KR20230027823A - 인공지능 기반의 고사목 검출장치 및 방법 - Google Patents

인공지능 기반의 고사목 검출장치 및 방법 Download PDF

Info

Publication number
KR20230027823A
KR20230027823A KR1020210110038A KR20210110038A KR20230027823A KR 20230027823 A KR20230027823 A KR 20230027823A KR 1020210110038 A KR1020210110038 A KR 1020210110038A KR 20210110038 A KR20210110038 A KR 20210110038A KR 20230027823 A KR20230027823 A KR 20230027823A
Authority
KR
South Korea
Prior art keywords
dead
trees
dead tree
tree
artificial intelligence
Prior art date
Application number
KR1020210110038A
Other languages
English (en)
Other versions
KR102508751B1 (ko
Inventor
최승운
채희영
박주흠
심규원
박홍철
김진원
전자영
박준희
Original Assignee
국립공원공단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 국립공원공단 filed Critical 국립공원공단
Priority to KR1020210110038A priority Critical patent/KR102508751B1/ko
Publication of KR20230027823A publication Critical patent/KR20230027823A/ko
Application granted granted Critical
Publication of KR102508751B1 publication Critical patent/KR102508751B1/ko

Links

Images

Classifications

    • 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
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0098—Plants or trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • 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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Botany (AREA)
  • Wood Science & Technology (AREA)
  • Quality & Reliability (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 국립공원 등의 산림이 촬영된 고해상도 항공 영상을 이용하여 딥러닝 기법으로 고사목을 검출하는 인공지능 기반의 고사목 검출 장치 및 방법에 관한 것으로, 산림 이미지를 획득하는 이미지 획득부, 상기 이미지 획득부에서 획득되는 산림 이미지에 기반하여 나무의 고사 여부를 학습하여 학습 데이터를 구축하는 학습부, 상기 학습부에서 구축한 학습 데이터에 기반하여 상기 이미지 획득부로 획득한 산림 이미지에 포함되는 나무들 중 고사목을 검출하는 고사목 검출부 및 상기 고사목 검출부에서 검출된 결과를 가시적인 데이터로 출력하는 데이터 출력부를 포함하는, 인공지능 기반의 고사목 검출장치에 의해 고사목 개체수를 파악하는 단순,반복적인 업무에 AI 기술을 적용하여 고해상도 항공영상 기반의 상록침엽수 고사목을 자동 검출하여 고사 현황 진단 효율을 개선하는 인공지능 기반의 고사목 검출 장치 및 방법을 제공할 수 있다는 효과가 도출된다.

