50,000그루의 나무가 있는 묘목장은 세는 데 3일이 걸렸습니다. 팀원들은 클립보드를 들고 줄을 따라 걸으며 오후의 더위 속에서 수를 놓치고 처음부터 다시 시작했습니다. 이제 드론 한 번의 비행과 위에서 모든 나무를 매핑하는 AI 모델로 완료됩니다.
나무와 식물 카운팅은 묘목장, 과수원, 조림 프로젝트에서 가장 시간이 많이 걸리는 작업 중 하나입니다. 보험회사는 정확한 숫자를 원합니다. 구매자는 배송 수량을 확인해야 합니다. 관리자는 겨울을 넘긴 것이 무엇인지 알아야 합니다. 이 규모에서의 수동 카운팅은 느리고, 일관성이 없으며, 비용이 많이 듭니다. AI 기반 항공 카운팅은 같은 답에 더 빠른 경로를 제공합니다.
정확한 나무 수가 중요한 이유
나무 카운팅은 단순한 재고 관리가 아닙니다. 실질적인 재무적 결정을 좌우합니다.
묘목장은 정확한 수량으로 나무를 판매합니다. 10,000그루의 묘목 주문은 정확하게 이행되어야 하며, 묘목장은 약속하기 전에 10,000그루인지 9,400그루인지 알아야 합니다. 폭풍이나 질병 후 보험 청구는 손실을 입증하기 위해 문서화된 카운팅이 필요합니다. 과수원 관리자는 나무 수를 기반으로 수확량을 추정하며, 카운팅에서의 5% 오차는 수확 계획에서 5% 오차로 직결됩니다.
조림 프로젝트의 경우, 심어진 나무를 세는 것은 환경 규정 및 탄소 크레딧 약정 준수를 확인합니다. 이러한 카운팅은 각 줄을 걷는 것이 비현실적인 수백 헥타르의 고르지 않은 지형을 다루어야 하는 경우가 많습니다.
항공 AI 카운팅의 작동 방식
과정은 세 단계로 이루어집니다: 비행, 촬영, 카운팅.
RGB 카메라가 장착된 드론이 나무 크기와 밀도에 따라 30에서 80미터 고도에서 대상 지역 위를 격자 패턴으로 비행합니다. 비행 중 농장의 각 구역을 커버하는 중첩 이미지를 촬영합니다. 10헥타르 묘목장의 경우 비행에 15에서 30분이 걸립니다.
이미지는 항공 나무 감지에 특화하여 훈련된 AI 모델에 업로드됩니다. 모델은 각 이미지를 스캔하고 개별 수관이나 줄기를 식별하며 감지 포인트로 표시합니다. 중첩 이미지는 합쳐져 각 나무가 프레임 간에 중복되지 않고 한 번만 카운팅됩니다.
출력은 총 카운팅 수와 감지된 각 나무의 정확한 위치를 보여주는 지오레퍼런스 맵입니다. 묘목장 관리자는 확대하여 감지를 확인하고, 나무가 없거나 죽은 곳의 공백을 발견할 수 있습니다.
정확도 벤치마크
정확도는 수관 밀도, 이미지 해상도, 나무 간격에 따라 달라집니다. 최근 연구의 수치는 고무적입니다.
밀집된 수관 조건에서 93에서 95%의 정확도. 수동 작업을 70% 이상 줄이고 기존 방법보다 거의 5배 빠르게 이미지를 처리합니다.
실시간 UAS 카운팅 시스템이 F1 점수 99.09%를 달성했으며, 비행 중 나무를 정확하게 식별하고 이륙 후 수초 내에 결과를 제공했습니다.
줄기 감지에서 95% 정확도와 평균 정밀도 0.977을 달성했으며, 수동 방법 대비 515% 속도 향상을 이루었습니다.
패턴은 일관적입니다: 균일한 줄에 잘 배치된 나무는 95% 이상의 정확도를 달성합니다. 밀집되고 겹치는 수관은 모델이 위에서 시각적으로 합쳐지는 개별 수관을 분리하는 데 어려움을 겪기 때문에 정확도를 90% 초반대로 낮춥니다.
항공 나무 촬영 모범 사례
- 커버리지와 해상도의 최적 균형을 위해 40에서 60미터 고도로 비행
- 완전한 커버리지와 정확한 스티칭을 위해 70에서 80% 이미지 중첩 사용
- 수관 감지를 방해하는 그림자를 최소화하기 위해 정오 또는 흐린 날에 비행
- 나뭇가지가 흔들려 이미지가 흐려지는 바람이 부는 날 피하기
- 밀집된 수관의 경우, 나무당 해상도를 높이기 위해 더 낮게 비행
- 데이터셋 전체에서 균일한 스케일을 유지하기 위해 일정한 고도에서 이미지 촬영
카운팅을 넘어서: 항공 AI가 밝혀내는 것들
드론 이미지에서의 나무 카운팅은 유용한 부산물인 공백 맵을 생성합니다. 누락된 나무, 죽은 나무, 생장이 부진한 구역이 감지 패턴의 구멍으로 나타납니다. 묘목장 관리자는 이러한 공백 맵을 사용하여 보식 계획, 관개 조정 일정, 해충이나 질병 발생을 확산 전에 식별합니다.
일부 시스템은 카운팅과 건강 분류를 결합하여 다중 스펙트럼 이미지를 사용해 스트레스 징후를 보이는 나무에 플래그를 표시합니다. 단 한 번의 드론 비행으로 재고 카운팅, 건강 평가, 공백 분석을 제공할 수 있습니다. 이는 지상에서 각각 별도의 수작업이 필요한 세 가지 작업입니다.
알아야 할 한계
- 밀집되고 겹치는 수관은 위에서 개별 나무가 시각적으로 합쳐지기 때문에 정확도를 낮춥니다. 잎이 풍성한 낙엽수종은 겨울철 가지만 남은 나무보다 분리하기 어렵습니다.
- 30센티미터 미만의 매우 어린 묘목은 표준 드론 고도에서 안정적으로 감지하기에 너무 작을 수 있습니다. 더 낮은 비행이 도움이 되지만 커버리지가 줄어듭니다.
- 다른 나무 크기가 겹치는 혼합 수종 식재는 균일한 줄로 훈련된 모델을 혼동시킬 수 있습니다.
- 공항, 도심 지역, 보호 공역 근처의 드론 비행에 대한 규제가 비행 가능 장소를 제한할 수 있습니다.
결론
드론 기반 AI 나무 카운팅은 며칠간의 수작업을 한 번의 비행으로 바꿉니다. 정확도는 보험 청구, 판매 주문, 규정 준수에 충분하며 새로운 모델 세대마다 향상되고 있습니다.
클립보드를 들고 줄을 걸어 나무를 세고 있다면, 같은 지역 위로 드론을 날려보세요. 드론이 착륙하기 전에 카운팅이 화면에 표시되고, 지도는 지상 수준의 걸음으로는 절대 발견할 수 없는 것들을 보여줄 것입니다.