KR20190025079A - Soil classification estimation method and soil moisture percentage estimation method using soil image - Google Patents
Soil classification estimation method and soil moisture percentage estimation method using soil image Download PDFInfo
- Publication number
- KR20190025079A KR20190025079A KR1020170108497A KR20170108497A KR20190025079A KR 20190025079 A KR20190025079 A KR 20190025079A KR 1020170108497 A KR1020170108497 A KR 1020170108497A KR 20170108497 A KR20170108497 A KR 20170108497A KR 20190025079 A KR20190025079 A KR 20190025079A
- Authority
- KR
- South Korea
- Prior art keywords
- soil
- value
- water content
- actual
- red
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G06K9/6267—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G06K9/4652—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Remote Sensing (AREA)
- Operations Research (AREA)
- Immunology (AREA)
- Geology (AREA)
- Algebra (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Description
본 발명은 토양 분류 및 토양 함수비 추정 방법에 관한 것으로서, 보다 상세하게는 토양 표층을 촬영한 사진의 색상정보를 이용하여 토양분류를 수행함과 동시에 함수비를 추정할 수 있는 방법에 관한 것이다. The present invention relates to soil classification and soil moisture content estimation method, and more particularly, to a method for estimating a water content while performing soil classification using color information of a photograph of a soil surface layer.
토양분류는 국내 산림의 대다수를 차지하는 갈색, 적색, 암적색, 회갈색, 화산회 산림토양의 5종과 함께 일반 풍화토, 간척지 토양을 포함한 총 7종으로 분류 가능하다. 이와 같은 분류는 국내 농촌·산촌 지역의 대다수 토양에 적용 가능하기 때문에 적용성이 매우 높다. Soil classification can be classified into seven types including brown, red, dark red, gray brown, and volcanic ash forest soils, which occupy the majority of domestic forests, as well as general weathered soil and reclaimed soil. This classification is very applicable because it can be applied to most soil in rural and mountain village in Korea.
기존의 현장 토양 조사 시에는 육안으로 확인 가능한 색상, 촉감 등을 바탕으로 토양을 분류하거나 일부를 샘플링하여 실험을 통해 결정된 사항을 그 지역 토양의 대푯값으로 정한다. In the conventional field soil survey, the soil is classified or sampled on the basis of color, touch, etc., which can be visually confirmed, and the determined value of the experiment is determined as the representative value of the soil in the area.
전자의 경우에는 정성적인 판단을 수행하기 때문에 조사자 간에 토양 분류 결과가 상이할 가능성이 존재하며 후자의 경우에는 일부를 샘플링 하기 때문에 전체 지역에 대한 정보를 획득하기에는 어려움이 따른다. In the former case, there is a possibility that the result of soil classification is different between investigators because they make a qualitative judgment. In the latter case, it is difficult to acquire information about the entire region because it samples a part of the soil.
또한, 토양은 그 종류에 따라 특성이 크게 다르게 나타나기 때문에 토양의 종류를 분류하는 것은 토질 분야에서 가장 기초적이고 중요한 과정에 속한다. 또한 토양의 함수비는 토질 조사 시 가장 우선적으로 조사되는 항목으로 강도나 거동 특성에 큰 영향을 미치며 강우, 가뭄 등의 기상 상황과 물의 흐름 등에 의해 지속적으로 변화한다. Also, classification of soils is one of the most fundamental and important processes in the field of soil because the characteristics of soils vary greatly according to their types. The water content of soils is the most preferred item to be surveyed in soil investigation, and it has a great influence on the strength and behavior characteristics and changes continuously due to weather conditions such as rainfall and drought and water flow.
함수비는 관심 영역 내에서 공간적 편차가 크게 발생할 수 있기 때문에 현장조사 시 샘플링한 토양 시료의 함수비를 관심 영역의 대푯값으로 사용하는 경우 해석에 오류가 발생할 가능성이 높다. Since the water ratio can cause a large spatial deviation within the area of interest, it is highly probable that the interpretation error is caused when the water content of the sampled soil sample is used as a representative value of the area of interest.
따라서, 토양을 간단한 방법으로 정확하게 분류할 수 있으면서도 함수비까지 정확하게 추정할 수 있는 기술 개발이 시급하다. Therefore, it is urgent to develop a technology that can accurately classify soils by a simple method and accurately estimate the water content.
본 발명이 해결하고자 하는 기술적 과제는, 토양 표층을 촬영한 사진의 색상정보를 이용하여 토양분류를 수행함과 동시에 함수비를 추정할 수 있는 방법으로, 실제 토양을 촬영한 토양 이미지의 픽셀이 포함하고 있는 레드(R)값, 그린(G)값 및 블루(B)값을 이용하여 실제 토양의 분류 및 함수비를 추정할 수 있는 방법을 제공하는 것이다. The object of the present invention is to provide a method of estimating a water content by performing soil classification using color information of a photograph of a soil surface layer, (R) value, a green (G) value, and a blue (B) value to estimate the actual soil classification and water content.
상기와 같은 기술적 과제를 해결하기 위해, 본 발명의 실시예에 따른 토양 이미지를 이용한 토양 분류 추정 방법은 실제 토양에 대한 토양 이미지를 획득하는 단계; 상기 토양 이미지로부터 레드(R)값, 그린(G)값 및 블루(B)값을 추출하는 단계; 선형판별분석(Linear Discriminant Analysis)을 통해 산출된 토양 판별 점수식에 상기 레드값, 상기 그린값 및 상기 블루값을 적용하여 상기 실제 토양의 판별 점수를 도출하는 단계; 및 도출된 상기 판별 점수와 미리 결정되어 있는 특정 토양 분류들에 따른 대표값들을 비교하여, 상기 대표값들 중 가장 차이가 없는 대표값의 토양 분류를 상기 실제 토양의 분류로 추정하는 단계를 포함할 수 있다. According to an aspect of the present invention, there is provided a soil classification method using soil images, comprising: obtaining a soil image of a real soil; Extracting a red (R) value, a green (G) value and a blue (B) value from the soil image; Deriving a discrimination score of the actual soil by applying the red value, the green value and the blue value to a soil discrimination score expression calculated through a linear discriminant analysis; And comparing the derived discrimination score with representative values according to predetermined soil classes to determine a soil classification of the representative value having the least difference among the representative values as the classification of the actual soil .
본 발명은 디지털 영상 처리 (Digital Image Processing, DIP)를 이용한다. DIP는 컴퓨터 알고리즘을 사용하여 디지털 이미지에 대한 화상 처리를 수행하는 과정을 의미한다. 디지털 이미지의 각 픽셀은 해당 픽셀의 사진 상 에서의 위치정보와 함께 색상정보를 가진다. 색상정보는 일반적으로 사용하는 RGB모델의 경우 R, G, B 각각 256개의 색상 정보를 표현할 수 있다. The present invention uses digital image processing (DIP). DIP means a process of performing image processing on a digital image using a computer algorithm. Each pixel of the digital image has color information together with positional information on the photograph of the pixel. The color information can represent 256 color information of each of R, G, and B in a general RGB model.
하나의 실시예로 상기 토양 이미지로부터 레드(R)값, 그린(G)값 및 블루(B)값을 추출하는 단계는, 상기 토양 이미지의 특정 픽셀로부터 레드(R)값, 그린(G)값 및 블루(B)값을 추출하거나 상기 토양 이미지의 특정 영역내에 존재하는 픽셀들의 레드(R)값, 그린(G)값 및 블루(B)값에 각각에 대한 평균값을 산출하여 추출할 수 있다. In one embodiment, extracting the red (R), green (G), and blue (B) values from the soil image comprises extracting a red (R) And green (G) values and blue (B) values of the pixels existing within a specific region of the soil image, and extracting and extracting the blue (B) values.
하나의 실시예로 상기 토양 판별 점수식은 아래의 [수학식 1]로 정의될 수 있다. In one embodiment, the soil discrimination score expression can be defined by the following equation (1).
[수학식 1][Equation 1]
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이고, Z는 토양 판별 점수이다. Here, R, G and B are the red (R) value, green (G) and blue (B) values extracted from the soil image, respectively, and Z is the soil discrimination score.
