무인항공기를 이용한 딥러닝 기반의 소나무재선충병 피해목 탐지에 관한 연구 = Pine wilt disease detection based on deep learning using unmanned aerial vehicle

다국어 초록 (Multilingual Abstract)

Pine trees, which account for 21.9 percent of Korea’s forest area as of 2013, began to lose their occupancy area significantly as of the following year. PWD(Pine Wilt Disease) is blamed for the first outbreak in Busan in 1988. it is so deadly that it is called pine tree AIDS, and after the infection, it die at 100 percent within 20 days or as long as three months.
The PWD were damaged not only in Gyeongsangnam-do and Gyeongsangbuk-do but also in Gyeonggi-do and Gangwon-do, therefore Feeling serious, the government enacted the SPECIAL Activation on the Exterme on PINE WILT DISEASE in 2005 by banning pine trees from moving to affected areas and implementing massive controls.
However, although the basic methods of control currently in place involve a large amount of budget and manpower, problems exist in detecting PWD in a wide range of areas and in places such as hills, steep slopes and cliffs that are inaccessible to people. In addition, it is difficult to observe the damaged area quickly and accurately because it occurs as a dot in the early stages of the damage.
Recently, the government has been making efforts to detect pine trees affected by pine tree reoccurrence by using satellite images or remote exploration technology, but various problems have arisen in terms of smooth cooperation from related agencies, irregularity in data collection cycles and uniformity of data depending on weather conditions. Therefore, research is under way on how to make up for these problems, but it has yet to suggest effective ways to control PWD.
Therefore, in this study, the detection method for PWD was proposed using UAV(Unmanned Aerial Vehicle) and Deep-Learning to solve the problems of the existing prevention.
First, the target site selected Mt. Mabong in Pohang where area with pine trees and capable of field survey and aerial shooting.
The UAV used for aerial shooting used a fixed-wing UAV equipped with Multi-spectral cameras and high-resolution cameras, and produced NDVI, RGB, and high-resolution RGB ortho-mosaics, respectively, using the collected data, for analysis.
According to the distinct of the PWD affected by data, 520 NDVI and RGB respectively and 198 high-resolution RGB were observed.
In order to determine the existence of pine trees affected by the disease, an on-site survey was conducted except for places such as steep slopes and cliffs that were inaccessible, and as a result, the NDVI, 249 RGB, and 84 high-resolution RGB were identified.
Analysis was performed using SegNet, the method of Semantic Segmentation, and YOLOv2, the method of Object Detection, to propose algorithms suitable for automatic detection of PWD.
The analysis that the performance of SegNet was 0.47 NDVI, 0.49 RGB and 0.57 high resolution RGB, while the detection performance of YOLOv2 was 0.49 NDVI, 0.53 RGB, and 0.77 high resolution RGB, making YOLOv2 better overall, and particularly effective in detecting high resolution RGB.
Through this study, PWD were detected. However, aerial shooting was difficult to analyze, as the analysis results showed that the flightability and the analysis results were different depending on the season and weather condition. Also, in the analysis of deep-learning, land, buildings, dry grass, and maple trees that look similar to PWD were recognized as damaged trees, which is one of the important points of lowering detection rates.
It is expected that if various types of research are added to conduct a deep-learning analysis that can utilize unrestricted data for weather condition in the future, it will reduce the manpower, cost, and time required to prevent damage from the existing PWD and obtain a quick detection effect.

국문 초록 (Abstract)

