넙치의 외부 및 내부 질병 증상을 이용한 넙치 질병 예측 알고리즘 비교 연구
(Comparative Study on Prediction Algorithms for Paralichthys olivaceus Diseases Using External and Internal Symptoms)
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
양식장에서 서식하는 어류들은 질병에 걸리면 전파 속도가 매우 빨라 이를 사전에 방지하지 않으면 양식장에 크나큰 손실을 주게 된다. 현재 다양한 딥러닝 기술을 통하여 어류의 외부와 내부 질병 증상을 검출하고 예측하는 연구가 활발히 진행되고 있다. 하지만 특정 질병이라도 질병별로 발현되는 증상이 명확하지 않고, 증상이 여러 질병에 걸쳐 발현되는 경우가 빈번하여 증상을 바탕으로 한 질병 분류 성능은 아직 낮은 단계이다. 본 연구에서는 딥러닝 기술을 이용하여 어류의 외부와 내부 질병 증상을 찾고, 이를 사용해 어류의 질병을 예측하는 다양한 방법론을 제안하고 성능 비교를 통해 가장 우수한 질병 예측 알고리즘을 선정한다. 질병 예측 알고리즘으로는 어류 질병 전문가가 분석한 질병 증상 표를 기반으로 한 방법, 데이터 통계를 기반으로 하는 질병 예측 방법, 앙상블 모델 및 딥러닝 모델 학습을 기반으로 한 예측 방법으로 총 세 가지 방법론을 제안한다. 실험 결과, 질병 증상 표와 데이터 통계 기반 예측 방법은 각각 48.45%와 50.91%의 예측 성능을 보인 반면, 앙상블 모델 및 딥러닝 모델 학습을 활용한 질병 예측 방법은 70.10%의 성능을 기록하며 가장 높은 예측 정확도를 보였다.
Abstract
Fish that live in fish farms spread very quickly when they get sick, so if they do not prevent it in advance, they will cause significant losses to fish farms. Currently, research is actively being conducted to detect and predict external and internal disease symptoms of fish through various deep learning technologies. However, even for a specific disease, the symptoms that are expressed for each disease are not clear, and symptoms are frequently expressed across multiple diseases, so the disease classification performance based on symptoms is still low. In this study, we use deep learning techniques to find external and internal disease symptoms in fish, propose various methodologies to predict disease in fish, and select the best disease prediction algorithm through performance comparison. We propose a total of three methodologies as disease prediction algorithms: a method based on a disease symptom table analyzed by a fish disease expert, a disease prediction method based on data statistics, an ensemble model, and a prediction method based on deep learning model training. Experiments show that disease symptom tables and data statistics-based prediction methods performed 48.45% and 50.91%, respectively, while disease prediction methods using ensemble model and deep learning model training performed 70.10%, showing the highest prediction accuracy.
참고문헌 (14)
- "Select POR Search Report" (2018)[URL]
- "Fish Disease Incidence Statistics" (2019)[URL]
- "Fish Disease Control" (2019)[URL]
- 임창현, "넙치의 내부 장기 이미지를 이용한 질병 증상 분류 및 검출 비교 연구", 한국지능시스템학회 논문지, 34(1), pp.51~57 (2024)
- Rachman F., "Fish disease detection of epizootic ulcerative syndrome using deep learning image processing technique", Proceedings International Conference on Fisheries and Aquaculture, 8(1), pp.23~34 (2023)
- 손현승, "딥러닝 기술을 이용한 넙치의 질병 예측 연구", 스마트미디어저널, 11(4), pp.62~68 (2022)
- "Ultralytics YOLOv8 Documentation" (2023)[URL]
- Zihang Dai, "Coatnet : Marrying convolution and attention for all data sizes", Advances in neural information processing systems, 34, pp.3965~3977 (2021)
- Andy Brock, "High-performance large-scale image recognition without normalization", International conference on machine learning, PMLR, 139, pp.1059~1071 (2021)
- Tan, Mingxing, "Efficientnetv2 : Smaller models and faster training", International conference on machine learning, PMLR, pp.16133~16142 (2021)
- Sanghyun Woo, "Convnextv2 : Co-designing and scaling convnets with masked autoencoders", Proceedings of the IEEE, 2023, 16133~16142
- 임창현, "머신러닝 특징 공간 분석 기반의 효율적인 리 라벨링을 통한 넙치의 장기 증상 분류 성능 향상 연구", 한국지능시스템학회 논문지, 34(3), pp.267~276 (2024)
- Chen, Tianqi, "Xgboost : A scalable tree boosting system", Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, pp.785~794 (2016)
- Liudmila Prokhorenkova, "CatBoost : unbiased boosting with categorical features", Advances in neural information processing systems, 31 (2018)