KR102568657B1 - 개체목의 생리 활력도 평가 방법 및 장치 - Google Patents
개체목의 생리 활력도 평가 방법 및 장치 Download PDFInfo
- Publication number
- KR102568657B1 KR102568657B1 KR1020220072216A KR20220072216A KR102568657B1 KR 102568657 B1 KR102568657 B1 KR 102568657B1 KR 1020220072216 A KR1020220072216 A KR 1020220072216A KR 20220072216 A KR20220072216 A KR 20220072216A KR 102568657 B1 KR102568657 B1 KR 102568657B1
- Authority
- KR
- South Korea
- Prior art keywords
- index
- tree
- reflectance spectrum
- classification
- tree species
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000000985 reflectance spectrum Methods 0.000 claims abstract description 114
- 238000013145 classification model Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 229930002875 chlorophyll Natural products 0.000 claims description 6
- 235000019804 chlorophyll Nutrition 0.000 claims description 6
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 6
- 230000035479 physiological effects, processes and functions Effects 0.000 claims 1
- 241000894007 species Species 0.000 description 86
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 42
- 241000018646 Pinus brutia Species 0.000 description 42
- 235000011613 Pinus brutia Nutrition 0.000 description 42
- 230000006870 function Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 240000007320 Pinus strobus Species 0.000 description 4
- 241000218686 Pinus thunbergii Species 0.000 description 4
- 235000008585 Pinus thunbergii Nutrition 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 241000218631 Coniferophyta Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 235000005638 Austrian pine Nutrition 0.000 description 1
- 241000244206 Nematoda Species 0.000 description 1
- 208000000291 Nematode infections Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 235000008565 Pinus banksiana Nutrition 0.000 description 1
- 235000000405 Pinus densiflora Nutrition 0.000 description 1
- 240000008670 Pinus densiflora Species 0.000 description 1
- 235000013264 Pinus jeffreyi Nutrition 0.000 description 1
- 235000008578 Pinus strobus Nutrition 0.000 description 1
- 235000014030 Podocarpus spicatus Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000036579 abiotic stress Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000011121 hardwood Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 235000017985 rocky mountain lodgepole pine Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Food Science & Technology (AREA)
- Data Mining & Analysis (AREA)
- Medicinal Chemistry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Wood Science & Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Botany (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
본 발명은 개체목에 대한 다수의 반사 스펙트럼(Reflectance Spectrum)이 포함된 이미지가 획득되면, 개체목에 대한 수종 분류 지표와 식생 지표를 설정하고, 미리 학습된 분류 모델에 수종 분류 지표를 입력하여 개체목의 수종을 분류하며, 수종에 대한 분류 결과에 기초하여, 식생 지표에 따른 개체목의 생리 활력도를 평가하는, 개체목의 생리 활력도 평가 방법을 제공한다.
Description
본 발명은 개체목의 생리 활력도 평가 방법 및 장치에 관한 것으로, 더욱 상세하게는, 반사 스펙트럼이 포함된 이미지를 이용하여 개체목에 대한 생리 활력도를 평가하는 방법 및 장치에 관한 것이다.
도시 숲 혹은 산림을 구성하는 수종에 의해서 대상 지역의 식생 구조와 서비스 기능이 결정된다. 특히, 숲 구조에 대한 정보는 벌목 모니터링, 탄소 저장량, 생물다양성 예측, 미세 기후 변동, 탄소 및 물 순환회로 모델링에 있어서 매우 중요하다. 또한 임분 구조(stand structure)에 대한 정보는 산림 경영에 있어서 필수적이다. 예를 들어 임분 구조에 대한 정보는 서식지 연속성(habitat continuity), 산불위험 통제, 목재 생산량과 임분 안정성(stand stability) 최적화를 위해서 필요하다. 따라서 수종 구성과 분포에 대한 정보는 지속 가능한 도시 숲 및 산림경영과 산림 자원 평가에 있어서 매우 중요하다.
우리나라 산림면적은 2020년 말 기준 전체 국토면적의 62.6 퍼센트인 629만 ㏊를 차지하고 있는데, 소나무, 곰솔(해송), 리기다소나무, 잣나무 등의 침엽수가 232만 ha를 차지하며 총 산림면적의 38.7 퍼센트에 해당한다. 반면에 활엽수의 면적은 33.5 퍼센트에 해당하는 200만 ha를 차지한다.
소나무속의 형태적 분류 형질은 잎의 개수와 길이, 수피의 색깔, 및 솔방울 모양이다. 소나무와 곰솔은 잎이 2개씩 모여나는데, 수피가 붉은색이고 겨울눈이 적갈색이면 소나무이고, 바닷가에 자라면서 수피가 검고 겨울눈이 흰색이면 곰솔이다. 리기다소나무는 잎이 3개씩 모여나며, 원줄기 몸통에도 잎이 나고 솔방울에 가시 같은 돌기가 있다. 잎이 5개씩 모여난다면 잣나무, 섬잣나무, 스트로브잣나무 중 하나인데, 솔방울의 씨앗비늘이 벌어지지 않고 씨앗에 날개가 없으면 잣나무, 씨앗비늘이 벌어지고 씨앗에 날개가 있으면 섬잣나무 혹은 스트로브잣나무이다. 섬잣나무는 잎의 길이가 4 내지 8 Cm, 솔방울 모양은 달걀형으로서 10 Cm 크기인 반면 스트로브잣나무는 잎과 원통형의 솔방울 길이가 각각 8 내지 14 Cm, 10 내지 20 Cm로 다소 길다.
초분광 영상(HIS, HyperSpectral Image)은 공간 정보에 가시광선과 근적외선 영역 내 수백 개의 스펙트럼 밴드에 해당하는 반사율 데이터를 갖는 영상을 의미한다. HSI 분석을 통해 대상체의 화학적 특성을 조사하고 생리학적 정보를 도출할 수 있어서 산림이나 도시 숲의 구조를 분석하고 병충해나 영양상태와 같은 생물학적 혹은 비생물학적 스트레스에 노출 여부를 대면적을 대상으로 비침습적으로 검출하고 진단하는데 활용되고 있다.
