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.
장거리 오일 및 가스 파이프라인의 안전한 운영을 위해 외부 방식 코팅의 무결성 확보는 매우 중요합니다. 건설 현장 이미지는 복잡한 배경, 다중 스케일 객체, 그리고 길거나 경계가 불분명한 코팅 상태를 포함하여, 낮은 겹침 조건에서 기존 바운딩 박스 회귀에 어려움을 줍니다.
본 연구는 장거리 천연가스 파이프라인 건설 현장에서 수집한 1388개의 이미지와 6가지 코팅 상태 범주에 걸친 1756개의 주석 인스턴스로 구성된 실제 현장 데이터셋을 구축했습니다. YOLOv10n을 기반으로, 훈련 중 객체의 스케일과 종횡비에 따라 NWD(Normalized Wasserstein Distance) 가중치를 조절하는 스케일-종횡비 적응형 NWD(SA-NWD) 회귀 전략을 개발했습니다.
6가지 무작위 시드에 걸쳐 SA-NWD는 가장 높은 평균 Recall(0.459 vs. 기준선 0.437)과 mAP@0.5(0.451 vs. 0.431)를 달성했습니다. 반면, 고정 가중치 NWD는 가장 높은 평균 mAP@0.5:0.95(0.251 vs. 기준선 0.240)를 기록했습니다. 형태학적으로 그룹화된 분석에서 SA-NWD는 극도로 긴 객체에 대해 더 높은 Recall(0.714 vs. 고정 가중치 NWD의 0.659)과 낮은 시드 간 표준 편차(±0.027 vs. ±0.101)를 보였습니다.
이 결과는 SA-NWD가 형태학적으로 복잡한 코팅 상태의 높은 Recall 선별에 유용하며, 고정 가중치 NWD는 더 안정적인 높은 IoU(Intersection over Union) 지역화를 제공할 수 있음을 시사합니다. 두 전략 모두 YOLOv10n 기준선의 추론 아키텍처, 매개변수 수, GFLOPs를 유지합니다.
