딥러닝 기술을 활용한 복숭아 ‘미황’의 성숙도 자동 분류 (Prediction of Fruit Maturity of ‘Mihwang’ Peach using Deep Learning)

서지정보

· 발행기관 : 한국원예학회
· 수록지 정보 : 원예과학기술지 / 42권 / 1호 / 80 ~ 93페이지
· 저자명 : Lee Sang Jun, 신미희, Jayasooriya L. Sugandhi Hirushika, Wijethunga W.M. Upeksha Darshani, Lee Seul Ki, Cho Jung Gun, Jang Si Hyeong, Cho Byoung-Kwan, 김진국

초록

소비자에게 전달되는 복숭아는 숙도에 따라서 품질이 달라지기 때문에 섭취하기에 적합한 숙도를 고려하여 유통하는 과정이 필요하다. 또한, 숙도는 복숭아의 상품성 및 저장성에 영향을 미칠 수 있어 적합한 수확 시기를 선정하는 작업이 요구되지만, 현재 노지 과수 작목의 숙도 판별에 대한 국내 연구는 미미한 실정이다. 그렇기 때문에 본 연구에서는 딥러닝 객체 탐지 분류모델을 활용하여 복숭아 ‘미황’에 대한 숙도 분류 모델을 개발하였다. 실험실 내부 및 야외에서 촬영된 각 2,800장의 이미지를활용하여 데이터 셋을 구축하였고, 수확 날짜 및 복숭아 과정부(apex)의 색도 a* 값을 기준으로 하는 두 개의 데이터 셋으로구성하여 각 셋의 구분 기준에 따라 미숙, 적숙 그리고 과숙 3개의 class로 분류하였다. Train : Validation : Test 데이터 셋은7 : 2 : 1의 비율로 분류하였고 데이터의 다양성 향상 및 unbalance를 해결하기 위해 augmentation을 실시하였다. 딥러닝 모델은 EfficientNet, YOLOv5 그리고 Vision Transformer를 활용하였으며 EfficientNet에서 가장 우수한 분류 모델 성능을 기록하였다. 날짜 기준 분류 모델은 분류 모델 성능 평가 지표 기준 최저 및 최대 100%의 정확도를 달성하였고, 색도 a* 값 기준 분류모델은 최저 94.7%, 최대 98.2%의 높은 정확도를 보였다. 본 연구에서 개발된 객체 탐지 기반 복숭아 숙도 분류 모델은 향후노지 과수 작목의 숙도 분류를 통한 기계수확 적기 판정 작업에 활용될 수 있을 것으로 판단된다.

영어초록

Peach must be delivered to market when at their proper ripeness, as its fruit quality declines quickly after harvest. Therefore, it is necessary to consider suitable ripeness for consumption and distribution. However, research on ripeness judgments for peaches in the orchard is scarce. This study used deep learning technology to develop a ripeness classification model for ‘Mihwang’ peaches. A dataset was prepared using 2,800 images, each taken from a peach orchard (outside dataset) and a laboratory (inside dataset) with the same fruit. The dataset was constructed based on the harvest date of the peaches and the peach apex’s skin color (a* value). It uses three classes, immature, ripe, and overripe, according to the classification criteria of the two datasets. The model was trained with a ratio of 7:2:1 of training data, validation data, and test data, and image data augmentation was carried out to improve the diversity of the data and to solve any imbalances.
Among EfficientNet, YOLOv5, and Vision Transformer, the deep learning model recorded the best classification model performance on EfficientNet. Based on the classification model and performance evaluation index, the harvest-date-based classification model achieved the highest accuracy of 100%. The classification model based on the apex color a* value of peaches showed high accuracy with a minimum rate of 94.7% and a maximum rate of 98.2%. The peach ripeness classification model developed in this study can be used for determining the proper time for the mechanical harvesting of fruit from an orchard.

참고자료

· 없음