• 한국작물학회:학술대회논문집
• /
• 한국작물학회 2021년도 추계학술대회
• /
• pp.115-115
• /
• 2021

• 대한원격탐사학회지
• /
• 제33권5_2호
• /
• pp.621-630
• /
• 2017

이 논문에서는 고해상도 다중시기 위성영상을 이용한 밭작물 재배지 분류 가능성을 확인하기 위해 마늘과 양파 주산지를 대상으로 분류를 수행하였다. 마늘과 양파의 생육주기에 맞춰 영상을 수집하고 단일시기와 다양한 다중시기 자료의 조합으로 분류를 시도하였다. 단일시기 자료의 경우 파종이 모두 끝난 시기인 12월과 작물이 활발히 자라기 시작하는 3월 영상을 이용하였을 때 높은 분류 정확도를 보였다. 한편, 단일시기 자료 보다는 다중시기 자료를 이용하였을 때 더 높은 분류 정확도를 보였는데 자료의 수가 많은 것이 무조건 높은 분류 정확도를 반영하지는 않았다. 오히려 파종 시기 또는 파종 직후의 영상은 분류 정확도를 떨어뜨리는 역할을 하였고 마늘과 양파의 성장기인 3, 4, 5월 영상을 동시에 이용하여 분류하였을 때 가장 높은 분류 정확도를 얻었다. 따라서, 다중시기 위성영상을 이용하여 마늘과 양파를 분류하기 위해서는 작물 주요 성장기의 영상 확보가 매우 중요하다는 것을 확인할 수 있었다.

• 한국측량학회지
• /
• 제5권2호
• /
• pp.24-33
• /
• 1987

본 논문은 원격탐사 Data를 이용한 분야에서 보다 효과적인 좌상처리 기법 및 보다 정확한 분류화상을 얻는 것을 목적으로 하고 있다. 이의 실행을 위해 여름 좌상과 겨울 화상을 합성한 토지이용 분류결과와 여름 화상만의 분류결과를 비교분석 하였다. 위의 분석결과로부터 Bitemporal Classification 기법과 $tan^{-1}$변환이 유효함을 알아내었다. 특히 Bitemporal Classification 기법을 적용함으로써 농경지를 논과 밭으로 구별하여 분류하는 것이 보다 가능하였다.

• 한국시뮬레이션학회논문지
• /
• 제29권4호
• /
• pp.1-7
• /
• 2020

농작물 질병에 대한 조기 진단은 질병의 확산을 억제하고 농업 생산성을 증대하는 데에 있어 중요한 역할을 하고 있다. 최근 합성곱신경망(convolutional neural network, CNN)과 같은 딥러닝 기법을 활용하여 농작물 잎사귀 이미지 데이터세트를 분석하여 농작물 질병을 진단하는 다수의 연구가 진행되었다. 이와 같은 연구를 통해 농작물 질병을 90% 이상의 정확도로 분류할 수 있지만, 사전 학습된 농작물 질병 외에는 진단할 수 없다는 한계를 갖는다. 본 연구에서는 미학습 농작물에 대해 효율적으로 질병 여부를 진단하는 모델을 제안한다. 이를 위해, 먼저 VGG16을 활용한 농작물 질병 분류기(CDC)를 구축하고 PlantVillage 데이터세트을 통해 학습하였다. 이어 미학습 농작물의 질병 진단이 가능하도록 수정된 질병 분류기(mCDC)의 구축방안을 제안하였다. 실험을 통해 본 연구에서 제안한 수정된 질병 분류기(mCDC)가 미학습 농작물의 질병진단에 대해 기존 질병 분류기(CDC)보다 높은 성능을 보임을 확인하였다.

• 농약과학회지
• /
• 제18권1호
• /
• pp.48-51
• /
• 2014

Since the year of 2006 when the extended revision of the Codex Classification of Foods and Animal Feeds was undertaken, considerable progresses have been made in revising the Classification. This paper aimed to summarize the present status on revision of the Codex Classification of Foods and Animal Feeds, focusing remarkable achievements such as 1) the draft revision of the Codex Classification for the fruit commodity group and 2) the draft Principles and Guidance on the Selection of Representative Commodities for the Extrapolation of Maximum Residue Limits for Pesticides to Commodity Groups, adopted by the Codex Alimentarius Commission in 2012. Additionally, it included information on lists of crop group or subgroup which are holding at Step 7 and were adopted at Step 5, and further have not been yet discussed by the Codex Committee on Pesticide Residues. These information will be very helpful for a pesticide regulatory regime.

• Journal of Biosystems Engineering
• /
• 제39권2호
• /
• pp.96-100
• /
• 2014

Purpose: The objective of this study was to develop a classification index and the grade levels for a five-grade energy efficiency classification of agricultural dryers in Korea. Methods: The classification index and the grade levels were determined by using the performance test data published by the FACT over the last eight years to reflect a state of the art technology for agricultural dryers in Korea. The five grades were designed to have the classified dryers distributed normally over the grades with 15% for the $1^{st}$ grade, 20% for the $2^{nd}$ grade, 30% for the $3^{rd}$ grade, 20% for the $4^{th}$ grade and 15% for the $5^{th}$ grade. Results: The classification index was defined as the total amount of fuel and electrical energy consumed per 1% of the wet basis moisture content evaporated from a unit mass of grain or agricultural crops during the drying process: 1 MT of paddy rice for grain dryers and 1 kg of red pepper for agricultural crop dryers as the standard mass. Conclusions: The grade levels for the five-grade energy efficiency classification of grain dryers, kerosene dryers, and electric dryers were proposed in terms of the classification index value.

• 한국약용작물학회지
• /
• 제9권4호
• /
• pp.301-309
• /
• 2001

홍화 수집종들의 작물학적 특성을 통하여 유전적 다양성 및 유연관계를 밝히고, 품종군을 분류하여 품종육성의 기초자료로 이용코자 시험한 결과를 요약하면 다음과 같다. 개화일수는 $74{\sim}88$일 분포로 평균 83일이었고, 80일 이하의 조숙성을 가진 수집종은 21개 이었으며, 1차분지수와 2차분지수는 각각 $3.8{\sim}14.8$개와 $0{\sim}26.9$개의 범위로 분포하였고, 다분지형의 특성을 가진 품종은 IT201434, IT202723 등 이었으며, 생육특성 중 2차 분지수의 변이가 켰다. 수량구성 요소로서 두상화수는 $5.0{\sim}40.7$개, 두상화당 종실수는 $25{\sim}68$개, 100립중 및 주당 종실중은 각각 $2.9{\sim}5.4g,\;3{\sim}47.5g$의 범위로 분포하였고, 종실중 > 두상화수 > 두상화당 종실수 순으로 변이가 큰 경향이었다. 수집종들은 작물학적 특성에 따라 11개군으로 분류되었으며, I군은 25%, II군은 33%, III군은 14%, IV군은 8%, VI군은 3%, IX군은 2%, X군은 1%, ?군은 1%가 속하였으며, III군은 모두 국내재래종 이었다. 분류된 군중 X군은 출아소요일수가 짧고, 개화소요일수가 길었으나 수량 구성 요소인 두상화수, 주당 종실중 및 두상화당 종실수가 가장 우세한 군으로 분류되었다. 수량구성요소인 두상화수와 주당 종실중은 경직경, 제1차분지수, 제2차분지수, 엽수 및 엽장과 높은 정의 상관을 보였다.

• The Plant Pathology Journal
• /
• 제39권4호
• /
• pp.319-334
• /
• 2023

Plant disease is an important factor affecting crop yield. With various types and complex conditions, plant diseases cause serious economic losses, as well as modern agriculture constraints. Hence, rapid, accurate, and early identification of crop diseases is of great significance. Recent developments in deep learning, especially convolutional neural network (CNN), have shown impressive performance in plant disease classification. However, most of the existing datasets for plant disease classification are a single background environment rather than a real field environment. In addition, the classification can only obtain the category of a single disease and fail to obtain the location of multiple different diseases, which limits the practical application. Therefore, the object detection method based on CNN can overcome these shortcomings and has broad application prospects. In this study, an annotated apple leaf disease dataset in a real field environment was first constructed to compensate for the lack of existing datasets. Moreover, the Faster R-CNN and YOLOv3 architectures were trained to detect apple leaf diseases in our dataset. Finally, comparative experiments were conducted and a variety of evaluation indicators were analyzed. The experimental results demonstrate that deep learning algorithms represented by YOLOv3 and Faster R-CNN are feasible for plant disease detection and have their own strong points and weaknesses.

• 한국농림기상학회지
• /
• 제25권4호
• /
• pp.337-345
• /
• 2023

벼의 출수기를 추정하는 것은 농업생산성과 관련된 중요한 과정 중 하나이지만 세계적인 이상기후의 증가로 벼의 출수기를 추정하는 것이 어려워지고 있다. 본 연구에서는 CNN 분류모델을 사용하여 다양한 영상데이터에서 벼의 출수기를 추정하려고 시도하였다. 드론과 타워형 영상관측장치 그리고 일반 RGB 카메라로 촬영된 직하방과 경사각 영상을 수집하였다. 수집한 영상은 CNN 모델의 입력데이터로 사용하기 위해서 전처리를 진행하였고, 사용된 CNN 아키텍처는 이미지 분류 모델에서 일반적으로 사용되는 ResNet50, InceptionV3 그리고 VGG19 를 사용하였다. 각각의 아키텍처는 모델의 종류, 영상의 유형과 관계없이 0.98 이상의 정확도를 나타내었다. 또한 CNN 분류 모델이 영상의 어떤 특징을 보고 분류하였는지 시각적으로 확인하기 위해서 Grad-CAM 을 사용하였다. Grad-CAM 결과 CNN 분류 모델은 벼의 출수를 이삭의 형태에 높은 가중치를 두어 분류 하는 것을 확인하였다. 다음으로 작성된 모델이 실제 논 포장 모니터링 이미지에서 벼의 출수기를 정확하게 추정하는지 확인하였다. 각각 다른 지역 4 개의 벼 포장에서 벼의 출수기를 약 하루정도의 차이로 추정하는 것을 확인하였다. 이 방법을 통해서 다양한 논 포장의 모니터링 이미지를 활용하여 자동적이고 정량적으로 벼의 출수기를 추정 할 수 있다고 판단된다.

• 한국약용작물학회:학술대회논문집
• /
• 한국약용작물학회 2010년도 심포지엄 및 추계학술발표회
• /
• pp.553-554
• /
• 2010