HyperAI超神经

내용을 한눈에 보기:해충을 조기에 발견하는 것은 지역 상황에 맞는 예방 및 관리 조치를 취하는 데 매우 중요합니다. 원격 감지 기술을 사용하면 넓은 지역을 빠르게 스캔할 수 있지만, 신호 강도가 낮거나 물체를 감지하기 어려울 때는 효과가 떨어집니다. 따라서 리스본 대학의 연구진은 드론과 AI 이미지 분석을 결합하고 FRCNN과 YOLO라는 두 가지 딥러닝 방법을 테스트하여 초기 소나무나방 둥지를 탐지하여 상당한 결과를 얻었습니다.

키워드:AI 알고리즘 해충 탐지 YOLO

본 기사는 HyperAI WeChat 공개 플랫폼에 처음 게재되었습니다~

오늘날, 삼림 자원의 감소와 환경 파괴가 점점 더 심각해짐에 따라, 산림 해충은 전 세계 산림 보호에 대한 주요 과제 중 하나가 되었습니다.그 중에서도 소나무나방(Thaumetopoea pityocampa)과 같은 파괴적인 해충이 널리 주목을 받고 있습니다.소나무나방은 주로 남부 유럽, 지중해, 북아프리카에 분포합니다. 유충은 소나무 줄기와 가지에 구멍을 뚫고 이를 먹어치우며, 소나무의 성장과 발달을 파괴합니다.

소나무좀나방을 조기에 발견하고 통제하기 위해, 리스본 대학의 연구자들은 드론 영상에서 둥지를 식별하는 과제를 해결하기 위해 두 가지 딥 러닝 알고리즘을 비교했습니다.해당 연구는 "무인기 기반 방법을 이용한 소나무 행렬나방 Thaumetopoea pityocampa 둥지의 조기 탐지 시험"이라는 제목으로 저널 NeoBiota에 게재되었습니다.

연구 결과는 NeoBiota에 게재되었습니다.

서류 주소:

https://neobiota.pensoft.net/article/95692/

실험 개요

과거에는 연구자들이 주로 원격 감지 기술(위성 등)과 다중 분광 카메라를 결합하여 특정 지역의 산림 피복도 영상을 얻고, 수관 색상과 죽은 나무의 위치 등의 정보를 바탕으로 전반적인 해충 상황을 판단했습니다. 그러나 이미지의 해상도가 낮아서 개별 나무에 대한 침입을 감지하는 것은 불가능합니다.그래서 연구진은 이 실험에서 드론을 이용해 이미지를 수집하는 방법을 제안했습니다. 이를 통해 드론은 개별 나무에 더 가까이 다가가 더욱 자세히 스캔하고 캡처할 수 있습니다.

연구원들은 드론이 촬영한 이미지를 사용하여두 가지 딥러닝 방법인 Faster R-CNN(FRNN)과 YOLO를 사용하여 소나무나방의 초기 둥지(이하 둥지라고 함)를 탐지하는 데 테스트되었습니다. 구체적인 실험 과정은 다음과 같습니다.

연구 장소 선정

연구진은 프랑스, 이탈리아, 포르투갈에서 각각 1개의 연구 장소를 선택했습니다.그림 1에서 볼 수 있듯이, 세 곳의 수목 연령, 밀도 등의 특성은 서로 달랐습니다.

그림 1: 연구 위치

a: 포르투갈 소나무 숲

b: 프랑스 소나무 숲

c: 이탈리아 흑송 숲

세 곳 모두에서 연구자들은 지상 조사(두 명의 관찰자가 나무 양쪽을 시각적으로 조사)를 통해 둥지의 수를 파악했습니다.또한, 그림 1b에 나타난 프랑스 소나무 숲에서 연구자들은 나무 꼭대기 위 2m 높이의 이동식 플랫폼에 서서 둥지의 수를 감지했습니다.

데이터세트

연구진은 드론과 고화질 카메라를 사용해 세 곳의 샘플 채취 장소에 대한 이미지를 수집했습니다.고화질(HD) 카메라(RGB HD SONY Alpha 7R)에 가장 적합한 애플리케이션 성능 솔루션은 다음과 같습니다. 초점 거리가 35mm이고 해상도가 최소 36Mpix인 RGB HD 센서를 사용하고, 선택된 드론은 DJI Matrice 300 멀티로터 드론 플랫폼이며, 80%의 트랙 내부와 트랙 전체에 걸친 오버랩이 공식화되었습니다.

결국 연구진은 드론이 수집한 22,904장의 이미지를 데이터 세트로 얻었고, 밝기, 색조, 노이즈, 이미지 압축 등을 변경하는 데이터 증강 기술을 통해 드론 이미지를 조작하여 모델이 더 잘 학습하고 일반화할 수 있는 새로운 데이터 세트를 생성했습니다.이 데이터 세트 중 80%는 모델 학습에 사용되고, 20%는 테스트에 사용됩니다..

실험 절차

드론 모델

일부 둥지는 측면에서만 볼 수 있다는 점을 고려하여 연구진은 전역 정사사진보다는 주로 단일 드론 정사사진에 모델 감지를 사용했습니다.글로벌 이미지가 수직적 관점이기 때문에 누락이 발생하기 쉽습니다.드론 정사영상은 드론이 수집한 이미지를 처리하여 지도상의 위치와 크기가 실제 세계의 위치와 크기와 일치하도록 만든 것을 말합니다.

연구팀은 FRCNN과 YOLO를 기반으로 두 가지 딥러닝 모델을 훈련했습니다.드론 이미지에서 모델의 감지 결과를 평가하기 위해, 관찰자에게 각 이미지에 있는 둥지의 개수를 시각적으로 평가하라는 임무도 부여되었습니다.

