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 : 장규진 ( Gyujin Jang ) (검색결과 13 건)
- 무료
- 기관 내 무료
- 유료
-
장규진 ( Gyujin Jang ),김학진 ( Hak-jin Kim ) 한국농업기계학회 2022 한국농업기계학회 학술발표논문집 Vol.27 No.1
토양 수분은 작물의 생산성과 품질에 직결되며 작물의 과습과 건조를 방지하기 위한 재배 환경에 대한 관개량, 관개주기 및 관개지속시간과 같은 관개전략의 최적화가 요구된다. 층위별 토양 수분함량은 관개전략을 수립하는데 이용되어 이에 대한 정확한 예측이 필요하다. 최근 수년 치의 토양 수분함량 및 기상 데이터를 기반으로 일정 시간 뒤의 토양 수분 변화 예측 연구가 활발하게 진행되었지만, 근권부 영역의 층위별 토양 수분함량을 종합한 토양 수분함량을 예측하는 연구가 대부분이었으며, 해외의 토성과 기후 환경에서 취득된 데이터를 기반으로 예측 모델을 개발하였기 때문에 국내 환경 기반의 모델 개발이 요구된다. 따라서 본 연구에서는 국내 토성, 기후 환경을 대상으로 1시간 뒤, 24시간 뒤의 층위별 토양 수분함량을 예측하는 모델을 개발하였다. 기상자료개방포털에서 제공하는 2003년부터 2020년까지의 1시간 단위로 수집된 수원 지역 농업기상관측(Automated Agriculture Observing System, AAOS) 자료 중 기온, 습도, 풍속, 지면온도, 10cm, 30cm에서의 지중온도, 10cm, 20cm, 30cm, 50cm에서의 토양 수분 데이터를 이용하였다. 128개의 은닉 노드로 구성된 2개의 장단기 메모리 층(Long short-term memory layer, LSTM layer)과 3개의 다중 완전 연결계층(fully connected layer)으로 모델을 구축하였다. 본 연구에서 개발된 모델은 실제 작물 재배 환경에서 이용될 수 있도록 밭작물 표준 재배 기간이 90일 전후인 것을 고려하여 모델 개발을 위해 최소의 과거 데이터를 이용하고자 과거 48시간의 데이터를 모델 개발에 이용하였다. 구축된 모델은 2021년에 취득된 기상 데이터로 성능을 검증하였다. 토양 깊이 10cm, 20cm, 30cm, 50cm에서 1시간 뒤 예측 모델은 각각 결정계수(R<sup>2</sup>) 0.96, 0.97, 0.89, 0.95로 높은 상관성을 나타냈으나, 24시간 뒤 토양 수분 예측 모델은 동일한 토양 깊이에서 각각 결정계수(R<sup>2</sup>) 0.58, 0.72, 0.51, 0.43으로 낮은 상관성을 나타냈다. 추후 24시간 뒤 토양 수분 예측 모델의 성능을 높이기 위해 예측 시점으로부터 24시간 이내의 일기예보 데이터를 예측 모델 개발에 활용하여 성능을 높이고자 한다.
