[논문]항공영상으로부터 YOLOv5를 이용한 도심수목 탐지

박채원; 정형섭

doi:10.7780/kjrs.2022.38.6.2.5

초록
AI-Helper

도시의 인구 집중과 무분별한 개발은 대기오염, 열섬현상과 같은 다양한 환경 문제들을 유발하며, 자연재해로 인한 피해 상황을 악화시키는 등 인재의 원인이 되고 있다. 도심 수목은 이러한 도시 문제들의 해결방안으로 제시되어왔으며, 실제로 환경 개선 기능을 제공하는 등 중요한 역할들을 수행한다. 이에 따라 수목이 도시 환경에 미치는 영향을 파악하기 위해 도심 수목에서 개별목에 대한 정량적인 측정 및 분석이 요구된다. 그러나 도심 수목의 복잡성 및 다양성은 단일 수목 탐지 정확도를 낮추는 문제점이 존재한다. 따라서 본 연구는 수목 개체에 대해 효과적인 탐지가 가능한 고해상도 항공영상 및 object detection에서 뛰어난 성능을 발휘한 You Only Look Once Version 5 (YOLOv5) 모델을 사용하여 도심 수목을 효과적으로 탐지하는 연구를 진행하였다. 수목 AI 학습 데이터셋의 구축을 위한 라벨링 가이드라인을 생성하고 이를 기준으로 동작구 수목에 대해 box annotation을 수행하였다. 구축된 데이터셋으로부터 다양한 scale의 YOLOv5 모델들을 테스트하고 최적의 모델을 채택하여 효율적인 도심 수목 탐지를 수행한 결과, mean Average Precision (mAP) 0.663의 유의미한 결과를 도출하였다.

Abstract ▼ AI-Helper

Urban population concentration and indiscriminate development are causing various environmental problems such as air pollution and heat island phenomena, and causing human resources to deteriorate the damage caused by natural disasters. Urban trees have been proposed as a solution to these urban pro...

Urban population concentration and indiscriminate development are causing various environmental problems such as air pollution and heat island phenomena, and causing human resources to deteriorate the damage caused by natural disasters. Urban trees have been proposed as a solution to these urban problems, and actually play an important role, such as providing environmental improvement functions. Accordingly, quantitative measurement and analysis of individual trees in urban trees are required to understand the effect of trees on the urban environment. However, the complexity and diversity of urban trees have a problem of lowering the accuracy of single tree detection. Therefore, we conducted a study to effectively detect trees in Dongjak-gu using high-resolution aerial images that enable effective detection of tree objects and You Only Look Once Version 5 (YOLOv5), which showed excellent performance in object detection. Labeling guidelines for the construction of tree AI learning datasets were generated, and box annotation was performed on Dongjak-gu trees based on this. We tested various scale YOLOv5 models from the constructed dataset and adopted the optimal model to perform more efficient urban tree detection, resulting in significant results of mean Average Precision (mAP) 0.663.

주제어

표/그림 (9)

그림 Fig. 1. Online map: (a) study area and (b) study data (Source: National Geographic Information Institute).
그림 Fig. 2. Data flow.
표 Table 1. Data specification
그림 Fig. 3. Annotationed results: (a-c) AI dataset patch images and (d-f) annotated patch images.
그림 Fig. 4. YOLOv5 model structure (modified from Xu et al., 2021).
그림 Fig. 5. Predicted results.
표 Table 2. YOLOv5 performance evaluation
그림 Fig. 6. Magnified predicted results.
그림 Fig. 7. Precision-recall curve.

AI 본문요약
AI-Helper

문제 정의

본 연구는 수목의 이질성 및 복잡성으로 인해 국내에서는 잘 이루어지지 않았던 도심 지역의 개별목에 대해 고해상도 항공영상과 효과적인 object detection 모델인 YOLOv5를 사용하여 보다 효율적인 탐지를 수행하였다. 그 결과 mAP 0.

제안 방법

(a)단계에서 구축된 512 × 512 patch 이미지 데이터와 라벨 데이터를 각각 Train, Validation, 그리고 Test 데이터로 분할하고 (b) 단계에서 YOLOv5를 위한 학습 데이터로 활용한다. YOLOv5의 scaled model에 대하여 각각 학습시키고 성능 비교를 통해 최적 모델을 선정한 후 해당 모델에 대한 검증 및 테스트를 수행함으로써 성능을 평가한다.
또한, YOLOv5x의 성능이 가장 우수하지만, YOLOv5s 모델과 비교하였을 때 비슷한 성능 수준에 반해 FLOPs는 약 13배 차이를 보이므로 일반적인 사양의 시스템에서는 YOLOv5s를 사용하는 것이 가장 유용할 것으로 판단하였다. 그러나 본 연구에서는 훈련 및 성능 평가를 위해 2대의 NVIDIA RTX3090ti를 사용하였고 해당 시스템에서는 YOLOv5x의 높은 FLOPs로 인한 속도 저하 정도가 크지 않았으므로, 효율적인 모델 대신 가장 높은 성능을 보인 YOLOv5x 모델을 사용하여 도심 수목 탐지를 수행하였다.

대상 데이터

512 × 512 patch 이미지 데이터와 어노테이션을 통해 생성된 라벨 데이터는 총 300세트이며, 여기서 훈련 데이터와 테스트 데이터를 8:2의 비율로 구분하였고 훈련 데이터에서 20%에 해당하는 데이터는 검증 데이터로 정의하였다
512 × 512 patch 이미지 데이터와 어노테이션을 통해 생성된 라벨 데이터는 총 300세트이며, 여기서 훈련 데이터와 테스트 데이터를 8:2의 비율로 구분하였고 훈련 데이터에서 20%에 해당하는 데이터는 검증 데이터로 정의하였다. 따라서 훈련 데이터 192세트, 검증 데이터 48세트, 테스트 데이터 60세트를 사용하여 연구를 진행하였다.
국토지리정보원은 국가기본도 수정을 목적으로 촬영된 항공 이미지를 국토정보플랫폼을 통해 무료로 배포한다. 본 연구에서는 국토지리정보원에서 제작 및 배포하는 항공영상 중 2016년에 촬영된 세 장의 RGB 영상을 사용하였다(Table 1). 항공영상 중에서 정사보정이 완료된 정사영상 데이터를 사용하였으며, 해상도는 0.
항공영상 중에서 정사보정이 완료된 정사영상 데이터를 사용하였으며, 해상도는 0.51 m이고 영상 사이즈는 4535 × 5641, 4533 × 5639, 4531 × 5639 (pixel)이다.

이론/모형

도심 수목 탐지 연구에서 학습된 모델의 성능을 평가하기 위한 지표로 precision, recall, F1-score, 그리고 Average Precision (AP)를 사용하였다. precision은 수목이라고 예측한 것들 중에서 실제 수목 객체의 비율, recall은 실제 수목 객체 중에서 수목이라고 예측한 비율, F1-score는 precision과 recall의 조화평균을 의미한다.

성능/효과

YOLOv5s 모델은 한 단계 아래 모델인 YOLOv5n과 비교하였을 때 mAP50을 기준으로 0.032의 유의미한 성능 향상을 보였고, 가장 정확도가 높은 YOLOv5x 모델과 비교하였을 때는 0.014의 미미한 차이만을 보여 가장 효율적인 모델로 생각된다. 또한, YOLOv5x의 성능이 가장 우수하지만, YOLOv5s 모델과 비교하였을 때 비슷한 성능 수준에 반해 FLOPs는 약 13배 차이를 보이므로 일반적인 사양의 시스템에서는 YOLOv5s를 사용하는 것이 가장 유용할 것으로 판단하였다.
014의 미미한 차이만을 보여 가장 효율적인 모델로 생각된다. 또한, YOLOv5x의 성능이 가장 우수하지만, YOLOv5s 모델과 비교하였을 때 비슷한 성능 수준에 반해 FLOPs는 약 13배 차이를 보이므로 일반적인 사양의 시스템에서는 YOLOv5s를 사용하는 것이 가장 유용할 것으로 판단하였다. 그러나 본 연구에서는 훈련 및 성능 평가를 위해 2대의 NVIDIA RTX3090ti를 사용하였고 해당 시스템에서는 YOLOv5x의 높은 FLOPs로 인한 속도 저하 정도가 크지 않았으므로, 효율적인 모델 대신 가장 높은 성능을 보인 YOLOv5x 모델을 사용하여 도심 수목 탐지를 수행하였다.
우리나라 수목을 대상으로 데이터셋을 구축하고 학습에 적용한 결과, 가로수와 같은 수목 밀도가 낮은 지역 이외에도 대부분에 지역에서 탐지가 잘 수행되었다. 그러나 과밀지역에 대해서는 여전히 수목이 중복 및 미탐지 되는 문제가 존재하였으며 이는 어노테이션 과정에서 나무의 형태 및 종류에 대한 고려가 부족했던 까닭으로 여겨진다.
Table 2는 YOLOv5 모델들에 대한 성능 테스트를 수행한 결과이다. 일반적으로 알려진 바와 같이 YOLOv5x의 성능이 가장 좋았고, 가장 크기가 작은 YOLOv5n 모델과 비교했을 때 mean Average Precision (mAP) 50을 기준으로 약 0.05 정도의 성능 차이를 보였다. 그러나 YOLOv5x 모델은 구조가 복잡하여 성능이 좋은 반면 FLOPs는 다른 모델에 비해 많이 떨어졌다.

후속연구

본 연구를 통해 구축된 우리나라 도심 수목에 대한 AI 학습 데이터셋은 앞으로의 국내 도심 수목 탐지 연구에서 유용하게 활용될 것으로 기대된다. 수목 탐지 연구를 통해 도출된 신뢰성 있는 개별 수목탐지 결과는 높이 및 직경 추론을 통해 이산화탄소 흡수량 계산을 위한 자료로 활용되어 도시 환경 문제에 대한 분석 및 정책 수립 과정에 기여할 것으로 기대된다.
본 연구를 통해 구축된 우리나라 도심 수목에 대한 AI 학습 데이터셋은 앞으로의 국내 도심 수목 탐지 연구에서 유용하게 활용될 것으로 기대된다. 수목 탐지 연구를 통해 도출된 신뢰성 있는 개별 수목탐지 결과는 높이 및 직경 추론을 통해 이산화탄소 흡수량 계산을 위한 자료로 활용되어 도시 환경 문제에 대한 분석 및 정책 수립 과정에 기여할 것으로 기대된다.

참고문헌 (13)

Choi, J.W., 2018. A Study on Model Development for the Density Management of Overcrowded Planting Sites and the Planting Design of New Planting Sites-A Case Study of Buffer Green Spaces in the Dongtan New Town, Hwaseong, Journal of the Korean Institute of Landscape Architecture, 46(5): 82-92 (in Korean with English abstract). https://doi.org/10.9715/KILA.2018.46.5.082

원문보기 상세보기
Kang, J.E. and M.J. Lee, 2012. Assessment of flood vulnerability to climate change using fuzzy model and GIS in Seoul, Journal of the Korean Association of Geographic Information Studies, 15(3): 119-136 (in Korean with English abstract). https://doi.org/10.11108/kagis.2012.15.3.119

원문보기 상세보기
Kaur, P., B.S. Khehra, and E.B.S. Mavi, 2021. Data augmentation for object detection: A review, Proc. of 2021 IEEE International Midwest Symposium on Circuits and Systems (MWSCAS), East Lansing, MI, USA, Aug. 9-11, pp. 537-543. https://doi.org/10.1109/MWSCAS47672.2021.9531849
Kim, H.M., D.G. Lee, and S. Sung, 2016. Effect of urban green spaces and flooded area type on flooding probability, Sustainability, 8(2): 134. https://doi.org/10.3390/su8020134

상세보기
Hwang, S.R., M.J. Lee, and I.P. Lee, 2012. Detection of Individual Trees and Estimation of Mean Tree Height using Airborne LIDAR Data, Spatial Information Research, 20(3): 27-38 (in Korean with English abstract). https://doi.org/10.12672/ksis.2012.20.3.027

원문보기 상세보기
Park, M., 2021. Comparison of Accuracy between Analysis Tree Detection in UAV Aerial Image Analysis and Quadrat Method for Estimating the Number of Treesto be Removed in the Environmental Impact Assessment, Journal of Environmental Impact Assessment, 30(3): 155-163 (in Korean with English abstract). https://doi.org/10.14249/eia.2021.30.3.155

원문보기 상세보기
Puliti, S. and R. Astrup, 2022. Automatic detection of snow breakage at single tree level using YOLOv5 applied to UAV imagery, International Journal of Applied Earth Observation and Geoinformation, 112: 102946. https://doi.org/10.1016/j.jag.2022.102946

상세보기
Sim, W. K. and D. I. Lee, 2001. An analysis of Status quo on the multi-layer planting at the landscape planting area in apartments and neighborhood parks in Seoul metropolitan area, Journal of the Korean Institute of Landscape Architecture, 29(1): 140-151.
Wang, J. and L. Perez, 2017. The effectiveness of data augmentation in image classification using deep learning, arXiv preprint arXiv:1712.04621. https://doi.org/10.48550/arXiv.1712.04621
Wang, T.S., S. Oh, H.S. Lee, J. Jang, and M. Kim, 2021. A Study on the AI Detection Model of Marine Deposition Waste Using YOLOv5, Proc. of Korean Institute of Information and Communication Sciences Conference, Gunsan, Korea, Oct. 28-30, vol. 25, pp. 385-387.
Weinstein, B.G., S. Marconi, S. Bohlman, A. Zare, and E. White, 2019. Individual tree-crown detection in RGB imagery using semi-supervised deep learning neural networks, Remote Sensing, 11(11): 1309. https://doi.org/10.3390/rs11111309

상세보기
Xu, R., H. Lin, K. Lu, L. Cao, and Y. Liu, 2021. A forest fire detection system based on ensemble learning, Forests, 12(2): 217. https://doi.org/10.3390/f12020217

상세보기
Zamboni, P., J.M. Junior, J.D.A. Silva, G.T. Miyoshi, E.T. Matsubara, K. Nogueira, and W.N. Goncalves, 2021. Benchmarking anchor-based and anchor-free state-of-the-art deep learning methods for individual tree detection in RGB high-resolution images, Remote Sensing, 13(13): 2482. https://doi.org/10.3390/rs13132482

상세보기

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

항공영상으로부터 YOLOv5를 이용한 도심수목 탐지
Detection of Urban Trees Using YOLOv5 from Aerial Images 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

항공영상으로부터 YOLOv5를 이용한 도심수목 탐지 Detection of Urban Trees Using YOLOv5 from Aerial Images 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

정형섭 (54)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

항공영상으로부터 YOLOv5를 이용한 도심수목 탐지
Detection of Urban Trees Using YOLOv5 from Aerial Images 원문보기

초록
AI-Helper

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper