[논문]합성곱 신경망을 이용한 구글 어스에서의 녹지 비율 측정

윤여수; 김광백; 박현준

doi:10.6109/jkiice.2020.24.3.349

합성곱 신경망을 이용한 구글 어스에서의 녹지 비율 측정
Measurements of Green Space Ratio in Google Earth using Convolutional Neural Network 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.24 no.3, 2020년, pp.349 - 354

윤여수 (Department of Computer Engineering, Cheongju University) , 김광백 (Division of Computer Software Engineering, Silla University) , 박현준 (Division of Software Convergence, Cheongju University)

초록
AI-Helper

녹지 영역의 확충을 위한 사전 조사에는 많은 비용과 시간이 필요하다는 문제가 발생한다. 본 논문에서는 구글 어스를 이용한 합성곱 신경망 기반의 녹지 분류를 통해 특정 지역의 녹지 비율을 측정함으로써 문제를 해결한다. 먼저 제안하는 방법은 구글 어스에서 여러 지역 영상을 수집하고 합성곱 신경망을 이용하여 학습한다. 제안하는 방법은 특정 지역의 녹지 비율을 측정하기 위해서 영상을 재귀적으로 분할하고 학습된 모델을 이용하여 녹지 여부를 판단한 뒤, 녹지로 판단된 영역 면적을 이용하여 녹지 비율을 계산한다. 실험 결과 제안하는 방법은 다양한 지역의 녹지 비율 측정에 높은 성능을 보여주는 것을 확인할 수 있었다.

Abstract ▼ AI-Helper

The preliminary investigation to expand the green space requires a lot of cost and time. In this paper, we solve the problem by measuring the ratio of green space in a specific region through a convolutional neural network based the green space classification using Google Earth images. First, the proposed method collects various region images in Google Earth and learns them by using the convolutional neural network. The proposed method divides the image recursively to measure the green space ratio of the specific region, and it determines whether the divided image is green space using a trained convolutional neural network model, and then the green space ratio is calculated using the regions determined as the green space. Experimental results show that the proposed method shows high performance in measuring green space ratios in various regions.

주제어

표/그림 (6)

그림 Fig. 1 Image divided for getting trained data
그림 Fig. 2 Training data categorization
그림 Fig. 3 Process of the proposed method
그림 Fig. 4 Example of green space determination
그림 Fig. 5 Ground truth of green space
그림 Fig. 6 Comparison of measured green space ratio

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그러므로 본 논문에서는 딥 러닝을 이용한 인식 대상을 토지 피복 전체가 아닌 토지 피복의한 종류인 녹지만으로 한정함으로써 학습 정확도를 높이고 특정 국가를 대상으로 하는 것이 아닌 다양한 지역의 녹지 비율을 정확하게 판단할 수 있도록 한다.
본 논문에서는 합성곱 신경망을 이용하여 특정 지역의 녹지 비율을 측정하는 방법을 제안하였다. 구글 어스애플리케이션을 이용하여 데이터를 수집하고 합성 곱 신경망을 이용하여 학습시켰다.
법제처의 도시공원 및 녹지 등에 관한 법률 제2장 7조에 따르면 녹지를 조성하기 위해서는 해당 지역의 경관 및 방재, 지형과 지질, 소규모 생물 서식 등의 자연적 여건을 조사해야 한다. 하지만 이러한 조사에는 많은 시간과 비용이 들기 때문에 본 논문에서는 쉽고 빠르게 특정 영역의 녹지 비율을 측정하는 방법을 제안한다. 제안하는 방법은 구글 어스(Google Earth) [4] 영상을 이용하여 딥 러닝 학습을 수행하고, 학습된 모델을 기반으로 녹지 비율을 측정한다.

제안 방법

본 실험 및 분석은 다음과 같이 진행하였다. 구글 어스를 이용하여 국내에서는 춘천, 군산, 목포, 서울 등의 영상, 국외에서는 워싱턴, 캔버라, 타이베이 등 여러 도시의 위성 영상을 최대 해상도인 4, 800×2, 649 크기로 저장해서 299×299 크기로 분할한 후 학습 데이터로 수집하여 4개의 범주(녹지, 비녹지, 녹지+도로, 녹지+기타)로 분류하였다. 총 데이터의 개수는 4, 492장이며 각 범주마다 약 1,000장씩 분류해서 넣었다.
녹지 비율을 측정하는 방법을 제안하였다. 구글 어스애플리케이션을 이용하여 데이터를 수집하고 합성 곱 신경망을 이용하여 학습시켰다. 녹지 비율을 측정하고자 하는 지역은 학습된 모델을 이용하여 녹지 여부를 재귀적으로 판단하여 녹지 비율을 측정하였다.
네 개의 범주로 분류된 학습 데이터는 구글(Google) 에서 제안한 Inception-ResNet.v2[7] 합성곱 신경망으로 학습한다. 본 논문에서는 녹지 비율 측정 문제에 있어 학습 속도가 빠르고 영상 학습에 좋은 성능을 보이는 것으로 알려진 Inception-ResNet.
녹지 비율 측정 결과 정확도 평가 실험은 제안하는 방법을 통해 측정된 녹지 비율과 ground truth의 녹지 비율을 비교하는 방법으로 진행하였다.
구글 어스애플리케이션을 이용하여 데이터를 수집하고 합성 곱 신경망을 이용하여 학습시켰다. 녹지 비율을 측정하고자 하는 지역은 학습된 모델을 이용하여 녹지 여부를 재귀적으로 판단하여 녹지 비율을 측정하였다.
따라서 제안하는 방법은 다양한 지역의 녹지를 4개의 범주로 분류하여 학습 데이터를 구축하고, 이를 합성 곱 신경망 모델을 이용하여 학습한다. 학습된 모델을 바탕으로 조사하고자 하는 지역의 녹지 비율을 측정하는 방법을 제시한다[6].
먼저 녹지 비율 측정 결과 값의 정확도를 평가하기 위한 기준(ground truth)을 마련하기 위해 육안으로 다양한 지역의 영상에서 녹지 영역을 흰 색으로 표시하였다.
본 논문에서는 Intel i7-8086K 4.00 GHz CPU, 32GB RAM, GeForce RTX 2080Ti GPU, 11GB VRAM 사양 PC에서 Python, OpenCV 라이브러리와 Keras 딥러닝 프레임워크를 이용하여 제안 방법을 구현하였다.
분할된 영상들은 학습시킨 합성곱 신경망 모델을 사용하여 녹지 여부를 판단하고 녹지 판단 결과에 따른 값으로 녹지 비율 값을 계산한다.
하지만 이러한 조사에는 많은 시간과 비용이 들기 때문에 본 논문에서는 쉽고 빠르게 특정 영역의 녹지 비율을 측정하는 방법을 제안한다. 제안하는 방법은 구글 어스(Google Earth) [4] 영상을 이용하여 딥 러닝 학습을 수행하고, 학습된 모델을 기반으로 녹지 비율을 측정한다.
이때 분할된 영상들은 이미지 크기를 신경망의 학습모델 크기인 299×299 크기로 변경한 후 녹지 여부를 판단하였다. 제안하는 방법은 이와 같은 과정을 최대 4 번 반복하여 녹지 여부를 판단하였다. 반복 과정을 3번 이하로 했을 때는 정확한 결과 값이 도출되지 않았고, 5 번 이상 반복하였을 경우에는 영상의 해상도가 너무 낮아져 녹지가 제대로 판단이 되지 않을 뿐더러 녹지 비율측정 결과에 영향이 미미하기 때문이다[11].
제안하는 방법은 합성곱 신경망을 이용해 분할된 각 영상의 녹지 여부를 판단한다.
판단 결과가 녹지와 비녹지에 해당하는 경우 더 이상 해당 영상은 판단할 필요가 없으나, 반 녹지의 경우에는 영상에서 일부분은 녹지, 일부분은 비녹지에 해당하므로 영상을 4분할하여 재귀적으로 녹지 여부를 판단한다. 이때 분할된 영상들은 이미지 크기를 신경망의 학습모델 크기인 299×299 크기로 변경한 후 녹지 여부를 판단하였다.

대상 데이터

그림 1은 영상을 분할 한 예시를 보여준다. 본 논문에서는 신경망 모델의 입력 크기인 299×299로 영역을 분할하였다. 흰 선으로 구분된 작은 사각형 영상들은 학습 데이터로 사용되었으며, 분할했을 때 크기가 맞지 않는 나머지 영상들은 데이터로 사용하지 않았다.
본 논문에서는 접근성과 사용성이 좋은 구글 어스 애플리케이션의 위성영상을 데이터로 수집하였다. 이 때각 국가 혹은 지역마다 토지의 모양과 특성이 다르므로 국내외 여러 지역의 데이터를 수집해야 한다.
구글 어스를 이용하여 국내에서는 춘천, 군산, 목포, 서울 등의 영상, 국외에서는 워싱턴, 캔버라, 타이베이 등 여러 도시의 위성 영상을 최대 해상도인 4, 800×2, 649 크기로 저장해서 299×299 크기로 분할한 후 학습 데이터로 수집하여 4개의 범주(녹지, 비녹지, 녹지+도로, 녹지+기타)로 분류하였다. 총 데이터의 개수는 4, 492장이며 각 범주마다 약 1,000장씩 분류해서 넣었다. 이때 800장은 학습 데이터로, 200장은 검증 데이터로 다시 나누었다.
학습 데이터 수집 방법은 다음과 같다. 특정 지역의 상공 1에서의 영상을 최대 해상도로 저장하고, 저장된 영상을 일정한 크기로 분할하여 학습 데이터로 수집한다. 그림 1은 영상을 분할 한 예시를 보여준다.

이론/모형

옵티마이저(optimizer)로는 경사하강법 알고리즘 중 하나인 RMSProp[10]를 사용하여 전체적인 파라미터값을 최적화한다. 본 논문에서는 RMSProp의 학습률을 0.
학습을 통해 얻은 데이터의 추정치와 실제 데이터와의 차이를 평가해주는 손실함수로는 categorical cross entropy[9]를 사용한다. 이는 다중 클래스를 분류하는데 주로 사용되는 손실함수이다.

성능/효과

결과적으로는 본 논문에서 제안한 방식에 따라 합성 곱 신경망을 이용한 데이터 학습을 통해 간단한 녹지 비율을 계산함으로써, 녹지를 조사하는데 드는 비용, 시간 등을 단축할 수 있다고 판단된다.
v2[7] 합성곱 신경망으로 학습한다. 본 논문에서는 녹지 비율 측정 문제에 있어 학습 속도가 빠르고 영상 학습에 좋은 성능을 보이는 것으로 알려진 Inception-ResNet.v2 신경망 모델이 적합하다고 판단하였다[8].
실험 결과, 녹지 위주로 이루어진 영상들의 녹지 비율 값은 ground truth와 비슷한 값을 나타내었으나, 녹지와 여러 건물이 섞인 영상에서 측정한 녹지 비율 값은 상대적으로 큰 오차를 보였다. 이는 학습 데이터의 양을 증가시키고, 범주를 다양화 하는 방법을 통해 개선할 수 있을 것으로 보인다.
측정된 녹지 비율의 평균 오차는 5.34%이고, 제안하는 방법이 유의미한 결과를 도출한다고 할 수 있다.

후속연구

따라서 학습데이터를 분류할 때 반녹지와 비녹지 영역의 범주를 더 다양하게 하고, 학습 데이터의 양을 증가시킨다면 모델의 정확도가 증가하여 오차를 줄일 수 있을 것으로 기대된다.
향후에는 구글 어스 영상뿐만 아니라 Sentinel-2 위성에서 찍은 영상을 사용하여 구축된 토지 피복 지도인 EuroSAT[12] 데이터를 사용하여 더 정확한 녹지 비율을 측정할 수 있을 것이다.

참고문헌 (12)

Korean Legislation. Enforcement Decree of the City Parks and Green Spaces, etc. [Internet]. Available : http://law.go.kr/.
W. M. Lee, S. Y. Seo, and K. H. Lee, "The Influence of Urban Environment on the Happiness Level of the Residents: Focused on 25 Boroughs(gu) in Seoul," Journal of the Korea Academia-Industrialcooperation Society, vol. 17, no. 2, pp. 351-360, 2016.

원문보기 상세보기
J. G. Cha, E. H. Jung, J. W. Ryu, and D. W. Kim, "Constructing a Green Network and Wind Corridor to Alleviate the Urban Heat-Island," Journal of the Korean Association of Geographic Information Studies, vol. 10, no. 1, pp. 102-112, 2007.
Google Earth [Internet]. Available : https://www.google.com/intl/ko/earth/.
W. H. Jo, Y. H. Lim, and K. H. Park, "Deep learning based Land Cover Classification Using Convolutional Neural Network: a case study of Korea," Journal of the Korean Geographical Society, vol. 54, no. 1, pp. 1-16, 2019.
Y. S. Youn, H. Y. Song, and H. J. Park, "Measurements of Green Space Ratio in Google Earth using Convolution Neural Network," Journal of the Korea Institute of Information and Communication Engineering, vol. 23, no. 2, pp. 347-350, 2019.
C. Szegedy, S. Ioffe, V. Vanhoucke, and A. A. Alemi, "Inception-v4, inception-resnet and the impact of residual connections on learning," in Thirty-First AAAI Conference on Artificial Intelligence, San Francisco, pp. 4278-4284, 2017.
J. H. Park, K. B. Hwang, H. M. Park, and Y. K. Choi, "Application of CNN for Fish Species Classification," Journal of the Korea Institute of Information and Communication Engineering, vol. 23, no. 1, pp. 39-46, 2019.

원문보기 상세보기
R. Gomez, "Understanding Categorical Cross-Entropy Loss, Binary Cross-Entropy Loss, Softmax Loss, Logistic Loss, Focal Loss and all those confusing names," 2018. [Internet]. Available : https://gombru.github.io/2018/05/23/cross_entropy_loss.
T. Tieleman, and G. Hinton, "RMSprop gradient optimization," 2014. [Internet]. Available : http://www.cs.toronto.edu/tijmen/csc321/slides/lecture_slid es_lec6.pdf.
D. J. Kim, and P. L. Manjusha, "Building Detection in High Resolution Remotely Sensed Images based on Automatic Histogram-Based Fuzzy C-Means Algorithm," Asia-pacific Journal of Convergent Research Interchange, vol. 3, no. 1, pp. 57-62, Mar. 2017.
P. Helber, B. Bischke, A. Dengel, and D. Borth, "Eurosat: A novel dataset and deep learning benchmark for land use and land cover classification," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 12, no. 7, pp. 2217-2226, 2019.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증