스마트 농업을 위한 전이 학습 기반 작물 병해충 분류 모델 연구 (A Study on Transfer Learning-Based Crop Pest and Disease Classification Model for Smart Agriculture)

서지정보

· 발행기관 : 한국산학기술학회
· 수록지 정보 : 한국산학기술학회논문지 / 26권 / 4호 / 570 ~ 575페이지
· 저자명 : 황승연, 장석우

초록

본 연구는 국내 재배 아열대·열대 병해충 이미지 데이터에서 애플망고의 ‘정상’, ‘총채벌레’, ‘그을음병’ 세 클래스를 분류하기 위한 전이 학습(Transfer Learning) 기반 딥러닝 모델을 제안한다. 사전 학습된 ResNet50을 베이스 모델로 활용하여 특징 추출과 파인튜닝(Fine-tuning)의 두 단계 학습 전략을 적용하였다. 데이터 전처리 과정에서는 모든 이미지의 크기를 모델 입력에 맞게 조정하고 정규화하였으며 다양한 데이터 증강 기법을 도입하여 데이터 다양성을 확보하고 과적합을 방지하였다. 특징 추출 단계에서는 사전 학습된 가중치를 고정한 상태에서 분류기를 학습하였으며 파인튜닝 단계에서는 상위 20%의 레이어를 학습 가능하게 조정하여 도메인 특성에 맞게 모델을 최적화하였다. 학습 과정에서는 학습률을 동적으로 조절하고 모델의 일반화 성능을 강화하였다. 실험 결과, 전체 100 에폭 학습 과정에서 훈련 및 검증 손실과 정확도는 안정적으로 수렴하였으며 혼동 행렬 분석을 통해 정상 클래스는 높은 분류 정확도를 보였으나, 총채벌레와 그을음병 간에는 일부 혼동이 발생함을 확인할 수 있었다. 본 연구의 결과는 스마트 농업 환경에서 조기 병해충 진단 및 자동화된 대응 체계 구축에 활용될 수 있으며 향후 다양한 작물 및 병해충 유형으로의 확장 가능성을 제시한다.

영어초록

This paper proposes a transfer learning-based deep learning model for classifying three classes-'normal,' 'thrips,' and 'sooty mold'-in apple mango disease and pest images from domestically cultivated subtropical and tropical crops. Pre-trained ResNet50 software was used as the base model, using a two-step training strategy: Feature Extraction and Fine-tuning. During data preprocessing, all images were resized and normalized to fit the model input, and various data augmentation techniques were applied to enhance data diversity and prevent overfitting. In the Feature Extraction phase, the classifier was trained while keeping the pre-trained weights fixed, while in the Fine-tuning phase, the top 20% of layers were made trainable to optimize the model for domain-specific characteristics. The learning rate was adjusted dynamically throughout training to improve generalization. The experimental results showed that training and validation losses and accuracies converged stably over 100 epochs. Confusion matrix analysis indicated high classification accuracy for the normal class, but some misclassification occurred between thrips and sooty mold. These findings are expected to contribute to early disease and pest detection and the development of automated response systems in smart agriculture, with the potential for expansion to various crops and pest types.

참고자료

· 없음