• Journal of the Korea Society for Simulation
• /
• v.29 no.4
• /
• pp.1-7
• /
• 2020

Early detection and classification of crop diseases play significant role to help farmers to reduce disease spread and to increase agricultural productivity. Recently, many researchers have used deep learning techniques like convolutional neural network (CNN) classifier for crop disease inspection with dataset of crop leaf images (e.g., PlantVillage dataset). These researches present over 90% of classification accuracy for crop diseases, but they have ability to detect only the pre-trained diseases. This paper proposes an efficient disease inspection CNN model for new crops not used in the pre-trained model. First, we present a benchmark crop disease classifier (CDC) for the crops in PlantVillage dataset using VGG16. Then we build a modified crop disease classifier (mCDC) to inspect diseases for untrained crops. The performance evaluation results show that the proposed model outperforms the benchmark classifier.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2023.01a
• /
• pp.457-460
• /
• 2023

본 연구는 시설작물의 병충해 진단을 위해 딥러닝 모델을 응용한 인공지능 서비스 앱, Dr. Vegetable을 제안하고자 한다. 농업 현장에서 숙련된 농부는 한눈에 농작물의 병충해를 판단할 수 있지만 미숙련된 농부는 병충해 피해를 발견하더라도 그 종류와 해결 방법을 찾아내기가 매우 어렵다. 또한 아무리 숙련된 농부라고 할지라도 육안검사만으로 병충해를 조기에 발견하는 것은 쉽지 않다. 한편 시설작물의 경우 병충해에 의한 연쇄피해가 발생할 우려가 있으므로 병충해의 조기 발견 및 방제가 매우 중요하다. 즉, 농부의 경험에 따른 농작물 병해충 진단은 정확성을 장담할 수 없으며 비용과 시간적인 측면에서 위험성이 높다고 할 수 있다. 본 논문에서는 YOLOv5를 활용하여 상추, 고추, 토마토 등 농작물의 병충해를 진단하는 인공지능 서비스를 제안한다. 특히 한국지능정보사회진흥원이 운영하고 있는 AI 통합 플랫폼인 AI 허브에서 제공하는 노지 작물 질병 및 해충 진단 이미지를 사용하여 딥러닝 모델을 학습하였다. 본 연구를 통해 개발된 모바일 어플리케이션을 이용하여 실제 시설농장에서 병충해 진단 서비스를 적용한 결과 약 86%의 정확도, F1 Score 0.84, 그리고 0.98의 mAP 값을 얻을 수 있었다. 본 연구에서 개발한 병충해 진단 딥러닝 모델을 다양한 조도에서 강인하게 동작하도록 개선한다면 농업 현장에서 널리 활용될 수 있을 것으로 기대한다.

• The Journal of Bigdata
• /
• v.1 no.1
• /
• pp.19-22
• /
• 2016

Many Studies have been actively conducted on the early diagnosis of the crop pest utilizing IT technology. The purpose of the paper is to discuss on the image processing method capable of detecting the crop leaf pest prematurely by analyzing the image of the leaf received from the camera sensor. This paper proposes an algorithm of diagnosing leaf infection by utilizing an improved K means clustering method. Leaf infection grouping test showed that the proposed algorithm illustrated a better performance in the qualitative evaluation.

• The Korean Nurse
• /
• v.16 no.4 s.90
• /
• pp.52-54
• /
• 1977

현대 공업화의 발전과 공학의 진보로 우리국민은 비교적 풍부하고 조용한 번영의 시기를 30 여년간 향유할 수 있었다. 생활수준이 높아졌고 질병의 주요 원인이 급성 전염병에서 뇌졸중병, 악성종양사고 및 심장병 같은 만성상태로 변했다. 일반적으로 사람들에게 정보가 잘 들어가고 있으며 건강한 생활을 유지하는데 유용한 많은 자원을 발견하고 있다. 우리가 살고 있고 유용한 전문인으로서 인류에게 봉사하고 있는 문화속에서 우리는 건강한 생활을 유지하는 민속법을 무시해서는 안 된다. 사회는 간호전문직에게 건강관리를 맡겼다. 따라서 우리는 책임수행에 있어서 하나라도 남겨 놓은게 있어서는 안 된다. 우리의 가까운 주위를 관찰하고 들어 봄으로써 우리는 타인의 건강욕구에 좀더 민감하고 세심해질 수 있다. 우리가 서양의 과학원칙을 간호실제에 적용시키고 있지만, 동양의 보다 더 내향적이고 완전한 생활방법도 역시 우리의 유용한 전문직의 가능성을 풍부하게 하고 확장시키는데 적용될 수 있다. 새로운 것과 오래된 것의 연속성이 계속 되야 하며, 고객을 도와주면서, 우리는 현재의 새로운 농작물을 경작하여 미래의 유용한 성숙된 농작물로 키울 수 있다. 우리의 전문적인 생활과 고객의 생활을 풍부하게 해줄 수 있는 유용한 자원이 많이 있으며, 우리의 문화적 환경에서 성취할 수 있는 귀중한 자원을 그냥 지나칠 순 없다. 우리는 지금 여기서 행동해야 한다.

• Proceedings of the Korean Statistical Society Conference
• /
• 2002.05a
• /
• pp.99-104
• /
• 2002

cDNA 마이크로어레이자료를 이용한 분류방법은 수많은 유전자의 발현을 동시에 모니터링 할 수 있으므로 특정 질병간의 분자생물학적 변이를 이해하는데 있어 기존의 분류방법보다 신뢰성이 훨씬 높을 것으로 기대되고 있다 최근에 Dudoit et al.(2001)은 cDNA 마이크로어레이를 이용한 유전자발현자료의 분석에 있어 분류를 위한 여러 고전적인 판별분류기법 및 최근에 개발된 기법들을 비교, 평가하였다. 본 논문에서는 Dudoit et al.(2001)에서 다루지 않았던 많은 최신 기법들을 포함하여 인간의 종양 자료뿐만이 아니라 농작물을 포함한 동식물 자료에 적용하여 보다 폭넓은 비교연구를 하였다.

• Journal of Internet of Things and Convergence
• /
• v.6 no.1
• /
• pp.83-95
• /
• 2020

Being a dense and complex task of precisely detecting the weeds in practical crop field environment, previous approaches lack in terms of speed of processing image frames with accuracy. Although much of the attention has been given to classify the plants diseases but detecting crop weed issue remained in limelight. Previous approaches report to use fast algorithms but inference time is not even closer to real time, making them impractical solutions to be used in uncontrolled conditions. Therefore, we propose a detection model for the complex rice weed detection task. Experimental results show that inference time in our approach is reduced with a significant margin in weed detection task, making it practically deployable application in real conditions. The samples are collected at two different growth stages of rice and annotated manually

• Journal of the Korea Society for Simulation
• /
• v.30 no.2
• /
• pp.41-48
• /
• 2021

As the rural population continues to decline and aging, the improvement of agricultural productivity is becoming more important. Early prediction of crop quality can play an important role in improving agricultural productivity and profitability. Although many researches have been conducted recently to classify diseases and predict crop yield using CNN based deep learning and transfer learning technology, there are few studies which predict postharvest crop quality early in the planting stage. In this study, a early quality prediction model is proposed for sprout ginseng, which is drawing attention as a healthy functional foods. For this end, we took pictures of ginseng seedlings in the planting stage and cultivated them through hydroponic cultivation. After harvest, quality data were labeled by classifying the quality of ginseng sprout. With this data, we build early quality prediction models using several pre-trained CNN models through transfer learning technology. And we compare the prediction performance such as learning period and accuracy between each model. The results show more than 80% prediction accuracy in all proposed models, especially ResNet152V2 based model shows the highest accuracy. Through this study, it is expected that it will be able to contribute to production and profitability by automating the existing seedling screening works, which primarily rely on manpower.