Description

인공지능 기반의 고사목 검출장치 및 방법{Apparatus and Method for Detecting dead tree based on Artificial Intelligence}
본 발명은 인공지능 기반의 고사목 검출장치 및 방법에 관한 것으로 보다 상세하게는 국립공원 등의 산림이 촬영된 고해상도 항공 영상을 이용하여 딥러닝 기법으로 고사목을 검출하는 인공지능 기반의 고사목 검출 장치 및 방법에 관한 것이다.
일반적으로 산림자원인 수목을 관리하기 위하여, 인력을 동원하여 직접 사람이 측정하는 직접측정 방식과, 항공사진 또는 위성 영상 등을 이용한 원격탐사 기술을 이용하여 수목에 대한 산림정보를 생성하는 간접측정 방식이 널리 이용되고 있다.
그러나 직접측정 방식은 측정된 정보가 정밀한 장점이 있으나 인력의 동원으로 막대한 시간과 비용이 소요되는 단점이 있고, 항공사진 또는 위성 사진을 이용한 간접측정 방식은 산림의 표면만을 촬영하기 때문에 정보의 정밀성이 저하되는 문제점이 있으나, 단시간에 넓은 지역을 검출하기 위해서 근래에는 간접촬영 방식이 주로 이용되고 있다.
그러나 간접측정 방식은 산림의 표면만을 촬영하여 2차원 데이터로 제공하기 때문에 수목의 캐노피(canopy) 분석 및 지형의 수치표면 모델(DSM) 제작과 같은 3차원 분석의 시행이 어렵게 되는 문제가 있다. 더구나, 항공 사진은 촬영 고도에 따라 공간 해상도의 차이를 보이고 위성영상은 촬영 위성의 종류에 따라 영상의 공간 해상도에서 차이를 보이는 문제점이 존재한다.
상기의 문제점을 일부 해소하고자 등록특허공보 제10-1441463호에는 항공 라이다 성과분석으로 산림자원을 분류하는 방식이 적용된 산림자원 분류 시스템이 개시되었다.
상기 기술은 주변의 여타 수목들과 일정거리를 두고 독립되어 있는 수목 개체로부터 그 형상과 수고에 대한 정보를 취득하고, 이를 기준화하여 수목모델을 형성하여 산림지역에 대한 수목 검출을 수행하여 확보한 수목 개체의 포인트 데이터에 대한 위치정보를 이용한 수목 매칭 방법과 포인트 데이터들 간의 각, 거리, 높이 등을 분석하여 유용한 산림자원인 우세목 및 생장목을 적출하는 기능을 포함한 항공 라이다 성과분석으로 산림자원을 분류하는 방법이 적용된 산림자원 분류 시스템에 관한 것이다.
그러나 상기의 기술은 검출된 수목개체의 포인트 데이터에 대한 위치정보를 이용하여 우세목 및 생장목을 검출할 수 있는 장점이 있으나, 산림의 피해목에 대한 정보를 검출할 수 없는 단점이 있다.
한편, 산림 병충해에 의한 피해목 중에서 소나무 재선충병은 솔수염하늘소 또는 북방수염하늘소 등의 매개충이소나무의 새순을 갈가 먹을 때, 솔수염하늘소 또는 북방수염하늘소 등에 기생하는 소나무재선충이 소나무에 침투하여, 소나무의 수분과 양분이 이동하는 통로를 막아 소나무를 고사시키는 병으로서, 소나무 재선충에 감염된소나무는 100% 고사하며, 치료제가 없는 매우 무서운 병해충이다.
이에, 정부에서는 소나무재선충병 방제특별법을 제정하여 시행하고 있으나, 피해 지역이 광범위하고, 확산이 일시적으로 이루어지며, 감염된 이후부터 고사하기까지 대략 1개월 정도 소요됨에 따라 피해목을 검출하거나 피해확산을 방지하는 데 애로사항이 많다.
항공사진을 이용한 산림 병충해 피해목을 검출하는 방법 중의 하나로서, 등록특허공보 제10-1545479호에는 무인항공기 정사영상을 이용한 산림 병충해 피해목 검출 방법이 개시되었다.
상기 기술은 설정 대상 지역의 항공영상을 촬영하는 항공영상 촬영 단계, 상기 항공영상 촬영 단계에서 촬영된 영상을 합성하여 1개의 영상으로 제작하는 영상 합성 단계, 상기 영상 합성 단계에서 합성된 1개의 영상에 좌표 체계를 부여하며, 상기 영상에서 발생된 왜곡을 보정하는 정사영상 제작 단계, 상기 정사영상 제작 단계를 통해 제작된 정사영상에서 설정된 색상과 패턴에 대응되는 포인트를 피해목으로 판단하여 피해목을 검출하는 피해목 검출 단계 상기 피해목 검출 단계에서 검출된 피해목에 대한 좌표를 추출하며, 상기 피해목의 수량을 산출하는 피해목 좌표 추출 및 수량 검출 단계, 및 상기 피해목 좌표 추출 및 수량 검출 단계에서 추출된 피해목을 제거하기 위한 작업로를 수립하는 작업로 수립 단계를 포함하는 것을 특징으로 한다.
한편, 기후 변화로 인한 아고산대 상록침엽수 고사 가속화 및 보전 요구가 증대하고 있다.
구체적으로 지리산 구상나무(`08년 1,308본/㎢ → `18년 4,616본/㎢), 설악산 분비나무(`08년 288본/㎢ → `16년 1,125본/㎢)등 고사목이 약 3배 증가하였다. 최근 국회 및 언론등에서 이에 대한 문제제기 및 공단 차원의 적극 대응을 주문하고 있는 실정이다.
종래에는 현장 조사 또는 항공 영상의 육안 판독 방법을 도입하여 고사 실태 고사 실태 파악을 진행하고 있으나, 현장 조사의 경우에 고지대 특성상 급경사지등이 많아 안전 사고 발생 우려가 있다. 그리고 영상 분석을 통한 조사의 경우에는 입체 항공 영상 판독 시스템을 활용하여 육안으로 일정 면적에 대한 상록 침엽수 고사목의 위치 정보를 구축함으로써 단순하고 반복적인 업무 처리로 조사자의 피로도가 누적되고 있는 실정이다.
