Image-Based Estimation of Blueberry Yield Incorporating External Validation and Canopy Architecture Under Field Conditions

기술 요약: 외부 검증 및 수관 구조를 통합한 이미지 기반 블루베리 수확량 추정

문제 정의
블루베리 과실 수확량과 성숙도를 정량화하는 것은 육종 시험에서 수확 잠재력을 평가하고 생산 물류를 최ل적화하는 데 매우 중요하다. 그러나 수동 측정은 느리고, 노동 집약적이며, 비용이 많이 들고, 주관성에 취약하다는 점에서 병목 현상을 일으킨다. 객체 탐지 네트워크는 고처리량 솔루션을 제공하지만, 기존 연구들은 손으로 수확한 지면 실측값(ground truth)에 대한 엄격한 외부 검증이 부족하며, 특히 수관에 의한 폐쇄(occlusion)를 명시적으로 고려하지 못하는 경우가 많다. 하이부시(Highbush) 블루베리는 복잡한 형태와 잎에 의한 상당한 부피 폐쇄로 인해 야생 품종에 비해 특정한 어려움을 나타낸다. 또한, 현장 조건은 밝기, 촬영 거리, 관점의 가변성을 유발하며, 유전자형별로 상이한 수관 구조는 컴퓨터 비전 시스템의 베리 가시성을 더욱 복ert하게 만든다.

방법론
본 연구는 다중 클래스 베리 탐지 파이프라인을 개발하고, 이를 32종의 다양한 남부 하이부시 블루베리 유전자형에 대해 손으로 수확한 계수값과 비교 검증하였다.

• 파이프라인 아키텍처: 시스템은 **SAHI(Slicing Aided Hyper Inference)**를 사용하여 고해상도 이미지를 중첩되는 640x640px 타일로 세분화하며, 작은 대상의 탐지 성능을 높이기 위해 이미지 해상도에 따라 슬라이스 크기를 동적으로 조정한다. 탐지 백본으로는 단일 클래스 및 다중 클래스(미성숙 vs 성숙) 탐지를 위해 YOLOv8(특히 nano 및 extra-large 변체 비교)을 사용한다. 후처리에는 오탐지를 제거하기 위한 비최대 억제(NMS) 및 정사각형 종횡비 기반의 휴리스틱 필터링이 포함된다.
• 데이터셋: "blue-2" 데이터셋은 두 가지 성숙도 클래스(미성숙 및 성숙)에 걸쳐 110,220개의 베리 주석(annotation)을 포함하는 459개의 주석 처리된 이미지로 구성된다. 데이터셋은 DSLR 카메라와 모바일 기기를 사용하여 수동 및 로봇 플랫폼을 통해 캡처된 이미지를 사용하여 구축되었다.
• 외부 검증: 지면 실측 검증은 플로리다주 스트로한 농장(Straughn Farms)에서 32개 유전자형을 대상으로 수행되었다. 이미지는 로버에 장착된 Canon EOS Rebel T6를 사용하여 고정된 거리(~170cm)에서 촬영되었다. 모든 베리는 이후 손으로 수확되어 계수되었다.
• 수관 구조 통합: 폐쇄 문제를 해결하기 위해, 본 연구는 OpenCV 기반 파이프라인을 사용하여 수관 구조 메트릭(예: 수관 너비, 높이, 면적, 견고성(solidity), 프랙탈 차원, 질감 균질성 및 색상 지수)을 추출하였다.
• 예측 모델링: 이미지 기반 탐지, 수관 특징, 그리고 지면 실측값 사이의 관계를 다중 선형 회귀(LM), 부분 최소 제곱 회귀(PLSR), 릿지 회귀(Ridge Regression), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(SVM)을 사용하여 모델링하였다. 모델은 100회 반복되는 80:20 교차 검증 프레임워크를 통해 평가되었다.

주요 결과

• 탐지 성능: YOLOv8x가 mAP50 0.82, mAP50–95 0.66으로 가장 높은 탐지 성능을 달est했다. 다중 클래스 접근 방식은 단일 클래스 탐지에 비해 탐지 성능을 크게 저하시키지 않았다. 모델은 주석과 추론 결과 사이에 강한 상관관계(R² ≥ 0.98)를 보였다.
• 성숙도 분류: 모델은 미성숙 베리에 대해서는 높은 F1 점수(0.91)를 달성했으나, 성숙 베리에 대해서는 낮은 점수(0.74)를 기록했다. 이는 녹색에서 청색으로 전환되는 과정에서의 색상 변화와 중간 단계 색상의 오분류 때문인 것으로 보인다.
• 과소 추정 및 폐쇄: 이미지 기반 탐지는 손으로 수확한 과실 계수값을 체계적으로 과소 추정하였으며, R² 값은 0.40에서 0.61 사이였다. 손으로 수확한 계수값이 이미지 기반 예측값보다 약 4배 더 높았다. 이러한 과소 추정은 수관 폐쇄에 기인하며, 이는 유전자형에 따라 폭넓게(42% ~ 90%) 나타났다.
• 수관 구조의 영향: 이미지 유래 수관 구조 특징을 통합함으로써 예측 정확도가 유의미하게 향 향상되었다. **부분 최소 제곱 회귀(PLSR)**가 가장 우수한 성능을 보이는 모델로 나타났으며, 손으로 수확한 과실 계수에 대한 R² 값을 기존 0.52–0.61에서 0.52–0.74(구체적으로 미성숙 베리 계수에 대해 R² = 0.743, 성숙도 비율에 대해 R² = 0.74 도달)로 증가시켰다.
• 상관관계: 수관 구조 특징은 폐쇄율(예: 견고성 r=0.49, 밝기 가변성 r=0.61)과 중간 정도의 연관성을 보였으며, 이는 구조적 속성이 과실 가시성의 변화를 설명한다는 것을 확인시켜 준다.

주요 기여

1. 검증된 파이프라인: 본 연구는 복잡한 현장 환경에서의 작은 객체 탐지 과제를 명시적으로 고려하여, 하이부시 블루베리에 대한 엄격하게 검증된 다중 클래스 탐지 파이프라인을 제공한다.
2. 폐쇄의 정량화: 유전자형별 폐쇄 범위(42–90%)를 정량화하여, 수관 구조가 탐지 오류의 주요 동인이며 이미지 기반 계수만으로는 절대적인 수확량 추정을 위해 보정이 불가능함을 입증하였다.
3. 구조적 특징의 통합: 이미지 유래 수관 구조(구조적, 질감적, 색상 특징)를 과실 탐지 데이터와 통합하는 것이 수확량 및 성숙도 추정의 정확도를 크게 향상시킨다는 것을 보여줌으로써, 숨겨진 과실을 부분적으로 보완할 수 있는 방법을 제시하였다.
4. 육종 시사점: 본 연구는 고처리량 표현형 분석 및 로봇 수확과의 호환성을 개선하고자 하는 육종 프로그램에서 과실 가시성과 폐쇄 감소를 잠재적인 선택 목표로 식별하였다.

의의 및 주장
저자들은 수관 구조 특징의 통합을 통해 수관 폐쇄를 고려하는 것이 이미지 기반 블루베리 수확량 추정의 정확도를 높인다는 결과를 입증했다고 주장한다. 본 연구는 고처리량 표현형 분석을 위한 컴퓨터 비전의 사용을 지지하지만, 현재 모델이 잎으로 인해 절대적인 계수를 과소 추정하는 경향이 있음을 강조한다. 수관 메트릭을 통합함으로써 시스템은 생물학적으로 의미 있는 유전자형 간의 차이를 더 잘 포착할 수 있다. 저자들은 이미지 유래 표현형이 상대적인 차이를 효과적으로 포착하지만, 향후 육종 전략은 표현형 분석과 로봇 수강 시스템의 정확도를 높이기 위해 과실 노출도와 수관 개방도를 고려해야 한다고 결론짓는다. 이 논문은 폐쇄 문제를 완전히 해결했다고 주장하는 것이 아니라, 수확량 추정의 영향을 완화하기 위한 방법론적 프레임워크를 제공하는 것이다.