http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
서다솜 ( Dasom Seo ),김경철 ( Kyoung-chul Kim ),이명훈 ( Myunghun Lee ),류희석 ( Hee-seok Ryu ),홍영기 ( Youngki Hong ),유병기 ( Byeong-kee Yu ),김현종 ( Hyunjong Kim ),이시영 ( Siyoung Lee ),김국환 ( Gookhwan Kim ) 한국농업기계학회 2019 한국농업기계학회 학술발표논문집 Vol.24 No.2
최근 농가 인구 감소 및 고령화에 의한 노동력 부족 현상으로 농업 기계 지능화 및 무인화에 대한 필요성이 대두되어 왔다. 농기계 무인화는 자율주행 기술과의 결합을 통해 실현 가능할 것으로 예상되며 최근 RTK-GPS와 액추에이터를 이용하여 애드온 타입의 요소 기술을 활용한 연구 및 제품 개발이 진행되고 있다. 그러나 현재 적용 중인 GPS, 레이저센서 및 스티어링 조작 시스템은 매우 고가로, 소규모 농가에서 도입하기에는 어려움이 있다. 본 연구는 기존 시스템에 비해 경제적인 비전 센서, 즉 카메라를 이용한 트랙터 자율 경운 알고리즘을 개발하기 위한 선행 연구로, 밭에 적용하기에 앞서 트랙터 시험장에서 기초 실험을 진행하였다. 트랙터 운전석 쪽에 카메라를 설치하고 주행 영상을 촬영하면서 실시간으로 차선을 추출, 차선추종을 위한 차선 각도 및 거리를 산출하였다. VGG-16 기반 차선 검출 신경망 모델인 LaneNet을 응용해 차선을 이진 세그먼트(binary segments)로 검출한 후, 연결 성분(connected components)을 계산해 잡음을 제거하였다. 잡음이 제거된 차선 세그먼트에서 차선의 각도와 트랙터와 차선 사이의 거리를 추정하였다. 영상을 촬영할 때, 트랙터의 엔진룸 앞 부분에 마커를 카메라 FOV(field of view)의 가운데 아래 부분에 위치시켜 기준(reference)으로 삼았고, 템플릿 매칭(template matching)을 이용해 매 프레임마다 검출하였다. 이 때, 검출된 기준의 좌표를 (x<sub>0</sub>, y<sub>0</sub>)라 하면, 트랙터와 차선 사이의 거리는 기준으로부터 차선 방향으로 수평으로 이동했을 때 맞닿는 점인 (x<sub>1</sub>, y<sub>0</sub>) 와 기준(x<sub>0</sub>, y<sub>0</sub>)사이의 거리 |x<sub>1</sub>, y<sub>0</sub>|를 이용하였다. 조향각은 차선 위의 임의의 점 (x<sub>2</sub>, y<sub>2</sub>)과 점 (x<sub>1</sub>, y<sub>0</sub>)사이의 직선의 기울기arctan □□□□를 이용하여 산출하였다. 실시간 처리속도는 프레임당 NVIDIA RTX 2080ti 기준 0.04초, Intel i7-4770 기준 0.6초로, 트랙터의 느린 작업 주행 속도를 감안하였을 때, 실시간 영상을 이용한 제어가 충분하다고 판단되었다. 실험을 통해 검증된 차선각도 및 제어기술을 토대로, 논밭 환경에 적용하여 경운이 이루어진 영역과 그렇지 않은 영역을 나누고 조향각을 산출, 이를 활용한 자율 경운 기술을 개발할 예정이다.
트랙터 주행 제어를 위한 밭 경운 경계 및 선회 지점 검출
서다솜 ( Dasom Seo ),김경철 ( Kyoung-chul Kim ),이명훈 ( Myunghun Lee ),류희석 ( Hee-seok Ryu ),홍영기 ( Youngki Hong ),김현종 ( Hyunjong Kim ),이시영 ( Siyoung Lee ),김국환 ( Gookhwan Kim ) 한국농업기계학회 2020 한국농업기계학회 학술발표논문집 Vol.25 No.2
본 논문은 영상을 기반으로 한 밭에서의 트랙터 자율주행을 위해 트랙터가 따라 주행할 수 있도록 추종선을 검출하고 작업 영역 끝에서 다음 작업 영역으로 선회하여 진입할 수 있도록 선회지점을 검출한다. CNN(Convolutional neural network) 기반 차선 검출 모델인 LaneNet을 활용해 밭 경운 경계 검출 모델을 학습시킨다, LaneNet은 도로 영상에서 차선을 이진 분할하기 위한 binary segmentation branch와 차로의 순서를 구분하는 instance segmentation branch로 이루어져 있는데, 밭 작업 환경에서는 차로 구분이 없으므로 binary segmentation branch만 분할해 사용한다. 로타베이터가 작업하고 지나간 영역과 작업하기 전 영역 사이의 경계를 세그먼트 형태로 검출하고, 검출된 세그먼트에서 특징과 제어점을 추출해 트랙터 주행 제어에 활용하도록 한다. 로타베이터 작업은 상하 각 6m, 좌우 각 2m의 침지를 경운한 후 이루어지며, 트랙터의 첫 주행은 침지를 따라 진행된다. 날씨나 조광 등에 따른 야외에서의 다양한 상황에서 대응할 수 있도록 날씨 별(맑음, 흐림), 시간대 별로 총 9 가지 상황에서 2,980 프레임의 주행 영상을 수집해 2,533 프레임을 학습 집합, 149 프레임을 검증 집합으로 활용했다. 학습은 학습률 0.0005, 배치 사이즈 6으로 RTX NVIDIA 2080ti GPU에서 이루어졌으며, 검출 성능 0.95를 달성했다. 검출된 세그먼트는 추종할 좌우 작업경계와 작업 영역의 끝을 알리는 수평 경계로 이루어진다. 세그먼트 검출 후 원근 변환을 통해 실제 좌표계에서의 세그먼트 위치를 구한 후, 수평 경계가 트랙터 회전축으로부터 6m 앞 지점에서 검출되면 선회 지점으로 출력한다. 좌우 경계로부터는 세그먼트의 상하 양 끝의 좌표를 구하고, 두 좌표로부터 직선의 방정식을 구해 트랙터와 나란한 지점에서의 경계 좌표를 구한다.
