딥러닝을 활용한 딸기 생육지표 인식 (Strawberry Growth Index Detection using Deep Learning)

서지정보

· 발행기관 : 한국산학기술학회
· 수록지 정보 : 한국산학기술학회논문지 / 24권 / 11호 / 558 ~ 565페이지
· 저자명 : 최우주, 권경도, 김경철, 김국환, 양창주, 이기범, 홍영기

초록

기후변화, 농업 종사 인구 감소로 안정적 식량 자원 확보의 위험성이 증가함에 따라 이를 해결하기 위해 첨단농업기술이 연구되고 있다. 특히 국내에서 많이 재배되는 딸기의 경우 재배 시기에 따라 요구되는 농작업이 다양하고많기 때문에 안정적 수익을 위해 정확하고 빠른 모니터링 기술 기반 첨단 농업기술의 적용이 필요하다. 본 연구에서는RGB 영상과 Deep learning을 이용해 생식생장 시기의 딸기 생육지표를 인식할 수 있는 적합한 모델을 찾고자 하였다.
학습에 사용된 알고리즘 중 YOLO v5-Large 알고리즘은 총 6개(꽃, 과실 등) Class 인식결과에서 mAP50 0.66 및FPS 89.29의 성능을 보였다. 또한, Mask R-CNN 알고리즘 인식 결과 mAP50 0.59로 Object detection과 비슷한수준의 성능을 보였지만, FPS가 26.04로 감소하였다. 본 연구에서 높은 성능을 보인 모델은 생식생장 시기에 적절한자원과 인력 투입의 의사결정을 지원하는 모니터링 기술에 활용 가능하다. 추후 연구에서 인식 성능을 높이는 기술을다룰 예정이다.

영어초록

As the risks of securing stable food resources increase due to climate change and a decrease in the agricultural workforce, agricultural technologies are being developed to address this issue. In particular, many strawberries are grown in South Korea and require accurate and fast monitoring technology for stable profits. The reason is that many agricultural tasks are required depending on the cultivation period. This study attempted to find a suitable model for detecting the strawberry growth index during the reproductive growth period using an RGB image and deep learning. Among algorithms used for training, the YOLO v5-Large algorithm showed an mAP50 of 0.66 and FPS of 89.29 in the object detection results for a total of six classes (flowers, fruits, etc.). In addition, the Mask R-CNN algorithm's performance was similar with an mAP50 of 0.59, but the FPS was decreased to 26.04. The model that showed high performance to detect the growth index can be used in monitoring technology that supports decision making for appropriate resources and manpower input during growth. Future studies will improve the performance of detection.

참고자료

· 없음