KR102646217B1 - 재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법 및 그 장치 - Google Patents
재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법 및 그 장치 Download PDFInfo
- Publication number
- KR102646217B1 KR102646217B1 KR1020220028057A KR20220028057A KR102646217B1 KR 102646217 B1 KR102646217 B1 KR 102646217B1 KR 1020220028057 A KR1020220028057 A KR 1020220028057A KR 20220028057 A KR20220028057 A KR 20220028057A KR 102646217 B1 KR102646217 B1 KR 102646217B1
- Authority
- KR
- South Korea
- Prior art keywords
- hyperspectral
- tree
- wilt disease
- infected
- index
- Prior art date
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 89
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 89
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 67
- 208000024891 symptom Diseases 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 18
- 241000218631 Coniferophyta Species 0.000 title claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000000985 reflectance spectrum Methods 0.000 claims description 17
- 241000244206 Nematoda Species 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 208000000291 Nematode infections Diseases 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000010561 standard procedure Methods 0.000 claims 1
- 241000018646 Pinus brutia Species 0.000 description 37
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 36
- 235000011613 Pinus brutia Nutrition 0.000 description 36
- 230000006870 function Effects 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 4
- 241000243771 Bursaphelenchus xylophilus Species 0.000 description 3
- 235000000405 Pinus densiflora Nutrition 0.000 description 3
- 240000008670 Pinus densiflora Species 0.000 description 3
- 238000013399 early diagnosis Methods 0.000 description 3
- 240000007320 Pinus strobus Species 0.000 description 2
- 241001073293 Setophaga pinus Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 241000218691 Cupressaceae Species 0.000 description 1
- 235000018783 Dacrycarpus dacrydioides Nutrition 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 235000008578 Pinus strobus Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004887 air purification Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012252 genetic analysis Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G01N21/17—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
- 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
- G06N20/00—Machine learning
-
- 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
-
- 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
- G01N2021/1765—Method using an image detector and processing of image signal
-
- 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)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Food Science & Technology (AREA)
- Quality & Reliability (AREA)
- Medicinal Chemistry (AREA)
- Wood Science & Technology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Botany (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
본 발명에 따른 재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법은, 목표 산림지역의 초분광 영상 이미지를 획득하는 단계와, 획득된 상기 초분광 영상 이미지의 데이터를 전처리하는 단계와, 전처리된 데이터로부터 재선충병의 감염판단 지표를 추출하는 단계와, 추출된 상기 감염판단 지표에 의거하여 재선충 감염 의심목의 존재 여부를 판단하는 단계와, 상기 재선충 감염 의심목으로 판단되면, 갈변현상의 발생 여부를 판단하는 단계와, 상기 갈변현상의 발생으로 판단되면 상기 재선충 감염 의심목을 재선충 감염목으로 분류하는 단계와, 상기 재선충 감염목의 분류 결과에 의거하여 상기 목표 산림지역의 침엽수 생리 활력도를 평가하는 단계를 포함할 수 있다.
Description
본 발명은 침엽수의 생리 활력도를 평가하는 기법에 관한 것으로, 더욱 상세하게는 대상 산림지역으로부터 획득한 초분광 영상 이미지에 의거하여 판별되는 재선충병 감염증상에 기반하여 침엽수 생리 활력도를 평가할 수 있는 재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법 및 그 장치에 관한 것이다.
알려진 바와 같이, 재선충(Pine wood nematode, Bursaphelenchus xylophilus)은 소나무, 잣나무, 해송 등에 소나무 재선충병(Pine Wilt Disease)을 일으키는 유해한 해충을 의미한다.
대한민국의 경우 국토의 65.2%는 산림이며, 목재나 조경제 공급원으로서 뿐만 아니라 온실가스 흡수와 저장, 산림경관 제공, 토사유출 방지, 산소 공급, 대기정화, 생물다양성 보존 등의 공익적 가치가 매우 큰 상황이다.
대한민국의 산림청 임업통계연보(2016년)상 소나무의 산림면적은 2015년 기준으로 전체 산림면적 중 약 24.6%에 해당되며, 소나무 재선충병 발생면적은 2015년 기준으로 9,048ha로서 대략 0.58%의 소나무가 피해를 입고 있는 실정이다.
소나무 재선충병은 1mm 정도 크기의 선충이 솔수염하늘소 혹은 북방수염하늘소를 매개로 소나무에 칩입하여 양분과 수분의 이동통로를 방해함으로써 고사한다고 보고되어 있으나 아직 정확한 고사원인은 밝혀지지 않고 있다.
소나무 재선충병은 북미에서 시작된 이후 일본을 거쳐 한국, 중국, 러시아 등 극동아시아를 포함해서 유럽의 스페인, 포르투칼에 이르기까지 전 세계적으로 확산되고 있다.
소나무 재선충병에 감염되면 3~6개월 후 잎이 아래로 처지면서 점진적으로 검붉은색으로 변하면서 고사하게 된다.
소나무 재선충병은 감염 시 100% 고사율을 보이고 매개충을 통한 강한 전파력 때문에 그 위험성이 매우 심각한 실정이다.
육안으로 식별 가능한 붉은색을 띠는 소나무는 다시 살릴 수 없어서 피해고사목을 벌목함으로써 전파를 최소화하는 대책이 거의 유일하다.
