원예산업 가치사슬의 디지털 방식 전환

장성율(Sungyul Chang),이운석(Unseok Lee),김형석(Hyoung Seok Kim) 한국원예학회 2018 한국원예학회 학술발표요지 Vol.2018 No.10

3차원 영상 데이터를 활용한 콩 생육 측정 방법 평가

권동원,장성율,반호영,박혁진,상완규,백재경,서명철,조정일,조재일 경상국립대학교 농업생명과학연구원 2023 농업생명과학연구 Vol.57 No.1

Recently, 3D (3-Dimentional) image data utilization technology has been attracting attention, and studies are being made to measurethe growth of crops using equipment such as laser scanners and depth cameras. If 3D image data is used to measure the growth characteristicsof crops, it has the advantage of using structure and shape information that cannot be measured in planar data. In this study, the growth characteristics of soybeans were estimated using 3D image data. Soybeans were measured at beginning bloom (R1), beginning pod (R3),and beginning seed (R5) by using a depth camera. The x, y coordinate position of the main stem was specified using the centroidof the object projected on the plane for estimating the plant height and showed a high determination coefficient. In the case of plantheight estimation, as the structure and shape of stems and leaves developed, the method using the distance between the top points ofan object from the ground in 3D image had a large error between the actual measurement and the estimated value. For estimating theleaf area, object surface points with 3D position values were divided according to height, and the area of each height section was calculated. The estimated value was overestimated because the calculated area in each height section increased due to the increased number ofpoints in the 3D data merging. For more precise growth investigation using 3D images in the future, it is thought that data pre-processingand analysis method development taking into account the characteristics of unique growth variables of crops are required. 최근 3차원 영상 데이터 활용 기술이 주목받으며 레이저 스캐너, 깊이 카메라와 같은 장비를 활용하여 작물의 생육을 측정하려는 연구가 시도되고있다. 작물의 생육 특성을 측정할 때 3차원 영상 데이터를 활용한다면 평면 데이터에서 측정하지 못한 구조와 형태 정보를 이용할 수 있는 장점이있다. 본 연구에서는 콩의 생육 특성을 3차원 영상 데이터를 활용하여 추정하였다. 깊이 카메라를 이용하여 콩의 개화시(R1), 착협기(R3), 종실비대기(R5)에 촬영하고 3차원 데이터로 개체의 초장과 엽면적을 추정하고 실측 값과 비교하였다. 초장 추정을 위해 평면에 투영된 개체의 무게 중심을 이용하여원줄기의 x, y 좌표 위치를 지정하였는데 눈으로 보고 지정한 원줄기의 위치와 무게 중심 점의 x, y 좌표 위치는 높은 결정 계수를 보였다. 초장추정의 경우 콩의 구조와 형태가 발달함에 따라 3차원 영상에서 지면으로부터 개체 상단 지점 간 거리를 이용하는 방법은 실측과 추정 값간오차가 컸다. 엽면적 추정을 위해서 3차원 위치 값을 갖는 개체 표면 점들을 높이에 따라 분할하고 각 높이 구간의 면적을 계산하였다. 3차원데이터 병합 과정에서 늘어난 점 개수로 인해 각 높이 구간에서 계산된 면적이 증가하였기 때문에 추정 값은 과대평가되었다. 향후 3차원 영상을이용한 보다 정밀한 생육 조사를 위해서는 작물 고유의 생육변수 특성을 고려한 데이터 전처리 과정과 분석 방법 개발이 필요할 것으로 사료된다

레이저 스캐너를 이용한 벼 군락 초장 추정

권동원,상완규,장성율,임우진,박혁진,이지현,조정일 한국농림기상학회 2023 한국농림기상학회지 Vol.25 No.4

Plant height is a growth parameter that provides visible insights into the plant’s growth status and has a high correlation with yield, so it is widely used in crop breeding and cultivation research. Investigation of the growth characteristics of crops such as plant height has g enerally been conducted directly by humans using a ruler, but w ith the recent development of sensing and image analysis technology, research is being attempted to digitally convert growth measurement technology to efficiently investigate crop growth. In this study, the canopy height of rice grown at various nitrogen fertilization levels was measured using a laser scanner capable of precise measurement over a wide range, and a comparative analysis was performed with the actual plant height. As a result of comparing the point cloud data collected with a laser scanner and the actual plant height, it was confirmed that the estimated plant height measured based on the average height of the top 1% points showed the highest correlation with the actual plant height (R2 = 0.93, RMSE = 2.73). Based on this, a linear regression equation was derived and used to convert the canopy height measured with a laser scanner to the actual plant height. The rice growth curve drawn by combining the actual and estimated plant height collected by various nitrogen fertilization conditions and growth period shows that the laser scanner-based canopy height measurement technology can be effectively utilized for assessing the plant height and growth of rice. In the future, 3D images derived from laser scanners are expected to be applicable to crop biomass estimation, plant shape analysis, etc., and can be used as a technology for digital conversion of conventional crop growth assessment methods. 식물의 초장은 작물의 생육상태를 가시적으로 파악 할 수 있는 생육지표로 수량과 상관성이 높아 작물 육종이나 재배 연구에 널리 사용된다. 초장과 같은 작물의 생육특성 조사는 전통적으로 자를 이용하여 사람이 직접 조사하였으나 최근 센싱, 영상 기술이 발전하면서 작물의 생육을 효율적으로 조사하기 위해 생육계측 기술을 디지털 전환하려는 연구가 시도되고 있다. 본 연구에서는 넓은 범위에 걸쳐 정밀한 측정이 가능한 레이저 스캐너를 사용하여 다양한 질소 시비 수준에서 재배된 벼 군락의 높이를 측정하고 실측 초장과 비교 분석을 수행하였다. 군락의 높이는 레이저 스캐너로 수집된 포인트 클라우드의 상위 1% 점의 높이를 계산하여 측정하였다. 상위 1% 점의 높이를 이용하여 추정한 초장이 실측 초장과 가장 높은 결정계수를 보였고(R2 = 0.93, RMSE = 2.73), 선형회귀식을 도출하여 이를 근거로 레이저 스캐너로 측정된 군락의 높이를 실측 초장으로 변환하였다. 질소 시비 조건 및 생육 시기별로 수집된 실측 초장과 추정 값(레이저 스캐너로 측정된 군락 높이 기반으로 계산된 초장)을 종합하여 벼의 생육그래프를 도출한 결과, 레이저 스캐너 기반 초장 측정 기술이 벼의 초장과 생육을 평가하는데 충분히 활용될 수 있음을 확인할 수 있었다. 향후, 레이저 스캐너에서 도출된 3차원 영상은 작물 군락의 생육량 추정, 작물 초형 분석 등에 적용 가능할 것으로 판단되며, 기존 작물 생육조사 방식의 디지털 전환을 위한 기술로 활용될 수 있을 것이다.

