11장 유비쿼터스 지형공간정보 최신 생성 기술

(1)

11장 유비쿼터스 지형공간정보 최신 생성 기술

유비쿼터스와 지형공간정보

e-러닝 강의

11장

유비쿼터스 지형공간정보

최신 생성 기술

(2)

강의 목차

4차산업혁명과 공간정보서비스

지상LiDAR측량의 각종 활용분야

토론 및

과제(3)

드론사진측량의 활용분야

MMS를 이용한 정밀도로지도 제작

드론LiDAR측량의 활용분야

(3)

(4)

유비쿼터스 지형공간정보의 분류 및 변화

유비쿼터스 지형공간정보 레스터기반 지형공간정보 Point Cloud (LiDAR/드론) 수치지도 (ver 1.0) 디지털항공영상 (면형/선형) 고해상도위성영상 (HQ/HS) PICTOMMETRY/MMS/ 드론/SLAM GNSS/TS (point) 벡터기반 지형공간정보 3차원모델링영상 (LoD/BIM) GSD1.0m이상 고해상도 /하이퍼스펙트럴 GSD 0.25m 이상 고해상도 기본지리정보 VRS/SBAS->G4 /COGO 일반정사영상 /실감정사영상 생성 DSM/DEM/DCM/DBM/DTM 3차원 주제도/ 3D 모델링/ 시뮬레이션 생성 공간정보오픈플랫폼

(구글어스/MS 빙맵/브이월드/세슘/Open DATA/ Open API)

Point Cloud 지형공간정보 수치지도 Ver. 2.0 차세대 수치지도 점밀도 3~6 점/㎡ /GSD당 1점 : 원시자료 : 2차가공자료 : 3차가공자료

(5)

유비쿼터스 지형공간정보의 종류

벡터데이터: 수치지도 Ver 1.0/Ver 2.0 레스터 데이터: 항공사진영상

지형모델 데이터: DSM/DEM Point Cloud 데이터 : LiDAR/드론

(6)

벡터데이터의 변화

수치지도 Ver. 1.0 수치지도 Ver. 2.0 차세대 수치지도(Ver 3.0)

차세대수치지도 개요 차세대 공간정보 = ‘위치 + 시간+ 주소+ 논리’  시간 = 지도객체에 부여된 시계열 정보  주소 = 위치정보와 주소정보의 연계  논리 = 지도객체가 1 : 1 연계

CAD 데이터

GIS 데이터

스마트 공간정보

Open A P I 웹 기반 Geo -proces si ng 기능 기본지리정보

(7)

11장 유비쿼터스 지형공간정보 최신 생성 기술 위성영상 아날로그 항공사진

레스터데이터의 분류

레스터데이터

1200dpi Scanning 항공사진영상 기하학적 보정 디지털항공사진영상 편위수정(rectification) 일반정사영상 폐색영역보정 실감정사영상 7 Frame Type(면형) Line Type(선형) _{일반정사영상} 3차원주제영상 : 원시자료 : 2차가공자료

(8)

Point Cloud 데이터의 생성 방법 분류

Point Cloud Data

LiDAR 기반 Point Cloud 데이터

지상LiDAR측량 MMS 드론LiDAR측량 항공LiDAR측량 수심 70m 까지 드론사진측량 CV 해석 기반 Point Cloud 데이터 해양LiDAR측량 (ALBathymetric) 점밀도 4~5점/m2 _{GSD(3cm)당 1점} _{Point Cloud} DSM/DCM/DBM 생성 고품질 DEM/DTM 생성 3차원 모델링 및 시뮬레이션 생성 GSD당 1점 GSD당 1점

(9)

(Open Source GIS Software) (Open Source Geospatial Web)

WorldWind

Open API & Mash-up서비스 (공간정보오픈플랫폼) 3D입체 가상세계 (VR vs. AR) 고해상도 공간정보 (래스터영상/Point Cloud))

공간정보오픈플랫폼 서비스의 3가지 경향

9 공간정보오픈플랫폼의 최근 경향

(10)

4차 산업혁명의

핵심 지형공간정보

기술

 AI :

인공지능

 딥러닝을 이용한 공간객체추출 시스템 구현

 AR/VR/MR

 증강현실 네비게이션, Digital Twin City

 IoT :

사물인터넷

 Home Automation

 Big Data :

빅데이터

 공간 빅데이터 분석을 통한 의사결정 지원

 Drone

 드론사진측량, 드론길 DB 구축

 자율주행차 :

융합기술

 SLAM, 지상 LiDAR, 정밀도로지도 제작

(11)

11장 유비쿼터스 지형공간정보 최신 생성 기술 11

인공지능(AI) 기술

인간의 지능이 갖고 있는 기능을 갖춘 컴퓨터 시스템이며, 인간이 지닌 지적 능력의 일부

또는 전체를 인공적으로 구현한 것 :

Artificial Intellegence

AI의 분류

 AGI(Artificial General Intelligence)

:

강인공지능

이라 하며 인간의 할 수 있는

행동은 물론 인간의 능력보다 더 뛰어난 능력의 지니 존재



엑스마카나(EX. Machina:2015)의 아이바(IVA)

 ANI(Artificial Narrow Intelligence)

:

약인공지능

이라 하며

한가지 범위로 국한된

AI

로 현재 산업분야 인공지능 대부분은 여기에 속함

 페이스북의 얼굴인식, 각종 Smart speaker, 자율주행차, 웹서치, 추천시스템,

농장과 공장의 AI

엑스마키나의 AI 아니바(ava) 페이스북의 얼굴인식 기능 국내 AI 스피커

(12)

인공지능(AI) 기술의 분류

AI 분야 기술 분류 :

인공지능⊃머신러닝⊃인공신경망⊃딥러닝

 기계학습(머신러닝: Machine Learning) :

기본적인 규칙만 주어진 상태에서

입력받은 정보를 활용해 스스로 학습하는 것

 인공신경망(Artificial Neural Network) :

