[논문]무인기로 취득한 RGB 영상과 YOLOv5를 이용한 수수 이삭 탐지

박민준; 유찬석; 강예성; 송혜영; 백현찬; 박기수; 김은리; 박진기; 장시형

doi:10.5532/kjafm.2022.24.4.295

[국내논문] 무인기로 취득한 RGB 영상과 YOLOv5를 이용한 수수 이삭 탐지
Sorghum Panicle Detection using YOLOv5 based on RGB Image Acquired by UAV System 원문보기

한국농림기상학회지 = Korean Journal of Agricultural and Forest Meteorology, v.24 no.4, 2022년, pp.295 - 304

박민준 (경상국립대학교 바이오시스템공학과 (농업생명과학연구원)) , 유찬석 (경상국립대학교 바이오시스템공학과 (농업생명과학연구원)) , 강예성 (경상국립대학교 바이오시스템공학과 (농업생명과학연구원)) , 송혜영 (경상국립대학교 바이오시스템공학과 (농업생명과학연구원)) , 백현찬 (경상국립대학교 바이오시스템공학과 (농업생명과학연구원)) , 박기수 (경상국립대학교 바이오시스템공학과 (농업생명과학연구원)) , 김은리 (경상국립대학교 바이오시스템공학과 (농업생명과학연구원)) , 박진기 (국립식량과학원 남부작물부 생산기술개발과) , 장시형 (국립원예특작과학원 원예작물부 과수과)

초록
AI-Helper

본 연구는 수수의 수확량 추정을 위해 무인기로 취득한 RGB 영상과 YOLOv5를 이용하여 수수 이삭 탐지 모델을 개발하였다. 이삭이 가장 잘 식별되는 9월 2일의 영상 중 512×512로 분할된 2000장을 이용하여 모델의 학습, 검증 및 테스트하였다. YOLOv5의 모델 중 가장 파라미터가 적은 YOLOv5s에서 mAP@50=0.845로 수수 이삭을 탐지할 수 있었다. 파라미터가 증가한 YOLOv5m에서는 mAP@50=0.844로 수수 이삭을 탐지할 수 있었다. 두 모델의 성능이 유사하나 YOLOv5s (4시간 35분)가 YOLOv5m (5시간 15분)보다 훈련시간이 더 빨라 YOLOv5s가 수수 이삭 탐지에 효율적이라고 판단된다. 개발된 모델을 이용하여 수수의 수확량 예측을 위한 단위면적당 이삭 수를 추정하는 알고리즘의 기초자료로 유용하게 활용될 것으로 판단된다. 추가적으로 아직 개발의 초기 단계를 감안하면 확보된 데이터를 이용하여 성능 개선 및 다른 CNN 모델과 비교 검토할 필요가 있다고 사료된다.

Abstract ▼ AI-Helper

The purpose of this study is to detect the sorghum panicle using YOLOv5 based on RGB images acquired by a unmanned aerial vehicle (UAV) system. The high-resolution images acquired using the RGB camera mounted in the UAV on September 2, 2022 were split into 512×512 size for YOLOv5 analysis. Sorghum panicles were labeled as bounding boxes in the split image. 2,000images of 512×512 size were divided at a ratio of 6:2:2 and used to train, validate, and test the YOLOv5 model, respectively. When learning with YOLOv5s, which has the fewest parameters among YOLOv5 models, sorghum panicles were detected with mAP@50=0.845. In YOLOv5m with more parameters, sorghum panicles could be detected with mAP@50=0.844. Although the performance of the two models is similar, YOLOv5s ( 4 hours 35 minutes) has a faster training time than YOLOv5m (5 hours 15 minutes). Therefore, in terms of time cost, developing the YOLOv5s model was considered more efficient for detecting sorghum panicles. As an important step in predicting sorghum yield, a technique for detecting sorghum panicles using high-resolution RGB images and the YOLOv5 model was presented.

주제어

표/그림 (11)

그림 Fig. 1. The study area with sorghum cultivation field.
그림 Fig. 2. Sorghum growth stage (Prasad and Staggenborg, 2009).
표 Table 1. Meteorological data on the date of acquisition (KMA, 2022)
그림 Fig. 3. Sorghum Panicle images by days: (a)August 18 image, (b)August 25 image, (c)September 2 image.
그림 Fig. 4. Labeling processing: Specialists labeled UAV RGB images and extracted them as YOLO data.
표 Table 2. Training setting of model
그림 Fig. 5. YOLOv5s loss graph: (a)Train box_loss graph, (b)Train obj_loss, (c)Validation box_loss, (d)Validation obj_loss.
그림 Fig. 6. YOLOv5m loss graph: (a)Train box_loss graph, (b)Train obj_loss, (c)Validation box loss, (d)Validation obj loss.
그림 Fig. 7. Validation graph of sorghum panicle detection using YOLOv5 model: (a) YOLOv5s mAP@50 graph, (b) YOLOv5s Precision-Recall curve, (c) YOLOv5m mAP@50 graph, (d) YOLOv5m Precision-Recall curve.
그림 Fig. 8. Test results of sorghum panicle detection using YOLO5 model: (a) YOLOv5s Precision-Recall curve, (b) YOLOv5s sorghum panicle detection image, (c) YOLOv5m Precision-Recall curve, (d) YOLOv5m sorghum panicle detection image.
표 Table 3. Comparison of sorghum panicle detection models using YOLOv5

참고문헌 (26)

Alzubaidi, L., J. Zhang, A. J. Humaidi, A.？Al-Dujaili, Y. Duan, O. Al-Shamma, J.？Santamaria, M. A. Fadhel, M. Al-Amidie, and L.？Farhan, 2021: Review of deep learning: Concepts,？CNN architectures, challenges, applications, future？directions. Journal of big Data 8(1), 1-74.
Bayraktar, E., M. E. Basarkan, and N. Celebi, 2020:？A low-cost UAV framework towards ornamental？plant detection and counting in the wild. ISPRS？Journal of Photogrammetry and Remote Sensing？167, 1-11.

상세보기
David, E., G. Daubige, F. Joudelat, P. Burger, A.？Comar, B. de Solan, and F. Baret, 2022: Plant？detection and counting from high-resolution RGB？images acquired from UAVs: comparison between？deep-learning and handcrafted methods with？application to maize, sugar beet, and sunflower.？bioRxiv, 2021-04.
Du, Z., J. Yang, C. Ou, and T. Zhang, 2019:？Smallholder crop area mapped with a semantic？segmentation deep learning method. Remote？Sensing 11(7), 888.

상세보기
Garcia-Martinez, H., H. Flores-Magdaleno, A. Khalil-Gardezi, R. Ascencio-Hernandez, L. Tijerina-Chavez, M. A. Vazquez-Pena, and O. R.？Mancilla-Villa, 2020: Digital count of corn plants？using images taken by unmanned aerial vehicles？and cross correlation of templates. Agronomy？10(4), 469.

상세보기
Gonzalo-Martin, C., A. Garcia-Pedrero, and M.？Lillo-Saavedra, 2021: Improving deep learning？sorghum head detection through test time？augmentation. Computers and Electronics in？Agriculture 186, 106179.

상세보기
Ha, Y. D., and S. P. Lee, 2001: Characteristics of？proteins in Italian millet, sorghum and common？millet. Korean J Postharvest Sci Technol 8(2),？187-192.
NICS (National Institute of Crop Science), 2016:？http://www.nics.go.kr/bbs/view.do?m100000126&bbsIdresearch&bbsSn202912
NICS (National Institute of Crop Science), 2019:？http://www.nics.go.kr/bbs/view.do?m100000126&bbsIdresearch&bbsSn463112
KMA (Korea Meteorological Administration), 2022:？https://data.kma.go.kr/data/grnd/selectAsosRltmList.do?pgmNo36
KOSIS (Korea Statistical Information Service), 2022:？Grain Production, https://kosis.kr/
Li, H., P. Wang, and C. Huang, 2022: Comparison？of Deep Learning Methods for Detecting and？Counting Sorghum Heads in UAV Imagery.？Remote Sensing 14(13), 3143.

상세보기
Marsalis, M. A., S. V. Angadi, and F. E.？Contreras-Govea, 2010: Dry matter yield and？nutritive value of corn, forage sorghum, and BMR？forage sorghum at different plant populations and？nitrogen rates. Field Crops Research 116(1-2),？52-57.

상세보기
MAFRA (Ministry of Agriculture, Food and Rural？Affairs of Korea), 2021: 양정자료. 36-37,？11-1543000-000002-10
Moon, H., J. H. Ryu, S. I. Na, S. W. Jang, S. H.？Sin, and J. Cho, 2021: Comparative Analysis of？Rice Lodging Area Using a UAV-based？Multispectral Imagery. Korean Journal of Remote？Sensing 37(5_1), 917-926.

원문보기 상세보기
Na, S., C. Park, K. So, H. Ahn, and K. Lee, 2018:？Application method of unmanned aerial vehicle for？crop monitoring in Korea. Korean Journal of？Remote Sensing 34(5), 829-846.

원문보기 상세보기
Prasad, P. V., and S. A. Staggenborg, 2009: Growth？and production of sorghum and millets. Soils,？plant growth and crop production 2.
Randelovic, P., V. Dordevic, S. Milic, S.？Balesevic-Tubic, K. Petrovic, J. Miladinovic, and？V. Dukic, 2020: Prediction of soybean plant？density using a machine learning model and？vegetation indices extracted from RGB images？taken with a UAV. Agronomy 10(8), 1108.

상세보기
Redmon, J., S. Divvala, R. Girshick, and A. Farhadi,？2016: You only look once: Unified, real-time？object detection. In Proceedings of the IEEE？conference on computer vision and pattern？recognition, 779-788.
RDA (Rural Development Administration of Korea),？2020: A study on the Management and？Profitability of Small Area Cultivated Crops
Stehr, N. J., 2015: Drones: The newest technology？for precision agriculture. Natural Sciences Education,？44(1), 89-91.

상세보기
Tack, J., J. Lingenfelser, and S. K. Jagadish, 2017:？Disaggregating sorghum yield reductions under？warming scenarios exposes narrow genetic？diversity in US breeding programs. Proceedings of？the National Academy of Sciences 114(35),？9296-9301.

상세보기
Yang, F., and M. Wang, 2021: Deep learning-based？method for detection of external air conditioner？units from street view images. Remote Sensing？13(18), 3691.

상세보기
Yang, S., L. Hu, H. Wu, H. Ren, H. Qiao, P. Li,？and W. Fan, 2021: Integration of crop growth？model and random forest for winter wheat yield？estimation from UAV hyperspectral imagery. IEEE？Journal of Selected Topics in Applied Earth？Observations and Remote Sensing 14, 6253-6269.

상세보기
Zhang, Y., M. Li, X. Ma, X. Wu, and Y. Wang,？2022: High-precision wheat head detection model？based on one-stage network and GAN model.？Frontiers in Plant Science 13.

상세보기
Zhao, J., X. Zhang, J. Yan, X. Qiu, X. Yao, Y.？Tian, Y. Zhu, and W. Cao, 2021: A wheat spike？detection method in UAV images based on？improved YOLOv5. Remote Sensing 13(16), 3095.

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