Machine Learning for Detection and Severity Estimation of Sweetpotato Weevil Damage in Field and Lab Conditions

기술 요약: 고구마 가루날파리 피해 탐지 및 심각도 추정을 위한 머신러닝

문제 정의
고구마 가루날파리(Cylas spp.)는 사하라 이남 아프리카에서 주요한 파괴적 해충으로, 수확량을 최대 100%까지 감소시키고 뿌리를 식용 부적합하게 만들 수 있다. 현재의 육종 프로그램은 저항성 유전자형을 식별하기 위해 수동 표현형 분석에 의존하고 있다. 현장에서 전문가들은 주관적인 1~9 단계 시각적 점수 척도를 사용하는 반면, 실험실 평가에서는 섭식 구멍(feeding holes)을 수동으로 세는 노동 집약적인 방식을 사용한다. 이러한 전통적인 방식은 시간이 많이 소요되고 일관성이 없으며 인간의 편향에 취약하여, 회복력 있는 고구마 품종 개발의 병목 현상을 초래한다. 본 연구는 육종 워크플로를 가속화하기 위한 자동화되고 객관적이며 확장 가능한 평가 도구의 필요성을 다룬다.

방법론
본 연구는 합성곱 신경망(CNN)과 객체 탐지 아키텍처를 활용하여 현장 및 실험실 환경 모두를 위한 이중 맥락의 컴퓨터 비전 파이프라인을 제안한다.

• 현장 평가 (심각도 분류):

  • 데이터 수집: 우간다의 4개 농업 지역에서 두 시즌에 걸쳐 이미지와 영상을 촬영하였다. 전문가들은 손상된 뿌리의 비율을 나타내는 수정된 5단계 척도(1, 3, 5, 7, 9)를 기준으로 심각도 점수를 부여하였다.
  • 전처리: 배경 노이즈로부터 뿌리를 분리하기 위해 YOLO11 세그멘테이션 모델(mAP 92.5%)을 미세 조정하였다. 비디오에서 프레임을 추출하고 과잉 대표된 클래스를 언더샘플링하여 데이터셋의 균형을 맞추었으며, 결과적으로 636개 플롯(788개 이미지)을 확보하였다.
  • 모델 아키텍처: 뿌리 플롯의 쌍을 이루는 직교 뷰(상단 및 하단)를 처리하기 위해 이중 입력 ResNet-50 아키텍처를 구현하였다. 모델은 두 개의 백본으로부터 2048-d 특징 벡터를 결합하여 4096-d 표현을 만든 후, 드롭아웃이 포함된 완전 연결 계층을 통과한다. 보조 모델로 VGG16을 테스트했으나 성능이 미달하였다.
  • 학습: 모델은 Adam 옵티마이저를 사용하여 배치 크기 16으로 20 에포크 동안 학습되었다.

• 실험실 평가 (손상 정량화):

  • 실험 설정: 뿌리를 통제된 가루날파리 침입(24시간 동안 성충 5~10마리 노출)에 노출시킨 후 표준화된 조명 아래에서 촬영하였다.
  • 전처리:
    1. 세그멘테이션: YOLO11 세그멘테이션 모델(mAP 98%)을 통해 배경에서 뿌리 영역을 분리하였다.
    2. 주석 변환: 점 기반의 섭식 구멍 주석을 18픽셀 패딩 확장을 사용하여 경계 상자(bounding boxes)로 변환하였다.
    3. 타일링 전략: 미세한 구멍을 탐지하는 문제를 해결하기 위해 SAHI(Slicing Aided Hyper Inference) 프레임워크를 채택하였다. 작은 객체의 가시성을 높이기 위해 이미지를 중첩된 384×384 픽셀 타일로 슬라이싱하였다.
  • 모델 선택: 세 가지 최첨단 객체 탐지 모델인 YOLO11-L, YOLO12-L, RTDETR2를 평가하였다. 이들은 조기 종료(early stopping)와 함께 500 에포크 동안 타일링된 데이터셋으로 학습되었다.

주요 결과

• 현장 분류: 이중 입력 ResNet-50 모델은 **71.43%**의 테스트 정확도를 달了했다. 클래스별 성능은 다음과 같다:
  • 클래스 1 (손상 없음): 가장 높은 F1-score(0.72)와 높은 재현율(0.82)을 기록하여, 저항성 플롯을 식별하는 강력한 능력을 보여주었다.
  • 클래스 5 (심각한 손상): 가장 낮은 재현율(0.45)을 보였으며, 이는 심각한 사례를 빈번하게 오분류함을 시사한다.
  • 혼동 패턴: 오분류는 주로 인접한 심각도 단계(예: 1 대 3, 5 대 7) 사이에서 발생하였는데, 이는 시각적 특성이 중첩되기 때문으로 보인다.
• 실험실 탐지: YOLO12-L이 평균 정밀도(mAP@0.5) **77.7%**를 달성하며 가장 우수한 모델로 선정되었다.
  • 이 모델은 균형 잡힌 정밀도(0.715)와 재현율(0.765)을 보여주었다.
  • 비배설물 구멍(non-fecal holes, mAP@0.5: 0.826)과 배설물 구멍(fecal holes, mAP@0.5: 0.728) 모두에서 뛰어난 성능을 보였다.
  • RTDETR2는 더 높은 정밀도를 보였으나 재현율이 낮았으며, YOLO11은 YOLO12에 비해 성능이 떨어졌다.

의의 및 주장
본 논문은 컴퓨터 비전 기술이 현대적 육종 워크플로와 일치하는 효율적이고 객관적이며 확장 가능한 평가 도구를 제공할 수 있다고 주장한다. 본 연구는 다음을 입증한다:

1. 자동화 가능성: 자동화된 시스템은 현장에서 저항성 유전자형을 효과적으로 스크리닝(낮은 손상 클래스에 대한 높은 재현율)하고, 실험실에서 정밀하게 손상을 정량화할 수 있다.
2. 방법론적 혁신: 뿌리 세그멘테이션과 SAHI 기반 타일링의 결 조합은 전체 해상도 이미지에서 놓치기 쉬운 미세한 섭식 구멍을 탐지하는 특정 문제를 성공적으로 해결한다.
3. 실질적 적용: 이 도구들이 전문가의 판단을 완전히 대체하는 것은 아니지만, 주관성과 수동 작업을 줄이기 위한 효과적인 의사결정 지원 시스템 역할을 한다. 저자들은 현장 기술자를 지원하기 위해 경량 모델을 엣지 디바이스(예: 스마트폰)에 배포할 수 있는 잠재력을 강조한다.
4. 자원 가용성: 저자들은 식물 표현형 분석 연구를 지원하기 위해 데이터셋과 코드를 공개할 것이라고 밝혔다.

저자들은 현장 분류기의 데이터 가변성으로 인한 과적합, 현장과 실험실 결과 간의 성능 차이, 2단계 실험실 파이프라인의 계산 오버헤드와 같은 한계를 인정하며 겸허한 어조를 유지한다. 이들은 본 연구를 완벽한 최종 솔루션이라기보다 표현형 효율을 개선하기 위한 중요한 진전으로 규정한다.