Journal of the Korean Institute of Landscape Architecture (한국조경학회지)

The Korean Institute of Landscape Architecture (한국조경학회)
권호 표지
DOI QR코드

DOI QR Code

Assessment of Visual Landscape Image Analysis Method Using CNN Deep Learning - Focused on Healing Place -

CNN 딥러닝을 활용한 경관 이미지 분석 방법 평가 - 힐링장소를 대상으로 -

  • Sung, Jung-Han (Dept. of Landscape Architecture & Environmental Planning, Graduate School of Kongju National University) ;
  • Lee, Kyung-Jin (Dept. of Landscape Architecture, Kongju National University)
  • 성정한 (공주대학교 일반대학원 조경.환경계획학과 ) ;
  • 이경진 (공주대학교 조경학과 )
  • Received : 2023.05.10
  • Accepted : 2023.06.19
  • Published : 2023.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

This study aims to introduce and assess CNN Deep Learning methods to analyze visual landscape images on social media with embedded user perceptions and experiences. This study analyzed visual landscape images by focusing on a healing place. For the study, seven adjectives related to healing were selected through text mining and consideration of previous studies. Subsequently, 50 evaluators were recruited to build a Deep Learning image. Evaluators were asked to collect three images most suitable for 'healing', 'healing landscape', and 'healing place' on portal sites. The collected images were refined and a data augmentation process was applied to build a CNN model. After that, 15,097 images of 'healing' and 'healing landscape' on portal sites were collected and classified to analyze the visual landscape of a healing place. As a result of the study, 'quiet' was the highest in the category except 'other' and 'indoor' with 2,093 (22%), followed by 'open', 'joyful', 'comfortable', 'clean', 'natural', and 'beautiful'. It was found through research that CNN Deep Learning is an analysis method that can derive results from visual landscape image analysis. It also suggested that it is one way to supplement the existing visual landscape analysis method, and suggests in-depth and diverse visual landscape analysis in the future by establishing a landscape image learning dataset.

본 연구는 이용자들의 인식과 경험이 내재된 소셜미디어 사진에서 경관 이미지를 분석하기 위한 방법으로 CNN 딥러닝 방법을 소개하고 평가하는 데 그 목적이 있다. 본 연구에서는 힐링장소를 연구의 대상으로 설정하여 경관 이미지를 분석하였다. 연구를 위해 텍스트마이닝과 선행연구 고찰을 통해 힐링과 관련되는 7가지의 경관 형용사를 선정하였다. 이후 CNN 딥러닝 학습 사진 구축을 위해 50명의 평가자를 모집하였으며, 평가자들에게 포털사이트에서 '힐링', '힐링풍경', '힐링장소'로 검색되는 사진 중 7가지 형용사마다 가장 적합한 사진을 3장씩 수집하도록 하였다. 수집된 사진을 정제 및 데이터 증강 과정을 거쳐 CNN 모델을 제작하였다. 이후 힐링장소 경관 분석을 위해 포털사이트에서 '힐링'과 '힐링풍경'으로 검색되는 15,097장의 사진을 수집하여 이를 분류하였다. 연구결과 '기타'와 '실내'를 제외한 범주에서 '조용한'이 2,093장(22%)으로 가장 높게 나타났으며, '개방적인', '즐거운', '안락한', '깨끗한', '자연적인', '아름다운' 순으로 나타났다. CNN 딥러닝은 경관 이미지 분석에서도 결과를 도출 가능한 분석 방법임을 연구를 통해 알 수 있었다. 또한, 기존 경관 분석 방법을 보완할 수 있는 하나의 방법임을 시사하였고, 경관 이미지 학습 데이터 셋 구축을 통한 향후 심층적이고 다양한 경관 분석을 제안한다.

Keywords

References

  1. 강영옥, 조나혜, 박소연, 김지연(2021) 합성곱신경망을 활용한 SNS 사진 분류 및 관광객과 거주자의 관광 활동 특성 분석. 대한지리학회지 56(3): 247-264.  https://doi.org/10.22776/KGS.2021.56.3.247
  2. 고정훈(2015) 힐링디자인의 개념 및 사례연구. 상품문화디자인학연구 43(0): 11-20. 
  3. 김서영, 노하연, 윤예원, 이해민, 정진웅, 오하영(2023) 딥러닝을 이용한 가로경관과 범죄 발생과의 상관관계 분석. 한국정보통신학회논문지 27(2): 152-160.  https://doi.org/10.6109/jkiice.2023.27.2.152
  4. 김유진, 강영은(2021) 도시림의 경관 회복 기능 평가를 위한 딥러닝 적용 가능성 모색: 문헌 및 방법론 리뷰를 중심으로. 한국지리학회지 10(2): 277-291.  https://doi.org/10.25202/JAKG.10.2.6
  5. 도지윤, 서주환(2021) 빅데이터를 활용한 섬 관광지의 경관 특성 분석-신안군 박지. 반월도를 대상으로. 한국조경학회지 49(2): 61-73.  https://doi.org/10.9715/KILA.2021.49.2.061
  6. 박근덕, 이수기(2018) 가로공간 보행만족도 예측을 위한 딥러닝 모형의 적용과 검증. 도시설계 19(6): 19-34.  https://doi.org/10.38195/judik.2018.12.19.6.19
  7. 오병우(2022) CNN을 사용한 공간 데이터 분류 방법. 한국정보기술학회논문지 20(4): 25-30. 
  8. 오지영, 박혜경(2019) 환경 스트레스 관점의 치유환경 디자인요소의 치유효과 연구. 한국과학예술융합학회 37(5): 215-226.  https://doi.org/10.17548/ksaf.2019.12.30.215
  9. 유현배(2018) 힐링 공간디자인의 기초연구. 디지털콘텐츠학회논문지 19(1): 123-131. 
  10. 윤혜진, 이현수(2022) 딥러닝에 기반한 전통성의 비율별 한옥카페 디자인 가이드라인. 한국실내디자인학회 논문집 31(3): 1-11.  https://doi.org/10.14774/JKIID.2022.31.3.001
  11. 이대건, 조은지, 이동천(2018) 딥러닝을 위한 영역기반 합성곱 신경망에 의한 항공영상에서 건물탐지 평가. 한국측량학회지 36(6): 469-481.  https://doi.org/10.7848/KSGPC.2018.36.6.469
  12. 이주경, 손용훈(2022) 소셜미디어 사진 게시물의 딥러닝을 활용한 도시공원 이용자 활동 이미지 분류모델 개발. 한국조경학회지 50(6): 42-57.  https://doi.org/10.9715/KILA.2022.50.6.042
  13. 이혜진, 윤지영, 조나혜, 이주윤, 박소연, 강영옥(2019) 텍스트마이닝과 딥러닝 기술을 활용한 외국인 관광객의 국내 지역별 이미지 비교. 대한공간정보학회 학술대회(pp. 27-30). 
  14. 임승빈, 신지훈(1996) 경관영향평가를 위한 심리적 지표 설정에 관한 연구. 대한건축학회 논문집 12(9): 153-160. 
  15. 정소영, 정민교(2019) CNN의 깊은 특징과 전이학습을 사용한 보행자 분류. 인터넷정보학회논문지 20(4): 91-102.  https://doi.org/10.7472/JKSII.2019.20.4.91
  16. 조나혜, 강영옥, 윤지영, 박소연(2019) 지능형 관광 서비스를 위한 관광 사진 분류체계 개발. 한국지도학회지 19(3): 87-101.  https://doi.org/10.16879/jkca.2019.19.3.087
  17. 주신하, 임승빈(2003) 도시경관분석을 위한 경관형용사 목록 작성. 한국조경학회지 31(1): 1-10. 
  18. Chen, P. R., H. M. Hang, S. W. Chan and J. J. Lin(2020) DSNet: An efficient CNN for road scene segmentation. APSIPA Transactions on Signal and Information Processing 9(1): 1-14.  https://doi.org/10.1017/ATSIP.2020.25
  19. Krizhevsky, A., I. Sutskever and G. E. Hinton(2017) Imagenet classification with deep convolutional neural networks. Communications of the ACM 60(6): 84-90.  https://doi.org/10.1145/3065386
  20. LeCun, Y., B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard and L. D. Jackel(1989) Backpropagation applied to handwritten zip code recognition. Neural Computation 1(4): 541-551.  https://doi.org/10.1162/neco.1989.1.4.541
  21. Li, X., C. Zhang, W. Li, R. Ricard, Q. Meng and W. Zhang(2015) Assessing street-level urban greenery using Google Street View and a modified green view index. Urban Forestry & Urban Greening 14(3): 675-685.  https://doi.org/10.1016/j.ufug.2015.06.006
  22. Ni, R., M. Goldblum, A. Sharaf, K. Kong and T. Goldstein(2021) Data augmentation for meta-learning. In International Conference on Machine Learning (pp. 8152-8161). 
  23. VoPham, T., J. E. Hart, F. Laden and Y. Y. Chiang(2018) Emerging trends in geospatial artificial intelligence (geoAI): Potential applications for environmental epidemiology. Environmental Health 17(1): 1-6.  https://doi.org/10.1186/s12940-017-0345-y
  24. Zhang, C., S. Wei, S. Ji and M. Lu(2019). Detecting large-scale urban land cover changes from very high resolution remote sensing images using CNN-based classification. ISPRS International Journal of Geo-Information 8(4): 189-204.  https://doi.org/10.3390/ijgi8040189
  25. Zhang, F., B. Zhou, L. Liu, Y. Liu, H. H. Fung, H. Lin and C. Ratti(2018) Measuring human perceptions of a large-scale urban region using machine learning. Landscape and Urban Planning 180: 148-160.  https://doi.org/10.1016/j.landurbplan.2018.08.020
  26. Zhou, W., H. Wang and Z. Wan(2022) Ore image classification based on improved CNN. Computers and Electrical Engineering 99: 107819. 
  27. Olds, A. R.(2001) Child Care Design Guide. McGraw-Hill, PO Box 548, Blacklick, OH 43003. 
  28. 2021 네이버 블로그 리포트 https://campaign.naver.com/2021blog/blogreport/ 
  29. AIHub https://aihub.or.kr/ 
  30. DOMO https://www.domo.com/data-never-sleeps 
  31. ETRI AI 나눔 https://nanum.etri.re.kr/ 
  32. shashisuman018, Build a Neural Network Classifier in 5 minutes. 2017. https://shashisuman.wordpress.com/2017/10/20/build-a-neural-network-classifier-in-5-minutes/ 
  33. Statista https://www.statista.com/statistics/278414/number-of-worldwide-social-network-users/