Development of a Vision-Guided Autonomous Variable-Rate Spraying System for Site- Specific Potato Disease Management Using YOLOv26

기술 요약: YOLOv26을 이용한 감자 특정 병해 관리를 위한 시각 유도 자율 가변 살포 시스템 개발

문제 정의

인도 및 전 세계적인 감자 재배는 잎 병해, 특히 후기 역병(Phytophthora infestans)과 조기 역병(Alternaria solani)으로 인해 상당한 수확량 손실을 겪고 있습니다. 전통적인 관리 방식은 질병의 존재 여부와 상관없이 전체 필지에 균일하게 살균제를 살포하는 "전면 살포(blanket spraying)"에 의존합니다. 이러한 접근 방식은 미기후 및 캐노피 변화로 인해 질병 발생이 본질적으로 불균일하기 때문에 비효로적이며, 건강한 식물에는 과도한 화학 물질을 적용하고 병든 식물에는 불충분한 처리를 초래합니다. 이러한 무차별적인 사용은 생산 비용을 증가시키고, 병원균의 저항성을 가속화하며, 환경 및 건강 위험을 초래합니다. 딥러닝이 질병 탐지를 발전시켰음에도 불구하고, 실시간 인지를 현장 수준의 자율 가변 개입으로 전환하는 데에는 여전히 중요한 격차가 존재합니다.

연구 방법론

본 연구는 인도 공과대학교 카르그푸르(IIT Kharagimpur)에서 운영되는 자율 삼륜 살포기(TWAS)에 통합된 통일된 인지-결정-작동 프레임워크를 개발했습니다.

1. 시스템 아키텍처 및 하드웨어

• 플랫폼: 확장 칼만 필터(EKF)를 탑재하여 내비게이션을 수행하고, 경로 추적을 위해 Pure Pursuit 컨트롤러를 사용하는 커스텀 자율 주행 차량입니다.
• 컴퓨팅: 두 대의 라즈베리 파이 5(Raspberry Pi 5)를 사용하는 분산형 듀얼 프로세싱 아키텍처를 사용했습니다. Pi-1은 내비게이션, 위치 추정 및 기본 로우(row) 제어를 담당하였고, Pi-2는 인접한 로우를 위한 전용 인지 노드 역할을 수행했습니다. 통신은 저지연 데이터 교환을 위해 UDP를 통해 관리되었습니다.
• 센싱: 두 대의 하향 배치된 Logitech C270 RGB 카메라가 0.70m 높이에 장착되어 약 0.63m × 0.36m의 시야(FOV)를 제공합니다. 이 기하학적 구조는 인접한 로우와의 측면 격리를 유지하면서 대상 로우(캐노피 폭 0.30~0.35m)를 완전히 커버하도록 보장합니다.
• 작동: 펄스 폭 변조(PWM)로 제어되는 솔레노이드 밸브를 통해 가변 살포가 가능하게 했습니다. 카메라-노즐 오프셋 0.30m가 구현되었으며, 차량 속도와 살포 작동을 동기화하기 위해 유도 근접 센서를 이용한 거리 기반 지연 보상 알고리즘이 적용되었습니다.

2. 데이터셋 및 모델 개발

• 데이터셋: 밀집된 캐노피 조건 하에서 생성된 14,166개의 주석 처리된 잎 인스턴스(질병 7,348개, 건강 6,818개)를 포함하는 1,561장의 필드 이미지로 구성된 복합 데이터셋을 구축했습니다.
• 모델 선택: 여러 스케일(nano에서 large까지)에 걸쳐 YOLOv8, YOLOv12, YOLOv26을 기존 탐지기(Faster R-CNN, RetinaNet 등)와 비교했습니다.
• 학습: 모델은 CIoU 손실, 이진 교차 엔트로피(BCE), 분포 포컬 손실(DFL)을 사용하여 Ultralytics 프레임워크를 통해 학습되었습니다. 데이터 증강에는 뒤집기, 스케일링, HSV 조정이 포함되었으나, 밀집된 캐노피에서의 위치 안정성을 유지하기 위해 모자이크(Mosaic) 증강은 제외되었습니다.
• 배포: 경량화된 YOLOv26n 변형 모델이 임베디드 배포를 위해 선택되었습니다. 모델은 ONNX 형식으로 내보내졌으며, 라즈베리 파이 5에서 실행하기 위해 FP16 정밀도로 최적화되었습니다.

3. 제어 로직 및 심각도 추정

• 시간적 집계: 폐쇄(occlusion) 및 탐지 노이즈를 처리하기 위해 2초의 시간적 슬라이딩 윈도우가 사용되었습니다. 질병 심각도는 윈도우 전반에 걸쳐 탐지된 건강한 영역과 질병 영역의 면적을 집계하여 캐노피 수준에서 추정되었습니다.
• 가변 살포 전략: 계산된 심각도 지수 $S(t)$는 다음과 같이 이산적인 PWM 듀티 사이클에 매핑되었습니다:
  • $S(t) < 0.10$: 40% 듀티 사이클 (기준값).
  • $0.10 \le S(t) < 0.30$: 80% 듀티 사이클.
  • $S(t) \ge 0.30$: 100% 듀티 사이클.
  • 잎이 불충분한 영역($A_{total} < 3000$ 픽셀)은 살포를 하지 않음(0%).

주요 결과

1. 모델 성능

• 정확도: YOLOv26은 최고 mAP@0.5 0.961을 달성하며 가장 높은 탐지 성능을 보였으며, 이는 YOLOv8(0.924)보다 3.7%, YOLOv12(0.938)보다 2.3% 높은 수치입니다.
• 클래스 구분: YOLOv26은 건강한 클래스와 질병 클래스 모두에서 약 0.99의 정규화된 참 양성률(true positive rate)을 보여, 오탐(질병을 놓치는 것)과 가탐(불필요한 살포)을 최소화하며 우수한 클래스 분리 능력을 입증했습니다.
• 임베디드 성능: 라즈베리 파이 5에서 최적화된 ONNX 모델은 약 10 FPS의 추론 속도를 달성했습니다. 0.18 m/s의 운행 속도에서 이는 0.018 m의 공간 샘플링 간격을 의미하며, 이는 연속적인 모니터링에 충분한 수준입니다.

2. 현장 실험

• 운용 검증: 필드 실험은 6개의 작물 로우에서 598개의 공간적 살포 결정 인스턴스를 다루었습니다. 시스템은 공간적, 시간적 불균일성을 성공적으로 포착하여 특정 로우(예: 1, 3, 5번 로우)의 고심각도 구역을 식별하는 동시에 다른 로우의 저심각도 구역을 탐지했습니다.
• 상관관계: 추정된 질병 심각도와 명령된 PWM 듀티 사이클 사이에 강한 양의 상관관계($r = 0.83$)가 관찰되었으며, 이는 시스템이 국부적인 감염 수준에 따라 살포 강도를 조절할 수 있음을 확인시켜 줍니다.
• 화학물 절감: 시뮬레이션된 기존의 브로드캐스트 살포 기준(최대 유량 유지)과 비교했을 때, 제안된 가변 살포 시스템은 농약 소비량을 32.75% 감소시켰습니다.
  • 기존 비율: 458 L/ha.
  • 제안된 시스템 비율: 308 L/ha.
  • 시험 구역 전체에서 총 부피가 12.36 L에서 8.30 L로 감소했습니다.

의의 및 주장

저자들은 본 연구가 임베디드 딥러닝과 적응형 살포 제어를 통합함으로써 지능형 질병 인지와 자동화된 작물 보호 사이의 격차를 성공적으로 메웠다고 주장합니다. 이 연구의 의의는 다음과 같습니다:

1. 에지 AI의 실현 가능성: 고정밀 객체 탐지(YOLOv26)가 저비용의 자원 제한적 하드웨어(라즈베리 파이 5)에 배포되어 실시간 현장 운영이 가능하다는 것을 입증했습니다.
2. 정밀 농업: 단순한 탐지를 넘어, 질병 관리에 지장을 주지 않으면서 화학적 투입량을 줄이는 실행 가능한 사이트별 개입을 수행하는 폐쇄 루프 시스템을 검증했습니다.
3. 밀집 캐노피에서의 견고성: 시간적 슬라이딩 윈도우와 캐노피 수준의 심각도 추정의 사용은 성숙한 감자 작물에서 흔히 나타나는 폐쇄 현상과 가변적인 조도를 효과적으로 처리하는 데 유효함을 입증했습니다.
4. 확장성: 본 프레임워크는 탐지 모델을 재학습시킴으로써 다른 엽채류(row crops)로도 적용 가능한 유연한 플랫폼으로 제시되며, 지속 가능하고 지능적인 작물 보호 시스템을 향한 경로를 제공합니다.

본 논문은 제안된 인지-결정-작동 프레임워크가 감자 재배에서 효과적인 질병 관리를 유지하면서 농약 사용량을 줄이기 위한 실질적인 기술적 솔루션을 제공한다고 결론짓습니다.