무인기로 취득한 RGB 영상으로 수수 Panicle 탐지

박민준 ( Min-jun Park ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),송혜영 ( Hye-young Song ),백현찬 ( Hyeon-chan Baek ),박기수 ( Ki-su Park ),김은리 ( Eun-lee Kim ),박진기 ( Jin-ki Park ) 한국농업기계학회 2022 한국농업기계학회 학술발표논문집 Vol.27 No.2

수수는 국내에서 생산 및 소비량이 적고 수급 안정성이 낮아 해마다 가격 변동이 심하기 때문에 정확한 재배면적과 수확량을 예측할 필요가 있다. 최근 고해상도 영상장치 및 인공지능 기술의 발달로 다량의 비정형 데이터를 이용하여 작물 분류 및 타겟 검출이 가능하게 되었다. 따라서 본 연구는 무인기로 취득한 RGB 영상과 딥러닝을 이용하여 수수의 수확량을 예측하기 위해 Panicle 개수를 추정하였다. 실험지역은 경상북도 안동시 남후면 고상리에 위치한 수수 재배지(36°30'20.3N 128°36'27.6E)를 대상으로 수행하였다. 회전익 무인기(Matrice 300 RTK, DJI Technology Inc, China)에 RGB 카메라(Zenmuse P1, DJI Technology Inc, China)를 탑재하여 2022년 9월 2일 고도 25m GSD 0.31cm/pixel로 RGB 영상을 취득하였다. 취득한 다수의 고해상도 8192×5460 이미지를 512×512로 자른 뒤 Label-studio를 이용하여 수수 Panicle 부분을 Bounding Box로 라벨링 후 YOLOv5s를 사용해 학습을 진행하였다. 라벨링 작업이 진행된 1200장의 이미지를 6:2:2(Train : Validation : Test) 비율로 나눈 뒤 훈련 횟수는 1000 Epoch로 설정하였으나 Early Stopping 기능으로 127 Epoch 훈련되었다. 모델은 27 Epoch에서 box_loss=0.053, obj_loss=0.172, mAP_0.5=0.789의 높은 성능을 나타내었다. Test 데이터를 이용하여 mAP_50=0.804의 수수 Panicle 탐지 가능성을 볼 수 있었으며 추후 수집해놓은 데이터와 시계열 영상 데이터의 활용으로 수수 Panicle 탐지 모델의 성능을 향상시킬 계획이다.

다년도 분광 데이터를 이용한 콩의 생체중, 엽면적 지수 추정

장시형 ( Si-hyeong Jang ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),박준우 ( Jun-woo Park ),김태양 ( Tae-yang Kim ),강경석 ( Kyung-suk Kang ),박민준 ( Min-jun Park ),백현찬 ( Hyun-chan Baek ),박유현 ( Yu-hyeon Park ),강동 한국농림기상학회 2021 한국농림기상학회지 Vol.23 No.4

