| 1 |
1
드론으로부터 촬영된 영상정보를 수신하는 통신부; 및상기 수신된 영상정보를 딥러닝을 이용한 시각감지 모델에 적용하여 벼 키다리병 후보 위치를 검출하고, 상기 검출된 벼 키다리병 후보 위치를 딥러닝을 이용한 시각모델에 적용하여 벼 키다리병 주수를 산출하는 제어부;를 포함하는 영상정보 기반의 벼 키다리병 자동 판독 장치
|
| 2 |
2
제 1항에 있어서,상기 영상정보는,벼 키다리병에 대한 검사를 하고자 하는 논의 필지를 촬영한 영상인 것을 특징으로 하는 영상정보 기반의 벼 키다리병 자동 판독 장치
|
| 3 |
3
제 1항에 있어서,상기 제어부는,상기 수신된 영상정보를 n×n(n은 자연수) 크기 영상으로 분할하고, 상기 분할된 영상정보를 상기 시각감지 모델의 입력영상으로 입력하는 것을 특징으로 하는 영상정보 기반의 벼 키다리병 자동 판독 장치
|
| 4 |
4
제 3항에 있어서,상기 제어부는,상기 영상정보 내에 공간적인 특징을 추출하고, 분석하여 상기 벼 키다리병 후보 위치를 검출하고, 상기 검출된 벼 키다리병 후보 위치를 상기 입력영상에 투영하여 벼 키다리병 영역을 추출하는 것을 특징으로 하는 영상정보 기반의 벼 키다리병 자동 판독 장치
|
| 5 |
5
제 1항에 있어서,상기 시각감지 모델은,R-CNN(Regions with Convolutional Neural Network), Fast R-CNN, Faster R-CNN, SSD(Single Shot Multibox Detector), YOLO(You Only Look Once), FPN(Feature Pyramid Network) 및 RetinaNet 중 어느 하나의 모델인 것을 특징으로 하는 영상정보 기반의 벼 키다리병 자동 판독 장치
|
| 6 |
6
제 1항에 있어서,상기 제어부는,상기 시각모델을 이용하여 정상적인 벼와 벼 키다리병의 공간적인 특징을 추출하고, 분석하여 해당 위치에서의 벼 키다리병 주수를 산출하는 것을 특징으로 하는 영상정보 기반의 벼 키다리병 자동 판독 장치
|
| 7 |
7
제 1항에 있어서,상기 시각모델은,AlexNet, ResNet, GoogLeNet, ResNext, VGGNet, InceptionNet, DenseNet 중 어느 하나의 모델인 것을 특징으로 하는 영상정보 기반의 벼 키다리병 자동 판독 장치
|
| 8 |
8
제 1항에 있어서,상기 시각모델은,상기 시각감지 모델의 내부로부터 벼 키다리병 후보 위치 검출에 사용된 속성을 재활용하여 벼 키다리병 주수를 산출하는 것을 특징으로 하는 영상정보 기반의 벼 키다리병 자동 판독 장치
|
| 9 |
9
자동 판독 장치가 드론으로부터 촬영된 영상정보를 수신하는 단계;상기 자동 판독 장치가 상기 수신된 영상정보를 딥러닝을 이용한 시각감지 모델에 적용하여 벼 키다리병 후보 위치를 검출하는 단계; 및상기 자동 판독 장치가 상기 검출된 벼 키다리병 후보 위치를 딥러닝을 이용한 시각모델에 적용하여 벼 키다리병 주수를 산출하는 단계;를 포함하는 영상정보 기반의 벼 키다리병 자동 판독 방법
|
| 10 |
10
벼 키다리병에 대한 검사를 하고자 하는 논의 필지를 촬영하는 드론; 및상기 촬영된 영상정보를 이용하여 해당 필지의 벼 키다리병 위치 및 주수를 파악하는 자동 판독 장치;를 포함하되,상기 자동 판독 장치는,상기 드론으로부터 촬영된 영상정보를 수신하는 통신부; 및상기 수신된 영상정보를 딥러닝을 이용한 시각감지 모델에 적용하여 벼 키다리병 후보 위치를 검출하고, 상기 검출된 벼 키다리병 후보 위치를 딥러닝을 이용한 시각모델에 적용하여 벼 키다리병 주수를 산출하는 제어부;를 포함하는 것을 특징으로 하는 자동 판독 시스템
|
