Vision Transformer를 이용한 UAV 영상의 벼 도복 영역 진단
Diagnosis of the Rice Lodging for the UAV Image sing Vision Transfomer
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
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
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 lot of time and money. In this paper, we propose the method of estimation and diagnosis for rice lodging areas using a Vision Transformer-based Segformer for RGB images, which are captured by unmanned aerial vehicles. The proposed method estimates the lodging, normal, and background area using the Segformer model, and the lodging rate is diagnosed through the rice field inspection criteria in the seed industry Act. The diagnosis result can be used to find the distribution of the rice lodging areas, to show the trend of lodging, and to use the quality management of certified seed in government. The proposed method of rice lodging area estimation shows 98.33% of mean accuracy and 96.79% of mIoU.
참고문헌 (19)
- M.H. Lee, "Lodging Mechanisms and Reducing Damage of Rice Plant", The Korean Journal of Crop Science, 36(5), pp.383~393 (1991)
- 반호영, "딥러닝을 이용한 벼 도복 면적 추정", 한국작물학회지, 66(2), pp.105~111 (2021), 한국작물학회
- 김병준, "딥러닝 모델 기반 시멘틱 세그멘테이션을 이용한 벼 도복 추정", 한국산학기술학회논문지, 22(9), pp.28~34 (2021), 한국산학기술학회[DOI]
- Sara Mardanisamani, "Crop Lodging Prediction FroUAV-Acquired Images of Wheat and Canola Using a DCNN Augmented With Handcrafted Texture Features", Proceedings of the IEEE, 2019, ~
- S. Rajapaksa, "Classification of crop lodging with gray level co-occurrence matrix", 2018 IEEE Winter Conference on Applications of Computer Vision, pp.251~258 (2018)
- "종자관리요강 벼 포장검사"[URL]
- Pan, Sinno Jialin, "A survey on transfer learning", IEEE Transactions on knowledge and data engineering, 22(10), pp.1345~1359 (2009)
- A. Dosovitskiy, "An image is worth 16x16 words: Transformers for image recognition at scale" (2020)
- E. Xie, "SegFormer: Simple and efficient design for semantic segmentation with transformers", Advances in Neural Information Processing Systems, 34 (2021)
- 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 (2020)
- Cui, Y., "Class-balanced loss based on effective number of samples", Proceedings of the IEEE, 2019, 9268~9277
- C. Szegedy, "Rethinking the inception architecture for computer vision", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp.2818~2826 (2016)
- "일반벼-재해-도복 피해 및 대책 농사로"[URL]
- 손남례, "OpenPose기반 딥러닝을 이용한 운동동작분류 성능 비교", 스마트미디어저널, 12(7), pp.59~67 (2023), (사)한국스마트미디어학회[DOI]
- 이소영, "딥러닝을 이용한 의류 이미지의 텍스타일 소재 분류", 스마트미디어저널, 12(7), pp.43~51 (2023), (사)한국스마트미디어학회[DOI]
- 고유진, "딥러닝 기반 작물 질병 탐지 및 분류 시스템", 스마트미디어저널, 12(7), pp.9~17 (2023), (사)한국스마트미디어학회[DOI]
- B. Heo, "Adamp: Slowing down the slowdown for momentum optimizers on scale-invariant weights" (2020)
- Sebastian Ruder, "An overview of gradient descent optimization algorithms" (2016)
- Ilya Loshchilov, "Decoupled weight decay regularization" (2017)