본 발명이 해결하고자 하는 기술적 과제는 개체목에 대한 반사 스펙트럼이 포함된 이미지를 이용하여 개체목의 수종을 분류하고, 생리 활력도를 평가하는 개체목의 생리 활력도 평가 방법 및 장치를 제공하는 것이다.
본 발명의 일측면은, 개체목에 대한 다수의 반사 스펙트럼(Reflectance Spectrum)이 포함된 이미지가 획득되면, 상기 다수의 반사 스펙트럼을 이용하여 상기 개체목에 대한 수종 분류 지표와 식생 지표를 설정하는 단계; 미리 학습된 분류 모델에 상기 수종 분류 지표를 입력하여 상기 개체목의 수종을 분류하는 단계; 및 상기 수종에 대한 분류 결과에 기초하여, 상기 식생 지표에 따른 상기 개체목의 생리 활력도를 평가하는 단계;를 포함할 수 있다.
또한, 상기 개체목에 대한 수종 분류 지표와 식생 지표를 설정하는 단계는, 상기 이미지에 포함된 다수의 픽셀에 대해, 픽셀 반사 스펙트럼을 추출하는 단계; 상기 픽셀 반사 스펙트럼을 이용하여 식생 지표를 산출하는 단계; 상기 식생 지표를 이용하여, 상기 이미지에서 상기 개체목이 포함되도록 상기 다수의 픽셀 중 일부에 대한 관심 영역을 결정하는 단계; 및 상기 관심 영역에 포함된 상기 픽셀 반사 스펙트럼에 대해 수종 분류 지표를 산출하는 단계;를 포함할 수 있다.
또한, 상기 개체목이 포함되도록 관심 영역을 결정하는 단계는, 상기 다수의 반사 스펙트럼을 미리 지정된 화이트 보드 표준으로 보정하는 단계; 및 상기 식생 지표에 기초하여 상기 개체목 영역을 관심 영역으로 선택하는 단계;를 포함할 수 있다.
또한, 상기 개체목 영역을 관심 영역으로 선택하는 단계는, 상기 식생 지표에 포함된 정규화 식생 지수의 값이 미리 설정된 값 이상인 영역을 상기 관심 영역으로 선택할 수 있다.
또한, 상기 분류 모델은, 학습용 수종 분류 지표와 상기 학습용 수종 분류 지표에 대한 레이블 데이터인 정답 수종 데이터를 이용하여, 상기 수종 분류 지표가 입력되면 상기 수종 분류 지표에 대한 수종 분류 결과를 출력하도록 학습된 것일 수 있다.
또한, 상기 수종 분류 지표는, 픽셀 반사 스펙트럼, 일차 미분 반사 스펙트럼, 로그 반사 스펙트럼 및 주요 반사 스펙트럼 중 적어도 하나를 포함할 수 있다.
또한, 상기 식생 지표는, 정규화 식생 지수, 엽록소 함량 지수, 광화학 반사 지수, 갈변 지수, 수분 지수 및 청록 지수 중 적어도 하나를 포함할 수 있다.
또한, 상기 개체목의 생리 활력도를 평가하는 단계는, 상기 식생 지표를 이용하여 재선충병의 감염 여부를 판단하는 단계;를 포함할 수 있다.
본 발명의 다른 일측면은, 개체목에 대한 다수의 반사 스펙트럼(Reflectance Spectrum)이 포함된 이미지가 저장되는 메모리; 및 상기 이미지가 획득되면, 상기 다수의 반사 스펙트럼을 이용하여 상기 개체목에 대한 수종 분류 지표와 식생 지표를 설정하고, 미리 학습된 분류 모델에 상기 수종 분류 지표를 입력하여 상기 개체목의 수종을 분류하며, 상기 수종에 대한 분류 결과에 기초하여, 상기 식생 지표에 따른 상기 개체목의 생리 활력도를 평가하는 프로세서;를 포함할 수 있다.
또한, 상기 프로세서는, 상기 이미지에 포함된 다수의 픽셀에 대해, 픽셀 반사 스펙트럼을 추출하고, 상기 픽셀 반사 스펙트럼을 이용하여 식생 지표를 산출하며, 상기 식생 지표를 이용하여, 상기 이미지에서 상기 개체목이 포함되도록 상기 다수의 픽셀 중 일부에 대한 관심 영역을 결정하고, 상기 관심 영역에 포함된 상기 픽셀 반사 스펙트럼에 대해 수종 분류 지표를 산출할 수 있다.
또한, 상기 프로세서는, 상기 다수의 반사 스펙트럼을 미리 지정된 화이트 보드 표준으로 보정하고, 상기 식생 지표에 기초하여 상기 개체목 영역을 관심 영역으로 선택할 수 있다.
또한, 상기 프로세서는, 상기 식생 지표에 포함된 정규화 식생 지수의 값이 미리 설정된 값 이상인 영역을 상기 관심 영역으로 선택할 수 있다.
또한, 상기 분류 모델은, 학습용 수종 분류 지표와 상기 학습용 수종 분류 지표에 대한 레이블 데이터인 정답 수종 데이터를 이용하여, 상기 수종 분류 지표가 입력되면 상기 수종 분류 지표에 대한 수종 분류 결과를 출력하도록 학습된 것일 수 있다.
또한, 상기 수종 분류 지표는, 픽셀 반사 스펙트럼, 일차 미분 반사 스펙트럼, 로그 반사 스펙트럼 및 주요 반사 스펙트럼 중 적어도 하나를 포함할 수 있다.
또한, 상기 식생 지표는, 정규화 식생 지수, 엽록소 함량 지수, 광화학 반사 지수, 갈변 지수, 수분 지수 및 청록 지수 중 적어도 하나를 포함할 수 있다.
또한, 상기 프로세서는, 상기 식생 지표를 이용하여 재선충병의 감염 여부를 판단할 수 있다.
