[논문]YOLO 신경망 기반의 UAV 영상을 이용한 건물 객체 탐지 분석

김준석; 홍일영

doi:10.7848/ksgpc.2021.39.6.381

[국내논문] YOLO 신경망 기반의 UAV 영상을 이용한 건물 객체 탐지 분석
Analysis of Building Object Detection Based on the YOLO Neural Network Using UAV Images 원문보기

한국측량학회지 = Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, v.39 no.6, 2021년, pp.381 - 392

김준석 (Department of Spatial Information Engineering, Namseoul University) , 홍일영 (Department of Spatial Information Engineering, Namseoul University)

초록
AI-Helper

본 연구에서는 UAV (Unmanned Aerial Vehicle)로 촬영한 이미지를 활용하여 수치지도 지형지물 표준 코드에서 정의하고 있는 건물 8종에 대하여 딥러닝 기반의 객체 탐지 분석을 수행하였다. UAV로 촬영한 이미지 509매에 대하여 이미지 라벨링을 하였고 YOLO (You Only Look Once) v5 모델을 적용하여 학습 및 추론을 진행하였다. 실험 및 분석은 오픈소스 기반의 분석 플랫폼과 알고리즘을 적용하여 데이터를 분석하였으며 분석결과 88%~98%의 예측 확률로 건물 객체를 탐지하였다. 또한 학습데이터의 구축 및 반복 학습의 과정에서 건물 객체 탐지의 높은 정확도를 위해 필요한 학습 방식 및 모델 구축방식을 분석하였고, 학습한 모델을 다른 영상자료에 적용하는 방안을 모색하였다. 본 연구를 통해 고효율 심층 신경망과 공간정보데이터가 융합하는 모델을 제안하며 공간정보데이터와 딥러닝 기술의 융합은 향후 공간정보데이터 구축의 효율성, 분석 및 예측의 정확도 향상에 많은 도움을 제공할 것이다.

Abstract ▼ AI-Helper

In this study, we perform deep learning-based object detection analysis on eight types of buildings defined by the digital map topography standard code, leveraging images taken with UAV (Unmanned Aerial Vehicle). Image labeling was done for 509 images taken by UAVs and the YOLO (You Only Look Once) v5 model was applied to proceed with learning and inference. For experiments and analysis, data were analyzed by applying an open source-based analysis platform and algorithm, and as a result of the analysis, building objects were detected with a prediction probability of 88% to 98%. In addition, the learning method and model construction method necessary for the high accuracy of building object detection in the process of constructing and repetitive learning of training data were analyzed, and a method of applying the learned model to other images was sought. Through this study, a model in which high-efficiency deep neural networks and spatial information data are fused will be proposed, and the fusion of spatial information data and deep learning technology will provide a lot of help in improving the efficiency, analysis and prediction of spatial information data construction in the future.

Keyword

표/그림 (21)

그림 Fig. 1. Research flow
그림 Fig. 2. Orthophoto and digital surface model
표 Table 1. YOLOv5's model performance evaluation index (https://github.com/ultralytics/yolov5)
표 Table 2. Flight plan
표 Table 3. Parameter values for GCPs layout
그림 Fig. 3. The process of performing labeling
표 Table 4. Digital map geometry standard code and data quantity
그림 Fig. 4. Precision and recall curve
그림 Fig. 5. mAP curve
그림 Fig. 6. mAP metrics for each classes during 500 repeats
그림 Fig. 7. mAP metrics for each classes during 1,000 repeats
그림 Fig. 8. Loss function curve
표 Table 5. Evaluation metrics
그림 Fig. 9. Inference results for UAV image 1
그림 Fig. 10. Inference results for UAV image 2
표 Table 6. Inference results
표 Table 7. Inference results
그림 Fig. 11. Time series comparison of UAV image and orthophoto
그림 Fig. 12. Inference results for orthophotos
표 Table 8. The inference results of Type A
표 Table 9. The inference results of Type B

참고문헌 (22)

Chen, Z., Zhang, T., and Ouyang, C. (2018), End-to-end airplane detection using transfer learning in remote sensing images. Remote Sensing, 10(1), pp.139.

상세보기
Cheng, G., Han, J., and Lu, X. (2017), Remote sensing image scene classification: Benchmark and state of the art. In Proceedings of the IEEE, 105(10), pp. 1865-1883.

상세보기
Deng, J., Dong, W., Socher, R., Li, L. J., Li, K., and Fei-Fei, L. (2009,), Imagenet: A large-scale hierarchical image database. In 2009 IEEE conference on computer vision and pattern recognition, pp. 248-255.
Everingham, M., Van Gool, L., Williams, C.K., Winn, J., and Zisserman, A. (2010), The pascal visual object classes (voc) challenge. International journal of computer vision, 88(2), pp.303-338.

상세보기
Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 580-587).
Girshick, R. (2015). Fast r-cnn. In Proceedings of the IEEE international conference on computer vision (pp. 1440-1448).
Ham, S., and Lee., I. (2019). Semantic Segmentation of Drone Images Using Deep Learning Models Trained with National Geospatial Data. Journal of the Korean Society Geospatial Information Science, 27(3), 27-38. (in Korean with English abstract)

상세보기
Kharchenko, V., and Chyrka, I. (2018), Detection of airplanes on the ground using YOLO neural network. In 2018 IEEE 17th international conference on mathematical methods in electromagnetic theory (MMET), IEEE, pp. 294-297.
Kim, H., Kim, J., and Kim, Y, (2019). A Study on the Object-based Building Extraction Using UAV Imagery. Journal of the Korean Society Geospatial Information Science, 27(4), 21-28. (in Korean with English abstract)

상세보기
Laroca, R., Severo, E., Zanlorensi, L. A., Oliveira, L. S., Goncalves, G. R., Schwartz, W. R., and Menotti, D. (2018), A robust real-time automatic license plate recognition based on the YOLO detector. In 2018 international joint conference on neural networks (ijcnn), IEEE, pp. 1-10.
Lee, C., and Hong, I. (2017). Investigation of topographic characteristics of parcels using UAV and machine learning. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 35(5), 349-356. (in Korean with English abstract)

원문보기 상세보기
Li, K., Wan, G., Cheng, G., Meng, L., and Han, J. (2020). Object detection in optical remote sensing images: A survey and a new benchmark. ISPRS Journal of Photogrammetry and Remote Sensing, 159, 296-307.

상세보기
Lin, T.Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., ... and Zitnick, C. L. (2014, September). Microsoft coco: Common objects in context. In European conference on computer vision (pp. 740-755). Springer, Cham.
Lu, J., Ma, C., Li, L., Xing, X., Zhang, Y., Wang, Z., and Xu, J. (2018). A vehicle detection method for aerial image based on YOLO. Journal of Computer and Communications, 6(11), 98-107.

상세보기
Park, H., Byun, S., and Lee, H. (2020). Application of Deep Learning Method for Real-Time Traffic Analysis using UAV. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 38(4), 353-361.(in Korean with English abstract)

원문보기 상세보기
Pavlov, V.A., and Galeeva, M.A. (2019), Detection and recognition of objects on aerial photographs using convolutional neural networks. In Journal of Physics: Conference Series (Vol. 1326, No. 1, p. 012038). IOP Publishing.

상세보기
Pham, M.T., Courtrai, L., Friguet, C., Lefevre, S., and Baussard, A. (2020). YOLO-Fine: One-stage detector of small objects under various backgrounds in remote sensing images. Remote Sensing, 12(15), 2501.

상세보기
Pi, Y., Nath, N.D., and Behzadan, A.H. (2020). Convolutional neural networks for object detection in aerial imagery for disaster response and recovery. Advanced Engineering Informatics, 43, 101009.

상세보기
Radovic, M., Adarkwa, O., and Wang, Q. (2017). Object recognition in aerial images using convolutional neural networks. Journal of Imaging, 3(2), 21.

상세보기
Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 779-788.
Wang, H., Tong, X., and Lu, F. (2020). Deep learning based target detection algorithm for motion capture applications. In Journal of Physics: Conference Series (Vol. 1682, No. 1, p. 012032). IOP Publishing.

상세보기
Yun Y., Jung S., Kim T., Lee K., Park., Yeom J., and Han Y. (2019). Detection of Damaged Buildings in Forest Fire Area using PlanetScope Satellite Images and UAV image. Proceedings of Korean Society for Geospatial information Science, 125-128.

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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