[논문]딥러닝 기반 표고버섯 병해충 이미지 분석에 관한 연구

조경호; 정세훈; 심춘보

doi:10.9717/kmms.2020.23.1.050

딥러닝 기반 표고버섯 병해충 이미지 분석에 관한 연구
A Study of Shiitake Disease and Pest Image Analysis based on Deep Learning 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.23 no.1, 2020년, pp.50 - 57

조경호 (Dept. of Multimedia Eng., School of Information Communication&Multimedia, Sunchon National University) , 정세훈 (Dept. of Bigdata Convergence, School of Major Connection, Youngsan University) , 심춘보 (Dept. of Multimedia Eng., School of Information Communication&Multimedia, Sunchon National University)

Abstract ▼ AI-Helper

The work that detection and elimination to disease and pest have important in agricultural field because it is directly related to the production of the crops, early detection and treatment of the disease insects. Image classification technology based on traditional computer vision have not been applied in part such as disease and pest because that is falling a accuracy to extraction and classification of feature. In this paper, we proposed model that determine to disease and pest of shiitake based on deep-CNN which have high image recognition performance than exist study. For performance evaluation, we compare evaluation with Alexnet to a proposed deep learning evaluation model. We were compared a proposed model with test data and extend test data. The result, we were confirmed that the proposed model had high performance than Alexnet which approximately 48% and 72% such as test data, approximately 62% and 81% such as extend test data.

주제어

표/그림 (10)

그림 Fig. 1. Shiitake Pest Image Analysis System.
그림 Fig. 2. Shiitake Images.
그림 Fig. 3. Image Collection Module.
표 Table 1. Data Preprocessing
그림 Fig. 4. Image Preproccessing Module.
그림 Fig. 5. Image Analysis Module.
그림 Fig. 6. Shiitake Image Discrimination Result.
표 Table 2. Implementation Environment
그림 Fig. 7. Alexnet & Study of Propse Accuracy Graph.
표 Table 3. Performance Evaluation

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 딥러닝 기반의 표고버섯 병해충 이미지 분석에 관한 연구를 진행하였다. 분석을 위해 실제 농가의 버섯 재배실에서 표고버섯 이미지를 수집하였고, 수집한 데이터를 전처리하여 딥러닝 모델의 학습에 적합한 형태로 변환하였다.
아울러, 딥러닝 기술을 농업에 적용하여 생산량과 업무 효율을 향상시키기 위한 다양한 연구들이 진행되고 있다. 이에 본 논문에서는 이미지 인식성능이 높은 CNN을 기반으로 표고버섯 병해충 발생 여부를 판단하는 모델을 개발한다. CNN을 표고버섯 병해충 이미지 분석에 활용하기 위해서는 대량의 학습데이터가 요구된다.

