• 한국측량학회지
• /
• 제40권4호
• /
• pp.359-364
• /
• 2022

원격탐사 영상의 변화탐지는 카메라의 광학적 요인, 계절적 요인, 토지피복 특성에 의해 오류가 발생한다. 본 연구에서는 CycleGAN (Cycle Generative Adversarial Network) 방법을 사용하여 촬영 각도에 따른 영상 내 건물 기울기를 모의 조정하였고, 이렇게 모의한 영상을 변화탐지에 활용하여 탐지 정확도 향상에 기여하도록 하였다. CycleGAN 기반으로 두 개 시기 영상 중 한 시기 영상을 기준으로 건물의 기울기를 다른 한 영상 내 건물에 유사하게 모의하였고 원 영상과 건물 기울기에 대한 오류를 비교 분석하였다. 실험자료로는 서로 다른 시기에 다른 각도로 촬영되었고, 건물이 밀집한 도시지역을 포함한 Kompsat-3A 고해상도 위성영상을 사용하였다. 실험 결과, 영상 내 건물 영역에 대하여 두 영상의 건물에 의한 오탐지 화소 수가 원 영상에서는 12,632개, CycleGAN 기반 모의 영상에서는 1,730개로 약 7배 감소하는 것으로 나타났다. 따라서, 제안 방법이 건물 기울기로 인한 탐지오류를 감소시킬 수 있음을 확인하였다.

• 한국측량학회지
• /
• 제39권6호
• /
• pp.381-392
• /
• 2021

본 연구에서는 UAV (Unmanned Aerial Vehicle)로 촬영한 이미지를 활용하여 수치지도 지형지물 표준 코드에서 정의하고 있는 건물 8종에 대하여 딥러닝 기반의 객체 탐지 분석을 수행하였다. UAV로 촬영한 이미지 509매에 대하여 이미지 라벨링을 하였고 YOLO (You Only Look Once) v5 모델을 적용하여 학습 및 추론을 진행하였다. 실험 및 분석은 오픈소스 기반의 분석 플랫폼과 알고리즘을 적용하여 데이터를 분석하였으며 분석결과 88%~98%의 예측 확률로 건물 객체를 탐지하였다. 또한 학습데이터의 구축 및 반복 학습의 과정에서 건물 객체 탐지의 높은 정확도를 위해 필요한 학습 방식 및 모델 구축방식을 분석하였고, 학습한 모델을 다른 영상자료에 적용하는 방안을 모색하였다. 본 연구를 통해 고효율 심층 신경망과 공간정보데이터가 융합하는 모델을 제안하며 공간정보데이터와 딥러닝 기술의 융합은 향후 공간정보데이터 구축의 효율성, 분석 및 예측의 정확도 향상에 많은 도움을 제공할 것이다.

• 대한원격탐사학회:학술대회논문집
• /
• 대한원격탐사학회 2000년도 춘계 학술대회 논문집 통권 3호 Proceedings of the 2000 KSRS Spring Meeting
• /
• pp.143-148
• /
• 2000

레이저 프로파일링 시스템의 등장으로, 기존에는 얻을 수 없었던 도시 지역에 대한 DTM 취득이 가능해졌고, 더욱 정확한 정사투영영상 또한 제작할 수 있게 되었다. 하지만, 높이 변화를 보이는 자연지물과 인공구조물이 있는 지역에 대해 기존의 정사투영사진 제작기법이 적용될 때, 폐색이나 이중매핑과 같은 문제가 발생하게 된다. 특히 고층건물이 밀집되어 있는 도심지에서 이러한 현상은 두드러져 정사투영영상의 품질을 저해하는 주요한 원인이 된다. 따라서, 본 연구에서는 카메라의 외부표정요소와 DTM을 이용하여 폐색영역을 탐지하고, 폐색이 안된 다른 영상의 정보를 통해 폐색영역을 복원하여 더욱 완전한 정사투영을 제작할 수 있는 알고리즘을 제안하였다. 제안된 알고리즘에 의해 자연지물이나 인공고조물에 의한 폐색영역을 탐지할 수 있었고 폐색영역의 많은 부분을 부가영상을 이용하여 복원하였다. 건물에 대한 사전지식을 이용하여 폐색영역을 탐지하는 국내 연구가 있지만, 본 연구는 건물에 대한 부가정보나 모델링을 사용하지 않고 DTM과 카메라 외부표정요소만을 이용하여 폐색영역을 탐지한다는 점에서 이러한 연구들과 차별성을 가진다.

• 한국GIS학회:학술대회논문집
• /
• 한국GIS학회 2008년도 공동춘계학술대회
• /
• pp.202-205
• /
• 2008

건물이 밀집된 도심지역을 촬영한 두 시기 항공영상에 화소기반 변화탐지 기법인 영상대차(Image Differencing), 영상중첩 분석(Image Overlay)기법을 적용하여 넓은 대도심지역의 효율적인 변화탐지 가능성을 살펴보았다. 영상대차(Image Differencing) 기법은 알고리즘이 간단하고 정량적인 분석이 가능한 결과를 얻을 수 있다는 장점이 있으나 고층건물밀집지역을 보여주고 있는 고해상도 항공영상의 적용과정에서는 폐색영역, 그림자 등으로 인해 정확한 변화탐지 결과를 보여주지 못했다. 영상중첩 분석(Image Overlay)기법은 한 번에 두 개 또는 세 개의 영상을 비교 분석할 수 있다는 장점이 있으나 직관적인 분석만을 제공하고 정량적인 분석이 불가능하였다. 현재의 화소기반 영상변화탐지 기술수준으로는 고해상도 공간영상에 대한 신뢰도 높은 변화탐지 분석결과를 얻을 수 없다는 것을 확인하였다.

• 정보과학회 논문지
• /
• 제44권4호
• /
• pp.417-422
• /
• 2017

비정상행위 탐지는 데이터로부터 특징을 추출하여 정상 행위 모델을 만들어, 이 정상 모델로부터 얼마나 벗어나 있는 가를 찾아내어 탐지하는 기법이다. 즉, 특정 기기가 생성하는 데이터를 기반으로 기기의 오류를 탐지하거나 사회망 데이터에서의 사용자 행위 변화를 찾아내어 비정상행위를 탐지하는 데 활용할 수 있다. 본 논문에서는 순위 상관 계수를 이용하여 건물 내의 기기의 비정상적인 데이터를 탐지하고자 한다. 에너지 절약 문제에 대한 관심이 높아짐에 따라 에너지를 효율적으로 사용하기 위해 여러방법들이 제안되었다. IT 기술의 발달과 더불어 공조 시스템(HVAC)이 건물에 도입되어 활용되고 있으며, 이 시스템을 통하여 에너지 소비의 문제점을 찾고 에너지를 효율적으로 관리할 수 있다. 따라서 본 논문은 공조 시스템에 속한 각 기기간의 순위 관계 변화를 관찰함으로써 이상 현상 탐지의 효율성을 높이는 방법을 제안하며, 사회망 데이터 내에서의 비정상행위 탐지 가능성도 함께 제안한다.

• 보존과학회지
• /
• 제35권6호
• /
• pp.641-651
• /
• 2019

본 연구의 조사대상 건물인 조사당, 불조전과 팔상전은 같은 단(段) 위에 나란히 배치되어 있고 뒤편이 축대로 막혀있는 구조로 목조 건축물에 불리한 환경조건을 갖추고 있다. 이미 조사당 뒤편 기둥에서 흰개미 피해가 발생하였고 주변으로 확장 가능성이 있어 흰개미 피해 및 환경조사를 수행하였다. 흰개미 피해는 탐지견을 이용하여 총 4회 실시하였고 환경조사는 조사대상 건물의 모든 기둥 하부에서 총 27회 조사하였다. 건물별로 흰개미 탐지견 반응 빈도가 높은 기둥위치를 파악할 수 있었으며 탐지견이 반복적으로 탐지하는 기둥에서 육안으로 피해가 발생하는 것을 확인하였다. 주변 환경적 요소에 따라 목재의 흡습성이 달라지기 때문에 건물 기둥의 환경인자를 조사하여 비교하였다. 건물별로 비교한 결과에서 조사당의 목재함수율 편차가 가장 적었고 불조전의 편차가 크게 나타났다. 통계분석으로 평균, 중앙값, 최빈값을 비교한 결과 평균과 중앙값의 차이 보다 최빈값의 차이가 크게 나타났다. 조사당과 팔상전의 최빈값은 14.5%와 10.8%로 높게 나타났으나 불조전은 6.1%로 낮았다. 흰개미 피해는 기온과 수분량에 영향을 받는데 목조건물이 위치한 주변 환경적 영향으로 서식환경이 일정하게 유지될 경우 피해가 커질 수 있다. 기후변화에 따른 평균기온의 상승으로 활동기간과 분포범위가 확장될 수 있어 지속적인 모니터링과 방제 방법 연구가 필요하다.

• 한국측량학회지
• /
• 제38권6호
• /
• pp.635-644
• /
• 2020

딥러닝(DL)을 이용한 객체인식, 탐지 및 분할하는 연구는 여러 분야에서 활용되고 있으며, 주로 영상을 DL 모델의 학습 데이터로 사용하고 있지만, 본 논문은 영상뿐 아니라 공간정보 특성을 포함하는 다양한 학습 데이터(multimodal training data)를 향상된 영역기반 합성곱 신경망(R-CNN)인 Detectron2 모델 학습에 사용하여 객체를 분할하고 건물을 탐지하는 것이 목적이다. 이를 위하여 적외선 항공영상과 라이다 데이터의 내재된 객체의 윤곽 및 통계적 질감정보인 Haralick feature와 같은 여러 특성을 추출하였다. DL 모델의 학습 성능은 데이터의 수량과 특성뿐 아니라 융합방법에 의해 좌우된다. 초기융합(early fusion)과 후기융합(late fusion)의 혼용방식인 하이브리드 융합(hybrid fusion)을 적용한 결과 33%의 건물을 추가적으로 탐지 할 수 있다. 이와 같은 실험 결과는 서로 다른 특성 데이터의 복합적 학습과 융합에 의한 상호보완적 효과를 입증하였다고 판단된다.

• 한국측량학회지
• /
• 제38권3호
• /
• pp.237-246
• /
• 2020

최근 고해상도 영상을 지원하는 위성들이 다양화되면서 도심지에 대한 DSM (Digital Surface Model) 생성 및 업데이트가 가능해지고 있다. 그에 따라 고해상도 DSM을 이용해 건물 단위의 변화탐지가 가능해지면서 DSM을 활용한 건물 변화탐지 기법들이 다양하게 연구되고 있다. 기본적으로 DSM을 활용한 건물 변화탐지를 위해서는 스테레오 위성영상을 이용한 두 시기에 대한 DSM의 생성이 필요하며, 생성된 DSM의 표고값 차이를 이용해 변화를 탐지하는 D-DSM (Differential DSM) 방법이 일반적으로 사용된다. 그러나 D-DSM을 이용하는 기법은 두 DSM 간의 수직오차가 클 경우 건물의 변화를 탐지하기 위한 최소 수직좌표의 임계치를 정밀하게 적용하기에 어려움이 있다. 따라서 본 연구에서는 DTM (Digital Terrain Model)의 높이를 기준표고로 지정하고 구조물의 높이만을 표현하는 nDSM (Normalized DSM)을 기반으로 D-nDSM (Differential nDSM)을 생성하고 모폴로지 필터링을 거쳐 변화탐지를 진행하여 표고 오차에 따른 변화탐지의 오류를 줄이고자 하였다. 또한 도로변 건물의 추출 정밀도 향상을 위해 nDSM에서 도심지의 도로망을 추출하는 방안을 제시해 D-nDSM기법에 적용하였다. 도시 변화지역을 대상으로 두 시기의 스테레오 영상을 이용하여 실험을 진행하였고, D-DSM을 이용한 변화탐지기법과 D-nDSM기법, 도로선형을 추출해 D-nDSM에 적용한 탐지방법 등을 비교하여 결과를 얻었다. 단순 D-DSM을 이용한 기법에서 수직 임계치에 따라 약 30~55%의 정확도를 얻어낼 수 있었다. 또한 D-nDSM 기법의 적용시 59%의 정확도를 얻었으며, 노이즈 필터링의 과정을 거쳐 77.9%의 정확도를 얻었다, 최종적으로 대상지의 도로 선형을 추출해 적용하여 87.2%의 전체 정확도를 얻을 수 있었다.

• 대한원격탐사학회지
• /
• 제35권5_2호
• /
• pp.819-829
• /
• 2019

붕괴사고가 발생하였을 시, 피해악화를 방지하기 위해 즉각적인 대응이 필요하며 피해면적 산출, 대응 및 복구 계획 수립 등이 이루어져야 한다. 이를 위해선 피해지역에 대한 정확한 탐지가 이루어져야 한다. 본 연구는 붕괴사고 피해탐지를 위해 신속하고 실시간 대응이 가능한 Unmanned Aerial Vehicle(UAV)를 활용하여 피해지역 탐지를 수행하였다. 연구대상지역은 재개발 사업이 착수되면서 주택 및 아파트의 철거가 진행 중에 있는 울산 중구 B-05 주택재개발 지역으로 선정하였다. 이 지역은 건물의 철거 모습이 붕괴된 상태와 유사하고 철거 전후의 변화가 뚜렷하게 나타나 있으며, 2019년 5월 17일, 7월 9일 각각 UAV 영상을 획득하였다. 건물의 붕괴 전후 영상에서 변화지역을 피해지역으로 판단하였으며, 이를 위해 대표적인 변화탐지 기법인 분광벡터 변화분석 기법(Change Vector Analysis)과 SLIC(Simple Linear Iterative Clustering)기반 superpixel 기법을 이용하였다. 피해지역을 정확하게 탐지하기 위해 비관심지역(식생)을 ExG(Excess Green)를 이용하여 1차적으로 제거해주었고, 변화탐지가 된 객체들 중 면적으로 인한 오탐지가 된 객체들은 최소면적을 계산하여 최종적으로 제거해주었다. 그 결과 변화지역 탐지의 전체결과는 95.39%를 나타냈으며, 추후 붕괴사고에 대한 대응 및 복구대책 및 피해액 산출 등 다양한 자료로 활용할 수 있을 것으로 기대된다.

• 지적과 국토정보
• /
• 제50권2호
• /
• pp.37-51
• /
• 2020

머신러닝과 딥러닝 기술의 발달로 인하여 도시의 변화탐지에 이러한 기술을 적용하려는 관심과 시도가 증가하고 있다. 그러나 기존의 변화탐지와 공간정보 구축방법은 여전히 사람에 의해 수작업으로 수행되는 경우가 많아 비용과 시간이 많이 소요되고 있다. 또한 도시지역에서 건축물의 변화탐지를 효율적으로 수행하기 위해서는 많은 인원이 필요한 실정이다. 따라서, 본 연구에서는 포인트 클라우드에서 딥러닝 기술을 적용하여 공간정보 분야에서 활용도가 높은 도로, 건물, 식생의 객체를 분류하고 변화탐지를 수행할 수 있는 방법을 제안하였다. 실험 결과 약 92% 이상의 정확도로 도로, 건물, 식생을 분류하였으며 이를 통해 객체의 속성정보를 자동으로 구축할 수 있었다. 또한, 시계열 데이터가 구축된다면 제안한 방법론을 통해서 변화를 탐지할 수 있고 기 구축된 수치지도의 속성을 검수할 수 있을 것으로 판단된다.