인간의 뉴럴 구조를 본떠 만든 기계

학습 모델중 하나로 주로 패턴인식에 쓰이는 기술

 딥러닝(Deep Learning) :

입력과 출력 사이에 있는 인공 뉴럴들을 여러개

층층히 쌓고 연결한 인공신경망 기법을 주로 다루는 분야로 단일 층이 아닌 실제

뇌처럼 여러 계층으로 되어있음 :

이미지인식, 음성인식, 추천시스템,

(13)

AI 학습법의 분류

기계학습(머신러닝)의 분류 : AI를 달성하기 위한 수단

 지도학습(Supervised Learning) :

대상에 대한 데이터의 레이블을 통한

학습으로 통계와 확률을 통한 특징을 추출하고 분류 수행

 비지도학습(Unsupervised Learning) :

오로지 입력데이터만으로 자율적

학습하므로 빅데이터 및 복잡한 패턴인식 모델이 필요

 강화학습(Deep Learning) :

인공 뉴런이나 시놉스를 계층화하여 여러개

연결한 인공신경망 강화학습 기법으로 빅데이터와 활성화 함수 및 HW의

발전으로 최근 급격히 발전

 CNN(Convolutional Neural Network) : 인공의 신경구조와 유사한합성곱 신경망

학습법으로문장분류 및 이미지 인식을 통한 얼굴인식에 사용

 RNN(Recurrent Neural Network) : 반복적 학습을 통한순환신경망으로 주로음성인식과

번역기에 사용

 GAN(Generative Adversarial Network) : 생성적 적대 신경망으로두개의 네트워크가 서로 겨루어 학습하는 심층신경망으로 가장 주목받는 딥러닝 학습법

(14)

AI 기술을 이용한 도로 및 건물 추출

 딥러닝 모델 선정 :

Deep U-net 모델

 위성영상 기반 영상 분류에 U-net 모델 적용 사례로 성능 입증  Deep U-net은 U-net을 기반으로 만들어진 개선 모델

 U-net 보다 작은 객체 및 디테일 부분에서 성능 우수 [Deep U-net의 상세구조]

고해상도 위성영상을 통한 딥러닝(CNN기법) 기반 농경지 객체 추출 및 세분화

256 pixel 25 6 p ix el Sliding window 256 pixel 25 6 p ix el 훈련지역 건물 라벨링 결과 훈련지역 도로 라벨링 결과  KOMPSAT-3A 영상의 Test 지역을 제외한 지역을 사용하여 데이터셋 구축

(15)

딥러닝 기반 모듈 설계 방안 딥러닝 모듈 인터페이스 설계(안)

딥러닝 기반 공간객체추출시스템 개발

(16)

AI 기술을 이용한 도로 및 건물 추출

구분 TP(Pixel) TN(Pixel) FP(Pixel) FN(Pixel) AC(%)

시험지역 2900939 15657948 959714 779572 약 91.4% Test Image Ground Truth Prediction

Test Image Ground Truth Prediction

시험지역건물결과 구 분 Deep U-net(건물) Precision 0.751411484015787 (75.1%) Recall 0.788189194380889 (78.8%) Accuracy 0.9143131748852471 (91.4%) 시험지역도로결과  시험지역 정확도(Pixel Accuracy) 분석 결과 구 분 Deep U-net(도로) Precision 0.5400723808345448 (54.0%) Recall 0.8690946452160484 (86.9%) Accuracy 0.9663784502367997 (96.7%)

구분 TP(Pixel) TN(Pixel) FP(Pixel) FN(Pixel) AC(%)

시험지역 680940 18934776 579891 102565 약 96.7%

Deep U-net기반 도로 및 건물 객체추출 결과

(17)

AI를 이용한 농경지 세분화 연구

고해상도 위성영상을 통한 딥러닝(CNN기법) 기반 농경지 객체 추출 및 세분화

-Test 1는원주지역데이터총504장중에404장학습. -Test2는개발된모델성능일반화의판단기준을파악하기 위해김제, 담양, 문산, 정읍영상2,050장을학습에사용하고, 원주데이터504장에테스트. -Test 1 품질기준을달성(75.6%), Test 2불규칙한결과나타냄(47.6%). -정사영상의패턴이다양하므로일반화성능을높이는연구진행중. -현재개선을위해사용된Backbone Network는Resnet-101로변경하고, 위성사진의객체크기의고려가필요하므로모듈에적절한보간기법연구중. 연구방법 제안모델 분석결과 연구결과 논 밭 비닐하우스 기타 Input Ground truth Output

(18)

VR/AR/MR의 공간정보 서비스

VR/AR/MR의 개념 및 특성

 가상현실(Virtual Reality, VR)

• 가상현실은 말 그대로현실과 유사한 체험을 할 수 있도록 구현된 가상의 공간 • 컴퓨터로 생성된 가상공간에서 VR기술 사용자는직접 또는 간접적으로 움직이거나 상호작용가능 • VR기기들은 사용자의 시야를현실세계에서 차단하여 가상 현실 구현

 증강현실(Augmented Reality, AR)

• Augemented Reality는 '증가된 현실', 실제 현실에 가상의 영상을 더했다는 뜻

• 증강현실은 현실의 정보를 수집하고 가상의 이미지를 보여주기 때문에 현실감이 높고, VR기기를 착용했을 때 느끼는어지러움이 없거나 덜한 특징

 혼합현실(Mixed Reality, MR)

(19)

SLAM 기술

SLAM

(Simultaneous Localization and Mapping)

의 개요

 자기 위치 추정기법

으로 로봇이 미지의 환경을 돌아다니면서

로봇에 부착되어 있는

센서만

으로

외부의 도움 없이 환경에 대한 정확한 지도를 작성

하는 것으로

자율주행을

위한 핵심 기술임

(20)

SLAM 기술과 AR의 융합

아마존의 증강현실과 혼합한 거울 :

SLAM 기술 융합

 증강현실(AR)과 거울을 혼합

하여 옷을 입은 나의 모습은 가상화면으로 표시

 옷을 입었을 때 체형 및 색상 결정할 수 있음

(21)

로봇과 인간의 인터페이스

토폴로지 및 연결도등 지능화된 자료 구축이 핵심 실내공간 자료와 현장 상황인식을 통해 목표 수행 로봇의 현장 상황 인식 로봇이 인식가능한 공간자료 입력

로봇을 통한 SLAM 기술

21

(22)

자율 주행차용

SLAM(Simultaneous Location and Mapping System)

자율 주행 기술을 연구하는 모든 차량에는 핵심 센서 기술로 지상 라이다 채택되어 있음

높은 해상도의 3차원 위치 정보를 확보하기 위해 고해상도 라이다 센서 모듈을 적용하거나

(23)

드론길 프로젝트

(24)

국내 신종 코로나바이러스 발생 현황 :

esri 공간정보오픈플랫폼 활용

(25)

(26)

스마트 건설의 개념

조사/측량/정량화 (첨단센싱장비:면계측) 계획 및 설계 (면설계->3D설계) 시공 (ICT기반 시공) 평가 및 유지관리 (ICT기반 평가/유지관리)

고품질 3차원 공간정보

면계측・면관리、3D 설계、ICT 기반 시공/평가/유지관리(생애주기) 전면 활용

GNSS 기반 자율조향 시공 (GPS+GLONASS+Geileo+Beidou) 지상 LiDAR+MMS+Drone +TS+GNSS -> 3D공간정보 선단위(2D)면단위(3D)_{계획 및 설계} 첨단기술을 통한 시공평가 공간정보오픈플랫폼 활용 생애주기관리

(27)

면단위 측량방법의 특성

UAV 사진측량 Manual（2017.3착수) • 축척 : 250~500 • 식물：× • 나지：○ ・측량범위 : 촬영고도 150m 이내 ・GSD：대상물의 거리와 카메라의 특성 (Focus, Pixel)에 좌우 ・나지가 없는 경우 설계시 이용에 제약이 따름 UAV LiDAR Manual（2018.3 출판) • 축척 : 500~1000 • 식물：△ • 나지：○ ・측량범위(AGL)：촬영고도 30~150m ・점밀도：400점/㎡~4점/㎡（목적에 따라) ・하천 단면 작성시 유리 ・도심의 밀집지역이 아닌 산림과 식물의 측량에 유리 항공 LiDAR Public Guideline <C.8> Manual（2019.4 세팅) • 축척 : 500~1000 • 지형도 및 DSM/DEM • 식물：△ • 나지：○ • 물：○（ALB）・측량범위(AGL)：300m~2000m ・점밀도：4점/m2_{（1/500 )~1점/m}2_（1/1000）・정밀측량이 요망되는 사이트에는 이용에 제약이 있음 ・도심의 밀집지역이 아닌 산림과 식물이 있는 지역의 측량에 유리 ・2018~2019년 ALB를 이용한 하천 단면 측량 시도 지상 LiDAR (TLS) • 축척 : <500 • 실내 및 시설물측량 • 식물 : △ • 나지（급경사)：○ • 나지（완경사)：△ ・측량범위 : 수 미터 ~ 300m ・점밀도 : 100점/m2_{（10m범위）} ・정밀측량이 요망되는 사이트에 적합 ・레이져펄스가 수평으로 발사되므로 식물의 측정에는 부적합 Manual（2018.3 착수) ＭＭＳ Manual > Public Guideline（2016.3） • 축척 : 500 정도 • 정밀도로지도 제작 • 식물：△ , 나지：○ ・측량범위 : 수 미터 ~ 300m ・점밀도 : 100점/m2_{（10m범위）} ・차량에 운행이 가능한 도로에서만 적용 ＴＳ Guideline (Site, 도로측량 등) • 모든 지형에서 적용가능 ・포인트클라우드 데이터를 얻을 수 없음・측량점이 증가하면 데이터를 설계에 활용 가능함 ・드론이나 MMS처럼 대상지의 면단위(3차원) 데이터 취득은 불가능 レーザー測 κ Ｘ

(28)

(29)

11장 유비쿼터스 지형공간정보 최신 생성 기술 29 MMS 계측 후처리 MMS차량위치 정확도 확인 레이저 데이터 생성(LAS) 검증점 계측 레이저 데이터 검증 객체추출 및 도화 추출된 객체/도화 검증 레이저 데이터 보정 재계측 및 후처리 파라메터 조절 OK OK NG NG 항공사진영상

3D Model 실감정사영상 DSM Point Cloud

컴퓨터비전(CV) 해석 차선, 중앙선, 횡단보도, 자 전거 횡단보도, 정지선, 버 스 전용차선, 차로 중앙선 등 평면 도로 레이어 신호등, 교통안정표지 입체 도로 레이어 정밀도로지도 제작 동일 지점 좌표 정보 추출 정확도 분석 정밀도로지도 제작

(30)

(31)

도화 및 객체 추출 : MMS

(32)

(33)

정밀도로지도 제작 : MMS

(34)

기초자료 수집 대상지역 선정 구분 내용 촬영 카메라  인터그라프 DMC1 카메라 유효화소수  7,680 x 13,824 촬영고도  2,500m 촬영 중복도  종 80%, 횡 60% (싱글 패스 촬영) 공간해상도  GSD 0.25m 취득 데이터  원본 항공사진영상, 내외부표정요소 촬영 일시  2016년 5월

(35)

11장 유비쿼터스 지형공간정보 최신 생성 기술 중앙선 차선 차선 중앙선 연석, 도로 외측선 횡단보도, 자전거 횡단보도 정지선 도로조건 데이터 추출 방안 35

(36)