콩은 논 대표적인 밭작물로써 온도, 수분, 토양과 같은 환경 조건에 민감하기 때문에 재배 시 포장 관리가 매우 중요하다. 작물 상태를 비파괴적, 비접촉적 방법으로 측정할 수 있는 분광 기술을 활용한다면 작황 예측, 작물 스트레스 및 병충해 판별 등 생육 진단 및 처방을 통해 품질과 수확량을 높일 수 있다. 본 연구에서는 회전익 무인기에 탑재된 다중분광 센서를 이용하여 시험 포장에서 콩 생육 추정 모델 개발하고 재현성을 확인하기 위해 농가 포장에 검증을 수행하였다. 분광 데이터로 산출된 정규화 식생지수(NDVI, GNDVI), 단순비 식생지수(RRVI, GRVI)와 콩 생육 데이터(생체중, LAI)를 선형회귀분석을 실시하여 모델을 개발하였으며 괴산에 위치한 농가포장에서 검증을 실시하였다. 그 결과 생체중의 경우 정규화 식생지수를 이용 시 포화되기 때문에 단순비 식생지수 GRVI를 이용한 모델의 성능이 가장 높았다(R²=0.74, RMSE=246 g/㎡, RE=34.2%). 괴산 농가 포장에 생체중 모델 검증 결과 RMSE=392 g/㎡, RE=32%로 나타났으며 작부 체계별 나누어 검증 결과 단작 포장과 이모작 포장 생체중 모델은 RMSE=315 g/㎡, RE=26% 및 RMSE=381 g/㎡, RE=31%로 나타났다. 작부 체계별 포장과 적산온도가 유사한 연도별 시험 포장(2018+2020년, 2019년)을 나누어 생체중 모델 개발한 결과 단년도(2019년)의 성능이 높게 나타났다. 작부 체계별 적산온도가 유사한 검증과 기존 검증 간 비교 결과 단작 포장은 RMSE 및 RE를 기준으로 각각 29.1%와 34.3%로 개선 되었으나 이모작 포장은 -19.6%, -31.3%로 저하되었다. 적산온도 이외의 환경 요인, 분광 및 생육 데이터 추가 시 다양한 환경 조건에서 재배되는 콩 생육을 추정 가능할 것으로 판단된다. Soybeans (Glycine max), one of major upland crops, require precise management of environmental conditions, such as temperature, water, and soil, during cultivation since they are sensitive to environmental changes. Application of spectral technologies that measure the physiological state of crops remotely has great potential for improving quality and productivity of the soybean by estimating yields, physiological stresses, and diseases. In this study, we developed and validated a soybean growth prediction model using multispectral imagery. We conducted a linear regression analysis between vegetation indices and soybean growth data (fresh weight and LAI) obtained at Miryang fields. The linear regression model was validated at Goesan fields. It was found that the model based on green ratio vegetation index (GRVI) had the greatest performance in prediction of fresh weight at the calibration stage (R²=0.74, RMSE=246 g/㎡, RE=34.2%). In the validation stage, RMSE and RE of the model were 392 g/㎡ and 32%, respectively. The errors of the model differed by cropping system, For example, RMSE and RE of model in single crop fields were 315 g/㎡ and 26%, respectively. On the other hand, the model had greater values of RMSE (381 g/m2) and RE (31%) in double crop fields. As a result of developing models for predicting a fresh weight into two years (2018+2020) with similar accumulated temperature (AT) in three years and a single year (2019) that was different from that AT, the prediction performance of a single year model was better than a two years model. Consequently, compared with those models divided by AT and a three years model, RMSE of a single crop fields were improved by about 29.1%. However, those of double crop fields decreased by about 19.6%. When environmental factors are used along with, spectral data, the reliability of soybean growth prediction can be achieved various environmental conditions.

초분광 영상을 이용한 사과 겹무늬썩음병 조기 예측

장시형 ( Si-hyeong Jang ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),박준우 ( Jun-woo Park ),김태양 ( Tae-yang Kim ),강경석 ( Kyung-suk Kang ),박민준 ( Min-jun Park ),백현찬 ( Hyun-chan Baek ) 한국농업기계학회 2021 한국농업기계학회 학술발표논문집 Vol.26 No.2

