최근 친환경 농법에 대한 관심 증가와 농촌사회에서 대 두되고 있는 고령화에 따른 일손부족, 생산성 감소 등이 심각한 사회문제로 대두되면서 고된 농작업을 대신 수행 하는 무인로봇의 필요성이 부각되고 있다. 특히 다양한 농 작업 중 잡초방제는 작물의 생산성을 좌우하는 중요한 작 업인 반면 기계화율이 낮아 로봇을 이용한 방제작업이 더 욱 요구되는 분야이다. 이런 잡초방제용 로봇의 경우 인간 을 대신하여 자율적으로 작업을 할 수 있는 자율주행 기 술이 필수적이며 최근 많은 연구들이 진행되고 있다. 대부 분의 연구들은 비전센서(vision sensor)를 이용한 객체인식 (object perception) 기반의 방법들을 많이 적용하고 있다. 잡 초방제로봇의 비전센서 기반 자율주행은 작물열 인식(crop row perception), 주행기준선(guidance line) 추출, 로봇의 작물 열 추종(robot motion control) 단계로 크게 구분할 수 있다. 그 중 주행기준선 추출은 인식된 작물열 영상에서 로봇이 추종해야 하는 기준선을 추출하는 단계로 작물의 손상 없 이 로봇이 안전하고 정확하게 작업을 수행하게 하는 중요 한 과정이다. ^[1]

주행기준선 추출을 위한 기존연구는 크게 영상의 픽셀 값(pixel value) 분포를 이용한 방법과 허프변환(Hough transform)을 이용한 방법으로 구분할 수 있다. Olsen^[2]의 경우 영상 픽셀의 회색조 값(gray value)을 수직 축 방향으 로 영역단위로 합하여 회색조 값의 합이 가장 큰 곳에 주 행기준선이 결정되도록 하였다. Pla^[3]는 회색조 영상을 골 격화 영상으로 변환하여 골격화 선의 최대 교차 소실점을 찾아 작물열에서 주행기준선을 추출하였다. Slaughter^[4]는 작물 열의 수직 방향으로 분할된 영역에서 그레이 값이 축척된 공간적 분포(spatial distribution)의 중앙값에 해당하 는 열을 주행기준선으로 결정하는 접근법을 제안하였다. Søgaard^[5]는 영상을 수평방향 영역으로 분할하여 수평 띠 (strips)를 획득한 후 각 수평 띠를 하나의 띠로 합하여 회 색조 값의 누적 합을 구한 후 원형 띠로 다시 표현하여 무 게중심(CoG) 결정을 통해 열의 위치로 투영시키는 방법을 사용하였다. Hana^[6]는 작물열의 이진영상(binary image)에서 중심점(centroid point)과 방향각(orientation angle)을 계산하여 주행기준선을 표현하였다. 이런 방법들은 로봇 자세 변화 에 따른 영상의 회전이 있을 경우 인식된 작물열의 회색 조 값은 수직형태의 분포가 아닌 기울기를 가진 분포형태 를 가지므로 픽셀 값 분포의 최대값을 구하고자 할 때 오 차가 발생한다는 단점이 있다. 또한 잎이 가는 작물의 경 우 그레이 값 분포의 최대값이 항상 작물의 중앙에 놓이 지 않을 경우가 있어 큰 오차를 발생시킬 수 있다.

다음으로 허프변환을 이용한 연구로서 Marchant^[7]는 인 식된 근적외선 이진영상에서 허프변환을 이용하여 주행기 준선을 추출하였다. Rovira-Más^[8]는 허프변환의 효율성을 높이기 위해 작물열 영상의 중앙점을 연결한 골격화 선을 허프변환에 적용하여 기준선을 획득하였고, Bakkera^[9]는 작 물열이 있는 공간을 사각 영역으로 분할한 후 각 영상을 하나로 융합하여 그레이 값의 밀도를 높인 후 허프변환을 실시하여 영상 처리시간을 단축하고자 했다. Ronghua Ji^[10] 역시 Randomized-허프변환을 통해 계산시간 증가 문제를 해결하고자 했다. 허프변환 역시 인식된 작물의 중앙점을 정확하게 인식하기 어렵다면 정확도가 떨어지는 문제가 여전히 존재한다.

기타 다른 방법으로 Billingsley^[11]는 정해진 영역(Window) 안에 인식된 작물을 하나의 점으로 가정하여 이 점들의 회귀선에서(regression line) 주행기준선을 추출하고자 했다. Romeo^[12]는 작물열 이진영상에서 최소제곱 선형회귀(least squares linear regression) 방법을 이용하였으며, 모든 픽셀의 하단 열에서부터 모든 가능한 라인을 추적(Trace)하여 추 적된 직선 중에서 누적 녹색 픽셀수가 최대가 되는 직선 을 주행기준선으로 결정하였다. 회귀선을 추출하는 방법은 매우 간단하게 적용할 수 있다는 장점이 있으나 주행기준 선의 정확도가 특이치(outlier)에 민감하여 영상의 노이즈가 많을 때 정확도가 크게 떨어진다는 단점을 가진다.

결국 주행기준선의 정확도는 작물의 중심점 또는 영역 을 얼마나 정확하게 추정하는가에 따라 결정된다. 따라서 본 논문에서는 기존의 방법으로 정확도 높은 주행기준선 을 추출하기 어려운 모열(Rice row)의 생태학적 특성을 이 용한 새로운 주행기준선 추출방법을 제안하고자 한다. 물 론 주행기준선은 노이즈가 적은 우수한 품질의 모열 영상 에 따라서도 정확도에 영향을 받으나 본 연구에서는 이미 인식된 모열 영상에서 주행기준선의 정확도를 높이는 방 향에 초점을 맞추어 연구를 진행하였다. 본 연구에서는 모 열의 중심영역 추출 정확도를 높이기 위해 모 잎이 중심 방향으로 수렴하는 형태학적 특징을 이용하였으며, 이를 구현하기 위해 간단한 이미지 처리를 통해 알고리즘의 실 시간성을 높였다. 2장에서는 알고리즘이 적용되는 논 잡초 방제용 로봇 시스템에 대해 소개하고, 3장에서는 주행기준 선 추출 알고리즘, 4장에서는 실험 결과, 5장에서 결론 순 으로 기술하였다.

카메라는 Webcam(Logitech®)에 NIR Bandpass 필터를 장 착하여 근적외선 영상(640×480)을 획득하였다. 실험은 한 국농수산대학 온실내(PTC) 설치된 무논환경에서 실시되었 으며 로봇은 약 0.1 m/s로 구동되도록 하였다.

그림 6은 모열 이진영상에서 분절된 직선을 추출한 영 상으로 분절된 직선들이 중앙줄기 방향으로 수렴하는 것 을 확인 할 수 있다. 또한 그림 7(b), (c)의 파란색 직선은 추정된 주행기준선으로 빨간색 점선의 실제 모열과 큰 오 차를 보이지 않는 것을 관찰할 수 있다. 표 1에서 보이듯 이 모열이 인식된 총 102개의 영상 샘플을 대상으로 실제 모열과 주행기준선과의 RMS 각도오차는 0.67°로 로봇의 주행오차를 고려할 때 정확하였다. 다만 이는 모열 영상이 분명할 경우이며 모열이 인식되지 않거나 영상의 노이즈 가 많을 경우 오차가 증가될 수 있다. 따라서 특히 조명, 바람 등 환경적 영향에서도 모열 영상의 우수한 품질이 전제되어야 할 것으로 판단된다.

본 논문에서는 논 잡초방제용 자율로봇의 모열인식 기 반의 주행기준선 추출을 위한 방법을 제안하였다. 인식된 모열 영상에서 모의 잎이 모의 중앙줄기 부분으로 수렴하 는 형태학적 특징을 이용하기 위하여 골격화된 이진영상 을 허프변환을 이용하여 분절된 직선으로 나타내었다. 이 렇게 추출한 분절된 각 직선들의 기울기 평균을 계산하여 주행기준선의 기울기로 적용하였고 또한 모열 영상에서 각 열의 누적 화이트 픽셀 값의 최대지점을 시점으로 정 하였다. 이 때 로봇자세에 의해 회전된 영상의 오차 보정 을 위하여 계산된 주행기준선의 기울기 값만큼 영상을 회 전 시켜 시점을 재계산하여 오차를 보정하였다. 그리고 실 험을 통해 제안한 알고리즘의 우수한 정확도를 검증하였 다. 향후에는 바람, 조명 등 다양한 환경변화에도 강인한 알고리즘에 대한 연구가 추가적으로 필요하다고 판단된다.