http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
ResNet 기반 질소 시비 수준 별 벼 이미지 분류 모델
이병한 ( Byeonghan Lee ),성덕경 ( Deok-gyeong Seong ),진영민 ( Young Min Jin ),박진영 ( Jin Young Park ),황연현 ( Yeon-hyeon Hwang ),김영광 ( Young-gwang Kim ) 한국농업기계학회 2023 한국농업기계학회 학술발표논문집 Vol.28 No.2
질소는 단백질 합성에 중요한 구성요소로 벼의 성장은 질소 시비 수준에 따라 다르다. 질소 시비 수준이 다른 논이 가까이 있다면 생육차를 육안으로 쉽게 확인할 수 있다. 그러나 육안으로 생육을 판단하는 경우 많은 비용이 소모되며 장시간 판단의 일관성을 유지하는 것은 매우 어렵다. 본 연구에서는 드론에 탑재한 다중분광센서로 벼의 이미지를 수집하고 ResNet(Residual Network)을 활용하여 질소 시비 수준 별로 이미지 분류를 수행하였다. ResNet은 인공신경망 구조 중 하나로 이미지 분류에 효과적으로 사용된다. 이미지 분류에 사용된 벼 품종은 새일미, 아람, 영진, 영호진미이며 품종 당 12반복, 3처리(질소량 0, 5, 17kg/10a)로 총 144개의 시험구를 조성하여 2023년 6월 7일에 이앙하였다. 벼의 이미지는 다중분광센서(Red-Edge Altum PT)를 장착한 드론을 지상 20m에서 경로비행 하도록 설정하여 7월 25일에 수집하였다. 시험구 조성 도면과 정사이미지(Orthorectified Image)를 대응시켜 각 질소 시비 수준 별로 240장 씩 총 720장의 이미지를 34×170 픽셀 크기로 추출하고 0 ∼ 1,023 사이의 값으로 이미지의 밝기를 정규화(Normalization) 하였다. 이 중 144장을 무작위로 추출하여 검증데이터로 사용하고 나머지 576장은 회전, 상하반전, 좌우반전, 대각선반전 방식으로 데이터 증강(×5)을 진행하여 총 2,880장의 학습데이터를 생성하였다. 최종적으로 사용한 데이터는 3채널(Red, Green, Blue) 이미지 3,024장이다. ResNet은 5개의 합성곱층(Convolutional layer)과 3개의 전결합층(Fully Connected Layer)으로 구성하고 활성화 함수로는 렐루(ReLU)와 소프트맥스(Softmax)를 사용하였다. ResNet 기반질소 시비 수준 별 벼 이미지 분류 모델의 학습 정확도(Training Accuracy)는 99.8%이며 검증 정확도(Validation Accuracy)는 96.5%로 나타났다. 품종에 대한 별도의 입력 값 없이 벼 10주(2주×5줄)가 담긴 이미지로 질소 시비 수준을 분류한 것은 ResNet이 벼의 생육 차를 민감하게 포착한다는 점을 시사한다. 그러나 시험구 전체에 대한 정사이미지를 살펴보면 질소 시비 수준이 다른 벼의 생육 차가 육안으로 구별되지 않는 영역이 있다. 지하수를 활용하여 물 관리를 하였으나 인접 농지의 관개수를 통해 양분이 유입 된 것으로 판단된다. 또한 분류 단계가 적어서 농업 현장의 시비량을 모델이 반영하지 못할 수 있다. 양분 유입을 차단하여 실험하고 질소 시비 수준을 세분화하여 데이터세트를 보완한다면 모델의 활용성을 향상시킬 수 있다.
