과일-HSNet: 고분광 이미지 기반 과일 성숙도 예측을 위한 머신러닝 접근법

과일 성숙도 예측(Fruit Ripeness Prediction, FRP)은 수확 전 및 수확 후 관리에 있어 광범위한 이점을 제공하는 분류 기반 농업 컴퓨터 비전 과제로, 최근 많은 주목을 받고 있다. 기계학습/심층학습 기반의 고분광 이미지 분류 기법을 활용하면 정확하고 시기적절한 FRP를 달성할 수 있다. 그러나 레이블링된 데이터의 제한적인 가용성과 다양한 고분광 카메라 및 과일 종류에 일반화 가능한 강건한 방법의 부족 등이 고분광 이미지 기반 FRP의 효과성을 저해할 수 있다. 이러한 과제를 해결하기 위해 본 논문은 과일 성숙도 고분광 분류에 특화된 기계학습 아키텍처인 Fruit-HSNet을 제안한다. Fruit-HSNet은 푸리에 변환 기반의 공간-스펙트럴 특징 추출 모듈과 중심 픽셀 스펙트럴 서명을 통합한 후, 학습 가능한 특징 융합과 성숙도 분류에 최적화된 분류기로 구성되어 있다. 제안된 아키텍처는 과일 성숙도 예측을 위한 공개적으로 이용 가능한 최대 규모의 레이블링된 실제 고분광 데이터셋인 DeepHS Fruit 데이터셋을 활용하여 평가되었다. 이 데이터셋은 아보카도, 키위, 망고, 감, 파파야 등 다섯 가지 과일 종류를 다양한 성숙 단계에서 세 가지 다른 고분광 카메라로 촬영한 자료를 포함한다. 실험 결과, Fruit-HSNet은 기존의 기준 모델부터 최첨단 모델까지의 모든 기존 심층학습 기법을 크게 능가하며, 최대 12%의 성능 향상을 달성하여 새로운 최고 성능 기록인 70.73%의 전체 정확도를 기록했다.