하나의 실시예로 상기 특정 토양 분류들은, 갈색(B) 토양, 적색(R) 토양, 암적색(D) 토양, 회갈색(G) 토양, 화산회(V) 토양, 풍화(W) 토양 및 간척지(S) 토양을 포함할 수 있다. In one embodiment, the specific soil classes are selected from the group consisting of brown (B) soils, red (R) soils, dark red (D) soils, grayish brown (G) soils, volcanic ash (V) soils, weathered ) Soil. ≪ / RTI >
본 발명의 실시예에 따른 토양 이미지를 이용한 토양 분류 및 함수비 추정 방법은 실제 토양에 대한 토양 이미지를 획득하는 단계; 상기 토양 이미지로부터 레드(R)값, 그린(G)값 및 블루(B)값을 추출하는 단계; 선형판별분석(Linear Discriminant Analysis)을 통해 산출된 토양 판별 점수식에 상기 레드값, 상기 그린값 및 상기 블루값을 적용하여 상기 토양의 판별 점수를 도출하는 단계; 도출된 상기 판별 점수와 미리 결정되어 있는 특정 토양 분류들에 따른 대표값들을 비교하여, 상기 대표값들 중 가장 차이가 없는 대표값의 토양 분류를 상기 실제 토양의 분류로 추정하는 단계; 및 추정된 상기 실제 토양의 분류에 따라 미리 결정된 함수비 예측 회귀식에 상기 레드값, 상기 그린값 및 상기 블루값을 적용하여 상기 실제 토양의 함수비(含水比)를 추정하는 단계를 포함할 수 있다. The soil classification and water content estimation method using a soil image according to an embodiment of the present invention includes: obtaining a soil image for actual soil; Extracting a red (R) value, a green (G) value and a blue (B) value from the soil image; Deriving a discrimination score of the soil by applying the red value, the green value and the blue value to a soil discrimination score expression calculated through a linear discriminant analysis; Comparing the derived discrimination score with representative values according to predetermined soil classes, and estimating the soil class of the representative value having the least difference among the representative values as the classification of the actual soil; And estimating a water content ratio of the actual soil by applying the red value, the green value, and the blue value to a predetermined water content prediction regression equation according to the estimated classification of the actual soil.
하나의 실시예로 상기 실제 토양의 분류가 갈색(B) 토양으로 추정된 경우에는, 상기 실제 토양의 함수비는 아래의 [수학식 2]로 정의되는 함수비 예측 회귀식에 의하여 추정될 수 있다. In one embodiment, when the actual soil classification is estimated to be brown (B) soil, the water content ratio of the actual soil may be estimated by a water content prediction regression equation defined by Equation (2) below.
[수학식 2]&Quot; (2) "
실제 토양의 함수비 = -2.665R+3.083G-0.772B+78.069Actual soil water content = -2.665R + 3.083G-0.772B + 78.069
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이다. Here, R, G, and B are the red (R), green (G), and blue (B) values extracted from the soil image, respectively.
하나의 실시예로 상기 실제 토양의 분류가 적색(R) 토양으로 추정된 경우에는, 상기 실제 토양의 함수비는 아래의 [수학식 3]으로 정의되는 함수비 예측 회귀식에 의하여 추정될 수 있다. In one embodiment, when the actual soil classification is estimated as red (R) soil, the water content ratio of the actual soil may be estimated by a water content prediction regression equation defined by Equation (3) below.
[수학식 3]&Quot; (3) "
실제 토양의 함수비 = -0.131R-0.031B+30.065Actual Soil Water Content = -0.131R-0.031B + 30.065
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이다. Here, R, G, and B are the red (R), green (G), and blue (B) values extracted from the soil image, respectively.
하나의 실시예로 상기 실제 토양의 분류가 암적색(D) 토양으로 추정된 경우에는, 상기 실제 토양의 함수비는 아래의 [수학식 4]로 정의되는 함수비 예측 회귀식에 의하여 추정될 수 있다. In one embodiment, when the actual soil classification is estimated to be a dark red (D) soil, the water content ratio of the actual soil may be estimated by a water content prediction regression equation defined by Equation (4) below.
[수학식 4]&Quot; (4) "
실제 토양의 함수비 = -0.218R+0.168G-0.120B+34.915Actual soil water content = -0.218R + 0.168G-0.120B + 34.915
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이다. Here, R, G, and B are the red (R), green (G), and blue (B) values extracted from the soil image, respectively.
하나의 실시예로 상기 실제 토양의 분류가 회갈색(G) 토양으로 추정된 경우에는, 상기 실제 토양의 함수비는 아래의 [수학식 5]로 정의되는 함수비 예측 회귀식에 의하여 추정될 수 있다. In one embodiment, when the actual soil classification is estimated to be grayish brown (G) soil, the water content of the actual soil may be estimated by a water content prediction regression equation defined by the following equation (5).
[수학식 5]&Quot; (5) "
토양 샘플의 함수비 = -0.735R+0.530B+61.197Water content of soil sample = -0.735R + 0.530B + 61.197
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이다. Here, R, G, and B are the red (R), green (G), and blue (B) values extracted from the soil image, respectively.
하나의 실시예로 상기 실제 토양의 분류가 화산회(V) 토양으로 추정된 경우에는, 상기 실제 토양의 함수비는 아래의 [수학식 6]으로 정의되는 함수비 예측 회귀식에 의하여 추정될 수 있다. In one embodiment, when the actual soil classification is estimated as a volcanic ash (V) soil, the water content of the actual soil may be estimated by a water content prediction regression equation defined by Equation (6) below.
[수학식 6]&Quot; (6) "
실제 토양의 함수비 = -1.350R+3.336G-3.050B+74.352Actual soil water content = -1.350R + 3.336G-3.050B + 74.352
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이다. Here, R, G, and B are the red (R), green (G), and blue (B) values extracted from the soil image, respectively.
하나의 실시예로 상기 실제 토양의 분류가 풍화(W) 토양으로 추정된 경우에는, 상기 실제 토양의 함수비는 아래의 [수학식 7]로 정의되는 함수비 예측 회귀식에 의하여 추정될 수 있다. In one embodiment, when the actual soil classification is estimated as weathered (W) soil, the water content ratio of the actual soil may be estimated by a water content prediction regression equation defined by Equation (7) below.
[수학식 7]&Quot; (7) "
실제 토양의 함수비 = -0.895R+0.540B+74.470Actual soil water content = -0.895R + 0.540B + 74.470
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이다. Here, R, G, and B are the red (R), green (G), and blue (B) values extracted from the soil image, respectively.
하나의 실시예로 상기 실제 토양의 분류가 간척지(S) 토양으로 추정된 경우에는, 상기 실제 토양의 함수비는 아래의 [수학식 8]로 정의되는 함수비 예측 회귀식에 의하여 추정될 수 있다. In one embodiment, when the classification of the actual soil is estimated as the soil of the reclaimed land (S), the water content of the actual soil may be estimated by a water content prediction regression equation defined by the following equation (8).
[수학식 8]&Quot; (8) "
실제 토양의 함수비 = -0.325R++0.173B+38.228Actual soil water content = -0.325R ++ 0.173B + 38.228
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이다. Here, R, G, and B are the red (R), green (G), and blue (B) values extracted from the soil image, respectively.
상기와 같은 본 발명은 토양 분류 및 함수비 추정을 위하여 현장의 사진을 이용하기 때문에 현장 조사에 특별한 경험이 있는 조사자를 필요로 하지 않으며 또한 토양 분류 추정 및 토양 분류에 따른 함수비 추정이 빠르고 간단하다.Since the present invention uses the photographs of the field for estimating the soil classification and the water content, the researcher having no special experience in the field survey is not required, and the estimation of the water content based on the soil classification and the soil classification is quick and simple.
본 발명은 실제 현장의 토양 이미지를 이용하기 때문에 기존의 현장 조사에 의한 토질 조사 시 발생할 수 있는 조사 시간을 단축시킬 수 있고, 토질 시험 수행에 따른 비용과 시간도 줄일 수 있다. Since the present invention utilizes the actual soil image, it is possible to shorten the irradiation time that may occur when the soil is irradiated by the conventional field survey, and the cost and time for performing the soil test can be reduced.
본 발명은 사전에 실험적으로 결정된 토양 함수비 추정 공식을 이용하여 토양 이미지에 나타나 있는 모든 픽셀에 대한 함수비를 계산할 수 있기 때문에 사용자가 원하는 지역의 토양 수분 관리에 매우 유용하게 활용될 수 있다.The present invention can be used for soil moisture management in a user's desired area because the water content of all the pixels in the soil image can be calculated using the previously determined soil moisture ratio estimation formula.
본 발명은 항공사진 측량 관련 기술과 연계하여 사용 시 그 활용성이 극대화 될 수 있고, 특히 드론을 이용한 항공사진 촬영 기술의 발달과 함께 그 활용성이 극대화될 수 있다. The present invention can maximize its utilization in use in conjunction with aerial photogrammetry related technology, and can be maximized in conjunction with the development of aerial photographing technology using a drone.
