넙치 외형 질병 분류를 위한 딥 매트릭 학습 모델 성능 평가 (Performance Evaluation of Deep Matrix Learning Model for Paralichthys Olivaceus Appearance Diseases Classification)

서지정보

· 발행기관 : 한국콘텐츠학회
· 수록지 정보 : 한국콘텐츠학회 논문지 / 23권 / 10호 / 26 ~ 37페이지
· 저자명 : 최한석, 강자영, 손현승

초록

우리나라 연안에 있는 양식장에서는 어류 질병 발생이 시기를 불문하고 연중으로 발생하고 있어 양식 어가의 생산성 향상을 위해서는 어류의 질병을 사전에 진단하고 예측하는 연구를 통한 어류 질병분류가 매우 필요하다. 본 연구에서는 질병 증상이 있는 어류 외형 이미지를 중심으로 학습 데이터를 라벨링 하지 않고 소분류에 적합한 딥 매트릭스 학습 모델기반 Deep FDC 모델을 제안한다. Deep FDC 모델은 3가지 넙치 질병인 림포시스티스병, 스쿠티카병, 비브리오증 분류에 대하여 학습 성능이 매우 높음을 보여주었다. Deep FDC 모델의 재현율 Recall@K 성능 평가를 보면, Epoch 300에서 사용된 Recall@8에서 인스턴스 가중치 손실 재현율은 97.14%, 대조 손실은 97.50%, 이항 편차 손실은 96.25%, 하드 마이닝 손실은 96.55%로서 대조 손실의 재현율이 제일 높음을 알 수 있다. 또한, DeepFDC 모델의 4가지 손실 함수에 대한 손실 평균을 비교하면, 인스턴스 가중치 손실 평균은 1.83, 대조 손실 평균은 4.18, 이항 편차 손실 평균은 1.86, 하드 마이닝 손실 평균은 0.98로 손실 평균이 가장 낮은 것은 하드 마이닝 손실로서 Deep FDC 모델에서 학습이 가장 잘 진행된 것으로 나타났다. Deep FDC 모델은 효과적인 손실 함수를 사용할 경우, 넙치 외형 질병 증상을 보고 이미지 세그멘테이션 라벨링을 하지 않고도 질병분류를 쉽게 할 수 있는 우수성을 보여준다. 본 논문의 기대효과는 넙치 외형 증상을 보고 넙치 질병을 조기에 감지하여 질병으로 인한 집단 폐사율을 감소시켜 수산 양식의 생산성을 높일 수 있다.

영어초록

Fish diseases occur year-round in fish farms on the coast of Korea. It is very necessary to diagnose and predict fish diseases in advance for improving the productivity of fish farms. In this paper, we propose a Deep FDC(Fish Diseases Classification) model based on a deep matrix learning model which is a very suitable for classification problem without labeling the learning data of fish disease symptom images. The Deep FDC model shows that learning performance was very high for three diseases classifications(Lymphocystis, Scutica disease, and Vibrioosis). The Recall@K performance evaluation of the Deep FDC model shows that the recall rate of the instance weight loss is 97.14%, the contrast loss is 97.50%, the binomial deviation loss is 96.25%, and the hard mining loss is 96.55%. Moreover, comparing the loss averages for four loss functions in the Deep FDC model, the instance-weighted loss average is 1.83, the contrast loss average is 4.18, the binomial deviation loss average is 1.86, and the lowest loss average is hard mining loss, which is the best learning in the Deep FDC model. The Deep FDC model demonstrates the superiority of using effective loss functions to facilitate disease classification without labeling image segmentation of Paralichthys olivaceus appearance disease symptoms. The expected effect of this paper is to increase the productivity of fish farming as reducing the mass mortality rate caused by diseases by seeing external symptoms and detecting Paralichthys olivaceus diseases early.

참고자료

· 없음