소나무류(소나무, 해송, 잣나무 등)에 대한 소나무 재선충병의 조기진단은 예찰과 조기방제에 필수적이나 육안으로 식별가능한 시기에 현미경으로 선충을 관찰하거나 소나무 재선충 특이 유전자 발현유무를 검사하는 유전자 분석법에 의존하고 있다.
그러나, 기존의 현미경 검사법이나 소나무 재선충 PCR 검사법은 시료를 채취하는 위치에 따라 진단 결과가 잘못 판단될 수 있기 때문에 조기진단이 불가능하다는 문제가 있다.
본 발명은 대상 산림지역으로부터 획득한 초분광 영상 이미지에 의거하여 판별되는 재선충병 감염증상에 기반하여 침엽수 활력도를 평가할 수 있는 재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법 및 그 장치를 제공하고자 한다.
본 발명이 해결하고자 하는 과제는 상기에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재들로부터 본 발명이 속하는 통상의 지식을 가진 자에 의해 명확하게 이해될 수 있을 것이다.
본 발명은, 일 관점에 따라, 목표 산림지역의 초분광 영상 이미지를 획득하는 단계와, 획득된 상기 초분광 영상 이미지의 데이터를 전처리하는 단계와, 전처리된 데이터로부터 재선충병의 감염판단 지표를 추출하는 단계와, 추출된 상기 감염판단 지표에 의거하여 재선충 감염 의심목의 존재 여부를 판단하는 단계와, 상기 재선충 감염 의심목으로 판단되면, 갈변현상의 발생 여부를 판단하는 단계와, 상기 갈변현상의 발생으로 판단되면 상기 재선충 감염 의심목을 재선충 감염목으로 분류하는 단계와, 상기 재선충 감염목의 분류 결과에 의거하여 상기 목표 산림지역의 침엽수 생리 활력도를 평가하는 단계를 포함하는 재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법을 제공할 수 있다.
본 발명의 상기 초분광 영상 이미지는, 상기 목표 산림지역을 비행하는 비행체에 장착된 초분광 카메라로부터 획득될 수 있다.
본 발명의 상기 전처리하는 단계는, 상기 초분광 영상 이미지의 데이터의 반사율 스펙트럼을 화이트보드(white board) 표준으로 보정될 수 있다.
본 발명의 상기 전처리하는 단계는, 상기 전처리된 데이터의 원본 영상으로부터 비초목 배경(nonvegetation background)을 최소로 포함하는 영역을 평가 대상으로 선택할 수 있다.
본 발명의 상기 재선충병의 감염판단 지표는, 상기 전처리된 데이터로부터 추출한 초분광 식생지수와 초분광 엔드멤버를 포함할 수 있다.
본 발명의 상기 재선충 감염 의심목의 존재 여부를 판단하는 단계는, 상기 초분광 식생지수의 평균과 분산값이 기 설정된 범위 이내이면, 상기 재선충 감염 의심목으로 판단할 수 있다.
본 발명의 상기 재선충 감염 의심목의 존재 여부를 판단하는 단계는, 상기 초분광 식생지수를 포함하는 초분광 지표를 기계학습 알고리즘으로 분류한 후 기 설정된 조건이 충족되면, 상기 재선충 감염 의심목으로 판단할 수 있다.
본 발명의 상기 기 설정된 조건은, 정확도, 예측도, 카파지수를 포함할 수 있다.
본 발명의 상기 재선충 감염 의심목의 존재 여부를 판단하는 단계는, 상기 초분광 엔드멤버의 반사율 스펙트럼과 유사도 지수를 계산한 후, 그 계산 결과가 기 설정된 기준값 이하이면, 상기 재선충 감염 의심목으로 판단할 수 있다.
본 발명의 평가된 상기 침엽수 생리 활력도는, 상기 목표 산림지역의 사후 방제 작업에 활용될 수 있다.
본 발명은, 다른 관점에 따라, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 목표 산림지역의 초분광 영상 이미지를 획득하는 단계와, 획득된 상기 초분광 영상 이미지의 데이터를 전처리하는 단계와, 전처리된 데이터로부터 재선충병의 감염판단 지표를 추출하는 단계와, 추출된 상기 감염판단 지표에 의거하여 재선충 감염 의심목의 존재 여부를 판단하는 단계와, 상기 재선충 감염 의심목으로 판단되면, 갈변현상의 발생 여부를 판단하는 단계와, 상기 갈변현상의 발생으로 판단되면 상기 재선충 감염 의심목을 재선충 감염목으로 분류하는 단계와, 상기 재선충 감염목의 분류 결과에 의거하여 상기 목표 산림지역의 침엽수 생리 활력도를 평가하는 단계를 포함하는 동작을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 판독 가능한 기록매체를 제공할 수 있다.
본 발명은, 또 다른 관점에 따라, 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 목표 산림지역의 초분광 영상 이미지를 획득하는 단계와, 획득된 상기 초분광 영상 이미지의 데이터를 전처리하는 단계와, 전처리된 데이터로부터 재선충병의 감염판단 지표를 추출하는 단계와, 추출된 상기 감염판단 지표에 의거하여 재선충 감염 의심목의 존재 여부를 판단하는 단계와, 상기 재선충 감염 의심목으로 판단되면, 갈변현상의 발생 여부를 판단하는 단계와, 상기 갈변현상의 발생으로 판단되면 상기 재선충 감염 의심목을 재선충 감염목으로 분류하는 단계와, 상기 재선충 감염목의 분류 결과에 의거하여 상기 목표 산림지역의 침엽수 생리 활력도를 평가하는 단계를 포함하는 동작을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 프로그램을 제공할 수 있다.