도 1은 본 발명의 실시예에 따른 토양 이미지를 이용한 토양 분류 추정 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 실시예에 따른 토양 샘플의 이미지를 획득하는 단계를 설명하기 위한 흐름도이다.
도 3은 본 발명의 실시예에 따른 토양 이미지를 이용한 토양 분류 및 함수비 추정 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 실시예에 따른 토양 수용부, 조명 및 카메라의 배치 등을 설명하기 위한 도면이다.
도 5는 카메라를 통해 획득한 원본 이미지와 원본 이미지를 크롭한 토양 샘플의 이미지이다.
도 6은 건조 상태인 토양 7종에 대한 토양 샘플 이미지이다.
도 7은 도 6에 도시된 각각의 토양 샘플 이미지의 임의의 지점 400개 픽셀에 대한 레드(R)값, 그린(G)값 및 블루(B)값 분포도이다.
도 8은 건조 상태인 토양 7종에 대한 토양 샘플의 R값 히스토그램이다.
도 9는 선형 판별 분석의 개념을 설명하기 위한 도면이다.
도 10은 실제 토양의 분류 추정을 설명하기 위한 도면이다.
도 11은 7종 토양 샘플별로 함수비 증가에 따른 토양 샘플의 색상 변화를 촬영한 사진이다.
도 12는 7종 토양 샘플별로 함수비 증가에 따른 레드(R)값, 그린(G)값 및 블루(B)값 변화를 측정한 그래프이다. 1 is a flowchart for explaining a soil classification method using a soil image according to an embodiment of the present invention.
2 is a flow chart for explaining a step of acquiring an image of a soil sample according to an embodiment of the present invention.
3 is a flowchart for explaining a soil classification and a water content estimation method using a soil image according to an embodiment of the present invention.
4 is a view for explaining the arrangement of the soil receiving section, the illumination, and the camera according to the embodiment of the present invention.
5 is an image of a soil sample obtained by cropping an original image and an original image acquired through a camera.
Figure 6 is an image of soil samples for seven soil types in a dry state.
FIG. 7 is a red (R) value, green (G) value, and blue (B) value distribution diagram for 400 pixels at any point in each soil sample image shown in FIG.
Figure 8 is a histogram of R values of soil samples for seven dry soils.
9 is a diagram for explaining the concept of linear discriminant analysis.
FIG. 10 is a view for explaining classification of actual soil.
FIG. 11 is a photograph of the change in color of a soil sample according to an increase in the water content of each of seven soil samples.
FIG. 12 is a graph showing changes in red (R), green (G), and blue (B) values according to an increase in water content of each of seven soil samples.
본 발명은 다양한 변경을 가할 수 있고 여러가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.While the invention is susceptible to various modifications and alternative forms, specific embodiments thereof are shown by way of example in the drawings and will herein be described in detail. It should be understood, however, that the invention is not intended to be limited to the particular embodiments, but includes all modifications, equivalents, and alternatives falling within the spirit and scope of the invention.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일실시예를 상세히 설명한다. 도면상에서 동일 부호는 동일한 요소를 지칭한다.Hereinafter, a preferred embodiment of the present invention will be described in detail with reference to the accompanying drawings. Wherein like reference numerals refer to like elements throughout.
도 1은 본 발명의 실시예에 따른 토양 이미지를 이용한 토양 분류 추정 방법을 설명하기 위한 흐름도이고, 도 2는 본 발명의 실시예에 따른 토양 샘플의 이미지를 획득하는 단계를 설명하기 위한 흐름도이고, 도 3은 본 발명의 실시예에 따른 토양 이미지를 이용한 토양 분류 및 함수비 추정 방법을 설명하기 위한 흐름도이고, 도 4는 본 발명의 실시예에 따른 토양 수용부, 조명 및 카메라의 배치 등을 설명하기 위한 도면이고, 도 5는 카메라를 통해 획득한 토양 샘플의 원본 이미지와 원본 이미지를 크롭한 토양 샘플의 이미지이고, 도 6은 건조 상태인 토양 7종에 대한 토양 샘플 이미지이고, 도 7은 도 6에 도시된 각각의 토양 샘플 이미지의 임의의 지점 400개 픽셀에 대한 레드(R)값, 그린(G)값 및 블루(B)값 분포도이고, 도 8은 건조 상태인 토양 7종에 대한 토양 샘플의 R값 히스토그램이고, 도 9는 선형 판별 분석의 개념을 설명하기 위한 도면이고, 도 10은 실제 토양의 분류 추정을 설명하기 위한 도면이고, 도 11은 7종 토양 샘플별로 함수비 증가에 따른 토양 샘플의 색상 변화를 촬영한 사진이고, 도 12는 7종 토양 샘플별로 함수비 증가에 따른 레드(R)값, 그린(G)값 및 블루(B)값 변화를 측정한 그래프이다. FIG. 1 is a flow chart for explaining a soil classification method using a soil image according to an embodiment of the present invention. FIG. 2 is a flowchart for explaining a step of acquiring an image of a soil sample according to an embodiment of the present invention, FIG. 3 is a flowchart for explaining a soil classification and a water content estimation method using a soil image according to an embodiment of the present invention. FIG. 4 is a flowchart for explaining a soil accommodating unit, FIG. 5 is an image of a soil sample obtained by cropping an original image and an original image of a soil sample obtained through a camera, FIG. 6 is a soil sample image of seven soil types in a dry state, (G) value and blue (B) value distribution for 400 pixels at any point in each soil sample image shown in Fig. FIG. 10 is a view for explaining the classification of actual soil classification, and FIG. 11 is a view for explaining the classification of the soil according to the increase in the water content FIG. 12 is a graph showing changes in red (R) value, green (G) value, and blue (B) value according to an increase in water content of each of seven soil samples.
도 1을 참조하면, 본 발명의 실시예에 따른 토양 이미지를 이용한 토양 분류 추정 방법은 실제 토양에 대한 토양 이미지를 획득하는 단계(S100), 상기 토양 이미지로부터 레드(R)값, 그린(G)값 및 블루(B)값을 추출하는 단계(S200), 선형판별분석(Linear Discriminant Analysis)을 통해 산출된 토양 판별 점수식에 상기 레드값, 그린값 및 블루값을 적용하여 상기 토양 이미지의 판별 점수를 도출하는 단계(S300) 및 도출된 상기 판별 점수와 미리 결정되어 있는 특정 토양 분류들에 따른 대표값들을 비교하여, 상기 대표값들 중 가장 차이가 없는 대표값의 토양 분류를 상기 실제 토양의 분류로 추정하는 단계(S400)를 포함할 수 있다. Referring to FIG. 1, a method for estimating soil classification using a soil image according to an embodiment of the present invention includes obtaining a soil image for an actual soil (S100), calculating a red (R) A green value and a blue value are applied to a soil discrimination score expression calculated through a linear discriminant analysis (S200) to extract a value (S300), and compares the derived discrimination score with representative values according to predetermined specific soil classifications, and determines a soil classification of the representative value having the least difference among the representative values as the classification of the actual soil (S400). ≪ / RTI >
실제 토양에 대한 분류를 추정하기 위해, 실제 토양에 대한 토양 이미지를 획득한다(S100). 일례로 토양 이미지의 획득은 드론을 이용한 항공 촬영을 통하여 획득될 수 있고, 드론을 이용하는 경우에는 해상도가 매우 높은 실제 토양 이미지 획득이 가능한 장점이 있다. To estimate the classification for the actual soil, a soil image for the actual soil is obtained (S100). For example, the acquisition of the soil image can be obtained through aerial photographing using a drone, and in the case of using a drone, it is possible to acquire an actual soil image having a very high resolution.
토양 이미지가 획득되면, 상기 토양 이미지로부터 레드(R)값, 그린(G)값 및 블루(B)값을 추출한다(S200). 일례로 토양 이미지로부터 레드(R)값, 그린(G)값 및 블루(B)값을 추출하는 것은 토양 이미지의 특정 픽셀로부터 레드(R)값, 그린(G)값 및 블루(B)값을 추출하거나 토양 이미지의 특정 영역내에 존재하는 픽셀들의 레드(R)값, 그린(G)값 및 블루(B)값에 각각에 대한 평균값을 산출함으로써 추출될 수 있다.When a soil image is obtained, a red (R) value, a green (G) value, and a blue (B) value are extracted from the soil image (S200). For example, extracting red (R), green (G), and blue (B) values from a soil image may include extracting red (R), green (G), and blue (G) value and the blue (B) value of the pixels existing in the specific region of the soil image or extracted.
