경량 딥러닝 모델을 활용한 효율적인 감귤 병해충 진단 연구 = A Study on Efficient Citrus Disease and Pest Diagnosis using a Lightweight Deep Learning Mode

국문 초록 (Abstract)

감귤은 지구 온난화에 대응하는 신소득 작목으로 적합할 것이라 기대받는 작물이지만 다른 작물과 마찬가지로 감귤 또한 다양한 병해충이 발생한다. 병해충은 작물의 품질을 저하시키고 생산량 감소를 야기하므로 경제적 손실을 막기 위해서는 적절한 시기에 발생을 감지할 필요가 있다. 작물의 질병 진단을 위해 일반적으로 이미지 분류 모델을 이용한다. 이미지 분류 모델은 정확도를향상하기 위해 모델의 크기가 점점 커지는 형태로 발전되어 왔다. 크기가 큰 모델은 정확도는 높지만 훈련에 많은 비용이 소요되며 고성능의 장비가 필요하다. 최근 농업 분야에 도입하고자 하는IoT 장비, 모바일 디바이스는 메모리, 전력 등의 측면에서 제약이 있기 때문에 효율적인 딥러닝 모델이 필요하다. 따라서 본 논문에서는 IoT 모니터링 장비 또는 스마트폰에서 이용가능한 작물의 질병 진단 모델에 대해 연구했다. 귤 과실과 잎 이미지를 이용하여 해당 작물이 정상인지, 진딧물, 궤양병, 귤응애에 의한 이상인지 진단하기 위한 모델을 구현했다. 활용한 모델은 MobileNet V3, ShuffleNet V2, EfficientNet V2, ResNet50이며, FLOPs 대비 정확도를 통해 각 모델의 성능을 비교했다. 경량 모델 중 정확도가 가장 높은 모델은 MobileNet V3 Large였으며, FLOPs대비 정확도가가장 높은 모델은 MobileNet V3 Small이었다. 추가적으로 두 모델 대상으로 데이터 밸런싱 작업과 성능 향상 기법을 추가로 적용하여 성능에 유의미한 변화가 있는지 관찰했다. 데이터 밸런싱 작업을 수행했을 때, 모델의 평균 정확도는 감소했으나 클래스는 더 고르게 분류하는 것을Confusion Matrix를 통해 확인할 수 있었다. 성능 향상 기법을 적용한 결과, Label Smoothing 기법을 적용했을 때 MobileNet V3 Small 모델의 성능은 1.2% 향상되었으며, 밸런싱 이전보다이후에 성능이 더 향상됐다. Mix-up Training 기법을 적용했을 때는 오히려 성능이 감소했으며, 이는 해당 기법이 이용한 데이터 셋에 적합하지 않음을 시사한다. 이런 이유로 모바일 디바이스에 탑재하기 위한 감귤의 병해충 진단 모델은 밸런싱 작업과 Label Smoothing 기법 적용을 통해 전처리 후 MobileNet V3 Small 모델을 이용하여 구현하는 것이 사용자 경험 및 정확도 측면에서 최적일 것이라 사료된다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• Ⅱ. 관련연구 3
• 1. 감귤 병해충 종류 3
• 2. 농업에서의 딥러닝 활용 3
• 3. 경량 딥러닝 알고리즘 4
• 4. 이미지 분류 모델의 성능 향상 방안 4
• Ⅲ. 제안하는 방법 6
• 1. 데이터 전처리 6
• 2. 개선된 감귤 데이터 진단 방법 9
• Ⅳ. 실험 결과 12
• Ⅴ. 결론 27
• 참고문헌 29