-
펠티어 소자 기반 온도 교정 장치를 이용한 항공 열화상 센서의 작물 온도 예측 평가
장규진 ( Gyujin Jang ),김동욱 ( Dongwook Kim ),윤철환 ( Chulhwan Yoon ),김학진 ( Hak-jin Kim ) 한국농업기계학회 2023 한국농업기계학회 학술발표논문집 Vol.28 No.1
작물은 수분 스트레스 발생 시 잎의 기공을 닫으면서 온도가 올라가는 생리학적 특성을 보여 온도는 관수 시점을 구명하기 위한 주요한 인자로 활용된다. 원격탐사는 비파괴적이고 신속하게 대량의 정보를 제공하여 노지 작물 재배 관리에 유용하게 활용되고 있다. 최근 열화상 센서 기반의 원격탐사 기술을 이용하여 다수의 작물 개체들의 온도를 측정하고 수분 스트레스를 예찰함으로 관수에 적용하는 연구가 활발하게 진행되고 있다. 하지만, 열화상 센서를 이용한 작물의 온도 측정은 데이터 취득 시 대기 온습도, 촬영고도 등의 영향을 받아 정확도 및 재현성에 한계를 보인다. 본 연구에선 펠티어 소자 기반의 온도 교정 장치와 항공 열화상 영상으로 작물 온도를 측정하여 온도 예측에 정확도와 재현성을 확보하고자 하였다. 교정 장치는 알루미늄 판넬에 펠티어 소자를 부착하여 제작하였으며 방사율을 작물과 유사하게 만들기 위해 검은색으로 착색시켰다. 다수의 교정 장치가 배치된 외부 환경에 드론에 탑재한 열화상 센서로 다양한 고도와 시점에서 교정 장치와 작물을 함께 촬영하였다. 교정 장치에 대한 열화상 영상의 방사 에너지 값과 실제 교정 장치온도 간의 교정식을 개발하였고 이를 작물의 방사 에너지 값에 적용하여 온도를 예측하였다. 본 연구에 서 제시하는 온도 측정 방법을 통해 신뢰성 있는 작물 온도를 얻을 수 있었으며, 추후 실제 작물 재배 노지에서 작물의 온도를 측정하여 적용성을 검증하고자 한다.
-
드론 RGB 영상 이용 작물 분류를 위한 랜덤 포레스트 기반의 최적 식생지수 추출
장규진 ( Gyujin Jang ),김동욱 ( Dongwook Kim ),강민석 ( Minseok Gnag ),김학진 ( Hak-jin Kim ) 한국농업기계학회 2022 한국농업기계학회 학술발표논문집 Vol.27 No.2
원격탐사는 대상체로부터 비파괴적이고 신속하게 정보 취득이 가능하여 작물 재배 관리, 생산량 예측 등에서 활용된다. 드론 기반의 원격탐사는 촬영의 자유도가 높고 저고도 비행이 가능하여 높은 해상도의 정보를 제공한다. 국내 농촌 단위의 농경지엔 다양한 작물들이 재배되어 생산량 예측과 재배 관리를 위해 원격탐사 기반의 작물 분류가 필요하다. 딥러닝 기반의 분류 모델은 작물 분류에 높은 성능을 발휘하고 드론 기반 RGB 영상에서 계산된 식생지수를 분류 모델의 input으로 활용하고 있다. 하지만 대부분의 연구에서 데이터 연산 과정이 블랙박스인 딥러닝 기반 모델의 한계로 분류에 효과적인 식생지수에 대한 분석 없이 단순히 식생지수를 조합하여 생성한 입력변수로 모델 성능을 비교 분석하였다. 이와 같은 입력변수는 재현성이 부족하고 모델 성능을 감소시킬 수 있다. 본 연구에서는 딥러닝 기반 분류기를 입력 값으로 제시가 가능한 RGB 영상 기반의 식생지수를 도출하고자 하였다. 한국지능정보사회진흥원(NIA)에서 제공하는 드론 RGB 영상에서 6가지의 식생지수를 적용하고 랜덤 포레스트에서 중요변수 분석을 통해 분류 모델에서 기여도가 높은 식생지수를 도출하였다. 추후, 도출된 식생지수는 딥러닝 기반의 분류 모델에서 성능을 분석하고자 한다.
-
-
장규진(Gyujin Jang),최영민(Youngmin Choi),김상현(Sanghyun Kim),안병기(Byungki Ahn),임태원(Taewon Lim) 한국자동차공학회 2008 한국자동차공학회 춘 추계 학술대회 논문집 Vol.- No.-
We have concentrated on the performance improvement of each part for durability, safety and cost of high pressure storage system for fuel cell vehicle so far. But for the mass production of fuel cell vehicle, it is necessary to evaluate durability and safety in system module. We built the standard to evaluate vibration and collision safety of high pressure storage system for fuel cell vehicle, and could verify reliability of high pressure storage system.
