http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 김은리 ( Eun-lee Kim ) (검색결과 4 건)
- 무료
- 기관 내 무료
- 유료
-
무인기로 취득한 RGB 영상으로 수수 Panicle 탐지
박민준 ( Min-jun Park ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),송혜영 ( Hye-young Song ),백현찬 ( Hyeon-chan Baek ),박기수 ( Ki-su Park ),김은리 ( Eun-lee Kim ),박진기 ( Jin-ki Park ) 한국농업기계학회 2022 한국농업기계학회 학술발표논문집 Vol.27 No.2
수수는 국내에서 생산 및 소비량이 적고 수급 안정성이 낮아 해마다 가격 변동이 심하기 때문에 정확한 재배면적과 수확량을 예측할 필요가 있다. 최근 고해상도 영상장치 및 인공지능 기술의 발달로 다량의 비정형 데이터를 이용하여 작물 분류 및 타겟 검출이 가능하게 되었다. 따라서 본 연구는 무인기로 취득한 RGB 영상과 딥러닝을 이용하여 수수의 수확량을 예측하기 위해 Panicle 개수를 추정하였다. 실험지역은 경상북도 안동시 남후면 고상리에 위치한 수수 재배지(36°30'20.3N 128°36'27.6E)를 대상으로 수행하였다. 회전익 무인기(Matrice 300 RTK, DJI Technology Inc, China)에 RGB 카메라(Zenmuse P1, DJI Technology Inc, China)를 탑재하여 2022년 9월 2일 고도 25m GSD 0.31cm/pixel로 RGB 영상을 취득하였다. 취득한 다수의 고해상도 8192×5460 이미지를 512×512로 자른 뒤 Label-studio를 이용하여 수수 Panicle 부분을 Bounding Box로 라벨링 후 YOLOv5s를 사용해 학습을 진행하였다. 라벨링 작업이 진행된 1200장의 이미지를 6:2:2(Train : Validation : Test) 비율로 나눈 뒤 훈련 횟수는 1000 Epoch로 설정하였으나 Early Stopping 기능으로 127 Epoch 훈련되었다. 모델은 27 Epoch에서 box_loss=0.053, obj_loss=0.172, mAP_0.5=0.789의 높은 성능을 나타내었다. Test 데이터를 이용하여 mAP_50=0.804의 수수 Panicle 탐지 가능성을 볼 수 있었으며 추후 수집해놓은 데이터와 시계열 영상 데이터의 활용으로 수수 Panicle 탐지 모델의 성능을 향상시킬 계획이다.
-
박기수 ( Ki-su Park ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),김은리 ( Eun-lee Kim ),정종찬 ( Jong-chan Jeong ),박진기 ( Hye-young Song ) 한국농업기계학회 2023 한국농업기계학회 학술발표논문집 Vol.28 No.1
수수는 세계 5대 곡물 중 하나이나 국내에서는 소규모로 재배되는 작물로 2009년 이후로 재배면적과 생산량 조사가 이루어지지 않고 있다. 수수는 밭작물의 논 재배시 안정적인 생산이 가능하며 휴경논에 재배된다면 자급률이 상승할 것으로 기대되는 작물이며, 지속적이고 안정적인 수급을 위해서 재배면적과 수량 추정 기술이 요구된다. 따라서 본 연구에서는 수수의 재배면적 산출을 위해 드론 영상을 기반으로 재배지를 추출하는 모델을 개발하였다. 경상북도 안동시 남후면 고상리에 위치한 수수 재배지(36°30'20.3N 128°36'27.6E, 약 18ha, 수수 재배 면적 1.6ha)에서 회전익 무인기(Matrice 300 RTK)에 RGB 카메라(Zenmuse P1)를 탑재하여 2022년 7월 8일부터 9월 2일까지 고도 80m, GSD 1cm/pixel로 총 5회 영상을 취득하였다. 그중 7월 28일에 취득한 영상들을 PIX4D 소프트웨어를 이용하여 접합 후 수수 재배지가 포함된 총 7장의 8,000×8,000pixel의 이미지로 분할하여 불필요한 Dataset 수를 감소시켰다. Label-Studio로 Sorghum, Other의 Class로 라벨링을 진행하였고 라벨링된 8,000×8,000pixel 이미지를 랜덤한 위치에서 1,000장의 2,048×2,048pixel 이미지로 분할하여 Dataset을 생성하였다. Train과 Validation의 Dataset 개수는 각 6,000장, 1,000장으로 나누었고 Unet의 Semantic Segmentation 모델을 생성하여 sparse categorical crossentropy 손실 함수와 sparse categorical accuracy 평가지표를 통해 모델의 성능을 평가하였다. 모델의 성능 개선, 학습 시간 단축, 과적합 방지를 위하여 10 Epoch마다 학습률을 ⅓으로 줄이는 전략과 얼리스탑 기능을 사용하였다. 재배면적 확인을 위한 이미지 분할을 진행한 결과, 총 1000 Epoch 중 61 Epoch의 학습이 진행되어 Train Dataset의 경우 loss = 0.0037, accuracy = 0.9985의 성능을 나타내었고, Validation Dataset의 경우 loss = 0.5111, accuracy = 0.9410의 성능을 도출하였다. 추후 다른 시기의 Dataset 추가를 통해 학습모델 및 validation의 성능 개선의 가능성을 검토할 예정이다.
-
무인기 기반 초분광 영상을 이용한 콩 바이러스 병해 분류
송혜영 ( Hye-young Song ),백현찬 ( Hyeon-chan Baek ),박민준 ( Min-jun Park ),박기수 ( Ki-su Park ),김은리 ( Eun-lee Kim ),강예성 ( Ye-seong Kang ),유찬석 ( Chan-seok Ryu ),박진기 ( Jin-ki Park ) 한국농업기계학회 2022 한국농업기계학회 학술발표논문집 Vol.27 No.2
대표적인 식량작물인 콩은 콩 모자이크 바이러스(Soybean mosaic virus, SMV)가 가장 빈번한 바이러스로 여겨졌으나 최근 기후 및 재배환경의 변화로 다양한 바이러스가 추가 발생 및 증가하여 콩의 품질과 수확량에 영향을 주고 있다. 따라서 병해의 조기 진단 및 선택적 방제를 위한 무인기 기반 원격탐사기술과 변량방제기술의 필요성이 급증하고 있다. 본 연구는 무인기에 탑재된 초분광 센서를 이용하여 콩 바이러스 병해 분류 가능성을 확인하고자 수행되었다. 본 실험은 국립식량과학원 시험포장 (35°29'28.1N 128°44'36.6E)에서 3가지의 콩 품종(대찬, 대원, 청자3호)에 SMV, Soybean yellow common mosaic virus(SYCMV)를 접종 후 진행되었다. 초분광 영상은 2022년 7월 20일에 회전익 무인기(Matrice 300 RTK, DJI Technology Inc., China)에 탑재된 초분광 센서(MicroHSI 410 SHARK, Corning Inc., USA)를 이용하여 고도 25m에서 취득되었으며, 기하 및 방사 보정을 실행한 후 식생지수를 이용하여 작물과 배경을 분리하여 작물만의 반사값을 추출하였다. Decision Tree(DT), Random Forest(RF), Support Vector Machine(SVM), XGBoost 4가지의 기계학습을 통해 SMV, SYCMV, 정상을 분류하는 모델을 개발하였고, 정확도, F1 score, kappa를 모델평가지표로 사용하였다. 그 결과, 4가지 모델 중 SVM 모델이 0.67, 0.65, 0.5로 가장 우수한 성능을 나타내었고, DT, RF, XGBoost 모델은 0.56, 0.54, 0.33 이하의 성능을 나타내었다. 이는 콩 바이러스 병해 발병과 바이러스 종 분류 가능성을 확인하였으며, 향후 시계열 데이터를 추가하여 모델 성능을 개선할 예정이다.
-
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
