$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

Vision Transformer를 이용한 UAV 영상의 벼 도복 영역 진단
Diagnosis of the Rice Lodging for the UAV Image using Vision Transformer 원문보기

스마트미디어저널 = Smart media journal, v.12 no.9, 2023년, pp.28 - 37  

명현정 (한국전자기술연구원 IT응용연구센터) ,  김서정 (한국전자기술연구원 IT응용연구센터) ,  최강인 (한국전자기술연구원 IT응용연구센터) ,  김동훈 (한국전자기술연구원 IT응용연구센터) ,  이광형 (한국전자기술연구원 IT응용연구센터) ,  안형근 (국립종자원 국제종자생명교육센터) ,  정성환 (한국전자기술연구원 IT응용연구센터) ,  김병준 (한국전자기술연구원 IT응용연구센터)

초록
AI-Helper 아이콘AI-Helper

쌀 수확량 감소에 크게 영향을 주는 것은 집중호우나 태풍에 의한 도복 피해이다. 도복 피해 면적 산정 방법은 직접 피해 지역을 방문하는 현장 조사를 기반으로 육안 검사 및 판단하여 객관적인 결과 획득이 어렵고 많은 시간과 비용이 요구된다. 본 논문에서는 무인 항공기로 촬영된 RGB 영상을 Vision Transformer 기반 Segformer을 활용한 벼 도복 영역 추정 및 진단을 제안한다. 제안된 방법은 도복, 정상, 그리고 배경 영역을 추정하고 종자관리요강 내 벼 포장 검사를 통해 도복률을 진단한다. 진단된 결과를 통해 벼 도복 피해 분포를 관찰할 수 있게 하며, 정부 보급종 포장 검사에 활용할 수 있다. 본 연구의 벼 도복 영역 추정 성능은 평균 정확도 98.33%와 mIoU 96.79%의 성능을 나타내었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The main factor affecting the decline in rice yield is damage caused by localized heavy rains or typhoons. The method of analyzing the rice lodging area is difficult to obtain objective results based on visual inspection and judgment based on field surveys visiting the affected area. it requires a l...

주제어

#벼 도복   #무인 항공기   #딥러닝   #시멘틱 세그멘테이션  

참고문헌 (19)

  1. M.H. Lee, Y.J. Oh, and R.K. Park, "Lodging Mechanisms and Reducing Damage of Rice Plant," The Korean Journal of Crop Science, Vol. 36, No .5, pp. 383-393, 1991. 

  2. H.Y. Ban, J.K. Baek, W.G. Sang, J.H. Kim, and M.C. Seo, "Estimation of the Lodging Area in Rice Using Deep Learning," The Korean Journal of Crop Science, Vol. 66, No. 2, pp. 105-111, 2021. 

  3. B.J. Kim, G.H. Park, H.G. Ahn, K.Y. Kim, and S.H. Jeong, "Estimation of Rice Lodging Using Semantic Segmentation Based on Deep Learning Model," Journal of the Korea Academia-Industrial, Vol. 22, pp. 28-34, 2021. 

  4. Sara Mardanisamani, Farhad Maleki, Sara Hosseinzadeh Kassani, Sajith Rajapaksa, Hema Duddu, and Menglu Wang "Crop Lodging Prediction FroUAV-Acquired Images of Wheat and Canola Using a DCNN Augmented With Handerafted Texture Features," Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, Jun. 2019. 

  5. S. Rajapaksa, M. Eramian, H. Duddu, M. Wang, S. Shirtliffe, S. Ryu, A. Josuttes, T. Zhang, S. Vail, C. Pozniak, and I. Parkin. "Classification of crop lodging with gray level co-occurrence matrix." In 2018 IEEE Winter Conference on Applications of Computer Vision, pp. 251 - 258, USA, Mar. 2018. 

  6. 종자관리요강 벼 포장검사, https://www.law.go.kr/LSW/admRulLsInfoP.do?admRulSeq2100000190257 (accessed Jul., 20, 2023). 

  7. Pan, Sinno Jialin, and Qiang Yang, "A survey on transfer learning." IEEE Transactions on knowledge and data engineering, vol. 22, no. 10, pp. 1345-1359, Oct. 2009. 

  8. A. Dosovitskiy, L. Beyer, A. Kolesnikov, D. Weissenborn, X. Zhai, T. Unterthiner, M. Dehghani, M. Minderer, G. Heigold, S. Gelly, J. Uszkoreit, and N. Houlsby, "An image is worth 16x16 words: Transformers for image recognition at scale," arXiv preprint arXiv:2010.11929, Jun. 2020. 

  9. E. Xie, W. Wang, Z. Yu, A. Anandkumar, J. M. Alvarez, and P. Luo, "SegFormer: Simple and efficient design for semantic segmentation with transformers," Advances in Neural Information Processing Systems, vol. 34, Oct. 2021. 

  10. Shruti Jadon, "A survey of loss functions for semantic segmentation," 2020 IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB), pp. 1-7, Via del Mar, Chile, Oct. 2020. 

  11. Cui, Y., Jia, M., Lin, T. Y., Song, Y., and Belongie, S, "Class-balanced loss based on effective number of samples." Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pp. 9268-9277, 2019. 

  12. C. Szegedy, V. Vanhoucke, S. loffe, J. Shlens, and Z. Wojna, "Rethinking the inception architecture for computer vision." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2818-2826, USA, Jun. 2016. 

  13. 일반벼-재해-도복 피해 및 대책 농사로, https://www.nongsaro.go.kr/portal/ps/psb/psbk/kidofcomdtyDtl.ps;jsessionidbFiedAagYh51bglvLPCkWaHvtiNOG6iR8EvGDkjdaiRAkamc0dTccvaTthZABFru.nongsaro-web_servlet_enginel?menuldPS00067&kidofcomdtyNo30134 (accessed Jul., 26, 2023). 

  14. 손남례, 정민아, "OpenPose기반 딥러닝을 이용한 운동동작분류 성능 비교," 스마트미디어저널 제12권, 제7호, 59-67쪽, 2023년 8월 

  15. 이소영, 정혜선, 최윤성, 이충권, "딥러닝을 이용한 의류 이미지의 텍스타일 소재 분류," 스마트미디어 저널 제12권, 제7호, 43-51쪽, 2023년 

  16. 고유진, 이현준, 정희자, 위리, 김남호, "딥러닝 기반 작물 질병 탐지 및 분류 시스템," 스마트미디어 저널 제12권, 제7호, 9-17쪽, 2023년 

  17. B. Heo, S. Chun, S. J. Oh, D. Han, S. Yun, G. Kim, Y. Uh, J. W. Ha, "Adamp: Slowing down the slowdown for momentum optimizers on scale-invariant weights," arXiv preprint arXiv:2006.08217, 2020. 

  18. Sebastian Ruder. "An overview of gradient descent optimization algorithms," arXiv preprint arXiv:1609.04747, 2016. 

  19. Ilya Loshchilov, Frank Hutter, "Decoupled weight decay regularization," arXiv preprint arXiv:1711.05101, 2017. 

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로