Information Systems Review (경영정보학연구)

The Korea Society of Management Information Systems (한국경영정보학회)
권호 표지
DOI QR코드

DOI QR Code

Detection Model of Fruit Epidermal Defects Using YOLOv3: A Case of Peach

YOLOv3을 이용한 과일표피 불량검출 모델: 복숭아 사례

  • Hee Jun Lee (Department of Management Information Systems, Keimyung Univeristy) ;
  • Won Seok Lee (Department of Management Information Systems, Keimyung Univeristy) ;
  • In Hyeok Choi (Department of Management Information Systems, Keimyung Univeristy) ;
  • Choong Kwon Lee (Department of Management Information Systems, Keimyung Univeristy)
  • 이희준 (계명대학교 대학원 경영정보학과) ;
  • 이원석 (계명대학교 대학원 경영정보학과) ;
  • 최인혁 (계명대학교 대학원 경영정보학과) ;
  • 이충권 (계명대학교 경영정보학전공)
  • Received : 2019.08.17
  • Accepted : 2019.12.02
  • Published : 2020.02.29
Download PDF
⟨ Previous Next ⟩

Abstract

In the operation of farms, it is very important to evaluate the quality of harvested crops and to classify defective products. However, farmers have difficulty coping with the cost and time required for quality assessment due to insufficient capital and manpower. This study thus aims to detect defects by analyzing the epidermis of fruit using deep learning algorithm. We developed a model that can analyze the epidermis by applying YOLOv3 algorithm based on Region Convolutional Neural Network to video images of peach. A total of four classes were selected and trained. Through 97,600 epochs, a high performance detection model was obtained. The crop failure detection model proposed in this study can be used to automate the process of data collection, quality evaluation through analyzed data, and defect detection. In particular, we have developed an analytical model for peach, which is the most vulnerable to external wounds among crops, so it is expected to be applicable to other crops in farming.

농가를 운영함에 있어서 수확한 작물에 대한 품질을 평가하여 불량품을 분류하는 작업은 매우 중요하다. 그러나, 농가는 부족한 자본과 인력으로 인하여 품질평가에 소요되는 비용과 시간을 감당하는데 어려움이 있다. 이에 본 연구는 인공지능 기술인 딥 러닝 알고리즘을 이용하여 과일의 표피를 분석함으로써 불량을 검출하고자 한다. 과일을 촬영한 동영상 이미지에 대하여 영역기반 합성곱 신경망(Region Convolutional Neural Network)을 기반으로 한 YOLOv3 알고리즘을 적용하여 표피를 분석할 수 있는 모델을 개발하였다. 총 4개의 클래스를 정해서 학습을 진행하였고, 총 97,600번의 epoch을 통해서 우수한 성능의 불량검출 모델을 얻을 수 있었다. 본 연구에서 제안한 농작물 불량검출 모델은 데이터 수집, 분석된 데이터를 통한 품질평가, 그리고 불량검출에 이르는 과정의 자동화에 활용될 수 있다. 특히, 농작물들 중에서도 외상에 가장 취약한 복숭아를 대상으로 분석모델을 개발하였기 때문에, 다른 작물에도 적용될 수 있을 것으로 기대된다.

Keywords

References

  1. 권기만, 김재원, 윤광섭, "전처리 및 포장방법이 냉풍감압건조 복숭아의 품질에 미치는 영향", 한국식품저장유통학회지, 제20권, 제3호, 2013, pp. 317-322.  https://doi.org/10.11002/KJFP.2013.20.3.317
  2. 김상철, "4차 산업혁명과 스마트팜 기술 개발", 한국농공학회지, 제59권, 제2호, 2017, pp. 10-18. 
  3. 김영상, 유성민, "4차 산업혁명과 IoT-AI 플랫폼", 한국정보기술학회지, 제15권, 제1호, 2017, pp. 1-7. 
  4. 문성은, 장수범, 이정혁, 이종석, "기계학습 및 딥러닝 기술동향", 한국통신학회지(정보와 통신), 제33권, 제10호, 2016, pp. 49-56. 
  5. 신현엽, 임효균, 김원태, "전력 소모 절감을 위한 딥 러닝기반의 지능형 그린 하우스 제어 시스템", 전기전자학회논문지, 제22권, 제1호, 2018, pp. 53-60.  https://doi.org/10.7471/IKEEE.2018.22.1.53
  6. 엄향란, 황대근, 홍윤표, 이승구, "복숭아 '미백도'의 유통 중 품질유지를 위한 일산화질소 처리 효과 및 시기 결정", 원예과학기술지, 제27권, 제4호, 2009, pp. 618-624. 
  7. 오정원, 김행곤, "IoT 기반 Apache Spark 분석 기법을 이용한 과수 수확 불량영역 모니터링 아키텍처 모델", 스마트미디어저널, 제6권, 제4호, 2017, pp. 1-7. 
  8. 윤철호, 박창희, "농업경영체의 온라인 직거래 마케팅 수용에 관한 실증적 연구", Information Systems Review, 제20권, 제1호, 2018, 41-59. 
  9. 이혜림, 윤광섭, "냉풍 및 적외선 건조에 따른 건조 복숭아의 품질 특성", 한국식품저장유통학회지, 제19권, 제4호, 2012, pp. 485-491.  https://doi.org/10.11002/KJFP.2012.19.4.485
  10. 장주희, 박재희, 반기은, 이경행, "Ultraviolet-C 조사에 의한 복숭아의 저장 중 품질변화", 한국식품영양과학회지, 제41권 제12호, 2012, pp. 1798-1804.  https://doi.org/10.3746/JKFN.2012.41.12.1798
  11. 장필성, "4차 산업 혁명의 기술적 특징과 농업 적용 기술", 세계농업, 제200호, 2017, pp. 167-188. 
  12. 정미진, 안덕순, 박우포, 이동선, "농산물 유통 과정에서 복숭아의 품질유지를 위한 마스터 포장 시스템", 한국포장학회지, 제19권 제1호, 2013, pp. 7-10. 
  13. 최영찬, 장익훈, "4차 산업혁명시대의 스마트 팜", 한국통신학회지(정보와통신), 제36권, 제3호, 2019, pp. 9-16. 
  14. Bay, H., T. Tuytelaars, and L. Van Gool, "Surf: Speeded up robust features", European Conference on Computer Vision, Springer, Berlin, Heidelberg, 2006, pp. 404-417. 
  15. Benjdira, B., T. Khursheed, A. Koubaa, A. Ammar, and K. Ouni, "Car detection using unmanned aerial vehicles: Comparison between faster r-cnn and yolov3", IEEE 1st International Conference on Unmanned Vehicle Systems-Oman (UVS), 2019, pp. 1-6. 
  16. Girshick, R., J. Donahue, T. Darrell, and J. Malik, "Rich feature hierarchies for accurate object detection and semantic segmentation", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2014, pp. 580-587. 
  17. Girshick, R., "Fast r-cnn", Proceedings of the IEEE International Conference on Computer Vision, 2015, pp. 1440-1448. 
  18. He, K., X. Zhang, S. Ren, and J. Sun, "Deep residual learning for image recognition", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 770- 778. 
  19. Kamilaris, A., A. Kartakoullis, and F. Prenafeta-Boldu, "A review on the practice of big data analysis in agriculture", Computers and Electronics in Agriculture, No.143, 2017, pp. 23-37. 
  20. Kim, J., C. Rhee, and J. Moon, "Gaining insight into IT investment in the agriculture industry: Comparison of IT portfolios by type of crops", Asia Pacific Journal of Information Systems, Vol.27, No.4, 2017, pp. 233-244. 
  21. Krizhevsky, A., I. Sutskever, and G. E. Hinton, "Imagenet classification with deep convolutional neural networks", Advances in Neural Information Processing Systems, 2012, pp. 1097-1105. 
  22. Lowe, D. G., "Distinctive image features from scale-invariant keypoints", International Journal of Computer Vision, Vol.60, No.2, 2004, pp. 91-110. 
  23. Mandal, M., M. Shah, P. Meena, and S. K. Vipparthi, "SSSDET: Simple short and shallow network for resource efficient vehicle detection in Aerial Scenes.", IEEE International Conference on Image Processing (ICIP), 2019, pp. 3098-3102. 
  24. Redmon, J., S. Divvala, R. Girshick, and A. Farhadi, "You only look once: Unified, real-time object detection", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 779-788. 
  25. Redmon, J. and A. Farhadi, "YOLO9000: Better, faster, stronger", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017, pp. 7263-7271. 
  26. Redmon, J. and A. Farhadi, "Yolov3: An incremental improvement", arXiv preprint arXiv:1804.02767, 2018. 
  27. Ren, S., K. He, R. Girshick, and J. Sun, "Faster r-cnn: Towards real-time object detection with region proposal networks", Advances in Neural Information Processing Systems, 2015, pp. 91-99. 
  28. Szegedy, C., A. Toshev, and D. Erhan, "Deep neural networks for object detection", Advances in Neural Information Processing Systems, 2013, pp. 2553-2561.