넙치 질병 증상 분류를 위한 객체 탐지 딥러닝 모델 성능 평가
Performance Evaluation of Object Detection Deep Learning Model for Paralichthys olivaceus Disease Symptoms Classification
2
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
넙치 양식은 우리나라 양식 산업의 절반 이상 차지할 정도로 큰 비중을 차지한다. 그러나 연중 총사육량의 25~30% 정도가 질병으로 인한 집단 폐사가 발생하여 양식장의 경제성에 매우 나쁜 영향을 준다. 넙치 양식장의 경제성 성장을 위해서는 넙치 질병 증상 진단을 자동화하여 빠르고 정확하게 질병 진단을 하는 방법이 필요하다. 본 연구에서는 독창적인 학습 데이터 수집 방법과 학습 정제 알고리즘 및 학습 데이터 분리 기법을 사용하여 학습 데이터를 구축하고 4가지 객체 탐지 딥러닝 모델(YOLOv8, Swin, Vitdet, MvitV2)의 넙치 질병 증상 감지 성능을 비교한다. 실험 결과 YOLOv8 모델이 평균 인식률(mAP)과 예상 도착 시간(ETA) 관점에서 우수하다는 결론을 얻었다. 본 연구에서 제안하는 AI 모델의 성능이 검증되면 넙치 양식장에서는 실시간으로 넙치 질병을 진단할 수 있고, 진단 결과에 따른 신속한 예방 조치로 양식장의 생산성은 크게 향상될 것이라 기대된다.
Abstract
Paralichthys olivaceus accounts for a large proportion, accounting for more than half of Korea's aquaculture industry. However, about 25-30% of the total breeding volume throughout the year occurs due to diseases, which has a very bad impact on the economic feasibility of fish farms. For the economic growth of Paralichthys olivaceus farms, it is necessary to quickly and accurately diagnose disease symptoms by automating the diagnosis of Paralichthys olivaceus diseases. In this study, we create training data using innovative data collection methods, refining data algorithms, and techniques for partitioning dataset, and compare the Paralichthys olivaceus disease symptom detection performance of four object detection deep learning models(such as YOLOv8, Swin, Vitdet, MvitV2). The experimental findings indicate that the YOLOv8 model demonstrates superiority in terms of average detection rate (mAP) and Estimated Time of Arrival (ETA). If the performance of the AI model proposed in this study is verified, Paralichthys olivaceus farms can diagnose disease symptoms in real time, and it is expected that the productivity of the farm will be greatly improved by rapid preventive measures according to the diagnosis results
참고문헌 (18)
- 2022년 어류양식동향조사 결과, "사회통계국 농어업동향과", 통계청, ~ (2022)
- 수산동물방역센터, "어류 폐사 원인 진단 기초", 국립수산과학원 어류질병방역센터, ~
- 제3차 수산생물질병 관리대책(2012-2025), "해양수산부 어촌양식정책관", ~ (2021)
- 수산동물방역센터, "어류 질병 진단", 국립수산과학원 어류질병방역센터
- 손현승, "딥러닝 기술을 이용한 넙치의 질병 예측 연구", 스마트미디어저널, 11(4), pp.62~68 (2022), (사)한국스마트미디어학회[DOI]
- "국가수산물 질병정보"[URL]
- "어류질병의 효과적 예방과 치료"[URL]
- 국립수산과학원, "넙치 양식 표준 지침서", ~ (2006)
- A. Dosovitskiy, "An image is worth 16x16 words: Transformers for image recognition at scale" (2020)
- 정종호, "YOLOv8-Segmentation을 이용한 넙치 질병 증상 감지", 한국스마트미디어학회 2023 종합학술대회, pp.20~21 (2023)
- 조경원, "넙치 질병 증상 감지를 위한 Computer Vision AI 모델 비교분석", 한국콘텐츠학회 종합학술대회, pp.7~8 (2023)
- 정종호, "학습 데이터 구성에 따른 YOLOv8 기반의 넙치 질병 증상 감지 모델 성능 비교", 2023 한국수산과학회 학술대회, pp.153~ (2023)
- J. Redmon, "You only look once: Unified, real-time object detection", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.779~788 (2016)
- "YOLOv8 docs"[URL]
- Z. Liu, "Swin transformer: Hierarchical vision transformer using shifted windows", Proceedings of the IEEE, 2021, 10012~10022
- Y. Li, "Exploring plain vision transformer backbones for object detection", European Conference on Computer Vision, pp.280~296 (2022), Springer Nature Switzerland
- Y. Li, "Mvitv2: Improved multiscale vision transformers for classification and detection", Proceedings of the IEEE, 2022, 4804~4814
- Lin, Tsung-Yi, "Microsoft coco: Common objects in context", Computer Vision–ECCV 2014, pp.740~755 (2014), Springer International Publishing