KR20200056094A - 하늘 이미지를 이용한 미세먼지 수치 추정 장치 - Google Patents
하늘 이미지를 이용한 미세먼지 수치 추정 장치 Download PDFInfo
- Publication number
- KR20200056094A KR20200056094A KR1020180139999A KR20180139999A KR20200056094A KR 20200056094 A KR20200056094 A KR 20200056094A KR 1020180139999 A KR1020180139999 A KR 1020180139999A KR 20180139999 A KR20180139999 A KR 20180139999A KR 20200056094 A KR20200056094 A KR 20200056094A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- sky
- image
- fine dust
- image data
- Prior art date
Links
- 239000000428 dust Substances 0.000 title claims abstract description 107
- 238000013480 data collection Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000005259 measurement Methods 0.000 description 10
- 238000003915 air pollution Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000357 carcinogen Toxicity 0.000 description 1
- 239000003183 carcinogenic agent Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 239000012925 reference material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical class S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 description 1
- 229910052815 sulfur oxide Inorganic materials 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000012855 volatile organic compound 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G06T5/002—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
본 발명은 하늘 이미지를 이용한 미세먼지 수치 추정 장치에 관한 것이다. 본 발명에 따른 미세먼지 수치 추정 장치는 국민참여관측 서버로부터 하늘 이미지 데이터 및 상기 하늘 이미지 데이터에 대한 부가 정보를 포함하는 텍스트 데이터를 수집하는 하늘 이미지 데이터 수집부; 기상자료개방포털 서버로부터 기상 데이터를 수집하는 기상 데이터 수집부; 대기환경정보 서버로부터 미세먼지 데이터를 수집하는 미세먼지 데이터 수집부; 상기 수집된 하늘 이미지 데이터의 이미지의 해상도를 축소하는 이미지 해상도 조정부; 상기 축소된 해상도를 갖는 하늘 이미지 데이터 중에서, 이미지 내에 하늘이나 구름이 존재하지 않는 하늘 이미지 데이터를 제거하고, 상기 하늘 이미지 데이터 내에서 하늘이나 구름이 아닌 부분에 대한 데이터를 제거하는 데이터 노이즈 제거부; 상기 데이터 노이즈 제거부에 의해 노이즈가 제거된 하늘 이미지 데이터의 해상도 및 화면비를 일치시키는 이미지 데이터 규격화부; 상기 수집된 기상 데이터, 미세먼지 데이터 및 상기 하늘 이미지 데이터의 기준을 통합하여 통합 데이터를 생성하고, 상기 통합 데이터의 각 항목값과 실제 미세먼지 수치의 상관관계를 학습하여 학습 데이터를 생성하고 상기 생성된 학습 데이터를 저장하는 데이터베이스부; 및 상기 저장된 학습 데이터를 이용하여 미세먼지 수치를 추정하는 미세먼지 수치 추정부를 포함한다.
Description
본 발명은 하늘 이미지를 이용한 미세먼지 수치 추정 장치에 관한 것이다.
전국의 기초단체 가운데 3분의 1 정도는 대기오염 측정소를 구비하지 않고 있다. 나아가, PM2.5(초미세먼지) 농도를 측정할 수 있는 측정소는 더 적은 수가 구비되어 있다. 이 때문에, 지역마다 미세먼지 농도가 다름에도 불구하고, 측정소가 설치되지 않은 지역에 거주하고 있는 주민들은 인근 지역에 설치된 측정소에서 측정된 미세먼지 농도를 참고할 수밖에 없는 실정이다.
한편, PM2.5(초미세먼지)는 상당량이 황산화물, 질소산화물, 암모니아, 휘발성 유기화합물 등의 전구물질이 대기 중의 특정 조건에서 반응하여 2차적으로 생성되는데, 이러한 초미세먼지는 입자가 미세하여 코 점막을 통해 걸러지지 않고 흡입 시, 폐포까지 직접 침투되어 천식이나 폐질환의 유병율과 조기사망률을 증가시킨다. 나아가, 최근 세계보건기구는 대기오염을 1급 발암물질로 지정한 바 있으며, 2015년 기준으로 대기오염은 4번째로 높은 사망위험요인(8.5%)에 해당한다.
나아가, 환경부 또는 인터넷 포탈 사이트인 네이버는 정부기준에 따라 미세먼지 예보를 시행하는 반면, 대다수의 민간앱은 세계보건기구의 기준에 따라 미세먼지 예보를 시행하고 있어서, 그 기준이 일관되지 않아 소비자에게 혼동을 야기하고 있는 실정이다. 또한, 종래의 예보시스템은 24시간 평균 미세먼지 농도를 사용해 예보구간을 좋음, 보통, 나쁨, 매우 나쁨으로 분류하기 때문에 실제로 느끼는 미세먼지 농도와 차이가 있다.
또한, 종래의 미세먼지 측정소는 대부분 사람의 손이 닿지 않는 높은 곳에 설치되어 있다. 하지만, 입자가 큰 미세먼지는 주로 밑으로 가라앉고, 높은 곳에서는 바람이 세게 불어 확산이 잘 되기 때문에 높은 곳에 위치한 미세먼지 측정소에서 측정된 미세먼지 농도는 체감 미세먼지 농도보다 낮을 수밖에 없다.
상술한 문제점을 해결하기 위한 본 발명의 목적은 지역과 시간에 관계없이 미세먼지 수치를 추정할 수 있는 미세먼지 수치 추정 장치를 제공하는 것이다.
본 발명의 다른 목적은 미세먼지 측정소를 별도로 설치할 필요없이 카메라가 구비된 사용자 단말기만으로 미세먼지 수치를 간편하게 알 수 있는 미세먼지 수치 추정 장치를 제공하는 것이다.
본 발명의 다른 목적은 미세먼지 측정소의 설치 장소 및 환경 기관의 종류에 관계없이 일관된 기준에 따라 미세먼지 수치를 추정할 수 있는 미세먼지 수치 추정 장치를 제공하는 것이다.
