Ⅰ. 서 론
팜맵 (FarmMap)은 고해상도 항공영상을 기반으로 실제 경작 중인 농경지에 대한 이용 정보 (논, 밭, 과수, 시설, 인삼, 비경지), 경계 정보, 이력 정보 등 다양한 속성을 포함하는 농경지 전자지도이다. 국토지리정보원은 매년 항공영상을 촬영하고, 농림축산식품부는 이를 수집하여 팜맵 구축 사업을 통해 정기적으로 갱신 작업을 수행하며, 구축 및 갱신 성과물을 농식품 팜맵 서비스를 통해 제공하고 있다. 팜맵은 직불금 이행점검, 재해보험금 산정, 벼 재배면적 추정, 경지면적 조사, 농경지 점거 및 작물 실태조사 등 다양한 행정 및 연구 분야에서 핵심 참고 자료로 활용되고 있다. 특히 팜맵의 갱신 범위는 2022년부터 기존의 반 판 단위에서 전국 단위 갱신으로 전환되면서, 팜맵의 활용 범위는 더욱 확대되고 있으며, 이는 행정 효율성 향상과 정책 기반 데이터의 정밀성 제고에 크게 기여할 것으로 기대된다 (MAFRA, 2025; Kim and Wee, 2023; Wee et al., 2022; Wee and Jung, 2025).
그러나 팜맵 갱신의 육안 판독 방식은 갱신 범위가 전국으로 확대되면서 여러 한계를 드러내고 있으며 이를 해결하고 팜맵 갱신의 신속성과 정확성을 확보하는 것이 중요한 연구 과제로 부상하고 있다. 주요 문제는 작업자의 주관적 판단에 따른 오류 발생 가능성과 품질의 일관성 부족, 갱신량 증가로 인한 작업 지연, 그리고 대규모 인력 운용에 따른 비용 증가가 있다 (Wee et al., 2023). 이러한 문제를 극복하기 위해 최근에는 인공지능 기반 자동화 기술이 핵심 대안으로 주목받고 있으며, 특히 딥러닝을 활용한 항공⋅위성 영상에서의 시설물 탐지 및 경계 분할 연구가 활발히 진행되고 있다.
예컨대 Yoon et al. (2023)은 FC-DenseNet 기반 모델에 어텐션 모듈과 인스턴스 정규화를 결합해 항공영상에서 비닐하우스를 효과적으로 분할⋅검출하였으나, 네트워크 구조가 복잡해 대규모 갱신 업무에 적용할 때 효율성 측면의 제약이 존재한다. 이러한 한계를 완화하기 위해 최근에는 정확도와 모델 복잡도 간의 균형이 우수한 YOLO (You Only Look Once) 모델이 객체 검출 분야에서 효과적으로 활용되고 있다. Kim et al. (2023)은 YOLOv5U 모델을 활용하여 항공영상 내 다양한 형상과 크기의 객체를 실시간으로 검출하는 연구를 수행하였으며, Kim et al. (2022)는 YOLOv2를 이용해 태양광 패널 자동 탐지 기술을 개발하였다. Choi et al. (2024)은 폐경지 후보 (건물, 태양광 패널, 온실 시설, 묘지 등)를 YOLOv5로 검출하였고, Kim et al. (2025)은 토지피복 변화 모니터링에 YOLO 모델을 적용하였다. 농촌지역을 대상으로 YOLO 딥러닝 모델을 적용한 사례는 농경지, 건축물, 시설물 (농업용 온실) 탐지 또는 지속적인 모니터링을 수행하는 연구가 주를 이루고 있으며 (Kim et al., 2022; Hong, 2023; Jeon, 2024; Kim et al., 2025), 이외에는 고해상도 영상을 이용하여 농작물의 종류 또는 병충해를 탐지하는 연구가 있다 (Kim et al., 2025). 또한, Choi and Lee (2024)는 YOLOv10을 활용하여 고해상도 이미지에서 일정 간격으로 배열된 수목을 효과적으로 탐지하였다.