본 발명의 또 다른 일측면은, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 개체목에 대한 다수의 반사 스펙트럼(Reflectance Spectrum)이 포함된 이미지가 획득되면, 상기 다수의 반사 스펙트럼을 이용하여 상기 개체목에 대한 수종 분류 지표와 식생 지표를 산출하는 단계; 미리 학습된 분류 모델에 상기 수종 분류 지표를 입력하여 상기 개체목의 수종을 분류하는 단계; 및 상기 수종에 대한 분류 결과에 기초하여, 상기 식생 지표에 따른 상기 개체목의 생리 활력도를 평가하는 단계;를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
본 발명의 다른 일측면은, 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 개체목에 대한 다수의 반사 스펙트럼(Reflectance Spectrum)이 포함된 이미지가 획득되면, 상기 다수의 반사 스펙트럼을 이용하여 상기 개체목에 대한 수종 분류 지표와 식생 지표를 산출하는 단계; 미리 학습된 분류 모델에 상기 수종 분류 지표를 입력하여 상기 개체목의 수종을 분류하는 단계; 및 상기 수종에 대한 분류 결과에 기초하여, 상기 식생 지표에 따른 상기 개체목의 생리 활력도를 평가하는 단계;를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
상술한 본 발명의 일측면에 따르면, 개체목의 생리 활력도 평가 방법 및 장치를 제공함으로써 개체목에 대한 반사 스펙트럼이 포함된 이미지를 이용하여 개체목의 수종을 분류하고, 생리 활력도를 평가할 수 있다.
도 1은 본 발명의 일 실시예에 따른 생리 활력도 평가 장치의 블록도이다.
도 2는 도 1의 생리 활력도 평가 프로그램의 일 실시예를 개념적으로 나타낸 블록도이다.
도 3 및 도 4은 도 2의 분류부에서 수종을 분류하도록 학습된 분류 모델의 일 실시예를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 개체목의 생리 활력도 평가 방법의 순서도이다.
도 6은 도 5의 개체목에 대한 수종 분류 지표와 식생 지표를 설정하는 단계의 세부 순서도이다.
도 7은 도 6의 이미지에서 개체목이 포함되도록 관심 영역을 결정하는 단계의 세부 순서도이다.
도 2는 도 1의 생리 활력도 평가 프로그램의 일 실시예를 개념적으로 나타낸 블록도이다.
도 3 및 도 4은 도 2의 분류부에서 수종을 분류하도록 학습된 분류 모델의 일 실시예를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 개체목의 생리 활력도 평가 방법의 순서도이다.
도 6은 도 5의 개체목에 대한 수종 분류 지표와 식생 지표를 설정하는 단계의 세부 순서도이다.
도 7은 도 6의 이미지에서 개체목이 포함되도록 관심 영역을 결정하는 단계의 세부 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예에 대하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 생리 활력도 평가 장치의 블록도이다.
도 1을 참조하면, 생리 활력도 평가 장치(100)는 입출력 모듈(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.
프로세서(120)는 입출력 모듈(110)을 통해, 개체목에 대한 다수의 반사 스펙트럼(Reflectance Spectrum)이 포함된 이미지를 획득할 수 있다.
여기에서, 개체목은 공원, 가로수, 도시 숲 및 산림 지역 등을 구성하는 수목을 의미할 수 있다. 특히, 개체목은 다양한 수종 중 침엽수를 의미하며, 이때, 침엽수는 소나무, 곰솔, 리기다소나무, 잣나무, 섬잣나무, 스트로브잣나무 등을 포함할 수 있다.
또한, 반사 스펙트럼은 가시광선과 근적외선 영역 내 수백 개의 스팩트럼 밴드에 해당하는 반사율 데이터일 수 있다. 즉, 반사 스펙트럼은 초분광 영상(HIS, HyperSpectral Image)에 포함될 수 있다. 따라서, 반사 스펙트럼이 포함된 이미지는 초분광 영상일 수 있다.
이와 같은, 이미지는 개체목을 촬영하도록 구비된 촬영 장치에 의해 촬영된 것일 수 있다. 이때, 촬영 장치는 드론 등의 이동체에 장착되어 목표 지역에 위치한 개체목에 대한 이미지를 촬영할 수 있다.
프로세서(120)는 이미지에 포함된 다수의 반사 스펙트럼을 이용하여 개체목의 수종을 분류하고, 분류 결과에 따라 개체목에 대한 생리 활력도를 평가할 수 있다.
여기에서, 수종은 개체목의 종류를 의미할 수 있다. 일 실시예에서, 소나무, 곰솔, 리기다소나무, 잣나무, 섬잣나무, 스트로브잣나무를 포함할 수 있다.
또한, 생리 활력도는 개체목의 건강 상태를 나타내며, 미리 설정된 단계 또는 수치 등을 통해 나타낼 수 있다. 또한, 생리 활력도는 재선충 감염 여부 등을 포함할 수도 있다.
한편, 메모리(130)에는 생리 활력도 평가 프로그램(200) 및 생리 활력도 평가 프로그램(200)의 실행에 필요한 정보가 저장될 수 있다.
본 명세서에서 생리 활력도 평가 프로그램(200)은 이미지에 포함된 다수의 반사 스펙트럼을 이용하여 개체목의 수종을 분류하고, 분류 결과에 따라 개체목의 생리 활력도를 평가하도록 프로그램된 명령어들을 포함하는 소프트웨어를 의미할 수 있다.
따라서, 프로세서(120)는 생리 활력도 평가 프로그램(200)을 실행하기 위하여 메모리(130)에서 생리 활력도 평가 프로그램(200) 및 생리 활력도 평가 프로그램(200)의 실행에 필요한 정보를 로드할 수 있다.
한편, 생리 활력도 평가 프로그램(200)의 기능 및/또는 동작에 대하여는 도 2를 통해 상세하게 살펴보기로 한다.
도 2는 도 1의 생리 활력도 평가 프로그램의 일 실시예를 개념적으로 나타낸 블록도이다.
