[논문]드론과 HD 카메라를 이용한 수심측량시 잘피에 의한 오차제거 알고리즘

김경엽; 최군환; 안경모

doi:10.9765/kscoe.2020.32.6.553

드론과 HD 카메라를 이용한 수심측량시 잘피에 의한 오차제거 알고리즘
Correction Algorithm of Errors by Seagrasses in Coastal Bathymetry Surveying Using Drone and HD Camera 원문보기

한국해안·해양공학회논문집 = Journal of Korean Society of Coastal and Ocean Engineers, v.32 no.6, 2020년, pp.553 - 560

김경엽 (한동대학교 공간설계공학과 대학원) , 최군환 (한동대학교 부유식해상풍력발전연구소) , 안경모 (한동대학교 공간환경시스템공학부)

초록
AI-Helper

드론 항공사진을 L∗a∗b 색공간으로 변환하고 항공사진에서 잘피가 나타난 영역을 분할 및 보정하여 드론 항공사진을 이용한 수심측량의 정확도를 향상시켰다. 드론을 이용한 수심측량은 음향측심기와 같은 보편적으로 통용되던 방식에 비해 저비용으로 빠른 시간에 수심자료를 얻을 수 있다. 그러나 수심측량 대상 해역에 잘피가 서식할 경우 해저면의 반사 특성이 일정하지 않아 드론을 이용한 수심측량시 오차가 발생한다. 우리나라에 서식하는 잘피를 비롯한 해조류는 수온이 낮아지기 시작하는 11월부터 자라기 시작하여 1~4월에 최대 밀도를 형성한다. 따라서 해당 시기의 드론 항공사진을 그대로 사용할 경우 수심측량의 정확도가 낮아지며, 이는 드론을 이용한 수심측량방식을 상용화하는데 극복해야 할 단점이다. 본 연구에서는 경북 월포해수욕장에서 드론으로 촬영한 고해상도 카메라 이미지를 분석하여 오차 발생해역을 구분하고 보정하는 알고리즘을 개발하였다. 또한, 보정한 드론 항공 사진으로 천해 수심 추정을 수행하여 알고리즘을 검증하였다. 잘피로 인한 오차 보정 알고리즘 적용 전 수심 5 m 이내의 200 m × 300 m 해역에서 발생하는 오차 표준편차의 1.5배를 넘는 오차 이상값 비율은 전체 이미지의 8.6%를 차지하였다. 오차 보정 알고리즘을 적용한 결과 오차 이상값의 92%가 제거되었으며, 평균제곱근오차(RMSE)는 33% 감소하였다.

Abstract ▼ AI-Helper

This paper presents an algorithm for identifying and eliminating errors by seagrasses in coastal bathymetry surveying using drone and HD camera. Survey errors due to seagrasses were identified, segmentated and eliminated using a L∗a∗b color space model. Bathymetry survey using a drone and HD camera has many advantages over conventional survey methods such as ship-board acoustic sounder or manual level survey which are time consuming and expensive. However, errors caused by sea bed reflectance due to seagrasses habitat hamper the development of new surveying tool. Seagrasses are the flowering plants which start to grow in November and flourish to maximum density until April in Korea. We developed a new algorithm for identifying seagrasses habitat locations and eliminating errors due to seagrasses to get the accurate depth survey data. We tested our algorithm at Wolpo beach. Bathymetry survey data which were obtained using a drone with HD camera and calibrated to eliminate errors due to seagrasses, were compared with depth survey data obtained using ship-board multi-beam acoustic sounder. The abnormal bathymetry data which are defined as the excess of 1.5 times of a standard deviation of random errors, are composed of 8.6% of the test site of area of 200 m by 300 m. By applying the developed algorithm, 92% of abnnormal bathymetry data were successfully eliminated and 33% of RMS errors were reduced.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 드론 촬영 이미지에서 수심측량의 정확도를 낮추는 잘피와 같은 해조류를 드론 항공사진에서 구분하고 보정함으로써 수심추정의 정확도를 높이고자 하였다. 일반적으로 해양환경에서 식생과 해저질을 파악하는데 다분광 영상을 사용한다(Taddia et al.
10의 검은 사선으로 표현된 영역은 수심이 5m와 6m 이상의 바다 영역을 나타내며, 그림에서 볼 수 있듯이 수심이 5m 이상일 경우 가시광선의 대부분이 흡수됨으로 인해 오차가 발생됨을 알 수 있다. 본 연구에서 HD 이미지를 이용한 수심 추정 시 수심 5m 이하인 경우 잘피에 의한 수심추정의 정확성을 확보하는 것이 목적이므로 수심 5m 이하의 바다를 대상으로 분석하였다. 수심 5m 이내의 해역에서 발생하는 오차 이상치 비율은 전체 이미지의 8.
, 2020). 본 연구에서는 고비용 위성 자료의 다분광 영상과 드론용 다분광 센서 영상을 사용하지 않고 필요한 시점과 장소에서 수심측량이 가능한 드론에 의한 HD 카메라 영상 기반의 알고리즘을 구축하였다.
특히 해저에 해초 서식지가 존재할 경우 심각한 오차가 발생한다. 본 연구의 목표는 오차발생해역을 구분 및 보정하는 것이다. 이에 따른 보정 전후의 결과 비교를 위해 수심추정식을 작성하기 때문에, 추정과정에서 물리적 특성이 나타나지 않는 인공신경망 추정방식을 사용하지 않았다.

제안 방법

GIS 소프트웨어인 QGIS를 이용하여 음향측심 자료와 드론 항공사진을 지오레퍼런싱(Georeferencing)하였다. 음향측심 자료를 종속변수로 사용하여 다변수 선형 회귀분석을 통해 수심추정식을 도출하였다.
분석하였다(Murali and Govindan, 2013). RGB 밴드로 구성된 드론 촬영 이미지를 CIE L*a*b 색공간 이미지로 변환, 드론 항공사진에서 빛의 휘도를 나타내는 L 밴드 픽셀 값을 이용한 임계처리를 통해 수심 측량의 정확도를 낮추는 오차 발생해역을 분할 및 보정하였다. 보정 전후의 결과를 비교하기 위한 수심측량 방식으로는 다변수 선형회귀분석법을 활용하였다.
수심추정을 수행하였다. 드론 항공사진에서 L*a*b 색공간 기반의 영상분석을 통해 잘피가 나타난 영역을 분할 및 보정하였다. 해저면에 서식하는 잘피는 빛을 흡수하여 드론을 이용한 수심측량의 정확도를 낮춘다.
먼저 드론 항공사진을 L*a*b 색공간 모델 이미지로 변환한다. 변환된 L*a*b 이미지로부터 휘도를 나타내는 L 밴드 이미지를 추출하여 광원과 수심에 따른 경향성을 제거한 후 인페인팅(inpainting) 기법을 사용하여 이미지를 복원하고 수심을 추정한다. Fig.
수심추정식을 바탕으로, 원본 드론 항공사진과 보정된 드론 항공사진을 대상으로 수심을 추정하고 결과를 비교하였다. Fig.
오차 발생해역 보정 알고리즘의 유효성을 검증을 위해서 경북 포항 월포해수욕장의 잘피 서식지를 중심으로 수심 추정을 진행하였다. GIS 소프트웨어인 QGIS를 이용하여 음향측심 자료와 드론 항공사진을 지오레퍼런싱(Georeferencing)하였다.
7의 오른쪽 그림은 Otsu 임계처리 결과에서 모폴로지(morphology) 연산을 통해 분할된 파랑과 잔물결을 제거하여 잘피 위치만을 표기하였다. 오차 발생해역 잘피의 이진분류 결과를 바탕으로, 이미지 복원 기법을 적용하여 Fig. 8의 오른쪽 그림과 같이 잘피에 의한 오차발생해역을 보정한 드론 이미지를 생성하였다.
GIS 소프트웨어인 QGIS를 이용하여 음향측심 자료와 드론 항공사진을 지오레퍼런싱(Georeferencing)하였다. 음향측심 자료를 종속변수로 사용하여 다변수 선형 회귀분석을 통해 수심추정식을 도출하였다. 회귀분석 결과의 정확도를 높이기 위해 다중공선성(multicolinearity)을 고려하여 독립적인 적색, 녹색, 청색 밴드의 이미지 값만을 독립변수로 사용하였다.
음향측심기의 수심추정 시에도 해저에 잘피가 존재할 경우 오차가 발생하며 음향측심기의 잘피에 의한 오차에 대한 자료가 없기 때문에 여기서 표현된 오차는 절대오차가 아니라 음향측심기와 비교한 상대오차라고 판단된다. 표준편차의 1.5배를 넘는 오차 이상치를 비교하였다. Fig.
음향측심 자료를 종속변수로 사용하여 다변수 선형 회귀분석을 통해 수심추정식을 도출하였다. 회귀분석 결과의 정확도를 높이기 위해 다중공선성(multicolinearity)을 고려하여 독립적인 적색, 녹색, 청색 밴드의 이미지 값만을 독립변수로 사용하였다. 변수에 따른 수심추정식의 계수는 Table 1과 같다.
(2019)은 드론과 HD 카메라를 이용한 수심측량에서 해저질과 잘피 서식지로 인해 달라지는 해저면의 반사 특성이 심각한 오차를 발생시켰다고 보고하였다. 휘도를 나타내는 L 밴드의 특성을 기반으로 반사특성을 파악하고 오차발생해역을 구분 및 보정하여 드론과 HD 카메라를 이용한 수심측량방식의 정확도를 높였다.

대상 데이터

경북 포항 월포해수욕장에서 드론에 장착된 HD 카메라를 이용하여 수심추정을 수행하였다. 드론 항공사진에서 L*a*b 색공간 기반의 영상분석을 통해 잘피가 나타난 영역을 분할 및 보정하였다.

데이터처리

L*a*b 색공간에서명도를 나타내는 L 밴드를 활용하여 잘피를 분류하였다. 분류된 결과를 바탕으로 드론 항공사진을 보정하고 다중 회귀분석을 통해서 수심을 추정하였다. 드론 항공사진에 의한 수심측량 시 수심 5m 보다 깊어질 경우, 수심에 의해 RGB 밴드가 대부분 흡수됨으로 인해 오차가 발생한다.

이론/모형

6의 왼쪽 그림은 분석해역의 L 밴드 이미지이며, 오른쪽 그림은 광원의 위치로부터의 거리와 수심이 깊어짐으로 나타나는 L 밴드의 경향성을 제거한 이미지이다. L 밴드의 경향성이 제거된 이미지로부터 Otsu 임계처리 알고리즘을 사용하여 오차 발생해역을 구분한다. Otsu 임계처리 알고리즘은 입력 영상의 히스토그램으로부터 통계적으로 가장 적절한 임계 값을 자동으로 결정한다(Otsu, 1979).
드론과 HD 카메라를 이용한 수심 측량은 비어-람버트 법칙(Beer- Lambert Law)을 바탕으로 수심추정식을 도출한다. 비어-람버트 법칙은 빛이 매질을 통과할 때, 산란하여 흡수됨에 따라서 세기가 약해지는 것을 말한다.
, 2016)은 드론과 HD 카메라를 이용하여 적은 비용으로도 빠르게 원하는 시기의 연안 수심 자료를취륵할 수 있는 방법을 제시한 바 있다. 드론과 HD 카메라를 이용한 수심측량은 빛이 물을 통과하면서 감쇠되는 비어-람버트 법칙(Beer-Lambert Law)을 이론적 토대로 한다. Ahn 등(2016)은 경북 포항 월포해수욕장에서 촬영한 드론 항공사진의 적색 밴드 이미지를 활용하여 드론과 HD 카메라를 이용한 수심 측량의 가능성을 제시하였다.
RGB 밴드로 구성된 드론 촬영 이미지를 CIE L*a*b 색공간 이미지로 변환, 드론 항공사진에서 빛의 휘도를 나타내는 L 밴드 픽셀 값을 이용한 임계처리를 통해 수심 측량의 정확도를 낮추는 오차 발생해역을 분할 및 보정하였다. 보정 전후의 결과를 비교하기 위한 수심측량 방식으로는 다변수 선형회귀분석법을 활용하였다.
식생과 해저질을 파악하고 드론 항공 이미지로부터 오차 발생해역을 구분 및 보정하기 위해 CIE(Commission Internationale de l'Eclairage) L*a*b 색공간 모델을 기반으로 드론 항공사진을 분석하였다(Murali and Govindan, 2013). RGB 밴드로 구성된 드론 촬영 이미지를 CIE L*a*b 색공간 이미지로 변환, 드론 항공사진에서 빛의 휘도를 나타내는 L 밴드 픽셀 값을 이용한 임계처리를 통해 수심 측량의 정확도를 낮추는 오차 발생해역을 분할 및 보정하였다.
주변보다 어둡게 보이는 오차 발생해역의 경우, 빛을 흡수하는 잘피의 특성으로 인해서 인근 해역보다 L 밴드 픽셀 값이 낮고 실제 수심보다 깊게 추정되는 것을 확인할 수 있다. 오차 발생해역의 L 밴드 픽셀 값이 주변보다 낮은 특성을 기반으로 Otsu 임계처리 알고리즘(Otsu, 1979)을 통해서 드론 이미지로부터 오차 발생해역을 구분하였다. Otsu 임계처리 알고리즘은 비모수 (nonparametric)와 무감독분류(unsupervised) 방법으로 경계가 모호한 부분의 경계를 확정하는 알고리즘으로 잘피와 주변 모래를 구분하기 위하여 사용하였다.

성능/효과

전체 해역의 넓이 대비 오차 발생해역의 넓이를 고려할 때,높은 수준의 정확도 향상을 확인하였다. 또한 표준편차 1.5 배를 넘는 오차 이상치의 92%를 제거하는 것을 확인하며 알고리즘의 유효성을 검증할 수 있었다.
386m 로 나타났다. 보정 후 최대 오차는 1.17m, 평균제곱근오차 (RMSE)는 0.259m로 나타났다.
6%로 나타났다. 보정을 통해서 92% 이상 오차를 제거하였고, 제곱평균제곱근오차는 33% 감소하였다. 전체 항공사진 대비 잘피 면적의 비율을 고려할 때, 정확도가 크게 향상되었음을 확인하였다.
드론 항공사진에 의한 수심측량 시 수심 5m 보다 깊어질 경우, 수심에 의해 RGB 밴드가 대부분 흡수됨으로 인해 오차가 발생한다. 본 수심 추정에서는 수심 5m 이내에 적용하였으며, 보정 전의 최대오차는 3.01m, 제곱평균제곱근오차는 0.386m, 보정 후의 최대오차는 1.17m, 제곱평균제곱근오차는 0.259m로 나타났다. 오차 표준편차의 1.
259m로 나타났다. 오차 표준편차의 1.5배를 넘는 오차 이상 값의 비율은 전체 이미지에서 8.6%로 나타났다. 보정을 통해서 92% 이상 오차를 제거하였고, 제곱평균제곱근오차는 33% 감소하였다.
보정을 통해서 92% 이상 오차를 제거하였고, 제곱평균제곱근오차는 33% 감소하였다. 전체 항공사진 대비 잘피 면적의 비율을 고려할 때, 정확도가 크게 향상되었음을 확인하였다.
전체 해역의 넓이 대비 오차 발생해역의 넓이를 고려할 때,높은 수준의 정확도 향상을 확인하였다. 또한 표준편차 1.

후속연구

절대적인 광량의 차이가 발생한다. 광량 센서를 부착하여 시기에 따른 절대적인 광량을 보정하면 드론과 HD 카메라를 이용한 수심측량의 유용성과 정확성을 확대 활용할 수 있을 것으로 기대된다. 더 나아가, 해양환경을 위한 연안 생태계 유지에 잘피 서식지가 중요한 역할을 하는 만큼, 본 연구의 결과를 잘피 서식지 모니터링에도 활용할 수 있을 것이다.
광량 센서를 부착하여 시기에 따른 절대적인 광량을 보정하면 드론과 HD 카메라를 이용한 수심측량의 유용성과 정확성을 확대 활용할 수 있을 것으로 기대된다. 더 나아가, 해양환경을 위한 연안 생태계 유지에 잘피 서식지가 중요한 역할을 하는 만큼, 본 연구의 결과를 잘피 서식지 모니터링에도 활용할 수 있을 것이다.

참고문헌 (10)

Ahn, K., Park, J. and Oh, C.Y. (2016). Estimation of shallow water depth using drone and HD camera. Proc. of the Conference of Korea Society of Coastal and Ocean Engineering, Busan, Korea (in Korean).
Ahn, K., Oh, C.Y., Park, Y.S. and Park, S.W. (2019). Passive Remote Sensing Using Drone and HD Camera for Mapping Surf Zone Bathymetry. Proceedings of the International Conference on Asian and Pacific Coastas, 487-497. Springer, Singapore.
Bhookya, N.N., Malmathanraj, R. and Palanisamy, P. (2020). Yield Estimation of Chilli Crop using Image Processing Techniques. In 6th International Conference on Advanced Computing and Communication Systems (ICACCS), 200-204. IEEE.
Hu, L., Bai, X., Yang, A., Zhang, K., Zhang, C. and Liu, B. (2020). Crop extraction based on ultra-simple neural network modeling in the normalized RGB and CIE L * a * b color spaces. In MIPPR 2019: Pattern Recognition and Computer Vision, 11430, 114301V, International Society for Optics and Photonics.
Lyzenga, D.R., Malinas, N.P. and Tanis, F.J. (2006). Multispectral bathymetry using a simple physically based algorithm. IEEE Transactions on Geoscience and Remote Sensing, 44(8), 2251-2259.

상세보기
Murali, S. and Govindan, V.K. (2013). Shadow detection and removal from a single image using L * a * b color space. Cybernetics and information technologies, 13(1), 95-103.

상세보기
Oh, C.Y., Ahn, K., Park, J. and Park, S.W. (2017). Coastal shallowwater bathymetry survey through a drone and optical remote sensors. Journal of Korean Society of Coastal and Ocean Engineers, 29(3), 162-168 (in Korean).

원문보기 상세보기
Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1), 62-66.

상세보기
Taddia, Y., Russo, P., Lovo, S. and Pellegrinelli, A. (2020). Multispectral UAV monitoring of submerged seaweed in shallow water. Applied Geomatics, 12(1), 19-34.

상세보기
Yi, J.-H., Ryu, K.-H., Shin, C., Baek, W.-D. and Jeong, W.M. (2016). Bathymetry estimation using aerial imagery for shallow water region. Journal of The Korean Society of Hazard Mitigation, 16(5), 351-358 (in Korean).

원문보기 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