대부분의 기존 연구는 객체 검출에 집중해 왔으며, 객체 분할에 관한 연구는 상대적으로 제한적이었다. 이는 분할 작업이 픽셀 단위의 정밀한 경계 추출을 요구해 데이터 구축과 연산 비용 측면에서 난이도가 높았기 때문이다. 그러나 최근 YOLO-seg 계열 모델의 등장으로 이러한 한계는 점차 완화되고 있으며, 실시간 처리와 정밀 분할을 동시에 지원하는 기술이 활발히 개발되고 있다. 예를 들어, YOLOv8-seg는 마스크 기반 인스턴스 분할을 안정적으로 제공하며 다양한 하드웨어 환경에서 실시간 예측과 배포를 지원한다. 더 나아가 2025년 공개된 YOLOv12-seg는 Flash 어텐션 기반 아키텍처와 최신 설계 기술을 통해 이전 세대의 속도 이점을 유지하면서 픽셀 단위 경계를 더욱 정밀하게 추출할 수 있다. 이러한 기술 발전은 팜맵 갱신과 같이 농경지 경계의 정밀한 추출과 전국 규모의 작업을 신속하게 수행해야 하는 과제에서 딥러닝 기반 접근의 실용성을 뒷받침한다.
본 연구는 팜맵 갱신의 효율성과 정확도를 높이기 위해 YOLO 기반의 시설물 분할 딥러닝 모델을 개발한다. 특히 YOLOv12-seg를 채택한 이유는 기존 YOLO 시리즈의 속도와 정확도를 유지하면서도 픽셀 단위의 정밀한 경계 추출을 가능하게 하기 때문이다. 팜맵과 항공영상을 활용하여 학습 및 평가용 데이터셋을 구축하고, 시설물 분할에 적합한 전처리 알고리즘을 설계하였다. 또한 YOLOv12-seg의 다양한 크기 모델 (Nano, Small, Medium, Large, Extra-Large)을 비교⋅평가하여 최적의 모델을 선정하고, 딥러닝 기반 경계 추출 결과와 작업자의 판독 결과를 협업 방식으로 결합함으로써 팜맵 갱신 작업의 속도와 품질을 동시에 향상시키는 방법을 제안한다.
Ⅱ. 재료 및 연구 방법
1. 사용 데이터
딥러닝 모델 개발을 위해서는 양질의 학습 데이터 확보가 필수적이다. 본 연구는 팜맵과 고해상도 항공영상을 활용하여 세그멘테이션 모델 학습을 위한 데이터셋을 구축한다. 팜맵은 매년 25 cm 공간해상도의 항공영상을 기반으로 농경지의 경계 및 속성 정보 (논, 밭, 과수, 시설, 인삼 등)를 구축하고 있어, 별도의 레이블링 작업 없이도 딥러닝 모델 학습을 위한 데이터로 활용할 수 있는 장점이 있다 (Fig. 1).
본 연구는 국토지리정보원에서 제공하는 1:5,000 축척의 고해상도 항공영상과 2024년 팜맵을 결합하여 학습 데이터를 구축한다. 항공영상은 농경지의 지리적 위치 및 세밀한 지역 특성을 파악하는 데 활용되며, 팜맵은 작물의 속성과 경계 정보를 포함한다. 다만, 두 데이터 간의 촬영 시점 차이로 인해 항공영상에는 존재하지만, 팜맵은 누락된 시설이 있거나 그 반대의 경우가 발생할 수 있다. 이에 따라 사람의 눈을 통해 데이터의 정확성을 검증하고, 학습에 적합한 형태로 정제한다. Fig. 2는 학습 데이터 예시를 보여준다. (a)는 항공영상, (b)는 팜맵 폴리곤 데이터, (c)는 두 데이터를 좌표계 기반으로 중첩한 결과이다.
2. 자료 구축
가. 데이터 추출 및 전처리
영상 데이터를 처리할 때는 클리핑 (clipping)과 크로핑 (cropping) 기법을 활용할 수 있다. 크로핑은 전체 영상에서 일정 크기의 윈도를 설정하여 반복적으로 잘라내는 방식으로, 객체 분할을 위한 학습 데이터 구축에 널리 사용된다. 반면, 클리핑은 관심 영역 또는 조건에 부합하는 영역만을 선택적으로 잘라내는 방식으로, 관심 영역이 명확히 정의되었을 때 효과적이다 (Gadot et al., 2024; Mishra et al., 2021).
본 연구는 팜맵 정보를 활용하여 농경지를 포함하는 관심 영역을 클리핑 방식으로 먼저 결정한 후, 해당 영역에 대해 크로핑을 수행하여 최종 학습 데이터를 구축한다. 이 과정은 추론 시에도 같게 적용되며, 딥러닝 모델의 입력 영상 전처리 방식으로 활용된다.
관심 영역은 팜맵의 기반으로 농경지 위치를 식별한 후, 해당 농경지를 포함하는 Bounding Box를 생성하여 정의한다. 이때, Bounding Box의 가로 및 세로 길이는 팜맵 경계에 있는 시설물의 검출 정확도 저하를 방지하기 위해 팜맵 경계로부터 각각 10%의 마진을 포함하여 설정하며 해당 관심 영역을 딥러닝 모델의 입력 크기에 맞게 크로핑하며, 50% 중복 (overlap) 및 45도, 90도 회전 변환을 통해 데이터 증강을 수행한다. 다만, 추론 시에는 중복만 적용한다. Fig. 3은 추론 과정에서의 전처리 과정을 설명한다.
나. 데이터 구축
학습 데이터 구축은 농경지 내 존재하는 시설물의 분할을 위해 다음과 같은 절차로 수행된다. 먼저 팜맵에서 논, 밭, 과수 속성의 폴리곤을 검출하고, 해당 폴리곤 내에 시설물이 존재하는지를 확인한다. 시설물이 존재하는 경우, 해당 폴리곤을 포함하는 Bounding Box를 생성하고, 시설물의 속성과 경계 정보를 학습용 레이블로 활용하며 이후 해당 영역을 딥러닝 모델의 입력 크기로 크로핑하여 학습 데이터로 구성한다. 참고로, 팜맵 속성 중 인삼은 작물 특성상 농경지 내 시설물이 거의 존재하지 않으며, 폴리곤 내 변화가 적어 시설물 검출에 대한 활용도가 낮아서 본 연구에서 데이터 구축 대상에서 제외하였다.
최종 학습 데이터는 Table 1과 같이 클리핑 및 크로핑을 통해 생성된 이미지와 해당 이미지 내 시설물에 대한 레이블링 정보로 구성되며, 총 30,000쌍의 이미지와 레이블 데이터로 이루어져 있다. 이 중 훈련 데이터는 24,000개, 검증 데이터는 6,000개로 구성되며, 훈련 및 검증 비율은 8:2이다. 테스트 데이터는 학습에 사용하지 않은 경기도 지역에서 수집된 2,000개로 구성되며, 딥러닝 모델의 최종 성능 평가에 활용된다. 구체적으로, 2,000개 중 1,000개는 시설물이 포함된 농경지이며, 나머지 1,000개는 시설물이 포함되지 않은 농경지로 구성된다. 이를 통해 시설 유무에 따른 일반화 성능과 오검출 가능성을 동시에 평가할 수 있다는 점에서 의미가 있다.
3. 작업자 기반 최종 검수
딥러닝 기반 분할 기술은 항공영상의 공간 해상도 (25 cm), 학습 데이터의 다양성 및 표본 대표성에 크게 영향을 받는다. 따라서, 이를 단독으로 적용하여 팜맵을 갱신할 경우 행정 실무에서 요구하는 수준의 신뢰도와 정밀도를 안정적으로 확보하기 어렵다. 본 연구에서는 이러한 제약을 보완하고자 YOLOv12-seg 모델의 추론 결과를 작업자가 직접 검수⋅보정하는 Human‑In‑The‑Loop (HITL) 기반 팜맵 갱신 절차를 제안한다. 제안하는 절차의 목적은 자동 분할 과정에서 발생하는 불확실성을 최소화하고, 실제 행정 업무에 적용할 수 있는 수준의 정확도와 신뢰성을 확보하는 데 있다.
제안하는 HITL 기반 갱신 절차에서는 먼저 YOLOv12-seg 모델이 생성한 분할 결과를 SHP (Shapefile) 형식으로 변환하여 공간 편집 환경에서 활용할 수 있도록 한다. 이후 작업자는 SHP 파일과 원본 항공영상을 QGIS 환경에서 중첩하여 시각적 검수를 수행한다. 검수 과정은 1차와 2차의 두 단계로 나뉜다. 1차 검수에서는 분할된 객체가 실제 시설물에 해당하는지를 판단하며, 시설물로 간주하기 어려운 객체는 오검출 (False Positive)로 분류하여 제거한다. 2차 검수에서는 시설물로 확정된 객체를 대상으로 경계의 과대⋅과소 분할 여부, 팜맵 구축 기준에서 허용되는 위치⋅형상 오차 충족 여부, 추가적인 보정이 필요한 오류 존재 여부 등을 종합적으로 검토한다. 필요할 경우 작업자는 QGIS의 편집 기능을 활용하여 공간 객체의 경계를 직접 수정하며, 모든 보정 내용은 SHP 파일에 자동 저장되어 이후 후속 처리 및 최종 팜맵 갱신 단계에서 그대로 활용된다.
HITL 적용 시 작업자 간 일부 판단 편차가 발생할 수 있으나, 본 연구는 검수 기준의 최소한 일관성을 확보하기 위해 간단한 가이드라인과 대표 시설 사례를 사전에 공유하였다 (Fig. 4). 예를 들어, 그림과 같이 시설 유형별 대표 영상과 허용 가능한 경계 오차 범위 등을 제시하여 작업자가 동일한 판단 기준을 적용하였다. 이러한 절차를 통해 작업자별 편차가 결과에 미치는 영향을 완화하고 전체적인 갱신 품질을 균질화할 수 있다.
Ⅲ. 딥러닝 모델 선정 및 평가
1. 기본 모델
본 연구는 기본 (Baseline) 모델로 YOLO (You Only Look Once) 시리즈 중 최신 모델이자 객체 분할 기능을 포함한 YOLOv12-seg를 선정한다. YOLO는 객체 탐지 분야에서 대표적인 단일 단계 (one-stage) 딥러닝 모델로, 모바일, 드론, 자율주행 등 리소스가 제한된 환경뿐만 아니라 대용량 데이터 처리에서도 높은 정확도와 빠른 추론 속도를 제공한다 (Redmon et al., 2016). YOLOv1부터 YOLOv12까지의 발전 과정에서는 백본 성능 개선, Multi-scale feature 통합, 학습 전략 최적화 등 다양한 기술적 진보가 이루어졌다. 특히, YOLOv12는 Area Attention Module (A²)과 Residual Efficient Layer Aggregation Networks (R-ELAN)을 도입하여 정확도와 효율성을 동시에 향상시켰다.
YOLOv12-seg는 YOLOv12 아키텍처를 기반으로 객체 탐지와 인스턴스 분할을 통합한 모델로, 기존 YOLO 시리즈의 속도와 정확도를 유지하면서도 픽셀 단위의 정밀한 분할이 가능하다. 해당 모델은 탐지 헤드 (Detection Head)와 분할 헤드 (Segmentation Head)로 구성되며, 앵커 (anchor) 없이 다양한 형태의 객체를 유연하게 예측할 수 있다. 분할 헤드는 각 객체에 대해 픽셀 단위 마스크를 추론하며, 다양한 해상도의 특징 맵을 결합하고 복원하는 과정을 통해 정밀한 객체 분할을 수행한다. YOLOv12는 Nano, Small, Medium, Large, Extra-Large 등 다양한 크기로 제공되며, 각 모델은 파라미터 수, 연산량, 정확도, 추론 속도에 따라 성능이 달라진다. 사용자는 작업 환경과 요구 성능에 따라 적절한 모델을 선택할 수 있다. YOLOv12-N (Nano)은 빠른 속도와 경량화를 제공하여 실시간 처리나 제한된 자원 환경에서 적합하다. 반면, YOLOv12-X (Extra-Large)는 대규모 객체 탐지 및 분할 작업에서 높은 성능을 보인다 (Tian et al., 2025; Sapkota et al., 2025).
2. 딥러닝 모델 학습
Fig. 5는 팜맵 기반 시설물 분할을 위한 YOLOv12-seg 모델의 학습 과정과 실험 설계의 전체 과정을 순서도로 시각화하였다. 먼저, 항공영상과 팜맵을 활용하여 농경지 클리핑을 수행하고 시설 라벨링을 통해 YOLO 형식의 학습 데이터셋을 구축한다. 이때, 클리핑을 수행하는 농경지 대상은 논, 밭, 과수이며 구축된 학습 데이터는 팜맵과 항공영상을 기반으로 클리핑 및 크로핑을 통해 생성된 640×640 크기의 영상 패치로 구성된다. 데이터 증강 기법은 50% 중첩 (overlap)과 45도 및 90도 회전 변환을 포함하여 모델의 일반화 성능을 향상시킨다.
YOLOv12-seg는 다양한 크기의 모델 (Nano, Small, Medium, Large, Extra-Large)을 제공하며, 각 모델은 파라미터 수, 연산량, 정확도, 추론 속도 측면에서 다른 특성을 가진다. 본 연구는 모델 복잡도와 정확도 간의 Trade-off를 분석하기 위해, YOLOv12의 모든 모델에 대해 학습 및 평가를 수행한다.
학습은 NVIDIA RTX 3090 GPU 환경에서 최대 300 에포크 (Epoch) 동안 진행되었으며, 배치 크기는 16으로 설정하였으며 학습 과정에서 검증 데이터의 성능이 10 에포크 연속으로 향상되지 않으면 조기 종료 (Early Stopping)를 적용하여 과적합을 방지하고 학습의 효율을 높였다. 따라서 실제 학습 에포크는 300보다 적은 값으로 수행되었으며, 주요 하이퍼파라미터는 초기 학습률은 0.001로 설정하고, 옵티마이저는 AdamW를 사용하였다. 손실 함수는 객체 탐지와 분할을 동시에 고려한 복합 손실을 적용하였으며, 입력 크기는 640×640으로 지정하였다. 데이터 증강 기법은 중첩, 회전, 밝기 및 대비 조절 등의 방법을 활용하였다.
최종 학습 결과는 Table 2에 요약되어 있으며, 가장 우수한 결과를 보인 Medium 크기 모델의 학습 그래프를 Fig. 6에 제시한다. 이를 통해 모델 크기별 성능 차이를 정량적으로 분석하고, 팜맵 갱신 작업에 가장 적합한 모델을 도출하였다.
3. 딥러닝 모델 평가 방법
YOLOv12-seg 모델의 성능 평가는 객체 탐지와 인스턴스 분할의 특성을 모두 반영하여 수행하였다. 주요 평가 지표는 정밀도 (Precision), 재현율 (Recall), IoU (Intersection over Union), 그리고 평균 정밀도 (mAP, mean Average Precision)이다 (Manning et al., 2008; Everingham et al., 2010). 정밀도는 모델이 예측한 객체 중 실제로 맞춘 비율을 의미하며, 재현율은 실제 객체 중 모델이 정확히 검출한 비율을 나타낸다. IoU는 예측 영역과 실제 정답 영역 간의 겹침 정도를 측정하는 지표이다. 평균 정밀도 (mAP)는 객체 탐지 및 분할 성능을 종합적으로 평가하는 지표로, mAP@50은 IoU 임계값 0.5 이상에서의 평균 정밀도를, mAP@50–95는 IoU 임계값 0.5부터 0.95까지 0.05 간격으로 계산한 평균 정밀도를 의미한다. 이러한 지표는 검증 단계에서 성능 변화 모니터링 및 조기 종료 (Early Stopping) 판단에 활용되며, 테스트 단계에서는 학습 완료 모델의 일반화 성능과 오검출 가능성을 정량적으로 평가하는 데 사용된다.
Ⅳ. 실험 결과
1. 학습 과정에서의 실험 결과 분석
Fig. 7 및 Table 3은 YOLOv12-seg의 Nano, Small, Medium, Large, Extra-Large 모델별 학습 수행 과정에서 검증 데이터 기준으로 가장 우수한 성능 지표를 나타낸 에포크를 확인하고 해당 에포크에서 성능을 제시하였으며 Nano, Small, Medium 모델까지는 모델 크기가 증가함에 따라 정확도 지표가 향상되는 경향을 보였다. 그러나 Large와 Extra-Large 모델은 크기 증가에도 불구하고 정확도 향상이 나타나지 않았으며 이는 시설물 단일 객체 분할이며 클래스 수가 하나이기 때문에, 작은 모델만으로도 충분히 객체의 특징을 구분할 수 있기 때문으로 판단되었다. 따라서 대형 모델의 추가 파라미터는 정확도 향상으로 직결되지 않으며, 오히려 계산 효율성과 자원 활용 측면에서 비효율적일 수 있다. 학습 시간은 모델 크기에 비례하여 증가하였으며, 대형 모델일수록 더 많은 시간이 소요되었다.
Table 3
Performances indicator results for each YOLOv12-seg model
YOLOv12‑seg의 다섯 가지 모델 규모 (Nano, Small, Medium, Large, Extra‑Large)를 비교한 결과, Medium 모델은 정확도와 모델 복잡도 간의 균형 측면에서 가장 우수한 성능을 보였다. Large 및 Extra‑Large 모델은 파라미터 수와 연산량이 크게 증가함에도 불구하고 Medium 모델 대비 성능 향상이 거의 없었으며, 일부 지표에서는 오히려 낮은 값을 기록하였다. 반면 Nano와 Small 모델은 경량화로 인한 속도 이점이 있으나, Precision이 Medium 모델보다 3% 이상 낮아 시설물 탐지의 신뢰도 측면에서 실무 적용에 한계가 있었다. 이러한 분석을 종합하면 Medium 모델은 불필요한 계산 복잡도를 증가시키지 않으면서도 안정적이고 높은 정확도를 확보할 수 있는 최적의 선택으로 판단되며, 이에 본 연구에서는 Medium 모델을 최종 모델로 채택하였다. 다만, 모델 간 정확도 차이가 크지 않은 작업 환경에서는 Nano 또는 Small 모델을 선택하는 것도 가능하다.
2. 모델 적용 결과 및 분석
모델에 대한 성능은 학습에 사용되지 않은 테스트 데이터를 활용하여 YOLOv12-seg Medium 모델에 대해 평가하였다. 성능 평가를 위한 정확도 지표로는 Precision, Recall, mAP@50, mAP@50–95 (Manning et al., 2008, Everingham et al., 2010)를 확인한다. Table 4에서 제시한 바와 같이 YOLOv12-seg Medium 모델은 Precision 0.954, Recall 0.912, mAP@50 0.961 및 mAP@50–95 0.835의 성능을 보였다. Fig. 8의 높은 IoU 사례에서 확인되듯이, 실제 시설물이 항공영상에서 명확한 형태를 보이는 경우는 경계를 비교적 안정적으로 분할하였다. 반면, Fig. 9과 같이 일부 사례에서는 분할 결과가 실제 시설과 다르게 나타났는데, 이는 (b)에서처럼 정답 팜맵 경계가 부정확하게 구축된 경우이거나, (d)와 같이 모델이 복잡한 배경 또는 비정형적 형태를 충분히 구분하지 못해 발생한 추론 오류에 기인한다. 기존 연구들 (Yoon et al., 2023; Kim et al., 2025; Hong, 2023)이 항공영상 기반 시설물 또는 농업 객체 분할⋅검출에서 대체로 mAP 0.80 이하의 성능을 보고한 것과 비교하면, 본 연구의 제안 모델은 mAP@50–95 = 0.835를 달성하여 동일 도메인에서 상대적으로 우수한 분할 성능을 확보한 것으로 평가된다.
Table 4
Performances results for YOLOv12-seg medium
| Attributes | Precision | Recall | mAP @50 | mAP @50-95 |
| Average | 0.954 | 0.912 | 0.961 | 0.835 |
다만, mAP@50–95의 절댓값만을 기준으로 보면 상대적으로 낮아 보일 수 있으나, 이는 항공영상 기반 분할 작업이 갖는 구조적 제약에 기인한다. 첫째, 항공영상의 해상도 한계로 인해 시설물의 실제 경계를 수십 센티미터 수준에서 정밀하게 추출하는 데 어려움이 있으며, 이에 따라 정답 팜맵 자체도 완전한 기준값으로 간주하기 어렵다. 둘째, 팜맵 구축 기준에서는 수 미터 (m) 이내의 경계 오차가 허용되기 때문에, 인공지능 모델의 분할 경계가 정답 팜맵과 완전히 일치하지 않더라도 실제 업무에서는 오류로 판단되지 않는 경우가 많다. 이러한 분야적 특성으로 인해 mAP 지표만으로는 모델의 실질적인 활용 가능성과 작업 효율성 향상을 정확히 평가하기 어렵다.
이러한 한계를 보완하기 위해 본 연구에서는 인공지능 모델의 자동 분할 결과에 작업자의 검수⋅보정을 결합한 HITL 절차를 도입하였다. 실제 팜맵 갱신 과정에서는 모델이 생성한 분할 결과를 SHP 파일로 변환하여 갱신 도구에 반영하고, 작업자가 이를 신속히 스크리닝하여 시설 여부와 경계 수정 필요성을 판별한다. 오검출된 객체는 제거하며, 경계가 과대⋅과소 분할된 경우는 작업자가 직접 윤곽을 보정함으로써 최종 데이터 품질을 확보한다. Table 5에서 확인되듯이 HITL 절차 적용 이후 mAP@50–95가 자동 분할 결과보다 크게 향상되었으며, 이는 작업자가 인공지능이 생성한 경계 정보를 효과적으로 보완하여 실질적인 갱신 품질을 높인 결과로 해석된다. 즉, 항공영상 해상도 및 팜맵 기준의 특성을 고려하더라도, 인공지능 모델과 작업자의 협업은 분할 정밀도와 업무 효율성을 동시에 향상시킬 수 있는 실용적인 접근임을 확인하였다.
Ⅴ. 결 론
본 연구는 팜맵 갱신의 효율성과 정확도 향상을 위해, 농경지 내 시설물 탐지 및 경계 분할을 자동화할 수 있는 딥러닝 기반 모델을 개발하고 그 적용 가능성을 검토하였다. 이를 위해 기본 모델로 YOLOv12-seg 모델을 선정하고, 팜맵과 항공영상을 활용하여 학습 데이터를 구축하였으며, 효과적인 시설 탐지를 위한 전처리 및 분할 방법을 제안하였다.
YOLOv12-seg 모델을 기반으로 다양한 크기의 모델을 학습하고 성능을 비교한 결과, Medium 모델이 정밀도, 재현율, mAP 등에서 가장 우수한 성능을 보였으며, 작업 속도와 정확도의 균형 측면에서도 가장 적합한 모델로 평가되었다. 딥러닝 모델은 단순한 형태의 시설에 대해 높은 IoU 값을 기록하며 우수한 성능을 보였고 일부 낮은 IoU 값을 가진 결과에서도 시설물의 형태와 위치는 맨눈으로 충분히 식별할 수 있었으며, 이는 항공영상의 해상도 한계와 팜맵 기준의 오차 허용 범위에 기인한 것으로 분석된다. 아울러, 갱신 작업자의 추가적인 작업을 통해 정확도를 개선할 수 있음을 확인하였다. 따라서, 본 연구에서 제안한 딥러닝 모델은 팜맵 갱신 과정에서 자동화된 경계 추출 결과를 맨눈으로 검토하여 직접 활용할 수 있는 수준의 실용성을 확보하고 실제 갱신 업무에 적용할 수 있을 것으로 판단된다.