상술한 목적을 달성하기 위하여, 본 발명에 따른 하늘 이미지를 이용한 미세먼지 수치 추정 장치는 국민참여관측 서버로부터 하늘 이미지 데이터 및 상기 하늘 이미지 데이터에 대한 부가 정보를 포함하는 텍스트 데이터를 수집하는 하늘 이미지 데이터 수집부; 기상자료개방포털 서버로부터 기상 데이터를 수집하는 기상 데이터 수집부; 대기환경정보 서버로부터 미세먼지 데이터를 수집하는 미세먼지 데이터 수집부; 상기 수집된 하늘 이미지 데이터의 이미지의 해상도를 축소하는 이미지 해상도 조정부; 상기 축소된 해상도를 갖는 하늘 이미지 데이터 중에서, 이미지 내에 하늘이나 구름이 존재하지 않는 하늘 이미지 데이터를 제거하고, 상기 하늘 이미지 데이터 내에서 하늘이나 구름이 아닌 부분에 대한 데이터를 제거하는 데이터 노이즈 제거부; 상기 데이터 노이즈 제거부에 의해 노이즈가 제거된 하늘 이미지 데이터의 해상도 및 화면비를 일치시키는 이미지 데이터 규격화부; 상기 수집된 기상 데이터, 미세먼지 데이터 및 상기 하늘 이미지 데이터의 기준을 통합하여 통합 데이터를 생성하고, 상기 통합 데이터의 각 항목값과 실제 미세먼지 수치의 상관관계를 학습하여 학습 데이터를 생성하고 상기 생성된 학습 데이터를 저장하는 데이터베이스부; 및/또는 상기 저장된 학습 데이터를 이용하여 미세먼지 수치를 추정하는 미세먼지 수치 추정부를 포함할 수 있다.
바람직하게는, 상기 데이터 노이즈 제거부는 상기 하늘 이미지 데이터의 이미지 전체 RGB 값의 평균값을 이용한 다중 로지스틱 회귀 분석을 통해, 상기 하늘 이미지 데이터의 이미지를 하늘에 해당하는 제1 이미지, 구름에 해당하는 제2 이미지 및 하늘과 구름에 해당하지 않는 제3 이미지로 분류하는 이미지 분류부; 상기 제1 이미지 및 상기 제2 이미지를 16개의 구역으로 분할하고 각 구역의 이미지를 하늘에 해당하는 하늘 이미지, 구름에 해당하는 구름 이미지 및 하늘과 구름에 해당하지 않는 기타 이미지로 분류하는 분할 이미지 분류부; 및/또는 상기 제3 이미지에 해당하는 하늘 이미지 데이터는 제거하고, 상기 제1 이미지 및 상기 제2 이미지에 대해서는 전체 16개의 구역 중에서 상기 하늘 이미지 및 상기 구름 이미지에 해당하는 구역이 기 설정된 개수 범위보다 큰 경우, 이미지 전체의 RGB 값을 이용해 하늘 이미지 데이터를 생성하고, 전체 16개의 구역 중에서 상기 하늘 이미지 및 상기 구름 이미지에 해당하는 구역이 기 설정된 개수 범위에 해당하는 경우, 상기 기타 이미지에 해당하는 구역을 제하고 남은 구역의 RGB 값을 이용해 하늘 이미지 데이터를 생성하고, 전체 16개의 구역 중에서 상기 하늘 이미지 및 상기 구름 이미지에 해당하는 구역이 기 설정된 개수 범위보다 작은 경우, 해당 이미지에 대한 하늘 이미지 데이터는 제거하는 이미지 데이터 가공부를 포함할 수 있다.
바람직하게는, 상기 데이터 노이즈 제거부는 상기 하늘 이미지 데이터의 RGB 값의 분산값을 이용해서 상기 하늘 이미지 데이터 내에서 하늘이나 구름이 아닌 부분에 대한 데이터를 제거할 수 있다.
바람직하게는, 상기 데이터 노이즈 제거부는 상기 하늘 이미지 데이터의 이미지의 각 열에 존재하는 픽셀들의 RGB 값의 군집 분석을 통해, 상기 하늘 이미지 데이터 내에서 하늘이나 구름이 아닌 부분에 대한 데이터를 제거할 수 있다.
바람직하게는, 상기 데이터 노이즈 제거부는 상기 하늘 이미지 데이터의 RGB 값 중 B 값을 이용하여 상기 하늘 이미지 데이터 내에서 하늘이나 구름이 아닌 부분에 대한 데이터를 제거할 수 있다.
본 발명은 지역에 관계없이 미세먼지 수치를 실시간으로 추정할 수 있는 미세먼지 수치 추정 장치를 제공할 수 있다.
본 발명은 미세먼지 측정소를 별도로 설치할 필요없이 카메라가 구비된 사용자 단말기만으로 미세먼지 수치를 간편하게 알 수 있는 미세먼지 수치 추정 장치를 제공할 수 있다.
본 발명은 미세먼지 측정소의 설치 장소 및 환경 기관의 종류에 관계없이 일관된 기준에 따라 미세먼지 수치를 추정할 수 있는 미세먼지 수치 추정 장치를 제공할 수 있다.
도 1 은 본 발명의 일 실시예에 따른 하늘 이미지를 이용한 미세먼지 수치 추정 장치의 구성을 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 데이터 노이즈 제거부의 구성을 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 데이터 노이즈 제거부의 노이즈 제거 방법을 나타낸 도면이다.
도 4는 본 발명의 다른 일 실시예에 따른 데이터 노이즈 제거부의 노이즈 제거 방법을 나타낸 도면이다.
도 5는 본 발명의 다른 일 실시예에 따른 데이터 노이즈 제거부의 노이즈 제거 방법을 나타낸 도면이다.
도 6은 본 발명의 다른 일 실시예에 따른 데이터 노이즈 제거부의 노이즈 제거 방법을 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 RGB 값을 HSV 값으로 변환하기 위한 수식을 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따른 통합 데이터 및 추정된 미세먼지 수치 데이터를 포함하는 데이터 형식을 나타낸 도면이다.
도 9는 본 발명의 일 실시예예 따른 하늘 이미지를 이용한 미세먼지 수치 추정 방법을 나타낸 순서도이다.