이병한 ( Byeong Han Lee ),진영민 ( Young Min Jin ),성덕경 ( Deok-gyeong Seong ),황연현 ( Yeon-hyeon Hwang ),김영광 ( Young-gwang Kim ),이종기 ( Jong-ki Lee ),박진영 ( Jin Young Park ) 한국농업기계학회 2023 한국농업기계학회 학술발표논문집 Vol.28 No.1
합성곱신경망(Convolutional Neural Network, CNN)은 이미지 분류와 같은 컴퓨터 비전 문제에서 효과적인 딥러닝 모델이다. 본 연구는 벼 품종별 이미지 분류를 위해 합성곱신경망을 활용하였다. 분류에 사용된 벼 품종은 영호진미, 영진, 아람, 새일미이며, 각 품종당 7 반복으로 총 28개 시험구를 조성하여 2022년 6월 7일에 이앙하였다. 벼의 생육이미지는 다중분광센서(Red-Edge MX)를 장착한 드론을 지상 20m에서 경로비행 하도록 설정하여 8월 18일에 수집하였으며, 지상표식을 기준으로 계산한 GSD(Ground Sample Distance)는 13.8mm였다. 합성곱신경망에 수집된 이미지를 입력하기 위해 시험구 조성 도면과 정사이미지(Orthographic images)를 대응시켜 36×36pixel2 크기로 관심영역(Region of Interests)을 추출하고, 이미지의 밝기를 0~1,023 사이의 값으로 정규화 한 뒤 오츠의 기법(Otsu’s method)을 사용하여 논의 토양 영역을 검은색(채널별 밝기값 : 0, 0, 0, 0, 0)으로 처리하였다. 최종적으로 사용된 데이터세트는 5채널(Red, Green, Blue, Red-Edge, NIR) 이미지 1,008장과 각 이미지에 대한 품종별 라벨로 구성하고 학습데이터와 시험데이터를 8:2로 나누었다. 합성곱신경망은 3개의 은닉층(Hidden layer)과 1개의 전결합층(Fully connected Layer)으로 구성하고 활성화 함수로는 렐루(relu)와 소프트맥스(softmax)를 사용하였다. 학습 시의 정확도는 100%이며 시험데이터로 8회 검증한 결과, 정확도의 평균값은 77.4%로 나타났다. 본 연구에서는 데이터세트를 효율적으로 제작하기 위하여 시험구 도면 정보를 기반으로 관심영역을 일괄적으로 추출하였다. 하지만 이로 인해, 관심영역이 아닌 곳에 재식된 벼의 일부가 관심영역에 포함되거나 포함되지 않은 경우가 혼재하여 시험 성능에 영향을 미친 것으로 추측된다. 향후 벼의 중심점을 기준으로 관심영역을 한정하여 데이터세트의 품질을 개선할 계획이다.
이인용(In-Yong Lee),오영주(Young-Ju Oh),홍선희(Sun-Hee Hong),허수정(Su-Jeoung Heo),이채영(Chae-Young Lee),박기웅(Kee Woong Park),조승현(Seng-Hyun Cho),권오도(Oh-Do Kwon),임일빈(Il-Bin Im),김상국(Sang-Kuk Kim),성덕경(Deok-Gyeong Seong 한국잡초학회·한국잔디학회 2017 Weed & Turfgrass Science Vol.6 No.1
사과, 배, 복숭아, 포도 등을 재배하는 과수원에 발생하는 잡초를 조사하여 과수원 문제잡초의 현황을 파악하고 잡초방제의 기초자료로 활용하기 위하여 2015년에 전국을 11개 권역으로 나누어 실시하였다. 과수원에 발생하는 잡초는 63과 492종으로 국화과 86종, 화본과 63종, 두과 29종, 사초과 23종, 마디풀과 22종 등의 순이었다. 이들 잡초를 생활형으로 구분하면, 일년생 159종, 동계 일년생 97종, 다년생 236종이었다. 과수원별 발생잡초를 보면, 사과밭에는 50과 306종, 배밭에는 50과 304종, 포도밭에는 50과 286종, 복숭아밭에는 48과 288종이 발생되었다. 우점잡초로는 바랭이, 쑥, 쇠별꽃, 닭의장풀, 깨풀 등이었다. 외래잡초는 127종으로 전체의 25.8%이었고, 토끼풀, 망초, 흰명아주, 서양민들레, 소리쟁이 순으로 발생이 많았다. 30년간의 잡초군락 변화를 보면, 1990년에는 바랭이, 여뀌, 쇠비름 등이 우점하였으나, 2003년에는 바랭이, 깨풀, 쑥 등으로 변하였다. 2015년에는 바랭이, 쑥, 쇠별꽃 등으로 크게 변하지는 않았다. This study was investigated in order to occurrence of weed flora in orchard (apple, grape, peach, pear etc.) fields and to the establishment of weed control basic data in these weeds. And this study was survey on 2015. As a result of the study on orchard weeds, there were total of 492 weeds including 63 families. Among all the weeds, 159 species were annual, 97 species were winter annual and 236 were perennial. Each fruit tree patterns of occurrence weeds, 306 species 50 families in apple orchard, 304 species 50 families in pear orchard, 286 species 50 families in grape orchard, and 288 species 48 families in peach orchard. Dominance was the highest with Digitaria ciliaris followed by Artemisia princeps, Stellaria aquatica, Commelina communis, Acalypha australis etc. in order. And exotics weeds occurred 127 species. Trifolium repens was the highest in importance analysis and the followings were in order of Conyza canadensis, Chenopodium album, Taraxacum offcinale, Rumex crispus etc. Changes in weed vegetation in orchard during 30 years, did not very many changed. In 1990, D. ciliaris, Persicaria hydropiper, Portulaca loeracea were dominant. In 2003, D. ciliaris was the most abundant species, followed by A. australis, A. princeps species. And in 2015, also D. ciliaris was the most dominant, followed by A. princeps, S. aquatica.