-
무인항공기 RGB 영상을 사용한 보간법 기반의 작물 높이 예측 알고리즘 개선 연구
장규진 ( Gyujin Jang ),김재영 ( Jaeyoung Kim ),김동욱 ( Dong-wook Kim ),정용석 ( Yongsuk Chung ),문희창 ( Hee-chang Moon ),김학진 ( Hak-jin Kim ) 한국농업기계학회 2021 한국농업기계학회 학술발표논문집 Vol.26 No.2
작물의 높이는 생육, 잠재 생산량, 작물 도복 지역을 평가하는 중요한 변수이며, RGB 항공 영상 기반 structure from motion (SfM) 알고리즘 적용 사진 측량 기술을 이용하여 예측이 가능하다. 작물의 높이는 작물이 존재하는 고도 모델인 Digital Surface Model (DSM)에서 작물이 없는 지형의 고도 모델인 Digital Terrain Model (DTM)을 빼주어 계산할 수 있다. DTM은 작물이 없을 때의 영상을 촬영하여 생성하지만 촬영이 불가한 경우엔 작물 근처 맨땅의 고도 정보에 보간법을 적용하여 생성할 수 있다. 기존 연구에선 맨땅의 고도 정보는 작물이 없는 지역에 수동으로 점을 생성하는 방식으로 취득되어왔지만 오랜 시간이 소요되고 효율적이지 못하다. 본 연구에서는 수동으로 고도 정보를 얻었던 방식을 개선한 알고리즘을 개발하였다. 제주대학교 케나프 실험 포장지에서 RGB 카메라가 장착된 무인항공기로 영상을 얻었고, 상용 소프트웨어 (Pix4DCapture, Pix4D SA, Swiss)를 사용하여 영상을 정합하였다. 생성된 DSM에서 작물을 제거하고 남은 지역에 무작위적으로 점을 생성하여 고도 정보를 추출하였다. 추출된 고도 정보에 보간법(Kriging)을 적용하여 DTM을 생성하고 작물 높이를 계산하였다. 개발한 알고리즘은 작물이 부재한 시기의 영상을 통해 생성한 DTM을 이용한 방법과 1:1로 비교하여 높이 예측 성능을 평가하였다. 결정계수(R<sup>2</sup>)는 0.9124, 제곱근 편차(RMSE)는 6.98 cm로 관측되어 기존 방법보다 쉽고 빠르게 높은 예측 성능을 보일 수 있었다.
-
높이 보정 구조물을 이용한 무인항공기(UAV)와 RGB 카메라 기반 케나프의 높이 측정 연구
장규진 ( Gyujin Jang ),김재영 ( Jaeyoung Kim ),김동욱 ( Dongwook Kim ),정용석 ( Yongsuk Chung ),김학진 ( Hakjin Kim ),문희창 ( Hee-chang Moon ) 한국농업기계학회 2019 한국농업기계학회 학술발표논문집 Vol.24 No.2
케나프는 섬유, 사료 및 다양한 바이오 소재용 식물 자원으로 주목받고 있으며 최근 국내에서 안정적인 생산을 위한 육종 연구가 활발히 진행되고 있다. 육종을 위해선 표현형 정보를 대량으로 신속하게 획득하고 이를 분석하는 것이 필수적이다. 이를 위해 최근 비파괴적이며 신속한 정보 취득이 가능한 무인항공기(UAV) 기반 원격 탐사 기법이 이용된다. 케나프의 높이 정보는 우수한 식물 자원으로 평가하는 중요한 변수이며, Structure from Motion(SfM) 알고리즘 기반 사진 측량 기술을 활용 Digital Surface Model을 제작하여 케나프의 높이 정보 취득이 가능하다. 케나프와 같이 얇고 긴 작물들은 정확한 높이 정보 취득을 위해 고해상도 영상이 요구되며 이를 위해 고해상도 센서 장착 및 UAV 기체의 저고도 영상 취득이 필요하다. 하지만, 고해상도 센서는 높은 경제적인 비용을 요구하고 UAV의 제한적인 비행시간은 저고도 비행 시 영상 취득 면적을 감소시킨다. 본 연구는 높이 표준 구조물을 촬영 포장에 설치하여 케나프의 높이 측정 정확도를 향상시키고자 하였다. 실험은 제주특별자치도 제주시 제주대학교 실험 포장에서 RGB 카메라가 장착된 상용 UAV 기체(Mavic Zoon 2, DJI, China)로 진행되었으며, 40m 높이에서 90% 오버랩, 최저속도(약 1m/s)로 설정(Pix4DCapture, Pix4D SA, Swiss)하여 영상을 촬영하였다. 높이 보정을 위해 5개의 실제 높이 정보(최대 높이 약 150cm)를 제공하는 구조물을 제작하여 실험 필드에 총 4개 설치하였다. 구조물로부터 얻은 실제 높이와 항공영상 기반 예측 높이로 선형회귀식을 개발하여 항공영상 기반으로 예측한 케나프 높이 정보에 적용하였으며, 케나프 높이 평균 제곱근 편차(RMSE)는 45.44cm로 측정되었다.
