QGIS를 활용한 딥러닝 기반 도로 분할
Deep Learning-based using QGIS on Loadway segmentation
- 주제어 (키워드) 딥러닝 , 도로 분할 , 지리공간정보 , Segmentation , U-net , K-fold cross Validation , Georeferencing , Shape file
- 발행기관 서강대학교 정보통신대학원
- 지도교수 박운상
- 발행년도 2023
- 학위수여년월 2023. 2
- 학위명 석사
- 학과 및 전공 정보통신대학원 데이터사이언스
- 실제 URI http://www.dcollection.net/handler/sogang/000000069955
- UCI I804:11029-000000069955
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
우주 산업의 발전에 따라 위성 영상을 활용한 지리공간정보 관련 다양한 연구가 급증할 것으로 예상된다. 특히 위성 영상을 통한 도로 객체의 활용성은 고정밀, 3차원, 실시간, 실내외 통합 등 활용성이 증대될 것이다. 도로란 사람과 자동차 등 통행을 위해 만들어 놓은 비교적 넓은 길로, 인도, 일반 국도, 고속도로 등 인류와 함께 발전하여 생산·유통 등에 있어 정치적·경제적·문화적으로 중요한 기능을 하고 있다. 본 연구에서는 지리공간정보를 다루기 위한 프로그램인 QGIS를 활용하였고, 딥러닝 기법 중 Segmentation과 U-net을 통해 도로 객체를 검출하기 위한모델을 생성하여 테스트를 진행하였다. 학습 자료는 국토지리정보원에서 제공하는 정사영상과 행정안전부에서 제공하는 실폭도로 SHP 파일을 이용하여 학습 데이터(Image, mask)를 생성하였다. 본 연구를 통해 정사영상(.tif)을 256x256 사이즈로 분할하여 U-net 기반 Image Segmentation을 통한 학습을 하여 정사영상 내 도로 영역 분할 방안에대한 테스트를 진행하였다. 3-fold cross validation 결과, 평균 train 80.77%, validation 77.14%, test 73.82%의 정확도 수치를 보였으며 45 epoch 수행 시 육안으로 도로 영역이 구분될 정도의 결과값을 도출해내었다. 향후 연구에서는 이미지 분류를 통해 도로의 종류를 더 세분화하고, 나무나 건물 그림자에 가려지는 도로도 추출하는 방안에 대한 추가 연구를 진행하고, 실폭도로 데이터와 도로구간 데이터를 병합하여 활용도가 높은 데이터를 제공할 계획이다.
more초록 (요약문)
With the development of the space industry, various studies related to geospatial information using satellite images are expected. In particular, it will be able to utilize 3D, real-time, indoor and outdoor integration. A road is a relatively wide road made for the passage of people and vehicles. It develops along with mankind, such as India, general national roads, and highways, and plays an important role politically, economically, and culturally in production and distribution. In this study, QGIS, a program for handling geospatial information, was used, and a model for detecting road objects was created and tested through image segmentation and U-net among deep learning techniques. Learning data was created using orthoimages provided by the National Geographic Information Institute and SHP files provided by the Ministry of Public Administration and Security. In this study, a test was conducted on how to extract road objects in an orthoimage by dividing rthoimages(.tif) into 256x256 sizes and learning through U-net-based image segmentation. As a result of 3-fold cross validation, the average train 80.77%, validation 77.14%, and test 73.82% of accuray were shown, and when performing 45 epochs, the result value was derived to the extent that the road area could be isually distinguished. In future study, additional research on ways to subdivide the types of roads through image classification and to extract roads that are hidden by trees or building shadows will be carried out, and data with high utilization by merging actual road data and road section data plans.
more