본 발명은, 또 다른 관점에 따라, 목표 산림지역의 초분광 영상 이미지를 획득하는 영상 이미지 획득부와, 획득된 상기 초분광 영상 이미지의 데이터를 전처리하는 영상 전처리부와, 전처리된 데이터로부터 재선충병의 감염판단 지표를 추출하는 판단 지표 추출부와, 추출된 상기 감염판단 지표에 의거하여 재선충 감염 의심목의 존재 여부를 판단하는 의심목 판단부와, 상기 재선충 감염 의심목으로 판단되면, 갈변현상의 발생 여부를 판단하는 갈변현상 판단부와, 상기 갈변현상의 발생으로 판단되면 상기 재선충 감염 의심목을 재선충 감염목으로 분류하는 감염목 판단부와, 상기 재선충 감염목의 분류 결과에 의거하여 상기 목표 산림지역의 침엽수 생리 활력도를 평가하는 생리 활력도 평가부를 포함하는 재선충병 감염증상 기반의 침엽수 생리 활력도 평가 장치를 제공할 수 있다.
본 발명의 상기 영상 이미지 획득부는, 상기 목표 산림지역을 비행하는 비행체에 장착된 초분광 카메라로부터 상기 초분광 영상 이미지를 획득할 수 있다.
본 발명의 상기 영상 전처리부는, 상기 초분광 영상 이미지의 데이터의 반사율 스펙트럼을 화이트보드(white board) 표준으로 보정할 수 있다.
본 발명의 상기 영상 전처리부는, 상기 전처리된 데이터의 원본 영상으로부터 비초목 배경(nonvegetation background)을 최소로 포함하는 영역을 평가 대상으로 선택할 수 있다.
본 발명의 상기 판단 지표 추출부는, 상기 전처리된 데이터로부터 추출한 초분광 식생지수와 초분광 엔드멤버를 상기 감염판단 지표로 추출할 수 있다.
본 발명의 상기 의심목 판단부는, 상기 초분광 식생지수의 할 수 있다.평균과 분산값이 기 설정된 범위 이내이면, 상기 재선충 감염 의심목으로 판단할 수 있다.
본 발명의 상기 의심목 판단부는, 상기 초분광 식생지수를 포함하는 초분광 지표를 기계학습 알고리즘으로 분류한 후 기 설정된 조건이 충족되면, 상기 재선충 감염 의심목으로 판단할 수 있다.
본 발명의 상기 의심목 판단부는, 상기 초분광 엔드멤버의 반사율 스펙트럼과 유사도 지수를 계산한 후, 그 계산 결과가 기 설정된 기준값 이하이면, 상기 재선충 감염 의심목으로 판단할 수 있다.
본 발명의 실시예에 따르면, 대상 산림지역으로부터 획득한 초분광 영상 이미지에 의거하여 판별되는 재선충병 감염증상에 기반하여 침엽수 생리 활력도를 평가함으로써, 비파괴적 및 실시간으로 소나무 재선충병을 조기 진단할 수 있으며, 이를 통해 소나무 재선충병에 기인하는 산림 피해를 최소화할 수 있다.
본 발명의 실시예에 따르면, 사람이 쉽게 접근하기 어려운 산림에서 비행체를 이용한 초분광 영상 분석진단 기법을 적용함으로써, 대면적의 소나무 재선충병 피해를 조기에 막을 수 있으며, 신속하고 정확한 예찰 시스템을 구축할 수 있다.
도 1은 본 발명의 실시예에 따른 재선충병 감염증상 기반의 침엽수 생리 활력도 평가 장치에 대한 블록 구성도이다.
도 2는 본 발명의 실시예에 따라 재선충병 감염증상 지수를 기반으로 침엽수 생리 활력도를 평가하는 주요 과정을 도시한 순서도이다.
도 3은 반사율 그래프로부터 NIR(R750), R(R670), G(R550) 영역의 세 점을 잇는 삼각형 면적을 나타내는 CIRI 지수 및 재선충병 증상 단계(R1, R2, R3)에 따른 CIRI 값의 예시를 보여주는 그래프이다.
도 4는 PWS를 보이는 소나무와 잣나무의 RBG, R, dR, LogR, 그리고 식생지수의 풍부도에 대한 대표 영상의 예시도이다.
도 5는 소나무 재선충병 감염 초기(녹색, G), 감염 중기(황갈색, YB) 및 감염 후기(적갈색, RB) 단계 소나무 유식물의 RGB와 CIR 이미지에 대한 예시도이다.
도 2는 본 발명의 실시예에 따라 재선충병 감염증상 지수를 기반으로 침엽수 생리 활력도를 평가하는 주요 과정을 도시한 순서도이다.
도 3은 반사율 그래프로부터 NIR(R750), R(R670), G(R550) 영역의 세 점을 잇는 삼각형 면적을 나타내는 CIRI 지수 및 재선충병 증상 단계(R1, R2, R3)에 따른 CIRI 값의 예시를 보여주는 그래프이다.
도 4는 PWS를 보이는 소나무와 잣나무의 RBG, R, dR, LogR, 그리고 식생지수의 풍부도에 대한 대표 영상의 예시도이다.
도 5는 소나무 재선충병 감염 초기(녹색, G), 감염 중기(황갈색, YB) 및 감염 후기(적갈색, RB) 단계 소나무 유식물의 RGB와 CIR 이미지에 대한 예시도이다.