도 2를 참조하면, 생리 활력도 평가 프로그램(200)은 설정부(210), 분류부(220) 및 평가부(230)를 포함할 수 있다.
도 2에 도시된 설정부(210), 분류부(220) 및 평가부(230)는 생리 활력도 평가 프로그램(200)의 기능을 쉽게 설명하기 위하여 생리 활력도 평가 프로그램(200)의 기능을 개념적으로 나눈 것으로서, 이에 한정되지 않는다. 실시예들에 따라, 설정부(210), 분류부(220) 및 평가부(230)의 기능은 병합/분리 가능하며, 하나의 프로그램에 포함된 일련의 명령어들로 구현될 수도 있다.
설정부(210)는 개체목에 대한 다수의 반사 스펙트럼(Reflectance Spectrum)이 포함된 이미지가 획득되면, 다수의 반사 스펙트럼을 이용하여 개체목에 대한 수종 분류 지표와 식생 지표를 설정할 수 있다.
이때, 수종 분류 지표는 다수의 반사 스펙트럼에 대한 전처리 결과물이며, 개체목의 수종을 분류할 수 있도록 설정되는 것일 수 있다. 또한, 식생 지표는 미리 설정된 연산 과정을 통해 픽셀 반사 스펙트럼으로부터 산출되는 결과물이며, 개체목의 생리 활력도를 판단할 수 있도록 설정되는 것일 수 있다.
일 실시예에서, 수종 분류 지표는 픽셀 반사 스펙트럼(R), 일차 미분 반사 스펙트럼(dR), 로그 반사 스펙트럼(logR) 및 주요 반사 스펙트럼(sR) 중 적어도 하나를 포함하고, 식생 지표는 정규화 식생 지수, 엽록소 함량 지수, 광화학 반사 지수, 갈변 지수, 수분 지수 및 청록 지수 중 적어도 하나를 포함할 수 있다.
다른 일 실시예에서, 수종 분류 지표는 픽셀 반사 스펙트럼, 일차 미분 반사 스펙트럼, 로그 반사 스펙트럼 및 주요 반사 스펙트럼 각각에 대한 평균 값 및 분산 값 중 적어도 하나를 더 포함할 수도 있다.
이와 관련하여, 설정부(210)는 이미지에 포함된 다수의 픽셀에 대해, 픽셀 반사 스펙트럼(R, Pixel Reflectance Spectrum)을 추출하고, 픽셀 반사 스펙트럼을 이용하여 식생 지표를 산출할 수 있다.
일 실시예에서, 설정부(210)는 아래의 수학식 1 내지 6을 통해 식생 지표를 산출할 수 있다.
수학식 1 내지 6에서, R은 픽셀 반사 스펙트럼이고, 3 자리 숫자는 픽셀 반사 스펙트럼에 대한 파장일 수 있다. 예를 들어, R550은 550 nm에서의 반사율 값이고, R670은 670 nm에서의 반사율 값일 수 있다.
또한, NDVI는 정규화 식생 지수(Normalized Difference Vegetation Index)이고, TCARI는 엽록소 함량 지수(Chlorophyll Absorption in Reflectance Index)이며, PRI는 광화학 반사 지수(Photochemical Reflectance Index)이고, CIRI는 갈변 지수(Color InfraRed Index)이며, WBI는 수분 지수(Water Band Index)이고, BGI는 청록 지수(Blue/Green index)일 수 있다.
이에 따라, 설정부(210)는 식생 지표를 이용하여, 이미지에서 개체목이 포함되도록 이미지의 다수의 픽셀 중 일부에 대한 관심 영역을 결정할 수 있다.
예를 들어, 설정부(210)는 다수의 반사 스펙트럼을 미리 지정된 화이트 보드 (White Board) 표준으로 보정하고, 식생 지표에 기초하여 개체목 영역을 관심 영역으로 선택할 수 있다.
이러한 경우에, 설정부(210)는 식생 지표에 포함된 정규화 식생 지수의 값이 미리 설정된 값 이상인 영역을 관심 영역으로 선택할 수 있다. 일 실시예에서, 설정부(210)는 이미지에서, 정규화 식생 지수의 값이 0.24 이상인 영역을 관심 영역으로 선택할 수 있다.
이에 따라, 설정부(210)는 관심 영역에 포함된 픽셀 반사 스펙트럼에 대해 수종 분류 지표를 산출할 수 있다.
이를 위해, 설정부(210)는 픽셀 반사 스펙트럼에 대해 일차 미분(First Derivative Transformation)을 수행하여 일차 미분 반사 스펙트럼을 생성하고, 픽셀 반사 스펙트럼에 대해 로그(Logarithimic Transformation)를 수행하여 로그 반사 스펙트럼을 생성할 수 있다.
또한, 설정부(210)는 픽셀 반사 스펙트럼에 대해 차원 축소(Dimensionality Reduction)를 수행하여 주요 반사 스펙트럼(sR)을 선발할 수 있다. 일 실시예에서, 주요 반사 스펙트럼은 30 개의 파장을 포함하며, 예를 들어, 광합성 색소에 따른 청녹색 영역, 680 nm 내지 710 nm의 Red Edge 영역 및 수분 함량에 따른 900 nm 내지 1000 nm 영역을 포함할 수 있다.
구체적으로, 설정부(210)는 픽셀 반사 스펙트럼에 대해, 공지된, Maximun Noise Fraction(MNF) 방법(Green, A.A., M. Berman, P. Switzer, and M.D. Craig. “A Transformation for Ordering Multispectral Data in Terms of Image Quality with Implications for Noise Removal.” IEEE Transactions on Geoscience and Remote Sensing 26, no. 1 (January 1988): 65-74. https://doi.org/10.1109/36.3001)을 이용하여 차원 축소를 수행할 수 있다.
