[논문]산림병해충 피해의심목 자동탐지 알고리즘 개발 연구

이후동; 이성희; 이영진

doi:10.11108/kagis.2022.25.4.151

산림병해충 피해의심목 자동탐지 알고리즘 개발 연구
A study on the development of an automatic detection algorithm for trees suspected of being damaged by forest pests 원문보기

한국지리정보학회지 = Journal of the Korean Association of Geographic Information Studies, v.25 no.4, 2022년, pp.151 - 162

이후동 (경일대학교) , 이성희 (경일대학교) , 이영진 (경일대학교)

초록
AI-Helper

최근 우리나라의 산림은 지속적인 산림재해로 인해 피해가 누적되고 있어 산림을 관리하기 위한 모니터링 기술이 조명받고 있으며, 산림재해 피해대상지의 규모가 큰 지형 특성으로 인해 드론, 인공지능, 빅데이터 등을 활용한 기술들이 연구되고 있다. 본 연구에서는 산림재해의 병해충을 모니터링하기 위해 딥러닝과 드론을 활용하여 산림 병해충 피해 의심목을 자동으로 탐지하는 산림 병해충 자동탐지 알고리즘 개발을 위한 표준 데이터 세트를 구축하였다. 객체검출 알고리즘으로서 YOLO 알고리즘을 활용한 실험결과에서는 YOLOv4-P7 모델이 재현율 69.69%와 정밀도 69.15%로 가장 높게 나타났으며, 이미지 사이즈가 큰 정사영상인 검출대상임을 고려할 때 산림병해충 피해의심목 자동탐지 알고리즘으로 YOLOv4-P7이 적합함을 확인하였다.

Abstract ▼ AI-Helper

Recently, the forests in Korea have accumulated damage due to continuous forest disasters, and the need for technologies to monitor forest managements is being issued. The size of the affected area is large terrain, technologies using drones, artificial intelligence, and big data are being studied. In this study, a standard dataset were conducted to develop an algorithm that automatically detects suspicious trees damaged by forest pests using deep learning and drones. Experiments using the YOLO model among object detection algorithm models, the YOLOv4-P7 model showed the highest recall rate of 69.69% and precision of 69.15%. It was confirmed that YOLOv4-P7 should be used as an automatic detection algorithm model for trees suspected of being damaged by forest pests, considering the detection target is an ortho-image with a large image size.

주제어

표/그림 (12)

그림 FIGURE 1. Flowchart of 3D point cloud creation using drone photos (Lee, 2020)
그림 FIGURE 2. image for learning (640X640)
그림 FIGURE 3. image for learning (1280X1280)
그림 FIGURE 4. image for learning (1536X1536)
표 TABLE 1. training data structure (image)
표 TABLE 2. training data structure (detection area information)
그림 TABLE 3. Criteria for classifying dead wood data (1st class)
표 TABLE 4. Criteria for classifying dead wood data (2nd class)
표 TABLE 5. Experiment data information
표 TABLE 6. Experiment results (Comprehensive)
표 TABLE 7. hapcheon 1 (true point)
표 TABLE 8. hapcheon 1 (false point)

참고문헌 (11)

Francois Chollet. 2018. Deep learning from？the creator of Keras, gilbut
Jang, K.M. 2021. A Study on the Deep？Learning -based Tree Species？Classification by using High-resolution？Orthophoto Images. 한국지리정보학회지, 3(24):1-9.
Johan Marbinah. 2021. Hybrid pool based？deep activelearning for object detection？using intermediate network embeddings,？KTH ROYAL INSTITUTE OF？TECHNOLOGY.
Kim, J.H., Lee, T.H. Yamin Han, and Byun,？H.J. 2021. A Study on the Design and？Implementation of Multi-Disaster Drone？System Using Deep Learning-Based？Object Recognition and Optimal Path？Planning. 정보처리학회논문지. 컴퓨터 및 통신시스템, 10(4):117-122.
Lee, J.H., Kim, J.C. and Seo. D.H. 2017. A？study on image caption algorithm based？on object detection. Journal of Advanced？Marine Engineering and Technology,？41(7): 683-689.
Lee, Y.J. 2020. Surveying and？Geoinformatics, Gyomoon co.
Lee. H.D., 2022. Victim Tree Detection？System of Drone Images Based on 3D？GIS and Deep Leaming Method.？Department of Construction Engineering？Graduate School, Kyungil University.
Lim, E.T. and Do, M.S. 2021. Pine Wilt？Disease Detection Based on Deep？Learning Using an Unmanned Aerial？Vehicle. JOURNAL OF THE KOREAN？SOCIETY OF CIVIL ENGINEERS,？41(3):317-325.
Park, J.I., and Lee, M.S. 2021. Analysis of？trees damaged by pine wilt nematodes？using unmanned aerial images. 한국지적정보학회 학술발표대회 논문집, 13-16.
Redmon, J., Divvala, S., Girshick, R., &？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.
SON, B., LEE, Y., & IM, J. (2021).？Classification of Urban Green Space？Using Airborne LiDAR and RGB Ortho？Imagery Based on Deep Learning. Journal of the Korean Association of？Geographic Information Studies, 24(3),？83-98.

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