소식

Jun 06, 2023

YOLOv7 기반의 찻잎 질병 검출 및 식별(YOLO

과학 보고서 13권,

Scientific Reports 13권, 기사 번호: 6078(2023) 이 기사 인용

3425 액세스

1 알트메트릭

측정항목 세부정보

찻잎병을 예방하고 관리하기 위해서는 신뢰성 있고 정확한 진단 및 식별 시스템이 필요합니다. 찻잎 질병은 수동으로 감지되므로 시간이 늘어나고 수확량 품질과 생산성에 영향을 미칩니다. 본 연구는 방글라데시의 유명 차밭 4곳에서 수집한 병든 찻잎 데이터세트를 대상으로 가장 빠른 단일 단계 개체 감지 모델인 YOLOv7을 훈련하여 찻잎 질병 감지 문제에 대한 인공지능 기반 솔루션을 제시하는 것을 목표로 합니다. 5가지 유형의 잎병에 대한 4000개의 디지털 이미지가 이 차밭에서 수집되어 수동으로 주석이 달린 데이터 증강 잎병 이미지 데이터 세트를 생성합니다. 이 연구는 표본 크기가 충분하지 않은 문제를 해결하기 위해 데이터 확대 접근 방식을 통합합니다. YOLOv7 접근 방식에 대한 탐지 및 식별 결과는 탐지 정확도, 정밀도, 재현율, mAP 값 및 F1 점수와 같은 주요 통계 지표로 검증되었으며, 그 결과 각각 97.3%, 96.7%, 96.4%, 98.2% 및 0.965였습니다. . 실험 결과는 자연 장면 이미지에서 찻잎 질병에 대한 YOLOv7이 CNN, Deep CNN, DNN, AX-Retina Net, 향상된 DCNN, YOLOv5 및 다중 목표 이미지 분할을 포함한 기존 표적 탐지 및 식별 네트워크보다 우수하다는 것을 보여줍니다. 따라서 본 연구를 통해 곤충학자의 업무량을 최소화하고, 찻잎병의 신속한 식별 및 검출에 도움을 주어 경제적 손실을 최소화할 수 있을 것으로 기대된다.

차는 기분 좋은 향과 뛰어난 맛, 생물학적 효능으로 인해 세계에서 가장 인기 있는 기능성 음료 중 하나입니다. 여기에는 인간 건강에 상당한 이점을 주는 여러 가지 활성 식물 성분이 포함되어 있습니다. 가장 흥미로운 사실은 물 다음으로 가장 많이 소비되는 음료가 되었다는 점입니다1. 차는 전 세계적으로 가족과 친구들을 더 가깝게 만드는 데 중요한 역할을 합니다2. 2025년까지 전 세계 차 소비량은 20203년 약 730만 MT에서 740만 MT에 이를 것으로 예상됩니다.

앞으로 차 생산에 대한 수요가 증가할 것입니다. 반면, 기상 조건과 기후 변화로 인해 차 생산량이 감소하고 있습니다. 이러한 세계적인 현상 외에도 다양한 질병과 해충이 차 생산과 품질에 심각한 영향을 미치고 있습니다. 질병은 종종 차나무가 발달하고 성장하는 동안 영향을 미칩니다. 전 세계적으로 찻잎을 손상시키는 100개 이상의 널리 퍼진 질병이 확인되었습니다4. 차는 방글라데시의 우수한 농업 산업 및 수출 지향 작물 중 하나입니다. 우리나라 국민 대부분이 정기적으로 섭취하고 있으며, 그 맛은 원산지 안팎에서 좋은 평가를 받고 있습니다5. 방글라데시에는 2개의 주요 차 재배 지역인 북동쪽의 실렛(Sylhet)과 남쪽의 치타공(Chittagong)으로 나누어진 162개의 차 정원이 있습니다5. 방글라데시의 막대한 차 생산량은 의심할 여지 없이 방글라데시의 GDP에 도움이 되었으며 방글라데시는 세계 최고의 차 수출국으로 자리매김했습니다.