이에 따라, 설정부(210)는 차원 축소가 수행된 픽셀 반사 스펙트럼으로부터, 픽셀 순도 지수(PPI, Pixel Purity Index)(J.W Boardman, F.A. Kruse and R.O. Green, “Mapping target signatures via partial unmixing of AVIRIS data.”, Technical Report, California, USA, 1995) 및 Fast Iterative PPI(FIPPI)(Chang, C.-I., and A. Plaza. “A Fast Iterative Algorithm for Implementation of Pixel Purity Index.” IEEE Geoscience and Remote Sensing Letters 3, no. 1(January 2006): 63-67. https://doi.org/10.1109/LGRS.2005.856701) 알고리즘을 이용하여 엔드 멤버를 추출하고, 이에 대해, Orthogonal Space Projection(OSF) 방법(Du, Qian, and He Yang. “Similarity-Based Unsupervised Band Selection for Hyperspectral Image Analysis.” IEEE Geoscience and Remote Sensing Letters, Vol. 5, no. 4 (October 2008): 564-68. https://doi.org/10.1109/LGRS.2008.2000619)을 이용하여 주요 반사 스펙트럼을 선발할 수 있다.
이에 따라, 분류부(220)는 미리 학습된 분류 모델에 수종 분류 지표를 입력하여 개체목의 수종을 분류할 수 있다.
여기에서, 분류 모델은 학습용 수종 분류 지표와 학습용 수종 분류 지표에 대한 레이블 데이터인 정답 수종 데이터를 이용하여, 수종 분류 지표가 입력되면 수종 분류 지표에 대한 수종 분류 결과를 출력하도록 학습된 것일 수 있다.
예를 들어, 분류 모델은 분류 트리, 판별분석, 나이브 베이즈(Naive Bayse), 최근접 이웃 (KNN, K Neighbor Nearest), 서포트 벡터 머신(SVM, Support Vector Machine), 분류 앙상블(Ensemble) 및 신경망 중 어느 하나 또는 둘 이상의 모델을 이용하여 학습된 것일 수 있다.
일 실시예에서, 분류 모델은 분류 앙상블(Ensemble) 모델과, 픽셀 반사 스펙트럼의 평균, 일차 미분 반사 스펙트럼, 로그 반사 스펙트럼 및 주요 반사 스펙트럼을 포함하는 수종 분류 지표를 이용하는 경우, 정확도 89 퍼센트, 예측도 90 퍼센트, 카파지수 0.85의 조건을 충족할 때까지 학습을 반복한 것일 수 있다.
이를 통해, 분류부(220)는 이미지에 포함된 개체목의 수종을 판단할 수 있다. 예를 들어, 분류부(220)는 이미지에 포함된 개체목의 수종을 소나무, 곰솔, 리기다소나무, 잣나무, 섬잣나무, 스트로브잣나무 중 어느 하나로 판단할 수 있다.
이에 따라, 평가부(230)는 수종에 대한 분류 결과에 기초하여, 식생 지표에 따른 개체목의 생리 활력도를 평가할 수 있다. 이를 위해, 평가부(230)는 수종 별로 미리 마련된 식생 지표의 분포에 기초하여 생리 활력도를 평가할 수 있다.
여기에서, 미리 마련된 식생 지표의 분포는 수종 별 식생 지표와 생리 활력도 간의 관계를 나타내는 데이터 베이스(DB, Database)일 수 있다. 이와 같은, 데이터 베이스는 메모리(130)에 저장될 수 있다.
따라서, 평가부(230)는 설정부(210)에서 설정된 식생 지표에 대해, 수종 별로 마련된 데이터 베이스에서의 수준을 평가하여 생리 활력도를 결정할 수 있다.
한편, 평가부(230)는 식생 지표를 이용하여 재선충병의 감염 여부를 판단할 수도 있다.
이와 관련하여, 평가부(230)는 수종 별로, 생리 활력도의 수준 및 재선충병 감염 여부에 대한 식생 지표의 범위가 미리 설정될 수 있다. 예를 들어, 생리 활력도가 건강 상태, 재선충병 감염 상태 및 수분 부족 상태를 포함하는 경우, 평가부(230)는 식생 지표와 관련하여, 건강 상태, 재선충병 감염 상태 및 수분 부족 상태에 대한 각각의 범위가 미리 설정되고, 또한, 각각의 레벨에 대한 범위는 수종 별로 다르게 설정될 수 있다.
이에 따라, 평가부(230)는 분류부(220)에 의한 수종 분류 결과와 설정부(210)에 의한 식생 지표를 이용하여 이미지에 포함된 개체목에 대한 생리 활력도를 평가할 수 있다.
도 3 및 도 4은 도 2의 분류부에서 수종을 분류하도록 학습된 분류 모델의 일 실시예를 나타낸 도면이다.
도 3을 참조하면, 분류 모델(221)이 학습되는 과정을 확인할 수 있다. 구체적으로, 분류 모델(221)은 학습용 수종 분류 지표(11)와 학습용 수종 분류 지표(11)에 대한 레이블 데이터인 정답 수종 데이터(31)를 이용하여 학습될 수 있다.
이때, 학습용 수종 분류 지표(11)는 픽셀 반사 스펙트럼(R), 일차 미분 반사 스펙트럼(dR), 로그 반사 스펙트럼(logR) 및 주요 반사 스펙트럼(sR) 각각에 대응되는 학습용 데이터를 포함할 수 있다.
이에 대한, 정답 수종 데이터(31)는 소나무(PI), 리기다소나무(RI), 해송(SE), 섬잣나무(IL), 잣나무(NU), 스트로브잣나무(ST)를 포함할 수 있다.
한편, 아래의 표 1을 참조하면, 학습된 분류 모델(221)을 이용한 분류 결과에 대한 일 실시예를 확인할 수 있다.
여기에서, Whole Bands는 이미지에서 추출 가능한 모든 반사 스펙트럼을 의미하고, Selected Bands는 이미지에서 추출 가능한 다수의 반사 스펙트럼 중 선별된 주요 반사 스펙트럼을 의미할 수 있다.
또한, OA는 분류 모델(221)의 정확도이고, PA는 분류 모델(221)의 예측도이며, K-value는 분류 모델(221)의 카파 상관계수일 수 있다.
