[논문]객체 검출 기반 클라우드 시스템 : 데이터베이스를 통한 효율적인 병해 모니터링

시종욱; 김준용; 김성영

doi:10.17661/jkiiect.2023.16.4.210

객체 검출 기반 클라우드 시스템 : 데이터베이스를 통한 효율적인 병해 모니터링
Object Detection-Based Cloud System: Efficient Disease Monitoring with Database 원문보기

한국정보전자통신기술학회논문지 = Journal of Korea institute of information, electronics, and communication technology, v.16 no.4, 2023년, pp.210 - 219

시종욱 (Dept. Computer.AI Convergence Engineering, Kumoh National Institute of Technology) , 김준용 (Dept. Computer Engineering, Kumoh National Institute of Technology) , 김성영 (Dept. Computer Engineering, Kumoh National Institute of Technology)

초록
AI-Helper

농촌 인구의 감소와 고령화로 인한 노동력 부족, 비닐하우스 내의 악화된 환경과 위험에 따른 사망 사례가 발생하고 있다. 이에 따라, 비닐하우스에서의 작물 재배와 병해 검출을 자동화하여 인력 손실을 막는 시스템이 필요하다. 본 논문에서는 비닐하우스에서 작물의 병해를 검출하기 위해 객체 검출 기반의 모델을 활용한다. 또한, 클라우드에서 인공지능 모델의 환경을 구성하여 안정성을 확보한다. 제안하는 시스템은 비닐하우스 내에서 촬영한 영상을 데이터베이스에 저장하고, 클라우드에서 영상을 다운로드한 후 Yolo-v4를 기반으로 추론한 검출 결과를 JSON 파일로 생성한다. 이 파일을 분석하여 데이터베이스로 전송하여 저장한다. 실험 결과로 객체 검출을 통한 병해 감지는 비닐하우스와 같은 실제 환경에서 높은 성능을 나타냄을 확인할 수 있고 데이터베이스를 통하여 효율적인 모니터링이 가능함을 확인하였다.

Abstract ▼ AI-Helper

The decline in the rural populace and an aging workforce have led to fatalities due to worsening environments and hazards within vinyl greenhouses. Therefore, it is necessary to automate crop cultivation and disease detection system in greenhouses to prevent labor loss. In this paper, an object detection-based model is used to detect diseased crop in greenhouses. In addition, the system proposed configures the environment of the artificial intelligence model in the cloud to ensure stability. The system captures images taken inside the vinyl greenhouse and stores them in a database, and then downloads the images to the cloud to perform inference based on Yolo-v4 for detection, generating JSON files for the results. Analyze this file and send it to the database for storage. From the experimental results, it was confirmed that disease detection through object detection showed high performance in real environments like vinyl greenhouses. It was also verified that efficient monitoring is possible through the database

주제어

표/그림 (8)

그림 그림 1. 제안하는 시스템의 전반적인 흐름도 Fig. 1. Overall flowchart of the proposed system
표 표 1. JSON 파일의 Objects에 대한 설명 Table 1. Description of Objects in the JSON file
그림 그림 2. 병해 검출 모델의 예제 및 병해 클래스 Fig. 2. Examples and class of disease detection model
표 표 2. 데이터베이스 도큐먼트 설계 내용 Table 2. Database Document Design Contents
그림 그림 3. MongoDB에 생성한 검출 Collection Fig. 3. Detection collection created in MongoDB
그림 그림 4. 병해 검출 모델의 결과 Fig. 4. Result of Disease Detection Model
그림 그림 5. 데이터베이스에 저장된 결과 Fig. 5. Results saved in the database
표 표 3. 제안하는 객체 검출 모델의 성능 평가 Table 3. Evaluation of the performance of the proposed object detection model

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 비닐하우스에서 객체 검출 모델을 기반으로 병해를 감지하기 위한 시스템을 소개하였다. 객체 검출 모델을 통해 해당 영상에서 병해가 있는 객체가 존재하는지 확인하는 방식의 이진 분류를 통해 94.

