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 : 전새롬 ( Sae-rom Jean ) (검색결과 2 건)
- 무료
- 기관 내 무료
- 유료
-
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 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.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
