벼잎병 탐지 및 성장 단계별 치료 권고를 위한 딥러닝 기반 방법

Summary

본 연구는 딥러닝 기반 방법으로 벼잎 성장 단계를 예측하고 질병을 분류하며, 자동화되고 사용자 친화적인 의사결정 지원 시스템을 통해 단계별 치료 권고를 제공하여 효과적인 작물 병해 관리를 지원합니다.

Abstract

벼 잎병은 쌀 수확량과 품질에 큰 영향을 미치므로, 정밀 농업을 위해 조기 발견과 적절한 치료가 필수적입니다. 본 연구는 벼잎병 탐지, 성장 단계 예측, 단계별 치료 권고를 위한 딥러닝 기반 의사결정 지원 시스템을 제안합니다. 이 연구에 사용된 데이터셋은 여러 출처에서 수집된 벼잎 이미지로 구성되어 있으며, 성장 단계와 질병 분류별로 분류되어 있습니다. 데이터셋은 적절한 모델 평가를 보장하기 위해 훈련(80%), 검증(10%), 테스트(10%) 세트로 나뉘었습니다. 성장 단계 예측을 위해 경량 합성곱 신경망(CNN) 모델이 개발되었으며, VGG16, ResNet50, InceptionV3, MobileNetV2 등 전이 학습 모델을 사용하여 질병 분류가 수행되었습니다. 분류 성능을 개선하기 위해 평균 확률 투표를 기반으로 한 앙상블 방법이 사용되었습니다. 모델들은 독립적인 테스트 세트에서 정확성, 정밀도, 회상력, F1 점수를 사용해 평가되었습니다. 실험 결과는 앙상블 모델이 개별 모델에 비해 더 높은 정확도를 달성하여 견고성과 일반화가 향상되었음을 보여줍니다. 제안된 시스템은 질병 탐지, 성장 단계 예측, 치료 권고를 제공하는 Streamlit 웹 애플리케이션으로 구현되었습니다. 제안된 통합 프레임워크는 농민과 농업 전문가들이 시기적절하고 정확한 질병 관리 결정을 내릴 수 있도록 지원할 수 있습니다.

Introduction

인도는 농업 중심 경제로서 농업에 크게 의존하며, 쌀(벼)이 인구의 상당 부분의 주식 작물입니다. 하지만 벼 재배는 폭파병, 박테리아성 잎봏병, 갈색반병, 칼집병과 같은 잎병에 의해 상당한 영향을 받아 수확량이 감소하고 경제적 손실을 초래합니다. 이러한 질병의 조기 발견은 필수적이며, 전통적인 수동 검사 방법은 시간이 많이 걸리고 종종 부정확합니다. 이 문제를 해결하기 위해, 본 연구는 논잎 성장 단계 예측, 질병 분류 및 치료 권고를 위한 딥러닝 기반 의사결정 지원 시스템을 제안합니다. 이 시스템은 신경망 모델을 사용해 벼잎의 성장 단계를 예측하고, 질병 분류를 위해 CNN, VGG16, ResNet50, InceptionV3, MobileNetV2 등 여러 딥러닝 모델을 활용합니다. 이 모델들은 앙상블 방식을 사용하여 정확도와 견고성을 향상시키기 위해 결합되어 98.99%의 분류 정확도를 달성합니다. 예측된 질병 및 성장 단계를 바탕으로 시스템은 병기별 치료 권고를 제공합니다. 제안된 시스템은 Streamlit 기반 웹 애플리케이션으로 구현되어 사용자가 잎 이미지를 업로드하고 실시간 예측 및 추천을 받을 수 있습니다. 이 통합 접근법은 정밀 농업을 위한 실용적이고 확장 가능한 솔루션을 제공하여 농부들이 작물 손실을 줄이고 생산성을 향상시키도록 돕습니다.

여러 연구에서 작물 추천, 질병 탐지, 농업 의사결정 지원에 머신러닝과 딥러닝 기법이 적용되었습니다. 앙상블 딥러닝 기법은 질병 예측을 통합하여 작물 및 비료 권고의 정확도를 향상시키는 데 사용되었으며, 단일 모델 접근법보다 더 나은 성능을 보였습니다^. 의사결정 트리와 지원 벡터 기계를 이용한 머신러닝 기반 추천 시스템도 개발되어 작물, 비료, 질병 치료를 제안하면서 농민의 피드백을 반영하여 적응력을 향상시켰습니다².

질병 검출을 위해서는 하이브리드 CNN 모델과 CLAHE와 GLCM과 같은 특징 추출 기법이 결합되어 벼병^{분류 정확도가} 향상되었습니다. 다른 접근법으로는 군집화와 텍스처 기반 특징 추출을 결합한 랜덤 포레스트 알고리즘을 사용하여 질병 탐지 성능을 향상시키는 사례가 있습니다^. 딥러닝 모델, 특히 CNN과 전이 학습 아키텍처는 식물 병해 감지에서 높은 정확도를 달성했으며, 실시간 및 스마트폰 기반 진단 시스템을 가능하게 했습니다 ^5,6,7. 색상, 질감, 형태 특징을 이용한 전통적인 이미지 처리 및 분류 트리 방법도 낮은 계산 복잡도로 효과적인 질병 탐지를 보여주었습니다 ^8,9.

앙상블 학습은 무작위 숲, 순진한 베이즈, 지지 벡터 머신과 같은 분류기를 결합하여 예측 정확도와 견^{고성을 향상시키}는 작물 추천 시스템에서 널리 사용되어 왔습니다. CNN 기반 모델은 벼병 감지에 사용되었으며, IoT 시스템과 통합되어 실시간 농업 권고를 제공합니다¹¹. K-최근접 이웃과 회귀 기법과 같은 머신러닝 모델이 예측 의사결정^{지원 시스템에 적용}되었습니다. 또한, 토양, 계절, 생산성 요인에 기반한 작물 추천 시스템이 데이터 기반 농업 결정을 지원하기 위해 개발되었습니다 ¹³.

연구들은 또한 쌀 생산 제약과 질병 관리 전략을 검토하여 지속 가능한 질병 방제와 개선된 농업 관행의 중요성을 강조했습니다¹⁴. 그러나 대부분의 기존 연구는 질병 검출 또는 작물 권고에만 개별적으로 집중하며, 질병 분류, 성장 단계 예측, 치료 권고를 단일 의사결정 지원 체계로 통합하는 연구는 매우 드뭅니다. 이 격차는 통합적이고 실용적인 농업 의사결정 지원 프레임워크의 필요성을 강조합니다.

이 연구의 새로움은 질병 분류뿐만 아니라 벼^{병 관리를 위한} 완전한 의사결정 지원 시스템 개발에 있습니다. 제안된 시스템은 벼잎 성장 단계 예측, 딥러닝 모델 앙상블을 이용한 질병 분류, 성장 단계별 치료 권고를 통합합니다. 기존 연구들이 질병 탐지에만 집중하는 것과 달리, 이 연구는 식물 성장 단계¹⁷을 기반으로 질병 예측과 실행 가능한 치료 조언을 연결합니다. 이러한 통합적 접근법은 시스템을 실제 농업 사용에 더 실용적으로 만들고, 시기적절하고 단계에 맞는 개입을 제공함으로써 정밀 농업을^{지원합니다.}

본 연구의 주요 목표는 벼잎병을 조기에 감지하고 잎의 성장 단계를 정확히 예측하여 적시에, 그리고 선택적으로 치료를 권고하는 다음 단계 딥러닝 시스템을 만드는 것입니다. 이 시스템은 CNN, VGG16, ResNet50, InceptionV3, MobileNetV2 등 최첨단 모델을 조립하고 정밀 공학을 통해 질병 분류에서 98.99의 높은 정확도를 달성합니다. 이 도구는 성장 단계를 예측하고 분석에 관한 특정 제초제 또는 농약 제안을 제공하는 신경망을 포함합니다. 이 기술은 실시간 예측과 방제 조언을 가능하게 하는 사용자 친화적인 Streamlit 웹 애플리케이션을 통해 농부들에게^{제공됩니다.} 이 연구는 인도와 같은 농업 경제에 적용할 수 있는 시기적절한 예측과 치료 권고를 통해 질병 관리 관련 의사결정을 용이하게 해야 합니다.