도 2는 본 발명의 일 실시예에 따른 데이터 노이즈 제거부의 구성을 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 데이터 노이즈 제거부의 노이즈 제거 방법을 나타낸 도면이다.
도 4는 본 발명의 다른 일 실시예에 따른 데이터 노이즈 제거부의 노이즈 제거 방법을 나타낸 도면이다.
도 5는 본 발명의 다른 일 실시예에 따른 데이터 노이즈 제거부의 노이즈 제거 방법을 나타낸 도면이다.
도 6은 본 발명의 다른 일 실시예에 따른 데이터 노이즈 제거부의 노이즈 제거 방법을 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 RGB 값을 HSV 값으로 변환하기 위한 수식을 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따른 통합 데이터 및 추정된 미세먼지 수치 데이터를 포함하는 데이터 형식을 나타낸 도면이다.
도 9는 본 발명의 일 실시예예 따른 하늘 이미지를 이용한 미세먼지 수치 추정 방법을 나타낸 순서도이다.
이하, 본 발명의 일부 실시 예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다.
그리고 본 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다.
도 1 내지 도 8을 참조하여, 본 발명의 일 실시예에 따른 하늘 이미지를 이용한 미세먼지 수치 장치의 구성 및 동작에 대하여, 이하 설명한다.
도 1 은 본 발명의 일 실시예에 따른 하늘 이미지를 이용한 미세먼지 수치 추정 장치의 구성을 나타낸 블록도이다. 도 2는 본 발명의 일 실시예에 따른 데이터 노이즈 제거부의 구성을 나타낸 블록도이다. 도 3은 본 발명의 일 실시예에 따른 데이터 노이즈 제거부의 노이즈 제거 방법을 나타낸 도면이다. 도 4는 본 발명의 다른 일 실시예에 따른 데이터 노이즈 제거부의 노이즈 제거 방법을 나타낸 도면이다. 도 5는 본 발명의 다른 일 실시예에 따른 데이터 노이즈 제거부의 노이즈 제거 방법을 나타낸 도면이다. 도 6은 본 발명의 다른 일 실시예에 따른 데이터 노이즈 제거부의 노이즈 제거 방법을 나타낸 도면이다. 도 7은 본 발명의 일 실시예에 따른 RGB 값을 HSV 값으로 변환하기 위한 수식을 나타낸 도면이다. 도 8은 본 발명의 일 실시예에 따른 통합 데이터 및 추정된 미세먼지 수치 데이터를 포함하는 데이터 형식을 나타낸 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 하늘 이미지를 이용한 미세먼지 수치 장치(1010)는 하늘 이미지 데이터 수집부(1020), 기상 데이터 수집부(1030), 미세먼지 데이터 수집부(1040), 이미지 해상도 조정부(1050), 데이터 노이즈 제거부(1060), 이미지 데이터 규격화부(1070), 데이터베이스부(1080) 및/또는 미세먼지 수치 추정부(1090)를 포함할 수 있다.
하늘 이미지 데이터 수집부(1020)는 국민참여관측 서버로부터 하늘 이미지 데이터 및/또는 하늘 이미지 데이터에 대한 부가 정보를 포함하는 텍스트 데이터를 수집할 수 있다. 여기서, 국민 참여관측 서버는 기상청에서 운영하는 서버로서, 시민들이 직접 문자와 사진으로 날씨를 제보하는 사이트로서 전국적인 하늘 사진과 사진의 위치, 시간을 제공할 수 있다. 하늘 이미지 데이터는 하늘을 촬영한 이미지 파일, 하늘을 촬영한 이미지을 구성하는 픽셀의 RGB/HSV 값 등을 의미할 수 있다. 텍스트 데이터는 하늘 이미지 데이터에 대한 부가 정보로서, 하늘을 촬영한 시간, 위치에 대한 정보를 텍스트의 형태로 포함할 수 있다. 텍스트 데이터는 후술할 단계에서 하늘 이미지 데이터를 기상 데이터, 미세먼지 데이터와 결합시키기 위해 사용될 수 있다. 나아가, 하늘 이미지 데이터의 수집은 프로그래밍 언어 ‘R’, 텍스트 데이터의 수집은 프로그래밍 언어 ‘Python’을 사용할 수 있다.
기상 데이터 수집부(1030)는 기상자료개방포털 서버로부터 기상 데이터를 수집할 수 있다. 기상자료개방포털 서버는 시간별로 지상, 해양, 위성 등 총 30종류의 날씨 데이터를 제공하며, '데이터 카탈로그'를 통해 데이터별 상세 설명을 제공할 수 있다. 기상 데이터는 기상자료개방포털 서버에서 제공하는 오픈 API를 사용하여 수집될 수 있다. 오픈 API를 사용하는 경우, 한 번에 데이터를 받는 것이 가능하므로 시간 단축에 도움이 될 수 있다. 기상 데이터는 시간, 지점 번호, 목록 순서, 30cm 지중온도, 20cm지중온도, 10cm지중온도, 5cm지중온도, 지면온도, 현상번호, 지면상태, 시정, 최저운고, 운형, 중하층운량에 대한 정보를 포함할 수 있다.
미세먼지 데이터 수집부(1040)는 대기환경정보 서버로부터 미세먼지 데이터를 수집할 수 있다. 대기환경정보 서버는 에어코리아 환경부 대기환경정보 서버로 명명될 수 있고, 사이트를 통해 해당 정보를 제공할 수 있다. 대기환경정보 서버는 실시간으로 공기오염상태를 확인할 수 있는 전국 실시간 대기오염도를 제공하는 서버로서, 전국 97개 시/군에 설치된 323개 측정망의 대기환경기준물질 측정 자료를 제공할 수 있다. 미세먼지 데이터는 미세먼지의 측정시간, 측정위치, PM2.5(초미세먼지), PM10(미세먼지), SO2, CO, O3 및/또는 NO2 데이터를 포함할 수 있다.