• Journal of Environmental Health Sciences
• /
• v.19 no.1
• /
• pp.24-29
• /
• 1993

I. 서론 : 식생활은 인간의 가장 원초적인 욕구이며 생존을 위한 기본조건입니다. 그러므로 식생활의 기본이 되는 식품은 사람에게 가식성, 영양성, 안전성을 충족시켜야 하며 여기에 생산자의 입장에서는 높은 생산성이 요구되고 있습니다. 이러한 식품의 구비조건은 과거 자급자족의 농경시대에는 생산자가 바로 소비자로서 커다란 문제를 제기하지 않았으나 도시화, 산업화된 현대사회에서는 생산자와 소비자가 다르며 식품은 상품으로서 판매되므로 소비자는 고품질의 안전한 식품을 요구하고 생산자는 수익성이 높은 고생산성의 식품을 상품으로서 생산하기에 이르렀습니다. 축산식품이 상품으로 생산되면서 생산자들은 더 높은 생산성을 요구하게 되었고 이러한 요구에 따라 축산분야에서는 가축 품종의 육종 개량과 함께 생산성을 저해하는 각종 질병의 예방과 치료약제 및 성장촉진과 사료효율을 개산할 수 있는 물질들을 사료첨가제로 개발하여 사용하게 되었습니다. 그러나 이러나 의도적으로 사용한 물질들은 대부분 항생제물질이나 화학적 합성품들로서 가축자체는 물론 생산물에 잔류되어 그 축산물을 이용하는 사람에게 유해작용의 우려를 갖게 하였습니다(의도적 오염). 또한 농작물의 생산성을 높이기 위하여 사용되는 농약들은 경우에 따라서는 샤료곡물에 잔류되어 사료를 통한 오염원ㅇ니이 될 수도 있고 목초지에 산포한 잔류성 농약이 목초를 오염시켜 뜻하지 않게 가축과 축산물을 오염시킬 수도 있습니다. 축산분야에서 잘 알려진 아플라톡신 같은 곰팡이 독소류는 오염된 사료원료에 의하여 가축에 피해를 일으킬 수 있으며 또 우유나 축산물을 통하여 사람에 피해를 줄 수 있습니다. 과학기술의 발달은 많은 공해요인들을 유발시켰으며 산업체에서 요구하는 고순도의 중금속류(수은, 납, 카드뮴 등)는 각종의 과학기계를 제작하는데 필수소재로써 우리의 생활을 윤택하게 하였지만 그 폐기물들은 우리의 생활주변을 오염시켜 그 환경에서 자라는 식물과 동물을 오염시키고 사람의 생활환경도 위태롭게 하고 있습니다.

• Journal of Korea Multimedia Society
• /
• v.25 no.11
• /
• pp.1653-1671
• /
• 2022

Crop diseases affect crop production, more than 30 billion USD globally. We proposed a classification study of crop species and diseases using deep learning algorithms for corn, cucumber, pepper, and strawberry. Our study has three steps of species classification, disease detection, and disease classification, which is noteworthy for using captured images without additional processes. We designed deep learning approach of deep learning convolutional neural networks based on Mask R-CNN model to classify crop species. Inception and Resnet models were presented for disease detection and classification sequentially. For classification, we trained Mask R-CNN network and achieved loss value of 0.72 for crop species classification and segmentation. For disease detection, InceptionV3 and ResNet101-V2 models were trained for nodes of crop species on 1,500 images of normal and diseased labels, resulting in the accuracies of 0.984, 0.969, 0.956, and 0.962 for corn, cucumber, pepper, and strawberry by InceptionV3 model with higher accuracy and AUC. For disease classification, InceptionV3 and ResNet 101-V2 models were trained for nodes of crop species on 1,500 images of diseased label, resulting in the accuracies of 0.995 and 0.992 for corn and cucumber by ResNet101 with higher accuracy and AUC whereas 0.940 and 0.988 for pepper and strawberry by Inception.

• Journal of Korean Society of Industrial and Systems Engineering
• /
• v.44 no.3
• /
• pp.33-38
• /
• 2021

Recently, transfer learning techniques with a base convolutional neural network (CNN) model have widely gained acceptance in early detection and classification of crop diseases to increase agricultural productivity with reducing disease spread. The transfer learning techniques based classifiers generally achieve over 90% of classification accuracy for crop diseases using dataset of crop leaf images (e.g., PlantVillage dataset), but they have ability to classify only the pre-trained diseases. This paper provides with an evaluation scheme on selecting an effective base CNN model for crop disease transfer learning with regard to the accuracy of trained target crops as well as of untrained target crops. First, we present transfer learning models called CDC (crop disease classification) architecture including widely used base (pre-trained) CNN models. We evaluate each performance of seven base CNN models for four untrained crops. The results of performance evaluation show that the DenseNet201 is one of the best base CNN models.