초록 열기/닫기 버튼
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.
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.
키워드열기/닫기 버튼
Deep Learning, Agricultural Land, FarmMap, Aviation Image
