[논문]딥러닝 기반 농경지 속성분류를 위한 TIF 이미지와 ECW 이미지 간 정확도 비교 연구

김지영; 위성승

doi:10.5389/ksae.2023.65.6.015

딥러닝 기반 농경지 속성분류를 위한 TIF 이미지와 ECW 이미지 간 정확도 비교 연구
A Study on the Attributes Classification of Agricultural Land Based on Deep Learning Comparison of Accuracy between TIF Image and ECW Image 원문보기

한국농공학회논문집 = Journal of the Korean Society of Agricultural Engineers, v.65 no.6, 2023년, pp.15 - 22

김지영 (Dept. of Software Engineering, BaeWha Women's University) , 위성승 (Information & Statistical Policy Division, Ministry of Agriculture, Food and Rural Affairs)

Abstract ▼ AI-Helper

In this study, We conduct a comparative study of deep learning-based classification of agricultural field attributes using Tagged Image File (TIF) and Enhanced Compression Wavelet (ECW) images. The goal is to interpret and classify the attributes of agricultural fields by analyzing the differences between these two image formats. "FarmMap," initiated by the Ministry of Agriculture, Food and Rural Affairs in 2014, serves as the first digital map of agricultural land in South Korea. It comprises attributes such as paddy, field, orchard, agricultural facility and ginseng cultivation areas. For the purpose of comparing deep learning-based agricultural attribute classification, we consider the location and class information of objects, as well as the attribute information of FarmMap. We utilize the ResNet-50 instance segmentation model, which is suitable for this task, to conduct simulated experiments. The comparison of agricultural attribute classification between the two images is measured in terms of accuracy. The experimental results indicate that the accuracy of TIF images is 90.44%, while that of ECW images is 91.72%. The ECW image model demonstrates approximately 1.28% higher accuracy. However, statistical validation, specifically Wilcoxon rank-sum tests, did not reveal a significant difference in accuracy between the two images.

주제어

표/그림 (12)

그림 Fig. 1 Six different classes of land use in Farmmap (Wee et al., 2023)
그림 Fig. 2 TIF image and ECW image quality comparison (1: 250)
그림 Fig. 3 TIF image and ECW image size comparison
그림 Fig. 4 TIF image and ECW image quality comparison (1 : 25)
그림 Fig. 5 Color of RGB
표 Table 1 Comparison of TIF image and ECW image color extraction by farmland attributes
그림 Fig. 6 Conceptual image of ResNet model (He, 2015)
그림 Fig. 7 Residual learning : a building block (He, 2015)
표 Table 2 Number of train set and test set
표 Table 3 The result of an experiment
표 Table 4 Comparison of accuracy between TIF image and ECW image and ECW image and Wee et al. (2023)
표 Table 5 Wilcoxon signed rank test results

AI 본문요약
AI-Helper

문제 정의

그러나 대부분이 영상정보의 초기 특성에 관한 연구는 진행되지 않고 있다. 따라서 본 연구에서 팜맵 시스템의 운영 및 유지관리 관점에서의 저용량 고품질 영상정보의 특성에 따른 딥러닝 적용 가능성을 검토하고자 하였다.

제안 방법

먼저, 두 이미지의 용량과 색상을 비교하였으며, 다음으로, 색상을 추출하여 평균값과 표준편차를 비교하였다. 2) 두 이미지를 통해 딥러닝 기반 농경지 속성분류의 정확도를 제시하고 차이점을 비교하였다.
다음으로, TIF 이미지와 ECW 이미지의 정확도 비교를 검증하였다. 두 이미지의 전체 정확도는 ECW 이미지가 TIF 이미지 보다 약 1.
본 연구는 1) TIF 이미지와 ECW 이미지의 차이를 비교하였다. 먼저, 두 이미지의 용량과 색상을 비교하였으며, 다음으로, 색상을 추출하여 평균값과 표준편차를 비교하였다.
본 연구는 농경지의 논, 밭, 시설, 인삼, 과수, 비경지의 속성을 딥러닝 기반으로 분류하는 데 있어 사용되는 두 이미지간 농경지 속성분류의 정확도 비교 연구를 하였고 유의성 검증을 하였다.

대상 데이터

기존 Wee et al. (2023)의 연구에서는 ECW 이미지를 사용하여 학습데이터 수를 321,834개 구축하고 분석을 수행하였으며, 본 연구에서는 ECW 이미지를 활용하여 21년 항공영상을 사용하여 4.25배의 학습데이터를 증가시켜 이미지 약 137만 개를 활용하였다.
Table 2와 같이 농경지 속성별 학습데이터 수는 논은 2천개, 밭은 600천 개, 과수는 160천 개, 시설은 240천 개, 인삼은 약 77천 개, 비경지는 52천 개를 구축하여 학습데이터로 사용되었다. 두 이미지 간의 농경지 속성분류의 정확도를 검증하기 위해서는 검증을 위한 데이터는 15,118개를 구축하였고 15,118개의 검증 이미지 데이터는 사람이 눈으로 직접 확인하여 농경지 속성정보의 오류가 없는 이미지로 검증데이터를 이용하여 두 이미지 간의 정확도를 측정하였다.
Table 2와 같이 농경지 속성별 학습데이터 수는 논은 2천개, 밭은 600천 개, 과수는 160천 개, 시설은 240천 개, 인삼은 약 77천 개, 비경지는 52천 개를 구축하여 학습데이터로 사용되었다. 두 이미지 간의 농경지 속성분류의 정확도를 검증하기 위해서는 검증을 위한 데이터는 15,118개를 구축하였고 15,118개의 검증 이미지 데이터는 사람이 눈으로 직접 확인하여 농경지 속성정보의 오류가 없는 이미지로 검증데이터를 이용하여 두 이미지 간의 정확도를 측정하였다.
(2023)는 영상정보를 통한 딥러닝을 이용하여 팜맵의 속성정보 구축 연구를 수행하였다. 딥러닝에 사용된 모델은 ResNet-50으로 3개 시군을 대상으로 모의실험을 수행하였다. 그 결과 과수, 시설, 인삼에 대한 항목의 예측 정확도가 낮은 것으로 분석되었다.
팜맵에서 사용되는 영상 이미지는 2가지 이미지 형태로 구분된다. 첫 번째는 TIF (Tagged Image File) 이미지며 두 번째는 ECW (Enhanced Compression Wavelet) 이미지다. TIF 이미지는 국토지리정보원에서 농림축산식품부로 제공하는 영상 이미지이며, ECW 이미지는 항공영상을 활용하여 농경지 속성정보와 경계 구획을 논, 밭, 과수, 시설, 인삼으로 분류하기 위해 변환되는 이미지로 시군구 단위로 압축 결합한 이미지이다.

데이터처리

두 이미지 간 정확도를 보면 ECW 이미지가 TIF 이미지보다 전체와 논, 과수, 시설, 비경지 부분에서 더 높은 정확도를 나타내었으며, 이는 단순히 정확도를 비교한 결과이며 통계적으로 두 이미지 간 정확도에 유의미한 차이가 있는지 통계 검증하였다. 농경지 속성이 6개로 통계 검증을 위해 비모수 통계인 웰콕슨 부호 순위 검정을 이용하였으며 유의수준은 0.05에서 통계 검증을 시행하였다.
두 이미지 간의 정량적인 차이를 알아보기 위해서 농경지 속성별 이미지의 RGB 수치값을 추출하여 평균값과 표준편차의 값을 비교해 보았다.
본 연구는 1) TIF 이미지와 ECW 이미지의 차이를 비교하였다. 먼저, 두 이미지의 용량과 색상을 비교하였으며, 다음으로, 색상을 추출하여 평균값과 표준편차를 비교하였다. 2) 두 이미지를 통해 딥러닝 기반 농경지 속성분류의 정확도를 제시하고 차이점을 비교하였다.
본 연구에서 수행된 결과물의 정확도를 기존의 선행연구와 비교를 수행하였다. 기존 Wee et al.

이론/모형

또한 Wee et al. (2023)은 RetinaNet과 PointNet, ResNet, HQ-ISNet은 인스턴스 분할에 자주 활용되는 모델이라 하였으며, ResNet은 위 조건에 부합하여 본 알고리즘을 이용하여 모의실험을 진행하였고 본 연구의 딥러닝 모델도 같은 모델인 ResNet-50을 사용하였다. 이처럼 인스턴스 분할모델은 다양한 작물을 분류하기에 적합한 분석기법이며, 정확도도 검증이 되는 상황이다.
기존의 연구에서는 인스턴스 분할모델을 이용하여 다양한 작물에 AI를 적용하였다.
이처럼 인스턴스 분할모델은 다양한 작물을 분류하기에 적합한 분석기법이며, 정확도도 검증이 되는 상황이다. 따라서 본 연구에서도 범용적으로 사용되고 있는 ResNet-50 모델을 이용하였다.
또한 분석을 위한 일관성을 유지하기 위하여 이미지 포맷 변환 시 포맷과 좌표계를 동시에 변환하며 좌표계는 GRS80에서 UTM-K로 변환하였으며 사용한 소프트웨어는 Global Mapper를 사용하였다.
본 실험은 ResNet-50 모델을 이용하였으며, 입력 데이터는 128×128 크기의 컬러이미지, 출력데이터는 15 클래스의 확률값이며 손실함수는 Categorical Cross Entropy, 최적화 기법은 Adam (Adaptive Moment Estimation), 신경망 활성화할 수는 ReLu (Rectified Linear Unit), Classification 활성화 함수는 softmax 이다.

성능/효과

Fig. 3과 같이 두 이미지의 크기를 비교하면 TIF 이미지는 26 KB, ECW 이미지는 6 KB로 약 1/4수준으로 용량이 감소하는 것으로 나타났다. 또한 Fig.
ECW 이미지의 결과는 논 97.08%, 밭 92.27%, 과수 88.51%, 시설 96.00%, 인삼 94.11%, 비경지 76.47%의 정확도를 보였다. 특히 논과 시설에서 95% 넘은 정확도를 보였지만, 비경지는 80% 미만의 정확도를 보였다.
49% 높았다. 과수는 TIF 이미지보다 ECW 이미지의 정확도가 9.02%로 다른 농경지 속성과 비교해 제일 높았으며, 시설은 TIF 이미지보다 ECW 이미지가 0.21% 높았다. 인삼은 TIF 이미지가 ECW 이미지보다 1.
정확도가 많이 높아진 농경지 속성은 과수와 논이다. 과수는 기존 연구에 비교해 26.32% 상승하였고 논은 11.14% 상승하여 학습데이터의 수량에 따라 정확도가 높아졌다고 확인하였다.
딥러닝에 사용된 모델은 ResNet-50으로 3개 시군을 대상으로 모의실험을 수행하였다. 그 결과 과수, 시설, 인삼에 대한 항목의 예측 정확도가 낮은 것으로 분석되었다. 지역별 과수의 예측 정확도는 당진시 61.
그 결과, TIF 이미지의 정확도는 90.44%, ECW 이미지의 정확도는 91.72%로 ECW 이미지에서 약 1.28% 높은 정확도를 보였다 (Table 3).
이를 사용성의 측면에서 분석 시간에 대하여 검토를 하였다. 기존 고용량의 영상을 이용하여 분석을 수행한 결과 일정 면적을 분석을 수행하는 데 걸리는 시간은 저용량을 이용하는 경우 약 5배 정도 판독하는 시간이 감소하는 것으로 나타났다. 따라서 ECW 이미지를 이용하더라도 정확도가 유지되면서 시간이 감소하기 때문에 관리적 측면에서 효율성이 높다고 볼 수 있다.
농경지 속성별로 보면 TIF 이미지의 결과는 논 92.85%, 밭 92.76%, 과수 79.49%, 시설 95.79%, 인삼 95.47%, 비경지 76.40%의 정확도를 보였다. 특히 시설과 인삼에서 95% 넘은 정확도를 보였지만, 과수와 비경지는 80% 미만의 정확도를 보였다.
농경지 속성별로 보면 논은 TIF 이미지보다 ECW 이미지의 정확도가 4.23% 높았으며, 밭은 TIF 이미지가 ECW 이미지보다 0.49% 높았다. 과수는 TIF 이미지보다 ECW 이미지의 정확도가 9.
두 이미지 간 정확도를 보면 ECW 이미지가 TIF 이미지보다 전체와 논, 과수, 시설, 비경지 부분에서 더 높은 정확도를 나타내었으며, 이는 단순히 정확도를 비교한 결과이며 통계적으로 두 이미지 간 정확도에 유의미한 차이가 있는지 통계 검증하였다. 농경지 속성이 6개로 통계 검증을 위해 비모수 통계인 웰콕슨 부호 순위 검정을 이용하였으며 유의수준은 0.
다음으로, TIF 이미지와 ECW 이미지의 정확도 비교를 검증하였다. 두 이미지의 전체 정확도는 ECW 이미지가 TIF 이미지 보다 약 1.28% 높은 정확도를 보였다.
반면에 밭과 인삼에서는 TIF 이미지가 ECW 이미지보다 정확도가 높음을 알 수 있었다. 또한, 과수는 ECW 이미지가 TIF 이미지보다 정확도가 9% 높았다. 과수 속성에서 많이 차이 나는 이유는 다른 농경지의 혼합된 이미지 색상과 비교해 과수의 형태는 줄지어진 형태이거나 나무와 나무 간격이 1.
또한, 여러 농경지 속성별 중에서 시설은 TIF 이미지가 ECW 이미지에 비교해 차이가 크게 있었으며, 인삼은 상대적으로 작은 차이 값을 보였다. 시설의 경우에는 플라스틱 하우스 또는 유리온실 등 태양광의 반사를 유발하는 피복재로 외관이 형성되어 있다.
이로 인하여 영상의 용량에 따라 사용성에서 차이가 발생하게 된다. 본 연구에서의 저용량의 이미지를 활용하더라도 정확도에는 큰 차이가 없었으며, 학습데이터의 증가로 정확도가 증가하는 것으로 볼 수 있다. 이를 사용성의 측면에서 분석 시간에 대하여 검토를 하였다.
36% 높았다. 비경지는 TIF와 ECW 이미지 간 정확도 차이가 거의 없었다.
실험 결과, 전체적인 정확도는 TIF 이미지보다 ECW 이미지의 정확도가 다소 높았으나 모든 농경지 속성에서 높은 것은 아니며, 논, 과수, 시설에서 ECW 이미지가 TIF 이미지보다 농경지 속성분류의 정확도가 높음을 알 수 있었다. 반면에 밭과 인삼에서는 TIF 이미지가 ECW 이미지보다 정확도가 높음을 알 수 있었다.
전체 농경지로 보면 과거 정확도에 비해 본 연구의 정확도는 6.36% 상승하였다. 정확도가 많이 높아진 농경지 속성은 과수와 논이다.

후속연구

그러나 주기적으로 촬영이 가능하므로 시계열 정보의 취득이 가능하다는 장점도 가지고 있다. 따라서 향후 팜맵에 농업용 위성영상을 도입하기 위한 영상적용 방안이 검토되어야 할 것으로 보인다.

참고문헌 (12)

Wee, S. S., N. S. Jung, W. S. Lee, and Y. T. Shin, 2023.？The application methods of FarmMap reading in？agricultural land using deep learning. KIPS Transactions on？Software and Data Engineering, 12(2): 77-82 (in Korean).
Wee, S. S., W. S. Lee, and N. S. Jung, 2022. Farm-map？application strategy for Agri-Environmental resources？management. Journal of the Korean Society of Agricultural？Engineers, 64(3): 1-8 (in Korean).
Son, K. J., W. S. Lee, W. W. Park, S. J. Lee, S. K. Park？and K. S. Han, 2021. Study on applying spatial information？to agriculture based on the farm map. Journal of the Korea？Society of Information Technology Policy & Management,？13(1): 2229-2235 (in Korean).
Kim, J. T., E. B. Park, K. W. Han, J. Y. Lee, and H. J.？Lee. 2021. A two-stage learning method of CNN and？K-means RGB cluster for sentiment classification of images. Journal of Intelligence and Information Systems, 27(3):？139-156 (in Korean).
Lee, S. H., 2019. Land cover classification using sematic？image segmentation with deep learning. Korean Journal of？Remote Sensing, 35(2): 279-288 (in Korean).
Oh, B. T., 2022. Deep learning-based image manipulation？and detection technology trends. Broadcasting and Media？Magazine, 27(2): 62-69(in Korean).
Chung, H. K., J. I. Kim, S. Y. Ko, S. K. Chai, and Y. T.？Shin. 2022. Forest change detection service based on？artificial intelligence learning data. Journal of Information？Processing Society, 11(8): 347-354 (in Korean).
Yang, Y. K., 2018. Classification of paddy rice cultivation？area using satellite imagery and machine learning techniques.？Master's thesis, Kongju National University.
He, K., and X. Zhang, 2015. Deep residual learning for？image recognition. arXiv:1512.03385v1.
Yu, G. H., J. W. Lee, V. H. Trong, H. T. Nguyen, J. H.？Lee, D. S. Shin, and J. Y. Kim. 2019. Exotic weeds？classification: Hierarchical approach with convolutional？neural network. Journal of Korean Institute of Information？Technology, 17(12): 81-92 (in Korean).

상세보기
Lee, D. H., and K. H. Seok. 2018. Detection of Scirtothrips？with deep neural networks. Journal of Korean Data &？Information Science Society, 29(5): 1287-1297 (in Korean).
Chung, J. R., and S. W. Jung, 2019. A survey on deep？learning-based image downsampling. The Korean Institute？of Broadcast and Media Engineers Autumn Conference.

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