KR20190140658A - 드론 영상을 이용한 농작물 판별 장치 및 그 방법 - Google Patents
드론 영상을 이용한 농작물 판별 장치 및 그 방법 Download PDFInfo
- Publication number
- KR20190140658A KR20190140658A KR1020180067427A KR20180067427A KR20190140658A KR 20190140658 A KR20190140658 A KR 20190140658A KR 1020180067427 A KR1020180067427 A KR 1020180067427A KR 20180067427 A KR20180067427 A KR 20180067427A KR 20190140658 A KR20190140658 A KR 20190140658A
- Authority
- KR
- South Korea
- Prior art keywords
- crop
- area
- year
- average value
- histogram
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 43
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 17
- 238000012850 discrimination method Methods 0.000 claims abstract description 5
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 abstract description 19
- 238000010586 diagram Methods 0.000 description 3
- 241000234282 Allium Species 0.000 description 2
- 235000002732 Allium cepa var. cepa Nutrition 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 240000002234 Allium sativum Species 0.000 description 1
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 244000000626 Daucus carota Species 0.000 description 1
- 235000002767 Daucus carota Nutrition 0.000 description 1
- 244000017020 Ipomoea batatas Species 0.000 description 1
- 235000002678 Ipomoea batatas Nutrition 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000758706 Piperaceae Species 0.000 description 1
- 244000088415 Raphanus sativus Species 0.000 description 1
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000004611 garlic Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
- B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- B64C2201/127—
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Agronomy & Crop Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Biochemistry (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
본 발명은 드론 영상을 이용한 농작물 판별 장치 및 그 방법에 관한 것이다. 본 발명에 따르면, 농작물 판별 장치를 이용한 농작물 판별 방법에 있어서, 드론을 통해 수집한 농경지의 촬영 영상으로부터 분광 영상을 획득하는 단계와, 상기 분광 영상 내에서 검출된 적어도 하나의 농작물 영역 각각에 대한 히스토그램을 생성하는 단계, 및 상기 생성한 히스토그램을 이용하여 상기 농작물 영역에 식생 중인 작물의 종류를 판별하는 단계를 포함하는 농작물 판별 방법을 제공한다.
본 발명에 의하면, 농경지를 촬영하여 획득한 분광 영상을 이용하여 농작물 영역 내 작물의 종류를 판별할 수 있음은 물론, 각각의 농작물 영역 별로 작물 재배 면적, 병충해 여부, 올해 출하 시기 및 출하량 등을 각각 추정하여 제공할 수 있다.
본 발명에 의하면, 농경지를 촬영하여 획득한 분광 영상을 이용하여 농작물 영역 내 작물의 종류를 판별할 수 있음은 물론, 각각의 농작물 영역 별로 작물 재배 면적, 병충해 여부, 올해 출하 시기 및 출하량 등을 각각 추정하여 제공할 수 있다.
Description
본 발명은 드론 영상을 이용한 농작물 판별 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 드론 영상을 통하여 농경지에 식생 중인 작물의 종류를 판별할 수 있는 드론 영상을 이용한 농작물 판별 장치 및 그 방법에 관한 것이다.
농업 선도 국가(미국, 유럽)에서는 원격 탐사 기술을 농업 통계 조사에 활용하고 있으며, 주로 인공 위성으로부터 취득한 이미지를 분석하여 재배 현황 파악을 시도하고 있다.
하지만 상업용 위성에서 제공하는 대부분의 영상은 미터 단위의 낮은 해상도를 지원하고 있어 신뢰성 있는 정밀한 판독이 곤란하다. 그 예로 한국 아리랑 위성 3A호를 기준으로 보면 가시광선 영역의 경우 0.5m, 근적외선 영역의 경우 1.8m의 낮은 해상도를 지원한다.
더욱이, 국내를 포함한 아시아 농업은 선진국과 비교하여 영농 단위가 영세한 편이며 좁은 면적에 다종의 작물을 재배하는 경향이 있기 때문에, 인공 위성에서 취득한 영상을 통해 농작물의 재배 현황을 분석하고 파악하는 것에는 기술적 한계가 따르며 현실화되기 어려운 문제점이 있다.
본 발명의 배경이 되는 기술은 한국공개특허 제2016-0072519호(2016.06.23 공개)에 개시되어 있다.
본 발명은, 드론 영상을 통하여 농경지에 식생 중인 작물의 종류를 용이하게 판별할 수 있는 드론 영상을 이용한 농작물 판별 장치 및 그 방법을 제공하는데 목적이 있다.
본 발명은, 농작물 판별 장치를 이용한 농작물 판별 방법에 있어서, 드론을 통해 수집한 농경지의 촬영 영상으로부터 분광 영상을 획득하는 단계와, 상기 분광 영상 내에서 검출된 적어도 하나의 농작물 영역 각각에 대한 히스토그램을 생성하는 단계, 및 상기 생성한 히스토그램을 이용하여 상기 농작물 영역에 식생 중인 작물의 종류를 판별하는 단계를 포함하는 농작물 판별 방법을 제공한다.
