머신러닝 기반 식물 질병 탐지 연구
식량 안보와 작물 수확량 증진을 위해 식물 질병의 조기 진단은 필수적입니다. 기존 수동 방식은 노동 집약적이며 환경 변화에 취약하여 오류 발생 가능성이 높습니다. 인공지능, 특히 머신러닝(ML)과 딥러닝(DL)은 이미지 분류를 통해 자동화된 질병 식별에 큰 발전을 가져왔으나, 일반화 능력 부족, 데이터 불균형, 실제 환경에서의 낮은 성능 등 여러 난관에 직면해 있습니다. 본 연구는 기존 리뷰와 달리 실험실 및 실시간 현장 조건에서 모델 성능을 비판적으로 평가하며, 견고성, 일반화, 엣지 장치 배포 적합성에 중점을 둡니다. GreenViT, 하이브리드 ViT-CNN 모델, YOLO 기반 탐지기와 같은 최신 아키텍처들의 정확도, 추론 속도, 하드웨어 효율성을 비교 분석합니다. 또한, 복잡한 환경에서의 탐지 능력 향상을 위한 다중 모드 및 자기 지도 학습 기법을 논의하고, 수작업 특징 의존성, 과적합, 환경 노이즈 민감성 등 주요 한계를 지적합니다. 다양한 데이터셋에 걸친 모델의 강점과 약점을 실제 농업 적용 가능성에 초점을 맞춰 분석합니다. 결론적으로, 본 논문은 경량 아키텍처 개발, DCGAN 통합, 데이터셋 다양성 개선 등 정밀 농업의 실제 환경 배포를 위한 연구 격차와 미래 방향을 제시합니다.