토양 이미지로부터 레드(R)값, 그린(G)값 및 블루(B)값이 추출되면, 선형판별분석(Linear Discriminant Analysis)을 통해 산출된 토양 판별 점수식에 상기 레드값, 그린값 및 블루값을 적용하여 상기 토양 이미지의 판별 점수를 도출한다(S300). When the red (R) value, the green (G) value and the blue (B) value are extracted from the soil image, the red, green, and blue values are added to the soil discrimination score expression calculated by the Linear Discriminant Analysis To obtain a discrimination score of the soil image (S300).
도 6 및 도 7을 참조하면, 7종 각각의 토양 샘플(7종 각각의 토양을 일부 채취한 샘플)별로 레드(R)값, 그린(G)값 및 블루(B)값의 분포가 상이하게 나타나는 점을 확인할 수 있고, 이러한 분포의 차이를 이용하면 토양 분류가 가능함을 예측할 수 있다. 그러나 도 8을 참조하면, 각각의 토양 샘플의 레드(R)값, 그린(G)값 및 블루(B)값의 분포가 서로 다른 종류의 토양과 어느 정도 중첩되는 영역이 존재하는 것을 확인할 수 있으며, 이는 실제 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값을 단순히 적용하는 경우에는 토양을 정확하게 분류하기 어렵다는 것을 의미한다. 6 and 7, distribution of the red (R) value, the green (G) value, and the blue (B) value differs for each of the seven soil samples (samples obtained by sampling some of the seven kinds of soil) And it can be predicted that soil classification is possible by using the difference of these distributions. However, referring to FIG. 8, it can be seen that there is a region where the distributions of the red (R), green (G), and blue (B) values of each soil sample overlap to some extent with different kinds of soil , Which means that it is difficult to accurately classify the soil when simply applying the red (R), green (G), and blue (B) values extracted from the actual soil image.
따라서, 본 발명은 정확한 토양 분류를 수행하기 위하여 토양 판별 점수식을 이용하며, 토양 판별 점수식은 아래의 [수학식 1]로 정의될 수 있다. Therefore, the present invention uses a soil discrimination score expression to perform accurate soil classification, and the soil discrimination score expression can be defined by the following equation (1).
[수학식 1] [Equation 1]
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이고, Z는 토양 판별 점수이다. Here, R, G and B are the red (R) value, green (G) and blue (B) values extracted from the soil image, respectively, and Z is the soil discrimination score.
토양 이미지의 판별 점수 도출을 위한 토양 판별 점수식 산출은 다음과 같은 과정을 통하여 산출될 수 있다. The calculation of the soil discriminant score for deriving the discriminant score of the soil image can be calculated through the following process.
국내 산림의 대다수를 차지하는 갈색(Brown, B) 토양, 적색(Red, R) 토양, 암적색(Dark red, D) 토양, 회갈색(Gray brown, G) 토양, 화산회(Volcano, V) 토양으로 분류할 수 있는 산림토양 5종과 일반 풍화(Weathered, W) 토양과 간척지(Reclaimed, S) 토양을 포함한 총 7종을 토양 샘플로 채취한다.It is classified as brown (B) soil, red (R) soil, dark red (D) soil, gray brown (G) soil and volcano soil A total of seven soil samples are collected, including five types of forest soils and two types of weathered (W) and reclaimed (S) soils.
채취된 토양 샘플에 대한 이미지 촬영을 위해, 이미지 촬영을 위한 챔버 내에 토양 샘플을 수용한 토양 수용부를 배치하고(S120). 챔버 내에서 토양 수용부 상에 배치된 조명을 통하여 토양 샘플 상에 광을 조사하며(S140), 챔버 내에서 토양 수용부 상에 배치된 카메라를 이용하여 토양 샘플 표면에 대한 이미지를 획득한다(S160). In order to take an image of the sampled soil sample, a soil receiving part containing a soil sample is placed in a chamber for image photographing (S120). The light is irradiated onto the soil sample through the illumination placed on the soil receiving part in the chamber (S140), and an image of the soil sample surface is obtained using the camera placed on the soil receiving part in the chamber (S160 ).
정확한 토양 분류 추정을 위해서는 토양 샘플 이미지가 동일한 환경 아래에서 획득되는 것이 중요하다. 이를 위해 일례로 챔버(실내 스튜디오)를 이용하여 토양 샘플에 대한 이미지를 획득한다. For accurate soil classification estimation, it is important that the soil sample image is acquired under the same environment. For example, an image of a soil sample is obtained using a chamber (indoor studio).
우선, 토양 샘플의 이미지 촬영을 위한 챔버 내에 토양 샘플을 수용한 토양 수용부를 배치한다(S120). 일례로 현장에서 획득한 토양 샘플 7종은 노건조(oven-dry)나 기건(air-dry)를 통해 초기 함수비(含水比)를 0%로 조정한 이후 물을 첨가하여 함수비를 조절할 수 있다. First, a soil receiving portion containing a soil sample is placed in a chamber for image capturing of a soil sample (S120). For example, seven soil samples obtained at the site can be adjusted to oven-dry or air-dry to adjust the water content after adjusting the initial water content to 0%.
채취된 토양 샘플은 토양 수용부에 수용시킨다. 보다 구체적으로는 획득한 토양 샘플 7종에 포함되어 있는 유기물과 자갈 등 큰 입자들을 제거하기 위해 구멍의 지름이 2.0mm인 체를 이용하여 큰 입자들을 걸러준다. 토양 샘플 7종을 각각 10cm x 10cm x 2cm의 아크릴 몰드(토양 수용부)에 넣고 토양 샘플 채취 당시의 현장 토양 밀도를 고려하여 토양 샘플을 다져주어 토양 샘플 표면을 평평하게 한다. 표면이 평평하게 다져진 토양 샘플을 수용한 아크릴 몰드를 챔버 내의 중앙에 위치시킨다. The collected soil samples are housed in a soil receiving section. More specifically, in order to remove large particles such as organic matters and gravel contained in seven kinds of soil samples obtained, large particles are filtered using a sieve having a diameter of 2.0 mm. Seven soil samples are placed in a 10 cm x 10 cm x 2 cm acrylic mold (soil receptacle) and the soil samples are ground in order to flatten the surface of the soil sample, taking into account the field soil density at the time of sampling. An acrylic mold containing a soil sample whose surface is flattened is placed in the center of the chamber.
다음으로, 챔버 내에서 토양 수용부 상에 배치된 조명을 통하여 토양 샘플 상에 광을 조사한다(S140). 광을 조사하는 조명으로는 예를 들면, LED 조명이 사용될 수 있고, 2개의 LED 조명이 토양 수용부 상에 배치되도록 챔버 내에 설치될 수 있다. 일례로 LED 조명의 설치 위치 및 광 조사 각도는 촬영 대상인 토양 샘플에 그림자가 최소화되고, 광이 일정하게 조사될 수 있도록 조절될 수 있다. Next, light is irradiated onto the soil sample through the illumination placed on the soil receiving portion in the chamber (S140). As the illumination for irradiating the light, for example, an LED illumination can be used, and two LED lights can be installed in the chamber to be placed on the soil receiving portion. For example, the installation position and the light irradiation angle of the LED light can be adjusted so that the shadow is minimized on the soil sample to be photographed and the light can be uniformly irradiated.
주변 빛의 영향을 차단하고 조명에 의한 빛의 산란, 반사 등을 균일하게 하기 위해 챔버 내부에는 토양 수용부를 둘러싸는 형태로 반사도가 낮은 무광 흰색 판이 배치될 수 있다. In order to block the influence of the ambient light and to uniformly scatter the light due to the illumination, the matte white plate having low reflectivity in the form of surrounding the soil receiving portion may be arranged inside the chamber.
다음으로, 챔버 내에서 토양 수용부 상에 배치된 카메라를 이용하여 토양 샘플 표면에 대한 이미지를 획득한다(S160). 일례로 카메라는 챔버 내의 상단부에 설치되어 있는 철제 빔에 고정하여 카메라의 움직임과 위치 변화를 최소화할 수 있고, 2개의 LED 조명은 카메라를 사이에 두고 철제 빔에 고정되어 설치될 수 있다. Next, an image of the soil sample surface is obtained using a camera disposed on the soil receiving portion in the chamber (S160). For example, the camera can be fixed to a steel beam installed at the upper end of the chamber to minimize camera movement and position change, and the two LED lights can be fixed to a steel beam with a camera interposed therebetween.