KR 10-1441463 B1 KR 10-1545479 B1
본 발명은 이 같은 기술적 배경에서 도출된 것으로, 고사목 개체수를 파악하는 단순, 반복적인 업무에 AI 기술을 적용하여 고해상도 항공영상 기반의 상록침엽수 고사목을 자동 검출하여 고사 현황 진단 효율을 개선하는 인공지능 기반의 고사목 검출 장치 및 방법을 제공함에 그 목적이 있다.
또한, 국립공원으로 지정된 임야마다 아고산대 침엽수의 생육실태를 종합적으로 분석 가능하고, 산림 병해충등 피해 수목의 자동 검출이 가능한 인공지능 기반의 고사목 검출 장치 및 방법을 제공하고자 한다.
이에 따라 지형적 위험요소가 많은 고산지대의 현장조사에서 발생하는 안전사고를 예방하고, 단순, 반복업무의 자동화를 통해 업무 효율성을 증대시킬 뿐아니라 도립, 군립 공원에 확대 적용하여 활용성을 증진시킬 수 있는 인공지능 기반의 고사목 검출 장치 및 방법을 제공하고자 한다.
상기의 과제를 달성하기 위한 본 발명은 다음과 같은 구성을 포함한다.
즉 본 발명의 일 실시예에 따른 인공지능 기반의 고사목 검출장치는 산림 이미지를 획득하는 이미지 획득부, 상기 이미지 획득부에서 획득되는 산림 이미지에 기반하여 나무의 고사 여부를 학습하여 학습 데이터를 구축하는 학습부, 상기 학습부에서 구축한 학습 데이터에 기반하여 상기 이미지 획득부로 획득한 산림 이미지에 포함되는 나무들 중 고사목을 검출하는 고사목 검출부 및 상기 고사목 검출부에서 검출된 결과를 가시적인 데이터로 출력하는 데이터 출력부를 포함한다.
한편, 인공지능 기반의 고사목 검출장치에서 수행되는 인공지능 기반의 고사목 검출방법은, 산림 이미지를 획득하는 단계, 상기 획득한 산림 이미지에 기반하여 나무의 고사 여부를 학습하여 학습 데이터를 구축하는 단계, 상기 구축한 학습 데이터에 기반하여 상기 획득한 산림 이미지에 포함되는 나무들 중 고사목을 검출하는 단계 및 상기 검출된 결과를 가시적인 데이터로 출력하는 단계를 포함한다.
본 발명에 의하면 고사목 개체수를 파악하는 단순,반복적인 업무에 AI 기술을 적용하여 고해상도 항공영상 기반의 상록침엽수 고사목을 자동 검출하여 고사 현황 진단 효율을 개선하는 인공지능 기반의 고사목 검출 장치 및 방법을 제공할 수 있다는 효과가 도출된다.
또한, 국립공원으로 지정된 임야마다 아고산대 침엽수의 생육실태를 종합적으로 분석 가능하고, 산림 병해충등 피해 수목의 자동 검출이 가능한 인공지능 기반의 고사목 검출 장치 및 방법을 제공할 수 있다.
이에 따라 지형적 위험요소가 많은 고산지대의 현장조사에서 발생하는 안전사고를 예방하고, 단순, 반복업무의 자동화를 통해 업무 효율성을 증대시킬 뿐아니라 도립, 군립 공원에 확대 적용하여 활용성을 증진시킬 수 있는 인공지능 기반의 고사목 검출 장치 및 방법을 제공하는 효과가 도출된다.
도 1 은 본 발명의 일 실시예에 따른 인공지능 기반의 고사목 검출장치의 구성을 도시한 블록도이다.
도 2 는 본 발명의 일 실시예에 따른 고사 유형에 따른 학습 데이터구축 과정을 설명하기 위한 예시도이다.
도 3은 본 발명의 일 실시예에 따른 고사목 검출부에서의 고사목 검출 과정을 설명하기 위한 예시도이다.
도 4 는 본 발명의 일 실시예에 따른 고사목 검출 결과를 가시적인 데이터로 출력한 화면의 예시도이다.
도 5 는 본 발명의 일 실시예에 따른 고사목 검출 결과를 고사목 형태별로 구분하여 가시적인 데이터로 출력한 화면의 예시도이다.
도 6 은 본 발명의 일 실시예에 다른 상록침엽수의 식생별 분포를 가시적인 데이터로 나타낸 예시도이다.
도 7 은 본 발명의 일 실시예에 따른 고사목 검출장치의 고사목 검출 신뢰도의 분석 결과를 나타낸것이다.
도 8 은 본 발명의 일 실시예에 따른 인공지능 기반의 고사목 검출방법의 흐름도이다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명한다.
도 1 은 본 발명의 일 실시예에 따른 인공지능 기반의 고사목 검출장치의 구성을 도시한 블록도이다.
일 실시예에 따른 인공지능 기반의 고사목 검출장치(10)는 기존의 현장 조사 및 항공영상 육안 판독 방법으로 진행되는 고사목 실태 조사에 존재하는 시간적, 물리적 한계를 극복하고자 도출된 것이다. 일실시예에 따른 인공지능 기반의 고사목 검출장치(10)는 고사목 개체수를 파악하는 단순, 반복적인 업무에 인공지능(AI)기술을 도입하여 신속하고 정확하게 고사목을 검출함으로써 고사목 현황 진단 작업의 효율성을 개선할 수 있다.
한편, 아고산대 주요 공원을 대상으로 개발된 본 기술을 확대 적용하여 설악,오대, 태백, 소백, 덕유산 국립공원들을 대상으로 고사목을 검출하고 생육목을 자동검출하여 국립공원별 관리 효율성을 높일 수 있다.
또한 아고산대 상록침엽수 분포를 통해 주요 공원의 상록침엽수 생육현황을 종합 분석할 수 있다.
도 1 과 같이 구체적으로 고사목 검출장치(10)는 통신부(110), 이미지 획득부(120), 학습부(130), 고사목 검출부(140), 및 데이터 출력부(150)를 포함한다.