최근 봄~초여름까지 고온건조한 아열대성 기후의 변화로 인해 날씨에 민감한 농업에서 생육장해, 병충해 등 발생하여 품질이나 수확량이 크게 감소한다. 특히 사과, 배, 복숭아와 같은 노지에서 다년간 자라는 과수에서 큰 피해가 발생한다. 사과의 병해 중 ‘겹무늬썩음병’은 고온건조한 환경이 지속되면 뿌리, 가지 그리고 수확기 때 과실에 병증이 나타나며 전염성이 강하여 발병 즉시 나무를 베어버린다. 본 연구에서는 드론에 탑재된 초분광 센서를 이용하여 머신러닝 중 분류기법인 ‘의사결정나무’를 이용해 겹무늬썩음병의 조기 예측 가능성을 검토하였다. 본 실험은 전북 완주에 위치한 농촌진흥청 국립원예특작과학원 내 사과포장에서 진행되었으며 촬영시기는 나뭇잎이 떨어지기 이전인 8월 11일에 촬영되었다. 드론에 탑재된 초분광 센서로 취득된 영상들은 전처리과정인 기하보정 및 방사보정을 실시하고 나뭇잎의 반사값을 추출한 다음 발병 유무에 따라 대조구(정상)와 실험구(발병)으로 나누었다. 대조구에 비해 실험구의 데이터가 현저히 적어 이를 보완하기 위해 오버샘플링 기법 중 SMOTE(Synthetic minority oversampling technique)를 이용하였으며 의사결정나무(Decision Tree, 훈련자료:50%, 검증자료:50%) 모델을 개발하고 Overall Accuracy (OA)와 Kappa coefficient로 분류 정확도를 평가하였다. 오버 샘플링 하기 이전 데이터로 의사결정나무모델 결과 710nm로 Red edge영역과 870nm로 NIR영역에서 유의한 파장이 선정되었으나 OA와 Kappa coefficient 모두 0.5이하로 낮은 분류 정확도가 나타났다. 오버 샘플링을 통한 데이터로 의사결정나무모델 결과 710nm, 750nm로 Red edge영역과 849nm, 870nm로 NIR영역에서 유의한 파장이 선정되었으며 OA는 0.85이상, Kappa coefficient는 0.73의 분류 정확도가 나타났다. 추후 Random forest, Support Vector Machine(SVM)등 다른 머신러닝 분류 알고리즘과 딥러닝 기반 분류 알고리즘을 이용하여 분류 모델 개발 및 비교하여 병 조기 예측 진단 가능성을 높일 필요가 있다고 판단된다.

초분광 영상을 이용한 사과나무의 질소 상태 추정

박기수 ( Ki-su Park ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),김태양 ( Tae-yang Kim ),백현찬 ( Hyun-chan Baek ),박민준 ( Min-jun Park ),송혜영 ( Hye-young Song ),조정건 ( Jung-gun Cho ),장시형 ( Si-hyeong Jang ) 한국농업기계학회 2022 한국농업기계학회 학술발표논문집 Vol.27 No.1

과수 생장 시 충분한 양의 질소 시비가 중요한데 과잉 및 결핍 시 품질과 수확량이 크게 감소한다. 수체의 영양 진단을 위한 분광 기술과 단시간에 데이터 취득할수 있는 원격탐사 기술을 이용하면 대면적 과원에서의 효율적인 재배 관리 및 과수의 안정적인 생산성을 유지할수 있다. 따라서 대규모 과원에서 재배되는 과수의 생산성 향상을 위해 무인기를 활용한 정밀 영양 진단 기술이 필요하다. 본 연구는 무인기에 탑재된 초분광 센서를 이용하여 취득되어진 반사값 데이터로 과수의 영양 상태를 추정하는 모델을 개발하였다. 본 연구는 전라북도 완주군에 위치한 농촌진흥청 국립원예특작과학원 시험 포장 내 심겨진 사과(홍로)나무를 대상으로 2021년 5월 26일부터 10월 14일까지 총 10차례 진행되었다. 실험에 사용된 장비는 회전익 무인기인 Matrice 200 v2와 초분광 센서인 MicroHSI 410 Shark이며 촬영 시간은 태양의 남중고도를 고려하여 11시~1시 사이에 실시하였다. 취득되어진 영상들은 전처리(방사보정, 기하보정) 후 영상 처리를 통해 캐노피의 반사값을 추출하였다. 식물체 데이터인 클로로필과 캐노피 반사값 데이터를 이용하여 다변량 회귀분석인 부분 제곱회귀분석(PLSR)로 추정 모델을 개발하였으며 모델의 성능은 결정계수(R²)와 평균제곱근오차(RMSE), 상대 오차(RE)로 평가하였다. 사과나무의 클로로필 PLSR분석한 결과 Calibration 모델의 R²는 44%, RMSE, RE는 각각 0.92㎍/㎠, 17%이며 Valibration 모델의 R²는 33%, RMSE, RE는 1.01㎍/㎠, 19%로 낮은 성능을 보였다. 생육 시기에 따라 2차례(화아분화기, 성숙기)로 나누어 재분석한 결과 성숙기의 모델 성능 (Cal.= R²= 86%, RMSE= 0.44㎍/㎠, RE= 8% / Val.= R²: 69%, RMSE= 0.65㎍/㎠, RE= 13% )이 높게 나타났는데 엽에 있던 영양분이 가지로 이동하여 잎이 황변되어 질소 시비량에 따른 변이가 크게 차이가 나는 것으로 판단된다. 추후 연구를 통해 주요 생육 시기에 수체의 영양 상태 진단 가능한 모델 개발하여 효율적인 재배관리를 통한 다수확 및 고품질의 과실 생산 기술 개발에 기여할 것으로 사료된다.

머신러닝 회귀 모델과 초분광 영상을 이용한 사과나무의 질소 상태 추정

박기수 ( Ki-su Park ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),송혜영 ( Hye-young Song ),김은리 ( Eun-ri Kim ),백현찬 ( Hyun-chan Baek ),박민준 ( Min-jun Park ),조정건 ( Jung-gun Cho ),장시형 ( Si-hyeong Jang ) 한국농업기계학회 2022 한국농업기계학회 학술발표논문집 Vol.27 No.2

사과나무의 질소는 세포 분화 및 조직의 생장에 중요한 역할을 하며 수확량과 품질에 큰 영향을 미치는 인자로서 본 연구는 무인기에 탑재된 초분광 센서를 이용하여 취득한 반사값 데이터를 활용하여 사과나무의 질소량을 추정하는 모델을 개발하였다. 전라북도 진안군 백운면에 위치한 농가(35°40'29N 127°23'22E) 내 수령이 10~20년 정도인 사과(후지)나무 38그루를 대상으로 2021년 6월 9일부터 8월 11일까지 무인기(Matrice 300 RTK)에 초분광 센서(micro HSI 410 SHARK)를 탑재하여 약 한달 간격으로 총 3차례 촬영하였다. 촬영된 영상은 방사보정 및 기하보정 후 개체별 캐노피의 반사값을 추출하였다. 반사값의 노이즈를 감소시키고 정밀도를 향상시키기 위해 평활화 기법(Savitzky-Golay Filtering)과 정규화 기법(MinMaxScaler)을 사용하였고 식물체 데이터 Total-N과 반사값 데이터를 이용하여 머신러닝 회귀 모델(Extra Tree, Random Forest)을 개발했다. 정규화 기법만 사용한 Random Forest 모델(Validation Set: R2=0.769, RMSE=0.204% / Test Set: R2=0.791, RMSE=0.164%)이 가장 높은 성능을 나타내었다. 사과의 생육단계에 따라 화아분화기(6~7월)와 성숙 착색기(7~8월)로 나누어 재분석한 결과 화아분화기의 경우 정규화 기법만 사용한 Random Forest 모델(Validation Set: R2=0.136, RMSE=0.207%/ Test Set: R2=0.815, RMSE=0.09%)이 가장 좋은 성능을 나타내었고 성숙 착색기의 경우 정규화 기법만 사용한 Extra Tree 모델(Validation Set: R2=0.828, RMSE=0.200% / Test Set: R2=0.902, RMSE=0.127%)이 가장 좋은 성능을 나타내었다. 추후 연구를 통해 질소 상태만이 아닌 타 영양분과 과실 특성 추정 가능한 모델을 개발하여 과실 생산 기술 개발에 기여할 것으로 사료된다.