논 잎병 분류를 위한 전이 학습 및 UNet 세분화는 기술적인 지식이 없는 사용자를 위한 사용자 친화적인 인터페이스를 갖춘 솔루션입니다.

요약

이 프로토콜은 논 잎 질병을 분류하기 위한 이미지 기반 딥 러닝 파이프라인을 간략하게 설명합니다. UNet 기반 세분화 및 전이 학습 모델을 결합하여 정확도를 향상시킵니다. 이 접근 방식은 자동화된 질병 감지를 지원하고 실제 배포를 위한 사용자 인터페이스를 포함하여 비전문가가 벼 작물 문제를 식별하는 데 도움을 줍니다.

초록

벼는 전 세계적으로 수십억 명의 사람들을 부양하는 중요한 식량 작물이며, 벼 재배는 수많은 국가의 경제적 안정에 필수적이며 특히 아시아 전역의 농업 공동체의 소득과 고용에 핵심적인 기여를 하고 있습니다. 그 중요성에도 불구하고 논 재배는 Tungro, Sheath Blight(SB), Paddy Hispa(PH), Neck Blast(NB), Narrow Brown Spot(NBS), Leaf Burnd(LS), Leaf Blast(LB), Brown Spot(BS) 및 세균성 잎마름병(BLB)과 같은 다양한 잎병으로 인해 방해를 받고 있으며, 이 모든 것은 수확량과 곡물 품질에 부정적인 영향을 미칩니다. 이러한 문제를 해결하기 위해 본 연구에서는 전이 학습을 기반으로 한 맞춤형 딥러닝 접근 방식을 제안합니다. 6가지 모델을 평가했으며, 맞춤형 DenseNet-121 모델이 최고의 성능을 제공하여 정확도 0.98, 정밀도 0.97, 리콜 0.96을 달성했습니다. 모델 성능을 향상시키기 위해 UNet 모델을 사용하여 이미지 분할을 수행했으며, 이는 분할된 이미지 데이터 세트를 생성하여 정확도를 크게 향상시켰습니다. 6개의 모델은 두 개의 데이터 세트에서 테스트되었으며, 하나는 분할된 이미지를 포함하고 다른 하나는 분할되지 않은 이미지를 포함하며, 둘 다 논 잎 질병 감지 데이터 세트에서 파생되었습니다. 또한, 기술적 배경이 없는 사용자도 편리하게 모델과 상호 작용하고 논잎 질병을 식별할 수 있도록 간단하고 직관적인 그래픽 인터페이스가 개발되었습니다. 이 통합 솔루션은 논 잎 질병을 분류하기 위한 신뢰할 수 있고 확장 가능한 방법을 제공하는 딥 러닝의 효과를 강조합니다.

서론

벼는 세계 농업의 초석으로, 수십억 명의 사람들을 부양시키고 수많은 국가, 특히 아시아에서 식량 소비와 생계의 상당 부분을 차지하는 경제적 중추를 형성합니다¹. 그러나 다양한 생물학적, 환경적 요인으로 인해 논의 지속 가능한 생산이 점점 더 위협을 받고 있으며, 잎병이 가장 중요한 과제 중 하나입니다. 박테리아성 잎마름병, 갈색 반점, 논 돌풍과 같은 질병 ^2,3은 작물 수확량을 크게 감소시키고 곡물 품질을 저하시키며 농부에게 상당한 재정적 손실을 초래할 수 있습니다⁴.

이러한 문제를 해결하기 위해 논 잎 질병의 분류는 식물 병리학에서 필수적인 도구가 되었습니다⁵. 이러한 질병을 조기에 정확하게 식별하면 적시에 개입할 수 있어 감염의 확산과 영향을 완화할 수 있습니다. 전통적으로 이 작업은 전문가의 육안 검사에 의존하는데, 이는 소규모 환경에서는 효과적이지만 주관성, 노동 집약성, 대규모 농업 지역에 대한 제한된 확장성과 같은 한계가 있습니다.

최근 머신러닝(ML)과 딥러닝(DL)의 발전으로 식물 질병을 감지하고 분류하는 방식이 크게 변화했습니다. 이러한 기술은 감염된 잎의 고해상도 이미지를 활용하여 자동화되고 확장 가능하며 정확한 질병 식별을 가능하게 합니다. 이러한 자동화는 일관성을 향상시키고 인적 오류를 줄이며 농부를 위한 실시간 의사 결정을 지원합니다⁶.

