[논문]객체 탐지 딥러닝 기법을 활용한 필지별 조사 방안 연구

전정배

doi:10.22640/lxsiri.2024.54.1.19

[국내논문] 객체 탐지 딥러닝 기법을 활용한 필지별 조사 방안 연구
Detecting high-resolution usage status of individual parcel of land using object detecting deep learning technique 원문보기

지적과 국토정보 = Journal of cadastre & land informatix, v.54 no.1, 2024년, pp.19 - 32

전정배 (한국국토정보공사 공간정보연구원)

초록
AI-Helper

본 연구에서는 드론영상을 기반으로 YOLO 알고리즘을 통해 시설물과 농경지를 대상으로 객체탐지를 실시하고, 이를 법정지목과 비교를 수행하여 영상기반의 조사 가능성을 검토하였다. YOLO 알고리즘을 통해 객체를 탐지한 결과 건축물의 경우에는 기존 수치지형도에서 제공하고 있는 건축물 중 96.3%에 해당하는 객체를 탐지하는 것으로 분석되었다. 또한 수치지형도에서는 건축물이 위치하지 않지만, 영상에서 건축물이 존재하는 136개의 건축물을 추가로 탐지하는 것으로 나타나 정확도가 높은 것으로 나타났다. 비닐하우스의 경우에는 총 297개를 탐지했으나, 일부 과수형 비닐하우스의 경우에 탐지율이 낮은 것으로 분석되었다. 마지막으로 농경지는 가장 낮은 탐지율을 보였다. 농경지는 시설물 대비 넓은 면적과 불규칙한 형상으로 학습데이터의 일관성이 낮아 정확도가 시설물에 비해 작은 것으로 판단된다. 따라서 농경지의 경우에는 박스형태의 탐지가 아닌 Segmentation 탐지가 더욱 효과적으로 활용될 것으로 보인다. 마지막으로 탐지된 객체를 법정지목과 비교를 수행하였다. 그 결과 건축물이 입지가 어려운 농경지 및 임야에서 건축물이 존재하는 것으로 분석되었다. 그러나 이 건축물이 불법으로 활용됨을 파악하기 위해선 행정정보와 연계가 필요할 것으로 보여진다. 따라서 현재 수준에서는 건축물이 입지하기 어려운 필지에 건축물의 존재유무를 객관적으로 판단할 수 있는 수준까지 조사가 가능한 것으로 볼 수 있다.

Abstract ▼ AI-Helper

This study examined the feasibility of image-based surveys by detecting objects in facilities and agricultural land using the YOLO algorithm based on drone images and comparing them with the land category by law. As a result of detecting objects through the YOLO algorithm, buildings showed a performance of detecting objects corresponding to 96.3% of the buildings provided in the existing digital map. In addition, the YOLO algorithm developed in this study detected 136 additional buildings that were not located in the digital map. Plastic greenhouses detected a total of 297 objects, but the detection rate was low for some plastic greenhouses for fruit trees. Also, agricultural land had the lowest detection rate. This result is because agricultural land has a larger area and irregular shape than buildings, so the accuracy is lower than buildings due to the inconsistency of training data. Therefore, segmentation detection, rather than box-shaped detection, is likely to be more effective for agricultural fields. Comparing the detected objects with the land category by law, it was analyzed that some buildings exist in agricultural and forest areas where it is difficult to locate buildings. It seems that it is necessary to link with administrative information to understand that these buildings are used illegally. Therefore, at the current level, it is possible to objectively determine the existence of buildings in fields where it is difficult to locate buildings.

Keyword

표/그림 (14)

그림 Figure 1. Study area
그림 Figure 2. The YOLO detection systems
표 Table 1. Training datasets for object recognition
그림 Figure 3. IOU organization scheme for determining object recognition
그림 Figure 4. Work flow
표 Table 2. Test results using the YOLO algorithm
그림 Figure 5. Compare objects detected by YOLO with architectural information from a digital map
그림 Figure 6. Examples of inaccurate building detections
그림 Figure 7. Cases for new building detection and recognition error
그림 Figure 8. Cases of correct and incorrect object detection results for a greenhouse
표 Table 3. Legal land category of parcels with buildings detected through YOLO
표 Table 4. Land category status of parcels of land detected as greenhouses via YOLO
표 Table 5. Status of land parcel by Land Category detected by YOLO as agricultural farm
그림 Figure 9. Error case for converting cropland detection results to center points to include in cadastral boundaries

참고문헌 (26)

Kim SS, Chung YI, Chung YJ. 2023. Detecting？Greenhouses from the Planetscope Satellite？Imagery Using the YOLO Algorithm. Journal of？the Korean Association of Geographic？Information Studies. 26(4): 27-39？