제안 방법

분석을 위한 해충 이미지는 국가기관 및 구글 이미지와 실제 농가에서 발생한 해충 이미지를 포함시켰다. 1차적으로 라즈베리파이를 이용하여 CNN기법으로 해충의 특징을 추출한 뒤 2차로 클라우드 서버에서 이미지를 통해 분석을 실시하였다. 그 결과 해충 이미지 개수를 파악하는 정확도가 총 94%로 높게 나온 것을 확인하였다.
3종류의 카메라에서 수집된 이미지의 크기가 다르고, 분석 모델의 입력 크기에 맞추기 위해 256 × 256 크기로 변환하는 작업을 수행한다.
3은 표고버섯 병해충 이미지 수집 모듈이다. CCTV, 디지털카메라, 스마트폰으로 표고버섯을 촬영하여 데이터베이스 서버에 저장하였다. 특히, CCTV는 촬영한 이미지를 재배실에 설치된 Gateway를 통해 데이터베이스에 저장하도록 구성하였다.
ResNet은 기존 CNN과 다르게 Sub-ampling을 Pooling layer에서 수행하지 않고 Convolution layer의 Stride를 변경하여 Feature map의 크기를 줄인다. 또한 마지막 Convolution layer 이후에 Fully connected layer 대신 Global average pooling을 수행하는 layer를 배치하여 결과를 출력한다. 제안하는 이미지 분석 모듈은 256 × 256 크기의 24,000개 표고버섯 병해충 데이터 중 80%인 19,200개를 모델의 학습데이터로 활용하였다.
본 논문에서는 실제 표고버섯 병해충 이미지를 버섯 재배실에서 수집해 대용량의 데이터 집합을 구성하고, 수집된 데이터에 전처리 과정을 거쳐 CNN 모델에 적합하도록 변환 후 분석 모델의 학습에 활용한다. 분석 모델은 CNN 모델 중 심층 신경망 형태인 ResNet을 활용하여 병해충 감염 여부를 판단한다.
본 연구에서 제안하는 병해충 이미지 분석 시스템의 성능평가는 학습데이터의 규모에 따른 모델의 정확률에 대한 평가를 진행하였다. 성능평가는 Alexnet과 제안하는 모델에 원본 데이터와 Augmentation으로 확장한 데이터를 활용하여 진행하였다.
본 논문에서는 실제 표고버섯 병해충 이미지를 버섯 재배실에서 수집해 대용량의 데이터 집합을 구성하고, 수집된 데이터에 전처리 과정을 거쳐 CNN 모델에 적합하도록 변환 후 분석 모델의 학습에 활용한다. 분석 모델은 CNN 모델 중 심층 신경망 형태인 ResNet을 활용하여 병해충 감염 여부를 판단한다. 제안하는 분석 모델의 Data Augmentation 적용 유무에 따른 분석 모델의 성능평가를 진행한다.
본 논문에서는 딥러닝 기반의 표고버섯 병해충 이미지 분석에 관한 연구를 진행하였다. 분석을 위해 실제 농가의 버섯 재배실에서 표고버섯 이미지를 수집하였고, 수집한 데이터를 전처리하여 딥러닝 모델의 학습에 적합한 형태로 변환하였다. 최종적으로 전 처리된 데이터를 활용하여 데이터의 절대적인 양에 따른 모델의 정확도 비교평가를 진행하였고, 그 결과 학습데이터가 많을수록 분석 모델의 정확도가 향상되는 것을 확인하였다.
[8] 에서는 CNN 모델을 활용하여 식물 잎 분류를 수행하였다. 식물 잎 영상과 같이 한 영상 내부의 특성이 유사하고, 종류별의 개별 영상 역시 유사할 때 과한 계층을 쌓는 방법을 통한 특징 맵 추출은 불필요한 연산 및 중복성을 늘이는 작업이 되기 때문에 정확도에 있어 반감되는 작용을 하여 기존 모델의 일부를 개선하여 성능을 향상시켰다. [9] 의 연구에서는 병해충 검색을 위한 이미지 검색 및 인식 통합 시스템을 제안하였다.
기존의 CNN은 Convolution layer에서 Feature를 추출하고 Pooling layer에서 Feature map의 크기를 줄이는 Sub sampling을 수행한다. 이 과정을 반복적으로 수행하고 마지막에 Fully connected layer를 통해 결과물을 출력하였다. ResNet은 기존 CNN과 다르게 Sub-ampling을 Pooling layer에서 수행하지 않고 Convolution layer의 Stride를 변경하여 Feature map의 크기를 줄인다.
따라서 학습 데이터를 확장하는 과정이 필요하다. 이를 위해 본연구에서는 Data Augmentaion을 활용하여 원본 데이터를 24,000개로 확장하였다.
제안하는 딥러닝 기반 표고버섯 병해충 이미지 분석 시스템은 크게 이미지 수집 모듈, 이미지 전처리 모듈, 병해충 이미지 분석 모듈로 구성되어 있다. Fig.
분석 모델은 CNN 모델 중 심층 신경망 형태인 ResNet을 활용하여 병해충 감염 여부를 판단한다. 제안하는 분석 모델의 Data Augmentation 적용 유무에 따른 분석 모델의 성능평가를 진행한다.
CCTV, 디지털카메라, 스마트폰으로 표고버섯을 촬영하여 데이터베이스 서버에 저장하였다. 특히, CCTV는 촬영한 이미지를 재배실에 설치된 Gateway를 통해 데이터베이스에 저장하도록 구성하였다. 병해충 데이터 수집 모듈을 통해 2018년 3월 12일부터 2019년 9월 8일까지 병해충 감염 여부와 관계없이 원본 데이터 8,000개를 수집하였다.