또한, 상기 작물의 종류를 판별하는 단계는, 상기 생성한 히스토그램에서 임계 이하의 픽셀수를 갖는 색상 데이터를 제외시킨 상태에서 상기 히스토그램을 기 저장된 작물 종류별 샘플 히스토그램과 각각 비교하여 상기 농작물 영역 내 상기 작물의 종류를 판별할 수 있다.
또한, 상기 농작물 판별 방법은, 상기 생성한 히스토그램 내에 관심 색상에 대응하는 픽셀수가 기준값 이상인 경우 상기 농작물 영역에 병충해가 발생한 것으로 판단하는 단계를 더 포함할 수 있다.
또한, 상기 농작물 판별 방법은, 에지 검출을 이용하여 상기 분광 영상 내에서 상기 적어도 하나의 농작물 영역을 각각 검출하는 단계, 및 상기 농작물 영역을 구성하는 총 픽셀수 및 상기 촬영 시 드론의 위치 정보를 이용하여 상기 농작물 영역의 면적을 산출하는 단계를 더 포함할 수 있다.
또한, 상기 농작물 판별 방법은, 상기 분광 영상에서 상기 농작물 영역을 구성하는 각 픽셀의 RGB 값을 이용하여 상기 작물의 올해 출하 시기를 추정하는 단계를 더 포함할 수 있다.
또한, 상기 올해 출하 시기를 추정하는 단계는, 현재 상기 농작물 영역을 구성하는 각 픽셀의 RGB 값의 평균치(E1)와 작년 동월에 상기 농작물 영역에 대해 기 획득된 평균치(E2) 간에 발생한 오차를 상기 농작물 영역의 작년 출하 시기에 반영하여 상기 올해 출하 시기를 추정할 수 있다.
또한, 상기 올해 출하 시기는 아래의 수학식에 의해 추정될 수 있다.
여기서, 상기 작년 출하 시기는 1과 365 사이의 값으로 365일 중에서 작년 출하 일자에 해당하는 값, A는 상기 오차, B는 작물별 기 설정된 계수(0≤B≤1)를 나타낸다.
또한, 상기 오차는 아래의 수학식으로 정의될 수 있다.
여기서, E1은 현재 상기 농작물 영역을 구성하는 각 픽셀의 RGB 값의 평균치, E2는 작년 동월에 상기 농작물 영역에 대해 기 획득된 평균치를 나타낸다.
또한, 상기 올해 출하 시기를 추정하는 단계는, 상기 E1을 상기 작년 동월에 대한 직전 월과 다음 월에 기 획득된 평균치와 각각 비교하여, 상기 E1이 상기 직전 월에 획득된 평균치(E2_1)와 더욱 근접하면 상기 수학식의 '±' 부호 중 '+' 부호를 선택하고, 상기 다음 월에 획득된 평균치(E2_2)와 더욱 근접하면 '-' 부호를 선택할 수 있다.
또한, 각각의 상기 평균치는, 상기 농작물 영역을 구성하는 각 픽셀의 RGB 값을 그레이 스케일 값으로 각각 변환하여 평균한 값일 수 있다.
또한, 상기 농작물 판별 방법은, 상기 농작물 영역의 작년 유효 면적에 대비한 올해 유효 면적의 비를 작년 출하량에 곱하여 올해 예상 출하량을 연산하는 단계를 더 포함하며, 상기 유효 면적은, 상기 농작물 영역의 전체 면적에서 병충해가 발생한 면적을 제외한 면적일 수 있다.
그리고, 본 발명은, 드론을 통해 수집한 농경지의 촬영 영상으로부터 분광 영상을 획득하는 영상 획득부와, 상기 분광 영상 내에서 검출된 적어도 하나의 농작물 영역 각각에 대한 히스토그램을 생성하는 히스토그램 생성부, 및 상기 생성한 히스토그램을 이용하여 상기 농작물 영역에 식생 중인 작물의 종류를 판별하는 판별부를 포함하는 농작물 판별 장치를 제공한다.
또한, 상기 판별부는, 상기 생성한 히스토그램에서 임계 이하의 픽셀수를 갖는 색상 데이터를 제외시킨 상태에서 상기 히스토그램을 기 저장된 작물 종류별 샘플 히스토그램과 각각 비교하여 상기 농작물 영역 내 상기 작물의 종류를 판별할 수 있다.
또한, 상기 농작물 판별 장치는, 에지 검출을 이용하여 상기 분광 영상 내에서 상기 적어도 하나의 농작물 영역을 각각 검출하는 검출부, 및 상기 농작물 영역을 구성하는 총 픽셀수 및 상기 촬영 시 드론의 위치 정보를 이용하여 상기 농작물 영역의 면적을 산출하는 면적 산출부를 더 포함할 수 있다.
또한, 상기 농작물 판별 장치는, 상기 분광 영상에서 상기 농작물 영역을 구성하는 각 픽셀의 RGB 값을 이용하여 상기 작물의 올해 출하 시기를 추정하는 출하 시기 추정부를 더 포함할 수 있다.
또한, 상기 농작물 판별 장치는, 상기 농작물 영역의 작년 유효 면적에 대비한 올해 유효 면적의 비를 작년 출하량에 곱하여 올해 예상 출하량을 연산하는 출하량 연산부를 더 포함하며, 상기 유효 면적은, 상기 농작물 영역의 전체 면적에서 병충해가 발생한 면적을 제외한 면적일 수 있다.