도 4를 참조하면, 분류 모델(221)이 이용되는 과정을 확인할 수 있다. 구체적으로, 분류부(220)는 학습된 분류 모델에 수종 분류 지표(10)를 입력하여 개체목의 수종(30)을 분류할 수 있다.
이때, 수종 분류 지표(10)는 픽셀 반사 스펙트럼(R), 일차 미분 반사 스펙트럼(dR), 로그 반사 스펙트럼(logR) 및 주요 반사 스펙트럼(sR) 중 적어도 하나를 포함하고, 분류 결과인 개체목의 수종(30)은 소나무(PI), 리기다소나무(RI), 해송(SE), 섬잣나무(IL), 잣나무(NU), 스트로브잣나무(ST)를 포함할 수 있다.
도 5는 본 발명의 일 실시예에 따른 개체목의 생리 활력도 평가 방법의 순서도이다.
도 5를 참조하면, 프로세서(120)는 개체목에 대한 다수의 반사 스펙트럼(Reflectance Spectrum)이 포함된 이미지가 획득되면, 다수의 반사 스펙트럼을 이용하여 개체목에 대한 수종 분류 지표(10)와 식생 지표를 설정할 수 있다(S100).
이에 따라, 프로세서(120)는 미리 학습된 분류 모델(221)에 수종 분류 지표(10)를 입력하여 개체목의 수종(30)을 분류할 수 있다(S200).
또한, 프로세서(120)는 수종(30)에 대한 분류 결과에 기초하여, 식생 지표에 따른 개체목의 생리 활력도를 평가할 수 있다(S300).
도 6은 도 5의 개체목에 대한 수종 분류 지표와 식생 지표를 설정하는 단계의 세부 순서도이다.
도 6을 참조하면, 프로세서(120)는 이미지에 포함된 다수의 픽셀에 대해, 픽셀 반사 스펙트럼을 추출할 수 있다(S110).
이에 따라, 프로세서(120)는 픽셀 반사 스펙트럼을 이용하여 식생 지표를 산출할 수 있다(S120).
이때, 프로세서(120)는 식생 지표를 이용하여, 이미지에서 개체목이 포함되도록 관심 영역을 결정할 수 있다(S130).
이를 통해, 프로세서(120)는 관심 영역에 포함된 픽셀 반사 스펙트럼에 대해 수종 분류 지표(10)를 산출할 수 있다(S140).
도 7은 도 6의 이미지에서 개체목이 포함되도록 관심 영역을 결정하는 단계의 세부 순서도이다.
도 7을 참조하면, 프로세서(120)는 다수의 반사 스펙트럼을 미리 지정된 화이트 보드 표준으로 보정할 수 있다(S131).
또한, 프로세서(120)는 식생 지표에 기초하여 개체목 영역을 관심 영역으로 선택할 수 있다(S132).
본 문서의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)(예: 메모리(내장 메모리 또는 외장 메모리))에 저장된 명령어를 포함하는 소프트웨어(예: 프로그램)로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치(예: 장치)를 포함할 수 있다. 상기 명령이 프로세서(예: 프로세서)에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
10: 수종 분류 지표
11: 학습용 수종 분류 지표
30: 수종
31: 학습용 수종
100: 생리 활력도 평가 장치
11: 학습용 수종 분류 지표
30: 수종
31: 학습용 수종
100: 생리 활력도 평가 장치
Claims (18)
- 개체목에 대한 다수의 반사 스펙트럼(Reflectance Spectrum)이 포함된 이미지가 획득되면, 상기 다수의 반사 스펙트럼을 이용하여 상기 개체목에 대한 수종 분류 지표와 식생 지표를 설정하는 단계;
미리 학습된 분류 모델에 상기 수종 분류 지표를 입력하여 상기 개체목의 수종을 분류하는 단계; 및
상기 수종에 대한 분류 결과에 기초하여, 상기 식생 지표에 따른 상기 개체목의 생리 활력도를 평가하는 단계;를 포함하되,
상기 수종 분류 지표는, 픽셀 반사 스펙트럼, 일차 미분 반사 스펙트럼, 로그 반사 스펙트럼 및 주요 반사 스펙트럼 각각에 대한 평균값 및 분산값 중 적어도 하나를 포함하고,
상기 수종 분류 지표와 식생 지표를 설정하는 단계는,
상기 픽셀 반사 스펙트럼에 대해 차원 축소(dimensionality reduction)를 수행하는 단계; 및
상기 차원 축소가 수행된 상기 픽셀 반사 스펙트럼으로부터 상기 주요 반사 스펙트럼을 선발하는 단계;를 포함하는, 개체목의 생리 활력도 평가 방법. - 제 1 항에 있어서, 상기 개체목에 대한 수종 분류 지표와 식생 지표를 설정하는 단계는,
상기 이미지에 포함된 다수의 픽셀에 대해, 픽셀 반사 스펙트럼을 추출하는 단계;
상기 픽셀 반사 스펙트럼을 이용하여 식생 지표를 산출하는 단계;
상기 식생 지표를 이용하여, 상기 이미지에서 상기 개체목이 포함되도록 상기 다수의 픽셀 중 일부에 대한 관심 영역을 결정하는 단계; 및
상기 관심 영역에 포함된 상기 픽셀 반사 스펙트럼에 대해 수종 분류 지표를 산출하는 단계;를 포함하는, 개체목의 생리 활력도 평가 방법. - 제 2 항에 있어서, 상기 개체목이 포함되도록 관심 영역을 결정하는 단계는,
상기 다수의 반사 스펙트럼을 미리 지정된 화이트 보드 표준으로 보정하는 단계; 및
상기 식생 지표에 기초하여 상기 개체목의 영역을 상기 관심 영역으로 선택하는 단계;를 포함하는, 개체목의 생리 활력도 평가 방법. - 제 3 항에 있어서, 상기 개체목의 영역을 상기 관심 영역으로 선택하는 단계는,
상기 식생 지표에 포함된 정규화 식생 지수의 값이 미리 설정된 값 이상인 영역을 상기 관심 영역으로 선택하는, 개체목의 생리 활력도 평가 방법. - 제 1 항에 있어서, 상기 분류 모델은,
학습용 수종 분류 지표와 상기 학습용 수종 분류 지표에 대한 레이블 데이터인 정답 수종 데이터를 이용하여, 상기 수종 분류 지표가 입력되면 상기 수종 분류 지표에 대한 수종 분류 결과를 출력하도록 학습된 것인, 개체목의 생리 활력도 평가 방법. - 삭제
- 제 1 항에 있어서, 상기 식생 지표는,
정규화 식생 지수, 엽록소 함량 지수, 광화학 반사 지수, 갈변 지수, 수분 지수 및 청록 지수 중 적어도 하나를 포함하는, 개체목의 생리 활력도 평가 방법. - 제 1 항에 있어서, 상기 개체목의 생리 활력도를 평가하는 단계는,
상기 식생 지표를 이용하여 재선충병의 감염 여부를 판단하는 단계;를 포함하는, 개체목의 생리 활력도 평가 방법. - 개체목에 대한 다수의 반사 스펙트럼(Reflectance Spectrum)이 포함된 이미지가 저장되는 메모리; 및
상기 이미지가 획득되면, 상기 다수의 반사 스펙트럼을 이용하여 상기 개체목에 대한 수종 분류 지표와 식생 지표를 설정하고, 미리 학습된 분류 모델에 상기 수종 분류 지표를 입력하여 상기 개체목의 수종을 분류하며, 상기 수종에 대한 분류 결과에 기초하여, 상기 식생 지표에 따른 상기 개체목의 생리 활력도를 평가하는 프로세서;를 포함하되,
