본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

논문 요약

목차

제1장 소개 9

제2장 관련 연구 10

제3장 재료 및 방법 12

제1절 데이터 세트 12

1. 실험 작물 재배 13

2. 실험 환경 조성 13

3. 데이터 수집 14

제2절 Leaf Keypoint Tracking 15

1. Human Pose Estimation 15

2. Mask R-CNN 15

3. Coordinate Quadrant Matching 18

4. Multiple Object Tracking 20

5. DeepSORT 20

제4장 결과 및 토의 22

제1절 Leaf Keypoint detection & Coordinate Quadrant Matching 22

제2절 잎의 일주기 움직임 분석 24

제3절 연구의 한계 및 향후 연구 25

제5장 결론 28

참고 문헌 29

부록 31

1. 잎의 각도 변화 분석 31

2. Canopy Surface Height 변화 실험 32

3. Crop Mean Height 변화 실험 34

Abstract 38

표목차

표 1. 수집 데이터 현황 (2023.04.17 ~ 05.15) 12

표 2. 실험 환경조건 13

표 3. 학습된 모델의 성능과 CQM을 적용한 Keypoint 평가 결과 23

부록표목차

부록-표 1. Leaf Angle Tracking 일반군 31

부록-표 2. Leaf Angle Tracking 변화군 31

부록-표 3. Canopy Surface Height 일반군 33

부록-표 4. Canopy Surface Height 변화군 33

부록-표 5. Crop Mean Height 일반군 35

부록-표 6. Crop Mean Height 변화군 35

그림목차

그림 1. 전체 프레임워크 흐름도 12

그림 2. 수집에 사용된 장비 및 결과 예시 (a) Raspberry pi. 센서에 수집 명령을 처리 (b) 챔버 천장에 부착된 LiDAR(Intel RealSense L515) 센서와 인공... 14

그림 3. 상추 annotation (a) 상추는 내부의 생장점에서 분기하는 형태로 자라는 특성이 있음. 감지 객체는 상추 잎이고 잎의 끝과 분기점을... 16

그림 4. 적용한 augmentation 예시 (a) Additive Gaussian Noise (b) Adjust brightness (c) Enhance the color (alpha＝0.7) (d) Gaussian Blur 17

그림 5. Keypoint detection 예시 (a) 정상적으로 감지한 경우 (b) 분기점의 위치가 올바르지 않은 경우 (c) 분기점과 잎 끝 모두 올바르지 않은 경우 19

그림 6. Coordinate Quadrant Matching 수행 과정 (a) 두 keypoint 모두 오류 발생 (b) branching point 좌표 조정 (c) branching point의 사분면 위치를 기준으로... 20

그림 7. Keypoint Detection + CQM 결과 비교 23

그림 8. Leaf keypoint tracking 실행 결과 그림에서 A는 branching point와 tip 두 keypoint 사이의 각도를 의미함. id는 객체 추적 알고리즘을 통해 할당된... 24

그림 9. tip keypoint의 높이에 해당하는 좌표 y 값의 평균을 정규화한 그래프 실험 번호 1, 2의 초기 실험 작물 상태 (a), (d)는 외곽의 잎을 포함함. 실험 번호 3, 4의 초기 실험 작물 상태 (g),... 25

그림 10. Canopy surface height 분석 결과 예시 (a) 정상적인 환경에서 데이터를 수집한 일반군. 인공 광원을 켠 시점에 하강, 인공 광원을 끈 시점에 상승하는... 27

그림 11. 실제 온실 환경 적용 예시 (a) 폐색된 객체를 제외하고 잎 끝과 잎 자루를 라벨링 (b) 수집된 이미지 내에서 0.25의 비율로 관심 영역 설정 (c)... 27

부록그림목차

부록-그림 1. Canopy surface height (a), (e) 관심영역으로 나눈 일반군과 변화군 (b), (f) 관심 영역의 depth map 시각화 (c), (g) point cloud 로 시각화.... 32

부록-그림 2. Crop Mean Height를 추출하기 위한 영상처리 과정 (a) LiDAR 센서로 취득한 RGB 이미지 원본 (b) 식물 영역을 구분하기 위해 LaB 색공간에서 이진화 (c) 이진화된... 34

부록-그림 3. 실험 번호 1의 일반군, 변화군에 대한 Leaf Angle, CSH, CMH의 변화 비교 그래프의 x 축은 0시부터 23시까지 시간을 나타냄. y 축은 실험 일차를 나타냄. 실험 2 일차부터 7 일차까지 포함됨.... 36

부록-그림 4. 실험 번호 2의 일반군, 변화군에 대한 Leaf Angle, CSH, CMH의 변화 비교 36

부록-그림 5. 실험 번호 3의 일반군, 변화군에 대한 Leaf Angle, CSH, CMH의 변화 비교 37

부록-그림 6. 실험 번호 4의 일반군, 변화군에 대한 Leaf Angle, CSH, CMH의 변화 비교 37

초록보기

 식물의 일주기 시계를 제어하면 농업 생산성을 향상시킬 수 있는 가능성이 있다. 이전 연구에서는 일주기 시계를 분석하는 방법으로 루시퍼라제에 의존하는 경향이 있었다. 루시퍼라제의 장점에도 불구하고 실험에 드는 비용은 지속적인 연구를 저해하는 요인이다. 본 연구는 Human pose estimation의 개념을 식물에 적용하여 keypoint를 감지하고 다중객체 추적 알고리즘으로 감지된 객체를 추적하였다. 이를 기반으로 IP camera 로 수집한 이미지에서 잎의 움직임에 의한 일주기 리듬을 분석하는 방법을 제안하였다. 또한, 작은 데이터 세트에서도 상추의 keypoint 를 안정적으로 지정하는 Coordinate Quadrant Matching 방법을 개발하였다. CQM 을 적용한 결과, keypoint 에 대한 AP 가 1.06 만큼 증가하였다. 제안하는 방법을 적용하여 상추의 타임랩스 이미지를 분석한 결과, 24 시간 주기의 잎 움직임을 관찰할 수 있었다. 또한, 일주기 움직임은 내부의 생장점을 위주로 관찰하는 것이 더 효과적임을 발견할 수 있었다. 스트레스 조건을 부여한 실험 작물은 움직임이 감소하는 경향이 있었고 잎의 움직임 패턴을 분석하여 이상 징후를 감지하는 연구가 가능함을 확인하였다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차