데이터 증강 기술을 활용한 딥러닝 기반의 노린재 탐지 연구 (Deep Learning-Based Hemiptera:Heteroptera Detection Using Data Augmentation)

서지정보

· 발행기관 : 한국산학기술학회
· 수록지 정보 : 한국산학기술학회논문지 / 25권 / 4호 / 605 ~ 613페이지
· 저자명 : 임지선, 최윤성, 박종혁

초록

병충해 예방 및 관리는 농업 분야에서 중요한 주제이다. 본 연구는 농작물에 피해를 주고 있는 노린재목(Hemiptera)을 탐지하여 병충해로 인한 피해를 최소화하고, 지속 가능한 농업 생산을 위한 딥러닝 알고리즘을 개발하고자 수행되었다. 이에 YOLOv5s와 YOLOv8n과 같은 객체 탐지(Object Detection)의 대표적인 모델을 활용하여 종이다양하고 작은 객체인 노린재를 효과적으로 탐지하는지 실험하였다. 또한 클래스 간의 불균형 상황에서의 오탐지를 감소시키기 위한 방법으로 데이터 증강(Data Augmentation) 기법 중 뒤집기, 회전, 크기 조정, 곱하기 그리고 대비와 같은기법을 도입하여 모델의 성능을 비교하였다. 종합적으로, YOLOv8n을 사용한 전체 클래스에 대한 데이터 증강 시 ‘곱하기’와 ‘대비’ 기법을 사용했을 때 mAP50 0.992로 성능이 가장 높게 나왔다. 특히, 이 기법은 유독 오탐지가 잦았던'먹노린재' 클래스 대상으로도 mAP50 0.995로 가장 높게 나왔다. 이어 '먹노린재' 데이터만 증강하여 추가한 실험과YOLOv5s 모델에서도 유사한 결과를 얻었다. 이러한 실험 결과를 통해 데이터 증강기법을 적용한 인공지능 모델이 노린재 탐지에서 성능 향상에 기여할 수 있음을 확인할 수 있었으며, 이러한 연구 결과는 농업 분야의 병충해 예방과 관리에서 인공지능을 활용하는 데 도움이 될 것으로 기대한다.

영어초록

Pest prevention and management are critical topics in the field of agriculture. This study was conducted to determine ways to minimize damage caused by pests, specifically focusing on detection of the Hemiptera that harm crops, and to develop a deep learning algorithm for sustainable agricultural production. In this context, object detection models such as YOLOv5s and YOLOv8n were utilized to experiment with effective detection of Hemiptera, which are diverse and small in size. Additionally, to reduce false detection in situations of class imbalance, data augmentation techniques were introduced, including flipping, rotating, resizing, multiplying, and adjusting contrast, and the performance of the models was compared. Using YOLOv8n, the application of multiply-and-contrast techniques in data augmentation for all classes achieved the highest performance overall (mAP50 of 0.992). Notably, this approach yielded the highest score for the Meok Norinjae class (Scotinophara lurida), which was prone to frequent false detection (mAP50 of 0.995). Subsequently, similar results were obtained in the experiment with YOLOv5s, added by augmenting only the Meok Norinjae data. These experimental outcomes demonstrate that artificial intelligence models enhanced with data augmentation techniques can contribute to performance improvements in detecting Hemiptera. Such findings are expected to assist in the utilization of artificial intelligence for pest prevention and management in agriculture.

참고자료

· 없음