여러 현대 연구에서도 농업 진단을 향상시키기 위한 혁신적인 접근 방식을 탐구했습니다. 예를 들어, circANK 매개 방어 억제와 같은 RNA 수준 연구는 논^{질병 이해에} 새로운 생물학적 길을 열었고7, 논 줄 감지를 위한 2경로 인스턴스 분할과 같은 비전 기반 프레임워크는 정밀 농업에서 딥 러닝의 유용성을 보여주었습니다⁸. 또한 TMFF: 복잡한 시각적 환경에서 다중 레이블 분류를 위한 신뢰할 수 있는 다중 초점 융합과 같은 최근 작업은 실제 배포를 위한 하이브리드 및 강력한 DL 모델의 중요성이 커지고 있음을 강조합니다⁹.

이러한 발전에 동기를 부여받은 이 연구는 UNet 기반 분할과 딥 전이 학습 모델을 통합하여 논 잎병 분류를 발전시킵니다. 이 접근 방식은 질병이 있는 영역을 보다 정확하게 분리하고 효율적인 사전 훈련된 네트워크를 사용하여 분류하는 것을 목표로 합니다. 이 작업은 전통적인 수동 방법의 한계를 해결하고 세분화를 통해 모델 초점을 강화함으로써 분류 성능 향상, 지속 가능한 농업 관행 지원 및 식량 안보 시스템 강화에 기여합니다¹⁰.

논잎병 분류 개요

벼는 세계 인구의 50% 이상을 먹여 살리고 많은 개발도상국, 특히 아시아의 주요 경제 동인 역할을 하는 주요 작물로서 비교할 수 없는 중요성을 지니고 있습니다¹¹. 식량 안보에서의 역할 외에도 벼 재배는 수많은 지역의 문화적, 사회적 관행에 깊이 뿌리박혀 있어 지속적인 생산이 정부와 농업 이해관계자의 우선순위가 되고 있습니다. 그러나 논 생산은 어려움으로 가득 차 있으며, 그 중 잎병은 논 작물의 생산성과 품질을 계속 위협하고 있습니다. 박테리아 잎마름병, 갈색 반점, 벼 돌풍과 같은 광범위한 문제는 상당한 수확량 손실에 기여하며¹² 전 세계 벼 생산에 영향을 미치고 이 필수품에 크게 의존하는 경제에 부담을 줍니다.

잎병 분류는 시기적절하고 효과적인 질병 통제 조치의 기초를 제공하므로 현대 농업 관리의 중요한 구성 요소입니다. 시기적절한 식별을 통해 농부들은 질병의 확산을 통제하고 농약을 효율적으로 사용하며 심각한 작물 피해를 방지할 수 있습니다. 전통적으로 이 과정은 숙련된 농업 전문가가 수행하는 육안 검사에 의존해 왔습니다. 이 방법은 효과적일 수 있지만 노동 집약적이고 시간이 많이 걸리며 관찰자의 기술 수준에 크게 의존합니다. 더욱이, 대규모 농업 운영에서는 특히 감염 초기 단계에서 미묘한 증상을 식별하기 어려운 경우 수동 검사가 비실용적인 경우가 많습니다¹³.

잎병 분류를 위한 자동화 시스템의 출현은 농업 진단에 혁명을 일으켰습니다¹⁴. 이러한 시스템은 이미징 기술과 DL의 발전을 활용하여 확장 가능¹⁵, 효율적인¹⁶ 및 매우 정확한 솔루션¹⁷을 제공합니다. ML 및 DL 모델과 결합된 이미지 처리(IP)는 논 잎의 고해상도 이미지를 처리하여 질병 증상을 식별할 수 있으며 정확도와 속도 면에서 기존 방법보다 성능이 뛰어난 경우가 많습니다. 분류 프로세스를 자동화함으로써 이러한 시스템은 농부와 농업 전문가가 데이터 기반 결정을 내릴 수 있도록 지원하여 인간 전문 지식에 대한 의존도를 줄이고 오류 위험을 최소화합니다.

