이미지 초해상화 기법을 활용한 작물 병해충 진단 모델의 재현율 향상 (Improved Recall of Plant Disease Detection Model using Image Super Resolution)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회논문지 / 51권 / 2호 / 125 ~ 130페이지
· 저자명 : 김형경, 임채성, 탁승민

초록

작물의 병해충은 수확량에 큰 영향을 미치기 때문에 병해충의 조기 식별과 진단은 매우 중요하다. 이를 위해, 인공지능을 활용하여 작물 병해충을 진단해주는 모델들을 개발하고 고도화하는 연구가 활발하게 진행되고 있다. 하지만, 검증 시 좋은 성능을 보였던 모델이라도 운용 시 입력된 이미지의 해상도가 낮으면 성능이 낮아지는 문제가 있다. 낮은 해상도로 인해 병해충이 진단되지 않아 방제가 늦어진다면 작물 전체가 병해충에 영향을 받아 수확량이 감소하는 문제가 발생한다. 본 연구는 이미지의 해상도를 높이는 초해상화 기술을 활용하여 모델의 재현율 향상이 목적이다. 초해상화 기법은 바이큐빅, SRCNN, SRGAN을 사용하였다. 64×64, 128×128, 192×192 크기의 테스트 이미지를 각각 4배의 크기로 초해상화한 후, 직접 학습시킨 YOLOv5모델로 병해충 진단 테스트를 진행하였다. 그 결과 SRGAN 34%, SRCNN 30%, 바이큐빅 19%의 재현율 향상을 보였다.

영어초록

Early identification and diagnosis of plant disease is very important because plant diseases have a great impact on yield. Currently, research on developing and advancing models for diagnosing plant diseases and pests using artificial intelligence is being actively conducted. However, even if the model showed good performance during verification, the performance deteriorates when the resolution of the input image is low during operation. If disease control is delayed because of delayed diseases diagnosis due to low resolution, the entire crop is affected by the diseases resulting in a decrease in yield. The purpose of this study was to improve the reproducibility of the model by utilizing super-resolution that increases the resolution of the image. BICUBIC, SRCNN, and SRGAN were used as super-resolution algorithms. After x4 scale super-resolution of test images with 64×64, 128×128, and 192×192 resolutions, they were directly input into the trained YOLOv5 model. As a result, the recall improved by 34% in SRGAN, 30% in SRCNN, and 19% in BICUBIC.

참고자료

· 없음