| 1 |
1
분석장치가 분석 대상인 식물의 식물 영상을 입력받는 단계;상기 분석장치가 상기 식물 영상에서 잎 영역을 구분하는 단계;상기 분석장치가 상기 잎 영역의 색상 히스토그램을 기준으로 상기 식물의 질병 고위험 상태를 예측하는 단계;상기 식물의 상태가 고위험인 경우 상기 분석장치가 상기 잎 영역을 복수의 색상 단위 영역들로 분할하는 단계;상기 분석장치가 상기 색상 단위 영역별로 색상 파라미터를 제1 학습 네트워크에 입력하여 상기 식물의 질병 여부를 예측하는 단계; 및상기 분석장치가 상기 식물의 상태가 질병인 상기 색상 단위 영역의 형태 파라미터를 제2 학습 네트워크에 입력하여 상기 식물의 질병 유형을 분류하는 단계를 포함하는 식물 피노믹스 기반의 식물 상태 예측 방법
|
| 2 |
2
제1항에 있어서,상기 분석장치는 상기 색상 히스토그램의 벡터 간의 거리 또는 임계값(threshold) 기준한 색상 히스토그램 값이 변화한 비율을 기준으로 상기 식물의 상태가 고위험인지 여부를 예측하는 식물 피노믹스 기반의 식물 상태 예측 방법
|
| 3 |
3
제1항에 있어서,상기 색상 파라미터는 색상, 명도 및 채도 중 적어도 하나를 포함하는 식물 피노믹스 기반의 식물 상태 예측 방법
|
| 4 |
4
제1항에 있어서,상기 분석장치는 상기 식물의 상태가 질병인 상기 색상 단위 영역에 대한 이진 마스크를 이용하여 질병 영역을 구분하는 단계를 더 포함하는 식물 피노믹스 기반의 식물 상태 예측 방법
|
| 5 |
5
제4항에 있어서,상기 분석장치는 상기 질병 영역을 구분하는 바운딩 박스를 결정하고,상기 형태 파라미터는 상기 바운딩 박스 내에서의 화소 밀도, 상기 바운딩 박스의 가로와 세로 비율, 상기 질병 영역의 화소 좌표간 상관계수, 상기 질병 영역의 면적, 상기 질병 영역에 대한 타원 형태의 이심률 및 상기 질병 영역의 면적 대비 질병 영역의 경계선의 길이 비율 중 적어도 하나를 포함하는 식물 피노믹스 기반의 식물 상태 예측 방법
|
| 6 |
6
분석 대상인 식물의 식물 영상을 입력받는 입력장치;색상 파라미터를 입력받아 식물의 질병 여부를 분류하는 제1 학습 네트워크 및 형태 파라미터를 입력받아 식물의 질병 유형을 분류하는 제2 학습 네트워크를 저장하는 저장장치; 및상기 식물 영상에서 잎 영역을 구분하고, 상기 잎 영역의 색상 히스토그램을 기준으로 상기 식물의 질병 고위험 상태를 예측하고, 상기 식물의 상태가 고위험인 경우 상기 잎 영역을 복수의 색상 단위 영역들로 분할하고, 상기 색상 단위 영역별로 색상 파라미터를 제1 학습 네트워크에 입력하여 상기 식물의 질병 여부를 예측하고, 상기 식물의 상태가 질병인 상기 색상 단위 영역의 형태 파라미터를 제2 학습 네트워크에 입력하여 상기 식물의 질병 유형을 분류하는 연산장치를 포함하는 식물 영상을 이용하여 식물 상태를 예측하는 분석장치
|
| 7 |
7
제6항에 있어서,상기 연산장치는 상기 색상 히스토그램의 벡터 간의 거리 또는 임계값(threshold) 기준한 색상 히스토그램 값이 변화한 비율을 기준으로 상기 식물의 상태가 고위험인지 여부를 예측하는 식물 영상을 이용하여 식물 상태를 예측하는 분석장치
|
| 8 |
8
제6항에 있어서,상기 색상 파라미터는 색상, 명도 및 채도 중 적어도 하나를 포함하는 식물 영상을 이용하여 식물 상태를 예측하는 분석장치
|
| 9 |
9
제6항에 있어서,상기 연산장치는 상기 질병 영역을 구분하는 바운딩 박스를 결정하고,상기 형태 파라미터는 상기 바운딩 박스 내에서의 화소 밀도, 상기 바운딩 박스의 가로와 세로 비율, 상기 질병 영역의 화소 좌표간 상관계수, 상기 질병 영역의 면적, 상기 질병 영역에 대한 타원 형태의 이심률, 질병 영역의 면적 대비 질병 영역의 경계선의 길이 비율 중 적어도 하나를 포함하는 식물 영상을 이용하여 식물 상태를 예측하는 분석장치
|
