Nutrispace: 심층 학습 기반 호박과 영양 결핍 조기 탐지의 성능 향상을 위한 새로운 색공간

작물의 영양 결핍 조기 진단 후 신속한 보정 조치가 수확량과 품질 유지에 있어 매우 중요하다. 그러나 컴퓨터 지원 진단 도구를 사용하더라도 잎의 조기 증상은 미묘하기 때문에 이를 탐지하는 것은 여전히 어려운 과제이다. 이를 해결하기 위해 본 연구에서는 식물 잎 이미지에서 영양 결핍의 조기 징후를 강조함으로써 딥러닝 기반 영양 스트레스 인식 성능을 향상시키는 새로운 색공간인 Nutrispace를 제안한다. 본 연구에서는 효율적인 비교를 위해 RGB, HSV, CIELAB과의 성능을 비교하여 Nutrispace의 효과를 평가하였으며, 세 가지 경량 분류기(EfficientNetB0, MobileNetV2, DenseNet121)를 사용하였다. Nutrispace의 효과 범위를 보다 정확히 이해하기 위해 이미지 입력 크기를 32×32, 64×64, 128×128, 256×256의 네 가지로 설정하여 실험을 수행하였다. 테스트 데이터셋은 조기 질소 및 칼륨 결핍 상태와 건강한 대조군을 포함한 참외(베니카사 히스피다), 쓴瓜(모모르디카 카란티아), 뱀瓜(트리코사네스 쿠쿠메리나) 잎 이미지로 구성되었다. 실험 결과, 모든 12개의 테스트 케이스에서 Nutrispace는 RGB 대비 1%에서 8% 이상의 정확도 향상을 지속적으로 보였다. 특히 고해상도 이미지에서 성능 향상이 더욱 두드러졌으며, 256×256 해상도 이미지에서는 최대 90.62%의 테스트 정확도를 달성하였다. 종합적으로, 분류기 구조와 입력 이미지 크기와 관계없이 Nutrispace는 효과적인 성능을 발휘함을 확인하였다.