최근 시설재배는 재배 환경 조절이 가능하고, 연중생산, 고부가 가치 작물 생산, 품질향상, 조기출하 등으로 인해 농가의 소득 증대로 이어지고 있어 2013년 기준 61,416ha로 그 재배면적이 늘어나고 있는 추세이다. 시설재배는 환경제어, 양액 제어, 조명 제어 등 다양한 제어기술들을 필요로 한다. 환경제어, 양액제어는 많은 연구가 수행되어 왔지만 방제 작업의 무인화를 위한 질병 조기진단 기술은 미흡하며 국내연구는 전무한 실정이다. 본 연구의 목적은 방제 작업의 무인화를 위해 ...
최근 시설재배는 재배 환경 조절이 가능하고, 연중생산, 고부가 가치 작물 생산, 품질향상, 조기출하 등으로 인해 농가의 소득 증대로 이어지고 있어 2013년 기준 61,416ha로 그 재배면적이 늘어나고 있는 추세이다. 시설재배는 환경제어, 양액 제어, 조명 제어 등 다양한 제어기술들을 필요로 한다. 환경제어, 양액제어는 많은 연구가 수행되어 왔지만 방제 작업의 무인화를 위한 질병 조기진단 기술은 미흡하며 국내연구는 전무한 실정이다. 본 연구의 목적은 방제 작업의 무인화를 위해 디지털 영상처리를 통해 시설재배 작물에 발생하는 질병의 조기 진단 기술을 개발하기 위하여 수행되었으며, 대상작물은 오이이고, 대상 질병은 오이에 흔히 발병되면서 감염 확산 속도가 빠른 흰가루병이었다. 오이 흰가루병에 감염된 잎의 영상은 고해상도 디지털 카메라를 사용하여 JPEG형식으로 저장하였다. 정규화의 효과를 알아보기 위해 원 영상, 평균값 정규화 영상(픽셀 평균값을 이용한 정규화), 인덱스 정규화 영상(인덱스를 이용한 정규화) 세 경우로 나누고, 각 영상을 빨강(R), 녹색(G), 파랑(B), 색상(H), 채도(S), 명도(I) 구성요소 부호화 기술을 사용하여 오이 잎 영상을 분리하였다. 분리된 영상은 비교할 수 있는 패턴 형성을 위하여 각 구성요소의 히스토그램과 픽셀값 확인에 사용되었다. 영상을 이용한 오이의 흰가루병 진단 성능은 각 영상에서 흰가루병에 걸린 면적을 계산하여 흰가루병 진단의 정확도와 발병도로서 나타내었다. 먼저, 문턱치(threshold) 설정방법을 이용한 이진화 영상의 효과를 알아보기 위해 각 구성요소 영상은 시행착오 방법, Otsu 방법과 ISODATA 방법을 이용해 구성요소 이진화 영상을 생성하고, 이진화된 영상에서 흰가루병의 감염 정도는 감염면적을 기준으로 판단하였다. 분석 결과, 시행착오 방법으로 생성된 이진화 영상은 흰가루병 검출이 잘 되는 것으로 나타났으나 매번 문턱치 설정을 달리해 줘야 함으로 실용성이 없다 판단되고, Otsu 방법보다는 bin=2인 ISODATA 방법으로 생성된 이진화 영상에서 흰가루병 검출이 잘 되는 것으로 나타났다. 사용한 영상에 따라 차이는 있었지만 대체적으로 원 영상과 평균값 정규화 영상은 R, G, B, I에서, 인덱스 평균값 정규화 영상은 R, B, S, I에서 각각 흰가루병 검출효과가 우수하였다. 이진화 효과를 높이기 위하여 이진화 효과가 우수한 ISODATA 이진화 영상 중에서 흰가루병이 잘 검출된 구성요소 이진화 영상들의 배열곱셈을 통해 이진화 영상을 재구성시켰다. 세 영상에서 흰가루병 검출 효과가 우수한 이진화 영상들과 배열곱셈을 통한 재구성한 이진화 영상을 비교한 경우, 배열곱셈 통한 이진화 영상에서 흰가루병 검출이 가장 적게 확인되었고, 실제 감염면적 1을 기준으로 원 영상은 0.68~1.03배, 평균 정규화는 1.36~2.21배, 인덱스 정규화는 2.26~6.0배의 면적을 산출해 냈다. 이러한 결과는 영상처리의 특성상 진행 중인 흰가루병, 흰가루병의 흔적, 다른 질병으로 인한 변색, 온실가루이 등을 구별이 어렵기 때문으로 판단된다. 필터 효과를 분석하기 위하여 우수한 정규화 영상의 4가지 구성요소로 재구성한 이진화 영상에 다양한 연산(중간값 필터링, 팽창, 오픈)을 사용하여 흰가루병 검출성능을 평가하기 위해 계산된 감염면적을 비교하였다. 실제 감염면적을 1로 보았을 때, 중간값 필터링 연산은 0.835~ 1.002로 평균 0.954이고, 오픈 연산은 0.683~ 0.972로 평균 0.889이며, 팽창 연산은 1.180~ 1.922로 평균 1.433이였다. 이 결과를 통해 중간값 필터링 연산이 이진화 영상의 왜곡이 덜하고, 노이즈 제거에 효과가 크다고 판단되었다. 원 영상에는 오이 잎은 진행 중인 흰가루병 외에 방제 후에 남은 흰가루병의 흔적, 다른 질병으로 인한 변색, 온실가루이 등의 해충 등 흰가루병으로 오인할만한 요소들이 공존하고 있기 때문에 문턱치 만을 이용한 이진화 영상에서는 정확한 구별이 어려웠다. 또한, 원 영상에 비해서 정규화를 한 영상이 빛에 의해 생성되는 밝은 정도와 그늘에 의해 생성되는 어두운 정도를 줄여주는 효과가 있지만 빛 반사에 의한 영향을 완벽히 처리할 수 있는 방법으로 사용될 수는 없어 빛 반사 영향을 최소화할 수 있는 영상획득과 영상처리기술 개발이 필요하다고 판단되었다.
최근 시설재배는 재배 환경 조절이 가능하고, 연중생산, 고부가 가치 작물 생산, 품질향상, 조기출하 등으로 인해 농가의 소득 증대로 이어지고 있어 2013년 기준 61,416ha로 그 재배면적이 늘어나고 있는 추세이다. 시설재배는 환경제어, 양액 제어, 조명 제어 등 다양한 제어기술들을 필요로 한다. 환경제어, 양액제어는 많은 연구가 수행되어 왔지만 방제 작업의 무인화를 위한 질병 조기진단 기술은 미흡하며 국내연구는 전무한 실정이다. 본 연구의 목적은 방제 작업의 무인화를 위해 디지털 영상처리를 통해 시설재배 작물에 발생하는 질병의 조기 진단 기술을 개발하기 위하여 수행되었으며, 대상작물은 오이이고, 대상 질병은 오이에 흔히 발병되면서 감염 확산 속도가 빠른 흰가루병이었다. 오이 흰가루병에 감염된 잎의 영상은 고해상도 디지털 카메라를 사용하여 JPEG형식으로 저장하였다. 정규화의 효과를 알아보기 위해 원 영상, 평균값 정규화 영상(픽셀 평균값을 이용한 정규화), 인덱스 정규화 영상(인덱스를 이용한 정규화) 세 경우로 나누고, 각 영상을 빨강(R), 녹색(G), 파랑(B), 색상(H), 채도(S), 명도(I) 구성요소 부호화 기술을 사용하여 오이 잎 영상을 분리하였다. 분리된 영상은 비교할 수 있는 패턴 형성을 위하여 각 구성요소의 히스토그램과 픽셀값 확인에 사용되었다. 영상을 이용한 오이의 흰가루병 진단 성능은 각 영상에서 흰가루병에 걸린 면적을 계산하여 흰가루병 진단의 정확도와 발병도로서 나타내었다. 먼저, 문턱치(threshold) 설정방법을 이용한 이진화 영상의 효과를 알아보기 위해 각 구성요소 영상은 시행착오 방법, Otsu 방법과 ISODATA 방법을 이용해 구성요소 이진화 영상을 생성하고, 이진화된 영상에서 흰가루병의 감염 정도는 감염면적을 기준으로 판단하였다. 분석 결과, 시행착오 방법으로 생성된 이진화 영상은 흰가루병 검출이 잘 되는 것으로 나타났으나 매번 문턱치 설정을 달리해 줘야 함으로 실용성이 없다 판단되고, Otsu 방법보다는 bin=2인 ISODATA 방법으로 생성된 이진화 영상에서 흰가루병 검출이 잘 되는 것으로 나타났다. 사용한 영상에 따라 차이는 있었지만 대체적으로 원 영상과 평균값 정규화 영상은 R, G, B, I에서, 인덱스 평균값 정규화 영상은 R, B, S, I에서 각각 흰가루병 검출효과가 우수하였다. 이진화 효과를 높이기 위하여 이진화 효과가 우수한 ISODATA 이진화 영상 중에서 흰가루병이 잘 검출된 구성요소 이진화 영상들의 배열곱셈을 통해 이진화 영상을 재구성시켰다. 세 영상에서 흰가루병 검출 효과가 우수한 이진화 영상들과 배열곱셈을 통한 재구성한 이진화 영상을 비교한 경우, 배열곱셈 통한 이진화 영상에서 흰가루병 검출이 가장 적게 확인되었고, 실제 감염면적 1을 기준으로 원 영상은 0.68~1.03배, 평균 정규화는 1.36~2.21배, 인덱스 정규화는 2.26~6.0배의 면적을 산출해 냈다. 이러한 결과는 영상처리의 특성상 진행 중인 흰가루병, 흰가루병의 흔적, 다른 질병으로 인한 변색, 온실가루이 등을 구별이 어렵기 때문으로 판단된다. 필터 효과를 분석하기 위하여 우수한 정규화 영상의 4가지 구성요소로 재구성한 이진화 영상에 다양한 연산(중간값 필터링, 팽창, 오픈)을 사용하여 흰가루병 검출성능을 평가하기 위해 계산된 감염면적을 비교하였다. 실제 감염면적을 1로 보았을 때, 중간값 필터링 연산은 0.835~ 1.002로 평균 0.954이고, 오픈 연산은 0.683~ 0.972로 평균 0.889이며, 팽창 연산은 1.180~ 1.922로 평균 1.433이였다. 이 결과를 통해 중간값 필터링 연산이 이진화 영상의 왜곡이 덜하고, 노이즈 제거에 효과가 크다고 판단되었다. 원 영상에는 오이 잎은 진행 중인 흰가루병 외에 방제 후에 남은 흰가루병의 흔적, 다른 질병으로 인한 변색, 온실가루이 등의 해충 등 흰가루병으로 오인할만한 요소들이 공존하고 있기 때문에 문턱치 만을 이용한 이진화 영상에서는 정확한 구별이 어려웠다. 또한, 원 영상에 비해서 정규화를 한 영상이 빛에 의해 생성되는 밝은 정도와 그늘에 의해 생성되는 어두운 정도를 줄여주는 효과가 있지만 빛 반사에 의한 영향을 완벽히 처리할 수 있는 방법으로 사용될 수는 없어 빛 반사 영향을 최소화할 수 있는 영상획득과 영상처리기술 개발이 필요하다고 판단되었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.