상기 수종 분류 지표는, 픽셀 반사 스펙트럼, 일차 미분 반사 스펙트럼, 로그 반사 스펙트럼 및 주요 반사 스펙트럼 각각에 대한 평균값 및 분산값 중 적어도 하나를 포함하고,
상기 프로세서는, 상기 픽셀 반사 스펙트럼에 대해 차원 축소를 수행하며, 상기 차원 축소가 수행된 상기 픽셀 반사 스펙트럼으로부터 상기 주요 반사 스펙트럼을 선발하는, 생리 활력도 평가 장치. - 제 9 항에 있어서, 상기 프로세서는,
상기 이미지에 포함된 다수의 픽셀에 대해, 픽셀 반사 스펙트럼을 추출하고, 상기 픽셀 반사 스펙트럼을 이용하여 식생 지표를 산출하며, 상기 식생 지표를 이용하여, 상기 이미지에서 상기 개체목이 포함되도록 상기 다수의 픽셀 중 일부에 대한 관심 영역을 결정하고, 상기 관심 영역에 포함된 상기 픽셀 반사 스펙트럼에 대해 수종 분류 지표를 산출하는, 생리 활력도 평가 장치. - 제 10 항에 있어서, 상기 프로세서는,
상기 다수의 반사 스펙트럼을 미리 지정된 화이트 보드 표준으로 보정하고, 상기 식생 지표에 기초하여 상기 개체목의 영역을 상기 관심 영역으로 선택하는, 생리 활력도 평가 장치. - 제 11 항에 있어서, 상기 프로세서는,
상기 식생 지표에 포함된 정규화 식생 지수의 값이 미리 설정된 값 이상인 영역을 상기 관심 영역으로 선택하는, 생리 활력도 평가 장치. - 제 9 항에 있어서, 상기 분류 모델은,
학습용 수종 분류 지표와 상기 학습용 수종 분류 지표에 대한 레이블 데이터인 정답 수종 데이터를 이용하여, 상기 수종 분류 지표가 입력되면 상기 수종 분류 지표에 대한 수종 분류 결과를 출력하도록 학습된 것인, 생리 활력도 평가 장치. - 삭제
- 제 13 항에 있어서, 상기 식생 지표는,
정규화 식생 지수, 엽록소 함량 지수, 광화학 반사 지수, 갈변 지수, 수분 지수 및 청록 지수 중 적어도 하나를 포함하는, 생리 활력도 평가 장치. - 제 9 항에 있어서, 상기 프로세서는,
상기 식생 지표를 이용하여 재선충병의 감염 여부를 판단하는, 생리 활력도 평가 장치. - 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
개체목에 대한 다수의 반사 스펙트럼(Reflectance Spectrum)이 포함된 이미지가 획득되면, 상기 다수의 반사 스펙트럼을 이용하여 상기 개체목에 대한 수종 분류 지표와 식생 지표를 설정하는 단계;
미리 학습된 분류 모델에 상기 수종 분류 지표를 입력하여 상기 개체목의 수종을 분류하는 단계; 및
상기 수종에 대한 분류 결과에 기초하여, 상기 식생 지표에 따른 상기 개체목의 생리 활력도를 평가하는 단계;를 포함하되,
상기 수종 분류 지표는, 픽셀 반사 스펙트럼, 일차 미분 반사 스펙트럼, 로그 반사 스펙트럼 및 주요 반사 스펙트럼 각각에 대한 평균값 및 분산값 중 적어도 하나를 포함하고,
상기 수종 분류 지표와 식생 지표를 설정하는 단계는,
상기 픽셀 반사 스펙트럼에 대해 차원 축소를 수행하는 단계; 및
상기 차원 축소가 수행된 상기 픽셀 반사 스펙트럼으로부터 상기 주요 반사 스펙트럼을 선발하는 단계;를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 판독 가능한 기록매체. - 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
개체목에 대한 다수의 반사 스펙트럼(Reflectance Spectrum)이 포함된 이미지가 획득되면, 상기 다수의 반사 스펙트럼을 이용하여 상기 개체목에 대한 수종 분류 지표와 식생 지표를 설정하는 단계;
미리 학습된 분류 모델에 상기 수종 분류 지표를 입력하여 상기 개체목의 수종을 분류하는 단계; 및
상기 수종에 대한 분류 결과에 기초하여, 상기 식생 지표에 따른 상기 개체목의 생리 활력도를 평가하는 단계;를 포함하되,
상기 수종 분류 지표는, 픽셀 반사 스펙트럼, 일차 미분 반사 스펙트럼, 로그 반사 스펙트럼 및 주요 반사 스펙트럼 각각에 대한 평균값 및 분산값 중 적어도 하나를 포함하고,
상기 수종 분류 지표와 식생 지표를 설정하는 단계는,
상기 픽셀 반사 스펙트럼에 대해 차원 축소를 수행하는 단계; 및
상기 차원 축소가 수행된 상기 픽셀 반사 스펙트럼으로부터 상기 주요 반사 스펙트럼을 선발하는 단계;를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 프로그램.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220072216A KR102568657B1 (ko) | 2022-06-14 | 2022-06-14 | 개체목의 생리 활력도 평가 방법 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220072216A KR102568657B1 (ko) | 2022-06-14 | 2022-06-14 | 개체목의 생리 활력도 평가 방법 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102568657B1 true KR102568657B1 (ko) | 2023-08-22 |
Family
ID=87799477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220072216A KR102568657B1 (ko) | 2022-06-14 | 2022-06-14 | 개체목의 생리 활력도 평가 방법 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102568657B1 (ko) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001144972A (ja) * | 1999-11-18 | 2001-05-25 | Fuji Photo Film Co Ltd | マルチスペクトル画像収録・処理装置および画像収録・処理方法 |
KR100935857B1 (ko) * | 2009-08-25 | 2010-01-07 | 홍종옥 | 항공라이다와 디지털항공사진을 이용한 3차원 산림지리정보 생성 시스템 및 그 방법 |
KR101760473B1 (ko) | 2017-03-31 | 2017-07-25 | (주)아세아항측 | 항공촬영 모식형 항공초분광 센서 지상 촬영 도구 |
KR20200124790A (ko) * | 2019-04-24 | 2020-11-04 | 경북대학교 산학협력단 | 식생 조사 장치, 식생 조사 시스템 및 식생 조사 방법 |
