초분광 영상을 이용한 가지과 묘의 수분함량 추정

전새롬 ( Sae-rom Jun ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),김성헌 ( Seong-heon Kim ),장시형 ( Si-hyeong Jang ),박준우 ( Jun-wo Park ),타파스쿠마 ( Tapash Kumar Sarkar ),강동현 ( Dong-hyeon Kang ) 한국농업기계학회 2017 한국농업기계학회 학술발표논문집 Vol.22 No.2

본 연구는 초분광 영상을 이용하여 박과 모종의 수분함량을 비파괴적으로 추정하기 위해 수행되었다. 단계적으로 수분 스트레스를 받은 고추(n=45), 토마토(n=45) 모종을 초분광 영상시스템으로 촬영하여 모종 영역의 반사율을 추출하였고, 매 촬영 후 모종의 생체중과 건물중을 측정하여 수분함량을 계산하였다. 모종의 반사율과 계측된 수분함량을 변수로 하여 Partial Least Square Regression (PLSR) 분석을 이용하여 수분 추정모델을 구축하였다. 수분 추정모델을 작성한 결과 고추 모종의 Calibration (Cal.) 정확도(R²)는 0.68, 정밀도(RMSE 및 RE)는 각각 1.43%, 1.61%로 나타났고. 토마토 모종의 Calibration (Cal.) 정확도(R²)는 0.74, 정밀도(RMSE 및 RE)는 각각 2.77%, 3.09%로 나타났다. 두 모델을 이용하여 가지과 모델(n=90)을 작성한 결과 Calibration (Cal.) 정확도(R²)는 0.67, 정밀도(RMSE 및 RE)는 각각 2.53%, 1.61%로 나타났다. 본 연구를 통해 초분광 영상을 이용하여 박과 모종의 수분함량 추정가능성을 시사하였고, 모델의 정확도를 개선하기 위해 샘플 수 및 수분함량의 변이를 증가시키는 것이 필요하다고 판단된다.

초분광 영상을 이용한 수박 묘의 수분함량 추정

전새롬 ( Sae-rom Jun ),유찬석 ( Chan-seok Ryu ),강정균 ( Jeong-gyun Kang ),강예성 ( Ye-seong Kang ),김성헌 ( Seong-heon Kim ),김원준 ( Won-jun Kim ),타파스쿠마사르카 ( Tapash Kumar Sarkar ),강동현 ( Dong-hyeon Kang ) 한국농업기계학회 2017 한국농업기계학회 학술발표논문집 Vol.22 No.1

본 연구는 초분광 영상을 이용하여 수박 모종의 수분함량을 비파괴적으로 추정하기 위해 수행되었다. 단계적으로 수분 스트레스를 받은 수박(n=45) 모종을 초분광 영상시스템으로 촬영하여 모종 영역의 반사율을 추출하였고, 매 촬영 후 모종의 생체중과 건물중을 측정하여 수분함량을 계산하였다. 모종의 반사율과 계측된 수분함량을 변수로 하여 Partial Least Square Regression(PLSR) 분석을 이용하여 수분 추정모델을 구축하였다. 수분 추정모델을 작성한 결과 Calibration(Cal.)의 정확도(R²)는 0.66, 정밀도(RMSE 및 RE)는 각각 1.06%, 1.14%로 나타났다. 수박 모종의 수분함량 추정모델의 정밀도는 상당히 높게 나타났으나 정확도는 낮게 나타났다. 정확도를 개선하기 위해 Confidence ellipses의 신뢰구간을 95%로 설정하였을 때 3개의 모종이 타원 밖에 위치하는 것을 발견하였으며 이를 제거 후 재분석을 하였다. 3개의 모종을 제외한 수박 모종의 수분함량 추정모델의 정확도는 0.82, 정밀도는 0.73%, 0.78%로 나타났다. 3개의 모종을 제외함으로서 모델의 정확도 및 정밀도가 상승하여 3개의 모종이 정확도 및 정밀도를 낮추는 원인이라 판단된다. 작물은 가뭄스트레스를 받을수록 반사율이 낮아지지만(Yang et al., 2010) 3개의 모종은 다른 모종의 수분함량에 비해 반사율이 큰 차이를 나타내어 정확도 및 정밀도를 낮춘 것으로 판단된다. 본 연구를 통해 초분광 영상을 이용하여 수박 모종의 수분함량 추정가능성을 시사하였고, 모델의 정확도를 개선하기 위해 샘플 수 및 수분함량의 변이를 증가시키는 것이 필요하다고 판단된다.

