AI기반 스마트 농업 조기경보 시스템 개발
Development of AI-based Smart Agriculture Early Warning System
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
본 연구는 스마트팜 환경에서 진행된 혁신적인 연구로, 딥러닝을 기반으로 한 질병 및 해충 탐지 모델을 개발하고, 이를 지능형 사물인터넷(IoT) 플랫폼에 적용하여 디지털 농업 환경 구현의새로운 가능성을 탐색하였다. 연구의 핵심은 Pseudo-Labeling, RegNet, EfficientNet 등 최신ImageNet 모델과 전처리 방식을 통합하여, 복잡한 농업 환경에서 다양한 질병과 해충을 높은 정확도로 탐지하는 것이었다. 이를 위해 앙상블 학습 기법을 적용하여 모델의 정확도와 안정성을 극대화했으며, 평균 정밀도(mAP), 정밀도, 재현율, 정확도, 박스 손실 등의 다양한 성능 지표를 통해모델을 평가하였다. 또한, SHAP 프레임워크를 활용하여 모델의 예측 기준에 대한 깊은 이해를 도모하였고, 이를 통해 모델의 결정 과정을 보다 투명하게 만들었다. 이러한 분석은 모델이 어떻게다양한 변수들을 고려하여 질병 및 해충을 탐지하는지에 대한 중요한 통찰력을 제공하였다.
Abstract
This study represents an innovative research conducted in the smart farm environment, developing a deep learning-based disease and pest detection model and applying it to the Intelligent Internet of Things (IoT) platform to explore new possibilities in the implementation of digital agricultural environments. The core of the research was the integration of the latest ImageNet models such as Pseudo-Labeling, RegNet, EfficientNet, and preprocessing methods to detect various diseases and pests in complex agricultural environments with high accuracy. To this end, ensemble learning techniques were applied to maximize the accuracy and stability of the model, and the model was evaluated using various performance indicators such as mean Average Precision (mAP), precision, recall, accuracy, and box loss. Additionally, the SHAP framework was utilized to gain a deeper understanding of the model's prediction criteria, making the decision-making process more transparent. This analysis provided significant insights into how the model considers various variables to detect diseases and pests.
참고문헌 (24)
- 유희진, "스마트 팜을 위한 분할 인식 심층 합성곱 신경망 기반의 사과나무 잎사귀 질병 인식", 한국정보기술학회논문지, 17(6), pp.73~83 (2019), 한국정보기술학회[DOI]
- Alvaro Fuentes, "A Robust Deep-Learning-Based Detector for Real-Time Tomato Plant Diseases and Pests Recognition", Sensors, 17(9), pp.2022~ (2017), MDPI AG[DOI]
- J. Han, "Development of Enhanced Mushroom Image Classification Model based EfficientNet", Proceeding of the 2021 General Conference of Korea Contents Association, pp.15~19 (2021)
- Espoir K. Kabanga, "Malware Images Classification Using Convolutional Neural Network", Journal of Computer and Communications, 06(01), pp.153~158 (2018), Scientific Research Publishing, Inc.[DOI]
- 지봉준, "EfficientNet의 전이학습을 통한 아스팔트 바인더의 레올로지적 특성 예측", 한국건설순환자원학회 논문집, 9(3), pp.348~355 (2021), 한국건설순환자원학회[DOI]
- 김만배, "합성곱 신경망을 이용하는 수퍼픽셀 기반 사과잎 병충해의 분류", 방송공학회 논문지, 25(2), pp.208~217 (2020), 한국방송∙미디어공학회[DOI]
- J. Kang, "A Crack Detection of Wooden Cultural Assets using EfficientNet model", Korean Society of Computer Information, 29, pp.125~127 (2021)
- Cheng Dong, "Automatic recognition of strawberry diseases and pests using convolutional neural network", Smart Agricultural Technology, 1, pp.100009~ (2021), Elsevier BV[DOI]
- J. Xiao, "Detection of Strawberry Diseases Using a Convolutional Neural Network", Plants (2021)
- Ümit Atila, "Plant leaf disease classification using EfficientNet deep learning model", Ecological Informatics, 61, pp.101182~ (2021), Elsevier BV[DOI]
- I. Radosavovic, "Designing Network Design Spaces", Conell University (2020)
- Dang Thi Phuong Chung, "A fruits recognition system based on a modern deep learning technique", Journal of Physics: Conference Series, 1327(1), pp.012050~ (2019), IOP Publishing[DOI]
- 함현식, "딥러닝 기반 토마토 병충해 분류 시스템 연구", 전기학회논문지, 69(2), pp.349~355 (2020), 대한전기학회
- H. Kim, "Deep-Learning-Based Strawberry Leaf Pest Classification for Sustainable Smart Farms", Journal of Sustainability, 15(10) (2023)
- 김종범, "식물유래 2차 대사물질의 병충해 및 잡초 방제효과", Applied Biological Chemistry, 48(1), pp.1~15 (2005), 한국응용생명화학회
- 최영우, "딥러닝을 이용한 병징에 최적화된 딸기 병충해 검출 기법", 생물환경조절학회지, 31(3), pp.255~260 (2022), (사) 한국생물환경조절학회
- H. Ko, "Diagnosis and Control of Major Parasitic Nematodes of Strawberries; National Institute of Agricultural Sciences", ~ (2017)
- H. Kim, "Early Detection of Strawberry Diseases and Pests using Deep Learning", ICIC Express Letter, Part B Application, 13, pp.1069~1075 (2022)[DOI]
- "Ultralytics", yolov5: v6.1—TensorRT, TensorFlow Edge TPU and OpenVINO Export and Inference, 2022
- F. T. Liu, "Isolation Forest", 2008Eighth IEEE International Conference on Data Mining, pp.413~422 (2008)
- F. Pedregosa, "Scikit-learn: Machine Learning in Python", Journal of Machine Learning Research[DOI]
- Diego Inácio Patrício, "Computer vision and artificial intelligence in precision agriculture for grain crops: A systematic review", Computers and Electronics in Agriculture, 153, pp.69~81 (2018), Elsevier BV[DOI]
- "Kaggle-Plant Pathology 2020 in PyTorch", ~ (2023)
- "Kaggle-Plant Pathology 2020: EDA + Models", ~ (2023)