기계 학습과 딥러닝을 통해 식물 질병 탐지에 관한 여러 연구가 수행되고 있지만, 기존 연구의 대부분은 식물의 발달 단계와 치료 제안을 고려하지 않고 질병 분류를 시도합니다. 그러나 실제 농업에서는 질병의 특성뿐만 아니라 방제 시점의 농약 종류와 정도가 작물의 단계에 따라 다르기 때문에 치료 지침이 적용되는 것은 아닙니다. 질병 감지, 성장기 예측, 치료 권고를 하나의 자동화된 시스템에 통합한 연구는 매우 적습니다. 이 격차를 메우기 위해 본 연구는 벼의 잎 단계 예측, 딥러닝 모델 내 질병 분류, 그리고 Streamlit 실행 의사결정 지원 시스템을 통한 성장 단계에 따른 구체적 치료 권고를 통합하는 딥러닝 기반 아키텍처를 제안합니다²⁰. 이러한 통합은 제안된 시스템이 실제 정밀 농업에서 더욱 실용적이고 유용하게 만들어질 수 있게 합니다. 본 연구는 성장기 예측과 질병 분류를 치료 권고 모듈과 결합하여 완전한 의사결정 지원 파이프라인을 형성하는 단계별 인지 질병 진단 프레임워크를 제안합니다²¹.

식물 질병 탐지를 위한 여러 딥러닝 및 앙상블 학습 접근법이 제안되었지만, 대부분의 기존 연구는 질병 분류에만 집중하며 식물의 성장 단계를 고려하지 않습니다. 그러나 실용적인 농업에서는 처리 방법, 농약 종류, 용량이 병의 종류뿐만 아니라 식물의 성장 단계에 따라 달라지는 경우가 많습니다. 기존의 질병 탐지 시스템은 단계별 치료 권고를 제공하지 않아 정밀 농업에서의 실용적 적용이 제한됩니다²². 더불어, 많은 기존 연구들은 딥러닝 모델을 이용한 분류 정확도 향상에만 집중하고 있으며, 예측 시스템을 농민이나 농업 전문가가 사용할 수 있는 실용적인 의사결정 지원 프레임워크에 통합하지 않고 있습니다. 이러한 한계를 해결하기 위해, 본 연구는 벼잎 성장 단계 예측, 앙상블 학습을 이용한 질병 분류, 단계별 치료 권고를 결합한 통합 의사결정 지원 시스템을 제안합니다. 제안된 시스템은 실시간 농업 의사결정을 지원하는 웹 기반 애플리케이션으로 구현되었습니다²³.

이 연구의 주요 기여는 이미지 데이터를 활용해 벼잎의 성장 단계를 정확히 예측하는 딥러닝 기반 모델 개발로, 이를 통해 작물 모니터링과 관리를 더 잘 가능하게 한 것입니다. 또한 사전 학습 모델을 활용해 벼잎병을 효과적으로 분류하기 위한 전이 학습 기법을 도입하여 정확도를 높이고 훈련 복잡도를 줄이는 것을 포함합니다²⁴. 질병 탐지의 신뢰성을 더욱 높이기 위해, 여러 모델을 결합한 앙상블 학습 방식을 사용하여 우수한 분류 성능을 달성합니다. 또한, 연구는 확인된 질병과 작물의 성장 단계를 모두 기반으로 표적화된 해결책을 제공하는 단계별 치료 권고 시스템을 도입하여 보다 정밀하고 효과적인 농업 개입을 보장합니다. 마지막으로, 이 모든 구성 요소는 Streamlit 기반 웹 애플리케이션에 통합되어 실시간 의사결정 지원을 위한 사용자 친화적인 플랫폼을 제공하여 농부와 이해관계자가 예측과 권고에 쉽게 접근할 수 있도록 합니다.

Protocol

다음 프로토콜은 벼 잎병 탐지 및 치료 권고 시스템 구축 및 배포 과정을 단계별로 보여줍니다. 이 논문에서 제시된 결과를 재현하기 위해서는 이 단계들을 연속적으로 사용해야 합니다.

데이터셋 준비

Paddy Leaves 단계 데이터셋: 이 데이터는 PaddyNet4를 기반으로 작성되었습니다. 이 장면은 4단계(2단계, 3단계, 4단계, 5단계)로 분류된 560장의 이미지로 구성되어 있습니다. 분류는 벼 잎의 색깔과 성숙도에 따라 달라지며, 이는 질소 농도 등 여러 요인과 식물의 발달 정도에 따라 달라집니다. 제시된 데이터셋은 벼 식물의 적절한 단계를 아는 데 중요합니다(그림 1). 패디넷은 data.mendeley.com/datasets/ 웹사이트를 통해 공개적으로 접근할 수 있습니다. 벼잎 질병 데이터셋: 이 데이터셋은 Kaggle에서 여러 개의 별도 공개 데이터셋으로 제공되었고, 총 6,920장의 이미지로 구성된 통합 데이터셋을 만들었으며, 각 이미지는 (그림 2)에 표시된 6가지 질병 유형 중 하나에 속했습니다. 치료 데이터셋: 이 데이터셋은 다양한 공개 데이터셋의 정보를 수집 및 통합하여 비판적으로 개발되었으며, 네 개의 성장 단계에서 벼병의 다양한 관리 관행에 관한 데이터를 포함^{하고 있습니다.} 이 데이터셋의 주요 목적은 벼병을 예방하고 통제하기 위한 권고안을 제시하는 것입니다. 이 데이터는 적절한 살충제 종류를 선택하여 벼 식물의 질병과 싸우는 데 필수적인 자원 중 하나입니다^{19, 22, 23, 24, 25}

데이터 증강

데이터 증강은 훈련 데이터셋을 강화하고 과적합을 줄이는 데 사용되었습니다. 본 연구에서 사용된 증강 기법은 회전(최대 30%), 너비와 높이 이동(최대 20%), 줌(최대 20%), 전단, 수평 뒤집기 등이 있습니다. 이러한 증강 기법의 사용은 모델이 모델의 본질을 습득하는 데 도움을 주고, 보이지 않는 데이터에서 테스트할 때 모델의 일반화를 향상시킵니다. 데이터 보강은 훈련 데이터셋에 적용되었고, 검증 및 테스트 데이터셋은 시스템의 공정한 성능을 검토하기 위해 그대로 두었습니다. 원래 데이터셋의 크기가 비교적 작아 데이터를 보강해야 했고, 잎 이미지의 방향, 축척, 위치 차이를 모델에 도입하여 일반화를 강화하고 과적합을 최소화하는 접근법이 필요했습니다.

이미지 전처리

수집된 단계 및 질병 데이터는 데이터를 일관되게 만들고 모델의 성능을 향상시키기 위해 여러 전처리 단계를 거쳤습니다. 두 데이터셋의 모든 사진은 128× 128× 3으로 축소되어 어떤 딥러닝 아키텍처에도 적합하도록 했습니다. 픽셀 값은 학습 시 수렴을 가속화하기 위해 구간 [0,1]로 스케일링되었습니다. 더불어, 질병과 그 단계의 라벨을 숫자로 변환하여 모델을 평가하고 훈련시키는 데 더 효과적이었다. 이러한 전처리 방법은 특징을 더 잘 추출하고, 분류율을 높이며, 다양한 환경 조건에 대한 모델의 견고성을 높이는 데 도움을 주었습니다. 사용된 이미지 크기인 128 × 128은 계산과 특징 손실로 인해 손상되었습니다. 구체적 더 작은 이미지 크기는 학습 시간과 계산 비용을 최소화하며, 딥러닝 모델을 활용할 때 질병과 병기를 분류하기 위한 정보(시각적 특징)를 제거하지 않습니다.

데이터셋 분할

처리된 데이터는 세 개의 하위 집합으로 나뉘었습니다(표 1): 훈련 세트(80%), 검증 세트(10%), 테스트 세트(10%). 세 하위 집합 모두에서 분류의 불균형 분포를 피하기 위해, 단계 데이터셋(560장)과 질병 데이터셋(6,920장)이 모두 동일한 분류 분포를 가지도록 계층화된 무작위 표본 추출을 사용했습니다. 하위 집합들 사이에서 데이터 유출은 없었다.

모델 훈련

벼잎과 질병의 성장 단계 분류에는 두 단계 모델 훈련 방법이 사용되었습니다.