원문보기 상세보기
Kim JS, Hong IY. 2021. Analysis of Building Object？Detection Based on the YOLO Neural Network？Using UAV Images. Journal of the Korean？Society of Surveying, Geodesy, Photogrammetry？and Cartography. 39(6): 391-392？
Kim HY, Na R, Joo DH, Choi GH, Oh YG. 2022. A？Study on the Detection of Solar Power Plant？for High-Resolution Aerial Imagery Using？YOLO v2. Journal of Korean Society of Rural？Planning. 28(2): 87-96？
Kim HO, Yeom JM. 2012. A Study on Object-Based？Image Analysis Methods for Land Cover？Classification in Agricultural Areas. Journal of？the Korean Association of Geographic？Information Studies. 15(4): 26-41？
Park SC. Park YB, Jang SY, Kim TH. 2022. A Study？on Evaluating the Possibility of Monitoring？Ships of CAS500-1 Images Based on YOLO？Algorithm: A Case Study of a Busan New Port？and an Oakland Port in California. Korean？Journal of Remote Sensing. 38(6): 1463-1478？
Paek JG. 2006. Study on the Improvement of Land？Use Control Functions by Urban Land？Management System. Korea Research？Institute for Human Settlements Report？
Bae SY, Kim JH. 2015. A Study in Improvement？and analysis of Current Situation between？Land Category and Building Usage. Journal of？the Korean Society of Cadastre. 31(2): 59-74？
Oh CY, Park SY, Kim HS, Lee YW, Choi CU. 2010.？Comparison of Landcover Map Accuracy？Using High Resolution Satellite Imagery.？Journal of the Korean Association of？Geographic Information Studies. 13(1):？89-100？
Yoo SJ, Kim J, Noh MJ, Do JE. 2015. A Report on？Official Land Value Rising Effects of Land Use？Category System. Journal of the Korean？Society of Cadastre. 31(2): 87-104
Yim JS, Han WS, Hwang JH, Chung SY, Cho HK,？Shin MY. 2009. Estimation of Forest Biomass？based upon Satellite Data and National Forest？Inventory Data. Korean Journal of Remote？Sensing. 25(4): 311-320
Jeon JB, Yoo EJ, Lim GB, 2023. Research on the？Application of Local Government？Administrative Work using National Survey in？Land Use. Spatial Ingormation Research？Institute Report
Aszkowski, Przemyslaw, et al. 2023. Deepness:？Deep neural remote sensing plugin for QGIS.？SoftwareX 23 (2023): 101495.
Badgujar, Chetan M., Alwin Poulose, and Hao Gan. 2024. Agricultural Object Detection with You？Look Only Once (YOLO) Algorithm: A？Bibliometric and Systematic Literature？Review. arXiv preprint arXiv:2401.10379.
Chen, S., Zhan, R., & Zhang, J. 2018. Geospatial？object detection in remote sensing imagery？based on multiscale single-shot detector with？activated semantics. Remote Sensing. 10(6), 820.

상세보기
Garcia-Ayllon Veintimilla, S., Miralles-Garcia, J. L.,？& Sowinska-Swierkosz, B. 2023. Challenges in？sustainable urban planning and territorial？management for the XXI century. Frontiers in？Environmental Science. 11, 1252835.
Mani, J. K., & Varghese, A. O. 2018. Remote sensing？and GIS in agriculture and forest resource？monitoring. Geospatial technologies in land？resources mapping, monitoring and？management, 377-400.
Parra, L. 2022. Remote Sensing and GIS in？Environmental Monitoring. Applied Sciences,？12(16), 8045.
Petso, Tinao, and Rodrigo S. Jamisola. 2023. A？Review on Deep Learning on UAV Monitoring？Systems for Agricultural Applications.？Artificial Intelligence for Robotics and？Autonomous Systems Applications . 335-368.
Reddy, G. O. 2018. Geospatial technologies in land？resources mapping, monitoring, and？management: An overview. Springer？International Publishing. p. 1-18.
Redmon, Joseph, et al. 2016. You only look once:？Unified, real-time object detection.？Proceedings of the IEEE conference on？computer vision and pattern recognition.
Skidmore, A. K., Bijker, W., Schmidt, K., & Kumar,？L. 1997. Use of remote sensing and GIS for？sustainable land management. ITC journal,？3(4), 302-315.
Terven, Juan, Diana-Margarita Cordova-Esparza, and？Julio-Alejandro Romero-Gonzalez. 2023. A？comprehensive review of yolo architectures in？computer vision: From yolov1 to yolov8 and？yolo-nas. Machine Learning and Knowledge？Extraction 5.4: 1680-1716.
Van Maarseveen, Martin, Javier Martinez, and？Johannes Flacke. 2019. GIS in sustainable？urban planning and management: a global？perspective. Taylor & Francis.
Wu, T., & Dong, Y. 2023. YOLO-SE: Improved？YOLOv8 for remote sensing object detection？and recognition. Applied Sciences, 13(24), 12977.
Zhang, X., Han, L., Han, L., & Zhu, L. 2020. How？well do deep learning-based methods for land？cover classification and object detection？perform on high resolution remote sensing？imagery?. Remote Sensing, 12(3), 417.

상세보기
Zheng, Z., Lei, L., Sun, H., & Kuang, G. 2020. A？review of remote sensing image object？detection algorithms based on deep learning.？In 2020 IEEE 5th International Conference on？Image, Vision and Computing (ICIVC). pp.？34-43. IEEE.

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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