KR102323801B1 (ko) * | 2021-01-07 | 2021-11-10 | 주식회사 유오케이 | 3D Lidar를 기반으로 한 식생 관리 시스템 및 방법 |
JP2022014139A (ja) * | 2020-07-06 | 2022-01-19 | 株式会社日立製作所 | 植生管理システム及び植生管理方法 |
-
2022
- 2022-06-14 KR KR1020220072216A patent/KR102568657B1/ko active IP Right Grant
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001144972A (ja) * | 1999-11-18 | 2001-05-25 | Fuji Photo Film Co Ltd | マルチスペクトル画像収録・処理装置および画像収録・処理方法 |
KR100935857B1 (ko) * | 2009-08-25 | 2010-01-07 | 홍종옥 | 항공라이다와 디지털항공사진을 이용한 3차원 산림지리정보 생성 시스템 및 그 방법 |
KR101760473B1 (ko) | 2017-03-31 | 2017-07-25 | (주)아세아항측 | 항공촬영 모식형 항공초분광 센서 지상 촬영 도구 |
KR20200124790A (ko) * | 2019-04-24 | 2020-11-04 | 경북대학교 산학협력단 | 식생 조사 장치, 식생 조사 시스템 및 식생 조사 방법 |
JP2022014139A (ja) * | 2020-07-06 | 2022-01-19 | 株式会社日立製作所 | 植生管理システム及び植生管理方法 |
KR102323801B1 (ko) * | 2021-01-07 | 2021-11-10 | 주식회사 유오케이 | 3D Lidar를 기반으로 한 식생 관리 시스템 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhargava et al. | Fruits and vegetables quality evaluation using computer vision: A review | |
Kruse et al. | Pixel classification methods for identifying and quantifying leaf surface injury from digital images | |
García-Mateos et al. | Study and comparison of color models for automatic image analysis in irrigation management applications | |
Bauriegel et al. | Early detection of Fusarium infection in wheat using hyper-spectral imaging | |
Bock et al. | Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging | |
Al-Hiary et al. | Fast and accurate detection and classification of plant diseases | |
Zhang et al. | Development of Fusarium head blight classification index using hyperspectral microscopy images of winter wheat spikelets | |
CN110376202B (zh) | 基于成像高光谱技术的茶树炭疽病病斑识别方法 | |
WO2021012898A1 (zh) | 基于人工智能的农业保险查勘方法及相关设备 | |
CN114766041A (zh) | 用于确定作物损害的系统和方法 | |
Dutta et al. | Segmentation of unhealthy leaves in cruciferous crops for early disease detection using vegetative indices and Otsu thresholding of aerial images | |
Zhang et al. | Integrating spectral and image data to detect Fusarium head blight of wheat | |
Jiang et al. | Assessing mangrove leaf traits under different pest and disease severity with hyperspectral imaging spectroscopy | |
CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
CN115311588A (zh) | 基于无人机遥感图像的松材线虫病害立木检测方法及装置 | |
Agjee et al. | Remote sensing bio-control damage on aquatic invasive alien plant species | |
Gao et al. | In-field chlorophyll estimation based on hyperspectral images segmentation and pixel-wise spectra clustering of wheat canopy | |
Kannan | An efficient deep neural network for disease detection in rice plant using XGBOOST ensemble learning framework | |
CN108846370B (zh) | 一种小麦白粉病中晚期病害严重度自动分析方法 | |
Picon et al. | Deep convolutional neural network for damaged vegetation segmentation from RGB images based on virtual NIR-channel estimation | |
Das et al. | Detection of diseases on visible part of plant—A review | |
KR102568657B1 (ko) | 개체목의 생리 활력도 평가 방법 및 장치 | |
Du et al. | Diagnostic model for wheat leaf conditions using image features and a support vector machine | |
Ding et al. | Feature extraction of hyperspectral images for detecting immature green citrus fruit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GRNT | Written decision to grant |