딥 러닝 기반 드론 영상을 활용한 벼 포장의 재식거리 평가

Evaluation of Planting Distance in Rice Paddies Using Deep Learning-Based Drone Imagery

본 연구는 농업 분야에서의 드론으로 촬영되어진 영상을 딥 러닝 기반의 영상분석 기술을 사용하여 벼 재식거리를 추정하는 알고리즘을 작성하였다. 다양한 포장에서 수집된 영상데이터를 전처리 과정을 거처 YOLOv5x 딥 러닝 모델의 학습데이터로 활용하였다. 영상 데이터를 학습시킨 결과, 높은 정밀도와 재현율을 보여 각 영상에서 벼의 위치 정보를 효과적으로 추정할 수 있음을 확인하였고, 학습된 모델은 다양한 논 포장의 환경에서 벼의 중심부 좌표를 기반으로 벼의 위치를 정확하게 추정할 수 있었다. 이를 통해 각 포장의 벼의 주수를 추정하였고 실제 값과 유사한 값을 얻을 수 있었다. 또한 영상의 벼의 위치정보를 기반으로 하여 재식거리를 정확히 파악할 수 있는 새로운 알고리즘을 제시하였다. 포장의 일부를 촬영한 다양한 지역의 드론 영상에서 본 연구에서 작성한 알고리즘이 실제 재식거리와 R²=0.877의 높은 상관성을 확인하였다. 이는 본 연구에서 작성한 알고리즘이 실제 농업 현장에서 효과적으로 적용될 수 있다는 가능성을 시사한다.

In response to the increasing impact of climate change on agriculture, various cultivation technologies have been recently developed to improve agricultural productivity and reduce carbon emissions for carbon neutrality. This study presents an algorithm for estimating rice planting density in agriculture using drone-captured images and deep learning-based image analysis technology. The algorithm utilizes images collected from various paddies; these images are processed through pre-processing steps and serve as training data for the YOLOv5x deep learning model. The trained model demonstrated high precision and recall, effectively estimating the position information of rice plants in each image. By accurately estimating the position of rice plants based on the central coordinates in diverse unpaved environments, the model allowed for estimation of rice plant density in each paddy, producing values closely aligned with actual measurements. Moreover, the algorithm proposed in this study provides a novel approach for precise determination of rice planting density based on the position information of rice plants in the images. Analysis of drone footage from different regions capturing portions of paddies revealed that the developed algorithm exhibited a significant correlation (R² =0.877) with actual planting density. This finding suggests the potential effective application of the algorithm in real-world agricultural settings. In conclusion, we believe that this research contributes to the ongoing digital transformation in agriculture by offering a valuable technology that supports the goals of enhancing efficiency, mitigating methane emissions, and achieving carbon neutrality, in response to the challenges posed by climate change.