드론을 활용한 농업생산조사 방법 연구

Abstract

과학적인 농정을 추진하기 위해서는 농업 생산 현황에 대한 정확한 정보가 필요하다. 이를 위해 통계청은 농경지 면적이나 주요 작물의 생산면적과 생산량에 대한 조사를 실시하고 그 내용을 공표하고 있다. 하지만, 통계청의 통계는 공표 시기가 늦어 수급정책 등을 펼치기에 미흡하고, 시군단위 정보가 부족하여 지역 농정에서 활용하기에 부족하다는 지적이 있다. 보다 많은 품목의 정보를 보다 세부적인 지역에 대해 신속·정확하게 파악해서 활용하고자 하는 요구가 지속적으로 제기되고 있다.드론을 활용하여 농업생산조사를 개선하려는 시도가 다각적으로 추진되고 있다. 농촌진흥청은 재배면적과 작황 파악을 위해 드론을 활용하는 연구를 진행한 바 있으며, 국립농산물품질관리원은 직불제 이행점검과 농업경영체등록정보 확인을 위해 드론을 활용하고 있다. 농업관측센터는 고랭지채소와 월동채소의 재배면적과 출하 동향을 드론을 활용해 파악하고 있다. 제주도청은 드론을 활용하여 도내 모든 농지의 월동채소에 대한 전수조사를 실시한 바 있고, 남해군·영천시·나주시 등은 한국지능정보사회연구원의 지원을 받아 지역 농업에 대한 드론 조사를 실시한 바 있다.본 연구에서는 드론을 활용한 농산물 생산조사가 충분한 신뢰성을 가질 수 있는지 검증함과 동시에 드론 활용에 대한 다양한 기준과 용도를 제시하고자 하였다. 드론으로 취득한 영상으로 작물을 식별할 수 있는지, 구체적으로 어떤 품질 수준의 드론 영상을 확보하여야 작물을 식별할 수 있는지 확인하고, 적절한 품질의 영상을 취득하기 위한 드론 활용방안을 제시하고자 한다. 또, 드론 영상을 활용하여 재식밀도를 확인할 수 있는지, 이를 자동화할 수 있는지 가능성을 모색하고자 한다. 연구 결과를 바탕으로 농업생산조사에 드론을 활용하는 방안을 제시하고자 한다.본 연구를 수행하기 위해 3~8월까지 다양한 작물이 재배되는 6개월 기간 동안 매월 연구 대상 작물의 영상을 촬영하여 작물 식별을 위한 적정 GSD(Ground Sample Distance; 지상 표본 거리) 산정을 위해 블라인드 실험(blind experiment)을 실시하여 작물을 식별할 수 있는 전문가들에게 촬영한 영상이 어느 정도의 GSD에서 식별이 가능한지, 어떤 작물이라고 판단되는지를 묻는 실험을 진행하였다. 인공지능을 활용한 재식 주수 산정에는 YOLO(You Only Look Once) 모형을 적용하였다. 딥러닝 개체 식별 모형의 오분류를 보정하기 위해 작물의 중심점 식별과 중심점 간 거리 분석 등을 보조적으로 활용하였다. 또한, 재식 주수 집계의 정확성 향상을 위해 다양한 통계적 기법을 적용하였다.

Purpose of Research○The aim of this study is to verify if agricultural production surveys utilizing drones can have sufficient reliability and to present various uses of drones and related standards. The study examines if crops can be identified in images acquired by drones and what quality levels of drone images enable the identification of crops. We present ways to use drones to acquire images of proper quality; and examine if plant density can be found by utilizing drone images and if this process can be automated. Based on the research results, this study presents methods of using drones in agricultural production surveys. Research Method○A blind experiment was conducted to compute proper GSDs for crop identification. For six months from March to August, when diverse crops are grown, images of research target crops were taken each month. The six GSDs of each crop’s images were as follows: 5, 4, 3, 2, 1, and 0.5cm. In our experiment, we asked experts who can identify crops what GSD levels of the images enable crop identification, and asked them to identify the crops. Then we comprehensively analyzed the GSD levels that enable crop identification according to the experts and the accuracy of their identification. Although experts participate in the blind experiment, the method has a similar aspect to machine learning. Therefore, we utilized the confusion matrix analysis widely used in machine learning. ○A YOLO(You Only Look Once) model was applied to calculate the number of plants grown using artificial intelligence. The model utilizes a CNN(Convolutional Neural Network) in the pre-training process. To correct the deep learning individual identification model’s misclassification, we used the identification of each crop’s center and the distance analysis between the centers. Also, various statistical techniques were applied to enhance the accuracy of the number of plants grown. (For more information, please refer to the report.)