식생지수 및 배경분리를 이용한 다중분광 영상 기반 배나무 화 상병 감염 지역 분류

박준우 ( Jun-woo Park ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),전새롬 ( Sae-rom Jean ),장시형 ( Si-hyeong Jang ),송혜영 ( Hye-young Song ),김경철 ( Gyeong-cheol Kim ),강태환 ( Tae-hwan Kang ),김현진 ( Hyeon-jin Kim ) 한국농업기계학회 2019 한국농업기계학회 학술발표논문집 Vol.24 No.1

항공영상은 원하는 작물 데이터 영역 이외의 잡초 및 비식생 영역데이터까지 포함하기 때문에 영상분류가 필수적이다. 자연적으로 고사된 과수의 잎과 가지 및 가지치기에 의해 고사된 잎과 가지의 경우에는 토양에 떨어지는 반면에 화상병 감염에 의해 고사된 잎과 가지의 경우 과수에 매달려 있으므로 식생지수 또는 영상을 이용한 병증 분류 시 오분류 가능성이 높다. 본 연구에서는 고도차 정보와 식생지수를 이용하여 화상병 병증 분류 가능성을 검토하였다. 2018년 6월 7일 충청남도 천안시 입장면 독정리 지역에서 다중분광센서를 탑재한 무인기를 이용하여 배나무 감염주와 비감 염주의 영상데이터를 취득하였다. 취득한 영상은 Drane mapping software (Pix4D 4.3.31, Pix4D SA, Swiss)와 GIS software (ArcGIS 10.5.1, Esri, USA)의 point cloud 기법을 이용하여 고도에 따른 배경지 및 접합을 수행하였고 spectral image software (ENVI 5.3, Exelis Visual Information, USA)를 이용하여 식생지수를 이용한 화상병 병증분류를 실시하였다. Drane mapping software와 GIS software를 이용하여 약 2,780㎡의 면적을 기준으로 지표면에서 각각 25, 50, 75, 100cm 높이로 배경을 제거할 경우 25cm에서는 약 795㎡, 50cm에서는 약 790㎡, 75cm에서는 약 785㎡, 100cm에서는 약 778㎡만이 화상병 감염여부를 검토하는 대상으로 축소되었다. 100cm 높이로 배경을 제거한 영상을 이용하여 화상병에 감염된 부위와 비감염된 부위의 각 파장에 대한 히스토그램과 반사값을 비교하여 분류기준을 설정하였다. 히스토그램의 경우 NIR파장에서 Otus‘s 기법을 이용하여 분류를 시도하였을 경우 감염 예상지역은 142㎡였다. 반사값의 경우 (Red Edge - Red)와 NIR-Red의 히스토그램에서 유의한 차가 나타나 Otus‘s 기법으로 각각 분류하여 서로 중복된 영역만을 추출하면 화상병 감염 예상지역이 71㎡으로 줄어들었다. 이를 이용하면 높은 정확도로 화상병 감염 예상지역을 분류해 낼 수 있을 것으로 판단된다.