본 발명에 따르면, 농경지를 촬영하여 획득한 분광 영상을 이용하여 농작물 영역 내 작물의 종류를 판별할 수 있음은 물론, 각각의 농작물 영역 별로 작물 재배 면적, 병충해 여부, 올해 출하 시기 및 출하량 등을 각각 추정하여 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 드론 영상을 이용한 농작물 판별 장치의 구성을 나타낸 도면이다.
도 2는 본 발명의 실시예에서 드론을 이용하여 분광 영상을 획득하는 모습을 나타낸 도면이다.
도 3은 본 발명의 실시예에서 분광 영상 내 소정의 농작물 영역에 대한 히스토그램 생성 결과를 예시한 도면이다.
도 4는 도 1을 이용한 농작물 판별 방법을 설명하는 도면이다.
도 2는 본 발명의 실시예에서 드론을 이용하여 분광 영상을 획득하는 모습을 나타낸 도면이다.
도 3은 본 발명의 실시예에서 분광 영상 내 소정의 농작물 영역에 대한 히스토그램 생성 결과를 예시한 도면이다.
도 4는 도 1을 이용한 농작물 판별 방법을 설명하는 도면이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 드론 영상을 이용한 농작물 판별 장치의 구성을 나타낸 도면이다.
도 1에 나타낸 것과 같이, 본 발명의 실시예에 따른 농작물 판별 장치(100)는 영상 획득부(110), 히스토그램 생성부(120), 판별부(130), 검출부(140), 면적 산출부(150), 출하 시기 추정부(160), 출하량 연산부(170)를 포함한다.
영상 획득부(110)는 드론을 통해 수집한 농경지의 촬영 영상으로부터 분광 영상을 획득한다. 농업용 관측 센서(다중 분광 센서)를 탑재한 드론을 이용하면 10cm 수준의 고해상도의 분광 영상을 얻을 수 있다. 일반적으로 다중 분광 센서는 가시광선 영역은 물론 근적외선(분광) 영역의 이미지를 얻을 수 있다.
드론에 탑재되는 관측 센서는 다중 분광 센서 이외에도 초분광 센서가 활용될 수 있다. 일반적으로 다중 분광 영상 기법을 사용할 경우 가시광선 영역과 적외선(분광) 영역 내에서 약 10개 이내의 밴드의 이미지를 얻을 수 있으며, 초분광 영상 기법을 사용할 경우에는 그보다 훨씬 세분화된 수백 개의 밴드의 이미지를 얻을 수 있다. 이하의 본 발명의 실시예는 다중 분광 센서를 이용한 것을 대표 예시로 한다.
도 2는 본 발명의 실시예에서 드론을 이용하여 분광 영상을 획득하는 모습을 나타낸 도면이다.
이러한 도 2는 농업용 드론을 지그재그 경로로 이동시켜 획득한 다수의 영상을 상호 조합하여 대면적의 농경지를 커버하는 분광 영상을 획득한 결과를 나타낸 것이다. 물론, 본 발명이 반드시 이에 한정하지 않으며, 여러 영상의 결합 없이 단일의 영상에 대한 분광 영상을 획득하여 분석하는 가능하다.
히스토그램 생성부(120)는 분광 영상 내에서 검출된 적어도 하나의 농작물 영역 각각에 대한 히스토그램(histogram)을 생성한다. 히스토그램은 영상 내 색상과 픽셀수의 관계를 도식한 것으로, 일반적으로 가로축은 색상 값이고 세로 축은 영상 내에서 해당 색상 값을 가진 픽셀수를 나타낸다.
도 3은 본 발명의 실시예에서 분광 영상 내 소정의 농작물 영역에 대한 히스토그램 생성 결과를 예시한 도면이다.
좌측 그림은 분광 센서로부터 획득한 분광 영상을 예시한 것이고, 우측 그림은 좌측 그림 내 소정의 농작물 영역에 대해 히스토그램을 생성한 결과를 예시한 것이다. 히스토그램을 이용하면 각각의 색상값 별로 그에 대응하는 픽셀수를 파악할 수 있으며 색상 전반에 대한 픽셀수의 분포를 확인할 수 있다.
본 발명의 실시예는 농작물 영역에 대해 획득한 히스토그램의 분포를 기 저장된 각각의 작물별 샘플 히스토그램의 분포와 비교함으로써 해당 농작물 영역 내 식생 중인 작물의 종류를 판별할 수 있다.
이를 위해, 판별부(130)는 농작물 영역에 대한 히스토그램을 이용하여 해당 농작물 영역에 식생 중인 작물의 종류를 판별한다. 농작물은 논밭에 심어 가꾸는 곡식이나 채소류를 의미하는 것으로, 판별 대상이 되는 작물의 종류는 감자, 당근, 마늘, 양파, 무, 배추, 고추, 오이, 파, 고구마 등 다양할 수 있다.
본 발명의 실시예는 작물의 종류 별로 기 구축된 샘플 히스토그램을 작물 분류 시에 활용할 수 있으며, 기 공지된 최대우도 분류 기법, 최소거리 분류 기법 등을 사용하여 작물의 종류를 구별할 수 있다.
여기서, 판별부(130)는 히스토그램에서 임계 이하의 픽셀수를 갖는 색상 데이터를 제외시킨 다음, 히스토그램을 기 저장된 작물 종류별 샘플 히스토그램과 각각 비교하여 농작물 영역 내 식생 중인 작물의 종류를 판별한다,
이와 같이, 히스토그램 내에서 임계 이하의 픽셀수를 나타내는 색상 데이터인 소수 색상 데이터를 노이즈 데이터로 필터링한 다음 이를 기 저장된 작물 종류별 샘플 히스토그램과 각각 비교함으로써, 작물 판별의 정확도를 높일 수 있다.
예를 들어 도 3의 A 영역의 경우 초록색 군의 픽셀들이 가장 많고 이와는 상대적으로 붉은색 군의 픽셀들은 적은 것을 알 수 있는데, 이들 붉은색 군의 픽셀수 데이터를 히스토그램에서 제외시킬 수 있다.
물론, 소수 색상의 데이터는 작물 종류의 판별 시에는 제외되지만, 추후 해당 작물의 출하 시기를 결정할 때는 함께 고려되어야 한다. 그 이유는 같은 농작물 영역 내에서도 병충해로 인한 변색, 성숙도 차이 등에 의해 소수 색상의 데이터가 발생 가능하기 때문이다.
판별부(130)는 농작물 영역에 대한 히스토그램 내에 관심 색상(예를 들어, 검정색)에 대응하는 픽셀수가 기준값 이상이면, 농작물 영역에 병충해가 발생한 것으로 판단할 수 있다. 여기서 기준값을 사용하는 이유는 영상 처리 오차 등으로 인해 검정색을 지닌 픽셀이 매우 희소한 수로 검출된 경우를 병충해 발생으로 오인하는 문제를 방지하기 위한 것이다. 물론, 기준값은 각 농작물 영역의 크기에 비례하여 적응적으로 설정될 수도 있고 고정된 값으로 설정될 수 있다.
검출부(140)는 에지 검출(Edge Detection) 기법을 이용하여 분광 영상 내에서 적어도 하나의 농작물 영역을 각각 검출하고, 검출 결과를 히스토그램 생성부(120)와 면적 산출부(150)에 제공한다. 에지 검출 기법은 기 공지된 것이므로 상세한 설명은 생략한다.
도 2 및 도 3을 참조하면, 분광 영상 내에는 다양한 크기 또는 모양을 가지는 여러 농작물 영역이 상호 구획되어 존재하고 이들 농작물 영역은 영상 내에서 에지(Edge)에 의해 구분됨을 알 수 있다.
따라서, 에지 검출 기법을 이용할 경우 분광 영상 내 존재하는 적어도 하나의 농작물 영역을 개별적으로 검출하고 구분할 수 있다. 물론 검출된 각 농작물 영역에는 그에 대응하는 별도의 식별 코드가 부여될 수 있다.
면적 산출부(150)는 농작물 영역을 구성하는 총 픽셀수 및 촬영 시 드론의 위치 정보를 이용하여 농작물 영역의 면적을 산출할 수 있다. 즉, 지면에 대한 드론의 높이 등을 이용하면 픽셀 하나당 실제 가로 및 세로 크기와 그에 따른 면적을 추정할 수 있고 픽셀 하나당 면적을 총 픽셀수와 곱하게 되면, 실제 농작물 영역의 면적을 구할 수 있다.
이와 같은 방법으로, 분광 영상 내 구획된 각각의 농작물 영역의 면적을 확인할 수 있으며, 농작물 영역의 면적은 곧 작물의 재배 면적을 의미한다. 따라서, 판별부(130) 및 면적 산출부(150)의 결과로부터 각 농작물 영역에서 수확 중인 작물의 종류 및 해당 작물에 대한 재배 면적을 확인할 수 있다.
출하 시기 추정부(160)는 분광 영상에서 상기 농작물 영역을 구성하는 각 픽셀의 RGB 값을 이용하여 작물의 올해 출하 시기를 추정한다. 즉, 분광 영상에서 검출된 농작물 영역 내의 픽셀들의 색상 정보를 기초로, 농작물 영역 내 식생 중인 작물의 올해 출하 시기를 추정한다.
구체적으로, 출하 시기 추정부(160)는 현재 농작물 영역을 구성하는 각 픽셀의 RGB 값의 평균치(E1)와 작년 동월에 해당 농작물 영역에 대해 기 획득된 평균치(E2) 간에 발생한 오차(A)를 농작물 영역의 작년 출하 시기에 반영하여 올해 출하 시기를 추정한다.
이를 위해, 출하 시기 추정부(160)는 아래의 수학식 1을 이용하여 올해 출하 시기를 결정할 수 있다.
여기서, 작년 출하 시기는 해당 농작물 영역 내 작물의 작년 출하 일자에 대응하는 값으로, 1과 365 사이의 값을 가지며, 365일 중에서 작년 출하 일자에 해당하는 값을 나타낸다. 예를 들어, 작년 출하 일자가 8월 30일이었다면, 작년 출하 시기는 242가 된다.
A는 E1과 E2 간에 발생한 오차이며, B는 작물별 기 설정된 계수(0≤B≤1)를 나타낸다. B는 작물의 종류마다 상이할 수 있으며 A 값을 증폭 또는 축소 시킬 수 있는 인자에 해당한다.
E1과 E2 간에 발생한 오차(A)는 다시 수학식 2와 같이 정의될 수 있다.
앞서 설명한 바와 같이, E1은 현재 농작물 영역을 구성하는 각 픽셀의 RGB 값의 평균치, E2는 작년 동월에 농작물 영역에 대해 기 획득된 평균치를 나타낸다.
본 발명의 실시예에서 각각의 평균치란 각 픽셀의 RGB 값의 평균을 이용할 수도 있지만, 각 픽셀의 RGB 값을 그레이 스케일 값으로 각각 변환한 후에 평균한 값을 의미할 수 있다.
수학식 1에서 A 값 앞에는 ± 부호가 적용되어 있는데, 이 중에서 '+' 부호 선택 시에는 올해 출하 시기가 늘어나게 되고 '-' 부호 선택 시에는 올해 출하 시기가 단축되는 것을 알 수 있다. 즉, 수학식 1에서 '작년 출하 시기'에 적용되는 지수 값이 1보다 크면 올해 출하 시기가 작년보다 느려지고 1보다 작으면 작년보다 단축되는 것을 알 수 있다.
본 발명의 실시예에서 실질적으로 '+' 부호와 '-' 부호가 선택되는 기준은 다음과 같다.
출하 시기 추정부(160)는 2018년 4월 현재, 농작물 영역 내 각 픽셀의 RGB 값의 평균치(E1)를 구한 다음, 이를 작년 동월(ex, 2017년 4월)에 대한 직전 월(2017년 3월)과 다음 월(2017년 5월)에 기 획득된 평균치(E2_1, E2_2)와 각각 비교한다.
이때, 출하 시기 추정부(160)는 E1 값이 E2_1 값과 더욱 근접하면, 작물이 덜 성숙되어 작년보다 출하가 늦어질 것으로 예상되는 상황으로, '+' 부호를 선택하고, E1 값이 E2_2와 더욱 근접한 경우에는 해당 작물이 작년보다 빨리 성숙되어 출하가 빨라질 것으로 예상되는 상황으로, '-' 부호를 선택할 수 있다.
이와 같이, 본 발명의 실시예는 분광 영상을 분석하여 해당 농작물 영역 내 농작물의 올해 출하 시기를 추정할 수 있다.
출하량 연산부(170)는 농작물 영역의 작년 유효 면적에 대비한 올해 유효 면적의 비를 작년 출하량에 곱하여 올해 예상 출하량을 연산한다. 여기서 유효 면적이란 농작물 영역의 전체 면적에서 병충해가 발생한 면적을 제외한 면적을 의미할 수 있다. 병충해가 발생한 면적의 경우 앞서 병충해에 대응하는 색상을 가진 픽셀수를 이용하여 연산할 수 있다.
즉, 해당 농작물 영역에서 연산된 올해 유효 면적을 작년에 기 연산된 작년 유효 면적으로 나눈 다음 여기에 작년 출하량을 곱함으로써 올해 예상 출하량을 예측할 수 있다. 이때, 작년에 기 연산된 유효 면적은 작년 출하 시점에서 관측된 유효 면적에 해당할 수도 있다.
물론, 올해 유효 면적이란 현재 관측된 유효 면적을 의미할 수 있으며, 농작물 영역의 유효 면적을 매월 연산하면, 올해 출하 시기가 도달할 때까지 예상 출하량을 매월 연산하고 그 추이를 파악 및 추적할 수 있다.
이러한 농작물 판별 장치(100)는 드론과 유무선 방식으로 연결되어 분광 영상을 제공받을 수도 있으며, 분광 영상을 분석하는 것을 통해 각 농작물 영역 내 작물의 종류 판별, 병충해 여부 판단, 올해 출하 시기 추정, 출하량 예측 등을 수행할 수 있다.
도 4는 도 1을 이용한 농작물 판별 방법을 설명하는 도면이다.
우선, 영상 획득부(110)는 드론을 통해 수집한 농경지의 촬영 영상으로부터 분광 영상을 획득한다(S210). 그리고 검출부(140)는 에지 검출을 통해 분광 영상 내 적어도 하나의 농작물 영역을 각각 검출한다(S220). 여기서, 면적 산출부(150)를 이용하면 농작물 영역 각각에 대한 재배 면적을 산출할 수 있다.
이후, 히스토그램 생성부(120)는 분광 영상 내에서 검출된 적어도 하나의 농작물 영역 각각에 대한 히스토그램을 생성하고(S230), 판별부(130)는 히스토그램을 이용하여 농작물 영역 각각에 식생 중인 작물의 종류를 판별한다(S240). 여기서, 판별부(130)는 히스토그램을 이용하여 농작물 영역 내 병충해 여부를 추가로 판단할 수 있다(S250).
다음, 출하 시기 추정부(160)는 분광 영상에서 농작물 영역을 구성하는 각 픽셀의 RGB 값을 이용하여 작물의 올해 출하 시기를 추정하고, 출하량 연산부(170)는 해당 농작물 영역의 작년 유효 면적에 대비한 올해 유효 면적의 비를 작년 출하량에 곱하여 올해 예상 출하량을 연산하여 제공한다(S260).
이상과 같은 본 발명에 따르면, 드론을 통해 농경지를 촬영하여 획득한 분광 영상을 이용하여 농작물 영역 내 작물의 종류를 판별할 수 있음은 물론, 각각의 농작물 영역 별로 작물 재배 면적, 병충해 여부, 올해 출하 시기 및 출하량 등을 각각 추정하여 제공할 수 있다. 물론, 이와 같이 추정된 정보들은 향후 작물의 생산량 예측, 수급 조절, 가격 결정, 정책 수립 등에 적극적으로 활용될 수 있을 것으로 기대된다.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 농작물 판별 장치
110: 영상 획득부
120: 히스토그램 생성부 130: 판별부
140: 검출부 150: 면적 산출부
160: 출하 시기 추정부 170: 출하량 연산부
120: 히스토그램 생성부 130: 판별부
140: 검출부 150: 면적 산출부
160: 출하 시기 추정부 170: 출하량 연산부
Claims (22)
- 농작물 판별 장치를 이용한 농작물 판별 방법에 있어서,
드론을 통해 수집한 농경지의 촬영 영상으로부터 분광 영상을 획득하는 단계;
상기 분광 영상 내에서 검출된 적어도 하나의 농작물 영역 각각에 대한 히스토그램을 생성하는 단계; 및
상기 생성한 히스토그램을 이용하여 상기 농작물 영역에 식생 중인 작물의 종류를 판별하는 단계를 포함하는 농작물 판별 방법. - 청구항 1에 있어서,
상기 작물의 종류를 판별하는 단계는,
상기 생성한 히스토그램에서 임계 이하의 픽셀수를 갖는 색상 데이터를 제외시킨 상태에서 상기 히스토그램을 기 저장된 작물 종류별 샘플 히스토그램과 각각 비교하여 상기 농작물 영역 내 상기 작물의 종류를 판별하는 농작물 판별 방법. - 청구항 1에 있어서,
상기 생성한 히스토그램 내에 관심 색상에 대응하는 픽셀수가 기준값 이상인 경우 상기 농작물 영역에 병충해가 발생한 것으로 판단하는 단계를 더 포함하는 농작물 판별 방법. - 청구항 1에 있어서,
에지 검출을 이용하여 상기 분광 영상 내에서 상기 적어도 하나의 농작물 영역을 각각 검출하는 단계; 및
상기 농작물 영역을 구성하는 총 픽셀수 및 상기 촬영 시 드론의 위치 정보를 이용하여 상기 농작물 영역의 면적을 산출하는 단계를 더 포함하는 농작물 판별 방법. - 청구항 1에 있어서,
상기 분광 영상에서 상기 농작물 영역을 구성하는 각 픽셀의 RGB 값을 이용하여 상기 작물의 올해 출하 시기를 추정하는 단계를 더 포함하는 농작물 판별 방법. - 청구항 5에 있어서,
상기 올해 출하 시기를 추정하는 단계는,
현재 상기 농작물 영역을 구성하는 각 픽셀의 RGB 값의 평균치(E1)와 작년 동월에 상기 농작물 영역에 대해 기 획득된 평균치(E2) 간에 발생한 오차를 상기 농작물 영역의 작년 출하 시기에 반영하여 상기 올해 출하 시기를 추정하는 농작물 판별 방법. - 청구항 6에 있어서,
상기 올해 출하 시기를 추정하는 단계는,
상기 E1을 상기 작년 동월에 대한 직전 월과 다음 월에 기 획득된 평균치와 각각 비교하여, 상기 E1이 상기 직전 월에 획득된 평균치(E2_1)와 더욱 근접하면 상기 수학식의 '±' 부호 중 '+' 부호를 선택하고, 상기 다음 월에 획득된 평균치(E2_2)와 더욱 근접하면 '-' 부호를 선택하는 농작물 판별 방법. - 청구항 6에 있어서,
각각의 상기 평균치는,
상기 농작물 영역을 구성하는 각 픽셀의 RGB 값을 그레이 스케일 값으로 각각 변환하여 평균한 값인 농작물 판별 방법. - 청구항 1에 있어서,
상기 농작물 영역의 작년 유효 면적에 대비한 올해 유효 면적의 비를 작년 출하량에 곱하여 올해 예상 출하량을 연산하는 단계를 더 포함하며,
상기 유효 면적은,
상기 농작물 영역의 전체 면적에서 병충해가 발생한 면적을 제외한 면적인 농작물 판별 방법. - 드론을 통해 수집한 농경지의 촬영 영상으로부터 분광 영상을 획득하는 영상 획득부;
상기 분광 영상 내에서 검출된 적어도 하나의 농작물 영역 각각에 대한 히스토그램을 생성하는 히스토그램 생성부; 및
상기 생성한 히스토그램을 이용하여 상기 농작물 영역에 식생 중인 작물의 종류를 판별하는 판별부를 포함하는 농작물 판별 장치. - 청구항 12에 있어서,
상기 판별부는,
상기 생성한 히스토그램에서 임계 이하의 픽셀수를 갖는 색상 데이터를 제외시킨 상태에서 상기 히스토그램을 기 저장된 작물 종류별 샘플 히스토그램과 각각 비교하여 상기 농작물 영역 내 상기 작물의 종류를 판별하는 농작물 판별 장치. - 청구항 12에 있어서,
상기 판별부는,
상기 생성한 히스토그램 내에 관심 색상에 대응하는 픽셀수가 기준값 이상인 경우 상기 농작물 영역에 병충해가 발생한 것으로 판단하는 농작물 판별 장치. - 청구항 12에 있어서,
에지 검출을 이용하여 상기 분광 영상 내에서 상기 적어도 하나의 농작물 영역을 각각 검출하는 검출부; 및
상기 농작물 영역을 구성하는 총 픽셀수 및 상기 촬영 시 드론의 위치 정보를 이용하여 상기 농작물 영역의 면적을 산출하는 면적 산출부를 더 포함하는 농작물 판별 장치. - 청구항 12에 있어서,
상기 분광 영상에서 상기 농작물 영역을 구성하는 각 픽셀의 RGB 값을 이용하여 상기 작물의 올해 출하 시기를 추정하는 출하 시기 추정부를 더 포함하는 농작물 판별 장치. - 청구항 16에 있어서,
상기 출하 시기 추정부는,
현재 상기 농작물 영역을 구성하는 각 픽셀의 RGB 값의 평균치(E1)와 작년 동월에 상기 농작물 영역에 대해 기 획득된 평균치(E2) 간에 발생한 오차를 상기 농작물 영역의 작년 출하 시기에 반영하여 상기 올해 출하 시기를 추정하는 농작물 판별 장치. - 청구항 17에 있어서,
상기 출하 시기 추정부는,
상기 E1을 상기 작년 동월에 대한 직전 월과 다음 월에 기 획득된 평균치와 각각 비교하여, 상기 E1이 상기 직전 월에 획득된 평균치(E2_1)와 더욱 근접하면 상기 수학식의 '±' 부호 중 '+' 부호를 선택하고, 상기 다음 월에 획득된 평균치(E2_2)와 더욱 근접하면 '-' 부호를 선택하는 농작물 판별 장치. - 청구항 17에 있어서,
각각의 상기 평균치는,
상기 농작물 영역을 구성하는 각 픽셀의 RGB 값을 그레이 스케일 값으로 각각 변환하여 평균한 값인 농작물 판별 장치. - 청구항 12에 있어서,
상기 농작물 영역의 작년 유효 면적에 대비한 올해 유효 면적의 비를 작년 출하량에 곱하여 올해 예상 출하량을 연산하는 출하량 연산부를 더 포함하며,
상기 유효 면적은,
상기 농작물 영역의 전체 면적에서 병충해가 발생한 면적을 제외한 면적인 농작물 판별 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180067427A KR102106112B1 (ko) | 2018-06-12 | 2018-06-12 | 드론 영상을 이용한 농작물 판별 장치 및 그 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180067427A KR102106112B1 (ko) | 2018-06-12 | 2018-06-12 | 드론 영상을 이용한 농작물 판별 장치 및 그 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190140658A true KR20190140658A (ko) | 2019-12-20 |
KR102106112B1 KR102106112B1 (ko) | 2020-04-29 |
Family
ID=69063034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180067427A KR102106112B1 (ko) | 2018-06-12 | 2018-06-12 | 드론 영상을 이용한 농작물 판별 장치 및 그 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102106112B1 (ko) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112485284A (zh) * | 2020-12-01 | 2021-03-12 | 中国农业大学 | 一种无人机农田病虫草害信息协同感知*** |
CN112861712A (zh) * | 2021-02-06 | 2021-05-28 | 郑州师范学院 | 基于人工智能与多时相遥感的农业病虫害监测方法 |
KR102264416B1 (ko) * | 2021-02-01 | 2021-06-14 | (주)유에스티21 | 인공위성 영상 분석을 통한 해양쓰레기 탐지 시스템 및 그 방법 |
KR20210081042A (ko) * | 2019-12-23 | 2021-07-01 | 고려대학교 산학협력단 | 드론 영상의 온라인 거래를 위한 플랫폼 제공 방법, 이를 수행하기 위한 기록 매체 및 장치 |
KR20210096439A (ko) | 2020-01-28 | 2021-08-05 | 목포대학교산학협력단 | 딥러닝 학습을 이용한 병충해 검출 및 발병가능성을 판단하기 위한 시스템 및 방법 |
CN116385885A (zh) * | 2023-04-07 | 2023-07-04 | 深圳市金大智能创新科技有限公司 | 一种病虫害识别方法及*** |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102532732B1 (ko) * | 2022-06-20 | 2023-05-16 | 메이사플래닛 주식회사 | 식생지수 생성 장치 및 방법 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003006612A (ja) * | 2001-06-20 | 2003-01-10 | Ntt Data Corp | 収穫予測装置及び方法 |
JP2014183788A (ja) * | 2013-03-25 | 2014-10-02 | Sony Corp | 情報処理システム、および情報処理システムの情報処理方法、撮像装置および撮像方法、並びにプログラム |
KR101475445B1 (ko) * | 2013-08-29 | 2014-12-22 | (유)호정솔루션 | Gis기반 농산물 수확 예측 서비스 제공 방법 |
KR101744662B1 (ko) * | 2016-11-30 | 2017-06-09 | 주식회사 지오스토리 | 초분광영상 기법을 통한 염생식물 분류 시스템 |
-
2018
- 2018-06-12 KR KR1020180067427A patent/KR102106112B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003006612A (ja) * | 2001-06-20 | 2003-01-10 | Ntt Data Corp | 収穫予測装置及び方法 |
JP2014183788A (ja) * | 2013-03-25 | 2014-10-02 | Sony Corp | 情報処理システム、および情報処理システムの情報処理方法、撮像装置および撮像方法、並びにプログラム |
KR101475445B1 (ko) * | 2013-08-29 | 2014-12-22 | (유)호정솔루션 | Gis기반 농산물 수확 예측 서비스 제공 방법 |
KR101744662B1 (ko) * | 2016-11-30 | 2017-06-09 | 주식회사 지오스토리 | 초분광영상 기법을 통한 염생식물 분류 시스템 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210081042A (ko) * | 2019-12-23 | 2021-07-01 | 고려대학교 산학협력단 | 드론 영상의 온라인 거래를 위한 플랫폼 제공 방법, 이를 수행하기 위한 기록 매체 및 장치 |
KR20210096439A (ko) | 2020-01-28 | 2021-08-05 | 목포대학교산학협력단 | 딥러닝 학습을 이용한 병충해 검출 및 발병가능성을 판단하기 위한 시스템 및 방법 |
CN112485284A (zh) * | 2020-12-01 | 2021-03-12 | 中国农业大学 | 一种无人机农田病虫草害信息协同感知*** |
CN112485284B (zh) * | 2020-12-01 | 2022-02-15 | 中国农业大学 | 一种无人机农田病虫草害信息协同感知*** |
KR102264416B1 (ko) * | 2021-02-01 | 2021-06-14 | (주)유에스티21 | 인공위성 영상 분석을 통한 해양쓰레기 탐지 시스템 및 그 방법 |
KR102278419B1 (ko) * | 2021-02-01 | 2021-07-16 | (주)유에스티21 | 인공위성 영상의 대표 픽셀 선정을 통한 백색 스티로폼 탐지 시스템 및 그 방법 |
KR102306225B1 (ko) * | 2021-02-01 | 2021-09-29 | (주)유에스티21 | 인공위성 영상 분석 및 드론 이미지와 비교 검증을 통한 해양쓰레기 탐지 시스템 및 그 방법 |
CN112861712A (zh) * | 2021-02-06 | 2021-05-28 | 郑州师范学院 | 基于人工智能与多时相遥感的农业病虫害监测方法 |
CN116385885A (zh) * | 2023-04-07 | 2023-07-04 | 深圳市金大智能创新科技有限公司 | 一种病虫害识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
KR102106112B1 (ko) | 2020-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102106112B1 (ko) | 드론 영상을 이용한 농작물 판별 장치 및 그 방법 | |
US11631244B2 (en) | Methods of yield assessment with crop photometry | |
Quarmby et al. | Linear mixture modelling applied to AVHRR data for crop area estimation | |
US20130155235A1 (en) | Image processing method | |
CN111868782A (zh) | 使用彩色图像的盲源分离确定农作物残茬分数的***和方法 | |
AU1074799A (en) | Method for monitoring nitrogen status using a multi-sprectral imaging system | |
Sedano et al. | A cloud mask methodology for high resolution remote sensing data combining information from high and medium resolution optical sensors | |
CN113029971B (zh) | 一种作物冠层氮素监测方法及*** | |
US11270112B2 (en) | Systems and methods for rating vegetation health and biomass from remotely sensed morphological and radiometric data | |
WO2007149250A2 (en) | Remote sensing and probabilistic sampling based forest inventory method | |
Shi et al. | Improvement of a ground-LiDAR-based corn plant population and spacing measurement system | |
Wilke et al. | Assessment of plant density for barley and wheat using UAV multispectral imagery for high-throughput field phenotyping | |
US6990410B2 (en) | Cloud cover assessment: VNIR-SWIR | |
CN111007013B (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
KR102177985B1 (ko) | 산사태 발생 영역 자동 탐지 장치 및 탐지 방법 | |
Choi et al. | A machine vision system for quantification of citrus fruit dropped on the ground under the canopy | |
Piron et al. | Improving in-row weed detection in multispectral stereoscopic images | |
De Ocampo et al. | Estimation of Triangular Greenness Index for Unknown PeakWavelength Sensitivity of CMOS-acquired Crop Images | |
Heikkilä et al. | Estimating defoliation in boreal coniferous forests by combining Landsat TM, aerial photographs and field data | |
Taylor et al. | Mapping Lantana camara: accuracy comparison of various fusion techniques | |
Thorp et al. | Using aerial hyperspectral remote sensing imagery to estimate corn plant stand density | |
CN115294439B (zh) | 空中弱小运动目标检测方法、***、设备及存储介质 | |
Frank et al. | Unsupervised change detection for hyperspectral images | |
Gorte | Supervised image classification | |
Doraiswamy et al. | Improved techniques for crop classification using MODIS imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |