KR102526846B1 - 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법 - Google Patents

생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법 Download PDF

Info

Publication number
KR102526846B1
KR102526846B1 KR1020200029617A KR20200029617A KR102526846B1 KR 102526846 B1 KR102526846 B1 KR 102526846B1 KR 1020200029617 A KR1020200029617 A KR 1020200029617A KR 20200029617 A KR20200029617 A KR 20200029617A KR 102526846 B1 KR102526846 B1 KR 102526846B1
Authority
KR
South Korea
Prior art keywords
data
image
network
neural network
generative adversarial
Prior art date
Application number
KR1020200029617A
Other languages
English (en)
Other versions
KR20210047230A (ko
Inventor
정회경
배상중
Original Assignee
배재대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 배재대학교 산학협력단 filed Critical 배재대학교 산학협력단
Publication of KR20210047230A publication Critical patent/KR20210047230A/ko
Application granted granted Critical
Publication of KR102526846B1 publication Critical patent/KR102526846B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

본 발명의 일 실시예에 따른 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템은 데이터 학습 시 사용되는 리소스를 줄이기 위하여, 병충해를 포함하는 원본 이미지의 데이터를 전처리(data preprocess)하여 데이터 연산량을 감소시켜 연산 속도를 빠르게 하는 데이터 전처리부, 및 상기 전처리의 결과 데이터를 저장하거나 필터링하는 데이터 후처리부를 포함하는 데이터 처리부; 및 생성적 적대 신경망(GAN)을 통해 상기 전처리의 결과 데이터에 대응하는 유사 이미지를 생성하는 GAN 네트워크, 및 상기 생성된 유사 이미지를 이용하여 분류 모델을 학습하고, 상기 학습된 분류 모델을 기반으로 입력 이미지의 병충해 종류를 판단하여 분류하는 분류 네트워크를 포함하는 네트워크부를 포함한다.

Description

생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법{Fruit tree disease Classification System AND METHOD Using Generative Adversarial Networks}
본 발명의 실시예들은 과수 병충해 분류 시스템 및 방법에 관한 것으로, 더욱 상세하게는 생성적 적대 신경망(Generative Adversarial Networks, GAN)을 사용하여 학습에 사용할 수 있는 데이터를 생성할 수 있는 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법에 관한 것이다.
스마트 팜은 최근 4차 산업혁명 기술 적용으로 더욱 진화하고 있다. 정보통신기술(ICT), 사물인터넷(IoT), 빅데이터(Big data), 클라우드(Cloud), 인공지능(AI) 등의 신기술을 농작물이나 가축의 생육, 환경에 접목하여 자동화, 지능화, 연결화 등의 서비스뿐 아니라 원격 제어를 가능하게 한다. 이로 인해 농장의 현재 상태에 따라 요구되는 환경제어 동작을 비롯해 다양하게 필요한 작업을 스스로 수행할 수 있다.
스마트 팜의 필요성은 세계 기후 변화와 인구 증가에 따른 식량난과 연관이 깊다. 세계 인구 증가로 식량 수요는 증가하고 있으나, 농업 인구 감소와 고령화로 농사를 지을 사람은 점점 부족해지고 있다. 즉, 인구는 증가하는데 도시화로 인해 농작물 재배 면적은 줄어들고, 생산 현장의 농업인은 고령화되고 있다. 국내를 보더라도 2017년 기준 농업인 최고 경영자 평균 연령 67세이며, 이 평균 연령은 시간이 지날수록 늘어만 가고 있다. 이로 인해 스마트 팜의 확대 보급은 필연적이라고 볼 수 있다.
그러나, 스마트 팜은 스마트 원예 분야에 집중되어 있으며, 최근에는 그 적용 분야가 스마트 원예, 스마트 축산, 스마트 노지, 스마트 유통으로 확산되어 있다고는 하지만, 이 역시 시설이라는 제한된 공간에서만 활용이 되고 있다.
이처럼 시설 내에서만 작업을 해야 하는 이유는 작물의 생장을 돕기 위한 물리적인 기기를 제어하기 위해서도 있지만 학습에 필요한 데이터를 수집하기 위해서 이기도 하다. 작물의 성장성을 최대화하기 위해서는 그 작물의 데이터를 수집해야 하는데 모든 작물의 데이터를 수집하는 데는 많은 문제점이 있기 때문이다.
또한, 스마트 팜과 데이터 사이의 문제점은, 작물에게 발생할 수 있는 질병에 관한 데이터는 작물마다 다르며 특정 작물에서만 발병하는 질병도 존재하며, 학습에 사용할 만큼 충분한 데이터를 구하기는 어려우며 제공하는 데이터조차 클래스별 데이터 불균형으로 인하여 학습에 악역향을 끼친다는 것이다.
관련 선행기술로는 대한민국 등록특허공보 제10-1933657호(발명의 명칭: 딥 러닝을 이용한 작물 병충해 검출 및 진단 방법 및 장치, 등록일자: 2018.12.21.)가 있다.
본 발명의 일 실시예는 생성적 적대 신경망을 통해 데이터 학습을 시키고 사용하는 데이터를 입력 값으로 받아 실제 데이터와 유사한 데이터를 생성함으로써, 학습에 사용되는 데이터의 양을 증폭시키며 다양한 클래스의 데이터를 생성하여 클래스별 데이터 불균형을 해소할 수 있는 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법을 제공한다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템은 데이터 학습 시 사용되는 리소스를 줄이기 위하여, 병충해를 포함하는 원본 이미지의 데이터를 전처리(data preprocess)하여 데이터 연산량을 감소시켜 연산 속도를 빠르게 하는 데이터 전처리부, 및 상기 전처리의 결과 데이터를 저장하거나 필터링하는 데이터 후처리부를 포함하는 데이터 처리부; 및 생성적 적대 신경망(GAN)을 통해 상기 전처리의 결과 데이터에 대응하는 유사 이미지를 생성하는 GAN 네트워크, 및 상기 생성된 유사 이미지를 이용하여 분류 모델을 학습하고, 상기 학습된 분류 모델을 기반으로 입력 이미지의 병충해 종류를 판단하여 분류하는 분류 네트워크를 포함하는 네트워크부를 포함한다.
상기 데이터 전처리부는 상기 원본 이미지의 사이즈를 조절하여 다운사이징(downsizing)하는 이미지 크기 조정부; 상기 다운사이징된 원본 이미지로부터 관심 영역을 추출하는 관심 영역 추출부; 및 상기 추출된 관심 영역의 이미지를 대비(contrast image) 처리하는 이미지 대비 처리부를 포함할 수 있다.
상기 관심 영역 추출부는 소벨 마스크(sobel mask)를 이용하여 계산한 RGB 평균값을 기반으로 상기 관심 영역을 추출할 수 있다.
상기 데이터 후처리부는 상기 전처리의 결과 데이터를 저장하고, 상기 생성된 유사 이미지가 정해진 양 이상으로 모일 경우 상기 분류 네트워크로 보내는 데이터 저장부; 및 상기 전처리의 결과 데이터를 필터링하고, 상기 생성된 유사 이미지 중에서 품질이 미리 정해진 기준치보다 낮은 데이터를 필터링하는 데이터 필터부를 포함할 수 있다.
상기 GAN 네트워크는 병충해를 포함하지 않는 샘플 이미지를 기반으로, 상기 생성적 적대 신경망을 통해 상기 유사 이미지를 생성할 수 있다.
상기 GAN 네트워크는 상기 유사 이미지를 생성하는 과정을 미리 설정된 일정 수에 도달할 때까지 반복하고, 상기 분류 네트워크는 상기 유사 이미지가 일정 수에 도달하면, 상기 일정 수의 유사 이미지를 이용하여 상기 분류 모델을 학습함으로써, 학습에 사용되는 데이터의 양을 늘리고 클래스별 데이터 불균형을 해소할 수 있다.
상기 생성적 적대 신경망은 기존의 DCGAN와 판별자를 제외하고 모두 동일하게 설계되며, 상기 판별자는 상기 원본 이미지가 잎이라는 일정한 형태를 띠고 잎에서 발생하는 병을 주제로 하고 있는 것을 고려하여, 상기 기존의 DCGAN에서 컨볼루션 레이어(Convolution Layer)의 크기를 5*5에서 3*3으로 수정하여 연산량을 줄이고 메모리를 절약하며, 활성화 함수를 Relu가 아닌 Sigmoid를 사용하여 다양한 클래스의 유사 이미지를 생성하도록 설계될 수 있다.
본 발명의 일 실시예에 따른 생성적 적대 신경망을 이용한 과수 병충해 분류 방법은 데이터 학습 시 사용되는 리소스를 줄이기 위하여, 병충해를 포함하는 원본 이미지의 데이터를 전처리(data preprocess)하여 데이터 연산량을 감소시켜 연산 속도를 빠르게 하는 단계; 상기 전처리의 결과 데이터를 저장하거나 필터링하는 단계; 생성적 적대 신경망(GAN)을 통해 상기 전처리의 결과 데이터에 대응하는 유사 이미지를 생성하는 단계; 상기 생성된 유사 이미지를 이용하여 분류 모델을 학습하는 단계; 및 상기 학습된 분류 모델을 기반으로 입력 이미지의 병충해 종류를 판단하여 분류하는 단계를 포함한다.
상기 원본 이미지의 데이터를 전처리하여 데이터 연산량을 감소시켜 연산 속도를 빠르게 하는 단계는 상기 원본 이미지의 사이즈를 조절하여 다운사이징(downsizing)하는 단계; 상기 다운사이징된 원본 이미지로부터 관심 영역을 추출하는 단계; 및 상기 추출된 관심 영역의 이미지를 대비(contrast image) 처리하는 단계를 포함할 수 있다.
상기 유사 이미지를 생성하는 단계는 병충해를 포함하지 않는 샘플 이미지를 기반으로, 상기 생성적 적대 신경망을 통해 상기 유사 이미지를 생성하는 단계를 포함할 수 있다.
상기 생성적 적대 신경망은 기존의 DCGAN와 판별자를 제외하고 모두 동일하게 설계되며, 상기 판별자는 상기 원본 이미지가 잎이라는 일정한 형태를 띠고 잎에서 발생하는 병을 주제로 하고 있는 것을 고려하여, 상기 기존의 DCGAN에서 컨볼루션 레이어(Convolution Layer)의 크기를 5*5에서 3*3으로 수정하여 연산량을 줄이고 메모리를 절약하며, 활성화 함수를 Relu가 아닌 Sigmoid를 사용하여 다양한 클래스의 유사 이미지를 생성하도록 설계될 수 있다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 첨부 도면들에 포함되어 있다.
본 발명의 일 실시예에 따르면, 적은 데이터의 양을 증폭시키고 다양한 클래스의 데이터를 생성하여 다양한 작물에서 스마트 팜을 적용할 수 있으며 기존 방법보다 더 높은 적중률을 구현할 수 있다.
본 발명의 일 실시예에 따르면, 적은 양의 데이터를 증폭시켜 학습에 충분한 양의 데이터를 생성할 수 있을 뿐만 아니라 기존의 시스템에 그대로 적용하여 이를 활용할 수 있다는 장점이 있으며, 이러한 장점을 기반으로 스마트 팜을 제한하는 문제점을 보완할 수 있다.
본 발명의 일 실시예에 따르면, 같은 질병이 발생하는 작물을 학습시켜 그 작물의 질병 데이터를 생성할 수 있고 적은 양의 데이터를 증폭시켜 학습에 충분한 양의 데이터를 생성할 수 있을 뿐만 아니라 기존의 시스템에 그대로 적용하여 이를 활용할 수 있다.
도 1은 본 발명의 일 실시예에 따른 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템을 설명하기 위해 도시한 블록도이다.
도 2는 도 1의 데이터 전처리부의 상세 구성을 설명하기 위해 도시한 블록도이다.
도 3은 관심 영역 추출을 위해 컬러 이미지를 로딩할 경우 나타나는 이미지 행렬을 도시한 도면이다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 생성적 적대 신경망을 이용한 과수 병충해 분류 방법을 설명하기 위해 도시한 흐름도이다.
도 6은 본 발명의 일 실시예에 적용되는 생성적 적대 신경망의 판별자 모델 구조를 나타내는 도면이다.
도 7은 관심 영역을 구현한 결과를 예시적으로 나타내는 도면이다.
도 8은 실제 Black rot의 이미지를 나타낸 예시도이다.
도 9는 본래의 블루베리 잎과 이를 기반으로 생성된 Black rot이 걸린 블루베리 잎의 이미지를 나타낸 예시도이다.
도 10은 본 발명의 일 실시예에 따른 시스템의 분류 정확도를 기존 시스템과 비교하여 표로 나타낸 도면이다.
본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다.
또한, 이하 실시되는 본 발명의 바람직한 실시예는 본 발명을 이루는 기술적 구성요소를 효율적으로 설명하기 위해 각각의 시스템 기능구성에 기 구비되어 있거나, 또는 본 발명이 속하는 기술분야에서 통상적으로 구비되는 시스템 기능 구성은 가능한 생략하고, 본 발명을 위해 추가적으로 구비되어야 하는 기능 구성을 위주로 설명한다. 만약 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면, 하기에 도시하지 않고 생략된 기능 구성 중에서 종래에 기 사용되고 있는 구성요소의 기능을 용이하게 이해할 수 있을 것이며, 또한 상기와 같이 생략된 구성 요소와 본 발명을 위해 추가된 구성 요소 사이의 관계도 명백하게 이해할 수 있을 것이다.
또한, 이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다.
이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템을 설명하기 위해 도시한 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템(100)은 데이터 처리부(Data processing)(120) 및 네트워크부(Network)(110)를 포함하여 구성될 수 있다.
상기 데이터 처리부(120)는 데이터의 전처리(preprocess)와 후처리(postprocess)를 관리하기 위하여 데이터 전처리부(122), 및 데이터 후처리부(124)를 포함할 수 있다.
상기 데이터 전처리부(122)는 데이터 학습 시 사용되는 리소스를 줄이기 위하여, 병충해를 포함하는 원본 이미지의 데이터를 전처리(data preprocess)하여 데이터 연산량을 감소시켜 연산 속도를 빠르게 하는 기능을 수행할 수 있다.
