과수원에서 농작물을 수확하고 양품을 선별해내는 작업은 상당히 많은 시간이 소요되며, 생산 비용 증가의 주원인 중 하나이다. 최근 지능형 농업이 대중화되었고 딥 러닝을 활용한 농작물 분류를 위한 잎 특징 추출 및 학습 방법 등 농업 분야에 적극 활용되고 있다. 대표적인 연구는 영국 케임브리지대의 Fumiya lida 교수 외 연구진이 발표한 양상추 수확용 로봇 Vegebot[4]이다. 해당 연구는 딥 러닝을 활용해 덜 익은 양상추나 병든 양상추 대신 수확이 가능한 잘 익은 양상추만 Detection 하여 수확하는데 성공하였다. 또한, ...
과수원에서 농작물을 수확하고 양품을 선별해내는 작업은 상당히 많은 시간이 소요되며, 생산 비용 증가의 주원인 중 하나이다. 최근 지능형 농업이 대중화되었고 딥 러닝을 활용한 농작물 분류를 위한 잎 특징 추출 및 학습 방법 등 농업 분야에 적극 활용되고 있다. 대표적인 연구는 영국 케임브리지대의 Fumiya lida 교수 외 연구진이 발표한 양상추 수확용 로봇 Vegebot[4]이다. 해당 연구는 딥 러닝을 활용해 덜 익은 양상추나 병든 양상추 대신 수확이 가능한 잘 익은 양상추만 Detection 하여 수확하는데 성공하였다. 또한, 알고리즘 측면으로 접근해 촬영된 이미지 내에서 과일을 Detection 하 는 시도도 있었는데, 이는 물체의 작은 크기나, 복잡한 배경을 가진 경우에는 좋지 못한 성능을 보였다. 딥 러닝의 성공적인 학습을 위해서는 충분한 양과 질의 데이터가 필요한데, 그렇지 못한 경우 과소 적합과 과대 적합 문제가 발생하게 되는데 이 같은 문제점이 있을 경우 수확 자동화 로봇에 사용하기 어렵다. 따라서 본 연구에서는 “Foreground-Background Data Augmentation”(Fo-Ba DA)을 제안한다. 학습 데이터의 부족 문제로 발생하는 과소 적합과 과대 적합의 문제를 전경과 배경을 다양하게 Mixing 하여 Augmentation 하는 방법으로 학습 데이터를 보강해 문제를 해결하려 하는 것이다. 실험 결과, Fo-Ba DA를 통해 얻은 합성 이미지를 실제 이미지와 함께 활용해 유의미한 Detection 성능 개선을 확인하였고, 이를 통해 적은 양의 실제 데이터만 확보한 상황에서도 농작물 Detection을 성공적으로 진행할 수 있도록 하였다.
과수원에서 농작물을 수확하고 양품을 선별해내는 작업은 상당히 많은 시간이 소요되며, 생산 비용 증가의 주원인 중 하나이다. 최근 지능형 농업이 대중화되었고 딥 러닝을 활용한 농작물 분류를 위한 잎 특징 추출 및 학습 방법 등 농업 분야에 적극 활용되고 있다. 대표적인 연구는 영국 케임브리지대의 Fumiya lida 교수 외 연구진이 발표한 양상추 수확용 로봇 Vegebot[4]이다. 해당 연구는 딥 러닝을 활용해 덜 익은 양상추나 병든 양상추 대신 수확이 가능한 잘 익은 양상추만 Detection 하여 수확하는데 성공하였다. 또한, 알고리즘 측면으로 접근해 촬영된 이미지 내에서 과일을 Detection 하 는 시도도 있었는데, 이는 물체의 작은 크기나, 복잡한 배경을 가진 경우에는 좋지 못한 성능을 보였다. 딥 러닝의 성공적인 학습을 위해서는 충분한 양과 질의 데이터가 필요한데, 그렇지 못한 경우 과소 적합과 과대 적합 문제가 발생하게 되는데 이 같은 문제점이 있을 경우 수확 자동화 로봇에 사용하기 어렵다. 따라서 본 연구에서는 “Foreground-Background Data Augmentation”(Fo-Ba DA)을 제안한다. 학습 데이터의 부족 문제로 발생하는 과소 적합과 과대 적합의 문제를 전경과 배경을 다양하게 Mixing 하여 Augmentation 하는 방법으로 학습 데이터를 보강해 문제를 해결하려 하는 것이다. 실험 결과, Fo-Ba DA를 통해 얻은 합성 이미지를 실제 이미지와 함께 활용해 유의미한 Detection 성능 개선을 확인하였고, 이를 통해 적은 양의 실제 데이터만 확보한 상황에서도 농작물 Detection을 성공적으로 진행할 수 있도록 하였다.
The work of harvesting crops from orchards and sorting out their products takes a considerable amount of time, and is one of the main causes of increased production costs. Recently, intelligent agriculture has become popular and is actively used in agricultural fields such as leaf feature extraction...
The work of harvesting crops from orchards and sorting out their products takes a considerable amount of time, and is one of the main causes of increased production costs. Recently, intelligent agriculture has become popular and is actively used in agricultural fields such as leaf feature extraction and learning methods for crop classification using deep running. A typical study is a lettuce-harvesting robot Vegbot[4] published by Professor Fumiya Lida and other researchers at Cambridge University in the U.K. The study succeeded in harvesting only ripe lettuce that can be harvested instead of undercooked or sick lettuce using deep running. Also, there were attempts to approach the algorithm side and detect fruits within the images taken, which showed poor performance in the small size of an object, or in the case of complex backgrounds. For the successful learning of deep learning, sufficient quantity and quality data are needed, otherwise, under-fit and over-fit problems will occur, making it difficult to use in harvest automation robots. Therefore, this study proposes "Foreground-Background Data Augmentation" (Fo-Ba DA). It try to solve the problem by reinforcing learning data created by mixing various foreground and background images with underfit and overfit problems caused by a lack of learning data. As a result of the experiment, the composite image obtained through Fo-Ba DA was used in conjunction with the actual image to identify significant improvement in detection performance, which allowed successful crop detection even when only a small amount of actual data was obtained.
The work of harvesting crops from orchards and sorting out their products takes a considerable amount of time, and is one of the main causes of increased production costs. Recently, intelligent agriculture has become popular and is actively used in agricultural fields such as leaf feature extraction and learning methods for crop classification using deep running. A typical study is a lettuce-harvesting robot Vegbot[4] published by Professor Fumiya Lida and other researchers at Cambridge University in the U.K. The study succeeded in harvesting only ripe lettuce that can be harvested instead of undercooked or sick lettuce using deep running. Also, there were attempts to approach the algorithm side and detect fruits within the images taken, which showed poor performance in the small size of an object, or in the case of complex backgrounds. For the successful learning of deep learning, sufficient quantity and quality data are needed, otherwise, under-fit and over-fit problems will occur, making it difficult to use in harvest automation robots. Therefore, this study proposes "Foreground-Background Data Augmentation" (Fo-Ba DA). It try to solve the problem by reinforcing learning data created by mixing various foreground and background images with underfit and overfit problems caused by a lack of learning data. As a result of the experiment, the composite image obtained through Fo-Ba DA was used in conjunction with the actual image to identify significant improvement in detection performance, which allowed successful crop detection even when only a small amount of actual data was obtained.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.