UAV와 딥러닝을 활용한 건축물 경계선 추출 연구

UAV와 딥러닝을 활용해 건축물 경계선을 추출하는 방법을 연구했다.

Building boundary lines are registered in a building register, Digital map, and cadastral records in the national cadastral resurvey project. However, criteria for surveying, extraction, and registration of building boundary lines are different according to laws. Also, boundary lines are obtain through direct survey of person. Ambiguous building boundary acquisition standards make it difficult to share and link information on building boundaries, and direct surveying may cause unexpected errors. This causes time and economic loss, and in order to solve this problem, a building boundary lines extracting method which grafts a new technology and differ from the existing one is necessary.

Therefore, in this study, in order to efficiently extract the building boundary line, UAV, which can quickly acquire the latest image, and deep learning technology, which can minimize human error, were applied to the building boundary extraction method. Also, the laws related to a building boundaries, the cadastral resurvey project, and a three-dimensional cadastral construction were investigated and limitations of these were derived. Existing laws have insufficient definitions related to building boundary lines, and criteria for extraction are different.

In addition, there were no specific criteria about using UAV images for extracting the boundary lines since current method use direct survey to acquire it. this cause wasting time and economics and limitations in the lack of usability of UAV images for building boundary lines. In order to overcome these limitations, a method applying UAV and deep learning was designed, and experiments were conducted in real areas. For the study area, the commercial district area in Yulryang-dong, Cheongju-si, Chungcheongbuk-do which has a relatively similar structure of building and easy access for UAV shooting was selected.

In the experiment, UAV image with 80-85% overlap which centered on building were acquired and used, and mapping was conducted to set boundary lines for learning a algorithm. The deep learning algorithm for the experiment was used an open source Mask R-CNN considering the characteristics of this study, image processing speed, and amount of learning. Based on the learned algorithm, it was applied to 30 photos of the large intestine. As a result, the extraction rate of buildings was about 50%, and as a result of comparison with ground survey performance for buildings from which boundary lines were extracted, RMSE X = ±0.085m, Y = ±0.089m, which is ±0.07m based on cadastral resurvey performance.

when compared to ±0.10m in the numerical area, the accuracy corresponding to these criteria was secured. Based on the experimental results, the construction boundary line extraction method proposed and flawed in this study was presented in three legal, technical and economic aspects, and its validity was verified through interviews and consultations with related experts. In order to apply the experimental results of this study to practice, first, in the legal aspect, the legal support of related laws and regulations for using UAV and deep learning is insufficient in the current legislation, so new technologies such as UAV and deep learning are applied.

Accordingly, a provision for extracting the building boundary line was added to the relevant laws and a legal improvement was proposed. Second, in terms of technology, if UAV and deep learning are applied, it is judged that it will partially replace the task of acquiring building boundaries through direct surveying by humans. was presented. Third, from the economic point of view, by comparing the cost required to extract the current state of the building in the cadastral reexamination project with the cost required for the experiment in this study, it is found that at least about 20% of time and cost savings can be achieved. derived.

Based on this, the economic effects of cost and time on the performance of applying UAV and deep learning are presented. In conclusion, by applying UAV and deep learning to extract building boundary lines, proper results have been derived. It is judged that proposed method in parallel with ground survey can be applied in practice where building boundary lines are insufficient. In addition, if UAV data is continuously accumulated and hardware is developed, it seems that problems caused by direct survey will be resolved in the future. 건축물의 현황 경계선은 건축물대장, 수치지형도, 지적재조사사업에서의 지적공부 등에 등록하도록 되어있다. 하지만 현재 건축물의 경계선에 대한 측량, 추출, 등록 기준은 법률상 각기 다르며, 사람이 직접측량을 통해 건축물 경계선을 취득하게 된다.

각기 다른 건축물 경계 취득 기준은 건축물 경계에 대한 정보를 공유 및 연계하기 어렵게 하고 직접측량은 예상하지 못한 오차를 발생하게 할 가능성이 있다. 이는 시간적·경제적인 손실을 유발하게 되며 이를 해결하기 위해 기존과는 다른 신기술을 접목한 건축물의 경계선 추출 방법이 필요하다. 때문에 본 연구에서는 효율적으로 건축물 경계선을 추출하고자 신속하게 최신 영상을 취득할 수 있는 UAV와 사람의 착오를 최소화할 수 있는 딥러닝 기술을 건축물 경계 추출방법에 적용하고자 하였다. 본 연구는 기존의 건축물 경계 관련 법령, 지적재조사사업 관련 규정 및 3차원 지적 구축에 관한 현황을 파악하였다. 기존 법령은 건축물 경계선과 관련된 정의가 미비하고 추출에 대한 기준이 각기 다르다. 또한, UAV 사진을 이용할 수 있는 별도의 기준이 없어서 시간적·경제적 손실이 존재 하고 있었으며 건축물 경계선에 대한 활용성이 부족한 한계점이 존재했다. 이러한 한계점을 극복하기 위하여 UAV와 딥러닝의 활용방안을 설계하였으며, 실제 지역을 대상으로 실험을 진행하였다. 연구지역은 건축물의 형태가 비교적 비슷하고 UAV의 촬영이 원활한 충청북도 청주시 율량동 상업지구 일원을 선정하였다. 실험에서 사용된 영상은 건축물을 중심으로 80~85%의 중복도를 가지는 UAV 사진을 취득하여 사용하였으며, 알고리즘의 학습에 필요한 경계선을 설정하기 위해 매핑을 진행하였다.

실험을 위한 딥러닝 알고리즘은 본 연구의 특성과 이미지의 처리 속도, 학습량 등을 고려하여 오픈소스인 Mask R-CNN을 사용하였다. 학습된 알고리즘을 바탕으로 대장지역 사진 30장에 적용하였다. 이 결과, 건축물의 추출률은 약 50%로 나타났으며, 경계선이 추출된 건축물을 대상으로 지상측량성과와의 비교 결과 RMSE X = ±0.085m, Y = ±0.089m로 지적재조사측량성과 기준 ±0.07m, 수치지역은 ±0.10m과 비교하였을 때, 이러한 기준에 상응하는 정확도를 확보하였다. 실험결과를 토대로 본 연구에서 제안하고 하자는 건축물 경계선 추출 방안을 법률적·기술적·경제적 3가지 측면으로 제시하였으며 관련 전문가의 면담 및 자문을 통해 타당성을 검증하였다. 본 연구의 실험 결과를 실무에 적용하기 위해, 첫째, 법률적 측면에서는 UAV와 딥러닝을 활용하기 위한 관련 법령 및 규정의 법률적인 뒷받침이 현재 법령에 부족하므로, UAV와 딥러닝과 같은 신기술을 적용하여 건축물 경계선을 추출하는 조항을 관련 법령에 추가하여 법률적 개선(안)을 제시하였다. 둘째, 기술적 측면에서 UAV와 딥러닝을 적용한다면 현재 사람이 직접측량을 통해 건축물 경계선을 취득하는 업무를 일정 부분 대체해 줄 것으로 판단되어 UAV와 딥러닝을 적용하여 측량하는 방법을 설계하고 기술적 실현 가능성을 제시하였다.

셋째, 경제적 측면에서 지적재조사 사업에서의 건축물 현황을 추출하기 위해 소요되는 비용과 본 연구의 실험에 소요된 비용을 비교하여, 최소