-
-
-
한국지능정보사회진흥원 인공지능 학습용 개방 데이터(NIA AI HUB)를 이용한 합성곱 신경망 기반의 국내 주요 밭작물의 분류 연구
김동욱 ( Dong-wook Kim ),장규진 ( Gyujin Jang ),강민석 ( Minseok Gang ),김학진 ( Hak-jin Kim ) 한국농업기계학회 2022 한국농업기계학회 학술발표논문집 Vol.27 No.1
경작지에서 위치별, 시기별로 작물과 재배환경을 측정하고 필요 자재를 선택적으로 투입하는 정밀농업을 실현하기 위해서는 재배 중인 작물의 종류를 파악하는 것이 중요하다. 전국 각 지역의 작물 재배 종류 현황을 파악하는 것은 각 작물의 재배면적을 산출하여 작물의 수확량을 예측할 수 있게 한다. 하지만 인력으로 조사를 시행하는 것은 비용적, 시간적 측면에서 매우 비효율적이다. 농업 분야에서 드론은 비교적 저고도로 비행하며 촬영의 자유도가 높고 자동 비행 기술과 영상처리 소프트웨어의 발전에 힘입어 넓은 면적을 다양한 센서로 촬영하고 영상 데이터를 누적하는 것이 쉬워졌다. 따라서 드론을 통해 대단위 농경지에 대한 정보를 한 번에 획득하고 재배 현황을 파악할 수 있다. 본 연구에서는 한국지능정보사회진흥원에서 제공하는 인공지능 학습용 개방 데이터(NIA AI HUB)를 사용하여 한국의 주요 밭작물을 분류하고자 하였다. NIA AI HUB는 과 학기술정보통신부와 한국지능정보사회진흥원의 지능정보산업인프라 조성 사업의 일환으로 구축되어 다양한 분야에서 영리적, 비영리적 연구와 개발 목적으로 활용될 수 있으며, AI HUB 데이터를 활용한 AI 모델 등의 결과물에 대한 권리와 저작권은 한국지능정보사회진흥원에 있다. 본 연구에서는 무, 배추, 양파, 마늘 등의 주요 밭작물을 대상으로 구축된 드론 기반 고해상도 RGB 영상을 사용하였다. RGB 영상 원천 데이터를 가공하여 작물의 종류와 위치가 픽셀 단위로 표시된 어노테이션 파일을 제작하여 딥러닝용 학습 데이터를 구축하였다. 구축된 작물 분류용 학습 데이터를 사용하여 합성곱 신경망(Convolutional Neural Network) 기반의 의미론적 분할(Semantic Segmentation) 모델을 개발하였다. 의미론적 분할 모델을 통해 픽셀 단위로 작물을 분류함과 동시에 위치를 표시하고 분류 성능을 평가하였다.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
