[논문]딥러닝 기반 옥수수 포장의 잡초 면적 평가

박혁진; 권동원; 상완규; 반호영; 장성율; 백재경; 이윤호; 임우진; 서명철; 조정일

doi:10.5532/kjafm.2023.25.1.17

딥러닝 기반 옥수수 포장의 잡초 면적 평가
Deep Learning Approaches for Accurate Weed Area Assessment in Maize Fields 원문보기

한국농림기상학회지 = Korean Journal of Agricultural and Forest Meteorology, v.25 no.1, 2023년, pp.17 - 27

박혁진 (농촌진흥청 국립식량과학원 작물재배생리과) , 권동원 (농촌진흥청 국립식량과학원 작물재배생리과) , 상완규 (농촌진흥청 국립식량과학원 작물재배생리과) , 반호영 (농촌진흥청 국립식량과학원 작물재배생리과) , 장성율 (농촌진흥청 국립식량과학원 작물재배생리과) , 백재경 (농촌진흥청 국립식량과학원 작물재배생리과) , 이윤호 (농촌진흥청 국립식량과학원 작물재배생리과) , 임우진 (농촌진흥청 국립식량과학원 작물재배생리과) , 서명철 (농촌진흥청 국립식량과학원 작물재배생리과) , 조정일 (농촌진흥청 국립식량과학원 작물재배생리과)

초록
AI-Helper

포장에서 잡초의 발생은 농작물의 생산량을 크게 떨어트리는 원인 중 하나이고 SSWM을 기반으로 잡초를 변량 방제하기 위해서 잡초의 발생 위치, 밀도 그리고 이를 정량화하는 것은 필수적이다. 본 연구에서는 2020년의 국립식량과학원에서 잡초 피해를 입은 옥수수 포장의 영상데이터를 무인항공기를 활용해서 수집하였고 이를 배경과 옥수수로 분리하여 딥러닝 기반 영상 분할 모델 제작을 위한 학습데이터를 획득하였다. DeepLabV3+, U-Net, Linknet, FPN의 4가지의 영상 분할 네트워크들의 옥수수의 검출 정확도를 평가하기 위해 픽셀정확도, mIOU, 정밀도, 재현성의 지표를 활용해서 정확도를 검증하였다. 검증 결과 DeepLabV3+ 모델이 0.76으로 가장 높은 mIOU를 나타냈고, 해당 모델과 식물체의 녹색 영역과 배경을 분리하는 지수인 ExGR을 활용해서 잡초의 면적을 정량화, 시각화하였다. 이러한 연구의 결과는 무인항공기로 촬영된 영상을 활용해서 넓은 면적의 옥수수 포장에서 빠르게 잡초의 위치와 밀도를 특정하고 정량화하는 것으로 잡초의 밀도에 따른 제초제의 변량 방제를 위한 의사결정에 도움이 될 것으로 기대한다.

Abstract ▼ AI-Helper

Weeds are one of the factors that reduce crop yield through nutrient and photosynthetic competition. Quantification of weed density are an important part of making accurate decisions for precision weeding. In this study, we tried to quantify the density of weeds in images of maize fields taken by unmanned aerial vehicle (UAV). UAV image data collection took place in maize fields from May 17 to June 4, 2021, when maize was in its early growth stage. UAV images were labeled with pixels from maize and those without and the cropped to be used as the input data of the semantic segmentation network for the maize detection model. We trained a model to separate maize from background using the deep learning segmentation networks DeepLabV3+, U-Net, Linknet, and FPN. All four models showed pixel accuracy of 0.97, and the mIOU score was 0.76 and 0.74 in DeepLabV3+ and U-Net, higher than 0.69 for Linknet and FPN. Weed density was calculated as the difference between the green area classified as ExGR (Excess green-Excess red) and the maize area predicted by the model. Each image evaluated for weed density was recombined to quantify and visualize the distribution and density of weeds in a wide range of maize fields. We propose a method to quantify weed density for accurate weeding by effectively separating weeds, maize, and background from UAV images of maize fields.

주제어

표/그림 (9)

그림 Fig. 1. Structure of DeepLabV3+ and U-net.
그림 Fig. 2. Segmentation of weed area based on maize area predictions by DeepLabV3+ model and ExGR.
표 Table 1. Accuracy and Loss values for DeepLabV3+, U-Net, Linknet and FPN
그림 Fig. 3. Accuracy and Loss values for both the DeepLabV3+ and U-Net models.
표 Table 2. Evaluation of four models based on Pixel Accuracy, mIOU, Precision, and Recall
그림 Fig. 4. Quantification of the area ratio in the extracted weed area.
그림 Fig. 5. Segmentation of maize and weed pixels using the DeeplabV3+ model at field scale.
그림 Fig. 6. Predicted maize area (%) and weed area (%) in each maize field.
그림 Fig. 7. Weed heatmap of the field scale, based on the weed area in each plot image.

참고문헌 (30)

Choi, B. S., C. G. Kim, K. Y. Seong, D. Y. Song,？W. T. Jeon, J. S. Cho, K. H. Jeong, and U. G.？Kang, 2011: Change of Weed Community in？No-till Corn with Legume Cover Crops as Living？Mulch. Korean Journal of Weed Science 31,？34-40. (in Korean with English abstract)
Chen, L. C., Y. Zhu, G. Papandreou, F. Schroff, and？H. Adam, 2018: Encoder-Decoder with Atrous？Separable Convolution for Semantic Image？Segmentation. Computer Vision and Pattern？Recognition, arXiv:1802.02611
Chaurasia, A., and E. Culurciello, 2017: LinkNet:？Exploiting Encoder Representations for Efficient？Semantic Segmentation. Computer Vision and？Pattern Recognition, arXiv:1707.03718
Christensen, S., H. T. Sogaard, P. Kudsk, M.？Norremark, I. Lund, E. S. Nadimi, and R.？Jorgensen, 2009: Site-specific weed control？technologies. Weed Research 49, 233-241.
Du, M., and N. Noguchi, 2017: Monitoring of wheat？growth status and mapping of wheat yield's？within-field spatial variations using color images？acquired from UAV-camera system. Remote？Sensing 9, 289.

상세보기
Ge, L., Z. Yang, Z. Sun, G. Zhang, M. Zhang, K.？Zhang, C. Zhang, Y. Tan, and W. Li, 2019: A？method for broccoli seedling recognition in natural？environment based on binocular stereo vision and？Gaussian mixture model. Sensors 19(5), 1132.

상세보기
He, K., X. Zhang, S. Ren, and J. Sun, 2016: Deep？residual learning for image recognition. Proceedings？of the IEEE Conference on Computer Vision and？Pattern Recognition, 770-778.
Huang, H., J. Deng, Y. Lan, A. Yang, X. Deng, S.？Wen, H. Zhang, and Y. Zhang, 2018: Accurate？weed mapping and prescription map generation？based on fully convolutional networks using UAV？imagery. Sensors 18(10), 3299.
Lee, B. M., J. R. Jo, N. H. An, J. H. Ok, and S.？C. Kim, 2014: False Seedbed Weed Control under？Different Preparation Date and Method in Organic？Corn Field. The Korean Society of Weed Science？and The Turfgrass Society of Korea 3(4),？299-304. (in Korean with English abstract)
Kazmi, W., S. Foix, G. Alenya, and H. J. Andersen,？2014: Indoor and Outdoor Depth Imaging of？Leaves with Time-of-Flight and Stereo Vision？Sensors: Analysis and Comparison. ISPRS Journal？of Photogrammetry and Remote Sensing 88,？128-146.

상세보기
Khan, M. J., H. S. Khan, A. Yousaf, K. Khurshid,？and A. Abbas, 2018: Modern Trends in？Hyperspectral Image Analysis: A Review. IEEE？Access 6, 14118-14129.
Lammie, C., A. Olsen, T. Carrick, and M. R.？Azghadi, 2019: Low-power and High-Speed Deep？FPGA Inference Engines for Weed Classification？at the Edge. IEEE Access 7, 51171-51184.

상세보기
Richard, G. G., 2003: Injury to Vegetable Crops？from Herbicides Applied in Previous Years. Weed？Technology 17, 73-78.

상세보기
Lee, J., M. N. Shin, B. I. Ku, K. B. Shim, and W.？T. Jeon, 2021: Current Status and Direction of？Weed Management According to Cropping？Systems. Korean Journal of Crop Science 66(4),？459-466. (in Korean with English abstract)
Lee, Y. H., W. G. Sang, J. K. Baek, J. H. Kim, J.？I. Cho, and M. C. Seo, 2020: Low-cost？Assessment of Canopy Light Interception and Leaf？Area in Soybean Canopy Cover using RGB Color？Images. Korean Journal of Agricultural and？Forest Meteorology 22(1), 13-19. (in Korean with？English abstract)
Lee, Y. H., M. C. Seo, and J. K. Beak, 2019:？Growth Characteristics and Grain Yield Under？Tropical Monsoon Climate in Forage Maize.？Journal of the Korean Society for International？Agriculture 31(3), 255-260. (in Korean with？English abstract)
Lopez-Granados, F., J. Torres-Sanchez, A. Serrano-Perez,？A. I. de Castro, F. J. Mesas-Carrascosa, and J. M.？Pena, 2016: Early Season Weed Mapping in？Sunflower using UAV Technology: Variability of？Herbicide Treatment Maps Against Weed Thresholds.？Precision Agriculture 17, 183-199.

상세보기
Louargant, M., G. Jones, R. Faroux, J. N. Paoli, T.？Maillot, C. Gee, and S. Villette, 2018: Unsupervised？Classification Algorithm for Early Weed Detection？in Row-Crops by Combining Spatial and Spectral？Information. Remote Sensing 10(5), 761.
Luis, P., and W. Jason, 2017: The Effectiveness of？Data Augmentation in Image Classification using？Deep Learning. Computer Vision and Pattern？Recognition, arXiv:1712.04621
Mateen, A., and Q. Zhu, 2019: Weed Detection in？Wheat Crop using UAV for Precision Agriculture.？Pakistan Journal of Agricultural Sciences 56(3),？775-784.

상세보기
Nevavuori, P., N. Narra, and T. Lipping, 2019: Crop？Yield Prediction with Deep Convolutional Neural？Networks. Computers and Electronics in Agriculture？163, 104859.
Ronneberger, O., F. Philipp, and B. Thomas, 2015:？U-Net: Convolutional Networks for Biomedical？Image Segmentation. Computer Vision and Pattern？Recognition, arXiv:1505.04597
Sang, W. G., J. H. Kim, J. K. Baek, D.W. Kwon,？H. Y. Ban, J. I. Cho, and M. C. Seo, 2021:？Detection of Drought Stress in Soybean Plants？using RGB-based Vegetation Indices. Korean？Journal of Agricultural and Forest Meteorology？23(4), 340-348. (in Korean with English abstract)
Lin, T. Y., P. Dollar, R. Girshick, K. He, B.？Hariharan, and S. Belongie, 2017: Feature Pyramid？Networks for Object Detection. Computer Vision？and Pattern Recognition, arXiv:1612.03144
USDA (United States Department of Agriculture),？2020: World Agricultural Production.
Wang, A., W. Zhang, and X. Wei, 2019: A Review？on Weed Detection Using Ground-based Machine？Vision and Image Processing Techniques.？Computers and Electronics in Agriculture 158,？226-240.

상세보기
Xu, W., W. Yang, S. Chen, C. Wu, P. Chen, and？Y. Lan, 2020: Establishing a Model to Predict the？Single Boll Weight of Cotton in Northern？Xinjiang by Using High Resolution UAV Remote？Sensing Data. Computers and Electronics in？Agriculture 179, 105762.

상세보기
Zhang, C., K. Zou, and Y. Pan, 2020: A Method of？Apple Image Segmentation Based on Color-Texture？Fusion Feature and Machine Learning. Agronomy？10(7), 972.
Zhou, D., M. Li, Y. Li, J. Qi, K. Liu, X. Cong,？and X. Tian, 2020: Detection of Ground Straw Coverage under Conservation Tillage Based on？Deep Learning. Computers and Electronics in？Agriculture 172, 105369.

상세보기
Zou, K., X. Chen, F. Zhang, H. Zhou, and C.？Zhang, 2021: A Field Weed Density Evaluation？Method Based on UAV Imaging and Modified？U-Net. Remote Sensing 13, 310.

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