통신부(110)는 유/무선 통신망을 통해 내부의 임의의 구성 요소 또는 외부의 임의의 적어도 하나의 단말기와 통신 연결한다. 이때, 상기 외부의 임의의 단말기는 서버(미도시), 단말(미도시), 관리자 단말기(20), 항공 영상 측정 업체(30)등을 포함할 수 있다. 여기서, 무선 인터넷 기술로는 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등이 있으며, 상기 통신부(110)는 상기에서 나열되지 않은 인터넷 기술까지 포함한 범위에서 적어도 하나의 무선 인터넷 기술에 따라 데이터를 송수신하게 된다. 또한, 근거리 통신 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비(ZigBee), 인접 자장 통신(Near Field Communication: NFC), 초음파 통신(Ultra Sound Communication: USC), 가시광 통신(Visible Light Communication: VLC), 와이 파이(Wi-Fi), 와이 파이 다이렉트(Wi-Fi Direct) 등이 포함될 수 있다. 또한, 유선 통신 기술로는 전력선 통신(Power Line Communication: PLC), USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등이 포함될 수 있다.
관리자 단말기(20)는 스마트 폰(Smart Phone), 휴대 단말기(Portable Terminal), 이동 단말기(Mobile Terminal), 폴더블 단말기(Foldable Terminal), 개인 정보 단말기(Personal Digital Assistant: PDA), PMP(Portable Multimedia Player) 단말기, 텔레매틱스(Telematics) 단말기, 내비게이션(Navigation) 단말기, 개인용 컴퓨터(Personal Computer), 노트북 컴퓨터, 슬레이트 PC(Slate PC), 태블릿 PC(Tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(Wearable Device, 예를 들어, 워치형 단말기(Smartwatch), 글래스형 단말기(Smart Glass), HMD(Head Mounted Display) 등 포함), 와이브로 (Wibro) 단말기, IPTV(Internet Protocol Television) 단말기, 스마트 TV, 디지털방송용 단말기, AVN(Audio Video Navigation) 단말기, A/V(Audio/Video) 시스템, 플렉시블 단말기(Flexible Terminal), 디지털 사이니지장치 등과 같은 다양한 단말기에 적용될 수 있다.
일 실시예에 있어서, 관리자 단말기(20)는 국립공원 관리자 또는 고사목 검출 데이터를 필요로 하는 다양한 업체들의 관리자가 소지하는 모든 형태의 단말장치를 포괄하도록 해석된다.
일 실시예에 있어서 관리자 단말기(20)는 고사목 검출장치(10)에서 제공하는 특정 웹페이지 또는 전용 앱을 통해 고사목 검출 결과 및 부가 정보들을 제공받을 수 있다.
항공 영상 측정 업체(30)는 항공 영상을 촬영하여 데이터로 구축하는 외부 업체에 구비되는 서버 및 단말들을 포괄하도록 해석된다. 일 실시예에 있어서 항공 영상 측정 업체(30)는 위치 정보와 함께 국립공원 등의 산림이 촬영된 고해상도 항공 영상을 제공해줄 수 있다.
이미지 획득부(120)는 통신부(110)를 통해 산림 이미지를 획득한다. 일 양상에 있어서 이미지 획득부(120)는 항공 영상 측정 업체(30)로부터 고해상도 항공 영상을 획득한다. 일 실시예에 있어서 고해상도 항공영상은 GPS/INS를 탑재한 Large Format 디지털 카메라 및 Ultra CAM을 도입하여 촬영된 영상일 수 있다. 그러나 이에 한정되는 것은 아니다.
학습부(130)는 이미지 획득부(120)에서 획득되는 산림 이미지에 기반하여 나무의 고사 여부를 학습하여 학습 데이터를 구축한다.
일 실시예에 있어서, 학습부(130)는 아고산대 상록 침엽수 고사목 학습 데이터를 구축한다. 구체적으로 학습부(130)는 지리산국립공원 대상 고사 유형별 약 4,000개 이상의 학습 데이터를 구축한다.
이때 학습부(130)는 고사 유형에 따라 서서 고사한 개체와 쓰러져 고사한 개체를 구분하여 학습 데이터를 구축한다. 상록침엽수는 고지대의 토양수분부족, 강풍과 같은 척박한 환경으로 인한 생육 스트레스 누적에 따라 서서 고사한 형태가 대다수이다. 그러나 천근성 수종임에 따라 고지대의 강풍, 태풍등에 의해 쓰러져 고사한 형태도 관찰된다.
학습부(130)는 고사한 개체의 고사 유형에 따라 구분하여 학습 데이터를 구축한다.
도 2 는 본 발명의 일 실시예에 따른 고사 유형에 따른 학습 데이터구축 과정을 설명하기 위한 예시도이다.
학습부(130)는 공간정보 분석이 가능한 QGIS 기반의 좌표 데이터 형식으로 자료를 구축한다.
구체적으로(a)는 서서 고사한 상록 침엽수를 검출하기 위한 학습데이터이고, (b)는 쓰러져서 고사한 상록침엽수를 검출하기위한 학습 데이터의 예시도이다.
