딥러닝 기법을 사용한 고해상도 위성 영상 기반의 야적퇴비 탐지 방법론 제시 = Satellite Image-Based Field Compost Detection Using Deep Learning

국문 초록 (Abstract)

농업의 발전과 함께 비점오염원인 야적퇴비의 불법 관리는 수질 및 환경 오염의 원인으로 문제시되고 있다. 하지만 현장 조사를 통한 야적퇴비 탐지는 비용적 소모가 커 어려움을 겪고 있다. 본 연구에서는 고해상도 KOMPSAT-3 위성 영상을 사용해 야적퇴비를 탐지하고자 한다. 경상남도 농경지 일대의 청색, 녹색, 적색, 근적외선(near-infrared, NIR) 밴드의 위성 영상 데이터를 수집하여 관리가 적합하지 않은 야적퇴비에 대해 라벨링(labeling)을 진행하고 딥러닝 모델을 통한 야적퇴비 탐지 후 성능을 평가하였다. 야적퇴비 탐지를 위한 모델은 총 4가지로 U-Net을 통한 의미론적 분할 탐지, Mask Region-based Convolutional Neural Network (R-CNN)를 통한 객체 분할 탐지, Faster R-CNN을 통한 객체 탐지, Faster R-CNN과 U-Net을 결합한 혼합모델을 제시하여 의미론적 분할 탐지를 진행하였다. 픽셀 정확도와 mean Intersection-over-Union (mIoU)을 기반으로 한 정확도 평가에서 타 모델 대비 객체 기반 모델의 신뢰도가 높았고, 이중 본 논문에서 제시한 혼합모델이mIoU 0.68로 가장 높은 값을 보였다. 이러한 결과를 통해 위성 영상이 가지는 비용적 이점과 무인항공기를 통한 높은 신뢰도의 야적퇴비 탐지를 진행하여 현재 야적퇴비 탐지의 문제점을 해소할 수 있을 것으로 기대된다. 향후 연구에서 방법론을 보완하고 위성 영상의 품질을 개선할 수 있다면 정확도 높은 야적퇴비 탐지가 가능할 것이다.

다국어 초록 (Multilingual Abstract)

With the development of agriculture, the illegal management of field compost, a non-point source of pollution, has become a growing concern as a source of water and environmental pollution. However, detection of field compost through field surveys is difficult and costly. Therefore, following the recent increase in research on the detection and management of field compost, this study aims to detect field compost using high-resolution satellite imagery. We collected satellite image data in the blue, green, red, and near-infrared (NIR) bands over agricultural fields in Gyeongsangnam-do. We labeled unmanaged field compost and evaluated the performance of field compost detection using deep learning models. A total of four models for field compost detection were presented: semantic segmentation detection using U-Net, object segmentation detection using Mask Region-based Convolutional Neural Network (R-CNN), object detection using Faster R-CNN, and a hybrid model combining Faster R-CNN and U-Net for semantic segmentation detection. In the accuracy evaluation based on pixel accuracy and mean Intersection-over-Union (mIoU), the object-based model was more reliable than other models, and the combined model proposed in this paper showed the highest mIoU of 0.68. Based on these results, it is expected that the cost advantage of satellite imagery and the high reliability of field compost detection through unmanned aerial vehicles can be utilized to solve the current problems of field compost detection. In future studies, if the methodology and the quality of satellite images can be improved, accurate field compost detection will be possible.