대상 데이터

제안하는 이미지 분석 모듈은 256 × 256 크기의 24,000개 표고버섯 병해충 데이터 중 80%인 19,200개를 모델의 학습데이터로 활용하였다. 나머지 20% 데이터는 모델의 성능 확인을 위한 테스트 데이터로 활용하였다.
성능평가는 Alexnet과 제안하는 모델에 원본 데이터와 Augmentation으로 확장한 데이터를 활용하여 진행하였다. 두 모델에 활용된 데이터는 Train 8,000개와 Test 24,000개로 구성한다. 원본 데이터는 Train 6,400, Test 1,600개로 구분하고, 확장데이터는 각각 19,200, 4,800개로 구성한다.
특히, CCTV는 촬영한 이미지를 재배실에 설치된 Gateway를 통해 데이터베이스에 저장하도록 구성하였다. 병해충 데이터 수집 모듈을 통해 2018년 3월 12일부터 2019년 9월 8일까지 병해충 감염 여부와 관계없이 원본 데이터 8,000개를 수집하였다.
본 논문에서는 제안하는 딥러닝 기반의 표고버섯 병해충 이미지 분석을 위해 AlexNet과 ResNet을 활용하였다. 이미지 분석을 위한 모델은 56-layer로 구성하였다.
[7] 는 라즈베리파이를 활요한 CNN 기법을 통해 해충 이미지에서 해충의 개수를 파악하는 시스템을 제안하였다. 분석을 위한 해충 이미지는 국가기관 및 구글 이미지와 실제 농가에서 발생한 해충 이미지를 포함시켰다. 1차적으로 라즈베리파이를 이용하여 CNN기법으로 해충의 특징을 추출한 뒤 2차로 클라우드 서버에서 이미지를 통해 분석을 실시하였다.
본 연구에서 제안하는 병해충 이미지 분석 시스템의 성능평가는 학습데이터의 규모에 따른 모델의 정확률에 대한 평가를 진행하였다. 성능평가는 Alexnet과 제안하는 모델에 원본 데이터와 Augmentation으로 확장한 데이터를 활용하여 진행하였다. 두 모델에 활용된 데이터는 Train 8,000개와 Test 24,000개로 구성한다.
두 모델에 활용된 데이터는 Train 8,000개와 Test 24,000개로 구성한다. 원본 데이터는 Train 6,400, Test 1,600개로 구분하고, 확장데이터는 각각 19,200, 4,800개로 구성한다.
제안하는 버섯 병해충 이미지 분석 모델을 학습시키기 위해 버섯 농장 재배실에서 촬영한 이미지를 사용하였다. Fig.
제안하는 이미지 분석 모듈은 256 × 256 크기의 24,000개 표고버섯 병해충 데이터 중 80%인 19,200개를 모델의 학습데이터로 활용하였다.

데이터처리

그리고 원본 데이터와 Augmentaion으로 확장한 데이터 세트를 비교 평가하였다.

이론/모형

본 논문에서 제안하는 딥러닝 기반 병해충 이미지 분석 모델은 ResNet을 기반한다. Fig.
[6] 의 연구에서는 감귤농업에서 주요 해충으로 분류되는 볼록총채벌레를 심층신경망을 이용하여 탐색하는 연구를 하였다. 황색끈끈이트랩 이미지 자료를 ResNet기반의 Faster R-CNN 탐색모형을 사용하여 분석하였다. 명확한 블록총채벌레로 구성된 검증자료는 AUC 값이 0.

성능/효과

AlexNet은 원본 데이터 테스트에서 Train 데이터 56%, Test 데이터 48%의 정확도를 보여주었다. Augmentation 데이터 테스트의 경우 Train 68%, Test 62% 정확도가 측정되었다. 제안하는 이미지 분석 모델의 원본 데이터 테스트는 Train 65% Test 72%, Augmentation 데이터 테스트에서 Train 87%, Test 81%가 측정되었다.
그리고 원본 데이터와 Augmentaion으로 확장한 데이터 세트를 비교 평가하였다. 그 결과 딥러닝 모델 학습 시 데이터의 절대적인 크기가 작을 경우 과적합 문제가 발생하는 것을 확인하였다.
1차적으로 라즈베리파이를 이용하여 CNN기법으로 해충의 특징을 추출한 뒤 2차로 클라우드 서버에서 이미지를 통해 분석을 실시하였다. 그 결과 해충 이미지 개수를 파악하는 정확도가 총 94%로 높게 나온 것을 확인하였다. [8] 에서는 CNN 모델을 활용하여 식물 잎 분류를 수행하였다.
황색끈끈이트랩 이미지 자료를 ResNet기반의 Faster R-CNN 탐색모형을 사용하여 분석하였다. 명확한 블록총채벌레로 구성된 검증자료는 AUC 값이 0.936으로 높지만 명확하지 않은 블록총채벌레로 구성한 검증자료는 AUC 값이 0.803으로 크게 떨어지는 것을 확인하였다. [7] 는 라즈베리파이를 활요한 CNN 기법을 통해 해충 이미지에서 해충의 개수를 파악하는 시스템을 제안하였다.
Augmentation 데이터 테스트의 경우 Train 68%, Test 62% 정확도가 측정되었다. 제안하는 이미지 분석 모델의 원본 데이터 테스트는 Train 65% Test 72%, Augmentation 데이터 테스트에서 Train 87%, Test 81%가 측정되었다.
분석을 위해 실제 농가의 버섯 재배실에서 표고버섯 이미지를 수집하였고, 수집한 데이터를 전처리하여 딥러닝 모델의 학습에 적합한 형태로 변환하였다. 최종적으로 전 처리된 데이터를 활용하여 데이터의 절대적인 양에 따른 모델의 정확도 비교평가를 진행하였고, 그 결과 학습데이터가 많을수록 분석 모델의 정확도가 향상되는 것을 확인하였다. 향후 연구에서는 표고버섯 푸른곰팡이뿐만 아니라 표고버섯에서 발생하는 다양한 병해충을 판단하는 연구가 진행되어야 한다.

후속연구

향후 연구에서는 표고버섯 푸른곰팡이뿐만 아니라 표고버섯에서 발생하는 다양한 병해충을 판단하는 연구가 진행되어야 한다. 또한, 제안하는 이미지 분석 모델을 개선하여 산업 현장 생산라인의 불량품을 검출하거나 고장위험, 사고 예방에 활용 할 수 있는 연구가 필요하다.
최종적으로 전 처리된 데이터를 활용하여 데이터의 절대적인 양에 따른 모델의 정확도 비교평가를 진행하였고, 그 결과 학습데이터가 많을수록 분석 모델의 정확도가 향상되는 것을 확인하였다. 향후 연구에서는 표고버섯 푸른곰팡이뿐만 아니라 표고버섯에서 발생하는 다양한 병해충을 판단하는 연구가 진행되어야 한다. 또한, 제안하는 이미지 분석 모델을 개선하여 산업 현장 생산라인의 불량품을 검출하거나 고장위험, 사고 예방에 활용 할 수 있는 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	표고버섯 재배의 단점은?	최근에는 표고버섯의 여러 재배 방식 중에서도 배지 타입의 재배방식을 추천하고 있다. 표고버섯재배는 원목과 배지 형태로 재배되고 있으며 2017년 기준 원목(65%) 배지(35%)로 과거에 비해 배지생산량이 증가한 것을 확인할 수 있는데, 배지 재배가 원목에 비해 날씨에 큰 영향을 받지 않고, 원목 재배에 필요한 물리적 충격을 주는 단계가 없어 비교적 관리가 쉽지만, 재배 특성상 병해충이 발생할 경우 빠르게 전염되어 생산량이 감소하는 단점을 가지고 있다.
	병해충을 조기에 발견하여 조치할 경우 어떤 점이 좋은가요?	농업에서 병해충을 탐지하여 제거하는 작업은 작물의 생산량과 직접적으로 연관되므로 병해충을 조기에 발견하여 조치하는 것은 정상적인 작물의 피해를 줄여 생산량을 향상시킬 수 있다. 이를 위해서는 정상적인 작물과 구별하여 병든 작물을 구분하는 기술이 필요하다.
	표고버섯 재배 시 주로 피해를 입히는 병해충은 무엇인가?	표고버섯 재배 시 주로 피해를 입히는 병해충은 푸른곰팡이균이다. 푸른곰팡이균은 전파속도가 매우 빠르기 때문에 한 개체에 발생하면 다른 개체에 전염되어, 빠른 조치를 취하지 않았을 때 버섯 재배실 한 동 전체가 감염되는 상황이 발생할 수 있다.

참고문헌 (9)

The Seoul Institute, Characteristics Analysis and Policy Tasks of Seoul Baby Boomers, Seoul Institute Policy Report 199, 2015.
Ministry of Agriculture, Food and Rural Affairs, Statistics for the Return of Farming and Fishing Villages as of 2018, Statistics on the Return of Farming and Fishing Villages, 2019.
J.H. Son, "Alzheimer's Disease Classification with Automated MRI Biomarker Detection Using Faster R-CNN for Alzheimer's Disease Diagnosis," Journal of Korea Multimedia Society, Vol. 22, No. 10, pp. 1168-1177, 2019.
J.Y. Wang, "Low Resolution Rate Face Recognition based on Multi-scale CNN," Journal of Korea Multimedia Society, Vol. 21, No. 12, pp. 1467-1472, 2018.

원문보기 상세보기
J.N. Song, H.I. Kim, and Y.M. Ro, "Fast and Robust Face Detection based on CNN in Wild Environment," Journal of Korea Multimedia Society, Vol. 19, No. 8, pp. 1310-1319, 2016.

원문보기 상세보기
D.H. Lee and K.H. Seok, "Detection of Scirtothrips with Deep Neural Network," Journal of the Korean Data and Information Science Society, Vol. 29, No. 5, pp. 1287-1297, 2018.

상세보기
S.J. Kim, M.H. Lee, and H. Yoe, "Design of the Pest Recognition System using Raspberry Pi," Asia Pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology, Vol. 8, No. 11, pp. 941-953, 2018.
Y.M. Park, Plant Leaf Classification Based on DenseNet of Deep Learning Algorithm, Master's Thesis of Keimyoung University, 2018.
Y.J. Lee, D.W. Jeong, S.H. Yoo, Y.H. Gu, Z. Piao, H. Yi, et al., "An Integrated Image Retrieval and Recognition System for Detecting Diseases and Insect Pests," The Journal of Korean Institute of Next Generation Computing, Vol. 13, No. 4, pp. 100-111, 2017.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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