논 잎병 분류는 생산성 향상과 손실 감소를 보장할 뿐만 아니라 지속 가능한 농업이라는 더 넓은 목표에도 기여합니다. 질병¹⁸을 정확하게 식별함으로써 이러한 기술은¹⁹ 살충제 사용을 최적화하여 환경에 미치는 영향을 최소화하고 친환경 농업 관행을 촉진하는 데 도움이 됩니다.²⁰ . 또한 이러한 시스템을 모바일 애플리케이션 및 원격 감지 도구와 통합하면 자원이 제한된 환경의 소규모 농민에게까지 도달 범위가 확장되어 농업 발전의 포용성과 형평성이 촉진됩니다²¹.

글로벌 작물로서 벼의 중요성은 잎병 분류를 위한 강력하고 신뢰할 수 있으며 접근 가능한 방법의 필요성을 강조합니다²². 이러한 기술의 배포를 통해 농업 부문은 가장 시급한 과제 중 하나를 해결하고 증가하는 수요와 환경 제약에 직면하여 벼 생산의 탄력성과 지속 가능성을 보장할 수 있습니다.

모델링 기법

논 잎 질병을 분류하기 위해 제안된 방법은 정확성과 효율성을 모두 향상시키기 위해 다양한 정교한 기술을 통합합니다.

이미지 분할: 첫 번째 단계는 나뭇잎 이미지를 분할하여 나뭇잎 영역을 배경에서 분리하는 것입니다. 이 단계는 이미지의 원치 않는 부분^23,24를 제거하여 계산 복잡성을 줄이고 관련 패턴에 대한 초점을 향상시켜 정확도를 향상시킵니다.

기능 추출: 특징은 분할된 이미지에서 추출되어 질병 증상에 대한 중요한 세부 정보를 캡처합니다²⁵. 이러한 특징은 분류 모델의 기초를 형성하여 건강한 잎과 병든 잎을 효율적으로 구별할 수 있게 해줍니다.

전이 학습: 전이 학습은 사전 훈련된 모델의 지식을 활용하는 데 활용되어 새로운 데이터 세트에 대한 광범위한 훈련의 필요성을 크게 최소화합니다. 이 접근 방식은 높은 정확도와 효율성을 유지하면서 개발 프로세스를 가속화합니다²⁶.

종단 간 분류 모델: 특징 추출에만 전이 학습을 사용하는 기존 방법과 달리 제안된 방법론은 종단 간 분류 프레임워크를 통합합니다. 이 전체적인 접근 방식은 특징 추출 및 분류^27,28을 원활한 파이프라인으로 통합하여 최적의 성능을 보장합니다.

평가 지표: 모델의 성능²⁹을 분석하기 위해 여러 평가 지표가 적용되어 정확도, 정밀도, 재현율 및 전반적인 효율성에 대한 자세한 정보를 제공합니다. 이 포괄적인 분석은 모델의 신뢰성과 적합성을 효과적으로 결정하는 데 도움이 됩니다.

연구 격차

상당한 진전에도 불구하고 잎병 분류 영역에는 다양한 과제와 한계가 남아 있습니다.

수동 잎병 식별은 도메인 전문가에 크게 의존하므로 주관적이고 일관성이 없습니다. 강력한 도메인 지식이 있더라도 수동 접근 방식의 인적 오류로 인해 심각한 작물 손실이 발생할 수 있습니다.

수동 방법은 노동 집약적이며 연중무휴로 작동할 수 없으므로 대규모 또는 지속적인 모니터링에는 실용적이지 않습니다.

잎병 분류에 대한 연구는 광범위하지만 논잎병 분류에 초점을 맞춘 연구는 매우 제한적입니다.

이전 연구⁽³⁰)는 일반적으로 논 잎 질병을 분류하기 위한 전이 학습의 사용을 무시했습니다.

기존 모델은 종종 다양한 환경 조건 및 질병 변이에 대한 일반화 가능성이 부족하여 실질적인 유용성을 제한합니다³¹.

현재 연구에 사용된 데이터 세트는 종종 작고 다양성이 부족하여 광범위한 적용 가능성을 방해합니다³².

이러한 격차를 해소함으로써 본 연구는 혁신적인 기술과 강력한 방법론을 통해 논잎병 분류 분야를 발전시키는 것을 목표로 합니다.

이 연구의 주요 공헌

이 연구는 논 잎 질병을 분류하기 위한 맞춤형 딥러닝 기반 방법을 만들고 평가하여 이러한 격차를 메우고자 합니다. 주요 기여는 다음과 같습니다.

