[논문]무인기 영상 기반 옥수수 재배필지 추출을 위한 Attention U-NET 적용 및 평가

신형섭; 송석호; 이동호; 박종화

doi:10.17820/eri.2021.8.4.253

무인기 영상 기반 옥수수 재배필지 추출을 위한 Attention U-NET 적용 및 평가
Application and Evaluation of the Attention U-Net Using UAV Imagery for Corn Cultivation Field Extraction 원문보기

Ecology and resilient infrastructure, v.8 no.4, 2021년, pp.253 - 265

신형섭 (주식회사 이알아이) , 송석호 (주식회사 이알아이) , 이동호 (충북대학교 지역건설공학과) , 박종화 (충북대학교 지역건설공학과)

초록
AI-Helper

본 연구에서는 위성영상 촬영 한계를 극복하고 재배 필지 현황 파악 기술 발전에 기여하고자 무인기 영상 및 딥러닝 모형을 이용하여 옥수수 재배 필지 추출 방법을 제안하였다. 연구대상지역은 충북 괴산군 감물면 이담리 일대로 설정하고, 무인기 촬영을 통해 해당지역의 정사영상을 취득하였다. 모형에 필요한 학습자료는 현장조사 자료와 팜맵을 이용하여 구축하였다. 본 연구에 적용한 딥러닝 모형은 의미론적 분할 모형인 Attention U-Net을 이용하였다. 모형의 성능 평가는 학습과정을 거친 후 비학습 자료를 이용하여 옥수수 재배 필지 추출에 대해서 실시 하였다. 모형 성능평가 결과 정밀도는 0.94, 재현율은 0.96 및 F1-Score는 0.92로 나타났다. 본 연구에 적용한 Attention U-Net방법은 옥수수 재배 필지를 효과적으로 추출할 수 있는 방법임을 확인하였다. 따라서 본 연구 방법은 옥수수는 물론 다른 작물에 대한 재배 필지 구분에도 유용하게 활용될 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

In this study, crop cultivation filed was extracted by using Unmanned Aerial Vehicle (UAV) imagery and deep learning models to overcome the limitations of satellite imagery and to contribute to the technological development of understanding the status of crop cultivation field. The study area was set around Chungbuk Goesan-gun Gammul-myeon Yidam-li and orthogonal images of the area were acquired by using UAV images. In addition, study data for deep learning models was collected by using Farm Map that modified by fieldwork. The Attention U-Net was used as a deep learning model to extract feature of UAV in this study. After the model learning process, the performance evaluation of the model for corn cultivation extraction was performed using non-learning data. We present the model's performance using precision, recall, and F1-score; the metrics show 0.94, 0.96, and 0.92, respectively. This study proved that the method is an effective methodology of extracting corn cultivation field, also presented the potential applicability for other crops.

주제어

표/그림 (15)

그림 Fig. 1. The location of study area; in the figure on the right, the study areais indicated by a yellow line.
그림 Fig. 2. UAV and sensor used to acquire images; eBee Plus (a), S.O.D.A digital camera (b).
그림 Fig. 3. (a) Orthogonal images obtained from Gammul-myeon, Goesan-gun, Chungbuk, Korea which is the study area, and (b) Idam-ri, Gammul-myeon, Goesan-gun, Chungbuk, selected as the test area.
표 Table 1. Specification of UAV and sensor; (a) eBee Plus, (b) S.O.D.A digital camera
그림 Fig. 4. For the classification of corn, a data set linked with the Farm-Map was constructed by entering the corn cultivation area as 1 and the other crops as 0 based on the boundaries of the Farm-Map.
그림 Fig. 5. Research flow chart applying UAV images, Farm-Map, and Attention U-Net model.
그림 Fig. 6. Structure of Attention U-Net.
그림 Fig. 7. Structure of Attention gate.
표 Table 2. Hyperparameter for training
그림 Fig. 8. Examples of training dataset: (a) UAV image patch, (b) Reference image patch.
그림 Fig. 9. Result of Attention U-Net model training. (a) Loss convergence process appearing in the training process, and (b) MAE convergence process.
표 Table 3. Divided data Set for Attention U-Net model in this study
표 Table 4. Model performance evaluation results
그림 Fig. 10. Visualization of model predictions. (continued)
그림 Fig. 10. Visualization of model predictions.

참고문헌 (27)

Chen, Z. and Ho, P.H. 2019. Global-connected network with generalized ReLU activation. Pattern Recognition 96, 106961. doi:10.1016/j.patcog.2019.07.006.

상세보기
Jeong, C.H. and Park, J.H. 2021. Analysis of Growth Characteristics Using Plant Height and NDVI of Four Waxy Corn Varieties Based on UAV Imagery. Korean Journal of Remote Sensing 37(4): 733-745. doi:10.7780/KJRS.2021.37.4.5

원문보기 상세보기
Keras. The Python Deep Learning API. https://keras.io/. Accessed 12 August 2021.
Kim, Y.S., Park, N.W., Hong, S.Y., Lee, K.D. and Yoo, H.Y. 2014. Early production of large-area crop classification map using time-series vegetation index an past crop cultivation patterns-A case study in Iowa State, USA. Korean Journal of Remote Sensing 30(4): 493-503. (in Korean) doi:10.7780/kjrs.2014.30.4.7

원문보기 상세보기
Kussul, N., Lavreniuk, M., Skakun, S. and Shelestov, A. 2017. Deep learning classification of land cover and crop types using remote sensing data. IEEE Geoscience and Remote Sensing Letters 14(5): 778-782. doi:10.1109/LGRS.2017.2681128

상세보기
Lee, D.H., Shin, H.S. and Park, J.H. 2020. Developing a p-NDVI Map for Highland Kimchi Cabbage Using Spectral Information from UAVs and a Field Spectral Radiometer. Agronomy 10(11): 1798. doi:10.3390/agronomy10111798

상세보기
Lee, D.H, Kim H.J. and Park J.H. 2021. UAV, a Farm Map, and Machine Learning Technology Convergence Classification Method of a Corn Cultivation Area. Agronomy. 2021; 11(8): 1554. doi:10.3390/agronomy11081554

상세보기
Lee, S.H. and Lee, M.J. 2020. A Study on Deep Learning Optimization by Land Cover Classification Item Using Satellite Imagery. Korean Journal of Remote Sensing 36(6-2): 1591-1604. (in Korean) doi:10.7780/kjrs.2020.36.6.2.9

원문보기 상세보기
Lottes, P., Khanna, R., Pfeifer, J., Siegwart, R. and Stachniss, C. 2017. UAV-based crop and weed classification for smart farming. IEEE International Conference on Robotics and Automation (ICRA). 3024-3031. doi:10.1109/ICRA.2017.7989347
MAFRA. 2017. Ministry of Agriculture Food and Rural Affairs, https://agis.epis.or.kr/ASD/main/intro.do#. Accessed 26 June 2021.
MAFRA. 2021. Ministry of Agriculture, Food and Rural Affairs. https://lib.mafra.go.kr/skyblueimage/5622.pdf. Accessed 12 November 2021.
McNairn, H., Kross, A., Lapen, D., Caves, R. and Shang, J. 2014. Early season monitoring of corn and soybeans with Terra SAR-X and RADARSAT-2. Internati nal Journal of Applied Earth Observation and Geoinformation 28: 252-259. doi:10.1016/j.jag.2013.12.015

상세보기
Na, S.I., Park, C.W., So, K.H., Park, J.M. and Lee, K.D. 2017. Satellite Imagery based Winter Crop Classification Mapping using Hierarchica Classification. Korean Journal of Remote Sensing 33(5-2): 677-687. (in Korean) doi: 10.7780/kjrs.2017.33.5.2.7

원문보기 상세보기
NICS. 2021. National Institute of Crop Science. https://nongupin.co.kr/news/articleView.html?idxno92916. Accessed 8 June 2021.
Otsu, N. 1979. A threshold selection method from gray-level histograms. IEEE Transactions on Systems 9(1): 62-66. doi: 10.1109/TSMC.1979.4310076

상세보기
Park, J.K. and Park, J.H. 2015. Crop classification using imagery of unmanned aerial vehicle. Journal of the Korean Society of Agricultural Engineers 57(6): 91-97. (in Korean) doi:10.5389/KSAE.2015.57.6.091

원문보기 상세보기
Park, J.K. and Park, J.H. 2016. Applicability Evaluation of Agricultural Subsidies Inspection Using Unmanned Aerial Vehicle. Journal of the Korean Society of Agricultural Engineers 58(5): 29-37. (in Korean) doi:10.5389/KSAE.2016.58.5.029

원문보기 상세보기
Python 3.7, 2018, https://python.org/. Accessed 2 July 2021.
Ronneberger, O., Fischer, P. and Brox, T. 2015. U-Net : Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention(MICCAI) 9351: 234-241. arxiv: 1505.04597.pdf
Sameen, M.I., Pradhan, B. and Ziz, O.S. 2018. Classification of very high resolution aerial photos using spectral-spatial convolutional neural networks. Journal of Sensors 2018: 1-12. doi:10.1155/2018/7195432

상세보기
Schlemper J., Oktay, O., Schaap, M., Heinrich, M., Kainz, B., Glocker, B. and Rueckert, D. 2019. Attention Gated Networks : Learning to Leverage Salient Regions in Medical Images. Medical Image Analysis 53: 197-207. doi:10.1016/j.media.2019.01.012

상세보기
Seong, S.K., Na, S.I. and Choi, J.W. 2020. Assessment of the FC-DenseNet for Crop Cultivation Area Extraction by Using RapidEye Satellite Imagery. Korean Journal of Remote Sensing 36(5-1): 823-833. (in Korean) doi:10.7780/kjrs.2020.36.5.1.14

원문보기 상세보기
Tensorflow. An End-to-End Open Source Machine Learning Platform. https://tensorflow.org/. Accessed 12 August 2021.
Tong, X., Sun, B., Wei, J., Zuo, Z. and Su, S. 2021. EAAU-Net: Enhanced Asymmetric Attention U-Net for Infrared Small Target Detection. Remote Sensing, 13(16): 3200. doi:10.3390/rs13163200

상세보기
Ulmas, P. and Liiv, I. 2016. Segmentation of satellite imagery using u-net models for land cover classification. IEEE Access 4: 1-11. arxiv:2003.02899.pdf
Yang, M.D., Huang, K.S., Kuo, Y.H., Tsai, H.P. and Lin, L.M. 2017. Spatial and Spectral Hybrid Image Classification for Rice Lodging Assessment through UAV Imagery. Remote Sensing 9(6): 1-19. doi:10.3390/rs9060583

상세보기
Zhang, Z., Liu, Q. and Wang, Y. 2018. Road Extraction by Deep Residual U-Net. IEEE Geoscience and Remote Sensing Letters 15(5): 749-753. doi: 10.1109/LGRS.2018.2802944

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