고사목 검출부(140)는 학습부(130)에서 구축한 학습 데이터에 기반하여 이미지 획득부(120)로 획득한 산림 이미지에 포함되는 나무들 중 고사목을 검출한다.
일 실시예에 있어서, 고사목 검출부(140)는 검출모델을 생성하기 위해 딥러닝과 같은 인공지능 학습방법을 이용한다. 일예로 고사목 검출부(140)는 딥러닝 방법 중 이미지분석과 관련된 합성곱 신경망(Convolution Neural Network, CNN) 등을 이용할 수 있다.
합성곱 신경망은 가중치 필터를 이용한 합성곱 과정과 압축을 위한 폴링 과정을 포함한다. 합성곱 신경망을 적용에 있어서 이미지의 가장자리임을 나타내기 위해 패딩과정이 추가로 포함될 수 있다. 그러나 이에 한정되는 것은 아니다.
도 3은 본 발명의 일 실시예에 따른 고사목 검출부에서의 고사목 검출 과정을 설명하기 위한 예시도이다.
일 실시예에 따른 고사목 검출부(140)는 학습 데이터를 이용하여 딥러닝을 통해 형상 추출(Feature Extraction) 및 분류(classification)과정을 수행함으로써 고사목을 검출할 수 있다.
즉, 도 3 에서 알 수 있듯이 다수의 고사 형태에 대한 텍스쳐를 반복 수행함으로써 AI기술을 통한 아고산대 상록 침엽수 고사목의 자동 검출이 가능하다.
데이터 출력부(150)는 고사목 검출부(140)에서 검출된 결과를 가시적인 데이터로 출력한다.
도 4 는 본 발명의 일 실시예에 따른 고사목 검출 결과를 가시적인 데이터로 출력한 화면의 예시도이다.
일예로 도 4 는 지리산의 주요 3개 봉우리 즉 반야봉, 영신봉, 천왕봉 순으로 해당 봉우리에서 고사목 검출 결과를 도시한 것이다. 즉, 딥러닝 활용 고사목 개체수에 따라 봉우리 대상 상록 침엽수림의 고사목을 검출할 수 있다.
도 4 는 다음 표 1 의 봉우리별 면적에 대한 고사목 개체수를 가시적인 데이터로 나타낸 것이다.
구분 반야봉 영신봉 천왕봉 전체
면적 1㎢ 2.47㎢ 2.47㎢ 5.94㎢
딥러닝 활용
고사목 개체수		 9,246 6,287 9,590 25,123
즉 약 41㎢ 대상의 총 54, 781개 고사목 자동 검출할 수 있다.
본 발명의 일 양상에 있어서, 데이터 출력부(150)는 고사목 검출부(140)에서 검출된 고사목들에 대해 면적 단위별 고사목 수를 파악하여 제공한다. 전술한 면적에 포함된 고사목 개체수를 단위 면적으로 분할하여 각 국립공원 또는 각 봉우리와 같은 다양한 범위내에서 면적단위별 고사목 수를 파악할 수 있다.
또한, 본 발명의 특징적인 양상에 있어서, 고사목 검출부(140)는 검출된 고사목이 서서 고사된 수목인지 누워서 고사된 수목인지를 구분한다.
그리고 데이터 출력부(150)는 고사목 검출부(140)에서 검출된 고사목이 고사된 형태별로 구분하여 검출 결과를 출력한다.
도 5 는 본 발명의 일 실시예에 따른 고사목 검출 결과를 고사목 형태별로 구분하여 가시적인 데이터로 출력한 화면의 예시도이다.
일예로 도 5 는 지리산 아고산대 전역을 대상으로 고사목 검출 결과를 고사목 유형에 따라 구분되게 표시하여 나타낸 예시도이다.
도 5 는 다음 표 2 의 고사목 유형별 고사목 개체수를 가시적인 데이터로 나타낸 것이다.
고사목 유형 고사목 개수
서서 고사한 수목 47,366
쓰러져서 고사한 수목 7,415
합계 54,781
즉, 지리산 전체에서 검출된 고사목들을 고사한 형태별로 서서 고사한 수목과 쓰러져서 고사한 수목으로 구분하여 계수할 수 있다.
또한, 데이터 출력부(150)는 고사목 검출부(140)에서 검출된 고사목들에 대해 식생별 고사목 수를 파악하여 제공한다.
일 실시예에 있어서, 데이터 출력부(150)는 국립 공원별 상록 침엽수의 분포 현황을 식생별로 구분하여 가시적인 데이터로 제공해줄 수 있다.
도 6 은 본 발명의 일 실시예에 다른 상록침엽수의 식생별 분포를 가시적인 데이터로 나타낸 예시도이다.
1차적으로 도 6과 같이 일예로 지리산 국립공원 아고산대 상록 침엽수 분포도를 도출하여 상록 침엽수의 식생별 분포를 파악하고, 파악된 식생별 분포에 기반하여 2차적으로 해당 범위 내에서 고사목 수를 분석함으로써 식생 분포별 고사목 수를 파악하는 것이 가능하다.
도 7 은 본 발명의 일 실시예에 따른 고사목 검출장치의 고사목 검출 신뢰도의 분석 결과를 나타낸것이다.
도 7 에서와 같이 일 실시예에 따른 고사목 검출장치(10)는 기 실시된 전문가 검출 결과와 일 실시예에 따른 고사목 검출장지에 의해 도출된 검출 결과를 비교하여 가시적인 형태로 제공해줄 수 있다.
도 7에 도시된 데이터에 기반하여 표 3과 같이 신뢰도 검출이 가능하다.
고사목 유형 전문가 검출 인공지능 검출 동시 검출개수 신뢰도
서서 고사한 수목 3,391개 3,889개 3,021개* 89.1%
쓰러져서 고사한 수목 414개 410개 234개** 56.6%
평균 72.9%
여기서 '*'는 서서 고사한 수목은 항공영상 상 객체 식별이 비교적 용이하여 신뢰도가 높게 나타나고, '**'쓰러져 고사한 수목은 다른 수목에 가려지거나 여러개가 겹쳐진 경우가 많아 식별이 용이하지 못해 신뢰도가 낮게 나타나는 경우라 할 수 있다.
또한, 고사목 개체수를 파악하는 단순, 반복업무에 일 실시예에 따른 인공지능 기반의 고사목 검출장치를 적용하여 고사 현황 진단 효율성을 개선할 수 있다. 표4는 일 실시예에 따른 인공지능 기반의 고사목 검출장치에 의한 업무 효율성 증진 내용 및 특징을 나타낸 것이다.
구분 현장조사 영상육안판독 AI활용
대상면적(일) 0.1ha/인 10ha/인 무한대(∞)
특징 -면밀한 조사자료
구축가능
-험준지 등 접근제한		 -험준지등 조사가능
-단순,반복 업무로
피로도 가중		 -대규모 면적 단시간 내 분석가능
표 4 에서와 같이 본 발명의 일 실시예에 따른 고사목 검출장치(10)에 의하면 고해상도 항공영상 기반의 고사목 검출 기술 개발을 통해 고사 현황 진단 업무 효율성을 증진시킬 수 있다.
예를들어 지리산 상록 침엽수 분포지역(약 41㎢)을 대상으로 육안 검출시 1년 소요되는 반면 AI로는 2~3일이면 고사목 검출 과정을 진행할 수 있다. 뿐만 아니라 고지대의 급경사지등 위험지까지 조사 가능하여 안전한 공원 자원조사에 기여할 수 있다.
도 8 은 본 발명의 일 실시예에 따른 인공지능 기반의 고사목 검출방법의 흐름도이다.
일 실시예에 따른 인공지능 기반의 고사목 검출장치에서 수행되는 인공지능 기반의 고사목 검출방법은 먼저, 산림 이미지를 획득한다(S800).
본 발명의 일 양상에 있어서, 획득하는 단계는 항공 영상 측정 업체로부터 고해상도 항공 영상을 획득한다. 일 실시예에 있어서 고해상도 항공영상은 GPS/INS를 탑재한 Large Format 디지털 카메라 및 UltraCAM을 도입하여 촬영된 영상일 수 있다. 그러나 이에 한정되는 것은 아니다.
그리고 획득한 산림 이미지에 기반하여 나무의 고사 여부를 학습하여 학습 데이터를 구축한다(S810).
일 실시예에 있어서, 학습 데이터를 구축하는 단계는 아고산대 상록 침엽수 고사목 학습 데이터를 구축한다. 구체적으로 지리산국립공원 대상 고사 유형별 약 4,000개 이상의 학습 데이터를 구축한다.
이때 학습 데이터를 구축하는 단계는 고사 유형에 따라 서서 고사한 개체와 쓰러져 고사한 개체를 구분하여 학습 데이터를 구축한다. 상록침엽수는 고지대의 토양수분부족, 강풍과 같은 척박한 환경으로 인한 생육 스트레스 누적에 따라 서서 고사한 형태가 대다수이다. 그러나 천근성 수종임에 따라 고지대의 강풍, 태풍등에 의해 쓰러져 고사한 형태도 관찰된다.
학습 데이터를 구축하는 단계는 고사한 개체의 고사 유형에 따라 구분하여 학습 데이터를 구축한다.
구체적으로 서서 고사한 상록 침엽수를 검출하기 위한 학습데이터와 쓰러져서 고사한 상록침엽수를 검출하기 위한 학습 데이터를 각각 구축할 수 있다.
이후에 구축한 학습 데이터에 기반하여 상기 획득한 산림 이미지에 포함되는 나무들 중 고사목을 검출한다(S820).
일 실시예에 있어서, 고사목을 검출하는 단계는 검출모델을 생성하기 위해 딥러닝과 같은 인공지능 학습방법을 이용한다. 일예로 고사목을 검출하는 단계는 딥러닝 방법 중 이미지분석과 관련된 합성곱 신경망(Convolution Neural Network, CNN) 등을 이용할 수 있다.
합성곱 신경망은 가중치 필터를 이용한 합성곱 과정과 압축을 위한 폴링 과정을 포함한다. 합성곱 신경망을 적용에 있어서 이미지의 가장자리임을 나타내기 위해 패딩과정이 추가로 포함될 수 있다. 그러나 이에 한정되는 것은 아니다.
일 실시예에 따른 고사목을 검출하는 단계는 학습 데이터를 이용하여 딥러닝을 통해 형상 추출(Feature Extraction) 및 분류(classification)과정을 수행함으로써 고사목을 검출할 수 있다.
이후에 검출된 결과를 가시적인 데이터로 출력한다(S830).
일 양상에 있어서, 데이터로 출력하는 단계는 검출된 고사목들에 대해 면적 단위별 고사목 수를 파악하여 제공한다.
봉우리 단위로 일정 면적에 포함된 고사목 개체수를 단위 면적으로 분할하여 각 국립공원 또는 각 봉우리와 같은 다양한 범위내에서 면적단위별 고사목 수를 파악할 수 있다.
본 발명의 특징적인 양상에 있어서, 고사목을 검출하는 단계는, 검출된 고사목이 서서 고사된 수목인지 누워서 고사된 수목인지 구분하고, 데이터로 출력하는 단계는, 고사목을 검출하는 단계에서 검출된 고사목이 고사된 형태별로 구분하여 검출 결과를 출력한다.
일예로, 지리산 전체에서 검출된 고사목들을 고사한 형태별로 서서 고사한 수목과 쓰러져서 고사한 수목으로 구분하여 계수할 수 있다.
또한, 데이터로 출력하는 단계는, 고사목을 검출하는 단계에서 검출된 고사목들에 대해 식생별 고사목 수를 파악하여 가시적인 데이터로 제공한다.
일예로 지리산 국립공원 아고산대 상록 침엽수 분포도를 도출하여 상록 침엽수의 식생별 분포를 파악하고, 파악된 식생별 분포에 기반하여 해당 범위 내에서 고사목 수를 분석함으로써 식생 분포별 고사목 수를 파악하는 것이 가능하다.
전술한 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10 : 고사목 검출장치 20 : 관리자 단말기
30 : 항공영상 측정업체 110 : 통신부
120 : 이미지 획득부 130 : 학습부
140 : 고사목 검출부 150 : 데이터 출력부

Claims (10)

  1. 산림 이미지를 획득하는 이미지 획득부;
    상기 이미지 획득부에서 획득되는 산림 이미지에 기반하여 나무의 고사 여부를 학습하여 학습 데이터를 구축하는 학습부;
    상기 학습부에서 구축한 학습 데이터에 기반하여 상기 이미지 획득부로 획득한 산림 이미지에 포함되는 나무들 중 고사목을 검출하는 고사목 검출부; 및
    상기 고사목 검출부에서 검출된 결과를 가시적인 데이터로 출력하는 데이터 출력부;를 포함하는, 인공지능 기반의 고사목 검출장치.
  2. 제 1 항에 있어서,
    상기 데이터 출력부는,
    상기 고사목 검출부에서 검출된 고사목들에 대해 면적 단위별 고사목 수를 파악하여 제공하는, 인공지능 기반의 고사목 검출장치.
  3. 제 1 항에 있어서,
    상기 고사목 검출부는,
    검출된 고사목이 서서 고사된 수목인지 누워서 고사된 수목인지 구분하고,
    상기 데이터 출력부는,
    상기 고사목 검출부에서 검출된 고사목이 고사된 형태별로 구분하여 검출 결과를 출력하는, 인공지능 기반의 고사목 검출장치.
  4. 제 1 항에 있어서,
    상기 데이터 출력부는,
    상기 고사목 검출부에서 검출된 고사목들에 대해 식생별 고사목 수를 파악하여 제공하는, 인공지능 기반의 고사목 검출장치.
  5. 제 1 항에 있어서,
    상기 이미지 획득부는,
    항공 영상 측정 업체로부터 고해상도 항공 영상을 획득하는, 인공지능 기반의 고사목 검출장치.
  6. 인공지능 기반의 고사목 검출장치에서 수행되는 인공지능 기반의 고사목 검출방법에 있어서,
    산림 이미지를 획득하는 단계;
    상기 획득한 산림 이미지에 기반하여 나무의 고사 여부를 학습하여 학습 데이터를 구축하는 단계;
    상기 구축한 학습 데이터에 기반하여 상기 획득한 산림 이미지에 포함되는 나무들 중 고사목을 검출하는 단계; 및
    상기 검출된 결과를 가시적인 데이터로 출력하는 단계;를 포함하는, 인공지능 기반의 고사목 검출방법.
  7. 제 6 항에 있어서,
    상기 데이터로 출력하는 단계는,
    상기 검출된 고사목들에 대해 면적 단위별 고사목 수를 파악하여 제공하는, 인공지능 기반의 고사목 검출방법.
  8. 제 6 항에 있어서,
    상기 고사목을 검출하는 단계는,
    검출된 고사목이 서서 고사된 수목인지 누워서 고사된 수목인지 구분하고,
    상기 데이터로 출력하는 단계는,
    상기 고사목을 검출하는 단계에서 검출된 고사목이 고사된 형태별로 구분하여 검출 결과를 출력하는, 인공지능 기반의 고사목 검출방법.
  9. 제 6 항에 있어서,
    상기 데이터로 출력하는 단계는,
    상기 고사목을 검출하는 단계에서 검출된 고사목들에 대해 식생별 고사목 수를 파악하여 제공하는, 인공지능 기반의 고사목 검출방법.
  10. 제 6 항에 있어서,
    상기 획득하는 단계는,
    항공 영상 측정 업체로부터 고해상도 항공 영상을 획득하는, 인공지능 기반의 고사목 검출방법.

KR1020210110038A 2021-08-20 2021-08-20 인공지능 기반의 고사목 검출장치 및 방법 KR102508751B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210110038A KR102508751B1 (ko) 2021-08-20 2021-08-20 인공지능 기반의 고사목 검출장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210110038A KR102508751B1 (ko) 2021-08-20 2021-08-20 인공지능 기반의 고사목 검출장치 및 방법

Publications (2)

Publication Number Publication Date
KR20230027823A true KR20230027823A (ko) 2023-02-28
KR102508751B1 KR102508751B1 (ko) 2023-03-10

Family

ID=85326637

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210110038A KR102508751B1 (ko) 2021-08-20 2021-08-20 인공지능 기반의 고사목 검출장치 및 방법

Country Status (1)

Country Link
KR (1) KR102508751B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101441463B1 (ko) 2014-02-04 2014-09-17 주식회사 범아엔지니어링 항공 라이다 성과분석으로 산림자원을 분류하는 방식이 적용된 산림자원 분류 시스템
KR101545479B1 (ko) 2015-03-31 2015-08-24 김명준 무인항공기 정사영상을 이용한 산림 병해충 피해목 검출 방법
KR20170125470A (ko) * 2016-05-04 2017-11-15 주식회사 씨에스랩 항공 영상을 이용한 병해충 피해목 탐지 방법 및 이를 위한 병해충 피해목 탐지 시스템
KR20190080060A (ko) * 2017-12-28 2019-07-08 이호동 무인항공기를 이용한 산림병해충 의심목 선별 시스템
KR102273063B1 (ko) * 2020-10-19 2021-07-05 충남대학교산학협력단 공간정보를 이용한 확률지도와 정사영상의 이미지 학습을 연계한 고사목 및 병해충 모니터링 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101441463B1 (ko) 2014-02-04 2014-09-17 주식회사 범아엔지니어링 항공 라이다 성과분석으로 산림자원을 분류하는 방식이 적용된 산림자원 분류 시스템
KR101545479B1 (ko) 2015-03-31 2015-08-24 김명준 무인항공기 정사영상을 이용한 산림 병해충 피해목 검출 방법
KR20170125470A (ko) * 2016-05-04 2017-11-15 주식회사 씨에스랩 항공 영상을 이용한 병해충 피해목 탐지 방법 및 이를 위한 병해충 피해목 탐지 시스템
KR20190080060A (ko) * 2017-12-28 2019-07-08 이호동 무인항공기를 이용한 산림병해충 의심목 선별 시스템
KR102273063B1 (ko) * 2020-10-19 2021-07-05 충남대학교산학협력단 공간정보를 이용한 확률지도와 정사영상의 이미지 학습을 연계한 고사목 및 병해충 모니터링 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"인공지능 기반 고사목 판독기술, 생태조사 새 지평 열어", 국립공원공단 보도자료, 2021.03.* *

Also Published As

Publication number Publication date
KR102508751B1 (ko) 2023-03-10

Similar Documents

Publication Publication Date Title
EP3869459B1 (en) Target object identification method and apparatus, storage medium and electronic apparatus
Pascual et al. Relationship between LiDAR-derived forest canopy height and Landsat images
Palace et al. Amazon forest structure from IKONOS satellite data and the automated characterization of forest canopy properties
Murugan et al. Fusion of drone and satellite data for precision agriculture monitoring
Carr et al. Individual tree segmentation from a leaf-off photogrammetric point cloud
Pueschel The influence of scanner parameters on the extraction of tree metrics from FARO Photon 120 terrestrial laser scans
CN109033937B (zh) 通过无人机影像进行植物数量统计方法及系统
CN111342391A (zh) 一种输电线路绝缘子和线路故障巡视方法及巡视体系
US20120321129A1 (en) Methods for identifying rooftops using elevation data sets
Brocks et al. Toward an automated low-cost three-dimensional crop surface monitoring system using oblique stereo imagery from consumer-grade smart cameras
Charoenjit et al. Estimation of biomass and carbon stock in Para rubber plantations using object-based classification from Thaichote satellite data in Eastern Thailand
Dell et al. Detection of necrotic foliage in a young Eucalyptus pellita plantation using unmanned aerial vehicle RGB photography–a demonstration of concept
Li et al. On the estimation of tree mortality and liana infestation using a deep self-encoding network
Bayati et al. 3D reconstruction of uneven-aged forest in single tree scale using digital camera and SfM-MVS technique
KR102542556B1 (ko) 고해상도 드론 동영상과 딥러닝 객체 인식기술을 활용한 실시간 습지 지역 주요 식생 탐지와 식생 객체 위치 확인 방법 및 그 시스템
CN111552762A (zh) 一种基于果树编码的果园种植数字地图化管理方法和系统
KR20220066783A (ko) 산림 바이오매스의 산정방법
Millikan et al. Automated individual tree detection in Amazon tropical forest from airborne laser scanning data
Rumora et al. Spatial video remote sensing for urban vegetation mapping using vegetation indices
Umarhadi et al. The Comparison of Canopy Density Measurement Using UAV and Hemispherical Photography for Remote Sensing Based Mapping
CN113033386B (zh) 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统
Xia et al. Automatic detection and parameter estimation of Ginkgo biloba in urban environment based on RGB images
KR102508751B1 (ko) 인공지능 기반의 고사목 검출장치 및 방법
Leiva et al. Evaluating remotely sensed plant count accuracy with differing unmanned aircraft system altitudes, physical canopy separations, and ground covers
Chandra et al. A cognitive method for building detection from high-resolution satellite images

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant