[논문]인공지능 기반 콩 생장분석 방법 연구

전문석; 김영태; 정유석; 배효준; 이채원; 김송림; 최인찬

doi:10.9723/jksiis.2023.28.5.001

[국내논문] 인공지능 기반 콩 생장분석 방법 연구
A Study on the Artificial Intelligence-Based Soybean Growth Analysis Method 원문보기

한국산업정보학회논문지 = Journal of the Korea Industrial Information Systems Research, v.28 no.5, 2023년, pp.1 - 14

전문석 (국립농업과학원 농업공학부) , 김영태 (국립농업과학원 농업생명자원부) , 정유석 (국립농업과학원 농업공학부) , 배효준 (국립농업과학원 농업공학부) , 이채원 (국립식량과학원 중부작물부) , 김송림 (국립농업과학원 농업생명자원부) , 최인찬 (국립농업과학원 농업공학부)

초록
AI-Helper

콩은 세계 5대 식량작물 중 하나로 식물성 단백질의 주요 공급원이다. 작물 특성상 기후변화에 따라 곡물 생산량에 큰 영향을 받기 때문에 국립농업과학원에서는 콩 품종별 생장 분석을 통해 작물표현형 연구를 진행중이다. 콩 품종별 생장 분석을 위한 생장 과정 사진 촬영은 자동화된 시스템으로 이루어지지만 생장 상태를 확인, 기록, 분석하는 과정은 수작업으로 진행되고 있다. 본 논문에서는 이러한 과정을 자동화 할 수 있도록 콩 작물의 영상 데이터에서 콩잎 객체를 검출하는 YOLOv5s 모델과 검출된 콩잎의 전개 여부를 판단하는 합성곱 신경망(Convolution Neural Network; CNN) 모델을 설계, 학습하였다. 두 모델을 결합하고 검출된 콩잎의 좌표데이터로 층을 구분하는 알고리즘을 구현하여 콩 작물의 시계열 데이터를 입력하여 생장을 분석하는 프로그램을 개발하였고, 그 결과 콩 작물의 제2~3복엽까지 생장 시기를 판단할 수 있었다.

Abstract ▼ AI-Helper

Soybeans are one of the world's top five staple crops and a major source of plant-based protein. Due to their susceptibility to climate change, which can significantly impact grain production, the National Agricultural Science Institute is conducting research on crop phenotypes through growth analysis of various soybean varieties. While the process of capturing growth progression photos of soybeans is automated, the verification, recording, and analysis of growth stages are currently done manually. In this paper, we designed and trained a YOLOv5s model to detect soybean leaf objects from image data of soybean plants and a Convolution Neural Network (CNN) model to judgement the unfolding status of the detected soybean leaves. We combined these two models and implemented an algorithm that distinguishes layers based on the coordinates of detected soybean leaves. As a result, we developed a program that takes time-series data of soybeans as input and performs growth analysis. The program can accurately determine the growth stages of soybeans up to the second or third compound leaves.

주제어

표/그림 (15)

그림 Fig. 1 Image data acquired by High-throughput imaging system
그림 Fig. 2 Example of labeled data
그림 Fig. 3 Structure of YOLOv5s model consisting of the Backbone, Neck, and Head; multiple objects can be detected in one image data.
그림 Fig. 4 Example of image data used for floor classification of soybean leaves. (A) Image data previously entered. (B) Image data currently entered.
표 Table 1 Structure of CNN Model
그림 Fig. 5 Flowchart of the growth analysis program
표 Table 2 Hyper parameter used to train the model.
그림 Fig. 6 Result of YOLOv5s model training.
그림 Fig. 7 Data input and output of the model
그림 Fig. 8 Example of leaf image data
표 Table 3 Validation results of the model
그림 Fig. 9 Result of CNN model training.
그림 Fig. 10 Example of prediction results
표 Table 4 Validation results of the model
표 Table 5 Comparison of growth state measurement data and program output data (* means that the actual data and the program output are different)

참고문헌 (18)

Aich, S. and Stavness, I. (2017). Leaf counting？with deep convolutional and deconvolutional？networks. In Proceedings of the IEEE？international conference on computer vision？workshops (pp. 2080-2089).
Bay, H., Tuytelaars, T. and Van Gool,？L.(2006). Surf: Speeded up robust features.？Lecture notes in computer science, 3951,？404-417. https://doi.org/10.1007/11744023_32.

