[논문]딥러닝을 이용한 농경지 팜맵 판독 적용 방안

위성승; 정남수; 이원석; 신용태

doi:10.3745/ktsde.2023.12.2.77

딥러닝을 이용한 농경지 팜맵 판독 적용 방안
The Application Methods of FarmMap Reading in Agricultural Land Using Deep Learning 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.12 no.2, 2023년, pp.77 - 82

위성승 (숭실대학교 IT정책경영학과) , 정남수 (공주대학교 지역건설공학과) , 이원석 (농림축산식품부) , 신용태 (숭실대학교 컴퓨터공학부)

초록
AI-Helper

본 논문은 농림축산식품부에서 구축한 농경지 전자지도인 팜맵을 딥러닝을 이용하여 농경지 속성정보인 논, 밭, 인삼, 과수, 시설, 비경지의 속성 정보를 판독하는 방안을 제안한다. 팜맵은 항공 및 위성 영상을 이용하여 현실 세계의 농경지를 디지털화하여 작물 생산 현황 파악과 드론 운영에 공간정보로 활용되고 있으며, 판독 매뉴얼을 작성하여 매년 사람을 통해 농경지의 경계를 구획하고 속성을 판독하여 갱신한다. 사람을 통한 농경지 속성판독은 사람의 판독 역량과 경험에 따라 차이를 보이며, 판독 오류는 예산과 공간적 시간적 한계로 직접 현장에 갈 수 없어 현실적으로 검증이 쉽지 않다. 팜맵은 5가지의 농경지 속성의 이미지에 해당 객체의 위치 정보와 클래스 정보를 가지고 있어 적합한 AI의 기법은 인스턴스 분할 모델인 ResNet50으로 실험을 진행하였으며, 딥러닝을 이용한 농경지 속성판독과 사람에 의한 속성판독 결과를 비교하여, 향후 다른 결과를 나타내는 속성판독에 집중하여 기술을 개발한다면 속성 오류를 줄이고 농경지 전자지도의 정확성 향상에 큰 역할을 할 것으로 기대된다.

Abstract ▼ AI-Helper

The Ministry of Agriculture, Food and Rural Affairs established the FarmMap, an digital map of agricultural land. In this study, using deep learning, we suggest the application of farm map reading to farmland such as paddy fields, fields, ginseng, fruit trees, facilities, and uncultivated land. The farm map is used as spatial information for planting status and drone operation by digitizing agricultural land in the real world using aerial and satellite images. A reading manual has been prepared and updated every year by demarcating the boundaries of agricultural land and reading the attributes. Human reading of agricultural land differs depending on reading ability and experience, and reading errors are difficult to verify in reality because of budget limitations. The farmmap has location information and class information of the corresponding object in the image of 5 types of farmland properties, so the suitable AI technique was tested with ResNet50, an instance segmentation model. The results of attribute reading of agricultural land using deep learning and attribute reading by humans were compared. If technology is developed by focusing on attribute reading that shows different results in the future, it is expected that it will play a big role in reducing attribute errors and improving the accuracy of digital map of agricultural land.

주제어

표/그림 (8)

그림 Fig. 1. Property of Farm Map
그림 Fig. 2. Conceptual Image of ResNet Model
그림 Fig. 3. Image Classification Process
그림 Fig. 4. Various Forms of Field
표 Table 1. Image Sets for Test
그림 Fig. 5. Image Examples of Training Set
표 Table 2. Resnet Model Application Results
표 Table 3. ResNet Model Application Results with Property

참고문헌 (19)

Statistics Korea 2010, Agricultural area Survey, 2020.
Ministry of Agriculture, Food and Rural Affairs, Press？Release, "Anyone can use the electronic map farm map？of agricultural land," 2021.
K. J. Son, "Study on applying spatial information to？agriculture based on the farm map," Journal of the Korea？Society of Informaion Technology Policy & Managment,？'21-13, Vol.13, No.1, pp.2229-2235, 2021.
Statistics Korea, "2020 Total Cultivated Land Survey using？Farm Map data," 2020.
Ministry of Agriculture, Food and Rural Affairs, "Establishment of Smart Farm Map Construction Plan," 2017.
H. K. Choi, B. K. Lee, S. R. Son, and H. H. Ahn, "CCMS？(Crop Classification Management System) detecting growth？environment changes to improve crop production rate,"？The Journal of Korea Institute of Information, Electronics,？and Communication Technology, Vol,13, No.2, pp.145-152, 2020.
J. M. Koo, "Introduction of detector analysis and large data？sets for object detection in satellite images," Korean？Society for Remote Sensing Fall Conference, 2020.
K. Kim, S. Hong, B. Choi, and E. Kim, "Probabilistic ship？detection and classification using deep learning." Applied？Sciences, Vol.8, No.6, pp.936. 2018.
Institute for Land, Infrastructure and Transport Science？and Technology Promotion, "Final report on the development of deep learning-based CCTV image retention？system for initial response to accidents in tunnels," 2019.
A. Bewley, Z. Ge, L. Ott, F. Ramos, and B. Upcroft, "Simple？online and realtime tracking," In: Proceedings of the？Image Processing (ICIP) IEEE International Conference,？pp.3464-3468, 2016.
S. H. Lee, "Land cover classification using sematic image？segmentation with deep learning," Korean Journal of？Remote Sensing, Vol.35, No.2, pp.279-288, 2019.
H. Su, S. Wei, S. Liu, J. Liang, C. Wang, J. Shi, and X. Zhang,？"HQ-ISNet: High-quality instance segmentation for remote sensing imagery," Remote Sens, Vol.12, No.6,？pp.989, 2020.

상세보기
A. R. Song and Y. I. Kim, "Deep learning-based hyperspectral image classification with application to environmental geographic information systems," Korean Journal？of Remote Sensing, Vol.33, No.6, pp.1061-1073, 2017.
R. Qin, X. Huang, and A, Gruen, "Object-Based 3D building？change detection on multitemporal stereo images," IEEE,？Journal of Selected Topics in Applied Earth Observations？and Remote Sensing, Vol.8, No.5, pp.2125-2137, 2017.
C. Qi, H. Su, K. Mo, and L. J. Guibas, "Pointnet: Deep？learning on point sets for 3d classification and segmentation," In Proceedings of the IEEE Conference on Computer？Vision and Pattern Recognition, pp.652-660, 2017.
H. D. Seo and Y. M. Kim, "Object classification and change？detection in point clouds using deep learning," Journal of？Cadastre & Land InformatiX, Vol.50, No.2, pp.37-51, 2020.
K. H. Seo, C. H. Oh, D. W. Kim, M. Y. Lee, Y. J. Yang,？and Y. K. Lee, "Monitoring method of land use and land？cover change using deep learning algorithm," Sejong:？KRIHS, 2018,
K. He, X. Zhang, S. Ren, and J. Sun, "Deep residual learning？for image recognition," In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,？pp.770-778. 2016.
C. N. Lim, Y. S. Park, and J. W. Lee, "Deep learning model？validation method based on image data feature coverage,"？KIPS Transactions on Software and Data Engineering,？Vol.10, No.9, pp.375-384, 2021.

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