무인기 기반 RGB 영상 활용 U-Net을 이용한 수수 재배지 분할 (Sorghum Field Segmentation with U-Net from UAV RGB)

서지정보

· 발행기관 : 대한원격탐사학회
· 수록지 정보 : 대한원격탐사학회지 / 39권 / 5호 / 521 ~ 535페이지
· 저자명 : 박기수, 류찬석, 강예성, 김은리, 정종찬, 박진기

초록

논·밭 전환 시 수수(sorghum bicolor L. Moench)는 뛰어난 내습성으로 콩과 함께 안정적인 생산이 가능하여 국내 식량작물의 자급률 향상과 쌀 수급 불균형 문제를 해결할 수 있을 것으로 기대되는 작물이다. 그러나 수량 추정을 위한 재배면적과 같은 기본적인 통계조사는 많은 인력을 투입하여도 오래 걸리는 전통적인 조사 방식으로 인해 잘 이루어 지지 않고 있다. 이에 따라 본 연구에서는 무인기 기반 RGB 영상에 U-Net을 적용하여 수수 재배지 비파괴적 분할가능성을 확인하였다. 2022년에 7월 28일, 8월 13일, 8월 25일에 각각 영상이 취득되었다. 각 영상취득 날짜에서 512 × 512 영상크기로 훈련데이터셋 6,000장과 검증데이터셋 1,000장으로 나누어 학습을 진행하였으며 수수 농경지(sorghum), 벼와 콩 농경지(others)와 비 농경지(background)로 구성된세 개 클래스와 수수 농경지와 배경(others+background)으로 구성된 두 개 클래스 기반으로 분류모델을 개발하였다. 모든 취득 날짜에서 세 개 클래스 기반 모델에서는 수수 재배지 분류 정확도가 0.91 이상으로 나타났지만8월 데이터셋의 others 클래스에서 학습 혼동이 일어났다. 대조적으로 두 개 클래스 기반 모델에서는 8월 데이터셋의 안정적인 학습과 함께 모든 클래스에서 0.95 이상의 정확도를 나타내었다. 결과적으로 8월에 두 개 클래스 기반 모델을 현장에 재현하는 것이 수수 재배지 분류를 통한 재배면적 산출에 유리할 것으로 판단된다.

영어초록

When converting rice fields into fields, sorghum (sorghum bicolor L. Moench) has excellentmoisture resistance, enabling stable production along with soybeans. Therefore, it is a crop that isexpected to improve the self-sufficiency rate of domestic food crops and solve the rice supply-demandimbalance problem. However, there is a lack of fundamental statistics, such as cultivation fields requiredfor estimating yields, due to the traditional survey method, which takes a long time even with a largemanpower. In this study, U-Net was applied to RGB images based on unmanned aerial vehicle to confirmthe possibility of non-destructive segmentation of sorghum cultivation fields. RGB images were acquiredon July 28, August 13, and August 25, 2022. On each image acquisition date, datasets were divided into6,000 training datasets and 1,000 validation datasets with a size of 512 × 512 images. Classificationmodels were developed based on three classes consisting of Sorghum fields (sorghum), rice and soybeanfields (others), and non-agricultural fields (background), and two classes consisting of sorghum and nonsorghum(others+background). The classification accuracy of sorghum cultivation fields was higher than0.91 in the three class-based models at all acquisition dates, but learning confusion occurred in the otherclasses in the August dataset. In contrast, the two-class-based model showed an accuracy of 0.95 or betterin all classes, with stable learning on the August dataset. As a result, two class-based models in Augustwill be advantageous for calculating the cultivation fields of sorghum.

참고자료

· 없음