Density-based clustering algorithms have been the most commonly used algorithms for discovering regions and points of interest in cities using global positioning system (GPS) information in geo-tagged photos. However, users sometimes find more specific areas of interest using real objects captured in pictures. Recent advances in deep learning technology make it possible to recognize these objects in photos. However, since deep learning detection is a very time-consuming task, simply combining deep learning detection with density-based clustering is very costly. In this paper, we propose a novel algorithm supporting deep content and density-based clustering, called deep density-based spatial clustering of applications with noise (DeepDBSCAN). DeepDBSCAN incorporates object detection by deep learning into the density clustering algorithm using the nearest neighbor graph technique. Additionally, this supports a graph-based reduction algorithm that reduces the number of deep detections. We performed experiments with pictures shared by users on Flickr and compared the performance of multiple algorithms to demonstrate the excellence of the proposed algorithm.

농가와 농가인구의 지속적인 감소 및 고령화 문제는 농업의 생산성에 큰 영향을 주고 있다. 이런 문제점들을 해결하기 위한 방안으로 농업용 로봇 개발의 필요성이 강조되고 있다. 복분자 재배의 특성 상 가파른 언덕과 좁은 사로와 같은 독특한 환경 조건을 고려한 농업용 로봇의 개발이 요구된다. 이에 본 논문에서는 LiDAR 센서와 YOLOv5를 기반으로 한 실시간 객체 인식 기술을 활용하여 복분자 재배 환경에 특화된 자율주행 시스템을 제안한다. 제안 시스템은 사용자의 키 입력으로 로봇을 목적지로 이동시키며, 이동 경로 상에 있는 설정된 장애물과의 안전 거리를 유지하면서 효과적으로 목적지까지 이동한다. 실험 결과 거리유지 실험에서는 평균 약 0.038m의 오차를 보였고, 위치정확도에 대한 실험에서는 평균 약 5.7252%의 오차를 보였다. 이러한 결과는 복분자 재배 환경같은 좁은 사로에서도 원활한 자율주행을 보여준다.