이를 위해, 상기 데이터 전처리부(122)는 도 2에 도시된 바와 같이 이미지 크기 조정부(210), 관심 영역 추출부(220), 및 이미지 대비 처리부(230)를 포함하여 구성될 수 있다. 참고로, 도 2는 도 1의 데이터 전처리부(122)의 상세 구성을 설명하기 위해 도시한 블록도이다.
상기 이미지 크기 조정부(210)는 병충해를 포함하는 원본 이미지의 사이즈를 조절하여 다운사이징(downsizing)할 수 있다. 이로써, 상기 이미지 크기 조정부(210)는 상기 원본 이미지의 사이즈를 줄여 시스템이 차지하는 메모리 공간을 낮추고 연산량을 감소시킬 수 있다.
상기 관심 영역 추출부(220)는 상기 다운사이징된 원본 이미지로부터 관심 영역(Region of Interest, RoI)을 추출할 수 있다. 이를 위해, 상기 관심 영역 추출부(220)는 소벨 마스크(sobel mask)를 이용하여 계산한 RGB 평균값을 기반으로, 상기 다운사이징된 원본 이미지로부터 관심 영역을 추출할 수 있다. 이로써, 상기 관심 영역 추출부(220)는 관심 영역 이외의 데이터를 줄임으로써 연산량을 감소시킬 수 있다.
관심 영역이란 말 그대로 이미지상에서 관심 있는 영역을 의미한다. 이미지를 처리하여 객체를 탐지 또는 검출하는 경우, 검출된 영역을 관심 영역이라 할 수 있다. 관심 영역을 지정하는 이유는 크게 세 가지가 있다. 첫 번째는 객체 주변 영역의 불필요한 영상을 제거하기 위해서고, 두 번째는 이렇게 제거함으로써 연산량과 리소스를 줄이기 위함이다. 마지막으로 학습의 정확도를 높일 수 있기 때문이다. 불필요한 정보를 사전에 제거함으로써 필요 부분만을 학습에 사용하기 때문에 이를 통해 정확도를 높일 수 있다.
컬러 이미지의 경우 각 픽셀마다 R, G, B 값을 가지고 있다. 즉, 한 픽셀에 세 가지 정보를 가지고 있는 멀티 채널(Multi-channel)의 이미지라고 표현을 한다. 반면에 흑백 이미지의 경우 한 픽셀마다 하나의 정보를 가지고 있기 때문에 싱글 채널(Single-channel)이라고 한다.
도 3은 관심 영역 추출을 위해 컬러 이미지를 로딩할 경우 나타나는 이미지 행렬을 도시한 도면이다. 도 3에 도시된 바와 같이, 왼쪽의 행렬은 컬러 이미지이다. 일반적으로 보았을 경우에는 2차원으로 보이지만 사실은 도면의 오른쪽과 같은 3개의 싱글 채널로 이루어져 있다. 이미지 내에서 해당하는 채널의 값은 원본 이미지에 따라 달라지며, 각 채널에 범위를 지정하고 그 내에 있는 픽셀만을 다시 그려주면 특정 색을 지닌 영역만을 지정해서 분리할 수 있다.
상기 이미지 대비 처리부(230)는 상기 추출된 관심 영역의 이미지를 대비(contrast image) 처리할 수 있다. 이로써, 상기 이미지 대비 처리부(230)는 데이터의 특징을 두드러지게 조절하는 역할을 진행할 수 있다.
상기 데이터 후처리부(124)는 상기 데이터 전처리부(122)에 의한 전처리의 결과 데이터를 저장하거나 필터링하는 기능을 수행할 수 있다. 이를 위해, 상기 데이터 후처리부(124)는 도면에는 도시되지 않았지만 데이터 저장부 및 데이터 필터부를 포함하여 구성될 수 있다.
상기 데이터 저장부는 상기 데이터 전처리부(122)에 의한 전처리의 결과 데이터를 저장하고, 후술하는 네트워크부(110)에 의해 생성된 유사 이미지가 정해진 양 이상으로 모일 경우 이를 상기 네트워크부(110)의 분류 네트워크(114)로 보내는 역할을 수행할 수 있다.
상기 데이터 필터부는 상기 데이터 전처리부(122)에 의한 전처리의 결과 데이터를 필터링할 수 있다. 또한, 상기 데이터 필터부는 상기 생성된 유사 이미지 중에서 품질이 미리 정해진 기준치보다 낮은 데이터를 필터링할 수 있다. 상기 필터링된 데이터는 상기 데이터 저장부로 전달되어 저장될 수 있다.
상기 네트워크부(110)는 GAN 네트워크(112) 및 분류 네트워크(114)를 포함하여 구성될 수 있다.
상기 GAN 네트워크(112)는 생성적 적대 신경망(GAN)을 통해 상기 데이터 전처리부(122)에 의한 전처리의 결과 데이터에 대응하는 유사 이미지를 생성할 수 있다.
이때, 상기 GAN 네트워크(112)는 병충해를 포함하지 않는 샘플 이미지를 기반으로, 상기 생성적 적대 신경망을 통해 상기 유사 이미지를 생성할 수 있다. 이를 통해, 상기 GAN 네트워크(112)는 원본 이미지에서 병이 걸린 것과 유사한 이미지를 생성할 수 있다. 또한, 상기 GAN 네트워크(112)는 상기 유사 이미지를 생성하는 과정을 미리 설정된 일정 수에 도달할 때까지 반복할 수 있다.
상기 분류 네트워크(114)는 상기 GAN 네트워크(112)에 의해 생성된 유사 이미지를 이용하여 분류 모델을 학습하고, 상기 학습된 분류 모델을 기반으로 입력 이미지의 병충해 종류를 판단하여 분류할 수 있다.
상기 분류 네트워크(114)는 상기 GAN 네트워크(112)에 의해 생성된 유사 이미지가 일정 수에 도달하면, 상기 일정 수의 유사 이미지를 이용하여 상기 분류 모델을 학습함으로써, 학습에 사용되는 데이터의 양을 늘리고 클래스(병충해 종류)별 데이터 불균형을 해소할 수 있다.
생성적 적대 신경망(GAN)이란 두 개의 네트워크로 구성된 신경망 구조로 한 네트워크가 다른 네트워크와 대립하면서 학습을 진행한다. 아래의 수학식 1은 생성적 적대 신경망의 수식을 나타낸다.
[수학식 1]
Figure 112020025314898-pat00001
상기 수학식 1에서 x~Pdata(x)는 실제 이미지에 대한 확률 분포로 생성한 이미지를 나타내고, z~Pz(z)는 노이즈를 사용하여 생성한 이미지를 나타낸다. D(x)는 판별자를 나타내며 이미지가 진짜일 확률을 의미하는 0~1 사이의 값이 나오게 된다. D(G(z))의 경우에는 생성자가 생성한 이미지를 판별자를 통해 구분한 것으로 이 역시 이미지가 진짜일 확률을 의미하는 0~1 사이의 값을 가지게 된다.
상기 수학식 1을 최대화하기 위해서는 D(G(z))의 값은 1에 가까워야 하며 D(x)의 값은 1에 가까워야 한다. 이처럼 생성자와 판별자가 Minmax 문제를 풀어가며 학습을 하는 것이 생성적 적대 신경망의 학습 방법이다.
본 발명의 일 실시예에서, 상기 생성적 적대 신경망은 기존의 DCGAN(Deep Convolutional)와 판별자(Discriminator)를 제외하고 모두 동일하게 설계될 수 있다. 참고로, 상기 DCGAN은 비지도학습과 CNN(Convolutional Neural Network)을 결합한 형태의 네트워크를 의미한다.
이때, 상기 판별자는 상기 원본 이미지가 잎이라는 일정한 형태를 띠고 잎에서 발생하는 병을 주제로 하고 있는 것을 고려하여, 도 6에 도시된 바와 같이 상기 기존의 DCGAN에서 컨볼루션 레이어(Convolution Layer)의 크기를 5*5에서 3*3으로 수정하여 연산량을 줄이고 메모리를 절약하며, 활성화 함수를 Relu가 아닌 Sigmoid를 사용하여 다양한 클래스의 유사 이미지를 생성하도록 설계될 수 있다.
이상에서 설명된 시스템은 하드웨어 구성 요소, 소프트웨어 구성 요소, 및/또는 하드웨어 구성 요소 및 소프트웨어 구성 요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성 요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
도 4는 본 발명의 일 실시예에 따른 생성적 적대 신경망을 이용한 과수 병충해 분류 방법을 설명하기 위해 도시한 흐름도이다.
여기서 설명하는 과수 병충해 분류 방법은 본 발명의 하나의 실시예에 불과하며, 그 이외에 필요에 따라 다양한 단계들이 아래와 같이 부가될 수 있고, 하기의 단계들도 순서를 변경하여 실시될 수 있으므로, 본 발명이 하기에 설명하는 각 단계 및 그 순서에 한정되는 것은 아니다.
먼저 도 4를 참조하면, 단계(410)에서 상기 과수 병충해 분류 시스템(100)은 병충해를 포함하는 원본 이미지의 사이즈를 조절하여 다운사이징(downsizing)할 수 있다(Image Resize).
다음으로, 단계(420)에서 상기 과수 병충해 분류 시스템(100)은 상기 다운사이징된 원본 이미지로부터 관심 영역(Region of Interest, RoI)을 추출할 수 있다(Crop Region of interest).
다음으로, 단계(430)에서 상기 과수 병충해 분류 시스템(100)은 상기 추출된 관심 영역의 이미지를 대비(contrast image) 처리할 수 있다(Contrast Image).
다음으로, 단계(440)에서 상기 과수 병충해 분류 시스템(100)은 생성적 적대 신경망(GAN)을 통해 상기와 같이 전처리(410, 420, 430)한 결과 데이터에 대응하는 유사 이미지를 생성할 수 있다(Generate Image using GAN).
참고로, 본 발명의 일 실시예에서 설계한 생성적 적대 신경망은 기존의 신경망에 DCGAN을 기반으로 모델을 설계할 수 있다. 생성자는 기존의 DCGAN과 동일하나 판별자는 준비된 데이터에 맞게 변형을 시킬 수 있다. 도 6은 본 발명의 일 실시예에 적용되는 생성적 적대 신경망의 판별자 모델 구조를 나타내는 도면이다.
도 6을 참조하면, 판별자는 입력으로 주어진 이미지가 잎이라는 일정한 형태를 띠고 있고 잎에서 발생하는 병을 주제로 하고 있기 때문에 이에 맞게 수정을 가할 수 있다. 먼저 Convolution Layer의 크기를 5x5에서 3x3으로 수정하여 연산량을 줄이고 메모리를 절약하는 방식을 사용할 수 있으며, 활성화 함수를 Relu가 아닌 Sigmoid를 사용하여 다양한 클래스의 이미지를 생성하도록 설계할 수 있다.
다음으로, 단계(450)에서 상기 과수 병충해 분류 시스템(100)은 상기 생성된 유사 이미지를 필터링하여 출력할 수 있다(Filter out).
다음으로, 단계(460)에서 상기 생성된 유사 이미지의 품질이 미리 정해진 기준치를 초과하는지 여부를 판단할 수 있다(Generated Data is above the standard).
이때, 상기 기준치를 초과하지 않으면(460의 "no" 방향), 단계(440)으로 리턴할 수 있다. 반면에, 상기 기준치를 초과하면(460의 "yes" 방향), 단계(470)에서 상기 과수 병충해 분류 시스템(100)은 상기 생성된 유사 이미지를 이용하여 분류 모델을 학습하고, 상기 학습된 분류 모델을 기반으로 입력 이미지의 병충해 종류를 판단하여 데이터 분류를 할 수 있다(Data Classification).
도 5는 RGB 추출을 기반으로 소벨 마스크의 방식을 일부 채택하여 관심 영역을 추출하는 과정을 설명하기 위해 도시한 흐름도이다.
도 5를 참조하면, 먼저 단계(510)에서 이미지를 탐색한다(Navigate Pixel). 이후, 단계(520)에서 평균값을 계산한다(Average calculation). 여기서, 상기 평균값은 소벨 마스크를 이용한 값으로 계산을 진행한다.
다음으로, 단계(530)에서 평균값을 구한 뒤 픽셀마다 검사를 시작한다(Check the 8th direction of the pixel).
이전에 구했던 평균값을 못 넘는 경우에는(540의 "no" 방향), 단계(550)에서 다음 픽셀을 검사한다(Navigate Diagonal Pixel).
하지만, 이전에 구했던 평균값을 넘는 경우에는(540의 "yes" 방향), 단계(560)에서 그 픽셀이 저장되어 있는지 확인을 한다(check if stored coordinate).
이때 그 픽셀이 저장되어 있지 않으면(560의 "no" 방향), 단계(570)에서 해당 픽셀을 저장하고 해당 픽셀로 이동하여 검사를 진행한다(save coordinate and move that pixel). 이때 픽셀의 검사 방향은 일정하게 진행한다.
반면에 그 픽셀이 저장되어 있으면(560의 "yes" 방향), 단계(580)에서 탐색을 종료하고 저장된 픽셀들로 마스크를 만든다(Create mask).
다음으로, 단계(590)에서 상기 마스크를 만든 그 지점을 관심 영역으로 추출한다(Crop Region of Interest).
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CDROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이하에서는 본 발명의 일 실시예에 따른 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템의 구현에 대해서 일례를 들어서 설명하기로 한다.
* 시스템 구현
본 발명의 일 실시예에 따른 시스템을 구현하기 위해 프로세서는 i5-6500, 메모리는 16G, 그래픽 카드는 GeForce GTX 1060가 장착된 컴퓨터에 Windows 10 Pro 운영체제를 설치하여 사용할 수 있다. 또한 GPU를 사용하기 위해 CUDA 10.0을 설치하며 Juypter Notebook에서 Python3.5를 사용하여 시스템을 구현할 수 있다.
1. 관심 영역 추출 구현
도 7은 관심 영역을 구현한 결과를 예시적으로 나타내는 도면이다.
도 7을 참조하면, 왼쪽부터 차례로 원본, 관심 영역 추출 1회, 관심영역 추출 2회 진행한 것을 나타낸다. 1행과 이미지와 2행의 이미지 모두 2회를 진행해야 관심 영역의 추출이 제대로 일어난 것을 볼 수 있다. 이는 평균값을 구하면서 발생하는데 처음 1회 진행할 때는 배경과 그림자, 잎 세 개의 평균값을 계산하여 관심 영역을 추출하지만 2회의 경우에는 배경의 대부분이 사라져 그림자와 잎 두 개의 평균값을 구하면 된다. 또한 도 7에서는 그림자 때문에 발생하였으나 잎의 경계에서 초점이 흐려지는 경우 이와 같은 문제점이 발생할 수 있다. 이에 따라 본 발명의 일 실시예에 따른 시스템에서는 관심 영역을 특정 부분에 집중이 되도록 관심 영역 추출을 두 번 사용하여 구현할 수 있다.
2. 생성적 적대 신경망 구현
본 발명의 일 실시예에 따른 시스템의 생성적 적대 신경망으로 사과와 포도에 있는 Black rot을 학습시켜 블루베리의 잎에 Block rot을 생성한다. 사과와 포도에 있는 Black rot 이미지의 개수는 1441개이며 이를 먼저 판별자에 학습을 시킨다. 그 후 생성자는 블루베리의 잎을 입력값으로 삼아 Black rot이 걸린 잎을 생성하기 위해 학습을 진행한다.
도 8은 실제 Black rot의 이미지를 나타낸 예시도이고, 도 9는 본래의 블루베리 잎과 이를 기반으로 생성된 Black rot이 걸린 블루베리 잎의 이미지를 나타낸 예시도이다.
도 8 및 도 9를 참조하면, 질병의 무늬가 큰 경우 도 9의 좌측처럼 생성된 이미지가 어색하지만, 질병의 무늬가 작은 경우 도 9의 우측과 같이 어색한 부분은 찾기 힘들도록 Black rot이 걸린 잎이 잘 생성된 것을 볼 수 있다. 또한 전처리 과정에서 관심 영역을 제한함으로써 질병의 위치가 잎 위에 제대로 안착한 것을 알 수 있다.
도 10은 본 발명의 일 실시예에 따른 시스템의 분류 정확도를 기존 시스템과 비교하여 표로 나타낸 도면이다. 다시 말해, 도 10은 전처리 과정 없이 학습에 사용하는 경우, 회전을 통해 데이터를 늘리는 경우, 본 발명의 일 실시예에 따른 기법을 사용하였을 때 분류 정확도(Classification Accuracy)를 나타낸 것이다.
도 10을 참조하면, 전처리 과정 없이 학습에 사용하는 경우(System 1)는 데이터 셋(Data set)의 부족으로 77.99%라는 확률이 나왔으며, 회전을 통해 데이터를 늘리는 경우(System 2)는 일부 데이터 셋의 량이 적어 91.14%라는 확률을 보였다. 이에 반해 본 발명의 일 실시예에 따른 시스템(Suggest System)은 생성적 적대 신경망을 사용하여 학습에 사용한 데이터의 양을 늘렸으며 클래스마다 동일한 양의 데이터를 제공하여 98.17%라는 높은 수치의 정확도를 보였다.
* 결 론
현재 스마트 팜이 적용된 작물은 원예나 하우스 작물에 국한되고 있으며 스마트 팜을 도입하는데 많은 비용이 필요하다는 문제점이 있다. 또한 제공되는 데이터들은 실제의 데이터와 큰 차이를 보이는 경우도 있으며 데이터의 양이 제 각각이기 때문에 학습을 시키기 위해서 가공을 거쳐야 한다는 문제점이 있고 이에 많은 노동력 등의 자원이 소모되는 문제가 있다.
이를 해결하기 위해 본 발명의 일 실시예에서는 제공되는 데이터를 생성적 적대 신경망을 통해 학습을 시키고 사용하는 데이터를 입력 값으로 받아 실제 데이터와 유사한 데이터를 생성하는 방법을 제안한다.
본 발명의 일 실시예에 따른 시스템은 데이터가 학습에 사용될 때 사용하는 리소스를 줄이기 위해 연산량을 줄여서 속도를 빠르게 할 수 있도록 전처리 방법을 제안하고 그 중 관심 영역 추출을 통해 실제로 학습에 사용되는 객체만을 학습하도록 유도할 수 있다. 그 후 생성적 적대 신경망을 사용하여 학습에 사용되는 데이터의 양을 늘리고 클래스별 데이터 불균형을 해소할 수 있다. 이를 통해, 스마트 팜을 다양한 작물에서 적용할 수 있도록 데이터를 생성할 수 있게 되고 학습의 정확도를 98%까지 끌어올릴 수 있다.
본 발명의 일 실시예에 따른 시스템에서 사용한 분류 시스템뿐만 아니라 물류, 자동화 시스템에서도 사용할 수 있는 데이터를 생성할 수 있다면, 분류 시스템뿐만 아니라 더 다양하고 넓은 범위의 스마트 팜을 구성할 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
110: 네트워크부
112: GAN 네트워크
114: 분류 네트워크
120: 데이터 처리부
122: 데이터 전처리부
124: 데이터 후처리부
210: 이미지 크기 조정부
220: 관심 영역 추출부
230: 이미지 대비 처리부

Claims (11)

  1. 데이터 학습 시 사용되는 리소스를 줄이기 위하여, 병충해를 포함하는 원본 이미지의 데이터를 전처리(data preprocess)하여 데이터 연산량을 감소시켜 연산 속도를 빠르게 하는 데이터 전처리부, 및 상기 전처리의 결과 데이터를 저장하거나 품질이 미리 정해진 기준치 보다 낮은 데이터를 걸러내는 데이터 후처리부를 포함하는 데이터 처리부; 및
    생성적 적대 신경망(GAN)을 통해 상기 전처리의 결과 데이터에 대응하는 유사 이미지를 생성하는 GAN 네트워크, 및 상기 생성된 유사 이미지를 이용하여 분류 모델을 학습하고, 상기 학습된 분류 모델을 기반으로 입력 이미지의 병충해 종류를 판단하여 분류하는 분류 네트워크를 포함하는 네트워크부;를 포함하며,
    상기 GAN 네트워크는, 병충해를 포함하지 않는 샘플 이미지를 기반으로 상기 생성적 적대 신경망을 통해 상기 유사 이미지를 생성하되, 상기 원본 이미지에서 병이 걸린 것과 유사한 이미지를 생성하고,
    상기 생성적 적대 신경망의 판별자는, 상기 원본 이미지가 잎이라는 일정한 형태를 띄고 잎에서 발생하는 병을 주제로 하고 있는 것을 고려하여, 비지도학습과 CNN(Convolutional Neural Network)을 결합한 형태의 네트워크인 DCGAN에서 컨볼루션 레이어(Convolution Layer)의 크기를 5*5에서 3*3으로 수정하여 연산량을 줄이고 메모리를 절약하며, 활성화 함수를 Relu가 아닌 Sigmoid를 사용하여 다양한 클래스의 유사 이미지를 생성하도록 설계되는 것을 특징으로 하는 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템.
  2. 제1항에 있어서,
    상기 데이터 전처리부는
    상기 원본 이미지의 사이즈를 조절하여 다운사이징(downsizing)하는 이미지 크기 조정부;
    상기 다운사이징된 원본 이미지로부터 관심 영역을 추출하는 관심 영역 추출부; 및
    상기 추출된 관심 영역의 이미지를 대비(contrast image) 처리하는 이미지 대비 처리부
    를 포함하는 것을 특징으로 하는 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템.
  3. 제2항에 있어서,
    상기 관심 영역 추출부는
    소벨 마스크(sobel mask)를 이용하여 계산한 RGB 평균값을 기반으로 상기 관심 영역을 추출하는 것을 특징으로 하는 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템.
  4. 제1항에 있어서,
    상기 데이터 후처리부는
    상기 전처리의 결과 데이터를 저장하고, 상기 생성된 유사 이미지가 정해진 양 이상으로 모일 경우 상기 분류 네트워크로 보내는 데이터 저장부; 및
    상기 생성된 유사 이미지 중에서 품질이 미리 정해진 기준치보다 낮은 데이터를 필터링하는 데이터 필터부
    를 포함하는 것을 특징으로 하는 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템.
  5. 삭제
  6. 제1항에 있어서,
    상기 GAN 네트워크는
    상기 유사 이미지를 생성하는 과정을 미리 설정된 일정 수에 도달할 때까지 반복하고,
    상기 분류 네트워크는
    상기 유사 이미지가 일정 수에 도달하면, 상기 일정 수의 유사 이미지를 이용하여 상기 분류 모델을 학습함으로써, 학습에 사용되는 데이터의 양을 늘리고 클래스별 데이터 불균형을 해소하는 것을 특징으로 하는 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템.
  7. 삭제
  8. 제1항 내지 4항 및 제6항 중 어느 한 항에 따른 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템을 이용한 과수 병충해 분류 방법에 있어서,
    데이터 학습 시 사용되는 리소스를 줄이기 위하여, 병충해를 포함하는 원본 이미지의 데이터를 전처리(data preprocess)하여 데이터 연산량을 감소시켜 연산 속도를 빠르게 하는 단계;
    상기 전처리의 결과 데이터를 저장하거나 품질이 미리 정해진 기준치 보다 낮은 데이터를 걸러내는 단계;
    생성적 적대 신경망(GAN)을 통해 상기 전처리의 결과 데이터에 대응하는 유사 이미지를 생성하는 단계;
    상기 생성된 유사 이미지를 이용하여 분류 모델을 학습하는 단계; 및
    상기 학습된 분류 모델을 기반으로 입력 이미지의 병충해 종류를 판단하여 분류하는 단계
    를 포함하는 것을 특징으로 하는 생성적 적대 신경망을 이용한 과수 병충해 분류 방법.
  9. 제8항에 있어서,
    상기 원본 이미지의 데이터를 전처리하여 데이터 연산량을 감소시켜 연산 속도를 빠르게 하는 단계는
    상기 원본 이미지의 사이즈를 조절하여 다운사이징(downsizing)하는 단계;
    상기 다운사이징된 원본 이미지로부터 관심 영역을 추출하는 단계; 및
    상기 추출된 관심 영역의 이미지를 대비(contrast image) 처리하는 단계
    를 포함하는 것을 특징으로 하는 생성적 적대 신경망을 이용한 과수 병충해 분류 방법.
  10. 제8항에 있어서,
    상기 유사 이미지를 생성하는 단계는
    병충해를 포함하지 않는 샘플 이미지를 기반으로, 상기 생성적 적대 신경망을 통해 상기 유사 이미지를 생성하는 단계
    를 포함하는 것을 특징으로 하는 생성적 적대 신경망을 이용한 과수 병충해 분류 방법.
  11. 제8항에 있어서,
    상기 생성적 적대 신경망의 판별자는,
    상기 원본 이미지가 잎이라는 일정한 형태를 띠고 잎에서 발생하는 병을 주제로 하고 있는 것을 고려하여, 비지도학습과 CNN(Convolutional Neural Network)을 결합한 형태의 네트워크인 DCGAN에서 컨볼루션 레이어(Convolution Layer)의 크기를 5*5에서 3*3으로 수정하여 연산량을 줄이고 메모리를 절약하며, 활성화 함수를 Relu가 아닌 Sigmoid를 사용하여 다양한 클래스의 유사 이미지를 생성하도록 설계되는 것을 특징으로 하는 생성적 적대 신경망을 이용한 과수 병충해 분류 방법.
KR1020200029617A 2019-10-21 2020-03-10 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법 KR102526846B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190130623 2019-10-21
KR20190130623 2019-10-21

