YOLO 기반 나방 유충 탐지 모델의 연구
A Study on the YOLO-based Moth Larva Detection Model
1
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
나방류 해충은 식량작물에 많은 피해를 주는 해충군의 하나로 나방류 유충은 모습과 형태가 비슷하게 생겼으며, 환경 및 기주식물 등에 따라 동일한 나방 유충이더라도 유충의 색이 달라 정확한 나방 유충을 확인하는 것은 숙달된 농업인도 힘들다. 하지만 나방 유충간에도 방제 방법 서로 달라 정확한 나방 유충 판별이 매우 중요하다. 나방 유충 탐지 모델의 주 사용자는 컴퓨터에 대한 기본 지식이 없는 농민이다. 그러기 때문에 가장 중요한 요소는 나방의 유충을 탐지하는 시간이나 정확도 보다 얼마나 적은 오류 탐지(False Positive 또는 Fales Negative)을 하는 것이 보다 중요한 요소라 할 수 있다. 이는 오류 탐지로 잘못된 방제 처리를 한 농민들의 노동력 낭비와 금전적 손실을 예방하고 스마트농업 기술에 대한 신용도를 향상 시킬 수 있기 때문이다. 이러한 문제 해결을 위해서 YOLO 기반의 나방 유충 탐지 모델을 개발하였다. 하지만 YOLO 모델간에도 성능에 차이가 있어 YOLO v2, YOLO v3, YOLO v4 모델을 동일한 나방 유충 이미지로 학습하여 성능을 비교하였다. 실험 결과, YOLO v4 모델이 Precision, Recall, F1-Score가 1.00으로 나왔으며 IoU 88.39%, mAP 79.96%로 다른 YOLO 모델이 비해 성능이 우수한 것으로 확인하였으며, 오류 탐지(False Positive 또는 Fales Negative) 또한 다른 YOLO 모델에 비해 적어 나방 유충 탐지 모델로 적합함을 확인할 수 있었다.
Abstract
Moth pests are pests that cause a lot of damage to food crops. Moth larvae are similar in shape and shape. In addition, even moth larvae have different colors depending on the environment and consummation, so it is difficult for skilled farmers to accurately identify moth larvae. However, accurate identification of moth larvae is very important because moth larvae have different control methods. The main user of the moth larva detection model is a farmer without computer knowledge. Thus, the most important factor is not the time or accuracy to detect larvae of moths. How little false positive or false negative is a more important factor. It prevents waste of labor and financial losses of farmers who have misrepresented by error detection. This is because it can improve the credibility of smart agricultural technology. The YOLO v2, YOLO v3, and YOLO v4 models were learned as the same moth larvae image and the performance between models was compared. As a result of the experiment, the YOLO v4 model showed Precision, Recall, and F1-Score as 1.00. In addition, it was confirmed that the performance was superior to other YOLO models with 88.39% of IoU and 79.96% of mAP. False Positive or False Negative is also less than other YOLO models. It was confirmed that the YOLO v4 model was suitable as a moth larva detection model.
참고문헌 (15)
- National Institute of Agricultural Sciences, "Ecology and control of moth pests", Korean Crop Protection Association, 25(7), pp.44~46 (2004)
- 임주락, "전북지역 시설 채소류 작물별 해충 발생양상 및 종 동정", 한국응용곤충학회지, 51(3), pp.271~280 (2012), 한국응용곤충학회
- 조형찬, "유기농 풋옥수수와 수수의 답전윤환밭과 연속밭에서나방류 해충들의 발생 및 수량 특성", 한국유기농업학회지, 26(3), pp.409~425 (2018), 한국유기농업학회
- I. H. Jeong, "Establishment of the tobacco sponge moth biological test act and investigation of drug reactions of domestic regional affiliates", Korean Society of Pesticide Science, pp.147~
- "RDA" (2021)[URL]
- "The Korean Rural People's Newspaper" (2021)[URL]
- "YOLOv3: An Incremental Improvement" (2021)[URL]
- J. Redmon, "You Only Look Once: Unified, Real- Time Obj ect Detection", IEEE CVPR, pp.779~788 (2016)
- "darknet" (2021)[URL]
- 이용환, "객체 검출을 위한 CNN과 YOLO 성능 비교 실험", 반도체디스플레이기술학회지, 19(1), pp.85~92 (2020), 한국반도체디스플레이기술학회
- 이철희, "기본 특징추출신경망에 따른 YOLO의 말벌인식 성능 평가", Journal of Apiculture, 35(3), pp.149~159 (2020), 한국양봉학회
- Attention yolo model for leaf disease detection, "T. M. Choi", Korean Institute of Information Technology, 417~420 (2021)
- 전성우, "YOLO 기반 차선검출 시스템", 한국정보통신학회논문지, 25(3), pp.464~470 (2021), 한국정보통신학회[DOI]
- 오세랑, "YOLO V3 기반의 시각장애인을 위한 유도 블록 인식 알고리즘", 한국지능시스템학회 논문지, 31(1), pp.60~67 (2021), 한국지능시스템학회[DOI]
- Q. C. Mao, "Mini-YOLOv3 : Real-time object detector for embedded applications", IEEE Access, 7, pp.133529~133538 (2019)