전이 학습을 활용하여 사전 훈련된 모델 가중치를 활용하면 더 적은 훈련 에포크 내에서 높은 정확도를 달성할 수 있습니다.

훈련 시대가 적을수록 높은 계산 능력의 필요성이 줄어들어 계산 리소스가 제한된 사용자가 이 방법에 액세스할 수 있음을 보여줍니다.

세분화, 특징 추출 및 분류를 통합하는 종단 간 분류 모델을 개발하여 포괄적인 솔루션을 제공합니다.

데이터 분할 및 기타 기술을 사용하여 다양한 데이터 세트에서 모델의 일반화 가능성을 향상시킵니다.

열린 과제

이 연구에서 달성한 유망한 결과에도 불구하고 미해결 과제는 여전히 남아 있습니다. 이러한 과제에는 다양한 환경 조건⁽³⁵ 및 질병 유형)에 걸쳐 모델의 견고성⁽³³)과 적응성⁽³⁴)을 향상시키기 위한 더 크고 다양한 데이터 세트의 필요성, 예측 정확도를 높이기 위한 다중 모드 데이터의 통합, 현장 조건에서 실시간 사용을 위한 모델 배포 등이 포함됩니다. 또한 계산 효율성과 모델 성능 간의 균형을 맞추는 것은 특히 농촌 및 자원이 부족한 지역에서 최종 사용자의 접근성을 보장하는 데 중요합니다.

프로토콜

데이터 세트 설명

이 연구에 사용된 데이터 세트는 Paddy Leaf Diseases Detection Dataset라는 제목의 공개적으로 사용 가능한 Kaggle 저장소에서 얻었습니다. 18,545개의 질병 등급과 10개의 건강한 등급으로 분류된 10개의 논 잎 이미지로 구성되어 있습니다. 이미지는 해상도가 다양하며 다양한 조명 및 환경 조건에서 캡처되었습니다.

이미지 전처리

모든 이미지는 TensorFlow의 tf.image.resize() 함수를 사용하여 224 x 224 픽셀로 크기가 조정되었습니다. 이러한 균일성은 사전 학습된 CNN 모델의 입력 요구 사항과의 호환성을 보장합니다.: 픽셀 값은 Keras ImageDataGenerator에서 rescale=1./255 매개변수를 사용하여 [0,1] 범위로 정규화되었습니다. 증강(훈련 전용): ImageDataGenerator를 사용하여 수평 및 수직 뒤집기, 회전(± 20°) 및 확대/축소(최대 20%)와 같은 기술을 적용하여 일반화를 개선했습니다.

이미지 분할

UNet 모델은 배경 혼란에서 병든 잎 영역을 분리하기 위해 이미지 분할에 사용되었습니다. UNet 아키텍처는 인코더-디코더 계층, 건너뛰기 연결 및 ReLU 활성화와 함께 Keras 기능 API를 사용하여 구축되었습니다. 분할 마스크는 관련 특징만 유지하기 위해 픽셀별 곱셈(cv2.bitwise_and)을 사용하여 원본 이미지에 적용되었습니다.

모델 아키텍처 및 학습

VGG16, ResNet50, InceptionV3, MobileNet, AlexNet 및 DenseNet121 모델이 백본 분류기로 사용되었습니다. 사전 학습된 모델(ImageNet에서)은 include_top=False로 가져왔습니다. 글로벌 평균 풀링 레이어, 128개 및 64개 뉴런이 있는 2개의 고밀도 레이어(ReLU 활성화), 드롭아웃 레이어(속도 = 0.4), 11개의 출력 및 Softmax 활성화가 있는 최종 고밀도 레이어로 구성된 맞춤형 분류 헤드가 추가되었습니다.

실험 설정

모든 실험은 다음 설정을 사용하여 수행되었습니다: 프로그래밍 환경: TensorFlow 및 Keras가 포함된 Python 3.11.5, 실행 플랫폼: Jupyter Notebook, 하드웨어: Intel Core i5-6300U, 8GB RAM, Windows 11, 배치 크기: 32, 에포크: 50, 옵티마이저: Adam, 학습률: 0.0001, 손실 함수: 범주형 교차엔트로피, 활성화 함수: 은닉 레이어의 경우 ReLU, 최종 출력 레이어의 경우 Softmax.

