의사결정트리기법을 이용한 초분광 영상 기반 배나무 화상병 감염 판별 파장대역 선정 = Spectral Band Selection for Fire Blight Infection on Pear Trees with Decision Tree Based on Hyperspectral Imagery

국문 초록 (Abstract)

초분광 영상을 이용하여 화상병 감염주와 비감염주의 파장대역을 상용화되어있는 밴드패스필터 기준으로 평준화한 후 의사결정트리(Decision Tree) 기법을 이용해 화상병 감염 여부를 판단할 수 있는 유의한 파장대역을 선정하고 그 정확도를 평가하였다.
초분광 카메라를 이용하여 배나무 정상 잎과 화상병에 감염된 잎의 초분광 영상을 2017년 5월부터 2018년 7월까지 경기도 안성 지역에서 취득하였다. 취득한 영상은 ENVI 소프트웨어(ENVI 5.3, Exelis Visual Information, USA)를 이용하여 표준반사판으로 광 보정된 잎 영역의 519개의 밴드의 반사율을 추출하였다. 의사결정트리 모델 작성 및 통계분석은 R프로그램(R 3.5.1, USA)을 이용하여 수행하였다. 생성된 변수들의 우선순위에 따라 과적합을 방지하기 위해 불필요한 변수를 제거하는 가지치기(Pruning)를 실시한 후 K-Fold Cross Validation 방법을 이용하여 정확도를 나타내었다. 화상병 예찰에 필요한 영상 센서 개발을 위해 Full Width at Half Maximum (FWHM)을 상용화되어있는 밴드 패스 필터 기준인 5, 10, 25, 50, 80nm로 파장 대역을 평준화하고 의사결정트리를 생성하여 정확도를 분석하였다.
의사결정트리 생성을 위해 화상병 감염 데이터 214개와 정상 데이터 34개의 초분광 영상을 이용하였다. 모든 FWHM 데이터를 사용한 결과 Blue, Red Edge가 유의한 밴드로 나타났으며 정확도는 100%로 완벽히 분류되었으며 FWHM 5nm 경우 Blue, Red, Red Edge, NIR과 97.6%를, FWHM 10nm 경우 Blue, Red, Red Edge, NIR과 97.6%를, FWHM 25nm 경우 Red, Red Edge, NIR과 96.6%를, FWHM 50nm 경우 Blue, Red, Red Edge, NIR과 98.9%를, FWHM 80nm 경우 Blue, Red, Red Edge, NIR에 89.9%를 보였다. 따라서 FWHM 50nm를 활용할 경우 95% 이상의 가장 높은 정확도로 화상병을 분류 할 수 있을 것으로 판단된다.