.svg)
AI 솔루션 문의하기
농민이 직접 촬영한 근접 사진과 달리 드론이 촬영한 영상은 넓은 농지를 위에서 내려다보는 형태로 담기며, 하나의 영상 안에 수백 그루의 작물이 한꺼번에 담기는 경우도 있습니다. 넓은 면적을 한 번에 담아내는 항공 영상의 특성을 고려하면 개별 작물 하나하나를 근접 촬영한 자료와는 다른 방식으로 영역을 나누고 표시하는 라벨링 기준이 필요합니다.
드론은 비행 고도와 촬영 각도에 따라 같은 작물이라도 영상에 담기는 크기와 형태가 크게 달라지며, 낮은 고도에서는 잎맥까지 선명하게 보이지만 높은 고도에서는 작물의 전체적인 색감과 배치만 확인할 수 있습니다. 비행 고도별로 라벨링 기준을 나누어 낮은 고도에서는 개체 단위로, 높은 고도에서는 구역 단위로 표시하는 방식을 적용한다면 촬영 조건이 달라지는 상황에서도 일관된 라벨링을 유지할 수 있습니다.
넓은 농지를 촬영한 여러 장의 영상을 이어 붙여 하나의 큰 지도로 만드는 경우, 이어붙인 경계 부근에서는 같은 작물이 중복으로 표시되거나 반대로 빠지는 경우가 발생할 수 있습니다. 이어붙이기 전 개별 영상에 표시된 라벨과 이어붙인 이후의 통합 지도에 표시된 라벨을 서로 대조해 경계 부근의 중복이나 누락을 확인하는 절차를 마련한다면 넓은 농지 전체를 다룰 때도 라벨링의 정확도를 유지할 수 있습니다.
같은 농지 안에서도 파종 시기나 토양 조건의 차이로 생육 속도가 구역마다 다르게 나타나는 경우가 있어, 한 농지 전체를 하나의 생육 단계로 표시하면 실제 상황과 어긋날 수 있습니다. 농지를 여러 구역으로 나누어 구역별로 다른 생육 단계를 표시하는 라벨링 방식을 적용한다면 하나의 농지 안에서도 실제로 나타나는 생육 편차를 놓치지 않고 반영할 수 있습니다.
지상에서 가까이 촬영한 사진에서는 잎의 모양과 줄기의 형태로 잡초와 작물을 비교적 쉽게 구분할 수 있지만, 위에서 내려다본 항공 영상에서는 잎이 겹쳐 보이거나 색감만으로 구분해야 하는 경우가 많아 판단이 훨씬 까다로워집니다. 항공 시점에서 잡초와 작물을 구분하는 별도의 판정 기준을 마련하고, 애매한 경계에 있는 사례는 지상에서 촬영한 대조 사진과 함께 확인하는 절차를 병행한다면 항공 영상만으로 판단하기 어려운 부분을 보완할 수 있습니다.
드론은 일반 촬영 영상 외에도 다중분광이나 열화상처럼 서로 다른 방식으로 작물 상태를 담아내는 센서를 함께 탑재하는 경우가 있으며, 이런 자료는 눈으로 보는 일반 영상과는 다른 방식으로 해석해야 합니다. 일반 영상과 다중분광, 열화상 자료를 각각의 특성에 맞는 별도의 라벨링 기준으로 다루면서도 같은 위치를 촬영한 자료끼리는 서로 연결해 관리한다면 여러 센서의 정보를 종합적으로 활용할 수 있는 기반이 마련됩니다.
바람이 강하거나 비행 속도가 빠른 상황에서는 영상에 흔들림이 나타나 작물의 경계가 흐릿하게 찍히는 경우가 있습니다. 흔들림이 심한 구간은 라벨링 대상에서 제외하거나 별도로 표시해 두고, 흔들림이 적은 인접 구간의 자료로 보완하는 절차를 마련한다면 화질이 낮은 자료로 인한 라벨링 오류를 줄일 수 있습니다.
라벨링된 결과가 이후 특정 구역에만 비료나 농약을 다르게 살포하는 정밀 농업 작업으로 이어지려면, 라벨링된 위치가 실제 농지의 좌표와 정확히 연결되어 있어야 합니다. 드론 촬영 시점의 위치 정보를 라벨링 결과와 함께 저장해 농지의 실제 좌표와 연결하는 절차를 마련한다면 라벨링 결과가 현장의 구체적인 작업 위치로 곧바로 이어질 수 있습니다.
스마트팜 드론 비전 데이터 라벨링은 넓은 농지를 아우르는 항공 영상의 특성에 맞추어 고도별 기준과 구역 단위의 생육 단계 표시, 이어붙인 영상의 경계 관리를 함께 갖추어야 완결됩니다. 항공 시점의 잡초 구분과 여러 센서 자료의 통합, 좌표 연결까지 함께 운영하면서 라벨링 체계는 다루는 농지의 규모와 작물 구성에 맞게 자리를 잡아갑니다.
.svg)
.svg)