일례로 디지털 카메라를 사용하여 토양 샘플에 대한 디지털 이미지 획득이 가능하며, 토양 수용부를 챔버 내의 중앙 부분에 배치하고, 조명을 조사하는 상태에서 디지털 카메라를 통한 촬영을 통해 이미지가 획득될 수 있다. For example, a digital camera can be used to acquire a digital image of a soil sample, an image can be acquired through shooting with a digital camera in a state in which the soil receiving portion is disposed at a central portion in the chamber and the illumination is irradiated.
이미지 촬영 시 카메라의 셔터스피드, 조리개수치, ISO감도, 노출정도는 토양 샘플 7종 모두 동일하게 하는 것이 바람직하며, 셔터를 누를 때 발생하는 진동을 제거하기 위해 카메라는 컴퓨터를 통한 원격 촬영이 가능한 상태로 제어가 가능하도록 구성될 수 있다. 토양 수용부, 조명 및 카메라의 배치 등 위에서 설명한 내용은 도 4를 통해 확인이 가능하다. When shooting images, it is desirable that the camera's shutter speed, aperture value, ISO sensitivity, and exposure level are the same for all seven soil samples. To eliminate the vibration generated when the shutter is pressed, As shown in FIG. The arrangement of the soil receiving section, the illumination and the camera, etc. The above description can be confirmed from FIG.
일례로 토양 샘플의 이미지의 해상도는 도 5에 도시된 바와 같이 원본 이미지에서 크롭(crop)되어 750X750 픽셀을 가지는 토양 표면만 나타나 있는 이미지일 수 있다. For example, the resolution of the image of the soil sample may be cropped in the original image as shown in FIG. 5, so that the image is only the soil surface with 750 X 750 pixels.
토양 샘플의 이미지를 획득하고 나면, 토양 샘플의 이미지로부터 레드(R)값, 그린(G)값 및 블루(B)값을 추출한다. 일례로 7종의 토양 샘플의 이미지에서 각각 임의의 200개 픽셀에 대한 레드(R)값, 그린(G)값 및 블루(B)값을 추출한다. Once an image of the soil sample is obtained, a red (R) value, a green (G) value, and a blue (B) value are extracted from the image of the soil sample. For example, a red (R) value, a green (G) value, and a blue (B) value for arbitrary 200 pixels are extracted from images of seven kinds of soil samples, respectively.
추출된 레드(R)값, 그린(G)값 및 블루(B)값을 독립변수로 하고 종속변수를 토양의 종류로 하여 범용 통계 프로그램들을 이용하여 선형 판별 분석을 수행하면 상기 [수학식 1]과 같은 토양 판별 점수식을 산출할 수 있다. When the linear discriminant analysis is performed using the extracted red (R), green (G), and blue (B) values as independent variables and the dependent variable as the type of soil using general statistical programs, And the number of soil samples.
선형 판별 분석(Linear Discriminant Analysis)은 간격척도를 가진 모집단의 독립변수 선형결합과 케이스가 속한 집단을 나타내는 명목 척도인 종속변수와의 관계를 규명하여 각각의 사례(Case)에 대하여 그것이 어느 모집단에 속해 있는지를 분류하는 기법이다. 판별함수(Z)는 다음과 같이 독립변수의 선형 결합 형태로 나타난다.Linear Discriminant Analysis analyzes the relationship between a linear combination of independent variables in a population with interval measures and a dependent variable that is a nominal scale representing a group to which the case belongs. For each case, Is a technique to classify whether or not. The discriminant function (Z) appears as a linear combination of independent variables as follows.
여기서 βn은 판별계수, Xn은 독립변수를 의미한다. 선형 판별 분석은 소속 그룹이 이미 알려진 케이스에 대하여 독립변수 Xn을 측정하고 이 변수들의 선형 함수인 판별함수(Z)를 도출한 후 소속이 명확하지 않은 케이스를 가져와 판별함수(Z) 통해 어느 그룹에 속하는지 파악하는 기법이다. Where β n is the discriminant coefficient and X n is the independent variable. In the linear discriminant analysis, the independent variable Xn is measured for the cases where the group belongs to, and the discriminant function (Z), which is a linear function of these variables, is derived. It is a technique to know if it belongs.
선형 판별 분석은 판별함수(Z)를 통해 도출된 집단 간의 변동과 집단 내 변동 비율을 최대화하는 절편과 독립변수의 계수를 도출하는 과정을 거치게 된다.The linear discriminant analysis is performed through a process of maximizing the variation among the groups derived through the discriminant function (Z) and the intra-group variation, and deriving the coefficients of the independent variables.
도 9에 도시된 바와 같이, A집단과 B집단은 X1과 X2의 변수로 이루어져 있다. 이를 X1축으로 정사영하여 분포를 구하면 D1 영역만큼의 중복 영역이 발생하고 마찬가지로 X2 축으로 정사영하면 D2 크기만큼의 중복 영역이 발생한다. 판별함수(Z)는 각 변수에 판별계수를 포함해 새로운 Z축으로의 정사영 선형 함수를 만들어 그림의 D3와 같이 중복 영역이 최소가 되게 하여 두 그룹을 분류하는 방법이다. 이러한 방식을 통하여 도출된 판별함수(Z)는 본 발명의 토양 판별 점수식이 될 수 있다. As shown in FIG. 9, the group A and the group B consist of variables X 1 and X 2 . If the distribution is obtained by orthogonal projection on the X 1 axis, overlapping regions of D 1 region are generated, and if D 2 is orthogonal to the X 2 axis, overlapping regions of D 2 size occur. The discriminant function (Z) is a method of classifying two groups by making the orthogonal linear function in the new Z axis including the discriminant coefficient in each variable and minimizing the overlap area as shown in D 3 of the figure. The discriminant function (Z) derived through this method can be the soil discrimination score expression of the present invention.
상기 토양 이미지의 판별 점수가 도출되면, 도출된 상기 판별 점수와 미리 결정되어 있는 특정 토양 분류들에 따른 대표값(집단 중심값)들을 비교하여, 상기 대표값들 중 가장 차이가 없는 대표값의 토양 분류를 상기 실제 토양의 분류로 추정한다(S400). When the discrimination score of the soil image is derived, the derived score is compared with a representative value (group center value) according to predetermined soil classes, and the representative value of the representative values The classification is estimated by classifying the actual soil (S400).
특정 토양 분류들은 갈색(B) 토양, 적색(R) 토양, 암적색(D) 토양, 회갈색(G) 토양, 화산회(V) 토양, 풍화(W) 토양 및 간척지(S) 토양 총 7종을 포함한다. Specific soil classifications include seven species of brown (B), red (R), dark red (D), gray brown (G), volcanic (V), weathered (W) and reclaimed do.
특정 토양 분류들에 따른 대표값들은 아래 [표 1]과 같다. Representative values according to specific soil classifications are shown in Table 1 below.
특정 토양의 대표값들 중 도출된 상기 판별 점수와 가장 차이가 없는 대표값의 토양 분류를 상기 실제 토양의 분류로 추정한다. 상기 판별 점수와 대표값의 차이는 절대값을 기준으로 판단할 수 있다. A soil classification having a representative value which is most different from the derived discrimination score among representative values of a specific soil is estimated as the classification of the actual soil. The difference between the discrimination score and the representative value can be determined based on the absolute value.
도 10을 참조하면, 실제 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이 각각 160, 140 및 120인 경우 이를 토양 판별 점수식에 적용하면 토양 판별 점수는 -5.086이다. 이러한 토양 판별 점수와 가장 차이가 없는 대표값은 갈색(B) 토양에 해당하는 -4.253이며 이를 근거로 하여 실제 토양은 갈색(B) 토양이라는 분류 추정이 가능하다. 10, when the red (R) value, the green (G) value and the blue (B) value extracted from the actual soil image are 160, 140 and 120, respectively, when applied to the soil discriminant score expression, -5.086. The representative value which is the most different from the score of the soil discrimination is -4.253 which corresponds to the brown (B) soil. Based on this, it is possible to classify the actual soil as brown (B) soil.
도 3을 참조하면, 본 발명의 실시예에 따른 토양 이미지를 이용한 토양 분류 및 함수비 추정 방법은 실제 토양에 대한 토양 이미지를 획득하는 단계(S100), 상기 토양 이미지로부터 레드(R)값, 그린(G)값 및 블루(B)값을 추출하는 단계(S200), 선형판별분석(Linear Discriminant Analysis)을 통해 산출된 토양 판별 점수식에 상기 레드값, 상기 그린값 및 상기 블루값을 적용하여 상기 실제 토양의 판별 점수를 도출하는 단계(S300), 도출된 상기 판별 점수와 미리 결정되어 있는 특정 토양 분류들에 따른 대표값들을 비교하여, 상기 대표값들 중 가장 차이가 없는 대표값의 토양 분류를 상기 실제 토양의 분류로 추정하는 단계(S400) 및 추정된 상기 실제 토양의 분류에 따라 미리 결정된 함수비 예측 회귀식에 상기 레드값, 상기 그린값 및 상기 블루값을 적용하여 상기 실제 토양의 함수비(含水比)를 추정하는 단계(S500)를 포함할 수 있다. Referring to FIG. 3, the soil classification and water content estimation method using a soil image according to an embodiment of the present invention includes obtaining a soil image for an actual soil (S100), calculating a red (R) The green value and the blue value are applied to a soil discrimination score expression calculated through a linear discriminant analysis (S200) to extract the green value and the blue value, (S300) of deriving a discrimination score of the soil, comparing the discrimination score thus obtained with representative values according to predetermined soil classes, and comparing the representative values of the representative values of the representative values Estimating a real soil classification (S400), and applying the red value, the green value, and the blue value to a predetermined water content prediction regression equation according to the estimated real soil classification, And estimating a water content ratio of the positive (S500).
S100 내지 S400은 위에서 설명한 것과 동일하므로 자세한 설명은 생략하기로 한다. Since steps S100 to S400 are the same as those described above, a detailed description will be omitted.
실제 토양의 분류가 추정되고 나면, 추정된 상기 실제 토양의 분류에 따라 미리 결정된 함수비 예측 회귀식에 상기 레드값, 상기 그린값 및 상기 블루값을 적용하여 상기 실제 토양의 함수비(含水比)를 추정한다(S500). After the classification of the actual soil is estimated, the red value, the green value and the blue value are applied to the predetermined water content prediction regression equation according to the estimated actual soil classification to estimate the water content ratio of the actual soil (S500).
함수비 예측 회귀식은 추정된 실제 토양의 분류에 따라 다르며, 각각의 실제 토양의 분류에 따른 예측 회귀식은 아래와 같다. The predicted regression formula for water content depends on the estimated actual soil classification, and the predicted regression equation for each actual soil classification is as follows.
실제 토양의 분류가 갈색(B) 토양으로 추정된 경우에는, 실제 토양의 함수비는 아래의 [수학식 2]로 정의되는 함수비 예측 회귀식에 의하여 추정될 수 있다. When the actual soil classification is assumed to be brown (B) soil, the water content ratio of the actual soil can be estimated by a water content prediction regression equation defined by the following equation (2).
[수학식 2]&Quot; (2) "
실제 토양의 함수비 = -2.665R+3.083G-0.772B+78.069Actual soil water content = -2.665R + 3.083G-0.772B + 78.069
실제 토양의 분류가 적색(R) 토양으로 추정된 경우에는, 실제 토양의 함수비는 아래의 [수학식 3]으로 정의되는 함수비 예측 회귀식에 의하여 추정될 수 있다. When the actual soil classification is estimated as red (R) soil, the water content ratio of the actual soil can be estimated by the water content prediction regression equation defined by the following equation (3).
[수학식 3]&Quot; (3) "
실제 토양의 함수비 = -0.131R-0.031B+30.065Actual Soil Water Content = -0.131R-0.031B + 30.065
실제 토양의 분류가 암적색(D) 토양으로 추정된 경우에는, 실제 토양의 함수비는 아래의 [수학식 4]로 정의되는 함수비 예측 회귀식에 의하여 추정될 수 있다. When the actual soil classification is estimated to be dark red (D) soil, the water content ratio of the actual soil can be estimated by the water content prediction regression equation defined by the following equation (4).
[수학식 4]&Quot; (4) "
실제 토양의 함수비 = -0.218R+0.168G-0.120B+34.915Actual soil water content = -0.218R + 0.168G-0.120B + 34.915
실제 토양의 분류가 회갈색(G) 토양으로 추정된 경우에는, 실제 토양의 함수비는 아래의 [수학식 5]로 정의되는 함수비 예측 회귀식에 의하여 추정될 수 있다. When the actual soil classification is estimated to be grayish brown (G) soil, the water content ratio of the actual soil can be estimated by the water content prediction regression equation defined by the following equation (5).
[수학식 5]&Quot; (5) "
실제 토양의 함수비 = -0.735R+0.530B+61.197Actual soil water content = -0.735R + 0.530B + 61.197
실제 토양의 분류가 화산회(V) 토양으로 추정된 경우에는, 실제 토양의 함수비는 아래의 [수학식 6]으로 정의되는 함수비 예측 회귀식에 의하여 추정될 수 있다. When the actual soil classification is estimated as a volcanic ash (V) soil, the water content ratio of the actual soil can be estimated by a water content prediction regression equation defined by Equation (6) below.
[수학식 6]&Quot; (6) "
실제 토양의 함수비 = -1.350R+3.336G-3.050B+74.352Actual soil water content = -1.350R + 3.336G-3.050B + 74.352
실제 토양의 분류가 풍화(W) 토양으로 추정된 경우에는, 실제 토양의 함수비는 아래의 [수학식 7]로 정의되는 함수비 예측 회귀식에 의하여 추정될 수 있다. When the actual soil classification is estimated as weathered (W) soil, the water content ratio of the actual soil can be estimated by the water content prediction regression equation defined by the following equation (7).
[수학식 7]&Quot; (7) "
실제 토양의 함수비 = -0.895R+0.540B+74.470Actual soil water content = -0.895R + 0.540B + 74.470
실제 토양의 분류가 간척지(S) 토양으로 추정된 경우에는, 실제 토양 의 함수비는 아래의 [수학식 8]로 정의되는 함수비 예측 회귀식에 의하여 추정될 수 있다. When the actual soil classification is estimated as the reclaimed soil (S) soil, the water content ratio of the actual soil can be estimated by the water content prediction regression equation defined by the following equation (8).
[수학식 8]&Quot; (8) "
실제 토양의 함수비 = -0.325R++0.173B+38.228Actual soil water content = -0.325R ++ 0.173B + 38.228
[수학식 2] 내지 [수학식 8]에서의 R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이다. R, G and B in the equations (2) to (8) are the red (R), green (G) and blue (B) values extracted from the soil image, respectively.
실제 토양의 함수비 추정을 위한 함수비 예측 회귀식은 아래와 같은 방법을 통하여 도출하였다. The water content prediction regression equation for estimating the water content of the actual soil was derived by the following method.
우선, 함수비 증가에 따른 토양 샘플의 색상 변화를 파악하기 위하여 건조된 7종의 각각에 대한 토양 샘플에 중량 대비 3%에 해당하는 물을 첨가해가며 사진 촬영을 수행하였다. 각각의 토양 샘플에 물을 첨가한 후 각각의 토양 샘플과 물을 서로 섞어 주었으며, 토양 샘플 내부에 물이 균일하게 충분히 분포될 수 있도록 일정시간 경과 후에 사진 촬영을 수행하였다. First, in order to understand the color change of the soil sample with increasing the water content, 3% of water was added to the soil sample for each of the 7 dried samples, and the photograph was taken. Water was added to each soil sample, and each soil sample and water were mixed with each other. Photographing was performed after a certain time so that the water was uniformly distributed in the soil sample.
사진 촬영 이후 토양 샘플의 일부를 채취하여 건조 과정 없이 함수비 측정을 수행하였다. 도 11을 참조하면, 7종의 토양 샘플 각각에 대한 함수비 증가에 따른 색상 변화를 확인할 수 있다. After photographing, a part of the soil sample was taken and water content was measured without drying process. Referring to FIG. 11, it can be seen that the color change with increasing water content for each of the seven soil samples.
함수비 증가에 따라 명도는 낮아지는 반면 채도는 증가하였으며, 각 토양 샘플 별로 일정 이상의 함수비가 되는 경우에는 수분이 토양 표면으로 상승하기 때문에 이미지 상에 밝게 반사되는 부분이 나타났다. 수분이 토양 표면으로 상승하는 수분량은 토양 샘플 별로 차이가 있었으며, 토양 샘플 별로 첨가될 수 있는 물의 양이 최대가 될 때까지 촬영을 수행하였다.As the water content increased, the lightness decreased and the saturation increased. In the case of each soil sample having a water content higher than a certain level, the water rose to the surface of the soil, so that the image reflected brightly on the image. The amount of moisture that rose to the surface of the soil was different for each soil sample, and the photograph was taken until the amount of water that can be added per soil sample became maximum.
도 12를 참조하면, 각 토양 샘플마다 함수비 변화에 따른 레드(R)값, 그린(G)값 및 블루(B)값의 변화를 확인할 수 있다. 모든 토양 샘플에서 함수비 증가에 따라 레드(R)값, 그린(G)값 및 블루(B)값이 감소하는 경향을 확인할 수 있으며, 이러한 경향에 기초하여 토양 분류에 따른 실제 토양에 대한 함수비를 추정할 수 있는 함수비 예측 회귀식을 도출하였다.Referring to FIG. 12, changes in red (R), green (G), and blue (B) values according to changes in water content can be confirmed for each soil sample. It can be seen that the red (R), green (G) and blue (B) values tend to decrease with increasing water content in all soil samples. Based on this tendency, The predicted regression equation of water content ratio is derived.
함수비 예측 회귀식은 레드(R)값, 그린(G)값 및 블루(B)값의 선형 결합 형태이고, 각 토양 샘플별로 함수비 예측 회귀식을 도출하였기 때문에 실제 토양의 함수비 추정의 정확도도 높일 수 있다. The predicted regression equation of water content is a linear combination of red (R) value, green (G) value and blue (B) value, and the predicted regression equation of water content for each soil sample is derived, .
도 11에 나타난 바와 같이 각 토양 샘플별로 일정 함수비 이상에서는 표면에 수분이 올라와 빛을 반사시키는 현상이 발생하여 레드(R)값, 그린(G)값 및 블루(B)값 증가 현상의 문제가 발생하므로 이러한 요인을 제거할 수 있는 부분은 제외하였다. As shown in FIG. 11, when the water content exceeds a predetermined water content in each soil sample, moisture is raised on the surface and light is reflected, causing a problem of increase in red (R), green (G), and blue Therefore, we exclude those parts that can eliminate these factors.
이상에서 본 발명에 따른 실시예들이 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 범위의 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 다음의 특허청구범위에 의해서 정해져야 할 것이다.While the invention has been shown and described with reference to certain preferred embodiments thereof, it will be understood by those skilled in the art that various changes and modifications may be made without departing from the spirit and scope of the invention as defined by the appended claims. Accordingly, the true scope of the present invention should be determined by the following claims.
Claims (12)
상기 토양 이미지로부터 레드(R)값, 그린(G)값 및 블루(B)값을 추출하는 단계;
선형판별분석(Linear Discriminant Analysis)을 통해 산출된 토양 판별 점수식에 상기 레드값, 상기 그린값 및 상기 블루값을 적용하여 상기 실제 토양의 판별 점수를 도출하는 단계; 및
도출된 상기 판별 점수와 미리 결정되어 있는 특정 토양 분류들에 따른 대표값들을 비교하여, 상기 대표값들 중 가장 차이가 없는 대표값의 토양 분류를 상기 실제 토양의 분류로 추정하는 단계를 포함하는 토양 이미지를 이용한 토양 분류 추정 방법.
Obtaining a soil image for an actual soil;
Extracting a red (R) value, a green (G) value and a blue (B) value from the soil image;
Deriving a discrimination score of the actual soil by applying the red value, the green value and the blue value to a soil discrimination score expression calculated through a linear discriminant analysis; And
Comparing the resultant discrimination score with representative values according to predetermined soil classes to determine a soil classification of the representative value having the least difference among the representative values as the classification of the actual soil, Estimation Method of Soil Classification Using Image.
상기 토양 이미지로부터 레드(R)값, 그린(G)값 및 블루(B)값을 추출하는 단계는,
상기 토양 이미지의 특정 픽셀로부터 레드(R)값, 그린(G)값 및 블루(B)값을 추출하거나 상기 토양 이미지의 특정 영역내에 존재하는 픽셀들의 레드(R)값, 그린(G)값 및 블루(B)값에 각각에 대한 평균값을 산출하여 추출하는 토양 이미지를 이용한 토양 분류 추정 방법.
The method according to claim 1,
Extracting a red (R) value, a green (G) value and a blue (B) value from the soil image,
(R) value, a green (G) value and a blue (B) value of pixels present within a specific region of the soil image, or extracting a red (R) A method for estimating soil classification using a soil image that calculates and extracts an average value for each of blue (B) values.
상기 토양 판별 점수식은 아래의 [수학식 1]로 정의되는 토양 이미지를 이용한 토양 분류 추정 방법.
[수학식 1]
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이고, Z는 토양 판별 점수이다.
The method according to claim 1,
The soil discrimination score expression is defined by the following equation (1).
[Equation 1]
Here, R, G and B are the red (R) value, green (G) and blue (B) values extracted from the soil image, respectively, and Z is the soil discrimination score.
상기 특정 토양 분류들은,
갈색(B) 토양, 적색(R) 토양, 암적색(D) 토양, 회갈색(G) 토양, 화산회(V) 토양, 풍화(W) 토양 및 간척지(S) 토양을 포함하는 토양 이미지를 이용한 토양 분류 추정 방법.
The method according to claim 1,
The specific soil classifications,
Soil classification using soil image including brown (B) soil, red (R) soil, dark red (D) soil, gray brown (G) soil, volcanic ash (V) soil, weathering (W) Estimation method.
상기 토양 이미지로부터 레드(R)값, 그린(G)값 및 블루(B)값을 추출하는 단계;
선형판별분석(Linear Discriminant Analysis)을 통해 산출된 토양 판별 점수식에 상기 레드값, 상기 그린값 및 상기 블루값을 적용하여 상기 토양의 판별 점수를 도출하는 단계;
도출된 상기 판별 점수와 미리 결정되어 있는 특정 토양 분류들에 따른 대표값들을 비교하여, 상기 대표값들 중 가장 차이가 없는 대표값의 토양 분류를 상기 실제 토양의 분류로 추정하는 단계; 및
추정된 상기 실제 토양의 분류에 따라 미리 결정된 함수비 예측 회귀식에 상기 레드값, 상기 그린값 및 상기 블루값을 적용하여 상기 실제 토양의 함수비(含水比)를 추정하는 단계를 포함하는 토양 이미지를 이용한 토양 분류 및 함수비 추정 방법.
Obtaining a soil image for an actual soil;
Extracting a red (R) value, a green (G) value and a blue (B) value from the soil image;
Deriving a discrimination score of the soil by applying the red value, the green value and the blue value to a soil discrimination score expression calculated through a linear discriminant analysis;
Comparing the derived discrimination score with representative values according to predetermined soil classes, and estimating the soil class of the representative value having the least difference among the representative values as the classification of the actual soil; And
Estimating a water content of the actual soil by applying the red value, the green value, and the blue value to a predetermined water content prediction regression equation according to the estimated real soil classification, Soil classification and water content estimation method.
상기 실제 토양의 분류가 갈색(B) 토양으로 추정된 경우에는,
상기 실제 토양의 함수비는 아래의 [수학식 2]로 정의되는 함수비 예측 회귀식에 의하여 추정되는 토양 이미지를 이용한 토양 분류 및 함수비 추정 방법.
[수학식 2]
실제 토양의 함수비 = -2.665R+3.083G-0.772B+78.069
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이다.
6. The method of claim 5,
If the actual soil classification is assumed to be brown (B) soil,
Wherein the water content of the actual soil is estimated by a water content prediction regression equation defined by Equation (2) below.
&Quot; (2) "
Actual soil water content = -2.665R + 3.083G-0.772B + 78.069
Here, R, G, and B are the red (R), green (G), and blue (B) values extracted from the soil image, respectively.
상기 실제 토양의 분류가 적색(R) 토양으로 추정된 경우에는,
상기 실제 토양의 함수비는 아래의 [수학식 3]으로 정의되는 함수비 예측 회귀식에 의하여 추정되는 토양 이미지를 이용한 토양 분류 및 함수비 추정 방법.
[수학식 3]
실제 토양의 함수비 = -0.131R-0.031B+30.065
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이다.
6. The method of claim 5,
If the classification of the actual soil is assumed to be red (R) soil,
Wherein the water content of the actual soil is estimated by a water content prediction regression equation defined by Equation (3) below.
&Quot; (3) "
Actual Soil Water Content = -0.131R-0.031B + 30.065
Here, R, G, and B are the red (R), green (G), and blue (B) values extracted from the soil image, respectively.
상기 실제 토양의 분류가 암적색(D) 토양으로 추정된 경우에는,
상기 실제 토양의 함수비는 아래의 [수학식 4]로 정의되는 함수비 예측 회귀식에 의하여 추정되는 토양 이미지를 이용한 토양 분류 및 함수비 추정 방법.
[수학식 4]
실제 토양의 함수비 = -0.218R+0.168G-0.120B+34.915
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이다.