먼저, 본 발명의 장점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되는 실시 예들을 참조하면 명확해질 것이다. 여기에서, 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 발명의 범주를 명확하게 이해할 수 있도록 하기 위해 예시적으로 제공되는 것이므로, 본 발명의 기술적 범위는 청구항들에 의해 정의되어야 할 것이다.
아울러, 아래의 본 발명을 설명함에 있어서 공지 기능 또는 구성 등에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들인 것으로, 이는 사용자, 운용자 등의 의도 또는 관례 등에 따라 달라질 수 있음은 물론이다. 그러므로, 그 정의는 본 명세서의 전반에 걸쳐 기술되는 기술사상을 토대로 이루어져야 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예에 대하여 상세하게 설명한다.
도 1은 본 발명의 실시예에 따른 재선충병 감염증상 기반의 침엽수 생리 활력도 평가 장치에 대한 블록 구성도이다.
도 1을 참조하면, 본 실시예에 따른 침엽수 생리 활력도 평가 장치는 영상 이미지 획득부(102), 영상 전처리부(104), 판단지표 추출부(106), 의심목 판단부(108), 갈변현상 판단부(110), 감염목 판단부(112), 생리 활력도 평가부(114) 및 평가 정보 DB(116) 등을 포함할 수 있다.
영상 이미지 획득부(102)는 목표 산림지역의 초분광 영상 이미지를 획득하는 데, 이러한 초분광 영상 이미지는, 예컨대 목표 산림지역을 비행하는 비행체(예컨대, 드론 등)에 장착된 초분광 카메라로부터 획득될 수 있다.
초분광 영상 이미지에는 목표 산림지역의 지정학적 위치에 따라, 예컨대 해송, 섬잣나무, 잣나무, 소나무, 스트로브잣나무, 리기다소나무 등과 같은 침엽수가 포함될 수 있다.
영상 전처리부(104)는 영상 이미지 획득부(102)를 통해 획득된 초분광 영상 이미지의 데이터를 전처리하는 등의 기능을 수행할 수 있다.
여기에서, 전처리는 초분광 영상 이미지의 데이터의 반사율 스펙트럼을 화이트보드(white board) 표준으로 보정하는 것을 의미할 수 있으며, 전처리된 데이터의 원본 영상으로부터 비초목 배경(nonvegetation background)을 최소로 포함하는 영역이 평가 대상으로 선택될 수 있다.
판단 지표 추출부(106)는 영상 전처리부(104)를 통해 전처리된 데이터로부터 재선충병의 감염판단 지표를 추출하는 등의 기능을 수행할 수 있다. 여기에서, 재선충병의 감염판단 지표는, 예컨대 전처리된 데이터로부터 추출한 초분광 식생지수와 초분광 엔드멤버(각 픽셀을 대표하는 고유 분광 스펙트럼)를 포함할 수 있다.
소나무 재선충병 증상의 발현 전 초기 단계에 민감한 식생지수의 색상 적외선 색인(Color InfraRed Index: CIRI)는 아래의 수식 1과 같이 도출될 수 있다.
[수식 1]
CIRI = 1/2((53(R550-R670)+9x(R670-R750)+121(R750-R550))
상기의 수식 1에 있어서, R550, R670, R750은 550, 670, 750nm에서의 반사율 값을 각각 나타낸다.
도 3은 반사율 그래프로부터 NIR(R750), R(R670), G(R550) 영역의 세 점을 잇는 삼각형 면적을 나타내는 CIRI 지수 및 재선충병 증상 단계(R1, R2, R3)에 따른 CIRI 값의 예시를 보여주는 그래프이다.
ROI(region of interest)의 픽셀 반사 스펙트럼(pixel reflectance spectrum : R)을 대상으로 일차 미분(first derivative transformation, dR), 로그 전환 (logarithimic transformation, logR), 초분광 식생지수(hyperspectral vegetation indices, hVI) 및 픽셀 순도 지수(Pixel Purity Index: PPI)를 기반으로 엔드멤버(endmember)를 추출할 수 있다. 여기에서, dR과 logR은 R의 특성을 보다 크게 반영하는 것으로 알려져 있다.
의심목 판단부(108)는 판단 지표 추출부(106)를 통해 추출된 감염판단 지표(초분광 식생지수와 초분광 엔드멤버)에 의거하여 재선충 감염 의심목의 존재 여부를 판단하는 등의 기능을 수행할 수 있다.
도 4는 PWS를 보이는 소나무와 잣나무의 RBG, R, dR, LogR, 그리고 식생지수의 풍부도(abundance)에 대한 대표 영상의 예시도이다. 즉, 재선충 감염 정도는 두 스펙트럼의 픽셀당 풍부도를 기반으로 계산할 수 있다.
일례로서, 의심목 판단부(108)는 초분광 식생지수의 평균과 분산값이 기 설정된 범위 이내이면, 해당 수목을 재선충 감염 의심목으로 판단할 수 있다.
예컨대, CIRI 평균과 분산값이 소나무의 경우 8.05와 24.35, 잣나무의 경우 5.86과 21.81 값에서 +-10% 범위내의 값을 가질 경우, 의심목 판단부(108)는 해당 수목을 재선충 감염 의심목으로 판단할 수 있다.
다른 예로서, 의심목 판단부(108)는 초분광 식생지수를 포함하는 초분광 지표를 기계학습 알고리즘으로 분류한 후 기 설정된 조건이 충족되면, 해당 수목을 재선충 감염 의심목으로 판단할 수 있다.
예컨대, CIRI를 포함하는 초분광 지표를 기계학습 알고리즘(예컨대, Ensemble)로 분류하였을 때 정확도 80%, 예측도 70%, 카파지수 0.7의 조건을 충족할 경우, 의심목 판단부(108)는 해당 수목을 재선충 감염 의심목으로 판단할 수 있다.
또 다른 예로서, 의심목 판단부(108)는 초분광 엔드멤버의 반사율 스펙트럼과 유사도 지수를 계산한 후, 그 계산 결과가 기 설정된 기준값 이하이면, 해당 수목을 재선충 감염 의심목으로 판단할 수 있다.
예컨대, 잣나무와 소나무의 재선충병 엔드멤버(pure member) 반사율 스펙트럼과 유사도지수를 계산하였을 때 0.05 이하의 값을 갖는 엔드멤버가 추출될 경우, 의심목 판단부(108)는 해당 수목을 재선충 감염 의심목으로 판단할 수 있다. 여기에서, 잣나무 엔드멤버의 CIRI 값은 5.31. 6.48, 7.52 세 종류이고, 소나무의 경우 6.99, 11.61 두 종류의 엔드멤버가 있다.
갈변현상 판단부(110)는 의심목 판단부(108)로부터 재선충 감염 의심목으로 판단됨이 통지되면, 해당 수목에서의 갈변현상의 발생 여부를 판단하는 등의 기능을 수행할 수 있다.
예컨대, RGB 또는 CIR 색상의 삼중 코드에서 R값이 0.12에서 0.18로 상승할 경우, 갈변현상 판단부(110)는 해당 소목에서 갈변현상이 발생한 것으로 판단할 수 있다.
감염목 판단부(112)는 갈변현상 판단부(110)로부터 갈변현상의 발생이 통지되면 해당 재선충 감염 의심목을 재선충 감염목으로 분류하는 등의 기능을 수행할 수 있다.
도 5는 소나무 재선충병 감염 초기(녹색, G), 감염 중기(황갈색, YB) 및 감염 후기(적갈색, RB) 단계 소나무 유식물의 RGB와 CIR 이미지에 대한 예시도이다.
도 5를 참조하면, 각 영상으로부터 유도한 NDVI와 CIRI 식생지수의 계층별 분포와 반사율 스펙트럼(Spectra) 및 분포 현황(Histogram)을 확인할 수 있으며, RGB와 CIR 이미지 하단부의 숫자는 650 nm, 550 nm, 450 nm와 750 nm, 670 nm, 550 nm에서의 반사율 값을 각각 나타낸다.
생리 활력도 평가부(114)는 목표 산림지역에 대한 각 수목의 재선충 감염목의 분류 결과에 의거하여, 목표 산림지역의 침엽수 생리 활력도(생리 활력도 레벨)를 평가하는 등의 기능을 수행할 수 있으며, 여기에서 실시간으로 평가되는 해당 산림지역의 침엽수 생리 활력도는 해당 산림지역의 좌표 정보 등과 함께 평가 정보 DB(116)에 저장될 수 있다.
그리고, 생리 활력도 평가부(114)에 의해 평가된 침엽수 생리 활력도는 해당 산림지역을 관할하는 관할지역 서버로 실시간 전송됨으로써, 해당 산림지역의 사후 방제 작업 등에 실시간적으로 활용될 수 있다.
도 2는 본 발명의 실시예에 따라 재선충병 감염증상 지수를 기반으로 침엽수 생리 활력도를 평가하는 주요 과정을 도시한 순서도이다.
도 2를 참조하면, 영상 이미지 획득부(102)에서는 목표 산림지역의 초분광 영상 이미지를 획득한다(단계 202). 여기에서, 초분광 영상 이미지는, 예컨대 목표 산림지역을 비행하는 비행체에 장착된 초분광 카메라로부터 획득될 수 있다.
영상 전처리부(104)에서는 영상 이미지 획득부(102)를 통해 획득된 초분광 영상 이미지의 데이터를 전처리한다(단계 204). 여기에서, 데이터의 전처리는 초분광 영상 이미지의 데이터의 반사율 스펙트럼을 화이트보드(white board) 표준으로 보정하는 것을 의미할 수 있다.
판단 지표 추출부(106)에서는 영상 전처리부(104)를 통해 전처리된 데이터로부터 재선충병의 감염판단 지표를 추출한다(단계 206). 여기에서, 재선충병의 감염판단 지표는, 예컨대 전처리된 데이터로부터 추출한 초분광 식생지수와 초분광 엔드멤버(각 픽셀을 대표하는 고유 분광 스펙트럼)를 포함할 수 있다.
의심목 판단부(108)에서는 판단 지표 추출부(106)를 통해 추출된 감염판단 지표(초분광 식생지수와 초분광 엔드멤버)에 의거하여 재선충 감염 의심목의 존재 여부를 판단한다(단계 208).
의심목 판단부(108)에서는, 일례로서 초분광 식생지수의 평균과 분산값이 기 설정된 범위 이내이면, 해당 수목을 재선충 감염 의심목으로 판단할 수 있다.
의심목 판단부(108)에서는, 다른 예로서 초분광 식생지수를 포함하는 초분광 지표를 기계학습 알고리즘으로 분류한 후 기 설정된 조건이 충족되면, 해당 수목을 재선충 감염 의심목으로 판단할 수 있다.
의심목 판단부(108)에서는, 또 다른 예로서 초분광 엔드멤버의 반사율 스펙트럼과 유사도 지수를 계산한 후, 그 계산 결과가 기 설정된 기준값 이하이면, 해당 수목을 재선충 감염 의심목으로 판단할 수 있다.
상기 단계(208)에서의 판단 결과, 재선충 감염 의심목으로 판단되면, 갈변현상 판단부(110)에서는 해당 수목에서의 갈변현상의 발생 여부를 판단한다(단계 210).
상기 단계(210)에서의 판단 결과, 갈변현상이 발생한 것으로 판단되면, 감염목 판단부(112)에서ㅕ는 해당 재선충 감염 의심목을 재선충 감염목으로 분류한다(단계 212).
생리 활력도 평가부(114)에서는 해당 산림지역에 대한 각 수목의 재선충 감염목의 분류 결과에 의거하여, 해당 산림지역의 침엽수 생리 활력도(생리 활력도 레벨)를 평가한다(단계 214).
그리고, 실시간으로 평가되는 해당 산림지역의 침엽수 생리 활력도는 해당 산림지역의 좌표 정보 등과 함께 평가 정보 DB(116)에 저장된다(단계 216). 여기에서, 생리 활력도 평가부(114)에 의해 평가된 침엽수 생리 활력도는 해당 산림지역을 관할하는 관할지역 서버로 실시간 전송됨으로써, 해당 산림지역의 사후 방제 작업 등에 실시간적으로 활용될 수 있다.
이상의 설명은 본 발명의 기술사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경 등이 가능함을 쉽게 알 수 있을 것이다. 즉, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것으로서, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다.
따라서, 본 발명의 보호 범위는 후술되는 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
102 : 영상 이미지 획득부
104 : 영상 전처리부
106 : 판단지표 추출부
108 : 의심목 판단부
110 : 갈변현상 판단부
112 : 감염목 판단부
114 : 생리 활력도 평가부
116 : 평가 정보 DB
104 : 영상 전처리부
106 : 판단지표 추출부
108 : 의심목 판단부
110 : 갈변현상 판단부
112 : 감염목 판단부
114 : 생리 활력도 평가부
116 : 평가 정보 DB
Claims (20)
- 목표 산림지역의 초분광 영상 이미지를 획득하는 단계와,
획득된 상기 초분광 영상 이미지의 데이터를 전처리하는 단계와,
전처리된 데이터로부터 초분광 식생지수 또는 초분광 엔드멤버를 포함하는 재선충병의 감염판단 지표를 추출하는 단계와,
추출된 상기 감염판단 지표에 포함된 상기 초분광 식생지수 또는 상기 초분광 엔드멤버에 의거하여 재선충 감염 의심목의 존재 여부를 판단하는 단계와,
상기 재선충 감염 의심목으로 판단되면, 갈변현상의 발생 여부를 판단하는 단계와,
상기 갈변현상의 발생으로 판단되면 상기 재선충 감염 의심목을 재선충 감염목으로 분류하는 단계와,
상기 재선충 감염목의 분류 결과에 의거하여 상기 목표 산림지역의 침엽수 생리 활력도를 평가하는 단계를 포함하되,
상기 재선충 감염 의심목의 존재 여부를 판단하는 단계는,
상기 초분광 식생지수의 평균과 분산값이 기 설정된 범위 이내인 경우, 상기 초분광 식생지수를 포함하는 초분광 지표를 기계학습 알고리즘으로 분류한 후 기 설정된 조건이 충족된 경우, 및 상기 초분광 엔드멤버의 반사율 스펙트럼과 유사도 지수를 계산한 후, 그 계산 결과가 기 설정된 기준값 이하인 경우 중 어느 하나인 경우에, 상기 재선충 감염 의심목으로 판단하는
재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법. - 제 1 항에 있어서,
상기 초분광 영상 이미지는,
상기 목표 산림지역을 비행하는 비행체에 장착된 초분광 카메라로부터 획득되는
재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법. - 제 1 항에 있어서,
상기 전처리하는 단계는,
상기 초분광 영상 이미지의 데이터의 반사율 스펙트럼을 화이트보드(white board) 표준으로 보정하는
재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법. - 제 3 항에 있어서,
상기 전처리하는 단계는,
상기 전처리된 데이터의 원본 영상으로부터 비초목 배경(nonvegetation background)을 최소로 포함하는 영역을 평가 대상으로 선택하는
재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법. - 삭제
- 삭제
- 삭제
- 제 1 항에 있어서,
상기 기 설정된 조건은,
정확도, 예측도, 카파지수를 포함하는
재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법. - 삭제
- 제 1 항에 있어서,
평가된 상기 침엽수 생리 활력도는,
상기 목표 산림지역의 사후 방제 작업에 활용되는
재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법. - 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
목표 산림지역의 초분광 영상 이미지를 획득하는 단계와,
획득된 상기 초분광 영상 이미지의 데이터를 전처리하는 단계와,
전처리된 데이터로부터 초분광 식생지수 또는 초분광 엔드멤버를 포함하는 재선충병의 감염판단 지표를 추출하는 단계와,
추출된 상기 감염판단 지표에 포함된 상기 초분광 식생지수 또는 상기 초분광 엔드멤버에 의거하여 재선충 감염 의심목의 존재 여부를 판단하는 단계와,
상기 재선충 감염 의심목으로 판단되면, 갈변현상의 발생 여부를 판단하는 단계와,
상기 갈변현상의 발생으로 판단되면 상기 재선충 감염 의심목을 재선충 감염목으로 분류하는 단계와,
상기 재선충 감염목의 분류 결과에 의거하여 상기 목표 산림지역의 침엽수 생리 활력도를 평가하는 단계
를 포함하되,
상기 재선충 감염 의심목의 존재 여부를 판단하는 단계는,
상기 초분광 식생지수의 평균과 분산값이 기 설정된 범위 이내인 경우, 상기 초분광 식생지수를 포함하는 초분광 지표를 기계학습 알고리즘으로 분류한 후 기 설정된 조건이 충족된 경우, 및 상기 초분광 엔드멤버의 반사율 스펙트럼과 유사도 지수를 계산한 후, 그 계산 결과가 기 설정된 기준값 이하인 경우 중 어느 하나인 경우에, 상기 재선충 감염 의심목으로 판단하는 동작을 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,
목표 산림지역의 초분광 영상 이미지를 획득하는 단계와,
획득된 상기 초분광 영상 이미지의 데이터를 전처리하는 단계와,
전처리된 데이터로부터 초분광 식생지수 또는 초분광 엔드멤버를 포함하는 재선충병의 감염판단 지표를 추출하는 단계와,
추출된 상기 감염판단 지표에 포함된 상기 초분광 식생지수 또는 상기 초분광 엔드멤버에 의거하여 재선충 감염 의심목의 존재 여부를 판단하는 단계와,
상기 재선충 감염 의심목으로 판단되면, 갈변현상의 발생 여부를 판단하는 단계와,
상기 갈변현상의 발생으로 판단되면 상기 재선충 감염 의심목을 재선충 감염목으로 분류하는 단계와,
상기 재선충 감염목의 분류 결과에 의거하여 상기 목표 산림지역의 침엽수 생리 활력도를 평가하는 단계
를 포함하되,
상기 재선충 감염 의심목의 존재 여부를 판단하는 단계는,
상기 초분광 식생지수의 평균과 분산값이 기 설정된 범위 이내인 경우, 상기 초분광 식생지수를 포함하는 초분광 지표를 기계학습 알고리즘으로 분류한 후 기 설정된 조건이 충족된 경우, 및 상기 초분광 엔드멤버의 반사율 스펙트럼과 유사도 지수를 계산한 후, 그 계산 결과가 기 설정된 기준값 이하인 경우 중 어느 하나인 경우에, 상기 재선충 감염 의심목으로 판단하는 동작을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 프로그램. - 목표 산림지역의 초분광 영상 이미지를 획득하는 영상 이미지 획득부와,
획득된 상기 초분광 영상 이미지의 데이터를 전처리하는 영상 전처리부와,
전처리된 데이터로부터 초분광 식생지수 또는 초분광 엔드멤버를 포함하는 재선충병의 감염판단 지표를 추출하는 판단 지표 추출부와,
추출된 상기 감염판단 지표에 포함된 상기 초분광 식생지수 또는 상기 초분광 엔드멤버에 의거하여 재선충 감염 의심목의 존재 여부를 판단하는 의심목 판단부와,
상기 재선충 감염 의심목으로 판단되면, 갈변현상의 발생 여부를 판단하는 갈변현상 판단부와,
상기 갈변현상의 발생으로 판단되면 상기 재선충 감염 의심목을 재선충 감염목으로 분류하는 감염목 판단부와,
상기 재선충 감염목의 분류 결과에 의거하여 상기 목표 산림지역의 침엽수 생리 활력도를 평가하는 생리 활력도 평가부를 포함하되,
상기 의심목 판단부는,
상기 초분광 식생지수의 평균과 분산값이 기 설정된 범위 이내인 경우, 상기 초분광 식생지수를 포함하는 초분광 지표를 기계학습 알고리즘으로 분류한 후 기 설정된 조건이 충족된 경우, 및 상기 초분광 엔드멤버의 반사율 스펙트럼과 유사도 지수를 계산한 후, 그 계산 결과가 기 설정된 기준값 이하인 경우 중 어느 하나인 경우에, 상기 재선충 감염 의심목으로 판단하는
재선충병 감염증상 기반의 침엽수 생리 활력도 평가 장치. - 제 13 항에 있어서,
상기 영상 이미지 획득부는,
상기 목표 산림지역을 비행하는 비행체에 장착된 초분광 카메라로부터 상기 초분광 영상 이미지를 획득하는
재선충병 감염증상 기반의 침엽수 생리 활력도 평가 장치. - 제 13 항에 있어서,
상기 영상 전처리부는,
상기 초분광 영상 이미지의 데이터의 반사율 스펙트럼을 화이트보드(white board) 표준으로 보정하는
재선충병 감염증상 기반의 침엽수 생리 활력도 평가 장치. - 제 15 항에 있어서,
상기 영상 전처리부는,
상기 전처리된 데이터의 원본 영상으로부터 비초목 배경(nonvegetation background)을 최소로 포함하는 영역을 평가 대상으로 선택하는
재선충병 감염증상 기반의 침엽수 생리 활력도 평가 장치. - 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220028057A KR102646217B1 (ko) | 2022-03-04 | 2022-03-04 | 재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법 및 그 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220028057A KR102646217B1 (ko) | 2022-03-04 | 2022-03-04 | 재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법 및 그 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230130895A KR20230130895A (ko) | 2023-09-12 |
| KR102646217B1 true KR102646217B1 (ko) | 2024-03-08 |
Family
ID=88019993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220028057A KR102646217B1 (ko) | 2022-03-04 | 2022-03-04 | 재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법 및 그 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102646217B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118115903B (zh) * | 2024-04-30 | 2024-07-05 | 安徽大学 | 基于ai技术松材线虫病智能识别处理系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101498096B1 (ko) | 2013-11-19 | 2015-03-06 | 대한민국 | 초분광 영상을 이용한 농산물의 원산지 판별 장치 및 방법 |
| JP2017163934A (ja) | 2016-03-17 | 2017-09-21 | 国立大学法人信州大学 | 松くい虫の被害区分算定方法及び松くい虫の被害区分算定装置 |
| CN109766744A (zh) * | 2018-11-21 | 2019-05-17 | 北京农业智能装备技术研究中心 | 一种松材线虫病树识别与定位方法及系统 |
| JP2019537151A (ja) * | 2016-12-20 | 2019-12-19 | 日本電気株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム |
| KR102323801B1 (ko) * | 2021-01-07 | 2021-11-10 | 주식회사 유오케이 | 3D Lidar를 기반으로 한 식생 관리 시스템 및 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102388454B1 (ko) * | 2019-10-21 | 2022-04-20 | 배재대학교 산학협력단 | 시맨틱 분할을 이용한 소나무 재선충 확산 방지 시스템 및 방법 |
| KR102239392B1 (ko) | 2020-03-19 | 2021-04-12 | 대한민국 | 소나무재선충 신속 검출용 재조합효소-중합효소 증폭 프라이머 프로브 세트 |
-
2022
- 2022-03-04 KR KR1020220028057A patent/KR102646217B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101498096B1 (ko) | 2013-11-19 | 2015-03-06 | 대한민국 | 초분광 영상을 이용한 농산물의 원산지 판별 장치 및 방법 |
| JP2017163934A (ja) | 2016-03-17 | 2017-09-21 | 国立大学法人信州大学 | 松くい虫の被害区分算定方法及び松くい虫の被害区分算定装置 |
| JP2019537151A (ja) * | 2016-12-20 | 2019-12-19 | 日本電気株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム |
| CN109766744A (zh) * | 2018-11-21 | 2019-05-17 | 北京农业智能装备技术研究中心 | 一种松材线虫病树识别与定位方法及系统 |
| KR102323801B1 (ko) * | 2021-01-07 | 2021-11-10 | 주식회사 유오케이 | 3D Lidar를 기반으로 한 식생 관리 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230130895A (ko) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huo et al. | Early detection of forest stress from European spruce bark beetle attack, and a new vegetation index: Normalized distance red & SWIR (NDRS) | |
| Degerickx et al. | Urban tree health assessment using airborne hyperspectral and LiDAR imagery | |
| Zhang et al. | Assessment of defoliation during the Dendrolimus tabulaeformis Tsai et Liu disaster outbreak using UAV-based hyperspectral images | |
| Yuan et al. | Detection of anthracnose in tea plants based on hyperspectral imaging | |
| Zhao et al. | Detection and discrimination of disease and insect stress of tea plants using hyperspectral imaging combined with wavelet analysis | |
| Adelabu et al. | Evaluating the impact of red-edge band from Rapideye image for classifying insect defoliation levels | |
| Lawrence et al. | Early detection of Douglas-fir beetle infestation with subcanopy resolution hyperspectral imagery | |
| Pontius et al. | High spatial resolution spectral unmixing for mapping ash species across a complex urban environment | |
| Jafari et al. | Weed detection in sugar beet fields using machine vision | |
| Pu et al. | Using CASI hyperspectral imagery to detect mortality and vegetation stress associated with a new hardwood forest disease | |
| KR102646217B1 (ko) | 재선충병 감염증상 기반의 침엽수 생리 활력도 평가 방법 및 그 장치 | |
| CN105067532A (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
| Ismail et al. | Discriminating Sirex noctilio attack in pine forest plantations in South Africa using high spectral resolution data | |
| TWI656334B (zh) | 蘭花病蟲害高光譜成像早期偵測系統 | |
| CN116309366A (zh) | 松木的线虫病早期判定方法及装置 | |
| HOSHIKAWA et al. | Individual tree detection and classification for mapping pine wilt disease using multispectral and visible color imagery acquired from unmanned aerial vehicle | |
| Barnett et al. | Assessing beech bark-diseased forest canopies over landscapes using high resolution open-source imagery in an ecological framework | |
| Anuar et al. | Remote sensing for detection of ganoderma disease and bagworm infestation in oil palm | |
| Huo et al. | Normalized projected red & SWIR (NPRS): a new vegetation index for forest health estimation and its application on spruce bark beetle attack detection | |
| Budnik et al. | AI-Accelerated Decision Making in Forest Management | |
| Piltz | Early-stage detection of bark beetle infested spruce forest stands using Sentinel-2 data and vegetation indices | |
| KR102568657B1 (ko) | 개체목의 생리 활력도 평가 방법 및 장치 | |
| Guliaeva et al. | Determining the Drying Out of Coniferous Trees Using Airborne and Satellite Data | |
| Wang et al. | Retrieval of leaf chlorophyll content of paddy rice with extracted foliar hyperspectral imagery | |
| Lin et al. | Spectroscopy Technology: An Innovative Tool for Diagnosis and Monitoring of Wheat Diseases |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |