• 사물인터넷융복합논문지
• /
• 제6권1호
• /
• pp.83-95
• /
• 2020

실제 복잡다난한 농작물 밭 환경에서 잡초를 정밀하게 검출하는 것은 이전의 접근방법들로는 이미지 프레임을 정확하게 처리하는 속도 면에서 부족했다. 식물의 질병 분류 문제가 중요시 되는 상황에서 특히 작물의 잡초 문제는 큰 화제가 되고 있다. 이전의 접근방식들은 빠른 알고리즘을 사용하지만 추론 시간이 실시간에 가깝지 않아 통제되지 않은 조건에서 비현실적인 해결책이 된다. 따라서, 복잡한 벼 잡초 검출 과제에 대한 탐지 모델을 제안한다. 실험 결과에 따르면, 우리의 접근 방식의 추론 시간은 잡초 검출 과제에서 상당한 시간절약을 보여준다. 실제 조건에서 실제로 적용할 수 있는 것으로 나타난다. 주어진 예시들은 쌀의 두 가지 성장 단계에서 수집되었고 직접 주석을 달았다.

• 한국컴퓨터정보학회논문지
• /
• 제29권11호
• /
• pp.89-96
• /
• 2024

이 논문은 딥러닝 기반 객체 탐지 알고리즘인 YOLOv10을 활용하여 개선된 잡초 탐지 모델을 설계한다. 기존 YOLOv10에서는 Attention 모듈인 PSA 모듈을 추가하여 이전 버전들보다 성능을 개선하였다. PSA는 Self-Attention의 강력한 성능을 일부만 적용하여 연산량을 줄이고, 전역적 정보를 학습할 수 있어 큰 영역의 객체가 복잡한 패턴 인식에 강하다. 하지만 대체로 작은 크기의 객체인 잡초 같은 특정 문제에서는 비효율적일 수 있다. 따라서, 이 논문은 PSA 모듈 대신 다른 Attention 모듈인 SENet을 적용하여 개선된 YOLOv10을 제안한다. SENet은 채널 간 중요도를 학습하기 때문에 PSA 모듈보다 더 세밀하게 잡초의 특징을 학습할 수 있다. 또한, SENet은 PSA 모듈보다 더 가벼워 더 적은 연산을 수행하고, 더 빠른 속도로 탐지가 가능하여 잡초 탐지에 적합한 SENet으로 대체하여 실험을 진행했다. 실험은 총 14가지의 클래스로 200회 훈련을 수행했고, 다양한 성능평가를 통해 성능을 비교하였다. 실험 결과에 따르면, FPS는 476.19에서 526.32로 처리속도가 약 9.52%정도 향상되었다. mAP50-95값은 88.7%에서 88.3%로, 제안된 모델이 기존 모델보다 더 경량화된 모델임에도 불구하고 유사한 성능을 보인다.

• 한국농림기상학회지
• /
• 제25권1호
• /
• pp.17-27
• /
• 2023

포장에서 잡초의 발생은 농작물의 생산량을 크게 떨어트리는 원인 중 하나이고 SSWM을 기반으로 잡초를 변량 방제하기 위해서 잡초의 발생 위치, 밀도 그리고 이를 정량화하는 것은 필수적이다. 본 연구에서는 2020년의 국립식량과학원에서 잡초 피해를 입은 옥수수 포장의 영상데이터를 무인항공기를 활용해서 수집하였고 이를 배경과 옥수수로 분리하여 딥러닝 기반 영상 분할 모델 제작을 위한 학습데이터를 획득하였다. DeepLabV3+, U-Net, Linknet, FPN의 4가지의 영상 분할 네트워크들의 옥수수의 검출 정확도를 평가하기 위해 픽셀정확도, mIOU, 정밀도, 재현성의 지표를 활용해서 정확도를 검증하였다. 검증 결과 DeepLabV3+ 모델이 0.76으로 가장 높은 mIOU를 나타냈고, 해당 모델과 식물체의 녹색 영역과 배경을 분리하는 지수인 ExGR을 활용해서 잡초의 면적을 정량화, 시각화하였다. 이러한 연구의 결과는 무인항공기로 촬영된 영상을 활용해서 넓은 면적의 옥수수 포장에서 빠르게 잡초의 위치와 밀도를 특정하고 정량화하는 것으로 잡초의 밀도에 따른 제초제의 변량 방제를 위한 의사결정에 도움이 될 것으로 기대한다.