상세보기
Cho, J. H. (2006). Effect of planting date and？cultivation method on soybean growth in？paddy field. Korean journal of organic？agriculture, 14(2), 191-204.
Cho, C., Kim, D. Y., Choi, M. S., Jin, M. and？Seo, M. S. (2021). Efficient isolation and？gene transfer of protoplast in korean soybean？(Glycine Max (L.) Merr.) cultivars. Korean？journal of breeding science, 53(3), 230-239.
Gu, J., Wang, Z., Kuen, J., Ma, L., Shahroudy,？A., Shuai, B., Liu, T., Wang, X., Wang, G.,？Cai, J. and Chen, T. (2018). Recent advances？in convolutional neural networks. Pattern？recognition, 77, 354-377.
Jeong, Y. S., Lee, H. R., Baek, J. H., Kim, K.？H., Chung, Y. S. and Lee, C. W. (2020).？Deep Learning-based rice seed segmentation？for phynotyping. Journal of the Korea？Industrial Information Systems Research.？25(5), 23-29.
Ko, K. E. and Sim, K. B. (2017). Trend of？object recognition and detection technology？using deep learning. Journal of Control？Robotics and Systems, 23(3), 17-24.
Krizhevsky, A., Sutskever, I. and Hinton, G.？E. (2017). Imagenet classification with deep？convolutional neural networks. Communications？of the ACM, 60(6), 84-90. https://doi.org/10.1145/3065386.

상세보기
Karlekar, A. and Seal, A. (2020). SoyNet:？Soybean leaf diseases classification. Computers？and Electronics in Agriculture, 172, 105342.

상세보기
Lowe, D. G. (1999). Object recognition from local scale-invariant features. In Proceedings？of the seventh IEEE international conference？on computer vision, 2, 1150-1157. https://doi.org/10.1109/ICCV.1999.790410.
LeCun, Y., Bottou, L., Bengio, Y., & Haffner,？P. (1998). Gradient-based learning applied to？document recognition. Proceedings of the？IEEE, 86(11), 2278-2324.
Lee, Y. H. and Kim, Y. (2020). Comparison of？CNN and YOLO for Object Detection.？Journal of the semiconductor & display？technology, 19(1), 85-92.
Lu, S., Song, Z., Chen, W., Qian, T., Zhang,？Y., Chen, M. and Li, G. (2021). Counting？dense leaves under natural environments？via an improved deep-learning-based object？detection algorithm. Agriculture, 11(10), 1003.
Pratama, M. T., Kim, S., Ozawa, S., Ohkawa,？T., Chona, Y., Tsuji, H. and Murakami, N.？(2020, July). Deep learning-based object？detection for crop monitoring in soybean？fields. In 2020 International Joint Conference？on Neural Networks (IJCNN) (pp. 1-7). IEEE.
Redmon, J., Divvala, S., Girshick, R. and？Farhadi, A. (2016). You only look once:？Unified, real-time object detection. In？Proceedings of the IEEE conference on？computer vision and pattern recognition,？779-788. https://doi.org/10.48550/arXiv.1506.02640.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P.,？Reed, S., Anguelov, D. and Rabinovich, A.？(2015). Going deeper with convolutions. In？Proceedings of the IEEE conference on？computer vision and pattern recognition,？1-9. https://doi.org/10.48550/arXiv.1409.4842.
Saleem, M. H., Potgieter, J. and Arif, K. M.？(2019). Plant disease detection and？classification by deep learning, Plants, 8(11), 468.

상세보기
Teodoro, P. E., Teodoro, L. P. R., Baio, F. H.？R., da Silva Junior, C. A., dos Santos, R.？G., Ramos, A. P. M., Pinheiro, M. M. F.,？Osco, L. P., Goncalves, W. N., Carneiro, A.？M., Junior, J. M., Pistori, H. and？Shiratsuchi, L. S. (2021). Predicting days to？maturity, plant height, and grain yield in？soybean: A machine and deep learning？approach using multispectral data. Remote？Sensing, 13(22), 4632.

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