KR20210063016A - 작물 재배면적 추출방법 및 프로그램 - Google Patents
작물 재배면적 추출방법 및 프로그램 Download PDFInfo
- Publication number
- KR20210063016A KR20210063016A KR1020190151404A KR20190151404A KR20210063016A KR 20210063016 A KR20210063016 A KR 20210063016A KR 1020190151404 A KR1020190151404 A KR 1020190151404A KR 20190151404 A KR20190151404 A KR 20190151404A KR 20210063016 A KR20210063016 A KR 20210063016A
- Authority
- KR
- South Korea
- Prior art keywords
- crop
- area
- image
- survey
- drone
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 139
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000011835 investigation Methods 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000003384 imaging method Methods 0.000 claims abstract description 5
- 238000011160 research Methods 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims abstract description 3
- 238000001514 detection method Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 241001116459 Sequoia Species 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000013523 data management Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000012876 topography Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000009313 farming Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 abstract 3
- 238000010586 diagram Methods 0.000 description 16
- 240000008042 Zea mays Species 0.000 description 14
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 14
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 14
- 235000005822 corn Nutrition 0.000 description 14
- 230000006870 function Effects 0.000 description 5
- 238000009434 installation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 240000002234 Allium sativum Species 0.000 description 1
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000017647 Brassica oleracea var italica Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 1
- 235000011511 Diospyros Nutrition 0.000 description 1
- 244000236655 Diospyros kaki Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 235000004611 garlic Nutrition 0.000 description 1
- 230000037308 hair color Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
- B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D47/00—Equipment not otherwise provided for
- B64D47/08—Arrangements of cameras
-
- G06K9/20—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- H04N9/045—
-
- B64C2201/127—
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Technology (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
본 발명은 작물 재배면적 추출방법 및 프로그램에 관한 것으로, 고정밀 드론 공간정보 기술 활용의 작업 과정 단순화, 단순화된 공정을 통한 단시간내 광범위지역 드론촬영, RGB센서와 다중분광센서를 통한 영상정보 획득, 지구별 영상촬영조사 시작점 및 운항경로 제시, 촬영지구별 정사영상 및 3D맵 제작을 통한 작물재배면적 산정과 지구별 지형분석이 처리되는 A) 드론을 활용한 영농현황조사 처리과정, 촬영지구에 대한 전수조사 결과를 프로그램에서 제공하는 현황도에 입력하여 작물재배 현황지도 작성, 지구별 대표지점을 선정하여 농가와 연계하며 파악된 작물의 수확량과 생육상태에 대한 정보 입력, 작물의 전수조사 리스트로서 두 지역 이상 분포하는 작물의 경우 숫자로 표기, 특정 지역에서만 재배되는 작물의 경우 알파벳으로 표기되도록 처리되는 B) 전수조사 처리과정, 및 RGB센서에서 획득한 영상을 통한 재배면적 산정과 대표지역의 AI를 통한 작물종류 분류, 다중분광센서에서 획득한 분광정보를 통해 NDVI 지수를 통해 작물의 생육정보 도식화, 국내외 연구사례 조사를 통한 작물판독 증진방안 제시, 간척농지 영농현황조사에 적합한 가이드라인을 제시하는 방식으로 처리되는 C) 촬영결과를 통한 작물판독 검토방안 처리과정을 포함하는 작물 재배면적 추출 방법 및 프로그램 제공에 따라, 미래의 작물 농업에 대한 제반적인 개발 방안을 효과적으로 제시할 수 있다.
Description
본 발명은 작물 재배면적 추출방법 및 프로그램에 대한 것으로, 보다 상세하게는 무인기로부터 촬영된 작물의 재배면적에 대한 영상을 서버에 설치된 프로그램으로 가공하는 방식을 통해 산출하여 추출하는 작물 재배면적 추출방법 및 프로그램에 관한 것이다.
일반적으로 작물의 재배면적을 산출하여 추출하기 위한 기존의 방식들은 대부분 측량자들이 측량하고자 하는 해당 작물의 재배면적지 현장에 직접 찾아간 상태에서 측량 장비들을 활용하여 해당 작물의 재배면적지에 대한 측량 데이터를 확보 수집한 다음, 확보 수집된 측량 데이터를 고정식 단말기의 일례로서 PC 컴퓨터에 설치된 편집프로그램으로 가공 처리하는 과정을 통해 작물 재배면적에 대한 실질적인 표준 산출 결과물을 추출하여 제공하고 있다.
물론, 이러한 작물 재배면적에 대한 실질적인 산출 결과물이 이용자들에게 유용하게 활용될 수 있지만, 재배면적지는 작물의 종류나 작물의 재배량 혹은 작물의 이용 목적에 따라 구획이 변경되거나 변형되는 경우가 비일비재한 관계로, 이렇게 변형된 재배면적지가 이용자들에게 표준 산출 결과물로 다시 활용되기 위해서는 측량자들이 측량 장비들을 가지고 해당 재배면적지의 현장에 다시 찾아가 측량해야 하는 작업을 수회 반복해야 측량 작업성의 불편함이 있다.
더욱이, 작업자들이 측량 장비들을 동원하여 측량하는 관계로 측량이 주묵구구식으로 이루어져 확보 수집된 측량 데이터에 대한 통일성도 맞추기 어렵고, 무엇보다 작업자들이 일일히 수작업으로 측량해야 하는 관계로, 편집프로그램을 통해 가공된 최종의 표준 산출 결과물 생성까지 소요되는 시간이 지연될 수밖에 없고, 이는 결국 작물의 재배면적에 대한 표준 산출 결과물의 효용성이 저하되는 결과로 귀결된다.
물론, 이러한 상술된 문제점들이 해소될 수 있는 방안으로 무인기를 활용하여 해당 작물 재배면적지에 대한 촬영 영상을 확보 수집한 상태에서 편집프로그램으로 가공한 표준 산출 결과물도 종종 이용자들에게 활용되고 있으나, 표준 산출 결과물에서 나온 재배면적 관련 정보들이 실제 현장의 재배면적 정보와 비교시 정확성 측면에서 상당히 불일치하는 문제가 지적되고 있는 실정이다.
전술된 문제점들을 해소하기 위한 본 발명은, 무인기를 활용한 작물 재배면적에 대한 정보들이 실제 현장의 재배면적 정보와 일치할 수 있게 정확성 향상을 도모하고자 하는 작물 재배면적 추출방법 및 프로그램을 제공하고자 함에 그 목적을 두고 있다.
전술된 목적들을 달성하기 위한 본 발명은 고정밀 드론 공간정보 기술 활용의 작업 과정 단순화, 단순화된 공정을 통한 단시간내 광범위지역 드론촬영, RGB센서와 다중분광센서를 통한 영상정보 획득, 지구별 영상촬영조사 시작점 및 운항경로 제시, 촬영지구별 정사영상 및 3D맵 제작을 통한 작물재배면적 산정과 지구별 지형분석이 처리되는 A) 드론을 활용한 영농현황조사 처리과정, 촬영지구에 대한 전수조사 결과를 프로그램에서 제공하는 현황도에 입력하여 작물재배 현황지도 작성, 지구별 대표지점을 선정하여 농가와 연계하며 파악된 작물의 수확량과 생육상태에 대한 정보 입력, 작물의 전수조사 리스트로서 두 지역 이상 분포하는 작물의 경우 숫자로 표기, 특정 지역에서만 재배되는 작물의 경우 알파벳으로 표기되도록 처리되는 B) 전수조사 처리과정, 및 RGB센서에서 획득한 영상을 통한 재배면적 산정과 대표지역의 AI를 통한 작물종류 분류, 다중분광센서에서 획득한 분광정보를 통해 NDVI 지수를 통해 작물의 생육정보 도식화, 국내외 연구사례 조사를 통한 작물판독 증진방안 제시, 간척농지 영농현황조사에 적합한 가이드라인을 제시하는 방식으로 처리되는 C) 촬영결과를 통한 작물판독 검토방안 처리과정을 포함하는 작물 재배면적 추출 방법에 일 특징이 있다.