6. The method of claim 5,
If the actual soil classification is estimated to be a dark red (D) soil,
Wherein the water content ratio of the actual soil is estimated by a water content prediction regression equation defined by the following equation (4).
&Quot; (4) "
Actual soil water content = -0.218R + 0.168G-0.120B + 34.915
Here, R, G, and B are the red (R), green (G), and blue (B) values extracted from the soil image, respectively.
상기 실제 토양의 분류가 회갈색(G) 토양으로 추정된 경우에는,
상기 실제 토양의 함수비는 아래의 [수학식 5]로 정의되는 함수비 예측 회귀식에 의하여 추정되는 토양 이미지를 이용한 토양 분류 및 함수비 추정 방법.
[수학식 5]
토양 샘플의 함수비 = -0.735R+0.530B+61.197
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이다.
6. The method of claim 5,
If the actual soil classification is estimated to be grayish brown (G) soil,
Wherein the water content of the actual soil is estimated by the water content prediction regression equation defined by the following equation (5):
&Quot; (5) "
Water content of soil sample = -0.735R + 0.530B + 61.197
Here, R, G, and B are the red (R), green (G), and blue (B) values extracted from the soil image, respectively.
상기 실제 토양의 분류가 화산회(V) 토양으로 추정된 경우에는,
상기 실제 토양의 함수비는 아래의 [수학식 6]으로 정의되는 함수비 예측 회귀식에 의하여 추정되는 토양 이미지를 이용한 토양 분류 및 함수비 추정 방법.
[수학식 6]
실제 토양의 함수비 = -1.350R+3.336G-3.050B+74.352
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이다.
6. The method of claim 5,
When the classification of the actual soil is estimated as a volcanic ash (V) soil,
Wherein the water content of the actual soil is estimated by a water content prediction regression equation defined by the following equation (6).
&Quot; (6) "
Actual soil water content = -1.350R + 3.336G-3.050B + 74.352
Here, R, G, and B are the red (R), green (G), and blue (B) values extracted from the soil image, respectively.
상기 실제 토양의 분류가 풍화(W) 토양으로 추정된 경우에는,
상기 실제 토양의 함수비는 아래의 [수학식 7]로 정의되는 함수비 예측 회귀식에 의하여 추정되는 토양 이미지를 이용한 토양 분류 및 함수비 추정 방법.
[수학식 7]
실제 토양의 함수비 = -0.895R+0.540B+74.470
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이다.
6. The method of claim 5,
If the actual soil classification is estimated as weathered (W) soil,
Wherein the water content of the actual soil is estimated by a water content prediction regression equation defined by Equation (7) below.
&Quot; (7) "
Actual soil water content = -0.895R + 0.540B + 74.470
Here, R, G, and B are the red (R), green (G), and blue (B) values extracted from the soil image, respectively.
상기 실제 토양의 분류가 간척지(S) 토양으로 추정된 경우에는,
상기 실제 토양의 함수비는 아래의 [수학식 8]로 정의되는 함수비 예측 회귀식에 의하여 추정되는 토양 이미지를 이용한 토양 분류 및 함수비 추정 방법.
[수학식 8]
실제 토양의 함수비 = -0.325R++0.173B+38.228
여기서, R, G, B는 각각 상기 토양 이미지로부터 추출된 레드(R)값, 그린(G)값 및 블루(B)값이다. 6. The method of claim 5,
If the classification of the actual soil is assumed to be a reclaimed land (S) soil,
Wherein the water content ratio of the actual soil is estimated by a water content prediction regression equation defined by the following equation (8).
&Quot; (8) "
Actual soil water content = -0.325R ++ 0.173B + 38.228
Here, R, G, and B are the red (R), green (G), and blue (B) values extracted from the soil image, respectively.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170108497A KR102082102B1 (en) | 2017-08-28 | 2017-08-28 | Soil classification estimation method and soil moisture percentage estimation method using soil image |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170108497A KR102082102B1 (en) | 2017-08-28 | 2017-08-28 | Soil classification estimation method and soil moisture percentage estimation method using soil image |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190025079A true KR20190025079A (en) | 2019-03-11 |
| KR102082102B1 KR102082102B1 (en) | 2020-02-28 |
Family
ID=65758342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170108497A KR102082102B1 (en) | 2017-08-28 | 2017-08-28 | Soil classification estimation method and soil moisture percentage estimation method using soil image |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102082102B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102195389B1 (en) * | 2020-02-03 | 2020-12-24 | 주식회사 씨팩토리 | Game control method and apparatus for ecological play |
| CN112949420A (en) * | 2021-02-07 | 2021-06-11 | 湖北君邦环境技术有限责任公司 | Water and soil conservation monitoring method, device and system and readable storage medium |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006038511A (en) * | 2004-07-23 | 2006-02-09 | Tokyo Univ Of Agriculture & Technology | Soil analyzing method and soil analyzer |
| JP2012150068A (en) * | 2011-01-21 | 2012-08-09 | Zukosha:Kk | Method for predicting wet and dry condition of soil and device for the same |
| KR101336620B1 (en) | 2012-01-17 | 2013-12-05 | 한양대학교 산학협력단 | Soil moisture retrieval system using satellite data |
-
2017
- 2017-08-28 KR KR1020170108497A patent/KR102082102B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006038511A (en) * | 2004-07-23 | 2006-02-09 | Tokyo Univ Of Agriculture & Technology | Soil analyzing method and soil analyzer |
| JP2012150068A (en) * | 2011-01-21 | 2012-08-09 | Zukosha:Kk | Method for predicting wet and dry condition of soil and device for the same |
| KR101336620B1 (en) | 2012-01-17 | 2013-12-05 | 한양대학교 산학협력단 | Soil moisture retrieval system using satellite data |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102195389B1 (en) * | 2020-02-03 | 2020-12-24 | 주식회사 씨팩토리 | Game control method and apparatus for ecological play |
| CN112949420A (en) * | 2021-02-07 | 2021-06-11 | 湖北君邦环境技术有限责任公司 | Water and soil conservation monitoring method, device and system and readable storage medium |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102082102B1 (en) | 2020-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Macfarlane et al. | Automated estimation of foliage cover in forest understorey from digital nadir images | |
| Jonckheere et al. | Assessment of automatic gap fraction estimation of forests from digital hemispherical photography | |
| Liu et al. | A novel method for extracting green fractional vegetation cover from digital images | |
| Glatthorn et al. | Standardizing the protocol for hemispherical photographs: accuracy assessment of binarization algorithms | |
| Pueschel et al. | An efficient approach to standardizing the processing of hemispherical images for the estimation of forest structural attributes | |
| KR100772506B1 (en) | Method for classification of geological materials using image processing and apparatus thereof | |
| Brusa et al. | Increasing the precision of canopy closure estimates from hemispherical photography: Blue channel analysis and under-exposure | |
| Grotti et al. | An intensity, image-based method to estimate gap fraction, canopy openness and effective leaf area index from phase-shift terrestrial laser scanning | |
| Jonckheere et al. | Methods for leaf area index determination. Part I: Theories, techniques and instruments | |
| US11232578B2 (en) | Image processing system for inspecting object distance and dimensions using a hand-held camera with a collimated laser | |
| JP2019537151A (en) | Image processing apparatus, image processing method, and image processing program | |
| JP2007129277A (en) | Image processor | |
| JP2019144607A (en) | Tree species estimation method using satellite image and tree species soundness determination method for tree species estimated | |
| Korhonen et al. | Automated analysis of in situ canopy images for the estimation of forest canopy cover | |
| Chianucci et al. | Continuous observations of forest canopy structure using low-cost digital camera traps | |
| KR20170128577A (en) | Tissue sample analysis technology | |
| KR20190025079A (en) | Soil classification estimation method and soil moisture percentage estimation method using soil image | |
| Nurit et al. | HD-RTI: An adaptive multi-light imaging approach for the quality assessment of manufactured surfaces | |
| Jonckheere et al. | Image analysis of hemispherical photographs, algorithms and calculations | |
| McCarthy et al. | Digital analysis of lichen cover: a technique for use in lichenometry and licnenology | |
| Loffredo et al. | DHPT 1.0: New software for automatic analysis of canopy closure from under-exposed and over-exposed digital hemispherical photographs | |
| CN106846309B (en) | Automatic estimation method for forest surface dead combustible load capacity based on image | |
| CN109726641B (en) | Remote sensing image cyclic classification method based on automatic optimization of training samples | |
| Schwalbe et al. | Profile based sub-pixel-classification of hemispherical images for solar radiation analysis in forest ecosystems | |
| Steinecke et al. | A standardized and efficient technique to estimate seed traits in plants with numerous small propagules |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) |