본문 바로가기
KERD
논문KCI 등재

산림복원 대상 후보지 추출을 위한 딥러닝 접근법

Deep Learning Approaches for Extracting Forest Restoration Target Site

송정은|박윤선|김형호|박천희|손은희|하의린
농업생명과학연구원 (Institute of Agriculture & Life Science, Gyeongsang National University)|2022|농업생명과학연구 (Journal of Agriculture & Life Science)|제56권 제6호|pp. 25-36

2

조회

0

다운로드

0

인용

0

참고문헌

키워드

딥러닝분할Deep learning항공사진Segmentation산림복원Aerial photoForest restoration

초록

이미지 인식에 특화된 CNN (Convolutional Neural Network) 기반의 딥러닝 기법은 영상의 항목별 분류가 필요한 다양한 연구에 적용되고있다. 본 연구는 건물, 도로, 논, 밭, 산림, 나지의 6가지 항목을 산림복원 대상 후보지로 정의하고 CNN 기반의 산림복원 대상 후보지 추출 및분류의 최적 방법론을 탐색하였다. 6,640개의 데이터셋을 75:25의 비율로 훈련(4,980개) 및 검증(1,660개)로 구분하여 구축하고 학습에 활용하였다. 모델별 정확도는 픽셀정확도(PA), 평균 교차 겹침 결합(Mean IoU)을 이용하여 평가하였다. 픽셀정확도는 90.6%, 평균 교차 겹침 결합은 80.8%로산정되어 Inception-Resnet-v2 모델이 세 모델 중 가장 산림복원 대상 후보지 추출에 뛰어난 정확도를 보였다. 이 결과는 기존의 산림복원 대상후보지 현장조사 혹은 항공사진을 활용한 조사에 비해 시공간적 이점을 가지며, 향후 산림복원 대상지 선정 자료로 적용 가능성이 있다고 판단된다.

Abstract

Many studies using aerial photography and deep learning are increasing for efficient monitoring of the forest resources. We defined six semantic classes of buildings, roads, paddy fields, fields, forests, and barren as forest restoration target sites and explored the optimal methodology for extracting and classifying target sites for forest restoration based on CNN. The datasets (6,640) were divided at a ratio of 75:25 into training (4,980) and validation datasets (1,660). The accuracy of each model was evaluated using pixel accuracy (PA) and Mean Intersection over union (Mean IoU). PA was calculated as 90.6% and Mean IoU was 80.8%, and the Inception-Resnet-v2 model showed excellent accuracy in extracting target sites for forest restoration among the three models. This result has a Spatio-temporal advantage over the existing field survey for forest restoration sites or surveys using aerial photographs by manually. This study will be able to contribute to the classification of forest restoration sites efficiently and support forest restoration.

참고문헌 (47)

  1. Alickovic E, "Normalized neural networks for breast cancer classification", International Conference on Medical and Biological Engineering, pp.519~524 (2019)
  2. Bardenet R, "Collaborative hyperparameter tuning", International Conference on Machine Learning, pp.199~207 (2013)
  3. Brand AK, "Semantic segmentation of burned areas in satellite images using a U-Net-based convolutional neural network", The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 43, pp.47~53 (2021)
  4. Cai Z, "A unified multi-scale deep convolutional neural network for fast object detection", European Conference on Computer Vision, pp.354~370 (2016)
  5. 최재용, "항공영상을 활용한 도로개발 전·후 산림 훼손지 개체목 분석", 한국환경복원기술학회지, 21(4), pp.65~73 (2018), 한국환경복원기술학회[DOI]
  6. 최근호, "산재근로자들의 고용안정과 건강한 삶을 위한 데이터마이닝 기반의 규칙 도출 연구", 직업재활연구, 25(3), pp.5~24 (2015), 한국직업재활학회
  7. Choi YH, "Decision making of restoration on forest deterioration", Korean Society of Forest Science Conference, pp.789~790 (2011)
  8. 정동기, "드론 영상으로부터 월동 작물 분류를 위한 의미론적 분할 딥러닝 모델 학습 최적 공간 해상도와 영상 크기 선정", 대한원격탐사학회지, 37(6), pp.1573~1587 (2021), 대한원격탐사학회
  9. 도신호, "Basics of Deep Learning: A Radiologist’s Guide to Understanding Published Radiology Articles on Deep Learning", Korean Journal of Radiology, 21(1), pp.33~41 (2020), 대한영상의학회[DOI]
  10. Everingham M, "The pascal Visual Object Classes(VOC) challenge", International J. of Computer Vision, 88(2), pp.303~338 (2010)
  11. Garcia-Garcia A, "A review on deep learning techniques applied to semantic segmentation", arXiv preprint arXiv: 1704.06857, ~ (2017)
  12. Guo Z, "Semantic segmentation for urban planning maps based on U-Net", Proc. of 2018 IEEE International Geoscience and Remote Sensing Symposium, pp.6187~6190 (2018)
  13. He K, "Deep residual learning for image recognition", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.770~778 (2016)
  14. Hu J, "Squeeze-and-excitation networks", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.7132~7141 (2018)
  15. 장광민, "고해상도 정사영상을 이용한 딥러닝 기반의 산림수종 분류에 관한 연구", 한국지리정보학회지, 24(3), pp.1~9 (2021), 한국지리정보학회[DOI]
  16. 전의익, "잘피 서식지 모니터링을 위한 딥러닝 기반의 드론 영상 의미론적 분할", 대한원격탐사학회지, 36(2), pp.199~215 (2020), 대한원격탐사학회[DOI]
  17. Jia X, "Small sample-based disease diagnosis model acquisition in medical human-centered computing", EURASIP Journal on Wireless Communications and Networking, 2019(1), pp.1~12 (2019)
  18. 조원호, "합성곱 신경망을 이용한 딥러닝 기반의 토지피복 분류: 한국 토지피복을 대상으로", 대한지리학회지, 54(1), pp.1~16 (2019), 대한지리학회
  19. 김보미, "데이터 수집방법에 따른 딥러닝 기반 산림수종 자동분류 정확도 변화에 관한 연구", 한국산림과학회지, 109(1), pp.23~30 (2020), 한국산림과학회
  20. 김광호, "원-핫 인코딩을 이용한 딥러닝 단기 전력수요 예측모델", 전기전자학회논문지, 23(3), pp.852~857 (2019), 한국전기전자학회[DOI]
  21. 김민규, "딥러닝 기반 의료영상 분석을 위한 데이터 증강 기법", 대한영상의학회지, 81(6), pp.1290~1304 (2020), 대한영상의학회[DOI]
  22. Kim SH, "A study on the improvement of orthoimage detection by the U-NET model: Focusing on the case of pine wilt disease", Ph.D., pp.2022
  23. Kingma DP, "Adam: A method for stochastic optimization", arXiv preprint arXiv:1412.6980, ~ (2014)
  24. A survey on large-scale deforested area, a monitoring plan for cause analysis and sustainable mountain conservation, "Korea Forest Conservation Association", 286~ (2005)
  25. Guidelines for forest restoration, "Korea Forest Service", ~ (2009)
  26. Research on forest restoration site, "Korea Forest Service", ~ (2016)
  27. Forest restoration implementation plan, "Korea Forest Service", ~ (2021)
  28. A study on the development of automatic detection of forest restoration targets using deep learning techniques and the development of native plants-based restoration simulation programs, "Korea Forest Service", 106~ (2021)
  29. LeCun Y, "Backpropagation applied to handwritten zip code recognition", Neural Computation, 1(4), pp.541~551 (1989)
  30. 이성혁, "딥러닝 기반의 영상분할을 이용한 토지피복분류", 대한원격탐사학회지, 35(2), pp.279~288 (2019), 대한원격탐사학회[DOI]
  31. 이성혁, "위성영상을 활용한 토지피복 분류 항목별 딥러닝 최적화 연구", 대한원격탐사학회지, 36(6), pp.1591~1604 (2020), 대한원격탐사학회[DOI]
  32. 이성혁, "항공 및 위성영상을 활용한 토지피복 관련 인공지능 학습 데이터 구축 및 알고리즘 적용 연구", 대한원격탐사학회지, 37(5), pp.871~884 (2021), 대한원격탐사학회[DOI]
  33. Lee SH, "Deep learning classification and change analysis of land cover using aerial imagery", Master, pp.2020
  34. 이슬기, "무인항공기(UAV) 영상을 이용한 소나무재선충병 의심목 탐지", 대한원격탐사학회지, 35(3), pp.359~373 (2019), 대한원격탐사학회[DOI]
  35. 임언택, "무인항공기를 이용한 딥러닝 기반의 소나무재선충병 감염목 탐지", 대한토목학회논문집(국문), 41(3), pp.317~325 (2021), 대한토목학회[DOI]
  36. A study for the systematic restoration of damaged natural environment, "Ministry of Environment", 220~ (2011)
  37. Okatani T, "Deep learning", pp.101~121 (2015), Koudansha
  38. 박세진, "효율적인 비정형 도로영역 인식을 위한 Semantic segmentation 기반 심층 신경망 구조", 한국정보통신학회논문지, 24(11), pp.1437~1444 (2020), 한국정보통신학회[DOI]
  39. Park SW, "Detection of forest fire burned area using landsat satellite images and deep learning", Master, pp.2020
  40. Rakhlin A, "Deep convolutional neural networks for breast cancer histology image analysis", International Conference Image Analysis and Recognition, pp.737~744 (2018)
  41. Ronneberger O, "U-net: Convolutional networks for biomedical image segmentation", International Conference on Medical Image Computing and Computer-Assisted Intervention, pp.234~241 (2015)
  42. 송아람, "전이학습과 딥러닝 네트워크를 활용한 고해상도 위성영상의 변화탐지", 한국측량학회지, 37(3), pp.199~208 (2019), 한국측량학회[DOI]
  43. Szegedy C, "Inception-v4, inception-resnet and the impact of residual connections on learning", Thirty-first AAAI Conference on Artificial Intelligence (2017)
  44. Ulmas P, "Segmentation of satellite imagery using U-Net models for land cover classification", arXivpreprint arXiv:2003.02899, ~ (2020)
  45. Varia N, "DeepExt: A convolution neural network for road extraction using RGB images captured by UAV", Proc. of 2018 IEEE Symposium Series on Computational Intelligence, pp.1890~1895 (2018)
  46. 장예예, "딥러닝 기반 소나무 재선충 피해목 탐색", 스마트미디어저널, 9(3), pp.46~51 (2020), (사)한국스마트미디어학회[DOI]
  47. Zhang Z, "Road extraction by deep residual U-Net", IEEE Geoscience and Remote Sensing Letters, 15(5), pp.749~753 (2018)

관련 논문AI추천

고해상도 위성영상과 Fully Convolutional Network를 활용한 산림재해 피해지 탐지김은숙, 김형우, 박성욱, 윤예슬, 이수진, 이양원, 임종환한국사진지리학회 · 경관과 지리2018 · 제28권 제4호인공지능 학습용 데이터 기반의 산림변화탐지 서비스고선영, 김종인, 신용태, 정한균, 채승기한국정보처리학회 · 정보처리학회 논문지2022 · 제11권 제8호Unet 모델을 활용한 토석채취지 모니터링 정확도 평가박동환, 심우담한국사진지리학회 · 경관과 지리2024 · 제34권 제4호소나무 재선충 탐지를 위한 U-NET모델과 Mask R-CNN모델의 정사영상 비교분석권기욱, 김성훈한국지적학회 · 한국지적학회지2022 · 제38권 제2호YOLOv10과 RGB 이미지를 이용한 수목 탐지 가능성 검토이양원, 최소연기후연구소 · 기후연구2024 · 제19권 제2호딥러닝 기반 소나무 재선충 피해목 탐색유첩, 김병준, 선주남, 이준환, 장예예(사)한국스마트미디어학회 · 스마트미디어저널2020 · 제9권 제3호

이 간행물의 다른 논문 (19건)

RGB 식생지수를 활용한 밀 군락 엽면적과 군락 피복 및 적정 노출 평가김보경, 장현수, 김정원, 김대욱, 황태영, 윤종탁, 박혁진, 이윤호pp. 1-13맥간공예에 사용되는 보릿대의 표면 미세구조와 물성 분석김동수, 박재일, 이자영, 이동원, 김응삼, 설재욱pp. 15-24감지의 재현을 위한 한지의 전통 쪽염색 특성노정관, 조현진, 이형원, 이오규pp. 37-43남부 산림지역 고등균류의 다양성 및 분포 특성김미송, 이종규, 이상곤, 김태우, 이진흥, 김남규, 신금철pp. 45-54국유림의 원목 공급정책의 변화가 국산재 원목 시장에 미치는 영향민지애, 김의경, 이창준, 김동현, 원현규pp. 55-65
원문 보기