단계 분류 모델

잎 성장 단계의 분류 방법은 네 가지 클래스로 나뉘며 비교적 작은 데이터 크기를 가지므로, 합성곱 신경망(NN)의 구조는 크게 확장되지는 않았지만 경량화된 것으로 간주되었습니다. 더 단순한 아키텍처는 과적합과 계산 능력을 줄이면서도 색상과 텍스처 특징을 이용한 분류 시 높은 정확도를 유지할 수 있습니다. 새로운 CNN 구조 는 ReLU 활성화 함수를 사용하여 세 개의 합성곱 층을 갖게 됩니다. 합성곱 층은 최대 풀링 층(2×2)과 번갈아 배치되어 공간 차원을 축소하고 주요 특징을 식별합니다. 특징 맵은 합성곱 층을 거친 후 평탄화되고, 완전 연결 조밀층에 드롭아웃 정규화가 적용되어 과적합을 방지합니다. 마지막으로, 네 가지 성장 단계의 다중 클래스 분류는 softmax 출력 계층의 도움을 받아 수행됩니다. 학습률이 0.001이고 범주형 교차엔트로피를 손실 함수로 사용하는 Adam 옵티마이저가 모델 학습에 사용되었습니다. 배치 수는 10개로 설정되었고, 모델은 10개의 에포크로 훈련되었습니다. 검증 정확도와 검증 손실도 모델 성능을 모니터링하는 데 사용되었으며, 이는 모델이 일반화되었는지 확인하는 데 사용됩니다.

앙상블 학습에 기반한 질병 분류 모델

질병 분류를 위해 예측 정확도를 높이기 위해 일련의 딥러닝 아키텍처가 채택되었습니다. 맞춤형 CNN 모델의 초기 개발은 세 개의 합성곱 층, 세 개의 최대 풀링 층, 조밀한 완전 연결 층, 그리고 드롭아웃 정규화라는 네 개의 층으로 구성되었습니다. MobileNetV2는 깊이별 분리 가능한 합성곱, 역남차 블록, 선형 잔여가 있는 역병목 현상을 사용합니다. 이 모델은 340만 개의 매개변수로 작으며 자원이 제한된 환경에서 사용할 수 있습니다. 모델들은 ImageNet 활성화를 사용하기 시작했고, 학습된 특징 표현이 사라지지 않도록 합성곱 계층을 동결했습니다. 소프트맥스 분류 계층은 드롭아웃 정규화가 적용된 완전 연결 계층에 부착되었습니다. 모든 모델은 20에포크에 걸쳐 32번의 배치 크기로 훈련되었으며, 옵티마이저와 손실은 CNN 모델과 동일했습니다. 분류 개선을 위해 평균 투표 집단 학습법이 사용되었습니다. 결과는 다섯 모델(CNN, VGG16, ResNet50, InceptionV3, MobileNetV2)이 최종 클래스 예측을 위해 예측한 평균 확률이었습니다. 이 결합 기법은 모델의 편향을 줄이고 일반화를 향상시키는 데 유용했습니다. 마지막 조합 모델이 분류 측면에서 더 정확했습니다. 앙상블 접근법이 선택된 이유는 다양한 특징 표현의 학습이 동일한 데이터 세트를 사용하여 서로 다른 딥러닝 모델에서 학습되기 때문입니다. 앙상블은 또한 모델 편향과 분산을 줄이고, 독립 모델에 비해 전체 예측 문제와 일반화 성능을 향상시킵니다.

예측 전략

벼 잎병과 그에 따른 성장 단계를 예측하는 과정에서 앙상블 기반 분류 방법이 사용되었습니다. 다섯 개의 딥러닝 모델(CNN, VGG16, ResNet50, InceptionV3, MobileNetV2)은 독립적으로 질병을 분류하도록 훈련되었고, 평균 투표 앙상블 방식을 사용해 통합되었습니다. 이 절차는 모든 모델의 각 질병 범주의 확률과 평균 확률 분포를 예측하는 것을 포함했으며, 이는 예측 가능성에 정확성을 더하고 모델의 편향을 최소화합니다. 최종 예측은 평균 확률이 가장 높은 질병 분류로 채택되었습니다. 또한, 다른 CNN 기반 단계 분류 모델이 학습되어 논잎의 성장 단계를 예측했습니다. 두 분류 모델 모두 128x 128 크기의 입력 이미지를 받아 픽셀 값을 정규화한 후 모델을 사용해 추론을 합니다. 잎 단계와 질병에 대한 최종 예측은 기존의 치료 권고와 결합되어 질병 관리를 위한 유효한 치료를 제공했습니다.

예시 출력: "잎 단계: 3, 병해: 퉁그로"

치료 권고

벼 잎병 분류를 보다 실용적으로 만들기 위해 Streamlit을 기반으로 한 치료 권고 시스템이 애플리케이션에 통합되었습니다. 시스템은 예측된 질병 및 잎 단계를 기준으로 질병이 성공적으로 관리되도록 구체적인 치료 권고를 제공합니다. 앙상블 질병 분류 모델(CNN, VGG16, ResNet50, InceptionV3, MobileNetV2 포함)은 질병을 분류하는 반면, 잎 단계 분류 모델은 또 다른 모델입니다. 모델링된 잎과 병해의 단계는 권장 용량이 설정된 치료 데이터(예방 조치 및 농약 적용)와 비교됩니다.

방법론적 틀과 기여

제시된 시스템의 방법론은 이미지 분류와 의사결정 지원을 결합한 다단계 파이프라인입니다. 이 프레임워크는 이미지 홍보 및 증강, 잎 성장 단계 예측, 이미지에 학습된 딥러닝 모델을 이용해 질병을 분류하고, 예측 결과를 결합해 집단 결정을 내리며, 질병의 유형과 성장 단계를 기반으로 한 치료 권고 등 다섯 가지 큰 단계로 구성됩니다. 이 연구의 방법론적 기여는 여러 예측 모델과 치료 권고 모듈을 하나의 의사결정 지원 파이프라인에 구현하는 데 초점을 맞추고 있습니다. 이 시스템은 질병 분류뿐만 아니라 식물 성장 단계의 정보를 통합하여 특정 단계에서 치료 권고를 제공하는 데 기반합니다. 이 시스템은 이러한 단계별 추천 전략 덕분에 실제 농업 의사결정 과정에 더 적합하다. 입력 이미지는 먼저 전처리를 거친 후 단계 분류 모델과 질병 분류 모델을 통과합니다. 질병 모델 결과는 앙상블 기법으로 평균화되며, 질병 예측 및 성장 단계는 치료 데이터베이스 내 관련 치료 기록을 식별하여 올바른 치료 권고를 얻기 위해 종료됩니다.

검증 전략과 과적합 방지

개발된 모델에 대한 엄격한 검증을 제공하기 위해 데이터 세트는 학습 집합(80%), 검증 집합(10%), 테스트 집합(10%)의 세 가지 분리된 하위 집합으로 나뉘었습니다. 모델은 훈련 세트를 사용해 훈련되고, 검증 세트로 조정되었으며, 최종 성능을 테스트 세트만으로 평가했습니다. 테스트 세트는 모델에 대한 공정한 분석을 위해 완전히 독립적이었습니다. 다음 방법들은 모델이 과적합하지 않도록 보장하고 일반화 능력을 향상시키기 위해 사용되었습니다. 데이터셋의 다양성 수준을 높이기 위해 먼저 데이터 증강 기법(회전, 확대, 이동, 전단, 수평 뒤집기)을 사용했습니다. 둘째, 과적합을 줄이기 위해 CNN 모델의 완전 연결 층에서 드롭아웃 정규화가 사용되었다. 셋째, 사전 학습된 모델들(VGG16, ResNet50, InceptionV3, MobileNetV2)을 동결 합성곱층 기법을 사용해 학습된 특징을 보존하고 데이터셋 크기가 작아 과적합 가능성을 최소화했습니다. 마지막으로, 검증 손실과 정확도를 활용해 학습 중 모델 성능을 모니터링하여 모델이 학습 데이터에 과적합하지 않도록 했습니다. 이들은 제안된 모델이 보이지 않는 데이터에 매우 잘 일반화되고 우수한 성능을 제공하도록 보장하는 검증 및 정규화 스킴입니다.

제안된 시스템

제안된 솔루션은 벼 잎 병해 관리에 대한 딥러닝 솔루션으로, 잎 단계 예측과 질병 분류를 포함합니다. 처음에는 벼잎 이미지를 공통 높이와 픽셀 값으로 크기 조정하는 전처리가 시작됩니다. 잎 단계의 성장 단계는 신경망을 이용해 예측되며, 평균 투표 기법을 사용해 CNN, VGG16, ResNet50, InceptionV3, MobileNetV2 등 딥러닝 모델 집합체를 활용해 질병을 분류합니다. 이 시스템은 예측된 병기와 질병을 바탕으로 치료에 사용할 적절한 제초제나 농약을 처방합니다. 제안된 시스템의 워크플로우는 (그림 3)에 나와 있습니다. 앞서 언급한 하위 섹션(A부터 I까지)은 이 파이프라인의 각 개별 요소를 설명하고 있어, 여기서는 더 자세한 설명이 이루어지지 않았습니다. 본 연구에서 개발된 Streamlit 기반 애플리케이션은 제안된 모델의 실용적 적용성을 입증하기 위한 프로토타입 의사결정 지원 도구입니다. 이 시스템은 사용자가 벼 이미지를 업로드하고 질병 예측, 성장 단계 정보, 치료 권고를 받을 수 있게 합니다. 대규모 사용성 테스트와 농민과의 현장 배치가 향후 시스템의 실제 효과성과 사용성을 평가하는 작업의 일환으로 진행될 예정입니다.

Results

단계 분류 모델

단계 예측 모델은 학습 정확도 95.88%(손실: 0.1172)와 검증 정확도 95.24%(손실: 0.1751)를 달성하여, 모델이 일관되게 학습하고 보이지 않는 검증 샘플에 적용할 때 공정한 예측을 내렸음을 나타냅니다. 검증 정확도는 95.24%였으나, 검증 손실은 0.1751이었습니다. 이 모델은 94.05%의 시험 정확도와 0.1759의 테스트 손실을 달성하여, 모델의 견고성과 미지의 표본을 처리할 수 있는 능력을 뒷받침합니다. 단계 모델의 정확도와 손실 곡선은 (그림 4)에 나타났습니다.

앙상블 학습을 이용한 질병 분류 모델

표 2는 훈련된 모델의 정확도와...

Discussion

본 논문은 벼잎의 성장 단계 예측, 딥러닝 모델(VGG16, MobileNetV2, ResNet50)을 활용한 질병 분류, 웹 기반 애플리케이션을 기반으로 한 단계별 치료 권고를 포함하는 새로운 의사결정 지원 시스템을 제안합니다. 앙상블 모델은 모델 분류에서 98.99%의 정확도를 기록했는데, 이는 개별 모델보다 높다는 점입니다. 이는 개별 전략 모델이 편향에 민감하고^{일반화 중} 잘못 분류하는 경향이 있다는 이전 보고와 ^{같습니다.} 가장 중요한 새로운 기능은 종단 간 파이프라인입니다: 농부가 벼잎 이미지를 보내면 질병 진단과 병기별 치료 권고를 실시간으로 받는데, 이전 시스템은 통합 시스템에서 이를 찾지 못했습니다 ^3,7.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
데이터셋	Paddy Leaf 단계 데이터셋 (PaddyNet4)	4단계 성장 단계(2단계 및 대시; 5)
데이터셋	벼잎병 데이터셋	Kaggle에서 6개 질병 분류에 걸쳐 6920장의 이미지가 수록되었습니다
데이터셋	처리 데이터셋	성장 단계별 질병 관리 관행이 포함된 컴파일드 데이터셋
전처리	이미지 크기 조정	이미지 크기 조정 시 128x128x3
전처리	정규화	픽셀 값은 [0,1]로 스케일링됩니다
전처리	라벨 인코딩	범주 라벨을 숫자로 변환
증강	회전	최대 30도까지
증강	너비/높이 이동	최대 20%
증강	줌	최대 20%
증강	시어 & 뒤집기	전단 및 수평 뒤집기
모델	CNN (스테이지 분류)	3개의 변환 층을 가진 경량 CNN
모델	CNN(질병 분류)	컨버전 + 풀링 레이어를 가진 커스텀 CNN
모델	VGG16	전이 학습 모델
모델	레스넷50	전이 학습 모델
모델	인셉션 V3	전이 학습 모델
모델	모바일넷V2	경량 전이 학습 모델
기법	앙상블 러닝	5가지 모델의 평균 확률 투표
기법	전이 학습	사전 학습된 ImageNet 가중치를 사용하기
기법	드롭아웃 정규화	과적합을 방지하기 위해
훈련	옵티마이저	아담 (학습률 0.001)
훈련	손실 함수	범주적 교차엔트로피
훈련	배치 크기	10 (단계 모델), 32 (질병 모델)
훈련	시대	10(병기), 20(질병)
평가	지표	정확성, 정밀함, 회상력, F1 점수
배치	스트림릿	실시간 예측을 위한 웹 애플리케이션