1 ₂ ₃ ₄ ₅ 1 2 3 4 5 6 7 8 9 10 검 사 점 위 치 도 검 사 점 위 치 확 대

(37)

구분 MMS기반 정밀도로지도_{검수점(기준)좌표} 실감정사영상 정밀도로지도 Point Cloud 기반의 정밀도로지도 3D Mesh 기반의 정밀도로지도

수평위치 dL(m) 수평위치 dL(m) dZ(m) 수평위치 dL(m) dZ(m) 1 X = 209335.405Y = 519166.038 Z = 56.019 X = 209335.384 Y = 519165.811 0.228 X = 209335.638 Y = 519166.214 Z = 56.278 0.292 0.259 X = 209335.337Y = 519165.664 Z = 55.788 0.380 0.269 2 X = 209337.300Y = 519153.327 Z = 56.128 X = 209337.392 Y = 519153.294 0.098 X = 209337.625 Y = 519153.389 Z = 56.314 0.331 0.186 X = 209337.278 Y = 519153.301 Z = 54.673 0.034 0.955 3 X = 209409.056Y = 519170.340 Z = 55.948 X = 209409.132 Y = 519170.645 0.314 X = 209409.106 Y = 519170.469 Z = 56.124 0.138 0.176 X = 209337.278 Y = 519170.587 Z = 55.690 0.262 0.242 4 X = 209400.261Y = 519157.463 Z = 55.879 X = 209400.464 Y = 519157.396 0.214 X = 209409.911 Y = 519157.874 Z = 56.280 0.769 0.401 X = 209400.623Y = 519157.542 Z = 55.515 0.371 0.136 5 X = 209696.366Y = 519212.839 Z = 56.753 X = 209696.148 Y = 519212.503 0.401 X = 209696.702 Y = 519212.055 Z = 56.902 0.853 0.149 X = 209696.331 Y = 519213.004 Z = 56.276 0.169 0.023 6 X = 209698.953Y = 519193.792 Z = 56.968 X = 209699.101 Y = 519193.634 0.216 X = 209699.071 Y = 519193.649 Z = 57.204 0.185 0.236 X = 209699.104 Y = 519193.544 Z = 56.606 0.290 0.138 7 X = 209730.846Y = 519224.872 Z = 57.081 X = 209730.858 Y = 519224.854 0.022 X = 209730.722 Y = 519224.966 Z = 57.268 0.156 0.187 X = 209730.963Y = 519224.765 Z = 56.536 0.159 0.045 8 X = 209746.100Y = 519212.791 Z = 57.110 X = 209746.364 Y = 519212.750 0.267 X = 209746.191 Y = 519212.726 Z = 57.226 0.112 0.116 X = 209746.301 Y = 519212.592 Z = 56.748 0.283 0.138 9 X = 209894.287Y = 519365.764 Z = 58.159 X = 209894.323 Y = 519365.470 0.296 X = 209894.283 Y = 519365.789 Z = 58.270 0.025 0.111 X = 209894.301 Y = 519365.855 Z = 56.802 0.146 0.858 10 X = 210050.853Y = 519512.728 Z = 59.936 X = 210050.876 Y = 519512.644 0.087 X = 210051.406 Y = 519512.815 Z = 60.261 0.560 0.325 X = 210051.083Y = 519512.525 Z = 59.819 0.307 0.383 RMSE 37

(38)

(39)

(40)

도로시설물의 MMS측량 사례

UAV LiDAR측량 UAV LiDAR측량 절토단면 성토단면

 도로관리자의 정기적인 순찰에서 발견할 수 없는 위치의 변형 및 문제점 발견 가능

 측량방법

도로 : MMS에 의한 포인트클라우드 데이터 취득 사면 : 드론LiDAR측량에 의한 포인트클라우드 데이터 취득

(41)

(42)

지상 LiDAR 측량 원리

 지상 LiDAR 측량 원리는 측정대상에 대해 레이저 빔을 방출하여 되돌아 오는빔의 왕복시간 또는 위상차를 계산하여X, Y, Z의 3차원 좌표성분의 Point cloud로 저장하는 장치  무타겟 비접촉방식의 레이저 측정방식으로 대상물을 간접 측정함에 따라, 접촉식 측량장비 에 비하여 우연오차나 누락되는 데이터를 최소화  실시간으로 신속하게 데이터 취득이 가능하다는 장점이 있음  스캔방식에는 360˚전체를 스캔하는 파노라마 방식과일정범위를 지정하여 디지털 카메라 로 촬영하고 스캔하는 카메라 방식이 있음

(43)

지상 LiDAR측량에 의한 문화재 측량

디지털 지상사진 촬영(문화재 조사)

백제금동대향로 3차원모델링 지상 LiDAR 모델링 지상 LiDAR측량장비

(44)

문화재 3D 측량

문화재 시설물에 대하여 3D 모델링정보를 구축

이를 기반으로 문화재 시설물에입체적인 관리 체계를 구축

(45)

지상레이저측량 수행 목적

지상레이저측량시스템 특성

장비명 Optech ILRIS – 3D 점스켄 범위 3m ~ 1500m( 약 800m ) 점스켄 간격 5cm 획득 포인트 2,500 (point/sec) 오차율 7 ~ 8mm (100m당) 촬영 폭 수평 : 360˚, 수직 : -90 ˚ ~ 90 ˚ • 광산의 채광지역은 사면 경사가 80°이상으로 항공레이저측량만 수행시 사면의 LiDAR 포인트가 적어 정확한 지형모델링이 어려우며 토공량 산정 정확도 저하됨 • 향후 지속적인 모니터링을 위한 방안으로 적합

지상LiDAR측량을 이용한 광산 변화모니터링

(46)

항공 및 지상 LiDAR DATA 합성

항공 및 지상 LiDAR 데이터 합성

(47)

지상LiDAR측량을 이용한 채광 모니터링 예

지상LiDAR측량을 이용한 모니터링

정기적

인 지상레이저측량을 통해

채광에 따른

생산관리 및 폐석 복원 모니터링

수행 :

약 6개월

간격

• 일정기간후 채광량 산정 : 생산관리 • 지형변화모니터링 : 3차원모델링 • 폐석처리 및 생태복원 모니터링

(48)

지상LiDAR측량을 이용한 광산 변화모니터링

채광에 따른 변화된 지형을 분석하기 위해 주 채광지역의 기준 경계면을 생성

주 채광지역 지형변화분석

채광전(07년10월) 채광후(08년 8월) •잔차 DEM을 이용하여 10개월간 채광에 따른 지형변화분석

(채광전 DEM – 채광후 DEM= 잔차 DEM)

(49)

(50)

드론의 개념

드론(drone)/

무인항공기(UAV) 의 정의

 무인 항공기

(UAV : Unmanned Aerial Vehicle)

는

조종사를 탑승하지 않고 지정된 임무를 수행할 수 있도

록 제작한 비행체

임

 무인 항공기 의 다른 이름으로‘

벌이 윙윙 거린다

’는 것

에서

“드론”(drone)

이라고도 불리기도 함

 기체에 사람이 타지 않은 것으로

지상에는 원격으로 조

종하거나 지정된 코스로 비행하도록 자동비행 시스템

이 있음

 UAV는

회전익(Rotory type)

과

고정익(Fixed wing)

으로 나뉘며 최초에는 군사목적으로 개발되었으나 현

재에는

방송 및 통신, 구호물품 배송 등 다양한 분야에

서 활용

되고 있음

 민간용 드론은

미국의 3D로보틱스, 프랑스의 유럽

Parrot, 중국의 DJI

가 대표적임

3D 로보틱스 쿼드라콥터 IRIS Parrot사의 AR Drone

(51)

드론의 비행원리

드론의 비행 원리

 회전익 드론의 경우 날개의 개수에 따라

쿼드콥터(4), 헥사콥터(6), 옥타콥터(8)

로 나

뉘어 지며 헬리콥터부터 멀티콥터까지 회전익기의

프로펠러는 모두 짝수

 날개가 짝수인 이유는

작용-반작용 원리

때문

 헬리콥터와 새 등

하늘을 나는 모든 비행체에 적용되는 힘 역시 짝수

-

양력(lift)

: 위로 들어올리는 힘

- 추력(thrust) : 앞으로 밀어내는 힘

- 항력(drag) : 공기가 뒤로 끄는 힘

-

중력(weight)

: 지구가 당기는 힘

 메인 프로펠러가 공기를 휘저어 일으키는

양력이 중력보다 크면 동체가 떠오르고

프로펠러를 회전시키는

로터를 앞으로 기울이거나 프로펠러의 각도를 조절하면

추력

이 발생됨

(52)

드론의 종류 및 매핑시스템 구성도

드론매핑시스템

구성도

비측량용디지털카메 라 소형 GPS 및 INS • GPS : 촬영점 위치 정보 • INS : 카메라 회전각 정 보 •Direct Georeferencing 표정(지상기준점 최소) 고정익 UAV 회전익 UAV 해석 소프트웨어 UAV사진촬영시스템

Point Cloud DSM, DEM

True Ortho Image

(53)

11장 유비쿼터스 지형공간정보 최신 생성 기술 53 고정익 비행 영상

드론의 비행실험

드론의 비행 원리

비행 계획 오토호버링

(54)

드론 자료 취득을 위한 촬영 계획 수립

SensFly 사의 S/W인 eMotion을 이용

촬영 대상지역 선정 및 기상 정보 조사 - SensFly 사의 eBee 모델은 풍속 최대 15m/s 에서 비행 가능 - 우천시 비행 불가 비행 계획 수립 대상지역의 DSM 입력 - 대상지역의 DSM 미입 력 시 기본 값으로 SRTM 데이터 지원 - DSM 입력은 Raster DSM으로 WGS84 경위도 좌표계 대상지역 표고모델 입력 단 방향 및 교차 방향 촬영 지정 비행 시작 지점 및 착륙 지점 선정

- Circular landing 또는 Linear landing

비행 코스 입력

기체가 비행 코스에 맞춰 비행하는가 파악할 것 비행 신호 송수진이 잘 되는지 파악할 것

비행 상황 파악

(55)

11장 유비쿼터스 지형공간정보 최신 생성 기술 55 시뮬레이션 비행 계획 및 비행 비행 데이터 취득

드론의 비행을 위한 전용 S/W

SensFly 사의 eMotion을 이용하여 자동 비행 수행

드론 비행을 위한 촬영 계획

(56)

DSM 입력은 Raster DSM 으로 WGS84 경위도 좌표계 DSM을 입력하지 않을 경우 SRTM 데이터 제공

대상지역의 DSM 입력

_{비행 후 기체 착륙 시 안전성 향상}

(57)

대상지역의 DSM 입력 결과

DSM 미입력

DSM 입력

(58)

촬영을 위한 비행 코스 지정

비행 가능 범위 비행 코스 비행 범위  단방향 및 교차촬영 지정  촬영 이미지 해상도 지정  중복도 지정

드론 비행을 위한 촬영 계획

(59)

촬영 시작 지점 및 착륙 지점 지정

착륙은 Linear landing 과 Circular landing 중 선택

(60)

고정익 비행 영상

드론의 비행실험

드론의 비행 실험 및 촬영

비행 계획

(61)

GPS/INS 자료 및 촬영된 사진 취득

드론 자료 취득

(62)

GPS/INS 자료 취득

드론 자료 취득

GPS/INS raw data import

실제 촬영 코스 및 사진 촬영 지점 GPS/INS 자료 export 옵션 선택

Old fomat 선택

(63)

Map Pilot 촬영계획 S/W의 :

드론 비행 Log 파일

Latitude Longitude Altitude (m) Time Sats Speed (m/s) Range (m) Battery (%) Roll (deg) Pitch (deg) Yaw (deg) Images HD Signal (%) RC Signal (%) Battery Temp (C) Battery Voltage (mV) 37.3714953 127.9327125 96.9 15:30:53.908 17 14.51 392.27 86 -5.8 -16.4 3 11 100 81 19 23492 37.3715084 127.9327127 96.9 15:30:54.050 17 14.5 392.2 86 -5.4 -17.2 3.2 11 100 81 19 23492 37.3715349 127.9327131 96.9 15:30:54.211 17 14.7 392.08 86 -3.5 -18.1 3.3 11 100 81 19 23492 37.3715483 127.9327136 96.9 15:30:54.310 17 14.81 392.05 86 -3.9 -17.1 3.2 11 100 82 19 23627 37.371562 127.9327144 96.9 15:30:54.420 17 14.91 392.05 86 -4.7 -15.9 3 11 100 82 19 23627 37.3715755 127.9327152 96.9 15:30:54.520 17 15.01 392.07 86 -6.2 -14.1 2.9 11 100 82 19 23627 37.3715893 127.9327163 96.9 15:30:54.708 17 15.01 392.1 86 -7.6 -12.1 2.6 11 100 82 19 23627 37.3716029 127.9327171 96.9 15:30:54.740 17 15.11 392.12 86 -9.1 -10.4 2.5 11 100 82 19 23627 37.3716305 127.9327189 96.8 15:30:54.955 17 15.01 392.2 86 -10.3 -8.2 2.2 11 100 82 19 23627 37.3716441 127.9327196 96.7 15:30:55.070 17 15.01 392.23 86 -10.5 -7.7 2.3 11 100 82 19 23627 37.3716576 127.9327201 96.7 15:30:55.159 17 14.91 392.25 86 -9.9 -8.2 2.5 11 100 82 19 23627 37.3716711 127.9327204 96.7 15:30:55.297 17 14.9 392.25 86 -8.8 -9.2 2.6 11 100 82 19 23627 37.3717113 127.9327211 96.6 15:30:55.590 17 14.8 392.29 86 -6.1 -10.8 2.7 11 100 82 19 23627 37.3717246 127.9327214 96.6 15:30:55.593 17 14.8 392.31 86 -5.7 -11.3 2.7 11 100 82 19 23627 37.3717513 127.9327221 96.6 15:30:55.790 17 14.81 392.39 86 -5.5 -12.1 2.6 11 100 82 19 23627 37.3717916 127.9327237 96.6 15:30:56.111 17 14.81 392.61 86 -7.4 -12.5 2.4 12 100 82 19 23627 37.3718049 127.9327245 96.6 15:30:56.221 17 14.81 392.71 86 -8.1 -12.4 2.5 12 100 82 19 23627 37.3718183 127.9327252 96.6 15:30:56.310 17 14.91 392.81 86 -10.1 -12.3 2.6 12 100 82 19 23627 37.3718452 127.9327265 96.6 15:30:56.537 17 14.91 393.03 86 -11 -12.1 2.8 12 100 82 19 23627 37.3718587 127.9327268 96.7 15:30:56.627 17 14.91 393.11 86 -10.7 -11.9 2.9 12 100 82 19 23627 37.3718721 127.932727 96.7 15:30:56.720 17 14.91 393.2 86 -9.4 -11.9 2.9 12 100 82 19 23627 37.3718991 127.9327274 96.7 15:30:56.970 17 14.9 393.37 86 -7 -12.2 2.8 12 100 87 19 23627 37.3719395 127.9327276 96.7 15:30:57.278 17 14.9 393.65 86 -3.3 -11.4 2.3 12 100 87 19 23627 37.371953 127.9327278 96.6 15:30:57.372 17 15 393.77 86 -3.2 -10.9 2.1 12 100 70 19 23380 37.37198 127.9327288 96.5 15:30:57.568 17 14.91 394.07 86 -3.9 -10.4 1.8 12 100 70 19 23380 경위도 좌표 조종기 기준 높이 시간 위성 속도 거리 배터리 잔량 회전 각 누적 촬영 사진 수 영상, 기체 신호 배터리 온도 배터리 전압 비행 Log 파일은GPS좌표, 회전각, 비행속도, 조종기와의 거리등의 정보를 포함하고 있음

회전익 드론영상의 속성정보

63

(64)

드론영상의 컴퓨터비젼 해석 방법

SfM(Structure from Motion)을 이용한 3차원 모델링

(65)

11장 유비쿼터스 지형공간정보 최신 생성 기술  영상에서의 특징점 추출 연산자  회전, 크기 변화에 강인함  영상피라미드를 이용한 크기변화에 불변하고 DoG추출  주변 DoG영상에서 극대 극소값 추출하여 특징점 추출  추출된 특징점의 방향판별을 이용한 고유한 방향생성

SIFT(Scale-Invariant Feature Transform)

 두 장 이상의 영상에서 3차원 정보를 얻어내는 기술

 카메라의 내·외부표정요소 없이 가능

SfM(Structure from Motion)

 지역정합과 전역정합을 결합한 스테레오 정합기술

 시차를 고려한 스테레오 정합기술

SGM(Semi-Global Matching)

(66)

Map Pilot

비행 Log 파일 Viewer

Log 파일 Viewer를 통해 비행 당시의 속도와 높이(조종기 기준 높이), 시간에 따른 기체의 위치를

지도 상에서 볼 수 있음 : 비행고도를 100M로 지정하여 촬영(3~4m의 비행고도 오차)

(67)

드론에서 취득된 영상의 해석

UAV 사진 촬영(고정익 및 회전익) 지상기준점 측량 및 입력 영상 및 내외부표정요소 입력 표정해석(SBA with SfM) PointCloud 추출 DSM/정사영상/3D모델 생성 자동 비행계획 수립 Photo Scan Context Capture

(68)

드론 사진촬영

드론 영상은 단방향, 교차방향, 대각교차방향으로 촬영 하였음

촬영조건은 촬영 매수 781장, 비행 시간 55분00초, 종중복 80%, 횡중복 70%, 촬영 고 도 100m로 하였음

(69)

드론을 이용한 지형공간정보 제작

드론을 이용해 취득된 항공사진영상

(70)

VRS(Network-RTK)GPS를 이용한 지상기준점 측량

2015년 6월 상지대학교 내 18점의 지상기준점 측량 수행

(71)

지형공간정보 제작을 위한 S/W

Agisoft 사의 PhotoScan을 이용한 공간정보 제작

드론 사진 촬영 및 지상기준점 측량 영상 입력 외부표정요소 및 지상기준점 입력 표정 해석 포인트클라우드 추출 정사영상 제작

드론을 이용한 지형공간정보 제작

(72)

영상 입력 및 좌표계 지정

Photoscan 메뉴 바 – Workflow – Add photo

드론을 이용해 영상을 취득한 경우 WGS84 경위도 좌표계를 이용하므로 Photoscan의

좌표계를 EPSG:4326으로 지정

Import CSV를 통해 GPS/INS 정보 입력

(73)

영상 정렬(Align Photos)

Photoscan 메뉴 바 – Workflow – Align Photos

지상기준점 없이 영상을 매칭하여 포인트클라우드 생성

지상기준점이 없더라도 성과품 제작이 가능함

(74)

지상기준점 입력

Import CSV를 통해 지상기준점 입력

지상기준점은 GRS80 TM 좌표계로 측량하였으므로 Photoscan의 좌표계 변경이 필요 함

좌표계 변경을 위해 영상을 선택하고 선택 해제한 후 좌표계 변경

좌표계는 Korea 2000/Central Belt 2010(EPSG : 5186)으로 지정

전체 선택 해제

(75)

지상기준점 입력

Import CSV를 통해 지상기준점 입력

각각의 영상에 지상기준점 위치 지정(확대해서 정확한 위치에 지상기준점을 지정해야함)

(76)

영상 재배열

지상기준점의 좌표를 이용하여 영상을 재배열

Workspace의 현재 작업그룹인 Chunk 1 을 우클릭 – Process – Optimize Alignment

(77)

영상 재배열

Ground Control 에서 오차 확인

오차는 GCP 관측 오차의 평균을 나타냄

(78)

PointCluod 추출 및 정사영상 제작

Build Dense Cloud -> Build Mesh 순으로 작업 진행 File – Export DEM = PointCloud 저장하기

File – Export Orthophoto = 정사영상 저장하기

(79)

Point Cluod 추출 및 정사영상 제작

DEM 정사영상

PointCloud는 3차원 공간의 점으로 표현되며 DEM 제작이 가능

정사영상은 True Orthophoto로 제작됨(Photoscan을 이용할 경우)

(80)

드론사진측량을 통한 상지대학교 3D모델링

수치표고모델

실감정사영상 3D 모델

(81)

드론과 오픈플랫폼을 이용한 3D 모델링

영상 좌표변환 DEM 좌표변환 피라미드 및 캐시 설정 파라미드 및 캐시 설정 DEM 정사영상 Server Computer

- Digital imagery : ESRI world imagery - Terrain : STK WORLD Terrain Meshes

DATABASEof Cesium

+

Digital image DEM(terrain)

Cesium image Provider Cesium-GeoServer Terrain Provider

Client Middleware

Server

(82)

드론과 오픈플랫폼을 이용한 3D 모델링

오픈플랫폼을 이용한 Web 3D 모델링 결과

(83)

드론과 오픈플랫폼을 이용한 3D 모델링

드론을 이용해 제작된 지형공간정보와 오픈플랫폼을 이용한 3D 모델링

(84)

산림 훼손 전

산림 훼손 후

드론과 오픈플랫폼을 이용한 3D 모델링

드론을 이용해 제작된 지형공간정보와 오픈플랫폼을 이용한 3D 모델링

산림훼손지역

(85)

드론을 이용해 제작된 지형공간정보와 오픈플랫폼을 융합한 3D 모델링

노천광산 라파즈한라(강릉 옥계)

(86)

(87)

영상 매칭을 통한 건물 모델링

(88)

산림 훼손지역 현황

산림 훼손지역 동영상

대상지역 산림훼손 전 항공레이져측량 성과

(89)

산림훼손지 적용사례

(90)

(91)

산림훼손지역 현황 분석

(92)

토양유실량 변화

산림훼손 경계 내부의 토양유실량의 예측 값이 연 평균 218.7860 t/ha 에서 2645.8017 t/ha로 변화하였음

산림훼손 경계 내부의 연 평균 토양유실량의 예측 값이약 12배 증가하였음

(93)

11장 유비쿼터스 지형공간정보 최신 생성 기술 사방댐 설치에 대한 명확한 기준이 없어토사가 유출되는 배수 라인의 경사가 완만해지는 위치에 사방댐 설치 계획을 수립하였음 사방댐은 7162.96㎥ 및 16414.76㎥의 토량을 커버할 수 있는 사방댐을 설치해야 함

산림훼손지역의 복원 계획

93

(94)

현재(산림훼손 후) 경관

현재(산림훼손 후) 경관 동영상

산림복원 후 경관

산림복원 후 경관 동영상

(95)

11장 유비쿼터스 지형공간정보 최신 생성 기술 가행 광산인 라파즈한라 시멘트 광산의 생태복원지구 및 재해복원지구를 대상으로 드론 데이터 취득 재해복원지구 Lafarge HALLA 생태복원지구 수직촬영 비행 코스 수평촬영 비행 코스 95

(96)

2015년(고정익 드론) 정사영상과 2016년(회전익 드론) 정사영상의 융ㆍ복합 2015년 고정익 드론을 이용하여노천광산 전체영역을 대상으로 모니터링 DB 취득 2016년 회전익 드론을 이용하여 일부 생태복원지역 및 재해복구지역의 모니터링 DB 취득 생태복원완료지역 생태복원수행지역 2015년+2016년 드론촬영 정사영상 융ㆍ복합

(97)

하천 드론 활용 분야

전남 고창 짝대제 저수지 강원 춘천 의암호

(98)

(99)

하천분야 드론 활용 사례

(100)

상지대 곰 동상 및 전주시 3D모델링

(101)

문화유적 발굴지 촬영 및 3D모델링

101

문화재 고건축물 3D구축 (융건릉)

(102)

(103)

 _{드론은 DJI 사의 MATRICE 600 PRO 사용}

 _{촬영 카메라는 Sony A6000 plus}

 _{드론 LiDAR 센서는 pheonix 사의 ALPHA AL3-32 을 이용하여 촬영 하였음}

DJI사의 MATRICE 600 PRO 드론

Pheonixlidar 사의 ALPHA AL3-32

Sony A6000 plus 카메라 Drone LiDAR Platform Specs

Overall Dimensions Sensor 29 x 14x 22cm Operating Voltage 12 ~ 28V Power Consumption ~ 60W Weight 3.2kg / 7lbs Operating Temperature -10º -40ºC 103

(104)

 강원도 원주시 일부 지역

 면적 : 312,432.95 𝑚2

활엽수림 침엽수림 경작지,제지

(105)

11장 유비쿼터스 지형공간정보 최신 생성 기술 105 포인트 클라우드 생성 3D Mesh/DSM 생성 고밀도 포인트 클라우드 포인트 클라우드 필터링 실감 정사영상 생성 GCP 입력 RGB 사진 지표면 point 추출 TIN 생성

Drone LiDAR Data 취득

불량점 제거

(106)

1 2 3 4 5 6 1 2 3 4 5 6

(107)

11장 유비쿼터스 지형공간정보 최신 생성 기술 107 프로젝트이름및 저장경로설정 RGB 영상입력 3D View를통한 촬영자세확인 RGB 영상의지상기준점입력 GCP1 GCP2 GCP3 GCP6 GCP5 GCP4 촬영지역 촬영년도 영상매수 GSD 원주시 일원 2019 396매 0.06m 촬영 카메라 촬영고도 중복도(%) 영상 포맷 SONY A6000 plus 약 60m 종 60/횡 30 JPEG

(108)

(109)

11장 유비쿼터스 지형공간정보 최신 생성 기술 109 NO dX(m) dY(m) dZ(m) dL(m) NO.1 0.223 -0.016 -0.824 0.224 NO.2 0.221 -0.107 -0.760 0.246 NO.3 -0.639 -0.420 0.140 0.765 NO.4 0.267 -0.100 -0.700 0.285 NO.5 -0.212 0.128 -0.009 0.248 NO.6 -0.078 0.097 0.011 0.124 평균 0.273 0.145 0.407 0.315 RMSE ±0.324 ±0.193 ±0.543 ±0.377 1 2 3 4 5 6

드론 영상의 CV해석 결과 생성된 point Cloud data를이용하여 6개 검사점의 RMSE를 산정하였음

(110)

(111)

(112)

(113)

11장 유비쿼터스 지형공간정보 최신 생성 기술 113

LiDAR Point Cloud Data(LAS)

평면 view

정면 view

좌측면 view

(114)

NO dX(m) dY(m) dZ(m) dL(m) NO.1 0.158 0.4125 0.137 0.442 NO.2 -0.110 0.232 0.109 0.257 NO.3 0.013 0.017 0.099 0.022 NO.4 0.171 0.15 0.023 0.228 NO.5 -0.241 -0.014 -0.18 0.241 NO.6 0.117 -0.606 0.039 0.617 평균 0.135 0.239 0.098 0.301 RMSE ±0.152 ±0.320 ±0.112 ±0.354 1 2 3 4 5 6

 LIDAR 데이터의 point Cloud 결과물을 이용하여 6점의 검사점에 대한 RMSE를 산정하였음

LiDAR point Cloud 데이터의 수평위치오차는 RMSE ± 0.354m, 표고위치오차 ±0.112m으로 나타나, 드론영상을 이용한 CV해석 결과에 비해 높이정확도가 높게 나타남

(115)

1 1’

2 2’

3 3’

4 4’

1 1’

2 2’

3 3’

4 4’

 LiDAR Point Cloud 데이터와 드론 영상의 CV해석 결과 생성된 Point Cloud 데이터의 동일한 위치에 횡단의 비교를 위해 4개 지점의 횡단면 비교분석 수행하였음

(116)

3D mesh Data : Colada

(117)

_{첫 번째의 횡단면도 비교 결과, LiDAR point cloud 데이터의 횡단면은 수목과 표고가 자세하게 나타남}

_{드론 영상의 CV해석시 생성된 point cloud 데이터의 횡단면은 LiDAR와 많이 수목의 형태를 찾을 수}

없고 지표면 형태로 나타남

1

1 ’

1

(118)

NO dX(m) dY(m) dZ(m) dL(m) NO.1 0.210 -0.251 0.067 0.327 NO.2 0.249 -0.256 -0.047 0.357 NO.3 0.075 0.145 -0.373 0.163 NO.4 0.281 -0.221 -0.440 0.357 NO.5 0.216 -0.173 -0.020 0.277 NO.6 -0.045 -0.306 0.021 0.309 평균 0.239 0.322 0.340 0.561 RMSE ±0.200 ±0.232 ±0.238 ±0.306 1 2 3 4 5 6

드론 LiDAR point cloud 데이터와 드론영상의 CV해석 결과 생성된 point cloud 데이터를 이용하여 6점의 검사점 정확도 분석