공중 이미지를 이용한 딥러닝 기반 객체 탐지에 의한 감자 작물 스트레스 식별

최근 원격 탐사 및 딥 러닝 기반 분석 기술이 정밀 농업 분야에 적용된 연구는 작물 관리 개선 및 농업 생산의 환경적 영향 감소 가능성을 보여주었다. 그러나 이러한 기술이 실제 현장에 적용될 때의 실용성은 농업 이미지 분석에 맞춤형으로 설계되고 자연적인 현장 이미지에 대해 안정적인 성능을 발휘할 수 있는 새로운 알고리즘이 필요하다는 점에서 여전히 도전 과제를 안고 있다. 본 논문은 딥 신경망을 활용하여 감자(Solanum tuberosum L.) 작물의 항공 이미지를 분석하는 접근법을 제안한다. 주요 목적은 식물 단위에서 건강한 식물과 스트레스를 받은 식물 간의 자동 공간 인식을 가능하게 하는 것이다. 구체적으로, 러셋 버번크(Russet Burbank) 감자 식물에 발생하는 가뭄 스트레스로 인한 조기 생장 정지 현상을 분석한다. 본 연구에서는 작물 스트레스를 탐지하기 위한 새로운 딥 러닝(DL) 모델인 Retina-UNet-Ag를 제안한다. 제안된 아키텍처는 Retina-UNet의 변형으로, 저수준의 의미 표현 맵을 특징 피라미드 네트워크에 연결하는 구조를 포함한다. 또한, Parrot Sequoia 카메라를 사용하여 촬영한 항공 현장 이미지 데이터셋을 소개한다. 이 데이터셋은 건강한 식물 및 스트레스를 받은 식물 영역에 대한 수작업으로 라벨링된 경계 박스(Bounding Box)를 포함하고 있다. 실험적 검증 결과, 현장 이미지에서 건강한 식물과 스트레스를 받은 식물을 구분할 수 있는 능력을 입증하였으며, 평균 Dice 스코어 계수(DSC)는 0.74를 달성하였다. 기존의 최첨단 딥 러닝 기반 객체 탐지 모델들과의 비교를 통해 제안된 접근법이 본 작업에 효과적임을 확인하였다. 본 연구에서 제안한 방법은 자연 조건 하에서 촬영된 항공 현장 이미지 내 감자 작물의 스트레스 평가 및 인식에 기여할 수 있는 잠재력을 지닌다.