Publications (2)

Publication Number Publication Date
KR20210047230A KR20210047230A (ko) 2021-04-29
KR102526846B1 true KR102526846B1 (ko) 2023-04-28

Family

ID=75728328

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200029617A KR102526846B1 (ko) 2019-10-21 2020-03-10 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102526846B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112498B (zh) * 2021-05-06 2024-01-19 东北农业大学 一种基于细粒度对抗生成网络的葡萄叶片病斑识别方法
KR102478723B1 (ko) * 2021-05-27 2022-12-19 (주)골든플래닛 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템
CN114092457B (zh) * 2021-11-26 2023-02-03 黑龙江省农业科学院 一种用于农作物病虫害检测的方法及系统
KR102672042B1 (ko) * 2022-11-15 2024-06-05 국립순천대학교산학협력단 Gan 기반 이미지 생성기를 포함하는 작물 병해충 분류 모델 학습 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101876397B1 (ko) * 2016-11-23 2018-07-09 세종대학교산학협력단 작물의 병해충 진단 장치 및 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Marko Arsenovic et al., "Solving Current Limitations of Deep Learning Based Approaches for Plant Disease Detection," symmetry (2019.07.19.)*
PL. Chithra and P. Bhavani, "A STUDY ON VARIOUS IMAGE PROCESSING TECHNIQUES," International Journal of Emerging Technology and Innovative Engineering Volume 5, Issue 5, May 2019 (2019.05.07.)*
윤치환 외 2명, "ROI(Region Of Interest)기반의 차등적 이미지 압축에 관한 연구," 한국정보통신학회논문지(J. Korea Inst. Inf. Commun. Eng.) Vol. 18, No. 3 : 679~686 Mar. 2014 (2014.05.31.)*

Also Published As

Publication number Publication date
KR20210047230A (ko) 2021-04-29

Similar Documents

Publication Publication Date Title
KR102526846B1 (ko) 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법
Bargoti et al. Image segmentation for fruit detection and yield estimation in apple orchards
Wu et al. Multi-target recognition of bananas and automatic positioning for the inflorescence axis cutting point
Ngugi et al. Tomato leaf segmentation algorithms for mobile phone applications using deep learning
Valada et al. Deep multispectral semantic scene understanding of forested environments using multimodal fusion
EP3861526A1 (en) Semantic segmentation with soft cross-entropy loss
Alkhudaydi et al. An exploration of deep-learning based phenotypic analysis to detect spike regions in field conditions for UK bread wheat
Ilyas et al. Multi-scale context aggregation for strawberry fruit recognition and disease phenotyping
Alzadjali et al. Maize tassel detection from UAV imagery using deep learning
Tiwari et al. An experimental set up for utilizing convolutional neural network in automated weed detection
CN113888557A (zh) 一种基于rgb-d特征融合的场景语义分割方法及系统
CN115104133A (zh) 通过使用由半监督方法获得的训练图像的卷积神经网络估计叶子上的生物对象的数量来量化植物侵染
Ilyas et al. DAM: Hierarchical adaptive feature selection using convolution encoder decoder network for strawberry segmentation
Rezk et al. An efficient plant disease recognition system using hybrid convolutional neural networks (cnns) and conditional random fields (crfs) for smart iot applications in agriculture
Bargoti et al. Image classification with orchard metadata
Gonçalves et al. Automatic detection of Acacia longifolia invasive species based on UAV-acquired aerial imagery
CN110969182A (zh) 基于农田图像的卷积神经网络构建方法及其系统
CN116721389A (zh) 农作物的种植管理方法
Appe et al. CAM-YOLO: tomato detection and classification based on improved YOLOv5 using combining attention mechanism
Kazi et al. Fruit Grading, Disease Detection, and an Image Processing Strategy
Huang et al. YOLO-EP: a detection algorithm to detect eggs of Pomacea canaliculata in rice fields
CN117649610A (zh) 一种基于YOLOv5的害虫检测方法及系统
Dhayabarani et al. Detection of weed using neural networks
Kumar et al. Deep Learning-Based Web Application for Real-Time Apple Leaf Disease Detection and Classification
Hossain et al. A convolutional neural network approach to recognize the insect: A perspective in Bangladesh

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant