[논문]LeafNet: 합성곱 신경망을 이용한 식물체 분할

조정원; 이민혜; 이홍로; 정용석; 백정호; 김경환; 이창우

doi:10.9723/jksiis.2019.24.4.001

초록
AI-Helper

식물 표현체(plant phenomics) 연구는 우수한 형질의 식물 품종과 유전적 특성을 선별하기 위해 여러 식물체의 형태적 특징을 관측하고, 획득한 영상 빅데이터를 분석하는 기술이다. 기존의 방법은 검출 대상에 따라 직접 색상 임계값을 변경해야 하기 때문에 빅데이터를 다루는 정밀검정시스템에 적용하기 어렵다. 본 논문에서는 정밀검정시스템을 위한 식물체와 배경의 자동 분할이 가능한 합성곱 신경망(Convolution neural network: CNN) 구조를 제안한다. LeafNet은 9개의 컨벌루션 계층과 식물의 유무를 판단하기 위한 시그모이드(Sigmoid) 활성화 함수로 구성된다. LeafNet을 이용한 학습 결과, 식물 모종 영상에 대하여 정밀도 98.0%, 재현율 90.3%의 결과가 도출되어 정밀검정시스템의 적용 가능성을 확인하였다.

Abstract ▼ AI-Helper

Plant phenomics is a technique for observing and analyzing morphological features in order to select plant varieties of excellent traits. The conventional methods is difficult to apply to the phenomics system. because the color threshold value must be manually changed according to the detection targ...

Plant phenomics is a technique for observing and analyzing morphological features in order to select plant varieties of excellent traits. The conventional methods is difficult to apply to the phenomics system. because the color threshold value must be manually changed according to the detection target. In this paper, we propose the convolution neural network (CNN) structure that can automatically segment plants from the background for the phenomics system. The LeafNet consists of nine convolution layers and a sigmoid activation function for determining the presence of plants. As a result of the learning using the LeafNet, we obtained a precision of 98.0% and a recall rate of 90.3% for the plant seedlings images. This confirms the applicability of the phenomics system.

주제어

표/그림 (10)

그림 Fig. 1 UV-Visible Spectroscopy
그림 Fig. 2 Examples of Plants Images
그림 Fig. 3 Labeling using PixelAnnotation Tool
그림 Fig. 4 Structure of LeafNet Models
표 Table 1 Color Range of Plants in Color Space
그림 Fig. 5 Plants Binarization Results using Threshold Values
표 Table 2 Precision and Recall Rates on Web Images
그림 Fig. 6 Plant Extraction Results on Web Images
그림 Fig. 7 Experimental Results of Proposed Method
표 Table 3 Precision and Recall Rates on Plant Seedlings Images

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 식물 표현체 연구를 위한 정밀검정시스템에 적용을 목적으로 제공되는 영상에서 식물과 배경의 자동 분할이 가능한 LeafNet을 제안하였다. 정밀검정시스템은 식물체의 검출율을 높이기 위해 배경이 단순하며 규격화된 영상을 사용 한다.

제안 방법

이러한 영상은 식물영역과 배경영역을 나누는 이진 분할을 이용하여 식물체 영역을 검출할 수 있다. 단순한 배경에서의 이진 분할을 위해 풀링 계층을 사용하지 않고 입력단과 출력단 사이에 1×1 컨벌루션 계층을 추가하여 식물체의 특징정보를 유지하는 형태로 LeafNet을 설계하였다. LeafNet의 신뢰성 검증을 위해 라벨링 과정에서 얻어진 이진영상과 색상 임계값 결과영상, 설계한 신경망의 결과영상을 비교하였다.
LeafNet의 신뢰성 검증을 위해 라벨링 과정에서 얻어진 이진영상과 색상 임계값 결과영상, 설계한 신경망의 결과영상을 비교하였다. 설계한 신경망은 필터 크기에 따른 특징 추출 관계성을 확인하기 위해 필터의 감소, 증가, 고정 세 가지 모델을 설계하여 그 결과를 비교하였다.

대상 데이터

식물의 잎과 줄기는 2절에서 확인한 바와 같이 녹색과 황색 범위의 색상으로 이루어져 있다. 본 논문에서는 웹사이트[12]에서 무작위로 크롤링한 500×500 크기의 식물 영상 300장과 표현체 연구를 위해 촬영한 4,384×6,576 크기의 식물 모종 영상 300장을 데이터셋으로 사용한다. 선별된 영상들은 라벨링 과정을 거친 후, 224×224 크기로 축소시키고 360장은 훈련 데이터셋, 40장은 검증 데이터셋, 200장은 실험 데이터셋으로 사용한다.

데이터처리

LeafNet의 설계에 있어서, 다양한 필터 크기가 식물의 특징 검출에 어떠한 영향을 주는지 비교하기 위해 필터 크기를 변경한 LeafNet 모델에 대한 실험을 함께 진행하였다. 제안된 LeafNet 모델의 성능을 검증하기 위해 기존이 진분할 방법에서 가장 검출율이 높은 YCbCr을 이용한 결과영상과 비교하였다.

이론/모형

기존의 이진 분할 방법의 성능을 확인하기 위해 영상처리 오픈소스 라이브러리인 OpenCV[14]와 Python 3을 이용하여 색상범위의 분포를 휴리스틱(Heuristic) 기법으로 검출하고 RGB, HSV, YCbCr 영역에서 식물영역과 배경을 분할하였다. 선별한 데이터셋의 식물 영상은 녹색범위에 색상이 분포되어있기 때문에 해당범위에 맞춰서 Table 1과 같이 각 임계치를 설정하고 검출할 필요가 있다.

성능/효과

3%을 보임으로써 기존의 색상 임계값을 이용하는 측정방법보다 성능이 높은 것으로 확인 되었다. 또한, 사용자가 직접 색상영역을 변경할 필요 없이 딥러닝을 이용하여 식물과 배경의 자동 분할 가능성을 확인하였다. 필터 크기를 점진적으로 변형한 모델은 고정 필터를 사용하는 모델보다 잎의 모서리부분, 잎과 잎의 사이 등 세밀한 영역을 검출해야할 때, 보다 유용한 것으로 확인되었다.
실험 결과, 증가 필터를 사용한 신경망이 웹 데이터셋에서 정밀도 98.5%, 재현율 93.0%, 식물 모종 데이터셋에서 정밀도 98.0%, 재현율 90.3%을 보임으로써 기존의 색상 임계값을 이용하는 측정방법보다 성능이 높은 것으로 확인 되었다. 또한, 사용자가 직접 색상영역을 변경할 필요 없이 딥러닝을 이용하여 식물과 배경의 자동 분할 가능성을 확인하였다.

후속연구

필터 크기를 점진적으로 변형한 모델은 고정 필터를 사용하는 모델보다 잎의 모서리부분, 잎과 잎의 사이 등 세밀한 영역을 검출해야할 때, 보다 유용한 것으로 확인되었다. 그러나, 정밀검정시스템은 검출율을 높이기 위해 단순한 배경과 규격화된 환경에서의 영상을 중심으로 하고 있기 때문에 추후 연구에서는 본 연구를 토대로 복잡한 배경이나 유사한 특징으로 인해 검출율이 낮은 영상에서도 식물체의 검출 성능을 높일 수 있도록 하고자 한다. 본 논문에서 제안하는 LeafNet은 식물의 정밀검정시스템에서 검출하고자 하는 식물체에 대해 사용자의 직접적인 변경 없이 자동 검출이 가능하였다.

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

LeafNet: 합성곱 신경망을 이용한 식물체 분할
LeafNet: Plants Segmentation using CNN 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

LeafNet: 합성곱 신경망을 이용한 식물체 분할 LeafNet: Plants Segmentation using CNN 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10) 모든 표/그림 보기

표/그림 (10) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

이홍로 (20) 이창우 (24)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

LeafNet: 합성곱 신경망을 이용한 식물체 분할
LeafNet: Plants Segmentation using CNN 원문보기

초록
AI-Helper

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper