임수현
(Su-Hyeon Im)
1
HassanSyedIbrahim
(SyedIbrahim Hassan)
1
DangL Minh
(L Minh Dang)
1
민경복
(Kyung-Bok Min)
1
문현준
(Hyeonjoon Moon)
2†
-
(Dept. of Computer Engineering, Sejong University, Korea)
-
(Dept. of Computer Engineering, Sejong University, Korea)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
Normalized difference vegetation index, Near infrared, blight, Unmanned aerial vehicle, Remote sense
1. 서론
유엔 식량 농업기구(FAO)에 따르면 전 세계 인구는 2050년까지 92억 명에 이를 것으로 예상된다. 농작물을 더 많이 심거나 더 많은 가축을 사육하는
것만으로는 세계 식량 위기를 피하기위한 해결책이 될 수 없다. 필요한 것은 현재의 양식 방법 내에서 더 큰 효율성이다. 작물을 재배하고 토지 사용을
규제하는 새로운 효과적인 방법이 필요하다.
새로운 과학 기술은 농민들이 식량을 더 많이 키우고 세계 식량 위기를 통제할 수 있도록 도와준다. 이 중에는 자동 관개 시스템, 무인 항공기, 무인
트랙터, 작물 건강 모니터링 및 소의 얼굴 인식 기능을 포함한다
(1).
최근 무인기 시장은 계속 증가하고 있는 추세이고 다양한 용도의 무인기가 등장하고 있다. 그 중에서도 무인기의 농업 분야 활용은 모든 무인기 제작사들의
중요하게 생각하고 있다. 미국과 같은 대형 농지를 가진 국가에서는 이미 무인기를 농지 원격 관리에 적극 활용하여 높은 효율을 보이고 있으며
(2), 무인기를 사용하지 않은 농지와 차이가 커 국가에서 무인기 사용의 제제 정책까지 거론되었다
(3). 국내에서도 무인기가 농업에 효율적으로 활용될 것이라고 전망하고 있다.
무인기에 부착된 카메라 렌즈에 따라 가시영역, 적외선, 자외선 등 다양한 범위의 영상 획득이 가능하며 그에 맞는 다양한 영상 분석 기법들이 활용 된다.
본 논문에서는 근적외선 영상과 그 특징을 활용한 정규식생지수(Normalized Difference Vegetation Index)를 통하여 식물의
건강 상태를 측정하였다.
무는 국내 채소 재배면적의 10%를 차지하며, 종자수출액 1위를 점유하는 만큼 경제적 가치가 매우 큰 원예작물이다. 현재 강원도 등 무 대형 산지에서는
매년 시들음병 발생이 큰 문제가 되고 있다. 강원도 지역의 약 20~30% 정도의 농지에서 발생되고 있으며, 오염지역이 해마다 증가 추세이다. 시들음병은
발생하게 되면 방제가 어려워, 저항성 품종의 개발 및 확산방지를 위한 예찰이 매우 중요하다. 신속한 예찰을 위하여 무인기를 활용한 분석 시스템이 필수적이다.
기존 가시영역의 무 밭 영상을 이용하여 영상의 화소 값의 히스토그램과 LBP(Local Binary Patterns) 정보를 이용하여 머신러닝 과정을
통해 무, 땅, 비닐 영역을 분석하고
(4), 딥 러닝과 CNN 모델을 활용하여 시들음병을 탐지하는 연구도 진행되었다
(5).
본 논문에서는 근적외선 영역의 영상과 식물의 건강 상태에 따른 적외선 반사량의 차이를 수치화한 정규식생지수를 활용하여 병충해 탐지 방법을 연구하였다.
2. 관련 연구
2.1 근적외선(Near Infrared)
햇빛이나 발열체로부터 방출되는 빛을 스펙트럼으로 분산시켰을 때 적색 스펙트럼의 끝보다 바깥쪽에 있는 것이 적외선이며, 이 가운데 파장이 가장 짧은
것이 근적외선이다. 적외선은 일반적으로 가시광선이나 자외선에 비해 강한 열작용을 지니고 있어 공업용이나 의료용으로 많이 이용된다.