2013년을 기준으로 국내 산림면적의 21.9%를 차지하고 있는 소나무는 이듬해를 기점으로 점유면적이 크게 감소하기 시작하였다. 이러한 원인으로는 1988년 부산에서 처음 발병된 소나무재선충병(PWD: Pine Wilt Disease)이 지목되고 있다. 이 병은 소나무 에이즈라 불릴 정도로 치명적이고, 감염 후 짧게는 20일에서 길게는 3개월 안에 100% 고사하는 심각한 병이다.
소나무재선충병은 초기 미흡한 대처로 인하여 경남, 경북 지역뿐 아니라 현재 경기, 강원 지역까지 퍼지면서 피해지역이 전국적으로 확산 되었고, 사태의 심각성을 느낀 정부에서는 2005년 「소나무재선충병 방제특별법」을 제정하면서 피해가 심각한 지역에서의 소나무 이동의 금지와 대대적인 방제가 시행되고 있다. 하지만, 현재 시행하고 있는 기초적인 예찰방법은 많은 예산과 인력 등을 동원하고 있지만, 동시다발적이며 급진적으로 발생하며, 광범위한 지역과 사람이 접근하기 어려운 고산지, 급경사지, 절벽 같은 곳에서의 소나무재선충병 탐지에 대한 문제점이 존재하고 있다. 또한, 피해발생 초기에는 점상으로 발생하기 때문에 관측이 어려워 피해지역의 신속한 파악과 정확한 예측에 어려움을 겪고 있다.
최근에는 인공위성영상이나 원격탐사기술을 활용해서 소나무재선충병 피해목 탐지에 힘쓰고 있지만, 관련기관의 원활한 협조, 데이터 수집주기의 불규칙성, 기상상황에 따른 데이터 균일성측면에서 다양한 문제가 발생하고 있다. 때문에 이러한 문제점을 보완할 수 있는 새로운 예찰방법에 대한 연구가 진행되고 있으나, 아직까지 소나무재선충병 방제에 효과적인 방법을 제시하지 못하고 있다.
따라서 본 연구에서는 기존 예찰기법의 문제점을 해결하기 위해 무인항공기(UAV: Unmanned Aerial Vehicle)와, 딥러닝(Deep Learning)기법을 활용한 소나무재선충병 피해목 탐지기법을 제시하고자 하였다.
먼저, 데이터 수집을 위한 대상지는 소나무재선충이 확산되어 있고, 인력을 통한 현장조사 및 무인항공기를 통한 데이터 수집이 원활한 경북 포항시 기계면 마봉산 일대를 선정하였다.
촬영에 사용한 무인항공기는 다중분광카메라와 고해상도카메라를 장착한 고정익 무인항공기를 활용하였으며, 수집된 데이터를 활용하여 NDVI, RGB, 고해상도 RGB 정사영상을 제작하여 분석에 활용했다.
영상데이터에서 나타나는 소나무재선충병 피해목 특징에 따라서 육안으로 관측한 결과로 NDVI, RGB 각각 520개, 고해상도 RGB 198개가 관측되었다.
소나무재선충병 피해목의 실제 존재여부 파악을 위해서 접근 불가한 급경사지나 절벽과 같은 곳을 제외하고 현장조사를 실시했으며, 그 결과 NDVI, RGB 각각 249개, 고해상도 RGB 84개의 소나무재선충병 피해목을 확인할 수 있었다.
소나무재선충병 피해목의 자동탐지에 적합한 알고리즘을 제안하기 위해서 이미지 분할방법인 SegNet과 이미지 검출방법인 YOLOv2를 활용해 분석을 수행하였다.
딥러닝을 통한 분석결과, SegNet의 탐지성능은 NDVI가 0.47, RGB가 0.49, 고해상도 RGB가 0.57로 나타났으며, YOLOv2의 탐지성능은 NDVI가 0.49, RGB가 0.53, 고해상도 RGB가 0.77로 나타나 전체적으로 YOLOv2의 성능이 더 좋았으며, 특히 고해상도 RGB가 소나무재선충병 피해목을 탐지하는데 효과적인 것으로 확인할 수 있었다.
본 연구를 통하여 소나무재선충병 피해목을 탐지할 수 있었으나, 무인항공촬영에 있어서는 계절, 기상요인 등에 따라서 비행가능 여부와 정사영상 분석결과가 다르게 나타나 분석의 어려움이 있었다. 또한 딥러닝 분석에 있어서도 소나무재선충병 피해목과 비슷하게 보이는 땅, 건물, 마른 풀, 단풍나무 등이 소나무재선충병 피해목으로 인식되어 탐지율을 떨어뜨리는 중요한 요점중 하나로 나타났다.
따라서 향후 기상요인에 제약받지 않는 데이터를 활용할 수 있는 연구와 딥러닝 분석 수행에 소나무재선충병 피해목을 제외한 여러 가지 분류를 추가하여 연구를 수행한다면 기존의 소나무재선충병 피해목 탐지에 소요되는 인력, 비용, 시간을 줄이고 빠른 탐지 효과를 얻을 수 있을 것으로 기대된다.

목차 (Table of Contents)

• Ⅰ. 서 론
• 1. 연구의 배경 및 목적 1
• 2. 연구내용 및 방법 3
• Ⅱ. 이론적 고찰
• 1. 소나무재선충병 개요 6
• 2. 선행연구 고찰 10
• Ⅲ. 무인항공기를 이용한 소나무재선충병 피해목 관측
• 1. 무인항공기를 이용한 항공촬영 14
• 2. 정사영상 제작 19
• 3. 영상기반의 소나무재선충병 피해목 관측 및 현장조사 22
• Ⅳ. 딥러닝 기반의 소나무재선충병 피해목 자동탐지
• 1. 딥러닝 알고리즘 개요 25
• 2. 학습데이터 구축 31
• 3. 소나무재선충병 피해목 자동탐지 35
• Ⅴ. 결론 및 향후 연구과제
• 1. 결론 41
• 2. 연구의 한계점 및 발전방향 43
• 참 고 문 헌 44
• ABSTRACT 48