딥 러닝 분류 모델을 이용한 직하방과 경사각 영상 기반의 벼 출수기 판별

박혁진,상완규,장성율,권동원,임우진,이지현,정남진,조정일 한국농림기상학회 2023 한국농림기상학회지 Vol.25 No.4

벼의 출수기를 추정하는 것은 농업생산성과 관련된 중요한 과정 중 하나이지만 세계적인 이상기후의 증가로 벼의 출수기를 추정하는 것이 어려워지고 있다. 본 연구에서는 CNN 분류모델을 사용하여 다양한 영상 데이터에서 벼의 출수기를 추정하려고 시도하였다. 드론과 타워형 영상관측장치 그리고 일반 RGB 카메라로 촬영된 직하방과 경사각 영상을 수집하였다. 수집 한 영상은 CNN 모델의 입력데이터로 사용하기 위해서 전처리를 진행하였고, 사용된 CNN 아키텍처는 이미지 분류 모델에서 일반적으로 사용되는 ResNet50, InceptionV3 그리고 VGG19 를 사용하였다. 각각의 아키텍처는 모델의 종류, 영상의 유형과 관계없이 0.98 이상의 정확도를 나타내었다. 또한 CNN 분류 모델이 영상의 어떤 특징을 보고 분류하였는지 시각적으로 확인하기 위해서 Grad-CAM 을 사용하였다. Grad-CAM 결과 CNN 분류 모델은 벼의 출수를 이삭의 형태에 높은 가중치를 두어 분류 하는 것을 확인하였다. 다음으로 작성된 모델이 실제 논 포장 모니터링 이미지에서 벼의 출수기를 정확하게 추정하는지 확인하였다. 각각 다른 지역 4 개의 벼 포장에서 벼의 출수 기를 약 하루정도의 차이로 추정하는 것을 확인하였다. 이 방법을 통해서 다양한 논 포장의 모니터링 이미지를 활용하여 자동적이고 정량적으로 벼의 출수기를 추정 할 수 있다고 판단된다. Estimating the rice heading date is one of the most crucial agricultural tasks related to productivity. However, due to abnormal climates around the world, it is becoming increasingly challenging to estimate the rice heading date. Therefore, a more objective classification method for estimating the rice heading date is needed than the existing methods. This study, we aimed to classify the rice heading stage from various images using a CNN classification model. We collected top-view images taken from a drone and a phenotyping tower, as well as slanted-view images captured with a RGB camera. The collected images underwent preprocessing to prepare them as input data for the CNN model. The CNN architectures employed were ResNet50, InceptionV3, and VGG19, which are commonly used in image classification models. The accuracy of the models all showed an accuracy of 0.98 or higher regardless of each architecture and type of image. We also used Grad-CAM to visually check which features of the image the model looked at and classified. Then verified our model accurately measure the rice heading date in paddy fields. The rice heading date was estimated to be approximately one day apart on average in the four paddy fields. This method suggests that the water head can be estimated automatically and quantitatively when estimating the rice heading date from various paddy field monitoring images.

딥러닝 기반 옥수수 포장의 잡초 면적 평가

박혁진,권동원,상완규,반호영,장성율,백재경,이윤호,임우진,서명철,조정일 한국농림기상학회 2023 한국농림기상학회지 Vol.25 No.1

Weeds are one of the factors that reduce crop yield through nutrient and photosynthetic competition. Quantification of weed density are an important part of making accurate decisions for precision weeding. In this study, we tried to quantify the density of weeds in images of maize fields taken by unmanned aerial vehicle (UAV). UAV image data collection took place in maize fields from May 17 to June 4, 2021, when maize was in its early growth stage. UAV images were labeled with pixels from maize and those without and the cropped to be used as the input data of the semantic segmentation network for the maize detection model. We trained a model to separate maize from background using the deep learning segmentation networks DeepLabV3+, U-Net, Linknet, and FPN. All four models showed pixel accuracy of 0.97, and the mIOU score was 0.76 and 0.74 in DeepLabV3+ and U-Net, higher than 0.69 for Linknet and FPN. Weed density was calculated as the difference between the green area classified as ExGR (Excess green-Excess red) and the maize area predicted by the model. Each image evaluated for weed density was recombined to quantify and visualize the distribution and density of weeds in a wide range of maize fields. We propose a method to quantify weed density for accurate weeding by effectively separating weeds, maize, and background from UAV images of maize fields. 포장에서 잡초의 발생은 농작물의 생산량을 크게 떨 어트리는 원인 중 하나이고 SSWM을 기반으로 잡초를 변량 방제하기 위해서 잡초의 발생 위치, 밀도 그리고 이를 정량화하는 것은 필수적이다. 본 연구에서는 2020년의 국립식량과학원에서 잡초 피해를 입은 옥수 수 포장의 영상데이터를 무인항공기를 활용해서 수집 하였고 이를 배경과 옥수수로 분리하여 딥러닝 기반 영 상 분할 모델 제작을 위한 학습데이터를 획득하였다. DeepLabV3+, U-Net, Linknet, FPN의 4가지의 영상 분할 네트워크들의 옥수수의 검출 정확도를 평가하기 위해 픽셀정확도, mIOU, 정밀도, 재현성의 지표를 활용해서 정확도를 검증하였다. 검증 결과 DeepLabV3+ 모델이 0.76으로 가장 높은 mIOU를 나타냈고, 해당 모델과 식물체의 녹색 영역과 배경을 분리하는 지수인 ExGR을 활용해서 잡초의 면적을 정량화, 시각화하였다. 이러한 연구의 결과는 무인항공기로 촬영된 영상을 활용해서 넓은 면적의 옥수수 포장에서 빠르게 잡초의 위치와 밀도를 특정하고 정량화하는 것으로 잡초의 밀도에 따른 제초제의 변량 방제를 위한 의사결정에 도움 이 될 것으로 기대한다.