제안 방법

비닐하우스에 존재하는 여러 작물들 중 고추 열매와 잎에 대하여 진행한다. 먼저, 영상을 촬영하여 데이터베이스에 저장하면 인덱스 변화를 통해 AWS에서는 병해 검출 모델에 대한 추론을 진행하고 그 결과로 JSON파일을 생성한다. 이 파일을 파싱하여 데이터베이스에 병해 검출에 대한 결과와 작물에 대한 정보를 저장하여 관리자가 효율적인 모니터링을 할 수 있다.
본 논문에서 제안하는 시스템은 인공지능, 클라우드, 데이터베이스를 결합한 병해 감지 기술이며 비닐하우스 내에서 유용한 서비스를 제공할 수 있다. 비닐하우스에 존재하는 여러 작물들 중 고추 열매와 잎에 대하여 진행한다.
본 논문에서는 클라우드 컴퓨팅 서비스를 구축하기 위해 AWS의 Elastic Compute Cloud(EC2)를 통해 가상 환경을 생성 및 관리하여 서비스를 제공한다. 이는 스토리지 옵션을 활용하고 모니터링, 로깅 및 보안 관리에 대한 기능을 포함한다.
04 LTS의 운영체제 환경에서 Geforce RTX 3090 2대를 통해 학습을 진행한다. 비닐하우스 작물에 대한 학습 데이터가 충분하지 않기 때문에 오버피팅에 대한 위험을 최소화시킬 수 있는 방안을 모색하고 가장 적절한 Iteration을 탐색을 진행한다. 학습 과정에서는 학습 데이터로 인한 평가로 mAP가 높은 상황에서 실험 데이터를 이용해 평가하여 가장 결과에 대한 신뢰성이 높은 4,000 Iteration에 대한 가중치를 사용한다.
0%라는 정확도를 달성하였다. 제안하는 방법은 클라우드 컴퓨팅을 통해 가상 환경으로 구성한 시스템을 제공하고 추론 결과를 데이터베이스에 저장하여 효율적인 모니터링이 가능한 차별적인 연구를 소개하였다. 하지만, 병해를 정확히 판단하기에는 클래스의 개수가 매우 적고 작물 자체에 대한 병해를 판단하는 기능이 존재하지 않는다.
직접 수집한 비닐하우스 데이터에는 흰가루병에 대한 데이터가 존재하지 않아, Ai hub의 “식물 병 유발 통합 데이터”에서 고추 데이터를 추가로 활용하여 최종 학습 및 실험 데이터를 구축한다.
12xlarge을 사용한다. 효율적인 서버 운영을 위하여 AWS의 온디맨드 인스턴스 정책을 이용하여 컴퓨팅 용량을 유연하게 조절하고 가용성을 향상되도록 한다.

대상 데이터

비닐하우스에서 실제로 촬영한 데이터 특성상 작물과 잎의 크기가 상대적으로 작고 가려져 있는 부분이 존재하는데, 눈에 보이는 영역에 대해서 모두 어노테이션을 진행한다. 그 후에 좌우 반전, 블러, 노이즈 등의 여러 가지 데이터 증강을 진행하여 학습 데이터를 확보한다. 직접 수집한 비닐하우스 데이터에는 흰가루병에 대한 데이터가 존재하지 않아, Ai hub의 “식물 병 유발 통합 데이터”에서 고추 데이터를 추가로 활용하여 최종 학습 및 실험 데이터를 구축한다.
모델 학습은 Ubuntu 18.04 LTS의 운영체제 환경에서 Geforce RTX 3090 2대를 통해 학습을 진행한다. 비닐하우스 작물에 대한 학습 데이터가 충분하지 않기 때문에 오버피팅에 대한 위험을 최소화시킬 수 있는 방안을 모색하고 가장 적절한 Iteration을 탐색을 진행한다.
본 논문에서 사용한 비닐하우스 작물 데이터는 하나의 비닐하우스에서 실제로 촬영한 데이터 257장을 통해 구축한다. 비닐하우스에서 실제로 촬영한 데이터 특성상 작물과 잎의 크기가 상대적으로 작고 가려져 있는 부분이 존재하는데, 눈에 보이는 영역에 대해서 모두 어노테이션을 진행한다.

이론/모형

비닐하우스에서 촬영한 영상을 저장하고 병해 검출 결과를 확인하기 위해 MongoDB를 사용한다. MongoDB는 NoSQL 데이터베이스로, Python에서 pymongo 모듈을 이용하여 사용자가 접속하기 위한 User를 생성하고 활용할 수 있다.

성능/효과

본 논문에서는 비닐하우스에서 객체 검출 모델을 기반으로 병해를 감지하기 위한 시스템을 소개하였다. 객체 검출 모델을 통해 해당 영상에서 병해가 있는 객체가 존재하는지 확인하는 방식의 이진 분류를 통해 94.0%라는 정확도를 달성하였다. 제안하는 방법은 클라우드 컴퓨팅을 통해 가상 환경으로 구성한 시스템을 제공하고 추론 결과를 데이터베이스에 저장하여 효율적인 모니터링이 가능한 차별적인 연구를 소개하였다.
정상인 사진에 대하여 병해충이 있다고 분류하는 FP는 존재하였지만, 병해충이 있는 영상에 대하여 병해충이 없다고 판단하는 FN은 존재하지 않았다. 병해충을 기준으로 Precision은 100.0%, Recall은 88.0%, F1 Score는 93.62%, Accuracy는 94.0%의 분류 성능을 달성하였다.
먼저, 영상을 촬영하여 데이터베이스에 저장하면 인덱스 변화를 통해 AWS에서는 병해 검출 모델에 대한 추론을 진행하고 그 결과로 JSON파일을 생성한다. 이 파일을 파싱하여 데이터베이스에 병해 검출에 대한 결과와 작물에 대한 정보를 저장하여 관리자가 효율적인 모니터링을 할 수 있다.

후속연구

하지만, 병해를 정확히 판단하기에는 클래스의 개수가 매우 적고 작물 자체에 대한 병해를 판단하는 기능이 존재하지 않는다. 추후에는 다양한 질병에 대한 클래스를 정의하고, 고추의 탄저병과 같은 작물 자체의 병을 검출할 수 있는 기능을 추가할 예정이다.

참고문헌 (10)

D. Shin, S. Hwang, and J. Kim, "Development？of System for Drunk Driving Prevention using Big Data in IoT environment", Journal of The？Institute of Internet, Broadcasting and？Communicaion, Vol. 22, No. 6, pp. 69-74,？Dec. 2022. https://doi.org/10.7236/JIIBC.2022.22.6.69

원문보기 상세보기
H. Park, M. Lim, and W. Gal, "Smart Safety？Stick for Transportation Vulnerable using？IoT Technology", Journal of The Institute of？Internet, Broadcasting and Communicaion,？Vol. 23, No. 1, pp. 177-182, Feb. 2023.？https://doi.org/10.7236/JIIBC .2023.23.1.177

원문보기 상세보기
https://plantix.net/en/
J. Chang, B. Chun et. al., "Strawberry disease？diagnosis service using EfficientNet", Journal？of Smart Media, Vol. 11, No. 5, pp.26-37,？Nov. 2022. https://doi.org/10.30693/SMJ.2022.11.5.26.

원문보기 상세보기
M. Agarwal, S. Gupta, et. al., "ToLeD:？Tomato leaf disease detection using？convolution neural network", Procedia？Computer Science, Vol. 167, pp. 293-301,？2020. https://doi.org/10.1016/j.procs. 2020.03.225.

상세보기
V. Gonzalez-Huitron, H. Rodriguez et. al.,？"Disease detection in tomato leaves via？CNN with lightweight architectures？implemented in Raspberry Pi 4", Computers？and Electronics in Agriculture, Vol. 181,？No. 105951, pp. 1-9, 2021. https://doi.org/10.1016/j.compag.2020.105951.

상세보기
S. Ashwinkumar, B. Jegajothi et. al.,？"Automated plant leaf disease detection？and classification using optimal MobileNet？based convolutional neural networks.？Materials Today", Materialstody？Proceedings, Vol. 51, No. 1, pp.480-487,？2022. https://doi.org/10.1016/j.matpr.2021.05.584.

상세보기
Z. Xue, H. Lin, et. al., "YOLO-tea: A tea？disease detection model improved by？YOLOv5", Forests, Vol. 14, No. 2, pp. 415.？2023. https://doi.org/10. 3390/f14020415.

상세보기
M. Jeong, S. Kim et. al., "Crop Disease？Diagnosis System based on Pan-Tilt HAT？For Smart Farm", Proceedings of KIIT？Conference, pp. 309-310, Jun. 2022.
A. Bochkovskiy, C. Y. Wang, and H. Y. M？Liao, "Yolov4: Optimal speed and accuracy？of object detection", arXiv preprint？arXiv:2004. 10934.

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