신뢰성 있는 깊은 학습 기반 라이트-크로마 분리 브랜치를 활용한 식물 잎 질병 분류

식량농업기구(Food and Agriculture Organization, FAO)는 2019년 식물 병해로 인한 세계 경제 손실이 약 2200억 달러에 달한다고 추정하였다. 본 논문에서는 자동적이고 신뢰성 높은 식물 잎 병해 분류를 위한 경량 Deep Convolutional Neural Network(DCNN)을 제안한다. 제안된 방법은 먼저 식물 잎의 입력 이미지를 RGB에서 CIE LAB 좌표계로 변환하는 것으로 시작한다. 이후 L 채널과 AB 채널은 수정된 Inception V3 아키텍처의 처음 세 개의 레이어와 함께 별도의 분기(branch)로 입력된다. 이 방식은 분기 부분의 파라미터 수를 최소 1/3에서 최대 1/2까지 절감할 수 있으며, RGB 이미지에 다양한 종류의 노이즈(소금과 후추 노이즈, 블러링, 움직임 블러링, 가림)를 가하여 원본 이미지를 변형했을 때에도 더 높은 분류 신뢰도를 제공한다. 이러한 노이즈는 자연 환경에서 흔히 발생하는 이미지 변동성을 시뮬레이션한다. 우리는 AB 채널 내 필터가 이미지 공간 도메인에서 상대적으로 낮은 주파수 성분을 가지므로, 이러한 유형의 환경적 변동성에 더 강한 내성을 보일 것이라고 가정한다.