딥러닝 기술을 활용한 희귀식물 덩굴모밀의 건중량 예측
Deep Learning Based Dry Weight Prediction of Rare Plant Persicaria chinensis (L.) H. Gross
5
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 희귀식물 덩굴모밀의 재배에 이미지 기반 딥러닝 모델의 성능을 비교하였으며, 이를 활용한 비파괴적 생산량 예측기법 적용 가능성을 확인하였다. 잎의 생산량 예측에서 Dense- Net121 모델은 교차 검증과 테스트 데이터셋 평가 모두에서 가장 우수한 성능을 나타내 데이터 확보가 제한적인 식물 자원 연구에서 효과적인 예측 모델로 활용될 수 있을 것으로 판단된다. 또한 줄기의 생산량 예측 결과, 전이학습 모델이 CNN 기본 모델보다 우수한 성능을 보여 잎의 경우와 유사한 양상을 보였다. 특히 교차 검증 단계에서는 MobileNetV2와 DenseNet121 모델이 높은 성능과 안정성을 보였으며, 테스트 데이터셋 평가에서는 VGG16 모델이 가장 높은 결정계수를 기록하였다. 이러한결과는 향후 희귀식물인 덩굴모밀 재배의 자동화를 위한 생육평가 및 생산량 예측 시스템 구축에 기초 자료로 활용될 수 있을것이다.
Abstract
This study developed image-based deep learning models for non-destructive prediction of leaf and stem dry weight of Persicaria chinensis and compared the performance of different convolutional neural network (CNN) architectures. P. chinensis is a rare species designated by the Korea Forest Service with high potential for medicinal and functional food applications, highlighting the need for efficient yield prediction methods. A baseline CNN and four transfer learning models (VGG16, ResNet50, DenseNet121, and MobileNetV2) were evaluated using leaf and stem images as input data. Ten percent of the dataset was reserved as an independent test set, while the remaining data were used for training and validation through K-fold cross-validation (K = 5). Data augmentation and early stopping were applied to improve model generalization. For leaf dry weight prediction, DenseNet121 achieved the highest test performance (R = 0.89). For stem dry weight prediction, VGG16 achieved the highest coefficient of determination on the independent test set (R = 0.91). Performance differences were attributed to variations in morphological and visual characteristics between leaves and stems. These results demonstrate the feasibility of image-based deep learning for non-destructive yield prediction of P. chinensis in precision agriculture and smart forestry.