[논문]수목 동정을 위한 수피 분류 데이터셋 구축과 합성곱 신경망 기반 53개 수종의 동정 모델 개발

김태경; 백규헌; 김현석

doi:10.14578/jkfs.2021.110.1.155

수목 동정을 위한 수피 분류 데이터셋 구축과 합성곱 신경망 기반 53개 수종의 동정 모델 개발
Construction of a Bark Dataset for Automatic Tree Identification and Developing a Convolutional Neural Network-based Tree Species Identification Model 원문보기

한국산림과학회지 = Journal of korean society of forest science, v.110 no.2, 2021년, pp.155 - 164

김태경 (서울대학교 농림생물자원학부) , 백규헌 (서울대학교 산림과학부) , 김현석 (서울대학교 농림생물자원학부)

초록
AI-Helper

자연환경에 대한 국민들의 관심 증가로 스마트폰과 같은 휴대용 기기를 이용한 수목 동정의 자동화에 대한 요구가 증가하고 있다. 최근 딥러닝 기술의 발전에 힘입어, 외국에서는 수목 인식 분야에의 적용이 활발하게 이루어지고 있다. 수목의 분류를 위해 꽃, 잎 등 다양한 형질들을 대상으로 연구가 진행되고 있지만, 접근성을 비롯한 여러 장점을 가진 수피의 경우 복잡도가 높고 자료가 부족하여 연구가 제한적이었다. 본 연구에서는 국내에서 흔히 관찰 가능한 수목 54종의 사진자료를 약 7,000 여장 수집 및 공개하였고, 이를 해외의 20 수종에 대한 BarkNet 1.0의 자료와 결합하여 학습에 충분한 수의 사진 수를 가지는 53종을 선정하고, 사진들을 7:3의 비율로 나누어 훈련과 평가에 활용하였다. 분류 모델의 경우, 딥러닝 기법의 일종인 합성곱 신경망을 활용하였는데, 가장 널리 쓰이는 VGGNet (Visual Geometry Group Network) 16층, 19층 모델 두 가지를 학습시키고 성능을 비교하였다. 또한 본 모형의 활용성 및 한계점을 확인하기 위하여 학습에 사용하지 않은 수종과 덩굴식물과 같은 방해 요소가 있는 사진들에 대한 모델의 정확도를 확인하였다. 학습 결과 VGG16과 VGG19는 각각 90.41%와 92.62%의 높은 정확도를 보였으며, 더 복잡도가 높은 모델인 VGG19가 조금 더 나은 성능을 보임을 확인하였다. 학습에 활용되지 않은 수목을 동정한 결과 80% 이상의 경우에서 같은 속 또는 같은 과에 속한 수종으로 예측하는 것으로 드러났다. 반면, 이끼, 만경식물, 옹이 등의 방해 요소가 존재할 경우 방해요소가 자치하는 비중에 따라 정확도가 떨어지는 것이 확인되어 실제 현장에서 이를 보완하기 위한 방법들을 제안하였다.

Abstract ▼ AI-Helper

Many studies have been conducted on developing automatic plant identification algorithms using machine learning to various plant features, such as leaves and flowers. Unlike other plant characteristics, barks show only little change regardless of the season and are maintained for a long period. Nevertheless, barks show a complex shape with a large variation depending on the environment, and there are insufficient materials that can be utilized to train algorithms. Here, in addition to the previously published bark image dataset, BarkNet v.1.0, images of barks were collected, and a dataset consisting of 53 tree species that can be easily observed in Korea was presented. A convolutional neural network (CNN) was trained and tested on the dataset, and the factors that interfere with the model's performance were identified. For CNN architecture, VGG-16 and 19 were utilized. As a result, VGG-16 achieved 90.41% and VGG-19 achieved 92.62% accuracy. When tested on new tree images that do not exist in the original dataset but belong to the same genus or family, it was confirmed that more than 80% of cases were successfully identified as the same genus or family. Meanwhile, it was found that the model tended to misclassify when there were distracting features in the image, including leaves, mosses, and knots. In these cases, we propose that random cropping and classification by majority votes are valid for improving possible errors in training and inferences.

주제어

표/그림 (10)

그림 Figure 1. Demonstration of image preprocessing steps. Images on the left, middle, and right represents the original image, sidecropped image, and square cropped images, respectively.
표 Table 1. Details on the tree species utilized in this study. Species classified as 'a' in the Source column indicate that the images were manually collected for this study, and 'b' indicates the data from BarkNet 1.0 (Carpentier et al., 2018).
표 Table 2. Performance comparison of two CNN models.
그림 Figure 2. Comparison of prediction accuracies by the number of cropped images of each species.
그림 Figure 3. Confusion matrix of the classification results by VGG19. The X -axis indicates the prediction lab el among the 53 species, and the Y-axis indicates the true label. Values inside the confusion matrix indicate the number of predicted samples. Refer to the high-resolution figure hosted on Figshare (https://doi.org/10.6084/m9.figshare.14157086.v4).
그림 Figure 4. Normalized confusion matrix of the classification results by VGG19. Values inside the confusion matrix indicate the ratio of predicted samples to the total samples of each species. Refer to the high-resolution figure hosted on Figshare (https://doi.org/10.6084/m9.figshare.14157092.v3).
그림 Figure 5. Sample images of Quercus aliena (left), and Ginkgo biloba (right).
그림 Figure 6. Sample images of Acer palmatum (left), Acer pseudosie-boldianum (middle), and Acer palmatum var. amoenum (right).
그림 Figure 7. Confusion matrix predicted by VGG-19, using bark images of untrained species. The X-axis denotes the prediction label among the 53 trained species, and the Y-axis indicates the true label. Numbers in the confusion matrix indicate the ratio (%) of the prediction.
그림 Figure 8. Prediction results of the s amples w ith different e xtent of d isturb ing factors. Figure ( a), (b), and (c) represent the accuracy t rends when d isturb ed b y vines, mosses, and other objects, respectively.

참고문헌 (21)

Blaanco, L.J., Travieso, C. M., Quinteiro, J. M., Hernandez, P. V., Dutta, M. K. and Singh, A. 2016. A bark recognition algorithm for plant classification using a least square support vector machine. Ninth International conference on contemporary computing 2016: 1-5.
Boudra, S., Yahiaoui, I. and Behloul, A. 2015. A comparison of multi-scale local binary pattern variants for bark image retrieval. Computer Science 9386: 764-775.
Bressane, A., Roveda, J.A.F. and Martins, A.C.G. 2015. Statistical analysis of texture in trunk images for biometric identification of tree species. Environmental Monitoring and Assessment 187(4): 212.

상세보기
Brodrick, P.G., Davies, A.B. and Asner, G.P. 2019. Uncovering ecological patterns with convolutional neural networks. Trends in Ecology & Evolution 34(8): 734-745.

상세보기
Carpentier, M., Giguere, P. and Gaudreault, J. 2018. Tree species identification from bark images using convolutional neural networks. In 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS): 1075-1081.
Chi, Z., Houqiang, L. and Chao, W. 2003. Plant species recognition based on bark patterns using novel Gabor filter banks. Neural Networks and Signal Processing 2: 1035-1038.
Choi, J.E. 2019. A Tree classification model using CNN Inception v3. (Dissertation). Seoul. Ewha Womans' University.
Cimpoi, M., Maji, S. and Vedaldi, A. 2015. Deep filter banks for texture recognition and segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition. pp. 3828-3836.
Fiel, S. and Sablatnig, R. 2011. Automated identification of tree species from images of the bark, leaves and needles. Proceedings of the 16th Computer Vision winter workshop. pp. 67-74.
Hayat, K. 2018. Multimedia super-resolution via deep learning: A survey. Digital Signal Processing 81: 198-217.

상세보기
Huang, Z.-k., Huang, D.-S., Du, J.-X., Quan, Z.-h. and Gua, S.-B. 2006. Bark classification based on contourlet filter features. Intelligent Computing. pp. 1121-1126.
Kim, M.K. 2019. Bark identification using a deep learning model. Journal of Korea Multimedia Society 22(10): 1133-1141.
Krizhevsky, A., Sutskever, I. and Hinton, G.E. 2012. Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems 25: 1097-1105.
Mata-Montero, E., Carranza-Rojas, J. 2016. Automated plant species identification: challenges and opportunities. IFIP World Information Technology Forum. pp. 26-36.
Min, A. 2020. A Study on Transfer Learning for Image Classification of Convolutional Neural Network: Based on VGG16 Deep Convolutional Neural Network. (Dissertation). Gunpo-si. Hansei University.
Mizoguchi, T., Ishii, A., Nakamura, H., Inoue, T. and Takamatsu, H. 2017. Lidar-based individual tree species classification using convolutional neural network. Proceedings of the Society of Photo-optical Instrumentation Engineers 10332: 1-7.
Park, K.H. 2013. Characteristics on Tree Shapes and Bark Types of Landscape Trees Species in Korea. (Dissertation). Gyeongsan-si. Yeungnam University.
Ratajczak, R., Bertrand, S., Crispim, C.J. and Tougne, L. 2019. Efficient bark recognition in the wild. Proceedlings of the International Conference on Computer Vision Theory and Application. pp. 240-248.
Simonyan, K. and Zisserman, A. 2015. Very deep convolutional networks for large-scale image recognition. International Conference on Learning Representations 2015: 2-8.
Svab, M. 2014. Computer-vision-based tree trunk recognition. (Dissertation). Republic of Slovenia. Faculty of Computer and Information Science, University of Ljubljana.
Yoon, Y.C., Sang, J.H. and Park, S.M. 2018. Trends of plant image processing technology. 2018 Electronics and Telecommunications Trends 33(4): 54-60.

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