AI-Hub

데이터 변경이력

데이터 히스토리

소개

국토지리정보원 항공사진 및 ESA Sentinel-2 위성영상을 이용하여 제주지역의 건물, 주차장, 도로 등을 분류한 학습용 토지 피복지도 항공/위성 이미지 데이터로, 제주지역의 다양한 환경변화를 효율적으로 탐지하기 위한 토지 피복 자동분할(Segmentation) 및 변화지역 탐지 AI 알고리즘 모델 개발에 사용됨

구축목적

제주지역 환경변화탐지 인공지능 기술 개발을 위한 건물, 주차장, 도로, 가로수, 비닐하우스, 밭, 산림, 나지 8종의 토지 피복지도 항공 학습용 이미지 데이터와 건물, 도로, 농경지, 산림 4종의 토지 피복지도 위성 학습용 이미지 데이터 구축

데이터 구축 규모

• 국토지리정보원 해상도 0.25M 항공사진 원천데이터를 활용하여 건물, 주차장, 도로, 가로수, 비닐하우스, 밭, 산림, 나지 8항목의 제주지역 토지 피복지도 항공 이미지 데이터 25,135장 작성 
• ESA 해상도 10M Sentinel-2 위성영상 원천데이터를 활용하여 건물, 도로, 농경지, 산림 4항목의 제주지역 토지 피복지도 위성 이미지 Fine annotation 데이터 1,000장 작성 

데이터 분포

• 클래스별 이미지 분포
  • 항공 : 건물, 주차장, 도로, 가로수, 비닐하우스, 밭, 산림, 나지
  • 위성 : 건물, 도로, 농경지, 산림
• 항공 클래스별 이미지 분포

  데이터 분포 항공 클래스별 이미지 분포

  구분	클래스별 이미지 수	비율	항공 이미지 수
  건물	16,034	63.8%	25,135
  주차장	5,557	22.1%
  도로	9,784	38.9%
  가로수	1,249	5.0%
  비닐하우스	7,090	28.2%
  밭	20,135	80.1%
  산림	5,499	21.9%
  나지	1,189	4.7%

  
   
• 위성 클래스별 이미지 분포

  데이터 분포 위성 클래스별 이미지 분포

  구분	클래스별 이미지 수	비율	위성 이미지 수
  건물	956	95.6%	1,000
  도로	980	98.0%
  농경지	984	98.4%
  산림	996	99.6%

  

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

딥러닝 네크워크를 활용한 항공위성 이미지 Semantic Segmentation

• Semantic Segmentation 알고리즘 선정 : HRNet, DeepLab v3+, U-Net, SegNet의 학습모델을 가지고 10%, 30, 50% 단계별로 성능이 가장 좋은 학습모델을 선정한 결과 U-Net이 가장 좋은 성능을 보여줌.
  
• U-Net : U 형태의 encoder-decoder 구조를 가지고 있으며, encoder에서 spatial dimension 축소로 인한 손실 정보를 decoder에서 skip-connection을 통해 점진적으로 복원.
• 학습 데이터 (제주)

  딥러닝 네크워크를 활용한 항공위성 이미지 Semantic Segmentation 학습 데이터 (제주)

  	항공사진(25cm) Fine 512×512px	항공사진(25cm) Coarse 512×512px	항공사진(25cm) Fine 1024×1024px	위성영상(10m) Fine 512×512px
  Training	9600	8000		800
  Validation	1200			100
  Test	1200		200	100

• 모델 성능(Overall Pixel Accuracy. %)

  딥러닝 네크워크를 활용한 항공위성 이미지 Semantic Segmentation 모델 성능(Overall Pixel Accuracy. %)

  항공사진(25cm) 512px	항공사진(25cm) 1024px	위성영상(10m) 512px
  93.99	96.48	95.95

서비스활용 시나리오

• 국가나 지자체가 관리하고 있는 하천을 점유하기 위해서는 점유허가를 받아야 하는데, 무단으로 건물이나 밭, 비닐하우스 등으로 점유하여 문제가 되고 있음
• 하천에 무단점유하고 있는 시설이나 농지 등에 대해 불법 사항을 확인하기 위해서는 현장 확인을 해야 하는 어려움이 있음
• 항공사진을 자동으로 분석하여 하천의 건물, 밭 등을 추출하는 기능을 개발함
• 분석하고자 하는 항공사진을 입력하면 AI 모델이 토지피복을 추론하고, 추론한 이미지와 하천 경계를 중첩분석하여 하천을 점유하고 있는 건물, 논, 밭을 추출하여 무단점유 의심지역을 자동으로 추출하는 기능 개발
   

데이터 성능 점수

설명서 및 활용가이드 다운로드

데이터 포맷

• 토지 피복지도 항공 이미지 데이터

  데이터 포맷 토지 피복지도 항공 이미지 데이터

  원천데이터 (*.tif)	라벨링데이터 (*.tif)
  라벨링데이터 (*.json)	메타데이터 (*.json)

• 토지 피복지도 위성 이미지 데이터

  데이터 포맷 토지 피복지도 위성 이미지 데이터

  원천데이터 (*.tif)	라벨링데이터 (*.tif)
  라벨링데이터 (*.json)	메타데이터 (*.json)

데이터 구성

• 어노테이션 포맷

  데이터 구성 어노테이션 포맷

  구분					타입	필수여부	범위
  항목명				설명
  type				파일타입	string
  name				파일명	string
  crs				좌표계	object
  	type			좌표타입	string
  	properties			좌표정보	object
  		name		좌표계코드	string
  features				객체정보	array
  		type		객체타입	string
  		properties		객체항목	object
  			ANN_CD	어노테이션 코드	number	Y	[10,20,30,40,55,60,70,80,90,100]
  			ANN_NM	어노테이션 명	string	Y	["건물","주차장","도로","가로수","비닐하우스","밭","산림","나지",“농경지”"비대상지"]
  			ANN_TYPE	어노테이션 방법	string	Y	"fine","coarse"
  		geometry		공간정보	object
  			type	어노테이션 방식	string	Y	Polygon
  			coordinates	폴리곤 점의 좌표	array	Y

• 메타데이터 포맷

  데이터 구성 메타데이터 포맷

  구분		타입	필수 여부	예시
  항목명	설명
  img_id	이미지 파일명	String	Y	LC_JJ_AP25_33606070_001_2019_FGT
  img_width	이미지 너비	Number	Y	512
  img_height	이미지 높이	Number	Y	512
  img_type	이미지 종류	String	Y	aerophoto
  img_coordinate	이미지 좌표계	String	Y	EPSG:5186
  coordinates	이미지 좌상단 XY좌표	String	Y	151321.125, 100771.875
  img_resolution	이미지 해상도	Number	Y	0.25
  img_time	원천 이미지 촬영시기	String	Y	2019
  img_provided	원천 이미지 제공기관	String	Y	국토지리정보원
  ann_id	어노테이션 식별자	String	Y	LC_JJ_AP25_33606070_001_2019_FGT
  ann_type	어노테이션 방법	String	Y	polygon
  ann_file_type	어노테이션 파일 유형	String	Y	tif
  provided_nm	제공기관명	String	Y	한국지능정보사회진흥원

실제 예시

데이터셋 구축 담당자

수행기관(주관) : 네이버시스템(주)

수행기관(참여)

데이터 관련 문의처