평가 메트릭

정확도, 정밀도, 재현율 및 F1 점수는 sklearn.metrics의 classification_report 사용하여 계산되었습니다. 혼동 행렬은 confusion_matrix 및 seaborn.heatmap을 사용하여 플롯되었습니다. 성능은 비교 평가를 위해 분할되지 않은 이미지와 UNet 분할된 이미지 모두에서 평가되었습니다.

GUI 개발

간단한 그래픽 사용자 인터페이스는 Python의 Tkinter 라이브러리를 사용하여 만들어졌습니다. 사용자는 GUI를 사용하여 리프 이미지를 업로드한 다음 훈련된 모델을 통해 전달할 수 있습니다. 예측된 질병 등급이 신뢰도 점수와 함께 화면에 표시됩니다.

데이터 세트 생성

본 연구에 사용된 데이터 세트는 Kaggle³⁶의 공개적으로 사용 가능한 논 잎 질병 검출 데이터 세트로, 10개의 질병 등급과 1개의 건강한 등급으로 분류된 총 18,545개의 논 잎의 고해상도 이미지로 구성되어 있습니다. 이미지는 다양한 조명 조건과 다양한 환경 설정에서 캡처되어 데이터 세트를 매우 대표적이고 강력한 딥 러닝 모델을 구축하는 데 적합했습니다. 데이터 세트의 크기는 약 8.33GB이며 Tungro, Sheath Blight(SB), Paddy Hispa(PH), Neck Blast(NB), Narrow Brown Spot(NBS), Leaf Burnd(LS), Leaf Blast(LB), Healthy, Brown Spot(BS) 및 Bacterial Leaf Blight(BLB) 클래스를 포함합니다.

재현성과 효과적인 모델 평가를 보장하기 위해 데이터 세트는 클래스 분포를 유지하면서 학습(80%)과 테스트(20%) 하위 집합으로 무작위로 나뉘었습니다. 훈련 세트는 모델을 훈련하는 데 사용되었고 테스트 세트는 보이지 않는 데이터에 대한 성능 검증을 위해 예약되었습니다. 평가는 정확도, 정밀도, 재현율 및 F1 점수와 같은 표준 분류 지표를 기반으로 이루어졌으며 각 모델의 분류 기능에 대한 포괄적인 평가를 제공했습니다. 이 연구는 VGG16, ResNet, InceptionV3, MobileNet, AlexNet 및 DenseNet121의 6가지 딥 러닝 모델을 비교했으며 DenseNet121이 작업에 가장 적합한 성능을 제공했습니다.

데이터 배포

질병 분류는 데이터 세트에서 훈련된 딥 러닝 모델을 사용하여 수행되었습니다. 데이터 세트는 훈련 세트와 테스트 세트의 두 가지 하위 집합으로 나뉩니다. 훈련 세트는 모델을 가르치는 데 사용되었고, 테스트 세트는 이전에 볼 수 없었던 데이터에 대한 성능을 평가하는 데 사용되었습니다. 10가지 질병 범주와 건강한 잎 클래스에 걸친 이미지 분포에 대한 요약은 표 1에 나와 있습니다. 이 표는 각 질병과 관련된 시각적 증상에 대한 포괄적인 이해를 제공하여 분류 모델의 훈련 및 평가를 용이하게 합니다.

이 분포는 교육 및 테스트 단계 모두에서 각 질병 범주의 공평한 표현을 보장합니다. 훈련 세트에는 대부분의 이미지가 포함되어 있어 모델이 각 클래스의 고유한 특성을 효과적으로 학습할 수 있습니다. 더 작은 이미지 하위 집합으로 구성된 테스트 세트는 모델의 정확성과 보이지 않는 새로운 데이터로 일반화하는 능력에 대한 신뢰할 수 있는 평가를 보장합니다.

범주 전반에 걸쳐 균형 잡히고 다양한 이미지 분포를 통해 모델은 각 질병 유형과 관련된 고유한 패턴을 학습할 수 있는 충분한 데이터를 확보하는 동시에 특정 클래스에 대한 과적합 또는 편향의 위험을 완화합니다. 이 데이터 분할은 강력하고 신뢰할 수 있는 분류 결과를 얻는 데 필수적입니다.

데이터 정리

전처리 단계에서 분류 모델의 정확성과 효율성을 높이기 위해서는 데이터 정리가 필수적입니다. 원시 논 잎 이미지에는 토양, 주변 초목 또는 농기구와 같은 원치 않는 배경 요소가 포함되는 경우가 많으며, 이로 인해 노이즈가 발생하고 모델의 전반적인 성능이 저하될 수 있습니다.

이를 해결하기 위해 의미론적 분할 작업을 위해 특별히 설계된 잘 알려진 컨볼루션 신경망 아키텍처인 UNet^37,38 모델을 사용하여 이미지 분할을 수행했습니다. UNET 모델은 높은 정밀도로 배경으로부터 나뭇잎 영역을 분할할 수 있으며, 이미지의 관련 부분만이 추가 처리를 위해 유지되도록 보장한다³⁹. 분할 프로세스는 그림 1에 설명되어 있습니다.

UNet 모델을 사용한 분할 프로세스(그림 2): 데이터 세트의 원시 이미지가 UNET 모델에 공급됩니다. UNET 모델은 계층적 특징을 추출하는 인코더와 리프 영역을 분할하면서 이미지를 재구성하는 디코더로 구성됩니다. 모델은 리프 영역이 표시되고 배경이 제거되는 이진 마스크를 출력합니다. 분할된 이미지는 부드러운 가장자리를 보장하고 잔류 노이즈를 제거하기 위해 형태학적 연산을 적용하여 더욱 세밀화됩니다(그림 3).

UNet 분할의 수학적 공식화: UNet은 관련 없는 배경을 억제하면서 관심 영역(ROI), 즉 병든 잎 영역을 강조하는 이진 마스크로의 매핑을 입력 이미지 공간에서 학습하여 의미론적 분할을 수행합니다. 하자:

C=3 컬러 채널이 있는 H*W 크기의 입력 RGB 이미지를 나타냅니다.

훈련된 UNet 모델의 출력이며, 여기서 M의 각 픽셀 값은 해당 픽셀이 병든 잎 영역에 속할 확률을 나타냅니다.

최종 이진 분할 마스크

여기서 τ [0,1]는 분할 임계값입니다(일반적으로 0.5로 설정됨).

그런 다음 분할된 이미지 는 다음과 같이 계산됩니다.

여기서 는 모든 채널에 공간적으로 적용되는 요소별 곱셈을 나타냅니다. 이 작업은 ROI(여기서 )의 픽셀 값을 유지하고 배경 픽셀(여기서 )을 마스킹합니다. 이 분할된 출력은 분류 모델(예: DenseNet121)에 대한 입력으로 전달되어 시끄럽고 정보가 없는 배경 영역을 무시하면서 질병 관련 기능에만 집중할 수 있으므로 분류 성능과 모델 일반화가 향상됩니다.

이 전처리 단계는 다음 단계의 특징 추출 및 분류가 깨끗하고 관련 데이터에 대해 수행되도록 보장하여 논 잎병 분류 모델의 전반적인 성능과 신뢰성을 향상시킵니다.

전이 학습

전이 학습은 사전 훈련된 신경망을 활용하여 새롭지만 관련된 문제를 해결하므로 처음부터 모델을 구축할 필요가 없습니다. 이 접근 방식은 이전 작업에서 얻은 지식을 활용하여 효율적인 학습을 가능하게 합니다⁴⁰. 사전 훈련된 모델은 광범위한 데이터 세트에서 개발되는 경우가 많으며 강력한 특징 추출 기능을 갖추고 있어 특정 데이터 세트에 대한 미세 조정에 적합합니다. 이를 통해 훈련 시간이 단축되고 과적합을 방지하며 제한된 계산 리소스로도 높은 정확도를 달성할 수 있습니다.

본 연구에서는 전이 학습을 활용하여 사전 학습된 다양한 딥러닝 모델을 평가하여 논 잎 질병을 식별했습니다. 실험에서 탐색된 아키텍처에는 VGG16, ResNet, InceptionV3, MobileNet, AlexNet 및 DenseNet121이 포함됩니다. 이러한 각 모델은 처음에 ImageNet과 같은 대규모 데이터 세트에서 훈련되었으며 사전 훈련된 가중치가 이 작업에 활용되었습니다. 모델을 분류 작업에 맞게 조정하기 위해 다음과 같이 수정되었습니다.