LiDAR를 활용한 과수 형상에 따라 선택적 방제가 가능한 지능형 방제기
양창주(Changju Yang),김국환(Gookhwan Kim),이명훈(Meonghun Lee),김경철(Kyoung-Chul Kim),홍영기(Youngki Hong),김현종(Hyunjong Kim),이시영(Siyoung Lee),류희석(Hee-Suk Ryu),권경도(Kyung-Do Kwon),오민석(Min-seok Oh) 유공압건설기계학회 2020 드라이브·컨트롤 Vol.17 No.4
Driving on irregular and inclined roads using agricultural machinery such as spraying machines or trucks in orchards causes farmer casualties associated with the overturning of agricultural machinery. In addition, the harm to agricultural workers caused by the excessive inhalation of the scattered pesticide frequently occurs during pest control processes. To address these problems, we introduced precision agricultural technology that could selectively spray pesticides only where the fruit is present by recognizing the presence or shape of the fruit in the orchard. In this paper, a 16-channel LIDAR (VLP-16) made of Velodyne was used to identify the shape of fruit trees. Solenoid valves were attached to the end parts of 12 nozzles of the orchard spraying machine for on/off control. The smart spraying machine implemented in this way was mounted on a vehicle capable of autonomous travel and performed selective control depending upon the shape of the fruit trees while traveling in the orchards. This is expected to significantly reduce the amounts of pesticides used in orchards and production costs.
영상 기반 경운 경계 검출 정보를 활용한 트랙터 조향 제어
서다솜 ( Dasom Seo ),양창주 ( Changju Yang ),김경철 ( Kyoung-chul Kim ),이명훈 ( Meunghun Lee ),권경도 ( Kyung-do Kwon ),홍영기 ( Youngki Hong ),이시영 ( Siyoung Lee ),김현종 ( Hyunjong Kim ),류희석 ( Hee-seok Ryu ),김국환 ( Gookh 한국농업기계학회 2020 한국농업기계학회 학술발표논문집 Vol.25 No.2
본 논문은 기존 GPS 기반의 자율주행 방식과는 달리 2D 기계시각을 이용하여 트랙터 경운 작업시 주행 기준선을 자동으로 검출하여 트랙터 조향 제어 기술을 개발하였다. 심층학습 기반 영상분석을 통해 정면 영상의 구역별로 경작부, 미경작부, 배경으로 분류한 후, 부류의 경계를 활용으로 추종경로를 검출하였다. 자율주행 기능이 탑재된 트랙터에 장착된 카메라를 통해 실시간으로 얻어진 영상을 이용하여 추종경로를 검출하고 이를 활용한 조향 제어를 위한 제어 입력 값을 도출하였다. 본 논문에서는 CNN 기반 차선검출(Lane detection) 모델 중 하나인 LaneNet의 일부를 수정, 활용하여 트랙터 조향 제어를 위한 추종경로를 검출하였다. 학습을 위한 데이터셋(Dataset)은 논, 밭과 같은 농작업 환경이라는 특수한 상황에서의 CNN 모델 활용을 위해 KITTI, tuSimple 등의 기존 자율주행 오픈 데이터셋을 사용하지 않고, 노지에서 직접 수집하였고 검출된 추종경로로부터 트랙터 제어에 필요한 정보를 도출하였고, 영상 시야 안에 트랙터 엔진룸 중심에 표식(이하 마커) 부착하고 이를 기준으로 트랙터와 추종경로 사이의 거리를 측정하여 이를 기반으로 조향 제어를하였다. 실제 밭 현장에서 경운한 영상으로 실시간 추종경로 검출 및 조향 제어시스템 검증을 진행하였다. 현장실험에는 Intel Core i5-8400T CPU와 GeForce RTX 2070 GPU가 탑재된 컴퓨터와 데이터셋을 얻을 때 사용했던 LS엠트론사의 XU6168 트랙터를 사용하였다. 실시간으로 영상 프레임에서 추종경로를 검출하고 이를 따라 주변속 2단, 부변속 2단에서 2500RPM으로 주행시켰다. 트랙터의 위치 기준점는 입력영상과 엔진룸 위의 마커와 템플릿을 매칭시켜 구하였다. 본 논문에서는 제어 특성을 알아보기 위해 미리 촬영한 영상을 기반으로 참값(Ground truth, GT) 영상과 알고리즘을 통해 얻은 추종경로 검출 영상과의 차(Differece) 영상을 통해 인식 정확도를 확인하였는데, 두 영상 간의 포함 관계를 정량적으로 평가하는 평균 Recall 성능은 0.58을 기록하였다. 이는 검출된 추종경로를 활용한 제어가 안정적으로 이루어질 수 있다는 것을 의미하고, 이를 활용한 PID 제어기로 직진 제어한 결과, ±10pixel 이내에서 안정적으로 주행함을 알 수 있었다.