토마토는 전 세계적으로 재배되는 주요 원예 작물 중 하나이지만, 잎 질병으로 인해 생산량과 품질에 큰 손실을 겪고 있습니다. 농업의 지속 가능성을 위해서는 질병의 조기 진단이 필수적입니다. 본 연구는 딥러닝과 기존 머신러닝 방법을 결합한 정밀한 질병 예측 모델을 제안합니다.
제안하는 시스템은 ResNet-101의 강력한 특징 추출 능력과 맞춤형 컨볼루션 신경망(CNN) 레이어를 결합하여 미세한 질병 특이적 패턴을 효과적으로 추출합니다. 추출된 특징들은 랜덤 포레스트 알고리즘을 통해 분류되어 최종 예측의 신뢰도를 높입니다.
이 모델은 10가지 토마토 잎 질병에 대한 다양한 데이터셋으로 훈련되었으며, 광범위한 병리학적 조건에 대해 일반화하는 능력을 보였습니다. 실험 결과, 하이브리드 아키텍처는 98.72%의 높은 분류 정확도를 달성하여 질병 증상을 초기 단계에서 효과적으로 감지할 수 있음을 입증했습니다.
본 연구에서 제안하는 솔루션은 농업 환경에서 실시간으로 구현될 가능성이 높습니다. 이 시스템은 현장에서 질병을 자동으로 정확하게 진단하여 농부들이 적시에 개입할 수 있도록 돕고, 작물 건강, 생산성 및 지속 가능한 생산을 향상시키는 데 기여할 수 있습니다.
복잡한 과수원 환경에서 감귤류 과일의 밀집 분포, 잎사귀 가림, 작은 크기로 인해 발생하는 낮은 검출 정확도, 높은 오탐율, 모델 경량화의 한계점을 해결하고자, 개선된 YOLO11 아키텍처 기반의 경량 소형 객체 감귤류 검출 모델인 SOCD-YOLO를 제안한다.
본 연구는 세 가지 핵심 개선사항을 포함한다. 첫째, Triplet Attention 메커니즘과 요소별 곱셈을 통합한 DLTBlock을 설계하여 C3k2 모듈을 재구성함으로써 고차원 특징의 비선형 융합을 강화하고, 잎사귀 가림 및 복잡한 배경 간섭을 효과적으로 억제하여 과일 인식의 견고성을 높였다. 둘째, 기존 다운샘플링을 ADown 모듈로 대체하여 소형 객체 특징의 정보 손실을 줄이고 모델 파라미터 및 계산 복잡도를 감소시켜 인식 정확도를 향상시켰다. 셋째, 경량 P2FP 구조를 구축하여 작고 밀집된 객체 식별 능력을 강화하고 오탐율을 크게 줄였다.
실험 결과, CitDet 데이터셋에서 제안 모델은 Precision, Recall, mAP에서 각각 4.3%, 6.3%, 5.6% 향상되었으며, 파라미터 수와 모델 크기는 1.5M 및 3.5MB로 감소하고 FPS는 103.5 프레임/초에 도달했다. Tomato 및 PASCAL VOC 2007 데이터셋에서도 일관된 성능 향상을 보였다.
SOCD-YOLO는 감귤류 과일 검출 정확도 및 견고성 측면에서 기존 객체 검출 모델 대비 향상된 성능을 입증하였다. 이는 밀집된 가림 환경에서 인공지능 기반의 실시간 과일 검출 및 위치 측정에 귀중한 참고 자료를 제공한다.
작물 질병은 농업 생산량과 경제적 손실에 큰 영향을 미치므로, 신속하고 정확한 진단이 필수적입니다. 기존 진단 방식은 시간 소모적이고 전문가 지식에 의존하여 대규모 적용에 한계가 있습니다. 본 연구는 이러한 문제를 해결하기 위해 잔여 학습과 MobileNetV2 특징 추출기를 결합한 경량 합성곱 신경망(CNN) 모델인 Mob-Res를 제안합니다.
Mob-Res는 351만 개의 적은 파라미터 수를 가지면서도 뛰어난 성능을 발휘하여 모바일 애플리케이션에 적합합니다. 이 모델은 Plant Disease Expert(58개 클래스, 199,644개 이미지) 및 PlantVillage(38개 클래스, 54,305개 이미지) 두 가지 벤치마크 데이터셋으로 평가되었습니다.
엄격한 훈련 전략을 통해 Mob-Res는 Plant Disease Expert 데이터셋에서 평균 97.73%, PlantVillage 데이터셋에서 99.47%의 높은 정확도를 달성했습니다. 또한, 교차 도메인 유효성 검사율(CDVR) 평가에서 기존 사전 훈련 모델들과 비교하여 경쟁력 있는 교차 도메인 적응성을 보였습니다. 특히, ViT-L32보다 훨씬 적은 파라미터와 빠른 추론 속도로 우수한 성능을 나타냈습니다.
Mob-Res는 Grad-CAM, Grad-CAM++, LIME 기법을 활용하여 예측에 영향을 미치는 신경망 영역을 시각적으로 제공함으로써 설명 가능성을 높였습니다. 본 연구 결과는 Mob-Res가 자동화된 식물 질병 탐지를 위한 유망한 솔루션임을 입증하며, 대규모 농업 운영과 전 세계 식량 안보 증진에 기여할 수 있음을 시사합니다.