모델 수정: Keras에서 모델을 가져오는 동안 각 모델의 원래 완전 연결(분류) 레이어가 include_top=False 매개변수를 사용하여 제거되었습니다. 이를 통해 사전 학습된 각 모델의 컨볼루션 베이스(특징 추출기)만 유지되었습니다. 마지막 컨볼루션 블록의 출력은 Flatten() 레이어를 사용하여 1차원 벡터로 평면화되었습니다.

조밀한 층: 3개의 완전히 연결된(Dense) 레이어가 평탄화 단계 후에 순차적으로 추가되었습니다. 이러한 계층은 Keras Dense() 함수를 사용하여 정의되었으며, 첫 번째는 256개의 뉴런과 ReLU 활성화, 두 번째는 128개의 뉴런과 ReLU 활성화, 세 번째는 64개의 뉴런과 ReLU 활성화가 있습니다. 과적합을 줄이기 위해 레이어 사이에 드롭아웃 레이어도 추가되었습니다.

출력 레이어: 3개의 완전히 연결된(Dense) 레이어가 평탄화 단계 후에 순차적으로 추가되었습니다. 이러한 계층은 Keras Dense() 함수를 사용하여 정의되었으며, 첫 번째는 256개의 뉴런과 ReLU 활성화, 두 번째는 128개의 뉴런과 ReLU 활성화, 세 번째는 64개의 뉴런과 ReLU 활성화가 있습니다. 과적합을 줄이기 위해 레이어 사이에 드롭아웃 레이어(비율 0.4)도 추가되었습니다.

전처리, 세분화, 전이 학습 모델 구현 및 평가를 포함한 방법론의 전체 파이프라인 및 흐름은 그림 4에 나와 있습니다. 이 그림은 이 연구에서 따른 단계에 대한 포괄적인 개요를 제공합니다. 전이 학습을 채택함으로써 훈련 시간을 성공적으로 최소화하고 고급 계산 자원에 대한 의존도를 줄였으며 논 잎병 분류에서 상당한 성능 향상을 달성했습니다.

잎병 분류를 위해 제안된 DenseNet121 모델

테스트된 모든 모델 중에서 DenseNet121은 논잎병 분류에서 최고의 성능을 보여 놀라운 정확도를 달성했습니다. 이 최첨단 딥 러닝 모델은 효율적인 정보 흐름을 촉진하고 기능 재사용을 향상시키는 혁신적인 아키텍처⁽⁴⁰)로 구별됩니다.

DenseNet121의 아키텍처: DenseNet121은 조밀하게 연결된 레이어가 특징이며, 각 레이어는 이전 모든 레이어의 기능 맵에 액세스할 수 있습니다. 이 설계는 정보 흐름을 최적화하고 중복성을 줄이며 모델의 전반적인 효율성을 크게 향상시킵니다.

아키텍처는 다음과 같은 주요 구성 요소로 구성됩니다.

입력 레이어: 표준화된 처리를 위해 224 x 224픽셀로 크기가 조정된 이미지를 수신합니다.

초기 컨볼루션 레이어: 7 x 7 컨볼루션 연산을 적용한 후 최대 풀링을 적용하여 공간 차원을 줄이고 하위 수준 기능을 추출합니다.

조밀한 블록: 모델에는 4개의 조밀한 블록이 포함되어 있습니다. 각 블록은 조밀하게 연결된 여러 컨볼루션 레이어로 구성되며, 이는 각 레이어가 블록 내 모든 이전 레이어의 출력에 직접 액세스할 수 있음을 의미합니다.

전이 레이어: 조밀한 블록 사이에 위치한 이 레이어는 1 x 1 컨볼루션을 수행한 후 평균 풀링을 수행하여 기능 차원을 줄여 계산 효율성을 향상시킵니다.

GAP(Global Average Pooling): 완전히 연결된 레이어 앞의 피처 맵의 공간 차원을 줄입니다.

완전 연결 레이어: 분류를 위한 출력 벡터를 생성합니다.

분류를 위한 사용자 정의 레이어: 이 연구를 위해 기본 완전 연결 계층은 평탄화 계층, 3개의 조밀한 계층(ReLU 활성화가 있는 256, 128 및 64개 뉴런) 및 이진 분류를 위한 최종 시그모이드 활성화 계층과 같은 맞춤형 아키텍처로 대체되었습니다.

DenseNet121의 기능 재사용 능력과 컴팩트한 아키텍처는 논 잎병 데이터 세트에서 우수한 성능에 크게 기여했습니다. 과적합을 최소화하는 능력과 결합된 이러한 효율성은 훈련 데이터가 제한된 작업에 이상적입니다. DenseNet121은 기능 재사용 및 기울기 흐름 특성으로 인해 다른 모델보다 더 나은 정확도와 일반화를 달성했습니다. ResNet 및 VGG16과 같은 모델은 좋은 성능을 보였지만 DenseNet121은 정확성과 계산 효율성 측면에서 이를 능가했습니다.

모든 모델에서 ReLU 활성화 함수(방정식 1 참조)를 활용하여 3개의 완전 연결된(조밀한) 레이어가 포함되었으며, 다중 클래스 분류를 용이하게 하기 위해 SoftMax 활성화(방정식 2)가 있는 최종 조밀한 레이어로 절정에 이릅니다. 이러한 적응을 통해 각 모델은 데이터 세트의 이미지를 분류하는 동안 사전 훈련된 가중치를 효과적으로 활용할 수 있었습니다.

ReLu f(x) = 최대(0, X) (1)

여기서 x_i는 10개의 벼 잎 질병 범주에 걸쳐 분류되도록 조정된 SoftMax 함수에 대한 입력을 나타냅니다. 각 모델의 고유한 아키텍처는 이 맞춤형 출력 레이어와 결합되어 효과적인 기능 추출과 정확한 이미지 분류를 가능하게 했습니다.

그림 5 는 DenseNet121의 아키텍처 레이아웃을 보여주며, 이 연구를 위해 통합된 조밀한 블록, 전환 계층 및 맞춤형 분류 계층을 통한 원활한 정보 흐름을 보여줍니다. 이 시각적 묘사는 DenseNet121이 이미지 입력을 처리하고 예측 출력을 생성하는 방법을 명확히 합니다

결과

이 연구에서 수행된 실험을 위해 모델은 Windows 11 운영 체제에서 Python 버전 3.11.5 및 Jupyter Notebook을 사용하여 개발되었습니다. 활용된 주요 딥 러닝 프레임워크는 TensorFlow 및 Keras 라이브러리였습니다. 이 연구에 사용된 하드웨어는 2.50GHz 클럭의 Intel i5-6300U CPU가 탑재된 HP PC에 8개의 코어가 장착되었습니다.

데이터 세트는 훈련용 80%와 테스트용 20%의 두 가지 기본 하위 집합으로 나뉩니다. 총 15,023개의 이미지가 훈련을 위해 할당되었고 3,522개의 이미지가 테스트를 위해 따로 마련되었습니다. 이 접근 방식은 표준 딥 러닝 검증 관행에 따라 보이지 않는 데이터를 사용하여 모델을 평가하도록 보장합니다.

토론

본 연구는 분할된 데이터셋과 비분할된 데이터 세트를 모두 사용하여 논잎병의 자동 분류를 위한 딥러닝 기반 프레임워크를 제안합니다. 이 접근 방식은 UNet 기반 이미지 분할을 전이 학습 모델과 통합하여 분할이 특징 추출 및 분류 정확도를 크게 향상시킨다는 것을 보여줍니다. 평가된 6가지 모델 중 맞춤형 DenseNet-121은 정확도 0.98, 정밀도 0.97, 재현율 0.96으로 최고의 성능을 달성했습니다.

이 연구는 논잎 질병의 조기에 정확한 발견을 위한 확장 가능하고 실용적인 솔루션을 제공함으로써 과학 분야의 발전에 기여합니다. 이는 작물 수확량을 개선하고 경제적 손실을 줄이는 것뿐만 아니라 농업 분야에서 AI 기반 진단 시스템의 채택을 장려하는 데에도 영향을 미칩니다.

강력한 결과에도 불구하고 특정 한계가 존재합니다. 데이터 세트는 상대적으로 크지만 단일 오픈 소...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
HP PC	HP	Intel Core i5-6300U CPU @ 2.5GHz, 8GB RAM
Jupyter Notebook	오픈 소스	코드 실행에 사용
Kaggle 데이터 세트: 쌀 잎 질병 감지	캐글	https://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection
케라스	오픈 소스	TensorFlow와 통합
파이썬	파이썬 소프트웨어 재단	3.11.5
텐서플로우	구글	2.엑스
윈도우 OS	마이크로소프트	윈도우 11