근적외선 기술의 물리학 및 화학 원리, 데이터 분석, 계측, 상업 분석기 및 분광 분석에 영향을 미치는 변수의 정보를 제공된다. 유럽, 북미, 소련,
아시아, 호주 및 뉴질랜드에서 연구가 검토되고 있으며 밀 번식, 시리얼 알갱이, 지방 종자, 과일, 채소, 유제품, 양모 및 합성 섬유에 대한 적용
분야가 다루어진다
(6).
2.2 정규식생지수(NDVI)
정규식생지수의 개념은 Krigler에 의해 처음으로 설명되었으며(1969), Rouse이 활용 방안을 제안하였다(1972)
(7). 정규식생지수는 영상 처리 기술로서 식생의 유·무를 강조하는 데 사용되는 기술이다. 초기에는 높은 상공에서 얻은 영상을 통해 토지의 황폐화 및 복원력을
포함한 다양한 평가 및 원격 감지 용도로 사용 되었으며
(8), 최근 무인기 보급이 증가하고, 기체 가격 또한 감소하여 다양한 분야에서 활용이 용이해졌으며, 농업 분야에서도 적극적으로 활용하게 되었다
(1).
NDVI가 식생조사에 널리 사용되고 있는 이유는 식물 고유의 분광반사 특성 때문이다. 식물의 잎에 함유되어 있는 클로로필(식물 녹엽의 녹색 색소)은
0.45㎛~0.67㎛의 파장대역을 강하게 흡수하며, 그 결과로서 가시광선 영역의 적색밴드에서 반사율은 낮아지게 된다. 또한 0.74㎛~1.3㎛의 근적외선
영역에서의 강한 반사특성을 가지고 있으며, 적색밴드에서 강한 흡수와 근적외선 밴드에서의 강한 반사를 갖는 특수성에 의해 적색/근적외선 영역이 식생조사에
이용되고 있다.
2.2.1 NDVI Red
일반적인 NDVI, True NDVI라고도 한다. 근적외선 밴드와 적색광 밴드 사이의 값의 차이를 두 밴드를 합한 값으로 나누어서 계산한다. NDVI
Red는 –1에서 +1 사이의 숫자이며 +1은 건강한 식물을 나타내며 -1은 사망 또는 극심한 스트레스를 받은 식물을 나타낸다. NDVI Red는
작물 건강을 측정하는 수단으로 과학계에서 널리 연구되고 활용되었다
(7,8,9).
2.2.2 NDVI Blue
NDVI Blue는 NDVI Red 방정식의 사용된 Red 채널을 Blue 채널로 대체한 NDVI Red 방정식의 변형이다. NDVI-7 카메라에서는
NIR 차단 필터가 제거되고 적색 대역 차단 필터로 교체된다. 따라서 NIR과 RED 채널 값을 같이 획득할 수 없으므로 NDVI Red의 사용이
불가하여, NDVI Blue식을 활용하였다. NDVI Blue는 NDVI Red 보다 작물 스트레스에 덜 민감하여 농작물 상태의 따른 대비가 적으며,
광합성을 하지 않는 물질에 대해서는 제대로 된 값을 산출하기 어렵다. 그러나 주요한 장점은 단일 카메라로 계산할 수 있으므로 다중 카메라 멀티 스펙트럼
시스템보다 비용이 적게 들고, 1장의 영상으로 값을 계산할 수 있다. 본 논문의 추출한 NDVI 값은 모두 NDVI Blue 값이다.
식(2)
3. 연구 방법
3.1 영상 획득
본 논문에 사용된 영상은 2016년 강원도 홍천 지역의 시들음병 발병 지역에서 촬영하였다. 사용된 무인기는 DJI 팬텀 4 PRO이며 근적외선 영상을
획득을 위해 특수 렌즈를 부착한 카메라(IRpro NDVI-7)를 장착하였다.
사용된 카메라는 가시영역(RGB)의 R 채널 대신 파장 680~ 800nm의 근적외선(NIR)과 일반적인 Green, Blue 채널의 값을 획득한다.
촬영은 무인기를 10m 높이에 위치시키고 수직 방향으로 촬영되었고, 해상도는 4000x3000이다.
그림. 1은 본 논문에 사용된 원본 무밭 영상이다.
그림. 1. UAV로 획득한 무 밭 영상
Fig. 1. Acquired field image by UAV
3.2 NDVI 분석
3.2.1 시각화
원본 영상에서 NDVI Blue 수식을 활용하여 수치화한 –1~1 범위의 값을 0~255 범위의의 그레이 레벨로 치환하여
그림. 2와 같이 시각화하였다. 보다 명확한 비교를 위하여 그레이 레벨의 영상을
그림. 3과 같이 색상(Hue) 채널로 변경하였다.
그림. 4의 GIMP 2 소프트웨어로 무 영역만을 추출한 후 NDVI 값을 색상 채널로 시각화하여 무의 건강 상태에 따른 NDVI 값을 분석하였다.
그림. 2. 그레이 레벨로 시각화된 NDVI
Fig. 2. NDVI visualized in gray level
그림. 3. 색상 채널(H)로 시각화된 NDVI
Fig. 3. NDVI visualized in Hue(H)channel
그림. 4. 무 영역만 색상 채널(H)로 시각화된 NDVI
Fig. 4. NDVI visualized in Hue(H)channel only radish area
3.2.2 영역별 NDVI 비교
GIMP 2 소프트웨어로 무 밭 영상을 무, 땅, 비닐 영역으로 분류하고, 각 영역에 NDVI 값을 추출하여 값을 비교 분석하였다.
3.2.3 시들음병 NDVI 비교
원본 영상에서 시들음병이 발생한 무를 추출하여 병의 정도에 따라 정상, 초기, 중기, 말기로 분류하고, NDVI 값을 비교하였다.
그림. 5, 그림
그림. 6,
그림. 7,
그림. 8는 영상은 원본 영상에서 무 영역만을 추출한 후, NDVI값을 색상 채널로 시각화하였다.
그림. 5. 정상 무 (A)원본, (B)무 영역, (C)NDVI
Fig. 5. Normal radish(A) Original image,(B) Only radish, (C) NDVI
그림. 6. 시들음병 초기 (A) 원본, (B) 무 영역, (C) NDVI
Fig. 6. Early stages radish (A) Original image, (B) Only radish, (C) NDVI
그림. 7. 시들음병 중기 (A) 원본, (B) 무 영역, (C) NDVI
Fig. 7. Middle stages radish (A)Original image, (B) Only radish, (C) NDVI
그림. 8. 시들음병 말기 (A) 원본, (B) 무 영역, (C) NDVI
Fig. 8. Late stages radish (A)Original image, (B) Only radish, (C) NDVI
4. 결 과
4.1 무 밭 영역 분석
무 밭 영상을 무/땅/비닐 영역으로 나누어 분석한 결과 무, 땅, 비닐 순으로 높은 NDVI 값을 가졌다. 비닐영역은 0에 가까워 구분이 쉽게 되며,
땅 역영은 초록과 노랑의 경계인 0.3 정도에 가깝고 무는 대부분 0.3 이상의 값을 가진다.
그림. 4에서 무 영역을 보면 무의 중앙은 붉은색이 분포되어 1에 가깝고 바깥쪽으로 갈수록 낮아져 노란색이나 초록색도 띈다. 땅 영역은 초록색을 띄며, 0.3
이하의 NDVI 값을 가진다. 땅 영역의 NDVI 값과 무의 NDVI 값이 겹치는 구간이 존재하여 NDVI만 이용하여 무, 땅 분리는 불가능하다.
그림. 4에서 무 영역은 평균 0.48의 NDVI 값을 가지며, 땅은 2.95, 비닐영역은 –0.065의 평균값을 가졌다.
표 1. 무 밭 각 영역의 평균 NDVI
Table 1. Average NDVI of each field of radish field
|
영역
|
평균 NDVI
|
|
무
|
0.4890
|
|
땅
|
0.2959
|
|
비닐
|
-0.0605
|
표 1
4.2 시들음병 분석
정상 무
그림. 5의 경우 잎들의 색이 일정하며, 팽팽하다.
그림. 5.C를 보면 중앙은 NDVI 값 0.7 이상의 붉은 영역의 분포가 상당히 많으며, 잎의 끝 쪽은 노랑, 초록 영역이 섞여 있다 무 영역의 NDVI 값
평균은 0.5136이다.
시들음병 초기
그림. 6의 경우 색상의 변화는 적지만 잎들이 마르기 시작하여 면적이 많이 줄어들었다.
그림. 6.C를 보면 중앙에 노란 영역의 비중이 커졌으며 붉은 영역은 상당히 줄어들었고 잎의 면적이 줄어드는 게 확연하다. NDVI 값은 정상에 조금 줄어든 0.4565였다.
시들음병 중기
그림. 7의 경우 잎이 말라 널브러지기 시작했으며, 잎은 더욱 앙상해졌다.
그림. 7.C를 보면 초록색 영역의 비중이 붉은, 노란 영역의 비해 월등히 높아졌으며 붉은색은 거의 사라졌다. 평균 NDVI 값은 0.3444로 초기에 비해 꽤
많이 낮아졌다.
시들음병 말기
그림. 8의 경우 잎이 모두 말라 널브러져 있으며 잎 전체가 변색되었다.
그림. 8.C를 보면 전체적으로 녹색을 띄며 붉은색은 찾아볼 수 없고 노란색만 간간히 있다. 평균 NDVI 값은 0.1772로 앞에 단계들에 비해 차이가 확연했다.
표 2. 시들음병 정도에 따른 무 영역 NDVI
Table 2. Average NDVI according to the degree of wilt
|
시들음병 단계
|
평균 NDVI
|
|
정상
|
0.5165
|
|
초기
|
0.4565
|
|
중기
|
0.3444
|
|
말기
|
0.1772
|
표 2
5. 결 론
무인기를 이용하여 강원도 홍천의 시들음병 피해지역을 NDVI-7 렌즈의 근적외선 카메라로 촬영하였다. 획득한 영상은 NDVI Bule 식을 적용하여
무, 땅, 비닐 영역의 NDVI 값을 비교, 분석하였다. 비닐 영역의 경우 NDVI 평균 값-0.0605로 다른 두 영역에 무 0.4890, 땅 0.2959비하여
값의 차이가 커 쉽게 구분이 가능하였다. 무 영역과 땅 영역의 평균값의 차이는 있지만, 무의 건강 상태의 따라 땅의 NDVI값과 중복 혹은 더 낮은
지역이 존재하였고, 특히 무의 경계와 땅 영역은 비슷한 NDVI 값을 가져 NDVI 값만으로는 두 영역을 분리하기가 불가능하였다. 평균적으로 무,
땅, 비닐 영역 순으로 높은 NDVI 값을 가졌다.
무의 시들음병 정도의 따른 NDVI 값 비교를 위해 무 영역만 분리 하여 병의 정도에 따라 정상, 초기, 중기, 말기로 분류하여 NDVI 값을 분석하였다.
시들음병 진행 정도에 따라 낮은 NDVI 값을 가졌으며, 정상 무 0.5165, 초기 0.4565, 중기 0.3444, 말기 0.1772 의 평균
NDVI 값을 가졌다. 시들음병 정도의 따라 NDVI 차이가 존재하여 시들음병 탐지에 활용할 수 있으며, 시각화하였을 경우 비전문가도 쉽게 건강 상태를
확인할 수 있다. 정상 무와 발병한 무의 잎사귀의 형태 차이가 있어 가까이서 보면 쉽게 구분이 가능하지만 대면적의 무 밭에서는 사람의 눈으로 일일이
보고 확인하기에는 한계가 있으며 효율이 낮다. 해결방안으로 UAV를 활용한 병충해의 원격탐지 연구를 진행하였으며, NDVI 값을 분석하여 발병 지역을
확인할 수 있었다. 향후 영상 정합과 GIS 등의 알고리즘과 연계하여 효과적인 농업 원격 관리 시스템 구축할 수 있을 것이다.
감사의 글
This work was supported by Korea Institute of Planning and Evaluation for Technology in
Food, Agriculture, Forestry and Fisheries (IPET) through Agri- Bio industry Technology
Development Program, funded by Ministry of Agriculture, Food and Rural Affairs (MAFRA) (316033-4)
References
Amin U., 2017, A Survey on Precision Agriculture: Tech- nologies and Challenges, The
3rd International Conference on Next Generation Computing (ICNGC2017b), pp. 21-24
Costa F. G., Ueyama J., Braun T., Pessin G., Osório F. S., Vargas P. A., 2012, The
use of unmanned aerial vehicles and wireless sensor network in agricultural applications,
2012 IEEE International Geoscience and Remote Sensing Symposium,, pp. 22-27
Freeman P. K., Freeland R. S., 2014, Politics & technology: US polices restricting
unmanned aerial systems in agriculture, Food Policy, Vol. 49, No. 1, pp. 302-311
Kwak J. T., Ha J. G., Im S. H., Shim S. H., Kim E., Lee O. N., Park H, Y., Moon H.
J., 2017, Low-altitude Imagery of Unmanned Aerial Vehicles for Radish Monitoring:
A Pilot Study, ICEIC 2017 International Conference on Electronics, pp. 933-934
Ha J. G., Moon H. J., Kwak J. T., Syed I. H., Dang L. M., Lee O. N., Park H. Y., 2017,
Deep convolutional neural network for classifying Fusarium wilt of radish from unmanned
aerial vehicles, Journal of Applied Remote Sensing, Vol. 11, No. 4
Williams P. C., Norris K., 1987, Near-infrared technology in the agricultural and
food industries, American Association of Cereal Chemists
Rouse Jr W. John, 1972, Monitoring the vernal advancement and retrogradation (green
wave effect) of natural vegetation, Texas A & M Univ
Yengoh G. T., Dent D., Olsson L., Tengberg A. E., Tucker C. J., 2016, Use of the Normalized
Difference Vegetation Index (NDVI) to Assess Land Degradation at Multiple Scales,
Springer
Dang L. M., Syed I. H., Im S. H., Irfan M., Moon H. J., 2018, Utilizing text recognition
for the defects extraction in sewers CCTV inspection videos, Computers in Industry,
Vol. 99, pp. 96-109
저자소개
2017 세종대학교 컴퓨터공학과 졸업
2017 세종대학교 일반 대학원 컴퓨터공학과 재학
Syed Ibrahim Hassan (Syed Ibrahim Hassan)
2015 Dept. of Computer Science, Quaid E Awam University of Engineering Science and
technology Pakistan 졸업
2018 세종대학교 일반 대학원 컴퓨터공학과 졸업
Dang Lien Minh (Dang Lien Minh)
2016 Dept. of Information systems, Uni- versity of Information Technology 졸업
2017 세종대학교 일반 대학원 컴퓨터공학과 재학
고려대학교 전자전산 공학과 졸업, 삼성전자, 미쓰비시전기, Renesas Technology에서 근무하였고 현재 IT 컨설팅 및 미디어 제작 사업을
하고 있으며, 동 세종대학교 컴퓨터공학과 박사과정 재학 중
2004~현재 세종대학교 컴퓨터공학과 교수 공학박사
[관심분야] 생체인식, 컴퓨터비전, 패턴인식, 인공지능 및 머신러닝