연구진은 F1 점수를 사용하여 드론과 지상 이미지에서 인간의 눈이 감지하는 것과 비교하여 모델의 성능을 측정했습니다..F1 점수 계산 공식은 다음과 같습니다.

그림 2: F1 계산 공식

F1 점수는 정밀도와 재현율의 조화 평균이며, 모델의 정확도와 완전성을 평가하는 데 사용할 수 있습니다.값의 범위는 0~1이며, 1에 가까울수록 모델의 성능이 우수합니다.

실험 결과

연구자들은 FRCNN과 YOLO 모델을 인간의 눈 감지와 비교했습니다.나무에 둥지가 있는지 없는지(%가 침입한 나무)와 둥지의 수(No. PPM 둥지)를 감지하는 모델의 성능을 테스트했습니다.

표 1: 다양한 방법을 통한 소나무좀나방 둥지 탐지

표 1에서 볼 수 있듯이, 지상 조사를 통해 연구 지역 전체의 나무에서 총 665개의 둥지가 인간의 눈으로 시각적으로 관찰되었고, 드론 이미지를 통한 시각적 조사를 통해 222개의 둥지가 감지되었습니다. 연구자들은 지상 기반의 시각적 관찰은 다차원적 시야각을 갖는 반면, 드론은 위에서만 촬영할 수 있기 때문에 차이가 난다고 생각합니다.그러나 드론 이미지는 지상에 대한 자세한 조사에 비용이 많이 들지만, 드론을 이용하면 사람들에게 위험을 알리고 자세한 지상 조사를 실시하기 위한 추가 조치를 취할 수 있다는 장점이 있습니다.

아래 그림은 세 개의 샘플 구획에 대한 드론 이미지에서 둥지 존재 여부와 나무당 둥지 수를 감지하는 두 모델의 F1 점수를 보여줍니다.

그림 3: 드론 이미지 감지를 위한 두 모델의 F1 점수

a: 드론 이미지에서 둥지 존재 감지

b: 각 나무에 있는 둥지의 개수를 감지하세요

그림 3에서 보듯이, 드론 이미지에서 둥지를 탐지하는 YOLO 모델의 F1 점수는 최대 0.826으로 높고, 각 나무에 있는 둥지의 개수를 탐지하는 YOLO 모델의 F1 점수는 최대 0.696으로 높습니다.동시에 연구진은 YOLO 모델의 탐지 성능이 FRCNN보다 높다는 것을 발견했습니다.아래 그림은 서로 다른 연구 위치(서로 다른 소나무 종류)에서 드론 이미지를 감지했을 때 두 모델의 F1 점수를 보여줍니다.

그림 4: 다른 연구 위치에서 두 모델의 F1 점수

a: 드론 이미지에서 둥지 존재 감지

b: 각 나무에 있는 둥지의 개수를 감지하세요

그림 4에서 보듯이, 세 개의 플롯에서 둥지의 존재 여부나 각 나무에 있는 둥지의 수를 감지하는 것과 같이,YOLO 모델의 F1 점수는 FRCNN 모델의 F1 점수보다 더 좋습니다.

요약하자면, 연구자들은 다음과 같이 제안했습니다.드론과 AI 모델을 결합하면 소나무나방 둥지를 초기 단계에서 효과적으로 감지할 수 있습니다.그 중 드론은 다음과 같은 장점을 가지고 있습니다.

능률: 드론은 넓은 지역을 빠르게 탐색하고 대량의 데이터를 수집할 수 있습니다.
높은 정밀도: 드론에 장착된 고해상도 카메라는 매우 세부적인 이미지와 비디오를 촬영할 수 있어 드론은 고정밀 데이터를 제공할 수 있습니다.

YOLO 모델은 드론 이미지에서 둥지 감지와 둥지 수량 감지 모두에서 좋은 성능을 보였습니다.이는 관련 기술의 결합이 산림의 해충 및 질병을 모니터링하고 관리하는 데 매우 중요하다는 것을 보여주며, 산림 생태계를 보호하기 위한 새로운 아이디어를 제공합니다.

드론 + AI: 기술의 중요한 동향

현재 드론+AI는 국내외 산림보호 발전에 있어서 하나의 공감대가 형성되었습니다.드론의 공중 관점과 인공지능의 분석을 통해 연구자들은 더욱 효율적이고 정확하며 자동으로 작업을 수행할 수 있어 산림 보호의 효율성을 개선할 수 있습니다.

중국과학원에서 발간한 보고서 "위성에서 무인 항공기까지 산림 해충 및 질병 원격 감지 모니터링"에서는 중국을 중심으로 산림 해충 및 질병의 종류, 발달 단계, 탐지 방법을 자세히 설명하고 있습니다.그리고 미래의 산림 보호 작업을 위한 중요한 방향 중 하나는 예측 모델을 개발하고 예측과 탐지 방법을 완벽하게 통합하는 것이라고 제안했는데, 이는 본 논문의 연구 결과와 일치합니다.

보고서 주소:

https://bit.ly/3oJgDWf

드론과 AI가 산림 보호에 새로운 기회와 과제를 가져왔으며, 효율성을 높이고 산림 자원을 보호하는 데 중요한 역할을 했다는 것을 알 수 있습니다.그러나 드론과 인공지능의 통합은 여러 가지 과제에 직면해 있습니다.한편, 드론과 인공지능의 성능과 안정성을 향상시키기 위해 지속적으로 개발을 추진할 필요가 있습니다. 반면, 데이터 보안 및 개인정보 보호 측면에서는 드론과 인공지능 애플리케이션이 데이터를 안전하게 처리하고 저장할 수 있도록 관련 정책과 규정이 필요합니다.