 알고리즘에 의해 추정된 상기 도심 수목 구조의 추정치와 기 저장된 도심 수목의 구조값을 비교하여, 추정된 상기 도심 수목 구조의 추정치가 상기 기 저장된 도심 수목의 구조값보다 작은 경우, 추정 에러를 출력하는 동작을 포함하는,
도심 수목 데이터 관리 시스템.
제12항에 있어서,
상기 적어도 하나의 도심 수목 이미지는 복수의 도심 수목 이미지들을 포함하고,
상기 명령들은,
상기 복수의 도심 수목 이미지들 중 규격물을 포함하는 도심 수목 이미지들을 선정하고, 거리 추정 알고리즘을 이용하여 도심 수목의 구조를 파악하는 동작에서 상기 규격물을 포함하는 도심 수목 이미지들로부터 도심 수목의 구조를 파악하도록 하는 명령을 포함하는,
도심 수목 데이터 관리 시스템.
제19항에 있어서,
상기 규격물을 포함하는 도심 수목 이미지들을 선정하는 동작은 규격물 인식 알고리즘을 이용하여 이루어지고,
상기 규격물 인식 알고리즘은 규격물 이미지들을 이용하여 이미지 내에 규격물이 포함되는지 여부를 판단하도록 훈련된 심층신경망 모델인,
도심 수목 데이터 관리 시스템.