Unet 모델을 활용한 토석채취지 모니터링 정확도 평가 (Evaluation of Monitoring Accuracy for Quarry Using Unet Models)

서지정보

· 발행기관 : 한국사진지리학회
· 수록지 정보 : 경관과 지리 / 34권 / 4호 / 14 ~ 28페이지
· 저자명 : 박동환, 심우담

초록

본 연구는 Segmentation 기반의 딥러닝 모델을 활용하여 토석채취지 모니터링 방안 검토를 연구의 목적으로 하였다. 딥러닝 모델은 베이스 모델로 Unet을 활용하였으며, DeeplabV3+ 모델의 일부 구조를 융합한 수정된 Unet 모델(Modified Unet) 두가지를 활용하였다. 또한, 질감정보 활용 유무에 따른 분류정확도 검토를 위해 딥러닝 데이터세 트를 가시광선 파장만을 활용한 DatasetA와 Entropy, STD 정보를 함께 활용한 DatasetB로 구성하였다. 딥러닝 모델 의 학습은 학습 및 검증 정확도가 안정화된 1,000 Epoch까지 진행하였다. 딥러닝 모델을 활용한 토석채취지 분류지도 와 참값인 라벨이미지를 비교·검토하여 정확도를 평가한 결과, Modified Unet 모델은 Unet 모델에 비해 탐지 정확도 가 향상되었음을 확인하였다. 특히 침사지 및 인공 구조물과 같은 범주에서는 Entropy, Standard Deviation (STD) 등의 질감 정보를 도입하여 분류 정확도가 더욱 향상되었음을 알 수 있었다. 반면, 계단식 채취지역, 묘목장 등의 범주에 서는 F1-Score가 약 50% 이하로 분포하였다. 이를 통해 가시광선 파장만을 활용한 모델에서는 분류에 한계점이 있다는 것을 확인하였으며, 추가적인 학습 자료 구축과 함께, 근적외선, 식생 지수, 지형 정보 등 다양한 데이터를 활용하여 모 델을 보완하는 것이 필요하다고 판단된다.

영어초록

The aim of this study was to explore segmentation-based deep learning models for quarry monitoring. In this study, we adopted the Unet model as the foundational architecture and employed two distinct deep learning models for our analysis: the conventional Unet model and a modified version of the Unet model that integrates certain structural components from the DeeplabV3+ model. To investigate the impact of texture information on classification accuracy, we assembled two distinct datasets: Dataset A, utilizing only visible light wavelengths, and Dataset B, which included additional Entropy and Standard Deviation (STD) data. The training of the deep learning models was conducted for up to 1,000 epochs, at during which point both the training and validation accuracies were observed to have stabilized. After comparing and evaluating the accuracy of classification maps generated using deep learning models with the reference label images, we discovered that the modified Unet model showed improved detection accuracy compared to the conventional Unet model. In specific categories, we observed that incorporating texture information, such as Entropy and Standard Deviation (STD), further enhanced classification accuracy. Conversely, in certain categories, the F1-Score was distributed below approximately 50%. Through this observation, we have identified limitations in classification when exclusively utilizing models based on visible light wavelengths.

참고자료

· 없음