이미지 해상도 조정부(1050)는 하늘 이미지 데이터 수집부(1020)에 의해 수집된 하늘 이미지 데이터의 이미지의 해상도를 축소할 수 있다. 국민참여관측 서버에서 제공하는 하늘 이미지 데이터는 대부분 천만화소급의 해상도를 갖는데, 각 화소에 RGB 값이 3개씩 포함되어있으므로 사진을 컴퓨터에 불러온다면 사진 하나당 크기는 각각 20 내지 30메가비트(1000만*3bit)에 육박한다. 이러한 데이터를 그대로 사용하기에는 기술적/시간적 제약이 있으므로, 이미지 해상도 조정부(1050)은 수집된 하늘 이미지 데이터의 이미지의 크기를 축소해야 한다. 이미지 해상도 조정부(1050)은 프로그래밍 언어 'R'을 사용해 하늘 이미지 원본을 불러온 후 imager, magick 패키지를 이용해 사진의 화소를 약 1만 화소 정도로 줄일 수 있다. 예를 들어, raw data인 하늘 이미지 데이터를 그대로 사용하면, 하나의 사진 당 1000만 개의 픽셀을 고려해야만 한다.
다른 일 실시예에 따르면, 데이터양을 추가로 줄이기 위하여, 크기가 축소된 이미지의 각 해소에 해당하는 각 RGB 값을 이용하는 대신에, 크기가 축소된 이미지의 RGB값의 평균을 이용할 수 있다.
데이터 노이즈 제거부(1060)는 이미지 해상도 조정부(1050)에 의해 축소된 해상도를 갖는 하늘 이미지 데이터 중에서, 이미지 내에 하늘이나 구름이 존재하지 않는 하늘 이미지 데이터를 제거할 수 있다. 나아가, 데이터 노이즈 제거부(1060)는 이미지 내에 하늘이나 구름이 존재하는 이미지 내에서 하늘이나 구름이 아닌 부분에 대한 데이터를 제거할 수 있다. 일 실시예에 따르면, 데이터 노이즈 제거부(1060)은 하늘 이미지 데이터 중에서, 어두울 때 촬영된 하늘 이미지 데이터는 제거할 수 있다. 예를 들어, 20시부터 5시까지의 하늘 이미지는 전체 데이터에서 제거할 수 있다.
즉, 국민참여관측 서버로부터 수집한 하늘 이미지 데이터는 하늘(구름 포함) 이미지, 하늘(구름 포함)이 일부인 이미지, 하늘 및 구름이 없는 이미지로 분류될 수 있다. 그리고, 본 발명에 따른 미세먼지 수치 추정 장치는 온전한 하늘(구름 포함) 이미지를 통한 모델 학습을 위하여 하늘 이미지 데이터 자체의 노이즈를 제거할 수 있다. 이 때, 하늘 이미지 데이터 자체의 노이즈는 하늘 및 구름이 없는 하늘 이미지 데이터 및/또는 하늘(구름 포함)이 일부인 하늘 이미지 데이터 내의 하늘 및 구름이 아닌 부분을 포함할 수 있다.
도 2를 참조하면, 데이터 노이즈 제거부(1060)는 이미지 분류부(2010), 분할 이미지 분류부(2020) 및/또는 이미지 데이터 가공부(2030)을 포함할 수 있다.
이미지 분류부(2010)는 하늘 이미지 데이터의 이미지 전체에 대한 RGB 값의 평균값을 이용한 다중 로지스틱 회귀 분석을 통해, 하늘 이미지 데이터의 이미지를 하늘에 해당하는 제1 이미지, 구름에 해당하는 제2 이미지 및 하늘과 구름에 해당하지 않는 제3 이미지로 분류할 수 있다. 여기서, 제1 이미지는 하늘에 대한 이미지, 제2 이미지는 구름에 대한 이미지, 제3 이미지는 하늘도 아니고 구름도 아닌 이미지를 의미할 수 있다.
구체적으로, 이미지 분류부(2010)는 하늘 이미지 데이터의 이미지 내의 전체 RGB 값의 평균을 이용해 다중 로지스틱 회귀 분석을 실시할 수 있다. 이 때, 예를 들어, 반응변수(결과값)는 1(제1 이미지), 2(제2 이미지), 3(제3 이미지)로 설정하고, 설명변수(대입값)는 R, G, B값 또는 H, S, V(R,G,B를 이용해 도출된 파생변수)를 설정할 수 있다.
분할 이미지 분류부(2020)는, 도 3을 참조하면, 제1 이미지 및 제2 이미지 각각을 16개의 구역으로 분할하고 각 구역의 이미지를 하늘에 해당하는 하늘 이미지, 구름에 해당하는 구름 이미지 및 하늘과 구름에 해당하지 않는 기타 이미지로 분류할 수 있다.
이미지 데이터 가공부(2030)은 제3 이미지에 해당하는 하늘 이미지 데이터를 먼저 제거할 수 있다. 그리고, 이미지 데이터 가공부(2030)은 제1 이미지 및 제2 이미지에 대해서는 전체 16개의 구역 중에서 하늘 이미지 및 구름 이미지에 해당하는 구역이 기 설정된 개수 범위보다 큰 경우, 이미지 전체의 RGB 값을 이용해 하늘 이미지 데이터를 생성하고, 전체 16개의 구역 중에서 하늘 이미지 및 구름 이미지에 해당하는 구역이 기 설정된 개수 범위에 해당하는 경우, 기타 이미지에 해당하는 구역을 제하고 남은 구역의 RGB 값을 이용해 하늘 이미지 데이터를 생성하고, 전체 16개의 구역 중에서 하늘 이미지 및 구름 이미지에 해당하는 구역이 기 설정된 개수 범위보다 작은 경우, 해당 이미지에 대한 하늘 이미지 데이터를 제거할 수 있다. 여기서, 제거한다는 것은 해당 이미지 데이터를 본 발명에 따른 미세먼지 수치 추정에 하늘 이미지 데이터로서 사용하지 않는다는 것을 의미한다.
예를 들어, 분할 이미지 분류부(2020)에 의해 분할된 16개의 구역 중 13개 이상의 구역이 1(하늘 이미지), 2(구름 이미지)의 결과를 갖는다면, 이미지 데이터 가공부(2030)은 사진 전체의 RGB 값을 이용하여 데이터를 생성할 수 있고, 16개의 구역에서 9 내지 12개의 구역이 1이나 2의 값을 갖는다면 3(기타 이미지)의 구역은 제하고 남은 부분의 RGB 값을 이용해 데이터를 생성할 수 있다. 또한, 8개 이하의 구역이 1이나 2로 나온 사진은 데이터에서 제외할 수 있다.
다른 일 실시예에 따르면, 도 4를 참조하면, 데이터 노이즈 제거부(1060)는 하늘 이미지 데이터의 RGB 값의 분산값을 이용해서 하늘 이미지 데이터 내에서 하늘이나 구름이 아닌 부분에 대한 데이터를 제거할 수 있다. 이는, 이미지 내에서, 하늘(구름 포함)인 부분에 비해 하늘이 아닌 부분에서는 RGB 값의 분산값이 크다는 점을 이용한 것이다.
다른 일 실시예에 따르면, 도 5를 참조하면, 데이터 노이즈 제거부(1060)는 하늘 이미지 데이터의 이미지의 각 열에 존재하는 픽셀들의 RGB 값의 군집 분석을 통해, 하늘 이미지 데이터 내에서 하늘이나 구름이 아닌 부분에 대한 데이터를 제거할 수 있다.
도 5를 참조하면, 이 도면의 우측 그래프에서 각 축의 값은 x=R, y=G, z=B와 같고, 빨간색은 땅, 초록색은 하늘을 나타내며, 이 그래프는 RGB 값을 위치로 표현한 3차원 시각화 그래프이다. 구체적으로, Euclidean Distance를 기준으로 데이터를 나누는 군집분석을 이용해 분류된 집단에 따라 빨간색과 초록색으로 구별하여 표현한 그래프이며, 이 그래프를 보면, 왼쪽 아래와 오른쪽 윗부분(좌표 기준 (0,0,0), (1,1,1))에 각각 군집이 형성돼 있는 것을 확인할 수 있다. 즉, 해당 그래프의 군집이 형성된 위치를 기준으로 이미지 내의 하늘 부분과 땅 부분을 구분할 수 있다.
다른 일 실시예에 따르면, 도 6을 참조하면, 데이터 노이즈 제거부(1060)는 하늘 이미지 데이터의 RGB 값 중 B 값을 이용하여 하늘 이미지 데이터 내에서 하늘이나 구름이 아닌 부분에 대한 데이터를 제거할 수 있다.
도 6을 참조하면, 하늘이 아닌 부분에서 이미지 내의 RGB 값중 B 값이 측정되는 것을 확인할 수 있다. 실제로, 하늘인 부분은 대부분 0.4보다 높은 B 값이 측정되었고, B 값을 기준으로 하늘인 부분과 하늘이 아닌 부분을 구분하였더니, 이 도면의 하단과 같은 결과를 얻을 수 있었다.
일 실시예에 따르면, 상술한 데이터 노이즈 제거부(1060)의 하늘 이미지 데이터 내에서 하늘이나 구름이 아닌 부분에 대한 데이터를 제거하는 실시예들은 하나 이상 결합되어 실시될 수 있다.
이미지 데이터 규격화부(1070)는 데이터 노이즈 제거부(1060)에 의해 노이즈가 제거된 하늘 이미지 데이터의 해상도 및 화면비를 일치시킬 수 있다. 이는, 이미지마다 규격에 차이가 있다면 RGB 값의 수가 사진마다 달라지고 정확한 미세먼지 수치 추정에 장애가 되므로, 모든 하늘 이미지 데이터의 해상도 및 화면비를 일치시키는 것이다. 그리고, 일 실시예에 따르면, 이미지 데이터 규격화부(1070)는 프로그래밍 언어 R의 'Imager' 패키지를 사용하여 모든 사진을 160 x 90의 크기로 변환함으로써 해상도와 화면비를 일치시킬 수 있다.
일 실시예에 따르면, 도 7을 참조하면, 상술한 과정에서 고려되었던 이미지 내 각 픽셀의 RGB 값뿐만 아니라, RGB 값으로부터 도출될 수 있는 HSV 값이 추가적으로 고려될 수 있다. 이 도면의 좌측은 HSV 값의 스케일을 나타낸 도면이고, 우측은 RGB 값을 통해 HSV 값을 도출하기 위한 수식을 나타낸 도면이다.
데이터베이스부(1080)는 수집된 기상 데이터, 미세먼지 데이터 및/또는 상기 하늘 이미지 데이터의 기준을 통합하여 통합 데이터를 생성할 수 있다. 그리고, 상기 통합 데이터의 각 항목값과 실제 미세먼지 수치의 상관관계를 학습하여 학습 데이터를 생성하고 상기 생성된 학습 데이터를 저장할 수 있다.
구체적으로, 데이터베이스부(1080)는 기상 데이터와 미세먼지 데이터를 먼저 통합할 수 있다. 데이터베이스부(1080)는 1시간 단위로 기록되는 기상 데이터와 미세먼지 데이터를 시간변수를 기준으로 R을 이용하여 통합할 수 있다. 나아가, 데이터베이스부(1080)는 시별로 기록되는 기상 데이터와 측정소별로 기록되는 미세먼지 데이터를 지역변수를 기준으로 R을 이용하여 통합할 수 있다.
다음으로, 데이터베이스부(1080)는 텍스트 데이터와 기상 데이터 및 미세먼지 데이터가 통합된 통합 데이터를 추가로 통합할 수 있다. 텍스트 데이터에는 사진의 원본이 저장되어있는 URL 주소와 업로드 시 시간(초 단위), 사진을 촬영한 지역(행정동 단위)에 대한 정보 및/또는 사진별 파일 이름 정보가 포함될 수 있다. 데이터베이스부(1080)은 추가 통합을 위해 R의 stringr 패키지를 이용해 텍스트 데이터의 시간단위를 초 단위가 아닌 시 단위로 변환하고, 미세먼지 데이터의 지역 값은 측정소의 도로명 세부 주소를 구 단위로 변환할 수 있다. 이 때, 하나의 구에 여러 개의 측정소별 미세먼지 수치가 존재하는 경우, 데이터베이스부(1080)는 R에서 dplyr 패키지의 group_by, summarize 함수를 이용해 측정소별 평균값을 구별 미세먼지 수치로 지정하고, 이 후 수정된 시간 변수와 지역 변수를 이용해 텍스트 데이터와 기상 및 미세먼지 데이터를 통합할 수 있다.
끝으로, 데이터베이스부(1080)는 이미지 해상도 조정부(1050), 데이터 노이즈 제거부(1060) 및/또는 이미지 데이터 규격화부(1070)에 의해 전처리된 하늘 이미지 데이터를 전술한 과정에 의해 통합된 데이터에 추가할 수 있다. 데이터베이스부(1080)은 하늘 이미지 데이터를 통해, RGB 값, HSV 값 및/또는 그 외 파생 변수를 생성할 수 있다. 또는, 하늘 이미지 데이터 자체가 RGB 값, HSV 값 및/또는 그 외 파생 변수값에 해당할 수도 있다. 나아가, 데이터베이스부(1080)는 각 하늘 이미지 데이터로부터 변수를 추출하고 이를 파일이름으로 연결하여 최종데이터의 변수로 통합 데이터에 추가할 수 있다.
도 8은 최종적으로, 하늘 이미지 데이터, 텍스트 데이터, 기상 데이터 및 미세먼지 데이터가 통합된 데이터의 결측값을 나타내고, 데이터베이스부(1080)는 각 변수별로 5%가 넘는 NA값이 있으면 삭제하고, NA값이 있을 시, 적합되지 않는 모델이라면 complete.cases함수를 이용하여 NA값을 처리할 수 있다.
미세먼지 수치 추정부(1090)는 데이터베이스부(1080)에 저장된 학습 데이터를 이용하여 미세먼지 수치를 추정할 수 있다. 데이터베이스부(1080)에 저장된 통합 데이터 결측값에 촬영하여 전처리를 거친 하늘 이미지 데이터, 텍스트 데이터, 기상 데이터 및/또는 미세먼지 데이터로부터 추출된 변수가 입력되면, 그 결과값으로서 추정된 미세먼지 수치가 도출될 수 있다.
다른 일 실시예에 따르면, 미세먼지 수치 추정부(1090)는 데이터베이스부(1080)에 저장된 통합 데이터의 모든 변수를 입력하여 미세먼지 수치를 추정할 수 있고, HSV를 제외한 모든 변수를 입력하여 미세먼지 수치를 추정할 수 있고, RGB를 제외한 모든 변수를 입력하여 미세먼지 수치를 추정할 수 있고, 또는 변수 중, RGB와 HSV만 입력하여 미세먼지 수치를 추정할 수 있다.
도 9는 본 발명의 일 실시예예 따른 하늘 이미지를 이용한 미세먼지 수치 추정 방법을 나타낸 순서도이다.
본 발명의 일 실시예예 따른 하늘 이미지를 이용한 미세먼지 수치 추정 방법은 국민참여관측 서버로부터 하늘 이미지 데이터 및 상기 하늘 이미지 데이터에 대한 부가 정보를 포함하는 텍스트 데이터를 수집하는 단계(S9010), 기상자료개방포털 서버로부터 기상 데이터를 수집하는 단계(S9020), 대기환경정보 서버로부터 미세먼지 데이터를 수집하는 단계(S9030), 상기 수집된 하늘 이미지 데이터의 이미지의 해상도를 축소하는 단계(S9040), 상기 축소된 해상도를 갖는 하늘 이미지 데이터 중에서, 이미지 내에 하늘이나 구름이 존재하지 않는 하늘 이미지 데이터를 제거하고, 상기 하늘 이미지 데이터 내에서 하늘이나 구름이 아닌 부분에 대한 데이터를 제거하는 단계(S9050), 상기 데이터 노이즈 제거부에 의해 노이즈가 제거된 하늘 이미지 데이터의 해상도 및 화면비를 일치시키는 단계(S9060), 상기 수집된 기상 데이터, 미세먼지 데이터 및 상기 하늘 이미지 데이터의 기준을 통합하여 통합 데이터를 생성하고, 상기 통합 데이터의 각 항목값과 실제 미세먼지 수치의 상관관계를 학습하여 학습 데이터를 생성하고 상기 생성된 학습 데이터를 저장하는 단계(S9070); 및/또는 상기 저장된 학습 데이터를 이용하여 미세먼지 수치를 추정하는 단계(S9080)를 포함할 수 있다.
상술한 각 단계에 대한 상세한 설명은 전술한 도 1 내지 도 8에 대한 설명으로 대체한다.
본 명세서에서 하늘 이미지 데이터 수집부(1020), 기상 데이터 수집부(1030), 미세먼지 데이터 수집부(1040), 이미지 해상도 조정부(1050), 데이터 노이즈 제거부(1060), 이미지 데이터 규격화부(1070), 데이터베이스부(1080), 미세먼지 수치 추정부(1090), 이미지 분류부(2010), 분할 이미지 분류부(2020) 및/또는 이미지 데이터 가공부(2030)는 메모리에 저장된 연속된 수행과정들을 실행하는 프로세서들일 수 있다. 또는, 프로세서에 의해 구동되고 제어되는 소프트웨어 모듈들로서 동작할 수 있다. 나아가, 프로세서는 하드웨어 장치일 수 있다.
참고로, 본 발명의 일 실시예예 따른 하늘 이미지를 이용한 미세먼지 수치 추정 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독가능매체에 기록될 수 있다. 상기 컴퓨터 판독가능매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용가능한 것일 수도 있다. 컴퓨터 판독가능매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체, 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급언어코드를 포함한다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 발명의 보호범위가 이상에서 명시적으로 설명한 실시예의 기재와 표현에 제한되는 것은 아니다. 또한, 본 발 명이 속하는 기술분야에서 자명한 변경이나 치환으로 말미암아 본 발명이 보호범위가 제한될 수도 없음을 다시 한 번 첨언한다.
1010: 하늘 이미지를 이용한 미세먼지 수치 추정 장치
1020: 하늘 이미지 데이터 수집부
1030: 기상 데이터 수집부
1040: 미세먼지 데이터 수집부
1050: 이미지 해상도 조정부
1060: 데이터 노이즈 제거부
1070: 이미지 데이터 규격화부
1080: 데이터베이스부
1090: 미세먼지 수치 추정부
2010: 이미지 분류부
2020: 분할 이미지 분류부
2030: 이미지 데이터 가공부
1020: 하늘 이미지 데이터 수집부
1030: 기상 데이터 수집부
1040: 미세먼지 데이터 수집부
1050: 이미지 해상도 조정부
1060: 데이터 노이즈 제거부
1070: 이미지 데이터 규격화부
1080: 데이터베이스부
1090: 미세먼지 수치 추정부
2010: 이미지 분류부
2020: 분할 이미지 분류부
2030: 이미지 데이터 가공부
Claims (5)
- 국민참여관측 서버로부터 하늘 이미지 데이터 및 상기 하늘 이미지 데이터에 대한 부가 정보를 포함하는 텍스트 데이터를 수집하는 하늘 이미지 데이터 수집부;
기상자료개방포털 서버로부터 기상 데이터를 수집하는 기상 데이터 수집부;
대기환경정보 서버로부터 미세먼지 데이터를 수집하는 미세먼지 데이터 수집부;
상기 수집된 하늘 이미지 데이터의 이미지의 해상도를 축소하는 이미지 해상도 조정부;
상기 축소된 해상도를 갖는 하늘 이미지 데이터 중에서, 이미지 내에 하늘이나 구름이 존재하지 않는 하늘 이미지 데이터를 제거하고, 상기 하늘 이미지 데이터 내에서 하늘이나 구름이 아닌 부분에 대한 데이터를 제거하는 데이터 노이즈 제거부;
상기 데이터 노이즈 제거부에 의해 노이즈가 제거된 하늘 이미지 데이터의 해상도 및 화면비를 일치시키는 이미지 데이터 규격화부;
상기 수집된 기상 데이터, 미세먼지 데이터 및 상기 하늘 이미지 데이터의 기준을 통합하여 통합 데이터를 생성하고, 상기 통합 데이터의 각 항목값과 실제 미세먼지 수치의 상관관계를 학습하여 학습 데이터를 생성하고 상기 생성된 학습 데이터를 저장하는 데이터베이스부; 및
상기 저장된 학습 데이터를 이용하여 미세먼지 수치를 추정하는 미세먼지 수치 추정부를 포함하는 하늘 이미지를 이용한 미세먼지 수치 추정 장치. - 청구항 1에 있어서,
상기 데이터 노이즈 제거부는 상기 하늘 이미지 데이터의 이미지 전체 RGB 값의 평균값을 이용한 다중 로지스틱 회귀 분석을 통해, 상기 하늘 이미지 데이터의 이미지를 하늘에 해당하는 제1 이미지, 구름에 해당하는 제2 이미지 및 하늘과 구름에 해당하지 않는 제3 이미지로 분류하는 이미지 분류부;
상기 제1 이미지 및 상기 제2 이미지를 16개의 구역으로 분할하고 각 구역의 이미지를 하늘에 해당하는 하늘 이미지, 구름에 해당하는 구름 이미지 및 하늘과 구름에 해당하지 않는 기타 이미지로 분류하는 분할 이미지 분류부; 및
상기 제3 이미지에 해당하는 하늘 이미지 데이터는 제거하고, 상기 제1 이미지 및 상기 제2 이미지에 대해서는 전체 16개의 구역 중에서 상기 하늘 이미지 및 상기 구름 이미지에 해당하는 구역이 기 설정된 개수 범위보다 큰 경우, 이미지 전체의 RGB 값을 이용해 하늘 이미지 데이터를 생성하고, 전체 16개의 구역 중에서 상기 하늘 이미지 및 상기 구름 이미지에 해당하는 구역이 기 설정된 개수 범위에 해당하는 경우, 상기 기타 이미지에 해당하는 구역을 제하고 남은 구역의 RGB 값을 이용해 하늘 이미지 데이터를 생성하고, 전체 16개의 구역 중에서 상기 하늘 이미지 및 상기 구름 이미지에 해당하는 구역이 기 설정된 개수 범위보다 작은 경우, 해당 이미지에 대한 하늘 이미지 데이터는 제거하는 이미지 데이터 가공부를 포함하는 것을 특징으로 하는 하늘 이미지를 이용한 미세먼지 수치 추정 장치. - 청구항 1에 있어서,
상기 데이터 노이즈 제거부는 상기 하늘 이미지 데이터의 RGB 값의 분산값을 이용해서 상기 하늘 이미지 데이터 내에서 하늘이나 구름이 아닌 부분에 대한 데이터를 제거하는 것을 특징으로 하는 하늘 이미지를 이용한 미세먼지 수치 추정 장치. - 청구항 1에 있어서,
상기 데이터 노이즈 제거부는 상기 하늘 이미지 데이터의 이미지의 각 열에 존재하는 픽셀들의 RGB 값의 군집 분석을 통해, 상기 하늘 이미지 데이터 내에서 하늘이나 구름이 아닌 부분에 대한 데이터를 제거하는 것을 특징으로 하는 하늘 이미지를 이용한 미세먼지 수치 추정 장치. - 청구항 1에 있어서,
상기 데이터 노이즈 제거부는 상기 하늘 이미지 데이터의 RGB 값 중 B 값을 이용하여 상기 하늘 이미지 데이터 내에서 하늘이나 구름이 아닌 부분에 대한 데이터를 제거하는 것을 특징으로 하는 하늘 이미지를 이용한 미세먼지 수치 추정 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180139999A KR20200056094A (ko) | 2018-11-14 | 2018-11-14 | 하늘 이미지를 이용한 미세먼지 수치 추정 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180139999A KR20200056094A (ko) | 2018-11-14 | 2018-11-14 | 하늘 이미지를 이용한 미세먼지 수치 추정 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200056094A true KR20200056094A (ko) | 2020-05-22 |
Family
ID=70913711
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180139999A KR20200056094A (ko) | 2018-11-14 | 2018-11-14 | 하늘 이미지를 이용한 미세먼지 수치 추정 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20200056094A (ko) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798394A (zh) * | 2020-06-30 | 2020-10-20 | 电子科技大学 | 一种基于多年时间序列数据的遥感图像云污染去除方法 |
| KR20200141406A (ko) * | 2019-06-10 | 2020-12-18 | 서울대학교산학협력단 | 미세먼지 측정 데이터를 3d 그래픽으로 표시하는 방법 및 이를 수행하기 위한 장치 |
| KR102326208B1 (ko) * | 2021-08-11 | 2021-11-16 | 한국건설기술연구원 | 영상 인식 기반 3차원 미세 먼지 정보를 구축하기 위한 시스템 및 그 방법 |
| KR102388754B1 (ko) * | 2021-11-08 | 2022-04-20 | 주식회사 윈드위시 | 영상 분석을 이용한 인공지능 기반 미세먼지 농도 판단 장치 및 방법 |
| KR102488771B1 (ko) * | 2021-12-28 | 2023-01-18 | 한국건설기술연구원 | 대기오염물질의 2차원/3차원 시각화를 통한 대기오염도 분석 장치 및 방법 |
| KR102515076B1 (ko) * | 2021-11-26 | 2023-03-29 | 주식회사 아이두젠 | 캠핑 또는 레저 숙박 장소의 대여 방법을 제공하는 플랫폼 서비스 제공 장치, 방법 및 프로그램 |
| KR102516588B1 (ko) * | 2021-10-08 | 2023-04-03 | 주식회사 에어핏 | 인공지능모델을 이용한 위성이미지 분석을 통해 미세먼지농도 측정값 및 추정값을 제공하는 측정 장치, 방법 및 프로그램 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160020745A (ko) | 2014-08-14 | 2016-02-24 | 영진기술 주식회사 | 초미세먼지정보 제공 장치 및 시스템 |
-
2018
- 2018-11-14 KR KR1020180139999A patent/KR20200056094A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160020745A (ko) | 2014-08-14 | 2016-02-24 | 영진기술 주식회사 | 초미세먼지정보 제공 장치 및 시스템 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200141406A (ko) * | 2019-06-10 | 2020-12-18 | 서울대학교산학협력단 | 미세먼지 측정 데이터를 3d 그래픽으로 표시하는 방법 및 이를 수행하기 위한 장치 |
| CN111798394A (zh) * | 2020-06-30 | 2020-10-20 | 电子科技大学 | 一种基于多年时间序列数据的遥感图像云污染去除方法 |
| CN111798394B (zh) * | 2020-06-30 | 2022-10-14 | 电子科技大学 | 一种基于多年时间序列数据的遥感图像云污染去除方法 |
| KR102326208B1 (ko) * | 2021-08-11 | 2021-11-16 | 한국건설기술연구원 | 영상 인식 기반 3차원 미세 먼지 정보를 구축하기 위한 시스템 및 그 방법 |
| KR102516588B1 (ko) * | 2021-10-08 | 2023-04-03 | 주식회사 에어핏 | 인공지능모델을 이용한 위성이미지 분석을 통해 미세먼지농도 측정값 및 추정값을 제공하는 측정 장치, 방법 및 프로그램 |
| KR102388754B1 (ko) * | 2021-11-08 | 2022-04-20 | 주식회사 윈드위시 | 영상 분석을 이용한 인공지능 기반 미세먼지 농도 판단 장치 및 방법 |
| KR102515076B1 (ko) * | 2021-11-26 | 2023-03-29 | 주식회사 아이두젠 | 캠핑 또는 레저 숙박 장소의 대여 방법을 제공하는 플랫폼 서비스 제공 장치, 방법 및 프로그램 |
| KR102488771B1 (ko) * | 2021-12-28 | 2023-01-18 | 한국건설기술연구원 | 대기오염물질의 2차원/3차원 시각화를 통한 대기오염도 분석 장치 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20200056094A (ko) | 하늘 이미지를 이용한 미세먼지 수치 추정 장치 | |
| Schiefer et al. | Mapping forest tree species in high resolution UAV-based RGB-imagery by means of convolutional neural networks | |
| JP4493050B2 (ja) | 画像分析装置および画像分析方法 | |
| Myeong et al. | Urban cover mapping using digital, high-spatial resolution aerial imagery | |
| CN109598794B (zh) | 三维gis动态模型的构建方法 | |
| CN112836657B (zh) | 一种基于轻量化YOLOv3的行人检测方法及系统 | |
| KR101933856B1 (ko) | 콘벌루션 신경망을 이용한 영상 처리 시스템 및 이를 이용한 영상 처리 방법 | |
| Ehrlich et al. | Optical satellite imagery for quantifying spatio-temporal dimension of physical exposure in disaster risk assessments | |
| Al-Sheary et al. | Crowd monitoring system using unmanned aerial vehicle (UAV) | |
| KR20210032075A (ko) | 인공지능을 이용한 영상분석 시스템 및 이를 이용한 방법 | |
| US20240110809A1 (en) | System and method for asset identification and mapping | |
| Zhang et al. | Outdoor air quality inference from single image | |
| Huang et al. | A knowledge-based approach to urban feature classification using aerial imagery with lidar data | |
| CN113378754B (zh) | 一种工地裸土监测方法 | |
| Zhang et al. | UAV‐derived imagery for vegetation structure estimation in rangelands: validation and application | |
| Witherow et al. | Analysis of crowdsourced images for flooding detection | |
| Jacobs et al. | Adventures in archiving and using three years of webcam images | |
| Samadzadegan et al. | Earthquake destruction assessment of urban roads network using satellite imagery and fuzzy inference systems | |
| Lehrbass et al. | Urban tree cover mapping with relief-corrected aerial imagery and LiDAR | |
| Franceschini et al. | Damage estimation and localization from sparse aerial imagery | |
| Caccetta et al. | Fine-scale monitoring of complex environments using remotely sensed aerial, satellite, and other spatial data | |
| Yastikli et al. | Building extraction using multi sensor systems | |
| Omali | Prospects of satellite–enhanced forest monitoring for Nigeria | |
| Atreya et al. | Efficient resnet model for atmospheric visibility classification | |
| Osberger et al. | Forest disturbance monitoring system based on high spatial resolution satellite images in the Kalkalpen National Park |