[논문]고추 작물의 정밀 질병 진단을 위한 딥러닝 모델 통합 연구: YOLOv8, ResNet50, Faster R-CNN의 성능 분석

서지인; 심현

doi:10.13067/jkiecs.2024.19.4.791

[국내논문] 고추 작물의 정밀 질병 진단을 위한 딥러닝 모델 통합 연구: YOLOv8, ResNet50, Faster R-CNN의 성능 분석
Integrated Deep Learning Models for Precise Disease Diagnosis in Pepper Crops: Performance Analysis of YOLOv8, ResNet50, and Faster R-CNN

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.19 no.4, 2024년, pp.791 - 798

서지인 (순천대학교 스마트농업전공) , 심현 (국립순천대학교 스마트농업전공학과)

초록
AI-Helper

본 연구의 목적은 YOLOv8, ResNet50, Faster R-CNN 모델을 활용하여 고추 작물의 질병을 진단하고, 각 모델의 성능을 비교하는 것이다. 첫 번째 모델은 YOLOv8을 사용하여 질병을 진단하였고, 두 번째 모델은 ResNet50을 단독으로 사용하였다. 세 번째 모델은 YOLOv8과 ResNet50을 결합하여 질병을 진단하였으며, 네 번째 모델은 Faster R-CNN을 사용하여 질병을 진단하였다. 각 모델의 성능은 정확도, 정밀도, 재현율, F1-Score 지표로 평가된다. 연구 결과, YOLOv8과 ResNet50을 결합한 모델이 가장 높은 성능을 보였으며, YOLOv8 단독 모델도 높은 성능을 나타냈다.

Abstract ▼ AI-Helper

The purpose of this study is to diagnose diseases in pepper crops using YOLOv8, ResNet50, and Faster R-CNN models and compare their performance. The first model utilizes YOLOv8 for disease diagnosis, the second model uses ResNet50 alone, the third model combines YOLOv8 and ResNet50, and the fourth model uses Faster R-CNN. The performance of each model was evaluated using metrics such as accuracy, precision, recall, and F1-Score. The results show that the combined YOLOv8 and ResNet50 model achieved the highest performance, while the YOLOv8 standalone model also demonstrated high performance.

Keyword

표/그림 (12)

그림 그림 1. 샘플 데이터 Fig. 1 Sample data
그림 그림 2. 전처리 과정 Fig. 2 Pre-processing process
그림 그림 3. YOLOv8과 ResNet 활용 질병진단 모델 Fig. 3 Disease diagnosis model using YOLOv8 and ResNet
그림 그림 4. YOLOv8 학습 Fig. 4 YOLOv8 training
그림 그림 5. YOLOv8 학습 결과 Fig. 5 YOLOv8 training result
그림 그림 6. ResNet 학습 결과 Fig. 6 ResNet training result
그림 그림 7. YOLOv8-ResNet 학습 결과 Fig. 7 YOLOv8-ResNet training result
그림 그림 8. YOLOv8 검증 결과 Fig. 8 YOLOv8 validation result
표 표 2. 모델에 따른 성능 비교 Table 2. Model performance comparison
그림 그림 9. ResNet50 검증 결과 Fig. 9 ResNet50 validation result
그림 그림 10. YOLOv8-ResNet50 검증 결과 Fig. 10 YOLOv8-ResNet50 validation result
그림 그림 11. Faster R-CNN 검증 결과 Fig. 11 Faster R-CNN validation result

참고문헌 (12)

B. Richard, A. Qi, and B. D. L. Fitt, "Control of crop diseases through Integrated Crop Managementto deliver climate-smart farming systems for low- and high-input crop production," Plant Pathology, vol. 71, no. 1, 2022, pp. 187-206.？

상세보기
S. Aggarwal, M. Suchithra, N. Chandramouli, M. Sarada, A. Verma, D. Vetrithangam, B. Pant, and B. A. Adugna, "Rice Disease Detection Using Artificial Intelligence and MachineLearning Techniques to Improvise Agro-Business," Scientific Programming, vol. 2022, no. 1, 2022.？
Y. Koo, "Analysis on Big data, IoT, Artificial intelligence using Keyword Network," Journal of the Korea Institute of Electronic Communication Sciences, vol. 15, no. 6, Dec. 2020, pp. 1137-1144.？
L. Jun and W. Xuewei, "Tomato Diseases and Pests Detection Based on Improved Yolo V3 Convolutional Neural Network," Frontiers in Plant Science, vol. 11, article 898, June 2020, pp. 898. http://dx.doi: 10.3389/fpls.2020.00898

상세보기
G. Liu, J. C. Nouaze, P. L. Touko Mbouembe, and J. Kim, "YOLO-Tomato: A Robust Algorithm for Tomato Detection Based on YOLOv3", Sensors, vol. 20, no. 7, Apr. 2020.？

상세보기
H. Sim, S. Choi, and H. Kim, "Algorithm Improvement Through AI-Based Casting Process Parameter Optimization," Journal of the Korea Institute of Electronic Communication Sciences, vol. 18, no. 3, June 2023, pp. 441-448. http://dx.doi.org/10.13067/JKIECS.2023.18.3.441？

원문보기 상세보기
H. Sim and H. Kim, "Development of AI-based Smart Agriculture Early Warning System," Journal of the Korea Society of Computer and Information, vol. 28, no. 12, Dec. 2023, pp. 67-77.？
A. J, J. Eunice, D. E. Popescu, M. K. Chowdary and J. Hemanth, "Deep Learning-Based Leaf Disease Detection in Crops Using Images for Agricultural Applications," Agronomy, vol. 12, no. 10, 2022.？
B. Tugrul, E. Elfatimi, and R. Eryigit, "Convolutional Neural Networks in Detection of Plant Leaf Diseases: A Review," Agriculture, vol. 12, no. 8, Aug. 2022.？
X. Gong and S. Zhang, "A High-Precision Detection Method of Apple Leaf Diseases Using Improved Faster R-CNN," Agriculture, vol. 13, no. 2, 2023.？
S. Jeon, S. Kwon, H. Yi, J. Lee, and J. Bae, "Research on Pepper Anthrax Detection Using YOLOv8 Segmentation Model," Proceedings of Korean Insitute of Information Technology Conference, Jeju City, Korea, 2023, pp. 577-580.？
S. Lee, S. Lin, and S. Chen, "Identification of tea foliar diseases and pest damage under practical field conditions using a convolutional neural network," Plant Pathol, vol. 69, no. 9, 2020, pp. 1601-1812.

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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