A Hierarchical Deep Learning Framework for Pineapple Disease Detection, Typification, and Spatial Disease Visualization in Tropical Agricultural Environments

기술 요약: 파인애플 질병 탐지, 유형화 및 공간적 질병 시각화를 위한 계층적 딥러닝 프레임워크

문제 정의
열대 농업 환경에서 파인애플 질병을 조기에 신뢰성 있게 진단하는 것은 정밀 농업의 중요한 과제로 남아 있다. 현재의 수동 검사 방식은 노동 집약적이고 주관적이며 확장하기 어렵다. 자동화된 솔루션은 가변적인 조명, 과실의 중첩, 폐쇄(occlusion), 이질적인 배경, 그리고 서로 다른 질병 증상 간의 높은 시각적 유사성으로 인해 상당한 난관에 봉착해 있다. 기존의 딥러닝 접근 방식은 대개 통제된 데이터셋(예: 분리된 잎)에서 평가된 단일 단계 추론 파이프라인에 의존하며, 이는 실제 열대 현장의 복잡성에 일반화되는 데 실패한다. 따라서 자원이 제한된 가족 농업 및 UAV(무인 항공기) 보조 모니터링에 적합한 통합 아키텍처 내에서 질병 스크리닝, 유형화, 다중 인스턴스 분석 및 공간 시각화를 통합하는 프레임워크에 대한 구체적인 공백이 존재한다.

방법론
저자들은 실제 열대 현장 조건을 위해 설계된 계층적 딥러닝 프레임워크를 제안한다. 이 시스템은 2단계 추론 전략을 채택한다:

1. 1단계: 이진 식물 위생 스크리닝(Binary Phytosanitary Screening): YOLOv8 탐지기를 사용하여 파인애플 과실을 국지화(localize)하고, 이를 "건강함(healthy)" 또는 "질병 있음(diseased)"으로 분류한다. 이 단계는 후속 단계의 계산 부하를 줄이기 위해 건강한 과실을 필터링한다.
2. 2단계: 질병 유형화(Disease Typification): 1단계에서 식별된 유증상 과실은 문맥 정보를 보존하기 위해 패딩(padding)이 포함된 관심 영역(ROI) 추출 과정을 거친다. 이 단계를 위해 두 가지 대안적인 정밀화 전략이 평가된다:
   • 탐지기 기반(Detector-based): 두 번째 YOLOv8 모델이 위치 정밀화와 분류를 동시에 수행한다.
   • 분류기 기반(Classifier-based): DenseNet121 분류기가 크롭된 ROI를 대상으로 이미지 수준의 질병 분류를 수행한다.

주요 기술 구성 요소:

• 증상 중심 그룹화(Symptom-Oriented Grouping): 클래스 간의 모호성을 완화하기 위해, 질병은 엄격한 병리학적 범주가 아닌 공유된 시각적 증상과 농학적 관련성에 따라 네 가지 그룹으로 조직된다:
  • 그룹 1: 흑점병(Black Spot) / 푸사리움 구티포름(Fusarium Guttiforme) / 과실 깍지벌레(Fruit Mealybug).
  • 그룹 2: 과실 부패(Fruit Rot) / 과실 보러(Fruit Borer) / 크라운 부패(Crown Rot).
  • 그룹 3: 깍지벌레 위축(Mealybug Wilt) / 뿌리 부패(Root Rot).
  • 그룹 4: 다중 크라운(Multiple Crown) / 과실 기형(Fruit Fasciation).
• 다중 인스턴스 전파(Multi-Instance Propagation): 프레임워크는 두 가지 전파 모드를 지원한다: 효율성을 위해 가장 신뢰도가 높은 유증상 탐지 결과만을 선택하거나, 동시 다수 과실 분석을 위해 모든 유증상 탐지 결과를 전파하는 방식이다.
• 공간 시각화(Spatial Visualization): 시스템은 신뢰도 인식 및 클래스 지향적 시각화를 통합하여, 질병 그룹에 특정 RGB 색상을 할당하고 예측 신뢰도를 색상 강도에 매핑함으로써 공간적 질병 매핑을 용이하게 한다.

데이터셋 및 실험 설정
본 연구는 실제 현장 이미지 68.86%와 공개 데이터 이미지 31.14%로 구성된, 총 2,383개의 훈련 이미지, 677개의 검증 이미지, 338개의 테스트 이미지로 이루어진 데이터셋을 활용하였다. 데이터셋은 조명, 규모, 폐쇄 현상이 존재하는 열대 지역의 가변성을 반영한다. 일반화 능력을 평가하기 위해 이전에 본 적 없는 50개의 현장 획득 이미지(클래스당 10개)를 사용한 독립적인 블라인드 테스트 평가가 수행되었다. 실험은 NVIDIA Tesla T4 GPU 상에서 PyTorch 및 Ultralytics 프레임워크를 사용하여 진행되었다.

주요 결과

• 2단계 성능:
  • YOLOv8 유형화 모델은 독립 테스트 세트에서 96.1%의 정밀도(precision), 96.0%의 재현율(recall), 97.7%의 mAP@50, 71.3%의 mAP@50–95를 달성했다.
  • DenseNet121 분류기는 크롭된 질병 이미지에 대해 98.82%의 정확도를 기록했으며, 이는 위치 요구 사항이 없고 배경 간섭이 줄어든 덕분에 순수 분류 지표에서 YOLOv8보다 우수한 성능을 보였다.
• 계층적 프레임워크 평가 (블라인드 테스트):
  • YOLOv8 + YOLOv8: 78.0%의 이미지 수준 정확도와 85.0%의 평균 예측 신뢰도를 달了했다. 추론 시간은 이미지당 19.0ms였다.
  • YOLOv8 + DenseNet121: 84.0%의 이미지 수준 정확도와 96.4%의 평균 예측 신뢰도를 달성했다. 추론 시간은 이미지당 35.8ms로 증가했다.
• 신뢰도 정밀화(Confidence Refinement): 계층적 접근 방식은 예측 신뢰도를 크게 향상시켰다. YOLOv8+DenseNet121 구성은 평균 신뢰도를 1단계의 82.0%에서 2단계의 96.4%로 높였는데, 이는 YOLOv8+YOLOv8 구성의 3.0%포인트 상승과 비교했을 때 14.4%포인트의 더 높은 상승 폭을 보여준다.

의의 및 주장
본 논문은 제안된 프레임워크가 열대 농업의 지능형 식물 위생 모니터링을 위한 실질적인 토대를 제공한다고 주장한다. 주요 의의는 다음과 같다:

1. 현장 조건에 대한 견고성: 실제 현장 이미지 중심의 데이터셋과 증상 중심의 그룹화를 통해, 프레임워크는 열대 환경에서 흔히 발생하는 시각적 가변성과 모호성을 해결한다.
2. 트레이드오프 분석: 본 연구는 탐지기 기반 정밀화와 분류기 기반 정밀화에 대한 비교 평가를 제공하며, YOLOv8+YOLOv8 구성이 계산 효율성 면에서는 더 우수하지만(19.0ms), YOLOv8+DenseNet121 구성이 의사결정 지원에 필수적인 우수한 진단 신뢰도와 신뢰도 교정(정확도 84.0% vs 78.0%)을 제공함을 입증한다.
3. 공간적 해석 가능성: 프레임워크는 다중 인스턴스 분석 및 클래스 지향적 공간 시각화를 가능하게 하여, 국지적 식물 위생 점검을 위한 지리 참조 기반 UAV 보조 모니터링 시스템과의 향후 통합을 지원한다.

저자들은 객체 탐지와 이미지 분류를 결합하는 것이 자동화된 파인애플 질병 모니터링을 개선하기 위한 효과적인 전략이라고 결론지으며, 이는 가족 농업 시스템의 자원 제약에 적응 가능한 확장 가능한 솔루션을 제공한다.