PR-CNN: A Multiscale Attention Relation Network for Accurate Bean Leaf Disease Image Recognition

당신이 마치 탐정이 되어 미스터리를 풀고 있다고 상상해 보세요. 다만 범죄 현장 대신 나뭇잎 하나를 조사하고 있는 것입니다. 스마트 파밍의 세계에서 컴퓨터는 이 탐정 놀이를 하도록 교육받고 있습니다. 그들은 '딥러닝'이라는 인공지능의 한 분야를 사용하는데, 이는 수천 장의 사진을 보며 학습하는 디지털 두뇌와 같습니다. 보통 이러한 디지털 두뇌는 거대한 거인과 같아서, 병든 잎과 건강한 잎을 구별하는 법을 배우기 위해 수백만 장의 사진을 먹어치워야 합니다. 하지만 현실 세계에서 농부들은 수백만 장의 사진을 가지고 있지 않은 경우가 많습니다. 그들은 들판에 새로 나타난 질병의 스냅샷을 단 몇 장밖에 가지고 있지 않을 수도 있습니다. 여기서 '퓨샷 러닝(few-shot learning)'이라는 특별한 기술이 등장합니다. 이것은 마치 탐정에게 수많은 용의자의 연감 전체를 보여주는 대신, 단 한두 장의 머그샷만 보고도 새로운 범인을 알아볼 수 있도록 가르치는 것과 같습니다. 목표는 특정 질병을 수천 번 보지 못했더라도 식물 질병을 빠르고 정확하게 찾아낼 수 있는 시스템을 구축하는 것입니다. 작물을 질병으로부터 구하는 것은 곧 식량과 돈을 구하는 것을 의미하기 때문입니다.

이제 마을에 새로 온 탐정을 만나보세요: 바로 PR-CNN이라 불리는 시스템입니다. 이 연구의 연구자들은 까다로운 문제인 콩 잎 문제를 해결하고자 했습니다. 콩 잎은 까다로운데, 병이 들었을 때 생기는 반점들이 서로 매우 비슷해 보이거나 흙이나 다른 식물 같은 지저분한 배경 뒤에 숨겨질 수 있기 때문입니다. 연구팀은 이 콩 잎의 미스터리를 처리하기 위해 특별히 설계된 새로운 디지털 두뇌를 만들었습니다. 그들은 세 가지 강력한 도구를 하나의 '슈퍼 탐정'으로 결합했습니다. 첫째, 그들은 이미지를 보는 기본 엔진인 표준 '합성곱 신경망(convolutional neural network)'을 사용했습니다. 둘째, '피라미드 분할 주의(pyramid split-attention)'라고 불리는 것을 추가했습니다. 이것은 탐정에게 다양한 돋보기를 주는 것과 같습니다. 어떤 돋보는 아주 작은 점들을 보기 위해 타이트하게 확대하고, 다른 돋보는 전체적인 잎의 모양을 보기 위해 줌아웃합니다. 이는 컴퓨터가 중요한 병든 부위에 집중하고 지루한 배경 소음을 무시하도록 돕습니다. 셋째, 그들은 '관계 네트워크(relation network)'를 사용했습니다. 단순히 병든 잎이 어떻게 생겼는지 암기하는 대신, 이 두뇌의 이 부분은 두 사진을 나란히 놓고 비교하는 법을 배웁니다. 이 시스템은 "이 새로운 잎이 내가 전에 봤던 병든 잎들과 얼마나 유사한가?"라고 묻고 그 관계에 기반하여 점수를 매깁니다.

연구팀은 중국 허난성에서 수집한 콩 잎 데이터셋과 오픈 소스 데이터를 사용하여 이 새로운 탐정을 테스트했습니다. 그들은 녹병(rust), 모자이크(mosaic), 잎곰팡이병(leaf mold), 흰점무늬병(white spot)의 네 가지 유형의 질병과 건강한 잎을 포함하여 총 11,903개의 샘플을 보유했습니다. PR-CNN을 테스트했을 때, 시스템은 놀라운 성과를 보였습니다. 주요 실험에서 이 시스템은 99.24%의 확률로 정답을 맞혔습니다. 이를 설명하기 위해, 그들은 ResNet50, DenseNet, Inception v4, EfficientNet B7와 같은 딥러닝 세계의 유명한 '거인들'과 비교했습니다. 새로운 PR-CNN 시스템은 이 모든 모델을 이겼으며, 특수한 돋보기와 비교 기술의 조합이 표준 방식보다 더 효과적임을 보여주었습니다. 연구진은 또한 네 가지 다른 공공 식물 질병 데이터셋에 대해서도 테스트를 진행했으며, 전반적으로 99.84%의 평균 정확도를 달하며 침착함을 유지했습니다.

하지만 저자들은 이것이 우주의 모든 문제를 해결하는 최종적이고 완벽한 솔루션이라고 주장하는 데 신중합니다. 그들은 현재 이 시스템이 '전문가'라는 점을 지적합니다: 즉, 이 시스템은 오직 그 네 가지 특정 콩 질병만을 진단할 줄 압니다. 만약 농부가 새로운 종류의 콩 질병이나 토마토 식물의 질병을 보여준다면, 시스템은 아직 무엇을 해야 할지 모릅니다. 또한 현실의 혼돈 속에서는 몇 가지 한계가 있습니다. 완벽한 실험실 사진에서는 잎이 선명하고 조명이 밝지만, 실제 들판에서는 잎이 흐릿하거나, 흙으로 덮여 있거나, 다른 식물 뒤에 숨겨져 있을 수 있습니다. 논문은 이 시스템이 큰 진전이지만, 여전히 이러한 지저분한 실제 환경에서 테스트될 필요가 있다고 제안합니다. 연구팀 또한 현재 시스템이 정지 영상만을 보고 있으며, 아직 질병이 '얼마나 심각한지'는 알려주지 않고 단지 '무엇인지'만 알려준다는 점을 언급했습니다.

이러한 한계에도 불구하고, 결과는 이 새로운 접근 방식이 효과적이라는 강력한 암시를 줍니다. 다양한 규모의 세부 사항을 보는 능력과 이미지를 비교하는 기술을 결합함으로써, PR-CNN은 우리가 더 똑똑하고 적응력 있는 농업 도구를 만들 수 있음을 보여줍니다. 저자들은 향에 이 기술이 모바일 폰으로 옮겨져 농부들이 들판에서 잎 사진을 찍고 즉각적인 진단을 받을 수 있게 될 것이라고 믿습니다. 현재로서는, PR-CNN은 주의력과 비교 능력을 적절히 조합하면 컴퓨터가 적을 수만 번 보지 못했더라도 우리의 작물을 구할 수 있다는 것을 증명하는, 매우 정확하고 전문화된 탐정으로서 자리 잡고 있습니다.