딥러닝을 이용한 농경지 팜맵 판독 적용 방안
The Application Methods of FarmMap Reading in Agricultural Land Using Deep Learning
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 논문은 농림축산식품부에서 구축한 농경지 전자지도인 팜맵을 딥러닝을 이용하여 농경지 속성정보인 논, 밭, 인삼, 과수, 시설, 비경지의속성 정보를 판독하는 방안을 제안한다. 팜맵은 항공 및 위성 영상을 이용하여 현실 세계의 농경지를 디지털화하여 작물 생산 현황 파악과 드론운영에 공간정보로 활용되고 있으며, 판독 매뉴얼을 작성하여 매년 사람을 통해 농경지의 경계를 구획하고 속성을 판독하여 갱신한다. 사람을통한 농경지 속성판독은 사람의 판독 역량과 경험에 따라 차이를 보이며, 판독 오류는 예산과 공간적 시간적 한계로 직접 현장에 갈 수 없어 현실적으로 검증이 쉽지 않다. 팜맵은 5가지의 농경지 속성의 이미지에 해당 객체의 위치 정보와 클래스 정보를 가지고 있어 적합한 AI의 기법은 인스턴스분할 모델인 ResNet50으로 실험을 진행하였으며, 딥러닝을 이용한 농경지 속성판독과 사람에 의한 속성판독 결과를 비교하여, 향후 다른 결과를나타내는 속성판독에 집중하여 기술을 개발한다면 속성 오류를 줄이고 농경지 전자지도의 정확성 향상에 큰 역할을 할 것으로 기대된다.
Abstract
The Ministry of Agriculture, Food and Rural Affairs established the FarmMap, an digital map of agricultural land. In this study, usingdeep learning, we suggest the application of farm map reading to farmland such as paddy fields, fields, ginseng, fruit trees, facilities,and uncultivated land. The farm map is used as spatial information for planting status and drone operation by digitizing agriculturalland in the real world using aerial and satellite images. A reading manual has been prepared and updated every year by demarcatingthe boundaries of agricultural land and reading the attributes. Human reading of agricultural land differs depending on reading abilityand experience, and reading errors are difficult to verify in reality because of budget limitations. The farmmap has location informationand class information of the corresponding object in the image of 5 types of farmland properties, so the suitable AI technique was testedwith ResNet50, an instance segmentation model. The results of attribute reading of agricultural land using deep learning and attributereading by humans were compared. If technology is developed by focusing on attribute reading that shows different results in the future,it is expected that it will play a big role in reducing attribute errors and improving the accuracy of digital map of agricultural land.
참고문헌 (19)
- 2010, Agricultural area Survey, "Statistics Korea", ~ (2020)
- Ministry of Agriculture, Food and Rural Affairs, "Press Release, Anyone can use the electronic map farm map of agricultural land", ~ (2021)
- 손경자, "팜맵기반의 농업 공간정보 활용방안에 관한 연구", 한국IT정책경영학회 논문지, 13(1), pp.2229~2235 (2021), 한국IT정책경영학회
- Statistics Korea, "2020 Total Cultivated Land Survey using Farm Map data", ~ (2020)
- Establishment of Smart Farm Map Construction Plan, "Ministry of Agriculture, Food and Rural Affairs", ~ (2017)
- 최호길, "작물 생산률 향상을 위한 생장 환경 변화 탐지CCMS", 한국정보전자통신기술학회 논문지, 13(2), pp.145~152 (2020), 한국정보전자통신기술학회
- J. M. Koo, "Introduction of detector analysis and large data sets for object detection in satellite images", Korean Society for Remote Sensing Fall Conference (2020)
- K. Kim, "Probabilistic ship detection and classification using deep learning", Applied Sciences, 8(6), pp.936~ (2018)
- Final report on the development of deep learning-based CCTV image retention system for initial response to accidents in tunnels, "Institute for Land, Infrastructure and Transport Science and Technology Promotion", ~ (2019)
- A. Bewley, "Simple online and realtime tracking", Proceedings of the Image Processing (ICIP) IEEE International Conference, pp.3464~3468 (2016)
- 이성혁, "딥러닝 기반의 영상분할을 이용한 토지피복분류", 대한원격탐사학회지, 35(2), pp.279~288 (2019), 대한원격탐사학회[DOI]
- H. Su, "HQ-ISNet : High-quality instance segmentation for remote sensing imagery", Remote Sens, 12(6), pp.989~ (2020)
- 송아람, "딥러닝 기반의 초분광영상 분류를 사용한 환경공간정보시스템 활용", 대한원격탐사학회지, 33(6), pp.1061~1073 (2017), 대한원격탐사학회
- R. Qin, "Object-Based 3D building change detection on multitemporal stereo images", IEEE, Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(5), pp.2125~2137 (2017)
- C. Qi, "Pointnet : Deep learning on point sets for 3d classification and segmentation", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.652~660 (2017)
- 서홍덕, "포인트 클라우드에서 딥러닝을 이용한 객체 분류 및 변화 탐지", 지적과 국토정보, 50(2), pp.37~51 (2020), 한국국토정보공사[DOI]
- Monitoring method of land use and land cover change using deep learning algorithm, "K. H. Seo", KRIHS, ~ (2018)
- K. He, "Deep residual learning for image recognition", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.770~778 (2016)
- 임창남, "영상 데이터 특징 커버리지 기반 딥러닝 모델 검증 기법", 정보처리학회 논문지, 10(9), pp.375~384 (2021), 한국정보처리학회