• 제목/요약/키워드: Heterogeneous Sensor

검색결과 204건 처리시간 0.02초

농작물 모니터링을 위한 점수기반 식생지수 합성기법의 개발 (Development of Score-based Vegetation Index Composite Algorithm for Crop Monitoring)

  • 김선화;은정
    • 대한원격탐사학회지
    • /
    • 제38권6_1호
    • /
    • pp.1343-1356
    • /
    • 2022
  • 광학위성영상을 이용해 농작물을 모니터링 할 때 가장 문제가 되는 것은 구름이나 그림자이다. 구름과 그림자의 영향을 줄이기 위해 일정 주기동안 최대 정규식생지수를 선택하는 합성기법이 사용되었다. 그러나, 본 방법은 구름의 영향을 줄이기는 하나, 일정 주기 동안 최대 정규식생지수(Normalized Difference Vegetation Index, NDVI)값만을 사용하기 때문에 NDVI가 감소하는 현상을 신속히 보여주기 어렵다. 이에 따라, 구름의 영향을 최소화하면서 식생의 분광정보를 최대한 유지하기 위한 방안으로 합성 시 여러 환경인자를 정의하고, 이에 대한 점수를 부여하여 합성 시 가장 적합한 화소를 선택하는 방법인 점수 기반 합성기법이 제시되었다. 본 연구에서는 Sentinel-2A/B Level2A 반사율 영상과, 부가정보로 제공되는 구름, 그림자, Aerosol Optical Thickness(AOT), 촬영날짜, 센서천정각 등을 이용한 점수 기반 식생지수 합성기법을 개발하였다. 2021년동안 당진 논지역과 태백 고랭지 배추밭을 대상으로 15일 주기와 한달 주기로 점수기반 합성기법을 적용한 결과, 구름의 영향을 받은 우기만을 제외하고 15일 주기 합성 시 한달 주기에 비해 보다 빠르고 자세한 NDVI값의 변화를 볼 수 있었다. 특정 영상에서는 합성 NDVI영상에서 부분적으로 날짜별 차이가 나타나 공간적으로 이질적인 부분이 보이기도 하는데, 이는 사용한 구름, 그림자 정보의 부정확성으로 인한 것으로 사려된다. 향후 입력정보의 정확도를 향상시키고, Maximum NDVI Composite (MNC) 기반 합성기법과 정량적 비교를 수행할 예정이다.

AR 전신 상호작용을 위한 이종 센서 간 좌표계 보정 기법 (Heterogeneous Sensor Coordinate System Calibration Technique for AR Whole Body Interaction)

  • 김항기;김대환;이동춘;이기석;백낙훈
    • 정보처리학회논문지:소프트웨어 및 데이터공학
    • /
    • 제12권7호
    • /
    • pp.315-324
    • /
    • 2023
  • 꾸준히 증가하는 노인성 질환 환자 대상으로 몰입형 디지털 콘텐츠를 이용한 쉽고 정확한 전신 재활 상호작용 기술이 필요하며, 본 연구에서는 이를 위해 홀로렌즈와 키넥트를 사용한 전신 상호작용 기술을 소개한다. 이를 위해 메쉬 특징점 기반 변환, AR 마커 기반 변환, 신체 인식 기반 변환 방법의 3가지 좌표 변환 방식을 제안한다. 메쉬 특징점 기반 변환은 공간 메쉬에 3개의 특징점을 지정하고 변환 행렬을 이용하여 좌표계를 일치시킨다. 이 방법은 수작업이 필요하여 사용성이 떨어지지만 정확도가 8.5mm로 상대적으로 높다. AR 마커 기반 방식은 홀로렌즈s와 키넥트가 동시에 인식하는 AR, QR마커를 사용하여 평균오차 11.2mm로 준수한 정확도를 달성했다. 신체 인식 기반 변환 방법은 두 기기가 동시에 인식하는 머리 혹은 HMD위치와 양 손 혹은 컨트롤러 위치를 이용하여 좌표계를 일치시킨다. 이 방법은 정확도가 떨어지지만 부가적인 도구나 수작업이 필요 없으므로 사용성이 좋다. 또한 후처리 기술로 RANSAC을 적용함으로써 오차를 10% 이상 줄였다. 이러한 3가지 방식은 콘텐츠가 필요한 사용 편의성과 정확도에 따라서 선택적으로 적용할 수 있다. 본 연구에서는 이 기술을 이용해서 '썬더펀치'와 재활 치료 콘텐츠에 적용하여 검증하였다.

위성 토양수분 데이터 및 COSMIC-ray 데이터 보정/검증을 위한 성균관대학교 내 FDR 센서 토양수분 측정 연구(SM-FC) 및 데이터 분석 (Construction and estimation of soil moisture site with FDR and COSMIC-ray (SM-FC) sensors for calibration/validation of satellite-based and COSMIC-ray soil moisture products in Sungkyunkwan university, South Korea)

  • 김형록;선우우연;김성균;최민하
    • 한국수자원학회논문집
    • /
    • 제49권2호
    • /
    • pp.133-144
    • /
    • 2016
  • 본 연구에서는 수원 성균관대학교 내 Frequency Domain Reflectometry (FDR) 토양수분 측정 장비 및 COSMIC-ray 중성자 측정 장비를 통한 토양수분 지점 관측 사이트를 확립하였다. 또한 양질의 토양수분 데이터 확보를 위해 연구지역 내 토질실험, 토질별 FDR 토양수분 데이터 및 COSMIC-ray 중성자 개수의 시계열 분석, 관측한 토양수분 데이터와 위성 기반 토양수분 데이터와의 비교분석을 실시하였다. 2014년도부터 6개 지점에서 표층으로부터 5 cm에서 40 cm까지 총 24개의 FDR 센서를 5~10 cm 깊이별로 설치하여 토양수분 데이터를 측정하였다. 해당 지점들의 토질 분석결과, Sand에서 Loamy Sand까지의 다양한 토질이 불균질한 층을 이루어 분포되어 있는 것으로 판단되었다. 측정된 토양수분 데이터는 강우 데이터와 높은 상관성을 보이며, 위성 산출 토양수분 데이터와의 비교에서도 상대적으로 높은 상관관계와 낮은 평균제곱근편차(Root mean square deviation, RMSD)값을 보여주었다. 2014년도 설치 지역 토양수분 데이터의 신뢰도가 확보됨에 따라 2015년도에는 10개의 FDR 토양수분 측정 장비 및 COSMIC-ray 중성자 측정 장비가 추가로 설치되어 성균관대학교의 Soil Moisture site with FDR and COSMIC-ray(SM-FC) 연구지역이 구축되었다. SM-FC에 설치된 COSMIC-ray 중성자 측정 장비의 최초 검증을 위해 2015년 8~11월의 COSMIC-ray 중성자 데이터 및 FDR 토양수분 데이터가 활용되었다. 중성자기반 토양수분 값과 전체 지점 FDR 토양수분 평균값을 비교한 결과 매우 높은 상관관계를 볼 수 있었다 (상관계수 0.95). 이러한 연구를 통해 성균관대학교 SM-FC는 향후 한반도 지역 위성 및 모델 토양수분 데이터를 검증하는 대표 연구지역이 될 것으로 기대된다.

지식 그래프와 딥러닝 모델 기반 텍스트와 이미지 데이터를 활용한 자동 표적 인식 방법 연구 (Automatic Target Recognition Study using Knowledge Graph and Deep Learning Models for Text and Image data)

  • 김종모;이정빈;전호철;손미애
    • 인터넷정보학회논문지
    • /
    • 제23권5호
    • /
    • pp.145-154
    • /
    • 2022
  • 자동 표적 인식(Automatic Target Recognition, ATR) 기술이 미래전투체계(Future Combat Systems, FCS)의 핵심 기술로 부상하고 있다. 그러나 정보통신(IT) 및 센싱 기술의 발전과 더불어 ATR에 관련이 있는 데이터는 휴민트(HUMINT·인적 정보) 및 시긴트(SIGINT·신호 정보)까지 확장되고 있음에도 불구하고, ATR 연구는 SAR 센서로부터 수집한 이미지, 즉 이민트(IMINT·영상 정보)에 대한 딥러닝 모델 연구가 주를 이룬다. 복잡하고 다변하는 전장 상황에서 이미지 데이터만으로는 높은 수준의 ATR의 정확성과 일반화 성능을 보장하기 어렵다. 본 논문에서는 이미지 및 텍스트 데이터를 동시에 활용할 수 있는 지식 그래프 기반의 ATR 방법을 제안한다. 지식 그래프와 딥러닝 모델 기반의 ATR 방법의 핵심은 ATR 이미지 및 텍스트를 각각의 데이터 특성에 맞게 그래프로 변환하고 이를 지식 그래프에 정렬하여 지식 그래프를 매개로 이질적인 ATR 데이터를 연결하는 것이다. ATR 이미지를 그래프로 변환하기 위해서, 사전 학습된 이미지 객체 인식 모델과 지식 그래프의 어휘를 활용하여 객체 태그를 노드로 구성된 객체-태그 그래프를 이미지로부터 생성한다. 반면, ATR 텍스트는 사전 학습된 언어 모델, TF-IDF, co-occurrence word 그래프 및 지식 그래프의 어휘를 활용하여 ATR에 중요한 핵심 어휘를 노드로 구성된 단어 그래프를 생성한다. 생성된 두 유형의 그래프는 엔터티 얼라이먼트 모델을 활용하여 지식 그래프와 연결됨으로 이미지 및 텍스트로부터의 ATR 수행을 완성한다. 제안된 방법의 우수성을 입증하기 위해 웹 문서로부터 227개의 문서와 dbpedia로부터 61,714개의 RDF 트리플을 수집하였고, 엔터티 얼라이먼트(혹은 정렬)의 accuracy, recall, 및 f1-score에 대한 비교실험을 수행하였다.