의사결정트리기법을 이용한 초분광 영상 기반 배나무 화상병 감염 분류

박준우 ( Jun-woo Park ),김성헌 ( Seong-heon Kim ),유찬석 ( Chan-seok Ryu ),장시형 ( Si-hyeong Jang ),전새롬 ( Sae-rom Jun ),강예성 ( Ye-seong Kang ),타파스쿠마 ( Tapash Kumar Sarkar ) 한국농업기계학회 2017 한국농업기계학회 학술발표논문집 Vol.22 No.2

2015년 경기도 안성 지역에서 검역상 금지병인 화상병이 발생한 이후로 안성, 천안, 제천 지역에서 매년 화상병이 발생하고 있으며 그로인해 심각한 경제적 피해가 발생하고 있다. 본 연구에서는 화상병 예찰 시스템 개발을 위해 초분광 영상을 이용하여 화상병 감염주와 비감염주의 분광학적 특성을 비교하고 의사결정트리 기법을 이용해 화상병 감염 여부를 판단할 수 있는 센서 개발 가능성을 검토하였다. 초분광 카메라를 이용하여 배나무 정상 잎과 화상병에 감염된 잎의 분광 데이터를 취득하였다. 화상병 감염주의 분광 데이터는 경기도 안성 지역에서 화상병으로 확진 판정을 받은 배나무에서 취득하였고 정상적인 배나무 분광 데이터는 경기도 안성 및 국립원예특작과학원 배 연구소에서 취득하였다. 취득한 영상에 광 보정을 실시한 후 반사율을 추출하여 결정트리모델을 작성하였다. 결정트리에 기여하는 변수의 우선순위에 따라 불필요한 변수를 제거하는 가지치기를 실시한 후 수준별로 오차를 분석하였다. 또한 화상병예찰에 필요한 센서 개발 가능성을 확인하기 위해 상용 센서에 해당하는 밴드대역을 적용하여 모델링 하였다. 작성된 모델은 K-Fold 교차검증법을 이용하여 성능을 평가하였다. 의사결정트리를 생성한 결과 Green, Red Edge, NIR에서 유의한 것으로 나타났으며, K-Fold 교차검증에 의한 모델의 오차는 8.54%로 예측되었다. 가지치기를 실시한 후에 모델은 Red Edge에서 유의하였으며 오차는 수준1에서 6.10%로 예측되었다. 화상병 예찰에 필요한 센서 개발의 타당성을 검토하기 위해 기존에 상용화되어있는 A센서와 B센서의 밴드대역을 이용하여 화상병 감염 여부를 판별하였다. A센서 모델의 오차는 8.54%, 가지치기 후의 모델은 수준1에서 9.76%로 예측되었고, B센서 모델의 오차는 20.99%였으나 가지치기 후 수준2에서 모델의 오차는 14.8%로 예측되었다. 따라서 초분광 카메라를 직접 활용하거나 특정 협역· 광역 밴드패스필터를 활용할 경우 10%이하의 오차율로 화상병을 분류할 수 있을 것으로 판단된다.

의사결정트리기법을 이용한 초분광 영상 기반 배나무 화상병 감염 판별 파장대역 선정

박준우 ( Jun-woo Park ),유찬석 ( Chan-seok Ryu ),장시형 ( Si-hyeong Jang ),전새롬 ( Sae-rom Jun ),강예성 ( Ye-seong Kang ),송혜영 ( Hye-young Song ),타파스쿠마 ( Tapash Kumar Sarkar ),강태환 ( Tae-hwan Kang ),김국환 ( Guk-hwan Ki 한국농업기계학회 2018 한국농업기계학회 학술발표논문집 Vol.23 No.2

초분광 영상을 이용하여 화상병 감염주와 비감염주의 파장대역을 상용화되어있는 밴드패스필터 기준으로 평준화한 후 의사결정트리(Decision Tree) 기법을 이용해 화상병 감염 여부를 판단할 수 있는 유의한 파장대역을 선정하고 그 정확도를 평가하였다. 초분광 카메라를 이용하여 배나무 정상 잎과 화상병에 감염된 잎의 초분광 영상을 2017년 5월부터 2018년 7월까지 경기도 안성 지역에서 취득하였다. 취득한 영상은 ENVI 소프트웨어(ENVI 5.3, Exelis Visual Information, USA)를 이용하여 표준반사판으로 광 보정된 잎 영역의 519개의 밴드의 반사율을 추출하였다. 의사결정트리 모델 작성 및 통계분석은 R프로그램(R 3.5.1, USA)을 이용하여 수행하였다. 생성된 변수들의 우선순위에 따라 과적합을 방지하기 위해 불필요한 변수를 제거하는 가지치기(Pruning)를 실시한 후 K-Fold Cross Validation 방법을 이용하여 정확도를 나타내었다. 화상병 예찰에 필요한 영상 센서 개발을 위해 Full Width at Half Maximum (FWHM)을 상용화되어있는 밴드 패스 필터 기준인 5, 10, 25, 50, 80nm로 파장 대역을 평준화하고 의사결정트리를 생성하여 정확도를 분석하였다. 의사결정트리 생성을 위해 화상병 감염 데이터 214개와 정상 데이터 34개의 초분광 영상을 이용하였다. 모든 FWHM 데이터를 사용한 결과 Blue, Red Edge가 유의한 밴드로 나타났으며 정확도는 100%로 완벽히 분류되었으며 FWHM 5nm 경우 Blue, Red, Red Edge, NIR과 97.6%를, FWHM 10nm 경우 Blue, Red, Red Edge, NIR과 97.6%를, FWHM 25nm 경우 Red, Red Edge, NIR과 96.6%를, FWHM 50nm 경우 Blue, Red, Red Edge, NIR과 98.9%를, FWHM 80nm 경우 Blue, Red, Red Edge, NIR에 89.9%를 보였다. 따라서 FWHM 50nm를 활용할 경우 95% 이상의 가장 높은 정확도로 화상병을 분류 할 수 있을 것으로 판단된다.

의사결정트리기법을 이용한 초분광 영상 기반 배나무의 잎, 가 지 화상병 감염 판별 파장대역 선정

박준우 ( Jun-woo Park ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),전새롬 ( Sae-rom Jean ),장시형 ( Si-hyeong Jang ),송혜영 ( Hye-young Song ),김경철 ( Gyeong-cheol Kim ),강태환 ( Tae-hwan Kang ),김현진 ( Hyeon-jin Kim ) 한국농업기계학회 2019 한국농업기계학회 학술발표논문집 Vol.24 No.1

2015년 경기도 안성 지역에서 검역상 금지병인 화상병이 발생한 이후로 안성, 천안, 제천 지역에서 매년 화상병이 발생하고 있으며 그로 인해 심각한 경제적 피해가 발생하고 있다. 본 연구에서는 화상병 유무판별 시스템 개발을 위해 초분광 영상을 이용하여 화상병 감염주와 비감염주의 분광학적 특성을 비교하여 화상병 감염여부를 판단할 수 있는 파장을 의사결정트리 기법으로 선정하고 spectral marging을 통해 최적 밴드 조합을 제시하고자 한다. 2017년 5월부터 2018년 7월까지 경기도 안성 지역에서 초분광 센서를 이용하여 감염된 잎 데이터 214개, 비감염된 잎 데이터 34개, 감염된 가지 데이터 23개와 비감염된 가지 데이터 50개의 고차원 영상을 취득하였다. 취득한 영상은 Spectral image software (ENVI 5.3, Exelis Visual Information, USA)를 이용하여 표준반사판으로 광 보정 한 후 잎과 가지 영역의 519개의 밴드의 반사율을 추출하였다. 의사결정트리 모델 및 통계분석은 R software (R 3.5.1, USA)을 이용하여 수행하였고 모델의 과적합을 방지하기 위해 가지치기(Pruning)를 실시한 후 overall accuracy (OA)와 kappa coefficient (kappa)를 이용하여 분류 정확도를 나타내었다. 화상병 판별에 필요한 영상센서 개발을 위해 원본데이터(5nm±2.8nm)를 중심파장이 10nm 간격이고 FWHM을 각각 10, 25, 50 및 80nm로 평준화하여 의사결정트리로 각 조건별 OA와 kappa를 비교하였다. 원본데이터를 이용한 분류결과, 잎과 가지 모두 Blue와 Red Edge가 유의한 밴드로 나타났으며 분류 정확도는 잎에서는 OA 100%, kappa 100%로 가지에서는 OA 90.5%, kappa 74.1%의 분류 정확도를 나타났다. 파장 평준화를 하였을 경우 잎은 FWHM 50nm에서 Blue, Red, Red Edge, NIR에서 OA 98.9%, kappa 97.3%의 분류 정확도를 보였으며 가지는 모든 FWHM에서 Red, Red Edge에서 OA 90.5%, kappa 74.1%의 동일한 분류 정확도를 보였다. 결론적으로 50nm의 FWHM을 가진 Blue, Red, Red Edge, NIR 파장을 이용하면 화상병 판별이 가능할 것으로 판단된다.

초분광 영상을 이용한 배추의 생육 추정

김원준 ( Won Jun Kim ),강예성 ( Ye Seong Kang ),김성헌 ( Seong Heon Kim ),강정균 ( Jeong Gyun Kang ),전새롬 ( Sae Rom Jun ),타파스쿠마 ( Tapash Kumar Sarkar ),유찬석 ( Chan Seok Ryu ) 한국농업기계학회 2017 한국농업기계학회 학술발표논문집 Vol.22 No.1

본 연구는 빛의 파장대가 넓어 보다 다양한 접근과 검출이 가능한 초분광 카메라 (VNIR spectral cameraPS, SPECIN Filand)를 이용하여 정식시기가 다른 배추를 생육단계별로 영상을 취득한 후 배추 캐노피의 전 파장 (400~1000nm)으로 생육 추정모델을 개발하기 위해 수행하였다. 정식시기가 다른 배추를 생육단계별로 초분광 카메라로 영상을 취득한 후 취득된 영상 (348x1040)을 ENVI (ver. 5.2, Exelis Visual Information Solutions, USA) 프로그램을 이용하여 식생지수 NDVI로 작물과 배경을 구분하였다. 배추 캐노피 영역에 전 파장을 산출한 후 반사판 영역의 전 파장을 이용하여 광 보정된 반사율을 산출하였다. 통계 프로그램인 R Project (ver.3.3.3, Development Core Team, Vienna, Austria)를 이용하여 배추의 반사율과 계측한 생육 정보를 PLSR (Partial least squares regression) 분석하여 정확도(R²) 및 정밀도 (RMSE [g,cm,count], RE [%])로 나타내었고 그 모델은 full-cross validation (FV) 하여 타당성을 검증하였다. 정식시기가 다른 배추의 모든 생육단계의 생육정보를 이용하여 PLSR (Partial least squares regression)결과 엽장을 추정한 모델의 R²는 84% 이상의 정확도와 RMSE 3.2cm 이하의 좋은 정밀도를 보였다. 엽폭을 추정한 모델의 R²는 73% 이상의 정확도와 RMSE 3.5cm 이하의 정밀도를 보였고 엽수를 추정한 모델의 R²는 93% 이상의 정확도와 RMSE 6.3Count 이하의 정밀도로 보여 캐노피의 전 파장을 이용해 생육을 추정하는 것이 가능하다고 판단되었으며 이 모델들의 타당성 검증에서도 좋은 정확도와 정밀도를 보였다. 그러나 배추의 중요한 생육인자 중 생체중을 추정한 모델의 R²는 89% 이상으로 정확도가 높았으나 RMSE 571.1g 이하로 낮은 정밀도를 보여 생체중을 정확히 추정하기 어려웠다. 따라서 다른 통계분석방법으로 전 파장과 생육정보를 분석하거나 특정 밴드를 선택하여 산출한 식생지수를 이용한 추정 모델의 개발을 통하여 오차를 개선할 필요가 있다고 사료된다. 추후 반복 실험하여 분석한 추정 모델과 비교 분석하여 다양한 환경 및 생물 조건에 범용성을 가진 모델을 개발할 필요가 있다.

초분광 이미지를 이용한 콩 묘 염해 스트레스 유무 판별

강예성 ( Ye Seong Kang ),전새롬 ( Sae Rom Jun ),장시형 ( Si Hyeong Jang ),박준우 ( Jun Woo Park ),송혜영 ( Hye Young Song ),타파스쿠마 ( Tapash Kumar Sarkar ),유찬석 ( Seok Chan Ryu ) 한국농업기계학회 2018 한국농업기계학회 학술발표논문집 Vol.23 No.2

이 연구는 콩 묘의 염해 스트레스 유무가 판별하기 위해 초분광 이미지 데이터로 Decision tree (DT)를 개발하여 유의한 분광 스펙트럼을 선정하고 그 분류 가능성을 평가하였다. 콩(Glycine max (L.) Merr.) 묘에 염수농도를 각각 0 (무처리구), 1, 2, 4 (처리구) dS/m로 처리하여 6일 동안 오전 9시 40분에 10분간 관수하였다. 염수농도를 달리한 콩 묘의 초분광 이미지(400-1000nm 파장대역, 519개 분광 스펙트럼)를 관수 후 4시간 뒤인 오후 1시 40분에 취득하였다. 초분광 이미지는 카메라 자체에서 발생할 수 있는 암 전류 노이즈를 보정하였고, 촬영 시마다 다른 광 조건으로 취득된 분광 스펙트럼의 반사값을 정규화하기 위해 18% white balance board를 이용하였다. 식생지수를 이용하여 초분광 이미지 내 콩 묘 캐노피 영역을 강조한 후 region of interest (ROI)하여 각 개체의 반사값을 추출하였다. 추출한 반사값을 1, 2, 3, 6일의 각 처리날짜와 전체 처리날짜 데이터로 나누어 무처리구와 처리구 사이에 DT(훈련자료: 30%, 검증자료: 70%)를 개발한 후 콩 묘 염해 스트레스 유무 판별에 유의한 분광 스펙트럼을 선정하고 overall accuracy (OA)와 kappa coefficient로 분류 정확도를 평가하였다. 1, 2, 6일에는 각각 535.52, 533.20, 540.15nm로 Green과 3일에는 705.79nm로 Red edge에 분광 스펙트럼이 선정되었고 그 분류 정확도 OA, kappa coefficient 모두 1로 완벽히 분류가 가능하였다. 전체 처리날짜데이터에서는 3일 결과와 동일하게 705.79 nm로 Red edge가 유의한 분광 스펙트럼으로 선정되었고 그 분류 정확도는 OA, kappa coefficient 모두 1로 완벽히 분류가 가능하였다. 추후 염해 스트레스 정량화 모델개발을 통해 구체적인 콩 묘의 염해 수준에 기초하여 염해 스트레스 유무 판별이 가능한 분광 스펙트럼선정 및 검증이 필요하다고 판단된다.

지상 및 항공 초분광 이미지를 이용한 무와 배추 재배면적 예측을 위한 주요 파장 선정

강예성 ( Ye Seong Kang ),전새롬 ( Sae Rom Jun ),박준우 ( Jun Woo Park ),송혜영 ( Hye Young Song ),장시형 ( Si Hyeong Jang ),유찬석 ( Chan Seok Ryu ) 한국농업기계학회 2019 한국농업기계학회 학술발표논문집 Vol.24 No.2

본 연구에서는 지상에서 취득된 무와 배추의 초분광 이미지를 의사결정트리법으로 분석하여 생육 시기에 따라 무와 배추를 분류할 수 있는 주요 파장을 선정하였다. 선택된 주요 파장을 항공 초분광 이미지에 적용하여 무와 배추의 분광특성 차이를 이용하여 재배면적을 산출하고 실제로 조사된 재배면적과 비교하였다. 지상 초분광 이미지는 2015년 전라남도 무안군의 무와 배추 포장에서 11월 4일에 Specim PS (SPECIM, Finland)를 이용하여 2 m 높이에서 400 ~ 1000 nm를 분광 해상도 5.2 nm로 취득되었다. 항공 초분광 이미지는 2014년 10월 29일에 전라북도 고창군 대산면을 1500m 고도에서 CASI-1500 (ITRES, Canada)로 동일한 파장범위를 분광 해상도 28.8 nm로 취득되었다. 지상 초분광 이미지의 FWHM 5.2 nm는 항공 초분광 이미지의 FWHM과 비교적 넓은 FWHM으로 구성된 소형 다중분광 이미지 센서 개발을 고려하여 FWHM 25 nm로 평준화하였다. 높은 공간 해상도를 가진 지상 초분광 이미지를 이용하여 무와 배추를 분류하기 위한 의사결정트리 (학습 30%:검증 70%)를 수행한 결과, 중심 파장이 715 nm인 red edge (RE) 영역만이 선택되었고 분류 정확도로 overall accuracy (OA)는 94.7%와 kappa coefficient (KC)는 85.4%였다. 동일한 방법으로 항공 초분광 이미지를 분류한 결과에서도 RE영역에서 중심 파장 701 nm 만 선정되었고 OA는 87.8%와 KC 70.5%였다. 중심 파장이 715 nm 이고 FWHM이 25 nm 인 센서로 항공기 이미지에서 재배면적을 예측한 결과 무 56.2 ha와 배추 68.2 ha로 지상에서 조사된 무 56.3 ha와 배추 68.1 ha의 면적과 0.1 ha 차이였지만 무와 배추 포장의 분류정확도는 각각 80.7% 및 84.7%로 나타났다.

초분광 이미지를 이용한 배나무 화상병에 대한 최적 분광 밴드 선정

강예성 ( Ye-seong Kang ),박준우 ( Jun-woo Park ),장시형 ( Chan-seok Ryu ),송혜영 ( Si-hyeong Jang ),강경석 ( Hye-young Song ),유찬석 ( Kyung-suk Kang ),김성헌 ( Seong-heon Kim ),전새롬 ( Sae-rom Jun ),강태환 ( Tae-hwan Kang ),김 한국농림기상학회 2021 한국농림기상학회지 Vol.23 No.1

In this study, the possibility of discriminating Fire blight (FB) infection tested using the hyperspectral imagery. The reflectance of healthy and infected leaves and branches was acquired with 5 nm of full width at high maximum (FWHM) and then it was standardized to 10 nm, 25 nm, 50 nm, and 80 nm of FWHM. The standardized samples were divided into training and test sets at ratios of 7:3, 5:5 and 3:7 to find the optimal bands of FWHM by the decision tree analysis. Classification accuracy was evaluated using overall accuracy (OA) and kappa coefficient (KC). The hyperspectral reflectance of infected leaves and branches was significantly lower than those of healthy green, red-edge (RE) and near infrared (NIR) regions. The bands selected for the first node were generally 750 and 800 nm; these were used to identify the infection of leaves and branches, respectively. The accuracy of the classifier was higher in the 7:3 ratio. Four bands with 50 nm of FWHM (450, 650, 750, and 950 nm) might be reasonable because the difference in the recalculated accuracy between 8 bands with 10 nm of FWHM (440, 580, 640, 660, 680, 710, 730, and 740 nm) and 4 bands was only 1.8% for OA and 4.1% for KC, respectively. Finally, adding two bands (550 nm and 800 nm with 25 nm of FWHM) in four bands with 50 nm of FWHM have been proposed to improve the usability of multispectral image sensors with performing various roles in agriculture as well as detecting FB with other combinations of spectral bands.