식물 질병 및 해충을 조기에 정확하게 진단하면 농업 생산 손실을 크게 예방할 수 있습니다. 찻잎병을 정확하고 신속하게 파악한다면 보다 효율적으로 예방하고 관리할 수 있습니다6. 최근에는 찻잎병 진단이 수동으로 수행되었습니다. 차나무의 대부분은 험난한 언덕 지형에서 자라기 때문에 전문가가 진단을 위해 차밭을 방문하는 데는 시간과 비용이 많이 듭니다. 농부들이 다양한 형태의 차 질병을 구별하기 위해 개인적인 경험에 의존할 때 결과는 매우 주관적입니다7. 그러한 예측의 정확도는 낮으며 병든 잎을 식별하는 데는 상당한 작업이 필요합니다. 따라서 프레임워크는 보다 정확하고 신뢰할 수 있는 질병 진단을 허용해야 합니다6.

컴퓨팅 기술의 발전으로 기계 학습 및 이미지 처리는 식물 질병을 자동으로 감지하고 식별할 수 있어 식물 질병의 자동 진단에 중요한 역할을 합니다8,9. 연구자들은 식물 질병을 식별하고 분류하기 위해 이미지 처리와 기계 학습을 적용했습니다. Castelao Tetilaet al. 다양한 높이에서 무인 항공기(UAV)로 캡처한 감염된 콩잎을 탐지하기 위해 6가지 전통적인 기계 학습 접근 방식을 적용했습니다. 색상 및 질감 특징의 영향은 인식률10을 기반으로 검증되었습니다. Maniyath et al.11은 식물 질병을 감지하기 위해 기계 학습을 기반으로 한 분류 아키텍처를 제안했습니다. 또 다른 최근 연구에서 Ferentinos12는 건강하고 감염된 식물의 간단한 잎 이미지를 사용하고 딥러닝을 사용한 식물 질병 식별 및 진단을 위한 컨볼루션 신경망 모델을 구축했습니다. Fuentes et al.13은 카메라를 활용하여 다양한 해상도로 이미지를 캡처함으로써 토마토 식물의 질병과 해충을 식별하기 위해 "딥 러닝 메타 아키텍처"를 사용했습니다. 유익한 조사 결과, 이러한 접근 방식을 통해 9가지 유형의 토마토 식물 질병 및 해충을 계속해서 탐지했습니다. Tiwari et al.14는 다양한 해상도에서 획득한 잎 사진에서 식물 질병을 감지하고 분류하기 위한 조밀한 컨볼루션 신경망 전략을 도입했습니다. 이 심층 신경망은 복잡한 상황에서 이미지의 많은 클래스 간 및 클래스 내 차이를 해결했습니다. 여러 추가 연구에서는 찻잎 질병을 식별하기 위해 딥 러닝 및 이미지 처리 기술을 활용했습니다. Hossain et al.15은 찻잎 질병의 11가지 특징을 분석할 수 있는 이미지 처리 방법을 발견하고 지원 벡터 기계 분류기를 활용하여 가장 흔한 2가지 찻잎 질병, 즉 갈색 마름병과 조류 잎 질병을 식별하고 분류했습니다. Sun 등16은 단순 선형 반복 클러스터(SLIC)와 지원 벡터 머신(SVM)을 결합하여 복잡한 설정에서 찻잎 질병 돌출성 맵 추출을 개선했습니다. Hu 등17은 자연 현장 사진에서 찻잎 마름병의 심각도를 분석하기 위한 모델을 개발했습니다. 초기 질병 심각도(IDS) 지수는 SVM 분류기를 사용하여 찻잎 마름병 잎 이미지에서 질병 지점 위치를 분할하여 계산되었습니다. 또한 다양한 연구자들은 식물 질병 식별을 위해 AlexNet18, VGGNet19, GoogLeNet20, InceptionV321, ResNet22 ​​및 DenseNet23과 같은 주목할만한 아키텍처를 사용했습니다.