컴퓨터 장치에 의해 수행되는 야적퇴비 탐지 방법에 있어서, 무인항공기(UAV)를 이용하여 촬영된 영상을 통해 대상지역의 영상을 획득하는 단계; 다중분광 카메라로 촬영된 분광영상을 활용하여 야적퇴비의 분광특성을 파악하기 위해 식생지수를 제작하는 단계; 촬영된 RGB 영상 및 GIS 프로그램을 이용한 상기 대상지역의 야적퇴비를 추출하는 단계; 및 제작된 상기 식생지수를 이용하여 추출된 상기 대상지역의 야적퇴비의 분광특성을 분석하는 단계를 포함하고, 상기 대상지역의 야적퇴비를 추출하는 단계는, 기설정된 유형에 따라 야적퇴비를 분류하고, 상기 대상지역의 야적퇴비의 분광특성을 분석하는 단계는, 수집한 영상 및 상기 식생지수를 이용하여 데이터베이스를 구축하고, 야적퇴비 분류 유형에 따른 상기 식생지수 및 지표면 온도 특성을 분석하며, 수집한 영상들의 공간해상도가 상이하기 때문에 가장 해상도가 낮은 열적외 영상의 공간해상도로 동일하게 설정 후 폴리곤 백터 자료를 레스터(raster) 자료로 변환한 후, 대상지역의 경계에 따라 모든 영상의 크기를 수정하고, 각 영상를 1개 column(1×120,000)으로 각각 변환(reshape)하고, 각각의 column을 연결(concatenation)하여 데이터베이스를 구축하고, 야적퇴비 분류 유형에 따른 식생지수 및 지표면 온도 특성을 분석하는 야적퇴비 탐지 방법.

제1항에 있어서, 상기 대상지역의 영상을 획득하는 단계는, 상기 무인항공기(UAV)에 RGB 카메라, 다중분광 카메라 및 열적외 카메라를 탑재하고, 대상지역의 범위를 고려하여 비행경로 및 고도를 설정하여 영상을 촬영하는 단계; 및 수집된 상기 영상을 정사영상으로 제작하는 단계를 포함하는, 야적퇴비 탐지 방법.

제1항에 있어서, 상기 야적퇴비의 분광특성을 파악하기 위해 식생지수를 제작하는 단계는, NDVI(Normalized difference vegetation index), ENDVI(Enhance Normalized difference vegetation index), NGRDI(Normalized green red difference index), NDREI(Normalized difference red edge index), 및 GNDVI（Green NDVI) 중 적어도 어느 하나 이상의 식생지수를 제작하는 것을 특징으로 하는, 야적퇴비 탐지 방법.

삭제

삭제

제1항에 있어서, 수집한 상기 무인항공기 기반 영상 및 상기 식생지수로부터 머신러닝 기법을 이용하여 야적퇴비를 탐지하는 단계를 더 포함하는, 야적퇴비 탐지 방법.

제6항에 있어서, 상기 머신러닝 기법을 이용하여 야적퇴비를 탐지하는 단계는, 상기 무인항공기 기반 RGB, 식생지수, 열적외 영상과 SVM, DT(Decision tree), RF(Random forest) 및 k-NN 중 적어도 어느 하나 이상의 머신러닝 기법을 활용하여 야적퇴비를 탐지하는 것을 특징으로 하는, 야적퇴비 탐지 방법.

제6항에 있어서, 상기 머신러닝 기법을 이용하여 야적퇴비를 탐지하는 단계는, 상기 야적퇴비의 분광특성을 이용하여 구축된 자료를 통해 SVM, DT(Decision tree), RF(Random forest) 및 k-NN 머신러닝을 분석하는 것을 특징으로 하는, 야적퇴비 탐지 방법.

무인항공기(UAV)를 이용하여 촬영된 영상을 통해 대상지역의 영상을 획득하는 영상 수집부; 다중분광 카메라로 촬영된 분광영상을 활용하여 야적퇴비의 분광특성을 파악하기 위해 식생지수를 제작하는 식생지수 제공부; 촬영된 RGB 영상 및 GIS 프로그램을 이용한 상기 대상지역의 야적퇴비를 추출하는 야적퇴비 추출부; 및 제작된 상기 식생지수를 이용하여 추출된 상기 대상지역의 야적퇴비의 분광특성을 분석하는 야적퇴비 분광특성 분석부를 포함하고, 상기 야적퇴비 추출부는, 기설정된 유형에 따라 야적퇴비를 분류하고, 상기 야적퇴비 분광특성 분석부는, 수집한 영상 및 상기 식생지수를 이용하여 데이터베이스를 구축하고, 야적퇴비 분류 유형에 따른 상기 식생지수 및 지표면 온도 특성을 분석하며, 수집한 영상들의 공간해상도가 상이하기 때문에 가장 해상도가 낮은 열적외 영상의 공간해상도로 동일하게 설정 후 폴리곤 백터 자료를 레스터(raster) 자료로 변환한 후, 대상지역의 경계에 따라 모든 영상의 크기를 수정하고, 각 영상를 1개 column(1×120,000)으로 각각 변환(reshape)하고, 각각의 column을 연결(concatenation)하여 데이터베이스를 구축하고, 야적퇴비 분류 유형에 따른 식생지수 및 지표면 온도 특성을 분석하는 야적퇴비 탐지 장치.

제9항에 있어서, 상기 영상 수집부는, 상기 무인항공기(UAV)에 RGB 카메라, 다중분광 카메라 및 열적외 카메라를 탑재하고, 대상지역의 범위를 고려하여 비행경로 및 고도를 설정하여 영상을 촬영하고, 수집된 상기 영상을 정사영상으로 제작하는 것을 특징으로 하는, 야적퇴비 탐지 장치.

제9항에 있어서, 상기 식생지수 제공부는, NDVI(Normalized difference vegetation index), ENDVI(Enhance Normalized difference vegetation index), NGRDI(Normalized green red difference index), NDREI(Normalized difference red edge index), 및 GNDVI（Green NDVI) 중 적어도 어느 하나 이상의 식생지수를 제작하는 것을 특징으로 하는, 야적퇴비 탐지 장치.

삭제

삭제

제9항에 있어서, 수집한 상기 무인항공기 기반 영상 및 상기 식생지수로부터 머신러닝 기법을 이용하여 야적퇴비를 탐지하는 머신러닝 기반 야적퇴비 탐지부를 더 포함하는, 야적퇴비 탐지 장치.

제14항에 있어서, 상기 머신러닝 기반 야적퇴비 탐지부는, 상기 무인항공기 기반 RGB, 식생지수, 열적외 영상과 SVM, DT(Decision tree), RF(Random forest) 및 k-NN 중 적어도 어느 하나 이상의 머신러닝 기법을 활용하여 야적퇴비를 탐지하는 것을 특징으로 하는, 야적퇴비 탐지 장치.