The Complete Mitochondrial Genome of Nysius plebeius Distant, 1883 (Heteroptera: Lygaeidae) from Korea

신지영,라메스워 마하르잔,이휘종,정민규,김주일,Jiyeong Shin,Rameswor Maharjan,Hwijong Yi,Minkyu Jeong,Juil Kim Korean Society of Applied Entomology 2023 한국응용곤충학회지 Vol.62 No.2

Nysius plebeius is a major lygaeid pest of various cereal crops and ornamental plants in East Asian countries, including Korea. The complete mitochondrial genome of N. plebeius was characterized and found to comprise a total of 17,367 bp, which included 13 protein-coding genes, NADH dehydrogenase components (complex I, ND), cytochrome oxidase subunits (complex VI, COX), cytochrome oxidase b (CYPB), two ATP synthases, two ribosomal RNA genes, and 22 transfer RNAs. The GC content of 23%. It showed high sequence similarity to other Lygaeidae species, such as N. cymoides (94.5%), N. fuscovittatus (91.7%), and an unknown Nysius species (94.1%). This new N. plebeius mitochondrial genome can be widely used for evolutionary studies of Lygaeidae and to improve pest management practices.

전이학습 기반의 해충 영상 분류 성능 비교

홍은하(Eun-Ha Hong),이재현(Jae-Hyeon Lee),손창환(Chang-Hwan Son),이휘종(Hwijong Yi) 한국정보기술학회 2021 Proceedings of KIIT Conference Vol.2021 No.11

수많은 종류의 해충은 종류에 따라 물리적인 피해, 작물 수확의 피해 그리고 생태계 보전 가치를 해치는 피해를 준다. 하지만 해충은 작고 비슷하게 생겨 전문가가 아닌 사람이 육안으로 해충의 종류를 알고 분류하기란 쉽지 않다. 따라서 본 논문은 해충 영상을 분류를 위해 6개의 딥러닝 모델 ResNet50, VGG16, SqueezeNet, FPN(Feature Pyramid Network), Attention Gated Network, PVT(Pyramid Vision Transformer)의 분류 성능에 대한 비교 분석을 하려 한다 이를 통해 해충 영상 분류에 가장 우수한 모델을 찾아 해충의 종류에 따른 적합한 방제 시스템을 구축하고자 한다. Numerous types of pests cause physical damage, damage to crop harvest, and damage that harms ecosystem conservation value depending on the type. However, since the pests are small and similar, it is not easy for non-experts to recognize and classify the types of pests with the naked eye. Therefore, this paper want to perform a comparative analysis on the classification performance of six deep learning models ResNet50, VGG16, SqueezeNet, FPN(Feature Pyramid Network), Attention Gated Network, and PVT(Pyramid Vision Transformer) to classify pest images. Through this, we want to find the best model for pest image classification and build an appropriate control system according to the pest type.

해충 초해상화를 위한 부류별 지각 손실 모델링

정진영(Jin-Young Jeong),손창환(Chang-Hwan Son),이휘종(Hwijong Yi) 한국정보기술학회 2022 Proceedings of KIIT Conference Vol.2022 No.6

해충 분석을 위해 현장에서 수집되는 영상은 원거리 촬영, 저해상도 센서 사용, 작은 객체 크기 등의 다양한 요인으로 인해 저해상도의 열화 영상이 수집될 수 있다. 이러한 열화 영상은 생성적 적대 신경망 기반의 기존 초해상화 기법으로 인간에게 인지 가능한 수준의 고해상도 영상으로 복원할 수 있지만, 여전히 남아있는 텍스처 정보 부족의 문제로 인해 해충 분석을 위한 딥러닝 모델들의 인식률 저하를 초래한다. 본 논문에서는 텍스처 정보를 개선하기 위해 해충의 부류별 지각 특징을 추출하는 네트워크를 활용한 지각 손실을 모델을 제안한다. 이를 통해서 보다 정확한 정답과의 텍스처 특징 오차를 측정하도록 하고자 한다. For the images collected in the field for pest analysis, low-resolution degradation images may be collected due to various factors such as long-distance shooting, use of low-resolution sensors, and small object sizes. These degraded images can be restored to a high-resolution image that humans can recognize without difficulty using the existing super-resolution method based on a generative adversarial neural network. However, the problem of lack of texture information still remains, which causes a decrease in the recognition rate of deep learning models for pest analysis. In this paper, we propose a perceptual loss model using a network that extracts perceptual features for each pest class to improve texture information. Through this, we want to measure the texture characteristic error with the correct answer more accurately.

해충 카운팅을 위한 멀티스케일 CenterNet

이재현(Jae-Hyeon Lee),박재현(Jae-Hyeon Park),손창환(Chang-Hwan Son),이휘종(Hwijong Yi) 한국정보기술학회 2022 Proceedings of KIIT Conference Vol.2022 No.6

해충의 조기 발견은 농작물의 피해를 감소하고 생산성 향상을 도모할 수 있다. 본 연구에서는 해충 발생량을 조기에 파악하고자 디지털 트랩에서 포획된 해충의 마릿수를 카운팅하는 기법을 제안하고자 한다. 디지털 트랩에서 포획된 해충의 마릿수는 가변적으로 변할 수 있다. 해충의 마릿수가 많은 경우에는 해충이 서로 인접하게 붙어 있거나 다른 해충에 의해 가려질 수 있다. 이러한 문제를 해결하기 위해서는 멀티스케일 기반의 객체 카운팅 기법이 필요하다. 제안한 방법에서는 기존의 단일스케일 기반 CenterNet 객체 검출 모델을 개선하여 멀티스케일 CenterNet 아키텍처를 새롭게 제안하고자 한다. Early detection of pests can reduce crop damage and improve productivity. In this study, we propose a method of counting the number of pests captured by digital traps, in order to identify the amount of pests at an early stage. The number of pests captured by digital traps varies widely. In the case of a large number of pests, the pests may stick to each other or be obscured by other pests. To solve this problem, a multiscale-based object counting technique is needed. In the proposed method, we try to propose a new multiscale CenterNet structure by improving the existing single-scale CenterNet object detection model.

해충 분류를 위한 양방향 특징 퓨전 기반의 Pyramid Vision Transformer

홍은하(Eun-Ha Hong),이재현(Jae-Hyeon Lee),손창환(Chang-Hwan Son),이휘종(Hwijong Yi) 한국정보기술학회 2022 Proceedings of KIIT Conference Vol.2022 No.6

해충은 인간을 공격하여 물리적인 피해를 주고 작물을 갉아먹어 작물의 생육 환경에 피해를 준다. 지구온난화로 인한 기온 상승으로 인해 해충이 번식하기 좋은 환경이 되어 발생 면적이 늘어나고 있다. 해충으로 인한 피해를 줄이기 위해서는 해충의 종류에 따른 신속한 방제가 중요하다. 해충은 크기가 작고 종류가 다양해 전문가의 판단이 필요하다. 이는 많은 시간과 비용이 소요된다. 따라서 전이학습 기반의 딥러닝 모델을 사용한 해충 분류 자동화 기술이 필요하다. 전이학습 기반의 모델인 Pyramid Vision Transformer(PVT)를 개선하여 해충분류를 위한 새로운 아키텍처를 제안해 해충 분류 성능을 높이고자 한다. Pest attack humans, causing physical damage and devouring crops, causing damage to the growing environment of crops. Due to the increase in temperature due to global warming, the area of occurrence is increasing as it is a favorable environment for pests to breed. In order to reduce the damage caused by pests, prompt control according to the type of pest is important. Pests are small in size and diverse, so expert judgment is required. This takes a lot of time and money. Therefore, a pest classification automation technology using a deep learning model based on transfer learning is required. By improving the Pyramid Vision Transformer (PVT), a transfer learning-based model, a new architecture for pest classification is proposed to improve pest classification performance.

관심영역 특징 추출 기반의 해충 초고해상화 기법

정진영(Jin-Young Jeong),박재현(Jae-Hyeon Park),손창환(Chang-Hwan Son),이휘종(Hwijong Yi) 한국정보기술학회 2021 Proceedings of KIIT Conference Vol.2021 No.11

해충은 작물의 품질 및 생산성 저하의 요인이다. 따라서 해충 방제 처리를 위해 해충의 종류를 구별할 필요가 있다. 실제 현장에서 수집되는 해충 영상은 다양한 요인으로 인해 저해상도의 영상으로 촬영될 수 있다. 예를 들어 영상이 원거리에서 촬영되거나 디지털 트랩의 실시간 전송을 위해 저해상도의 영상 센서를 사용하는 경우를 말한다. 해충 영상이 저해상도로 촬영되는 경우 해충 종류의 파악이 힘들기 때문에 저해상도의 해충영상을 고해상도의 해충 영상으로 변환하는 초고해상화 기술이 필요하다. 본 논문에서는 해충 영상의 관심영역 정보를 활용하는 초고해상화 기법을 제안하고 기존의 초고해상화 기법들과 성능 비교를 통해 제안한 기법의 향상된 성능을 보이고자 한다. Pests are a factor in the deterioration of crop quality and productivity. Therefore, it is necessary to distinguish the types of pests for pest control treatment. Pest images collected at the actual field may be captured as low-resolution images due to various factors. For example, when an image is taken from a long distance or a low-resolution image sensor is used for real-time transmission from a digital trap. Since it is difficult to identify the type of pest when the pest image is taken at a low resolution, an super resolution technology that converts a low-resolution image of a pest into a high-resolution image of a pest is required. In this paper, we propose an super resolution method that utilizes the region of interest information of pest images, and try to show the improved performance of the proposed method through performance comparison with the existing super resolution method.

해충 카운팅을 위한 딥러닝 모델 성능 비교

이재현(Jae-Hyeon Lee),홍은하(Eun-Ha Hong),손창환(Chang-Hwan Son),이휘종(Hwijong Yi) 한국정보기술학회 2021 Proceedings of KIIT Conference Vol.2021 No.11

해충은 농작물에 해를 가하여 품질 저하와 생산성 저하를 수반한다. 따라서 해충의 발생량을 자동으로 파악하여 조기 방제를 적기에 시행하는 것이 중요하다. 본 논문에서는 디지털 트랩에서 촬영된 해충 이미지로부터 해충의 개수를 자동으로 파악할 수 있는 딥 러닝 기반의 해충 카운팅 기술 성능을 분석하고자 한다. 특히 객체 검출 기반, 밀도 맵 추정 기반, 전이학습 기반의 최첨단 해충 카운팅 딥 러닝 모델을 구현하고 성능 비교를 수행하고자 한다. 이를 통해 조기 해충 예찰 및 해충 발생량에 따른 농약을 최소로 살포하는 자동 해충 예찰 및 방제 시스템을 구축하고자 한다. Insects harm crops, resulting in reduced quality and reduced productivity. Therefore, it is important to automatically detect the occurrence of pests and implement early control in a timely manner. In this paper, we intend to analyze the performance of a deep learning-based pest counting technology that can automatically determine the number of pests from pest images taken from digital traps. In particular, we intend to implement a state-of-the-art pest counting deep learning model based on object detection, density map estimation, and transfer learning and conduct performance comparison. Through this, it is intended to establish an automatic pest prevention and control system that minimizes the application of pesticides according to the amount of pests generated and early detection of pests.

썩덩나무노린재, 풀색노린재 및 톱다리개미허리노린재에 대한 16종 약제의 접촉독성 및 잔효성

박성빈(Seongbin Park),홍동환(Donghwan Hong),엄태일(Taeil Eom),강열규(Yeolgyu Kang),이진아(Jinah Lee),구현나(Hyun-Na Koo),이휘종(Hwijong Yi),김길하(Gil-Hah Kim) 한국농약과학회 2021 농약과학회지 Vol.25 No.4