다중 센싱 기반 중간물떼기 기간에 따른 벼 생육 특성 변화

임우진,권동원,박혁진,이지현,장성율,상완규,정남진,조정일,황운하 한국작물학회 2024 한국작물학회지 Vol.69 No.2

적 요중간물떼기 기간연장에 따른 벼 생육반응 변화를 분석한결과는 다음과 같다. 1. 관행 2주간 중간물떼기 대비 중간물떼기 기간이 3주로연장되었을 경우 수량 및 수량구성요소는 유의한 차이가 없다. 2. 중간물떼기 기간이 4주로 연장되었을 경우 임실률과 영화수, 수량이 급격하게 감소하였다. 3. 중간물떼기가 4주 이상 지속될 경우 NDVI, PRI, CWSI 값이 유의하게 변화하였다. 4. 중간물떼기 기간 연장에 따른 식생지수별 생육지표와의관계를 분석한 결과 NDVI 대비 CWSI가 약 4일 정도더 빠르게 한발 스트레스를 감지하였으며 가역적 스트레스 또한 용이하게 확인할 수 있었다. ABSTRACT The risk of global warming is increasing due to rapid climate change and increased greenhouse gas (GHG) emissions. Among the greenhouse gases, methane has a strong warming effect; in particular, 51.2% of the agricultural sector’s methane emissions are from flooded rice fields. According to the current standard rice cultivation method, rice is grown during the maximum tillering stage with an intermittent drainage period of approximately 2 weeks. During the flooding period, methaneproducing bacteria are active, but the activity of methane-producing bacteria and the amount of methane gas produced are reduced when the soil becomes oxidized through watering. Accordingly, this study used multiple-sensing technology to analyze the growth response according to the intermittent drainage period and to identify the extended intermittent drainage period with less impact on rice production. The equipment used for growth observations included NDVI, PRI, and IR sensors. The results confirmed that growth indices related to stress, such as NDVI and PRI, were not significantly different from those of the control when treated within 3 weeks of drainage, but drastically decreased when the drainage period was extended beyond 4 weeks. These results appear to result from the fact that soil water content (volumetric water content) also dropped to below 20% 4 weeks after irrigation, creating actual drought stress conditions. The 22nd day after treatment, when the soil moisture content reached 20%, was considered the point in time when drought stress conditions were formed. The point at which the SPAD value decreased to 0.6% of normal was estimated to be 23.5 days after treatment by using the regression equation between NDVI and SPAD.

UAV 영상 기반 벼 양분 결핍 조기 진단 기계학습 모델 구축

이지현,상완규,박혁진,백재경,이상훈,정회정,장성율 경상대학교 농업생명과학연구원 2024 농업생명과학연구 Vol.58 No.2

작물의 스트레스 조기 진단은 농업에 있어 빠른 대응을 가능하게 해 피해를 경감시킬 수 있어 중요한 기술이다. 기존의 스트레스 진단이 가진 파괴적인 형식의 시료 채집과 양분 분석에 많은 노동력을 필요로 한다는 단점 극복을 위해 새로운 기술 개발이 필요하다. 미래에는 대단위 영상을 이용한 생육 진단 기술에 대한 수요가 높아질 것으로 예상되어 이를 이용한 연구를 진행하였다. 본 연구는 2023년 경상남도 밀양시에 위치한 국립식량과학원 실험 포장에서 수행되었으며, 무인항공기(UAV)를 이용하여 양분 결핍 처리(관행시비, 질소 결핍, 인 결핍, 칼륨 결핍, 무비)에 따른 벼의 생육을 조사했다. UAV를 이용해 생육 기간 중 총 6회에 걸쳐 포장을 촬영하였고, 영상을 기반으로 11개의 식생 지수를 산출하여 기계학습을 통해 양분 결핍을 진단하는 모델을 구축하여 평가했다. 연구 결과에 따르면, 엽록소 함량과 관련된 지수인 NDRE (Normalized Difference Red Edge)가 가장 높은 중요도를 나타내어 벼의 양분 상태를 효과적으로 진단하는 데 유용하다는 것을 확인하였다. 6개의 각 단계별로 모델을 평가하였을 때 모든 단계에서 accuracy가 0.7 이상으로 나타났다. 조기 진단을 위해 첫 촬영 날짜인 7월 5일의 자료로 모델을 만들어 다른 회차에 적용하여 모델의 성능을 평가한 결과, 5개의 모든 단계에서 0.9 이상의 accuracy를 얻었다. 종합적으로, UAV 영상 기반의 식생 지수를 활용한 양분 결핍 진단은 벼의 생육을 조기에 예측하는 데 효과적이며, 이는 정밀 농업 분야에서 시간과 노동을 절감하고 양분 관리를 개선하는 데 도움이 될 것으로 기대된다. Early diagnosis of crop stress is a crucial technology in agriculture as it enables rapid responses to mitigate damages. Traditional stress diagnosis requires destructive sampling and nutrient analysis, which consumes significant labor. To overcome these limitations, there is a need for new technological developments. It is anticipated that there will be a growing demand for diagnostic technologies based on large-scale imagery in the future. This study was conducted at the National Institute of Crop Science experimental field in Miryang-si, Gyeongsangnam-do in 2023. We investigated the growth of rice under nutrient deficiency treatments (conventional fertilization, nitrogen deficiency, phosphorus deficiency, potassium deficiency and no fertilization) using UAV. Throughout the growth period, the field was imaged six times using UAV, and based on these images, 11 vegetation indices were calculated. A machine learning model for diagnosing nutrient deficiencies was developed and evaluated. According to the research results, the index related to chlorophyll content, NDRE (Normalized Difference Red Edge), showed the highest importance, proving to be effective in diagnosing the nutrient status of rice. When evaluating the model for each of the six stages, an accuracy of over 0.7 was consistently achieved. For early diagnosis, the model was built using data from the first imaging date, July 5th, and applied to subsequent sessions. The performance of the model was evaluated, and an accuracy of over 0.9 was obtained for all five stages. Overall, the UAV imagery-based vegetation indices for diagnosing nutrient deficiencies are effective in predicting the growth of rice early on. This is expected to help save time and labor in precision agriculture and improve nutrient management.

영농형 태양광 발전 시스템 하부 벼 재배 시 재식밀도별 생육 및 수량변화

황운하,이민지,정재혁,정회정,상완규,장성율,권동원,임우진,박혁진,이지현 한국작물학회 2024 한국작물학회지 Vol.69 No.2

적 요영농형 태양광 하부에서 재식밀도를 달리하여 벼를 재배하고 생육 및 수량 변화를 분석한 결과는 다음과 같다. 1. 영농형 태양광 하부 벼 재배 시 차광에 의해 포기당 이삭수가 감소하였으며 재식밀도가 감소하면서 감소폭은낮아지는 경향이었다. 2. 현미완전립 분석결과 일반재배에서는 재식밀도에 따른큰 차이는 없었으나 영농형 태양광 하부에서 재식밀도가 낮아짐에 따라 현미완전립 비율이 증가하는 경향이었다. 3. 일반 노지에서 벼 80주 이앙에 비해 영농형 태양광 하부에서 60주 및 80주로 이앙 시 완전미수량성은 차이가 없었으며 100주 이앙시 추적형에서 크게 감소하였다. 4. 영농형 태양광 하부에서 60주로 벼 이앙 시 줄기단위 길이별 무게가 80주 및 100주 이앙에 비해 크게 증가하는경향이었다. ABSTRACT Recently, interest in renewable energy development has been increasing to promote carbon-neutral policies. Agrivoltaic is a solar power generation facility with the potential to aid in meeting carbon-neutral policies. It has the advantage of generating electricity while farming takes place, but it also has the disadvantage of reducing crop yield and cultivation safety. We analyzed the rice yield, quality, and stem growth characteristics according to different transplanting densities under agrivoltaics. Under agrivoltaics, the number of rice panicles was reduced by the shading effect, but the reduction was lower under 60 hills than under 80 and 100 hills. Brown rice perfect ratio was increased under 60 hills under agrivoltaics. Brown rice yield did not differ significantly between 60 and 80 hills under agrivoltaics. However, stem dry weight by unit(mg/cm) in each internode showed highest under 60 hills compared to 80 and 100 hills under agrivoltaics. Therefore, 60 hill density was considered appropriate to ensure cultivation safety and yield when cultivated rice under agrivoltaics.

위성이미지 기반 시설하우스 판별 Mask-RCNN 모델 개발

김윤석 ( Yun Seok Kim ),허성 ( Seong Heo ),윤성욱 ( Seong Uk Yoon ),안진현 ( Jinhyun Ahn ),최인찬 ( Inchan Choi ),장성율 ( Sungyul Chang ),이승재 ( Seung-jae Lee ),정용석 ( Yong Suk Chung ) 한국농림기상학회 2021 한국농림기상학회지 Vol.23 No.3

본 인스턴스 분할 모델은 위성을 이용해 촬영된 원격탐지 영상 내의 객체 탐지에 높은 정확도를 갖는다는 것을 입증하였으며, 불법으로 가설된 시설 하우스를 발견하는데 활용될 수 있다. 즉, 특정 지역 및 일정시기를 기준으로 시설하우스를 인식시키고 그 이후에 신축된 하우스를 분별하는데 사용할 수 있을 것이다. 또한 본 기술을 응용하여, 토지피복도 조사와 같은 인력중심의 작업을 빠르게 해결할 수 있다. 앞으로 이 모델은 지리정보시스템(Geographic Information System)과 연계하여 중앙정부 차원의 단일화된 관리체계를 수립할 수 있을 것이며 또한 시설하우스 면적 통계 수치 계산에도 쉽게 응용될 수 있을 것으로 판단된다. The number of smart farms has increased to save labor in agricultural production as the subsidy become available from central and local governments. The number of illegal greenhouses has also increased, which causes serious issues for the local governments. In the present study, we developed Mask-RCNN model to detect greenhouses based on satellite images. Greenhouses in the satellite images were labeled for training and validation of the model. The Mask-RCNN model had the average precision (AP) of 7 5.6%. The average precision values for 50% and 75% of overlapping area were 91.1% and 81.8%, respectively. This results indicated that the Mask-RCNN model would be useful to detect the greenhouses recently built without proper permission using a periodical screening procedure based on satellite images. Furthermore, the model can be connected with GIS to establish unified management system for greenhouses. It can also be applied to the statistical analysis of the number and total area of greenhouses.