[논문]딥러닝을 이용한 병징에 최적화된 딸기 병충해 검출 기법

최영우; 김나은; 볼라파우델; 김현태

doi:10.12791/ksbec.2022.31.3.255

딥러닝을 이용한 병징에 최적화된 딸기 병충해 검출 기법
Strawberry Pests and Diseases Detection Technique Optimized for Symptoms Using Deep Learning Algorithm 원문보기

생물환경조절학회지 = Journal of bio-environment control, v.31 no.3, 2022년, pp.255 - 260

최영우 (경상국립대학교 대학원 스마트팜학과) , 김나은 (경상국립대학교 대학원 바이오시스템공학과) , 볼라파우델 (경상국립대학교 대학원 바이오시스템공학과) , 김현태 (경상국립대학교 생물산업기계공학과(스마트팜연구소))

초록
AI-Helper

본 논문은 딥러닝 알고리즘을 이용하여 딸기 영상 데이터의 병충해 존재 여부를 자동으로 검출할 수 있는 서비스 모델을 제안한다. 또한 병징에 특화된 분할 이미지 데이터 세트를 제안하여 딥러닝 모델의 병충해 검출 성능을 향상한다. 딥러닝 모델은 CNN 기반 YOLO를 선정하여 기존의 R-CNN 기반 모델의 느린 학습속도와 추론속도를 개선하였다. 병충해 검출 모델을 학습하기 위해 일반적인 데이터 세트와 제안하는 분할 이미지 데이터 세트를 구축하였다. 딥러닝 모델이 일반적인 학습 데이터 세트를 학습했을 때 병충해 검출률은 81.35%이며 병충해 검출 신뢰도는 73.35%이다. 반면 딥러닝 모델이 분할 이미지 학습 데이터 세트를 학습했을 때 병충해 검출률은 91.93%이며 병충해 검출 신뢰도는 83.41%이다. 따라서 분할 이미지 데이터를 학습한 딥러닝 모델의 성능이 우수하다는 것을 증명할 수 있었다.

Abstract ▼ AI-Helper

This study aimed to develop a service model that uses a deep learning algorithm for detecting diseases and pests in strawberries through image data. In addition, the pest detection performance of deep learning models was further improved by proposing segmented image data sets specialized in disease and pest symptoms. The CNN-based YOLO deep learning model was selected to enhance the existing R-CNN-based model's slow learning speed and inference speed. A general image data set and a proposed segmented image dataset was prepared to train the pest and disease detection model. When the deep learning model was trained with the general training data set, the pest detection rate was 81.35%, and the pest detection reliability was 73.35%. On the other hand, when the deep learning model was trained with the segmented image dataset, the pest detection rate increased to 91.93%, and detection reliability was increased to 83.41%. This study concludes with the possibility of improving the performance of the deep learning model by using a segmented image dataset instead of a general image dataset.

주제어

참고문헌 (9)

Dumitru E., S. Christian, T. Alexander, and A. Dragomir 2014, Scalable object detection using deep neural networks. CVPR '14: Proceedings of the 2014 IEEE. pp 2155-2162. doi:10.1109/CVPR.2014.276
Kim S.J., and H.S. Kim 2020, Multi-tasking U-net based paprika disease diagnosis. Smart Media J 9:16-22. (in Korean) doi:10.30693/SMJ.2020.9.1.16

원문보기 상세보기
Kim S.K., and J.G. Ahn 2021, Tomato crop diseases classification models using deep CNN-based architectures. J Korea Acad-Ind Coop Soc 22:7-14. (in Korean) doi:10.5762/KAIS.2021.22.5.7

원문보기 상세보기
Lecun Y., L. Bottou, Y. Bengio, and P. Haffner 1998, Gradient-based learning applied to document recognition. Proceedings of the IEEE 86:2278-2324. doi:10.1109/5.726791

상세보기
Nam M.H., H.S. Kim, T.I. Kim, and E.M. Lee 2015, Comparison of environmental-friendly and chemical spray calendar for controlling diseases and insect pests of strawberry during nursery seasons. Res Plant Dis 21:273-279. (in Korean) doi:10.5423/RPD.2015.21.4.273

원문보기 상세보기
Olson D.L., and D. Delen 2008, Advanced data mining techniques. Springer, Berlin, Germany, pp 1-180.
Redmon J., and A. Farhadi 2017, YOLO9000: Better, faster, stronger. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). pp 6517-6525. doi:10.1109/CVPR.2017.690
Ren S., K. He, R. Girshick, and J. Sun 2017, Faster R-CNN: Towards real-time object detection with region proposal networks. IEEE Trans Pattern Anal Mach Intell 39:1137-1149. doi:10.1109/TPAMI.2016.2577031

상세보기
Shorten C., and T.M. Khoshgoftaar 2019, A survey on image data augmentation for deep learning. J Big Data 6:60. doi:10.1186/s40537-019-0197-0.

상세보기

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

딥러닝을 이용한 병징에 최적화된 딸기 병충해 검출 기법
Strawberry Pests and Diseases Detection Technique Optimized for Symptoms Using Deep Learning Algorithm 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

참고문헌 (9)

이 논문을 인용한 문헌

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

딥러닝을 이용한 병징에 최적화된 딸기 병충해 검출 기법 Strawberry Pests and Diseases Detection Technique Optimized for Symptoms Using Deep Learning Algorithm 원문보기

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

Abstract ▼ AI-Helper

주제어

참고문헌 (9)

이 논문을 인용한 문헌

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

딥러닝을 이용한 병징에 최적화된 딸기 병충해 검출 기법
Strawberry Pests and Diseases Detection Technique Optimized for Symptoms Using Deep Learning Algorithm 원문보기

초록
AI-Helper