상기 C) 과정 이후에, 드론조사 및 영상분석 기법에 대한 이론 및 실습교육, 운용지역별 특성파악을 위한 현장교육 실시, RGB 및 다중분광 영상 가공방법과 기타프로그램으로 활용방안 교육, 영상결과물을 이용한 작물판독기법 교육, DB구축을 위한 데이터 관리방안 교육에 대한 강좌를 온라인 상에서 동영상 플레이 방식으로 제공하는 D) 드론을 활용한 영농현황 조사기법 및 영상처리 활용교육 제공과정이 더 포함되는 작물 재배면적 추출 방법에 일 특징이 있다.
상기 A) 드론을 활용한 영농현황조사 처리과정에서는 드론의 항공 촬영과 비행에 대한 허가를 신청 처리하기 위한 A1) 촬영 및 비행허가 신청 단계, 촬영지역설정, 격자망 구성, 이착륙지 선정, 비행경로설정, 경로파일 생성, 및 기상정보를 확인 처리하기 위한 A2) 비행계획 수립 단계, 드론들의 투입에 따른 비행, 대상지에 대한 RGB 영상과 다중분광 영상 획득, 드론 모니터링을 처리가기 위한 A3) 대상지에 대한 드론 촬영 단계, 드론으로부터 촬영된 이미지와 비행 로그(log)의 합성 처리에 따른 영상을 생성하기 위한 A4) 영상 전처리 단계, 및 Initial Processing -> point Cloud and Mesh -> DSM, Orthomosaic 을 처리하기 위한 영상 처리 단계를 더 포함하는 작물 재배면적 추출 방법에 일 특징이 있다.
상기 B) 전수조사 처리과정에서는 작물 리스트 목록에서 작물의 종류를 선택하여 가감처리하는 과정으로 작물들에 대한 리스트를 만드는 B1) 작물 리스트 단계, 위성지도 기반을 통해 대상지에 대한 전수조사구역을 분할 처리하는 과정으로서, 대축척 위성 지도를 통해 인쇄 가능한 지역의 분할, 지역명과 위치번호를 입력한 위치 태그(Tag)를 부착하는 B2) 전수조사 구역 분할 단계, 및 전수조사 구역의 분할 처리에 따라 적정 인원을 분배하고 현장전수 조사에 대한 내용 정보들을 제공하는 과정으로서, 출력된 지도와 GPS 지도 어플리케이션을 이용한 현장 조사, 리스트에 없는 작물에 대한 샘플 채취 후 확인하는 B3) 인원분배 및 현장 전수조사 단계를 더 포함하는 작물 재배면적 추출 방법에 일 특징이 있다.
상기 C) 촬영결과를 통한 작물판독 검토방안 처리과정에서는 AI 기법을 활용한 작물종류의 분류로서 영상패턴의 딥러닝 기법을 활용한 작물판독을 위해 프로그램에 탑재된 AI 작물탐지알고리즘이 이용되는 작물 재배면적 추출 방법에 일 특징이 있다.
상기 AI 작물탐지알고리즘은 항공촬영 이미지를 기반으로 경계선 검출, 농작물 구분 기준 자료 입력, 농작물 패턴 학습, 국부영역 농작물 인식, 경계선 내부 농작물 판별, 및 농작물 면적 산출 및 집계의 처리 과정들을 수행하며 작물종류들을 분석하게 되는 작물 재배면적 추출 방법에 일 특징이 있다.
상기 드론의 하단에 회전 가능한 구조로 설치된 전자센서 레이저 레빌기가 이용되는 작물 재배면적 추출 방법에 일 특징이 있다.
상기 드론과 상기 전자센서 레이저 레빌기의 사이에 설치된 미세조정모터를 통하여 상기 드론의 기울어진 비행에서도 상기 전자센서 레이저 레빌기를 수평 상태로 작동시키는 작물 재배면적 추출 방법에 일 특징이 있다.
상기 미세조정모터는 디지털 방식의 서보 모터가 이용되는 작물 재배면적 추출 방법에 일 특징이 있다.
상기 무인기로부터 촬영된 작물 대상지의 영상 정보를 활용하여 작물 종류를 판독하고 상기 영상의 이미지를 편집 수정하여 소정의 표준 데이터로 서버에 저장하는 인공지능 프로그램인 작물 재배면적 추출 프로그램에 다른 일 특징이 있다.
상기 작물 대상지의 영상 정보 획득을 위해 Green, NIR, Red, Red-Edga, RGB 센서가 포함된 세콰이어 센서가 이용되는 작물 재배면적 추출 프로그램에 다른 일 특징이 있다.
상기 작물 대상지의 영상에 대한 위치를 위해 후처리방식(PPK; Post Processing Kinematic)이 이용되는 작물 재배면적 추출 프로그램에 다른 일 특징이 있다.
이상에서 살펴본 바와 같이 본 발명에 따르면, 드론과 서버에 설치된 프로그램 및 프로그램에 탑재된 AI 작물탐지알고리즘의 유기적인 데이터 교류를 통하여 실제 현장의 재배면적지에 대한 제반적인 정보와 일치할 수 있는 데이터 표준 산출 결과물을 이용자들에게 제공할 수 있음에 따라 데이터 표준 산출 결과물의 이용 효용성을 현저하게 향상시킬 수 있는 효과가 있다.
더욱이, 본 발명에 따르면, 재배면적지에 대한 표준 산출 결과물을 생성하기까지 소요되는 시간이 현저하게 단축되고, 재배면적지의 잦은 변경에 따른 작업자들의 수동 측량 작업의 불편함을 해결할 수 있는 효과가 있다.
아울러, 본 발명에 따르면, 실제 현장의 재배면적지에 대한 제반적인 정보와 데이터 표준 산출 결과물의 정보가 큰 오차 없이 일치될 수 있는 관계로 현장 정보와 데이터 가공 정보간의 정확성이 향상되며, 이로 인한 작물 생육정보를 활용한 생산량의 제반적인 정보 예측이 가능하여, 미래의 작물 농업 관련 개발 방안을 효과적으로 제시할 수 있는 효과가 있다.
도 1은 본 발명은 일 실시예에 따른 작물 재배면적 추출방법에서의 A) 드론을 활용한 영농현황조사 처리과정에 대한 흐름을 도시한 도면이다.
도 2는 도 1에 도시된 A) 드론을 활용한 영농현황조사 처리과정에서의 A1) 촬영 및 비행허가 신청 단계에 대한 흐름을 도시한 도면이다.
도 3은 도 1에 도시된 A) 드론을 활용한 영농현황조사 처리과정에서의 A2) 비행계획 수립 단계에 대한 흐름을 도시한 도면이다.
도 4는 도 1에 도시된 A) 드론을 활용한 영농현황조사 처리과정에서의 A3) 대상지에 대한 드론 촬영 단계에 대한 흐름을 도시한 도면이다.
도 5는 도 1에 도시된 A) 드론을 활용한 영농현황조사 처리과정에서의 A4) 영상 전처리 단계에 대한 드론 촬영 단계에 대한 흐름을 도시한 도면이다.
도 6 내지 도 8은 도 1에 도시된 A) 드론을 활용한 영농현황조사 처리과정에서의 A5) 영상 처리 단계에 대한 드론 촬영 단계에 대한 흐름을 도시한 도면이다.
도 9 내지 도 14는 도 1 내지 도 8에 도시된 A1)에서 A5) 단계에 이르는 A) 드론을 활용한 영농현황조사 처리과정에 대한 결과물들을 일례로 도시한 도면들이다.
도 15는 작물 재배면적 추출방법에서의 A) 드론을 활용한 영농현황조사 처리과정 이후에 수행되는 B) 전수조사 처리과정에 대한 흐름을 도시한 도면이다.
도 16은 도 15에 도시된 B) 전수조사 처리과정에서의 B1) 작물 리스트 단계의 일례를 도시한 도면이다.
도 17은 도 15에 도시된 B) 전수조사 처리과정에서의 B2) 전수조사 구역 분할 단계의 일례를 도시한 도면이다.
도 18은 도 15에 도시된 B) 전수조사 처리과정에서의 B3) 인원분배 및 현장 전수조사 단계를 도시한 도면이다.
도 19 내지 도 21은 도 15 내지 도 18에 도시된 B1)에서 B) 단계에 이르는 B) 전수조사 처리과정에 대한 결과물들을 일례로 도시한 도면들이다.
도 22는 작물 재배면적 추출방법에서의 B) 전수조사 처리과정 이후에 수행되는 C) 촬영결과를 통한 작물판독(종류, 생육상황 등) 처리과정에서의 AI 기법을 활용한 작물종류의 분류로서, AI 작물탐지알고리즘에 입력된 샘플이미지를 통한 결과이미지를 일례로 도시한 도면이다.
도 23은 도 22에 도시된 AI 작물탐지알고리즘의 작동순서를 일례로 도시한 도면이다.
도 24는 C) 촬영결과를 통한 작물판독(종류, 생육상황 등) 처리과정에서의 NDVI 지수를 통한 작물 생육정보 도식화로서, 영상매칭을 나타내기 위한 일례의 도면이다.
도 25는 C) 촬영결과를 통한 작물판독(종류, 생육상황 등) 처리과정에서의 NDVI 지수를 통한 작물 생육정보 도식화로서, 영상경계분할을 나타내기 위한 일례의 도면이다.
도 26은 C) 촬영결과를 통한 작물판독(종류, 생육상황 등) 처리과정에서의 NDVI 지수를 통한 작물 생육정보 도식화로서, 속성값 추출을 나타내기 위한 일례의 도면이다.
도 27은 C) 촬영결과를 통한 작물판독(종류, 생육상황 등) 처리과정에서의 NDVI 지수를 통한 작물 생육정보 도식화로서, 산출자료 입력을 나타내기 위한 일례의 도면이다.
도 28은 도 22 내지 도 27에 도시된 C) 촬영결과를 통한 작물판독(종류, 생육상황 등) 처리과정에 대한 결과물로서 작물 생육정보를 활용한 생산량 예측에 관한 결과를 일례로 도시한 도면이다.
도 2는 도 1에 도시된 A) 드론을 활용한 영농현황조사 처리과정에서의 A1) 촬영 및 비행허가 신청 단계에 대한 흐름을 도시한 도면이다.
도 3은 도 1에 도시된 A) 드론을 활용한 영농현황조사 처리과정에서의 A2) 비행계획 수립 단계에 대한 흐름을 도시한 도면이다.
도 4는 도 1에 도시된 A) 드론을 활용한 영농현황조사 처리과정에서의 A3) 대상지에 대한 드론 촬영 단계에 대한 흐름을 도시한 도면이다.
도 5는 도 1에 도시된 A) 드론을 활용한 영농현황조사 처리과정에서의 A4) 영상 전처리 단계에 대한 드론 촬영 단계에 대한 흐름을 도시한 도면이다.
도 6 내지 도 8은 도 1에 도시된 A) 드론을 활용한 영농현황조사 처리과정에서의 A5) 영상 처리 단계에 대한 드론 촬영 단계에 대한 흐름을 도시한 도면이다.
도 9 내지 도 14는 도 1 내지 도 8에 도시된 A1)에서 A5) 단계에 이르는 A) 드론을 활용한 영농현황조사 처리과정에 대한 결과물들을 일례로 도시한 도면들이다.
도 15는 작물 재배면적 추출방법에서의 A) 드론을 활용한 영농현황조사 처리과정 이후에 수행되는 B) 전수조사 처리과정에 대한 흐름을 도시한 도면이다.
도 16은 도 15에 도시된 B) 전수조사 처리과정에서의 B1) 작물 리스트 단계의 일례를 도시한 도면이다.
도 17은 도 15에 도시된 B) 전수조사 처리과정에서의 B2) 전수조사 구역 분할 단계의 일례를 도시한 도면이다.
도 18은 도 15에 도시된 B) 전수조사 처리과정에서의 B3) 인원분배 및 현장 전수조사 단계를 도시한 도면이다.
도 19 내지 도 21은 도 15 내지 도 18에 도시된 B1)에서 B) 단계에 이르는 B) 전수조사 처리과정에 대한 결과물들을 일례로 도시한 도면들이다.
도 22는 작물 재배면적 추출방법에서의 B) 전수조사 처리과정 이후에 수행되는 C) 촬영결과를 통한 작물판독(종류, 생육상황 등) 처리과정에서의 AI 기법을 활용한 작물종류의 분류로서, AI 작물탐지알고리즘에 입력된 샘플이미지를 통한 결과이미지를 일례로 도시한 도면이다.
도 23은 도 22에 도시된 AI 작물탐지알고리즘의 작동순서를 일례로 도시한 도면이다.
도 24는 C) 촬영결과를 통한 작물판독(종류, 생육상황 등) 처리과정에서의 NDVI 지수를 통한 작물 생육정보 도식화로서, 영상매칭을 나타내기 위한 일례의 도면이다.
도 25는 C) 촬영결과를 통한 작물판독(종류, 생육상황 등) 처리과정에서의 NDVI 지수를 통한 작물 생육정보 도식화로서, 영상경계분할을 나타내기 위한 일례의 도면이다.
도 26은 C) 촬영결과를 통한 작물판독(종류, 생육상황 등) 처리과정에서의 NDVI 지수를 통한 작물 생육정보 도식화로서, 속성값 추출을 나타내기 위한 일례의 도면이다.
도 27은 C) 촬영결과를 통한 작물판독(종류, 생육상황 등) 처리과정에서의 NDVI 지수를 통한 작물 생육정보 도식화로서, 산출자료 입력을 나타내기 위한 일례의 도면이다.
도 28은 도 22 내지 도 27에 도시된 C) 촬영결과를 통한 작물판독(종류, 생육상황 등) 처리과정에 대한 결과물로서 작물 생육정보를 활용한 생산량 예측에 관한 결과를 일례로 도시한 도면이다.
본 발명은 다양한 변형 실시 예들을 통한 기술적 사상에 이르는 권리 범위까지 포함하는 방식으로 해석되어야 할 것이며, 단지 본 실시예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
더욱이, 본 발명에 유첨된 도면들은 어디까지나 본 발명에 대한 설명의 이해를 돕기 위한 방안으로 첨부된 관계로, 본 발명의 기술적 사상이 유첨된 도면들에 의해 한정되어 해석되지 말아야 할 것이다.
본 발명에 따른 작물 재배면적 추출 방법 및 프로그램은, A) 드론을 활용한 영농현황조사 처리과정, B) 전수조사 처리과정, C) 촬영결과를 통한 작물판독 처리과정, D) 드론을 활용한 영농현황 조사기법 및 영상처리 활용교육 제공과정을 포함할 수 있다.
상기 A) 드론을 활용한 영농현황조사 처리과정으로서, 고정밀 드론 공간정보 기술 활용의 작업 과정 단순화, 단순화된 공정을 통한 단시간내 광범위지역 드론촬영, RGB센서와 다중분광센서를 통한 영상정보 획득, 지구별 영상촬영조사 시작점 및 운항경로 제시, 촬영지구별 정사영상 및 3D맵 제작을 통한 작물재배면적 산정과 지구별 지형분석이 수행될 수 있다.
이러한 상기 A) 드론을 활용한 영농현황조사 처리과정은 도 1에 도시된 바와 같이 A1) 촬영 및 비행허가 신청 단계, A2) 비행계획 수립 단계, A3) 대상지에 대한 드론 촬영 단계, A4) 영상 전처리 단계, 및 A5) 영상 처리 단계를 더 포함할 수 있다.
A1) 촬영 및 비행허가 신청 단계
상기 A1) 촬영 및 비행허가 신청 단계에서는 도 2에 도시된 바와 같이 프로그램에서 제공되는 APS 사이트를 활용한 항공민원신청, 초경량 비행장치 비행승인, 신청서 작성, 신청결과 확인, 및 비행승인서의 처리 과정들이 수행될 수 있다.
A2) 비행계획 수립 단계
상기 A2) 비행계획 수립 단계에서는 도 3에 도시된 바와 같이 프로그램에서 제공되는 촬영지역설정, 격자망 구성, 이착륙지 선정, 비행경로설정, 경로파일 생성, 및 기상정보 확인의 처리 과정들이 수행될 수 있다.
A3) 대상지에 대한 드론 촬영 단계
상기 A3) 대상지에 대한 드론 촬영 단계에서는 도 4와 같이 하나 이상의 드론들의 투입에 따른 비행, 대상지에 대한 RGB 영상과 다중분광 영상 획득, 드론 모니터링의 처리 과정들이 수행될 수 있다.
A4) 영상 전처리 단계
상기 A4) 영상 전처리 단계에서는 도 5에 도시된 바와 같이 프로그램에서 제공되는 드론 촬영으로 얻어진 이미지와 비행 로그(log, 1회 비행), emotion3 postflight 에 입력 후 진행, 입력자료의 일치성 확인 후 전처리 진행의 처리 과정들이 수행될 수 있다. 즉, 이미지와 비행 로그(log)의 합성 처리에 따른 emotion3을 생성할 수 있다.
A5) 영상 처리 단계
상기 A5 영상 처리 단계에서는 도 6 내지 8에 도시된 바와 같이 프로그램에서 제공되는 Initial Processing -> point Cloud and Mesh -> DSM, Orthomosaic 처리 과정들이 수행될 수 있다.
드론이 비행하며 촬영되는 작물 재배지를 예컨대 대규모 옥수수 재배 지역으로 예를 들 경우, 광지역 콩 재배면적 산정을 위한 최적의 테스트베드 선정, 식용 옥수수의 대표 주산지로서 예컨대 괴산군 감물면 지역과 사료용 옥수수 수확량이 많은 지역으로서 예컨대 김제시 용지면 지역을 선정하여 광지역 공간정보를 구축할 수 있다.
테스트베드 선정을 위한 처리는 무인비행기인 드론을 활용한 옥수수 생육주기에 따른 시계열 영상 취득 방식으로 이루어질 수 있고, 기존 RGB센서 외에 근적외(Near-Infraed;NIR), 레드엣지(Red-Edge;RE) 센서를 대체하여 Green, NIR, Red, Red-Edga, RGB 센서가 포함된 세콰이어 센서(Sequoia)가 드론에 구축되어 활용될 수 있다.
영상의 위치 정확도를 위해 PPK(Post Processing Kinematic, 후처리방식)이 적용될 수 있으며, PPK 베이스의 설치 위치는 예컨대 주산지 지역 인근의 특정 지점(옥상)에 설치 적용될 수 있으며, 상기 센서간 영상분석의 정확성 증진을 목표로 RGB 해상도 5cm/px, Sequoia 해상도 10cm/px로 촬영될 수 있으며, 주산지 지역에서 옥수수의 생육 초기, 성숙기, 수확기 등 3차례에 걸친 촬영, 수확량이 많은 지역에서 옥수수의 생육 초기, 성숙기 등 2차례에 걸친 촬영이 이루어질 수 있다.
세콰이어 센서(Sequoia)는 Red(1.2Mpx), Green(1.2Mpx), Red edge(1.2 Mpx), Near infrared(1.2Mpx), Lens protector(strong and durable), RGB camera(16Mpx), internal storage(64GB - 10 flights recording capacity), Easy and fast access(via WiFi and USB) 등을 포함하는 구성으로 이루어질 수 있다.
| 대상지 | 촬영 및 조사 일자 | 비행 횟수(회) | 사진 매수(매) | 촬영 면적 | 생육조사 (필지) |
||||
| 괴산군 감물면 |
1차 | 5/13~15 | RGB | 8 | RGB | 2,004 | 약 20㎢ | 28 | |
| SQ | 15 | SQ | 24,667 | ||||||
| 2차 | 6/24~26 | RGB | 8 | RGB | 1,887 | 28 | |||
| SQ | 15 | SQ | 24,008 | ||||||
| 3차 | 7/29~8/1 | RGB | 9 | RGB | 1,859 | ||||
| SQ | 17 | SQ | 23,008 | ||||||
| 김제시 용지면 |
1차 | 5/29~6/4 | RGB | 18 | RGB | 6,418 | 약 35㎢ | 7 | |
| SQ | 51 | SQ | 120,416 | ||||||
| 2차 | 7/8~12 | RGB | 19 | RGB | 6,407 | 7 | |||
| SQ | 32 | SQ | 75,561 | ||||||
상기에서와 같은 A1)에서 A5) 단계를 거친 A) 드론을 활용한 영농현황조사 처리과정의 결과물로서 도 9 내지 도 14에 도시된 바와 같이 예컨대 고흥지구, 군내지구, 금호지구(통합), 마산지구(통합), 보전지구, 삼산지구, 시화지구, 화원지구 등의 조사 결과물을 생성 도출할 수 있고, 정사영상확대 이미지로서 RGB에 대한 영상 이미지, 정사영상확대 이미지로서 다중분광에 대한 영상 이미지인 Red-edge, Red, Nir, Green 의 영상 이미지, 정사영상 전체의 이미지로서 예컨대 석문지구에에서의 RGB 및 NDVI 의 영상 이미지, 정사영상과 수치지형도가 중첩된 영상 이미지, 현황도 작성에 대한 영상 이미지 등의 결과물들이 생성될 수 있는 것이다.
한편, 드론의 비행에 따른 대규모 옥수수 재배 지역에 대한 면적은 실제 현장 재배지 면적과 얼마나 정확하게 일치해야 되는데, 이는 드론의 비행 과정에서 드론의 수평 촬영과 직결된다. 즉, 드론의 비행 과정에서 드론이 수평 비행이 아닌 어느 한쪽으로 기울어진 비행 과정을 통해 촬영된 영상의 재배면적지는 실제 재배 면적지의 면적값과 다른 큰 오차로 산출될 수 있기 때문이다.
따라서, 드론의 비행 과정에서는 드론의 수평 비행을 통한 영상 촬영이 매우 중요한 관계로, 드론의 비행 기울기를 감지할 수 있는 전자센서 레이저 레빌기가 드론의 하단에 설치 적용될 수 있다.
이러한 상기 전자센서 레이저 레빌기는 수광부가 구성되어 있는 관계로 촬영 대상지에서 레이저를 수광하는 방식으로 드론의 기울기를 센싱할 수 있으며, 만일 드론의 기울기가 소정의 수평값 범위를 초과할 경우 수광부에서 이를 인지하여 전자센서 레이저 레빌기의 내부에 내장된 MCU에 전송함에 따라 MCU는 레이저 발사를 차단 신호에 근거하여 레이저 발사를 중지하고, 이로써 수광부는 더 이상의 레이저를 수광하지 못함으로써, 드론이 수평 비행을 하지 않는 것으로 미세조정모터가 판단하여 드론과 함께 기울어진 전자센서 레이저 레빌기를 신속 정확하게 미세 작동시켜 수평한 상태로 되돌릴 수 있다.
따라서, 수평 상태인 전자센서 레이저 레빌기는 레이저 발사를 다시 시작하게 되고, 이러한 전자센서 레이저 레빌기에서의 레이저 발사는 드론을 조작하는 조작자의 휴대용 단말기에 GPS 신호로 전송되어 파악될 수 있고, Green, NIR, Red, Red-Edga, RGB 센서가 포함된 세콰이어 센서(Sequoia)는 전자센서 레이저 레빌기에 설치 적용됨어 있음에 따라 수평 상태의 전자센서 레이저 레빌기에서 옥수수 재배면적지를 촬영할 수 있는 것이다.
즉, 다시 말해 드론이 수평 비행을 하지 않더라도 미세조정모터가 전자센서 레이저 레빌기를 수평으로 동작시켜 전자센서 레이저 레빌기는 수평 상태로 세콰이어 센서(Sequoia)를 통한 옥수수 재배면적지에 대한 촬영 영상을 확보할 수 있고, 이렇게 확보 수집된 영상은 실제의 옥수수 재배면적지의 면적값과 큰 오차 없이 일치할 수 있는 것이다.
물론, 미세조정모터의 설치 구조에 대해서는 충분한 설명으로 이해될 수 있는 미도시되었다. 미세조정모터는 드론의 하단과 전자센서 레이저 레빌기의 상단 사이에 설치되어 드론이 기울어진 비행에서도 전자센서 레이저 레빌기를 수평 상태로 동작시킬 수 있는 것이다.
이러한 미세조정모터는 디지털 방식의 서보모터를 이용함에 바람직하고, 모터 내부에 마이크로 프로세서가 내장되어 수광부의 레이저 수광 여부를 판단하여 수광부가 레이저를 수광하지 못할 때 전자센서 레이저 레빌기를 수평 상태로 동작시킬 수 있도록 미세조정모터의 작동을 지시하게 된다.
이러한 미세조정모터는 마이크로 프로세서에 모터의 성능이 최대가 되도록 프로그래밍되어 있으며, 세팅값의 조절과 높은 주파수를 사용하여 위치를 더 빨리 읽어들일 수 있기 때문에 전자센서 레이저 레빌기에 대한 위치제어가 신속 정확한 관계로, 아날로그 방식의 서보모터로 구현하기 불가한 미세조정을 구현할 수 있는 것이다.
이처럼, 상기 미세조정모터는 본 발명에서 전자센서 레빌기의 신속 정확한 위치제어를 위해 필수 적용될 수 있는 미세조정 구현을 위한 특징의 동력수단이다. 이러한 상기 미세조정모터는 디지털 방식의 서보모터이면서 귀환 회로가 추가된 관계로, 정확한 위치 제어가 가능하고, 이러한 귀환 회로 추가 적용에 따라 스테핑 모터에 비해 더욱 정밀 제어가 가능하고 오동작을 수정할 수 있으며 속도면에서 스테핑 모터에 비해 훨신 빠르다.
일반 DC 모터는 단순히 전기를 인가하여 동작하는 모터로서 이러한 모터는 전기를 차단할 경우 축 회전이 정지될 수 있지만 관성에 의해 정확한 정지 위치에 지정되는게 어렵고, 스테핑 모터의 경우 일정한 각도에 맞춰 회전되고 멈추는 모터인 관계로 상기 DC 모터의 단점을 해소할 수 있을지 모르나 고유의 분할 각도가 있고 이러한 분할 각도에 따라 움직이며 작동하는 단점이 있다. 즉, 만일 분할 각도가 1도라면 10도를 회전시키기 위해 10번의 명령이 내려져야 하는 문제가 있고, 이미 정해져 있는 각도로 인하여 예컨대 7.3도와 같은 정밀한 동작은 불가하며, 아날로그 방식의 서보모터는 위치 제어 전류가 블록 단위로 전달되는 까닭에 미세한 조정에서는 작동되지 않는 현상이 발생되는 단점이 있다.
이러한 상기의 이유들로 인하여 상기 미세조정모터는 정밀한 동작 및 신속 정확한 동작이 가능하여, 전자센서 레빌기의 위치 제어에 필수한 동력수단으로 이용될 수 있는 것이다.
이러한 상기 미세조정모터는 예컨대 아두이노에 기본적인 서모모터에 대한 라이브러리가 포함될 수 있는데, 이러한 라이브러리 상에 적용되는 함수들의 경우 예컨대 attach, write, read, attached, detach 등의 함수들이 사용될 수 있으며, 설계 코드의 적용에 따라 디지털 방식의 서보모터는 아두이노에 연결되어 작동될 수 있다. 물론, 설계코드에 있어서, 예컨대 코드1은 모터를 움직여 설정 각도들에서 위치되게 하는 코드일 수 있고, 예컨대 코드2는 서모모터의 회전 속도 과정에서 회전을 마칠 중간 중간에 delay를 넣어 회전을 마칠 시간을 제공해줄 수 있는 코드일 수 있다.
한편, 상기 B) 전수조사 처리과정은 촬영지구에 대한 육안조사를 통해 파악된 전수조사 결과를 프로그램에서 제공되는 현황도에 입력하여 작물재배 현황지도 작성, 지구별 대표지점을 선정하여 농가와 연계하며 파악된 작물의 수확량과 생육상태에 대한 정보 입력, 작물의 전수조사 리스트로서 예컨대 두 지역 이상 분포하는 작물은 숫자로 표기, 특정 지역에서만 재배되는 작물은 알파벳으로 표기될 수 있다.
이러한 작물의 전수 조사 리스트로부터 도출된 전수조사 결과물로서 작물이 도식화(색상구분, 넘버링)될 수 있고, 작물별 레이어로 구분될 수 있으며, 일반작물과 특별작물의 종류별로 구분될 수 있다.
이러한 상기 B) 전수조사 처리과정은 도 15에 도시된 바와 같이 B1) 작물 리스트 단계, B2) 전수조사 구역 분할 단계, B3) 인원분배 및 현장 전수조사 단계를 더 포함할 수 있다.
B1) 작물 리스트 단계
상기 B1) 작물 리스트 단계에서는 도 16에서와 같이 프로그램에서 제공되는 작물 리스트 목록에서 작물의 종류를 선택하여 가감처리하는 과정으로서, 농지 재배 작물의 현황 파악, 작물구분에 대한 특징 분석 후의 리스트 작성, 추가 작물에 대한 부분의 시료 채취 정보의 작성 과정을 처리할 수 있다.
B2) 전수조사 구역 분할 단계
상기 B2) 전수조사 구역 분할 단계에서는 프로그램에서 제공되는 위성지도 기반을 통해 대상지에 대한 전수조사구역을 분할 처리하는 과정으로서, 도 17에서와 같이 대축척 위성 지도를 통해 인쇄 가능한 지역의 분할, 지역명과 위치번호를 입력한 위치 태그(Tag) 부착의 인쇄 과정을 처리할 수 있다.
B3) 인원분배 및 현장 전수조사 단계
상기 B3) 인원분배 및 현장전수조사 단계에서는 전수조사 구역의 분할 처리에 따라 적정 인원을 분배하고 현장전수 조사에 대한 내용 정보들을 제공하는 과정으로서, 도 18에서와 같이 출력된 지도와 GPS 지도 어플리케이션을 이용한 현장 조사, 리스트에 없는 작물에 대한 샘플 채취 후 확인하는 과정을 처리할 수 있다.
무인기인 드론의 영상 촬영 대상지로서 예컨대 옥수수 생육조사 및 재배필지조사가 이루어질 수 있는데, 생육조사의 시기는 드론 촬영시기와 동일하게 이루어질 수 있고, 옥수수 재배면적 추출 프로그램의 정확도 검토를 위해 옥수수 재배필지 조사도 병행되며 이루어질 수 있다.
생육조사의 항목은 하기의 표 그림과 같이 간장(幹長, Plant Height(PH)), 수염색, 엽수(葉數, leaf number), 착수고(Ear Height(EH)), 입색(粒色, grain color), 이삭속색(grain inside color), 속색, 분지수(分枝數), 생엽수(生葉數, new leaf number), 잎의 길이 등을 선정한 조사 방식으로 이루어지 수 있다.
재배필지조사 기입법은 크게 태블릿 PC를 이용한 기입법, 스마트폰 애플리케이션을 이용한 기입법, 현장에서 출력물에 바로 기재하는 출력물 기입법으로 구성될 수 있으며, 본 발명에서는 조사 편의성을 고려하여 스마트폰 애플리케이션을 사용한다.
상기에서와 같은 B1)에서 B3) 단계를 거친 B) 전수조사 처리과정의 결과물로서 도 19 내지 도 21에 도시된 바와 같이 예컨대 두 지역 이상 분포하는 작물의 경우 숫자로 표기하고, 특정 지역에서만 재배하는 작물의 경우 알파벳으로 표기한 구분된 전수조사 리스트, 전수조사 결과에 대한 전수조사도와 정사영상의 결과를 색상구분 및 넘버링으로 표시한 도식화 및 작물별 레이어, 일반작물 12 종류와 특별작물 10 종류 등의 결과물들이 생성될 수 있는 것이다.
한편, C) 촬영결과를 통한 작물판독(종류, 생육상황 등) 처리과정은 RGB센서에서 획득한 영상을 통한 재배면적 산정과 대표지역의 AI 기술을 통한 작물종류 분류, 다중분광센서에서 획득한 분광정보를 통해 NDVI 지수를 통해 작물의 생육정보 도식화, 국내외 연구사례 조사를 통한 작물판독 증진방안 제시, 간척농지 영농현황조사에 적합한 가이드라인이 제시될 수 있다.
드론 활용 사례 제시(국외), 이탈리아의 사례를 제시하며 드론을 활용한 대단위 과수농장 관리, AI 기술을 이용한 과수 경계 분할 및 수량 파악, 과수의 색상 변화를 통한 질병유무 파악의 과정들이 수행될 수 있다.
드론 활용 사례 제시(국외)로서 예컨대 캐나다의 사례로서 다중분광센서를 활용한 작물 건조 현상에 관한 구축된 DB, 농작물의 질소 함량에 관한 구축된 DB, 통합 DB를 활용한 비료 시비량 계산을 제공한다. 또한, 벼 품종별 생육 모니터링 조사에 대한 내용들을 제공할 수 있다.
더욱이, 드론 활용 사례 제시(국내)로서 고랭지 여름 배추 재배지 DB 구축, 지역별 12회 자료수집으로 수확량을 예측할 수 있다.
AI 기법을 활용한 작물종류의 분류로서 영상패턴의 딥러닝 기법을 활용한 작물판독 방안을 제공하게 되는데, 예컨대 프로그램에 탑재된 AI 작물탐지알고리즘은 사전에 입력된 영상패턴을 인지하여 새로운 이미지의 작물 및 경계를 산출하여 생성할 수 있는데, 이는 도 22에 도시된 바와 같이 사전 입력된 샘플이미지에서 이미지의 작물 및 경계를 산출한 결과이미지로 산출되며 생성될 수 있는 것이다.
이러한 AI 작물탐지알고리즘은 경계선 검출, 농작물 종류 이식, 작물별 경작면적 산출에 대한 처리를 수행할 수 있는데, 경계선 검출의 경우 예컨대 도로, 농로, 이종 작물간 경계선을 자동 검출할 수 있으며, 농작물 종류 인식의 경우 예컨대 브로콜리, 오렌지, 마늘 등 수집종의 농작물을 자동으로 인식하여 검출할 수 있고, 작물별 경작면적 산출의 경우 각 작물별 경작면적을 자동으로 산출하여 면적집계표를 작성하는 방식으로 검출할 수 있다.
이러한 AI 작물탐지알고리즘은 도 23에 도시된 바와 같이 항공촬영 이미지를 기반으로 경계선 검출, 농작물 구분 기준 자료 입력, 농작물 패턴 학습, 국부영역 농작물 인식, 경계선 내부 농작물 판별, 및 농작물 면적 산출 및 집계의 처리 과정을 수행하면서 농작물에 대한 작물종류의 분석력 상승 효과를 기대할 수 있다.
이러한 상기 AI 작물탐지알고리즘은 RGG 영상과 SQ의 밴드별 영상을 프로그램에 입력하여 옥수수 재배면적 추출에 적합한 밴드 및 밴드조합을 색출하고, 상기 AI 작물탐지알고리즘이 탑재된 프로그램은 영상의 프로그램 업록드 방식과 뷰어 기능, 각종 기본 측정 기능 등 다양한 기능 구현이 가능하다.
상기 AI 작물탐지알고리즘은 기존의 일반 프로그램에 탑재된 분석알고리즘에서 발생되는 문제점들로서 제기되는 대상지에 대한 전수조사결과와의 매칭 정확도가 낮은 문제점, 표준 데이터 부족 및 작물의 혼합재배로 인한 인식의 오류가 발생되는 문제점을 개선함으로써, 딥러닝(Deep-Learnign)에 따른 표준 데이터의 다량 확보로 인한 분류 능력의 증대와 알고리즘의 변화를 통해 전수조사결과의 매칭 정확도가 현저하게 향상되는 효과를 기대할 수 있다.
한편, NDVI 지수를 통한 작물 생육정보 도식화가 이루어질 수 있는데, 이를 위해 영상 매칭, 영상경계분할, 속성값 추출, 및 산출자료 입력의 처리 과정들이 수행될 수 있다.
상기의 영상 매칭에 있어서는 영상 축척 통일을 위해 정사영상과 현황도 및 NDVI 영상을 오버랩하고, 재배 작물별 레이어를 구분시킬 수 있으며 예컨대 도 24를 참고할 수 있고, 상기의 영상경계분할에 있어서는 작물재배지역의 경계를 분할하고, 농로와 배수로와 논둑 등의 재배지 이외 지역에 대한 NDVI 지수를 제거할 수 있고 예컨대 도 25를 참고할 수 있다.
상기의 속성값 추출에 있어서는 경작지별 면적과 NDVI 지수의 추출, 그리고 추출 지수의 최대, 최소, 평균값의 산출이 이루어질 수 있으며 예컨대 도 26을 참고할 수 있고, 상기의 산출자료 입력에 있어서는 NDVI 지수의 최대, 최소, 평균, 면적 속성 입력, 그리고 NDVI 평균 지수를 가시화할 수 있고 예컨대 도 27을 참고할 수 있다.
한편, 작물 생육정보를 활용한 생산량이 예측될 수 있는데, 작물의 생산량 예측 정보로서 예컨대 벼를 예측 작물로 들 경우, 총 필지수(740 필지), 총 재배면적(1235.7 ha), 총 생산량(2199.2 ton) 등의 정보들을 예측할 수 있다. 이에 대한 도면은 도 28을 참고할 수 있다.
이처럼, 작물 생육정보를 활용한 생산량이 프로그램에서 예측되며, 이뿐만 아니라, 옥수수 재배필지에 대한 지적도, 수치지형도, 스마트팜 맵 등 목적에 맞는 주제도를 중첩하여 대상지의 불법 개간이나 지목에 맞지 않는 토지 사용 등 공부상 등록된 사항과 실제 현황 토지 이용 사항을 대조할 수 있으며, 지번, 지목, 면적, 지적 일치 여부 확인과 속성 테이블을 확인하여 스마트팜 맵 테이블에 맞는 토지 이용이 이뤄지고 있는지 확인할 수 있으며 이를 통해 농업 개발 가능성을 모색할 수 있다.
D) 드론을 활용한 영농현황 조사기법 및 영상처리 프로그램 활용교육 제공과정으로서, 드론조사 및 영상분석 기법에 대한 이론 및 실습교육, 운용지역별 특성파악을 위한 현장교육 실시, RGB 및 다중분광 영상 가공방법과 기타프로그램으로 활용방안 교육, 영상결과물을 이용한 작물판독기법 교육, DB구축을 위한 데이터 관리방안 교육에 대한 강좌를 오프라인을 통해 시간대별 주제 및 내용에 따른 교육 일정을 실시하는 방식으로 제공할 수도 있고, 경우에 따라 상기 교육들에 대한 강좌를 온라인 상에서 동영상 플레이 방식으로 제공할 수도 있다.
Claims (12)
- 고정밀 드론 공간정보 기술 활용의 작업 과정 단순화, 단순화된 공정을 통한 단시간내 광범위지역 드론촬영, RGB센서와 다중분광센서를 통한 영상정보 획득, 지구별 영상촬영조사 시작점 및 운항경로 제시, 촬영지구별 정사영상 및 3D맵 제작을 통한 작물재배면적 산정과 지구별 지형분석이 처리되는 A) 드론을 활용한 영농현황조사 처리과정;
촬영지구에 대한 전수조사 결과를 프로그램에서 제공하는 현황도에 입력하여 작물재배 현황지도 작성, 지구별 대표지점을 선정하여 농가와 연계하며 파악된 작물의 수확량과 생육상태에 대한 정보 입력, 작물의 전수조사 리스트로서 두 지역 이상 분포하는 작물의 경우 숫자로 표기, 특정 지역에서만 재배되는 작물의 경우 알파벳으로 표기되도록 처리되는 B) 전수조사 처리과정; 및
RGB센서에서 획득한 영상을 통한 재배면적 산정과 대표지역의 AI를 통한 작물종류 분류, 다중분광센서에서 획득한 분광정보를 통해 NDVI 지수를 통해 작물의 생육정보 도식화, 국내외 연구사례 조사를 통한 작물판독 증진방안 제시, 간척농지 영농현황조사에 적합한 가이드라인을 제시하는 방식으로 처리되는 C) 촬영결과를 통한 작물판독 검토방안 처리과정;
을 포함하는 것을 특징으로 하는 작물 재배면적 추출 방법. - 제1항에 있어서, 상기 C) 과정 이후에,
드론조사 및 영상분석 기법에 대한 이론 및 실습교육, 운용지역별 특성파악을 위한 현장교육 실시, RGB 및 다중분광 영상 가공방법과 기타프로그램으로 활용방안 교육, 영상결과물을 이용한 작물판독기법 교육, DB구축을 위한 데이터 관리방안 교육에 대한 강좌를 온라인 상에서 동영상 플레이 방식으로 제공하는 D) 드론을 활용한 영농현황 조사기법 및 영상처리 활용교육 제공과정이 더 포함되는 것을 특징으로 하는 작물 재배면적 추출 방법. - 제1항에 있어서,
상기 A) 드론을 활용한 영농현황조사 처리과정에서는
드론의 항공 촬영과 비행에 대한 허가를 신청 처리하기 위한 A1) 촬영 및 비행허가 신청 단계;
촬영지역설정, 격자망 구성, 이착륙지 선정, 비행경로설정, 경로파일 생성, 및 기상정보를 확인 처리하기 위한 A2) 비행계획 수립 단계;
드론들의 투입에 따른 비행, 대상지에 대한 RGB 영상과 다중분광 영상 획득, 드론 모니터링을 처리가기 위한 A3) 대상지에 대한 드론 촬영 단계;
드론으로부터 촬영된 이미지와 비행 로그(log)의 합성 처리에 따른 영상을 생성하기 위한 A4) 영상 전처리 단계; 및
Initial Processing -> point Cloud and Mesh -> DSM, Orthomosaic 을 처리하기 위한 영상 처리 단계;
를 더 포함하는 것을 특징으로 하는 작물 재배면적 추출 방법. - 제1항에 있어서,
상기 B) 전수조사 처리과정에서는
작물 리스트 목록에서 작물의 종류를 선택하여 가감처리하는 과정으로 작물들에 대한 리스트를 만드는 B1) 작물 리스트 단계;
위성지도 기반을 통해 대상지에 대한 전수조사구역을 분할 처리하는 과정으로서, 대축척 위성 지도를 통해 인쇄 가능한 지역의 분할, 지역명과 위치번호를 입력한 위치 태그(Tag)를 부착하는 B2) 전수조사 구역 분할 단계; 및
전수조사 구역의 분할 처리에 따라 적정 인원을 분배하고 현장전수 조사에 대한 내용 정보들을 제공하는 과정으로서, 출력된 지도와 GPS 지도 어플리케이션을 이용한 현장 조사, 리스트에 없는 작물에 대한 샘플 채취 후 확인하는 B3) 인원분배 및 현장 전수조사 단계;
를 더 포함하는 것을 특징으로 하는 작물 재배면적 추출 방법. - 제1항에 있어서,
상기 C) 촬영결과를 통한 작물판독 검토방안 처리과정에서는
AI 기법을 활용한 작물종류의 분류로서 영상패턴의 딥러닝 기법을 활용한 작물판독을 위해 프로그램에 탑재된 AI 작물탐지알고리즘이 이용되는 것을 특징으로 하는 작물 재배면적 추출 방법. - 제5항에 있어서,
상기 AI 작물탐지알고리즘은 항공촬영 이미지를 기반으로 경계선 검출, 농작물 구분 기준 자료 입력, 농작물 패턴 학습, 국부영역 농작물 인식, 경계선 내부 농작물 판별, 및 농작물 면적 산출 및 집계의 처리 과정들을 수행하며 작물종류들을 분석하게 되는 것을 특징으로 하는 작물 재배면적 추출 방법. - 제6항에 있어서,
드론의 하단에 회전 가능한 구조로 설치된 전자센서 레이저 레빌기가 이용되는 것을 특징으로 하는 작물 재배면적 추출 방법. - 제7항에 있어서,
상기 드론과 상기 전자센서 레이저 레빌기의 사이에 설치된 미세조정모터를 통하여 상기 드론의 기울어진 비행에서도 상기 전자센서 레이저 레빌기를 수평 상태로 작동시키는 것을 특징으로 하는 작물 재배면적 추출 방법. - 제8항에 있어서,
상기 미세조정모터는 디지털 방식의 서보 모터가 이용되는 것을 특징으로 하는 작물 재배면적 추출 방법. - 상기 무인기로부터 촬영된 작물 대상지의 영상 정보를 활용하여 작물 종류를 판독하고 상기 영상의 이미지를 편집 수정하여 소정의 표준 데이터로 서버에 저장하는 인공지능 프로그램인 것을 특징으로 하는 작물 재배면적 추출 프로그램.
- 제10항에 있어서,
상기 작물 대상지의 영상 정보 획득을 위해 Green, NIR, Red, Red-Edga, RGB 센서가 포함된 세콰이어 센서가 이용되는 것을 특징으로 하는 작물 재배면적 추출 프로그램. - 제11항에 있어서,
상기 작물 대상지의 영상에 대한 위치를 위해 후처리방식(PPK; Post Processing Kinematic)이 이용되는 것을 특징으로 하는 작물 재배면적 추출 프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190151404A KR102317408B1 (ko) | 2019-11-22 | 2019-11-22 | 작물 재배면적 추출방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190151404A KR102317408B1 (ko) | 2019-11-22 | 2019-11-22 | 작물 재배면적 추출방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210063016A true KR20210063016A (ko) | 2021-06-01 |
| KR102317408B1 KR102317408B1 (ko) | 2021-10-26 |
Family
ID=76375916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190151404A KR102317408B1 (ko) | 2019-11-22 | 2019-11-22 | 작물 재배면적 추출방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102317408B1 (ko) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469094A (zh) * | 2021-07-13 | 2021-10-01 | 上海中科辰新卫星技术有限公司 | 一种基于多模态遥感数据深度融合的地表覆盖分类方法 |
| CN113485425A (zh) * | 2021-07-22 | 2021-10-08 | 北京中天博地科技有限公司 | 国土调查举证用无人机拍照路径自动规划及飞行的方法 |
| CN113673301A (zh) * | 2021-06-24 | 2021-11-19 | 亳州市药通信息咨询有限公司 | 基于大数据技术和遥感数据的中药材品种分析识别系统 |
| KR102495742B1 (ko) * | 2022-04-13 | 2023-02-06 | 사이클롭스 주식회사 | Rgb 및 ms 항공영상 기반 석면슬레이트 지붕 조사 시스템 |
| KR102495738B1 (ko) * | 2022-04-13 | 2023-02-06 | 사이클롭스 주식회사 | 다중분광 영상 및 행정 빅데이터를 이용한 석면 슬레이트 지붕 조사 시스템 |
| CN116012733A (zh) * | 2022-12-14 | 2023-04-25 | 兰州大学 | 一种利用乡土草种物种组配修复重度退化高寒草地裸斑的方法 |
| CN116664663A (zh) * | 2023-07-21 | 2023-08-29 | 湖北泰跃卫星技术发展股份有限公司 | 计算农作物面积的方法、装置、计算机设备及存储介质 |
| CN116700122A (zh) * | 2023-08-01 | 2023-09-05 | 长春理工大学 | 一种自适应肥料补偿的深松施肥控制系统 |
| CN117347974A (zh) * | 2023-12-04 | 2024-01-05 | 中国林业科学研究院资源信息研究所 | 一种灌丛植被地上生物量的估测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170047036A (ko) * | 2015-10-22 | 2017-05-04 | 농업회사법인 주식회사 호그린 | 무인 농약 공급 시스템 |
| KR20170083379A (ko) * | 2016-01-08 | 2017-07-18 | 한화테크윈 주식회사 | 라이다 시스템을 포함하는 비행체 |
| KR101793509B1 (ko) * | 2016-08-02 | 2017-11-06 | (주)노루기반시스템즈 | 작물 모니터링을 위하여 무인 비행체의 자동 경로 산정을 통한 원격 관측 방법 및 그 시스템 |
| KR101965235B1 (ko) * | 2018-12-10 | 2019-04-03 | 주식회사 지오스토리 | 무인기 원격탐사를 통한 잘피군락지 분포조사방법 |
-
2019
- 2019-11-22 KR KR1020190151404A patent/KR102317408B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170047036A (ko) * | 2015-10-22 | 2017-05-04 | 농업회사법인 주식회사 호그린 | 무인 농약 공급 시스템 |
| KR20170083379A (ko) * | 2016-01-08 | 2017-07-18 | 한화테크윈 주식회사 | 라이다 시스템을 포함하는 비행체 |
| KR101793509B1 (ko) * | 2016-08-02 | 2017-11-06 | (주)노루기반시스템즈 | 작물 모니터링을 위하여 무인 비행체의 자동 경로 산정을 통한 원격 관측 방법 및 그 시스템 |
| KR101965235B1 (ko) * | 2018-12-10 | 2019-04-03 | 주식회사 지오스토리 | 무인기 원격탐사를 통한 잘피군락지 분포조사방법 |
Non-Patent Citations (1)
| Title |
|---|
| ‘2017년 무인항공기 활용 작물재배면적 시험조사’. 온-나라 정책연구(PRISM)의 게시물. [online], 2017년, pp.1-303, [2021년 3월 29일 검색] (2017.) 1부.* * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673301A (zh) * | 2021-06-24 | 2021-11-19 | 亳州市药通信息咨询有限公司 | 基于大数据技术和遥感数据的中药材品种分析识别系统 |
| CN113469094A (zh) * | 2021-07-13 | 2021-10-01 | 上海中科辰新卫星技术有限公司 | 一种基于多模态遥感数据深度融合的地表覆盖分类方法 |
| CN113469094B (zh) * | 2021-07-13 | 2023-12-26 | 上海中科辰新卫星技术有限公司 | 一种基于多模态遥感数据深度融合的地表覆盖分类方法 |
| CN113485425A (zh) * | 2021-07-22 | 2021-10-08 | 北京中天博地科技有限公司 | 国土调查举证用无人机拍照路径自动规划及飞行的方法 |
| KR102495742B1 (ko) * | 2022-04-13 | 2023-02-06 | 사이클롭스 주식회사 | Rgb 및 ms 항공영상 기반 석면슬레이트 지붕 조사 시스템 |
| KR102495738B1 (ko) * | 2022-04-13 | 2023-02-06 | 사이클롭스 주식회사 | 다중분광 영상 및 행정 빅데이터를 이용한 석면 슬레이트 지붕 조사 시스템 |
| CN116012733B (zh) * | 2022-12-14 | 2023-09-29 | 兰州大学 | 一种利用乡土草种物种组配修复退化高寒草地裸斑的方法 |
| CN116012733A (zh) * | 2022-12-14 | 2023-04-25 | 兰州大学 | 一种利用乡土草种物种组配修复重度退化高寒草地裸斑的方法 |
| CN116664663A (zh) * | 2023-07-21 | 2023-08-29 | 湖北泰跃卫星技术发展股份有限公司 | 计算农作物面积的方法、装置、计算机设备及存储介质 |
| CN116664663B (zh) * | 2023-07-21 | 2023-10-20 | 湖北泰跃卫星技术发展股份有限公司 | 计算农作物面积的方法、装置、计算机设备及存储介质 |
| CN116700122B (zh) * | 2023-08-01 | 2023-10-13 | 长春理工大学 | 一种自适应肥料补偿的深松施肥控制系统 |
| CN116700122A (zh) * | 2023-08-01 | 2023-09-05 | 长春理工大学 | 一种自适应肥料补偿的深松施肥控制系统 |
| CN117347974A (zh) * | 2023-12-04 | 2024-01-05 | 中国林业科学研究院资源信息研究所 | 一种灌丛植被地上生物量的估测方法及装置 |
| CN117347974B (zh) * | 2023-12-04 | 2024-02-13 | 中国林业科学研究院资源信息研究所 | 一种灌丛植被地上生物量的估测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102317408B1 (ko) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102317408B1 (ko) | 작물 재배면적 추출방법 | |
| Matese et al. | Assessment of a canopy height model (CHM) in a vineyard using UAV-based multispectral imaging | |
| Guo et al. | Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping | |
| Shi et al. | Unmanned aerial vehicles for high-throughput phenotyping and agronomic research | |
| De la Casa et al. | Soybean crop coverage estimation from NDVI images with different spatial resolution to evaluate yield variability in a plot | |
| Ballesteros et al. | Applications of georeferenced high-resolution images obtained with unmanned aerial vehicles. Part I: Description of image acquisition and processing | |
| Goodbody et al. | Updating residual stem volume estimates using ALS-and UAV-acquired stereo-photogrammetric point clouds | |
| Gini et al. | Aerial images from an UAV system: 3D modeling and tree species classification in a park area | |
| GB2598012A (en) | System and method for crop monitoring | |
| Marino et al. | Detection of homogeneous wheat areas using multi-temporal UAS images and ground truth data analyzed by cluster analysis | |
| Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
| CN108537130A (zh) | 一种基于微型无人机技术的高原鼢鼠和高原鼠兔危害监测方法 | |
| Röder et al. | Application of optical unmanned aerial vehicle-based imagery for the inventory of natural regeneration and standing deadwood in post-disturbed spruce forests | |
| CN112147078B (zh) | 一种农作物表型信息多源遥感监测方法 | |
| He et al. | Using LiDAR data to measure the 3D green biomass of Beijing urban forest in China | |
| CN109813286A (zh) | 一种基于无人机的倒伏灾害遥感定损方法 | |
| Brocks et al. | Toward an automated low-cost three-dimensional crop surface monitoring system using oblique stereo imagery from consumer-grade smart cameras | |
| KR102262382B1 (ko) | 무인기 기반 영상 취득의 광지역 공간정보 구축시스템 | |
| Oldeland et al. | New tools for old problems—comparing drone-and field-based assessments of a problematic plant species | |
| CN115453555A (zh) | 一种草地生产力的无人机快速监测方法及系统 | |
| Thomas et al. | Impacts of abrupt terrain changes and grass cover on vertical accuracy of UAS-SfM derived elevation models | |
| Wezyk et al. | Forest cover changes in Gorce NP (Poland) using photointerpretation of analogue photographs and GEOBIA of orthophotos and nDSM based on image-matching based approach | |
| CN115314851B (zh) | 一种基于大数据平台的农业信息化管理平台 | |
| Niederheiser et al. | Using automated vegetation cover estimation from close-range photogrammetric point clouds to compare vegetation location properties in mountain terrain | |
| Escobar-Silva et al. | A general grass growth model for urban green spaces management in tropical regions: A case study with bahiagrass in southeastern Brazil |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |