📄 agriculture

SolanAPP: An Offline-First Mobile Framework for Segmentation-Based Diagnosis of Solanaceae Crop Diseases

SolanAPP는 경량 딥러닝 모델을 활용하여 솔라눔(Solanaceae) 작물 질병에 대한 실시간 픽셀 단위 진단을 수행하고, 선택적인 LLM 기반 농업 권장 사항을 통합함으로써 자원이 제한된 농업 환경에서 정확하고 접근 가능하며 협력적인 질병 감시를 가능하게 하는 오프라인 우선 방식의 네이티브 안드로이드 프레임워크입니다.

원저자: Dunia Pineda Medina, Mino Sportelli, Ileana Miranda Cabrera, Stefano Giordano, Antonino Crivello

게시일 2026-08-25

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Dunia Pineda Medina, Mino Sportelli, Ileana Miranda Cabrera, Stefano Giordano, Antonino Crivello

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

식량이 재배되는 세상의 조용한 구석진 곳에서는 보이지 않는 적들과 끊임없이 소리 없는 전쟁이 벌어지고 있습니다. 토마토, 감자, 고추, 가지와 같은 작물은 세계 영양의 중추를 담당하고 있지만, 전체 수확량을 전멸시킬 수 있는 질병에 끊임없이 취약합니다. 수 세대 동안 농부들은 이러한 위협을 식별하기 위해 자신의 눈과 멀리 떨어진 전문가들의 조언에 의존해 왔으나, 이 과정은 종종 느리고 부정확하며 의사나 실험실에 접근할 수 있는지 여부에 따라 달라지곤 했습니다. 최근 몇 년 동안 기술은 더 빠른 해결책을 약속했습니다. 병든 잎을 보고 즉각적으로 문제를 진단할 수 있는 인공지능을 탑재한 스마트폰이 그 주인공입니다. 그러나 이 약속은 그것이 가장 필요한 바로 그 장소에서 거대한 벽에 부딪혔습니다. 가장 진보된 진단 도구들은 대개 이미지를 클라우드 서버로 보내 분석하기 위해 강력한 인터넷 연결을 필요로 합니다. 토양은 풍요롭지만 신호는 약하거나 아예 존재하지 않는 외딴 농촌 지역에서 이러한 첨단 기술 도구들은 무용지물입니다. 과학자들의 과제는 복잡한 식물 질병을 진단할 수 있을 만큼 똑똑하면서도, 인터넷에 전혀 연결할 필요 없이 오직 휴대폰 자체에서 실행될 수 있을 만큼 작고 효율적인 시스템을 구축하는 것이었습니다.

연구진은 'SolanAPP'이라는 새로운 모바일 애플리케이션으로 이 과제에 답했습니다. 토마토, 감자, 고추, 가지를 포함하는 작물군을 위해 특별히 설계된 이 도구는 농업 기술이 현장에 배치되는 방식의 중대한 변화를 의미합니다. 사진을 먼 곳의 서버로 보내는 대신, SolanAPP은 휴대폰 내부에서 모든 진단을 수행합니다. 이 앱은 질병을 식별할 뿐만 아니라 병든 잎의 주변에 정밀한 윤곽선을 그려서 농부에게 식물의 어느 부분이 얼마나 영향을 받았는지 정확하게 보여주는 특수한 형태의 인공지능을 사용합니다. 이러한 '오프라인 우선(offline-first)' 방식은 인터넷 신호가 없는 외딴 마을의 농부라도 전문적인 수준의 진단을 받을 수 있음을 의미하며, 이는 일반 스마트폰을 독립적인 농업 클리닉으로 탈바꿈시키는 능력입니다.

연구진은 수천 장의 건강한 식물과 병든 식물 이미지를 통해 컴퓨터 모델을 학습시켜 이 시스템을 구축했습니다. 그들은 소프트웨어가 감자 잎의 조기 병해(early blight)에서 나타나는 동심원 구조나 바이러스에 감염된 토마토 잎의 노란색 말림 현상과 같은 특정 패턴을 인식하도록 가르쳤습니다. 이 작업이 독특한 이유는 팀이 단순히 정답을 맞히는 것에만 집중한 것이 아니라, 그 답을 빠르고 가볍게 만드는 데 집중했기 때문입니다. 그들은 많은 다양한 유형의 인공지능 아키텍처를 테스트하며, 표준 모바일 휴대폰의 제한된 메모리와 배터리 수량 사이에서 높은 정확도를 유지할 수 있는 최적의 모델을 찾았습니다. 엄격한 테스트 끝에, 연구진은 대부분의 작물에 대해 가장 잘 작동하는 특정 모델 조합을 찾아냈으며, 97% 이상의 분류 정확도를 달로성했습니다. 감자의 경우, 가능한 가장 빠른 속도를 보장하기 위해 약간 다른 모델이 선택되었습니다. 그 결과, 평범한 하드웨어에서도 이미지를 처리하고 1초도 채 되지 않는 시간에 진단을 제공할 수 있는 시스템이 탄생했습니다.

단순히 질병의 이름을 알려주는 것을 넘어, 이 애플리케이션은 감염의 시각적 지도를 제공합니다. 사용자가 사진을 찍으면 앱은 병든 영역을 뚜렷한 색상으로 강조하여, 농부가 한눈에 문제의 심각성을 파악할 수 있게 해줍니다. 시스템은 잎이 손상된 비율을 계산하여, 막연한 걱정을 구체적인 숫자로 바꿔줍니다. 손상이 경미하면 앱은 가벼운 처방을 제안하고, 감염이 심각하면 상황을 위급한 것으로 표시합니다. 이러한 심각도 추정 능력은 매우 중요한데, 왜냐하면 농부가 식물 하나를 치료할지 아니면 밭 전체를 치료할지를 결정하는 데 도움을 주어 자원의 낭비와 질병의 확산을 방지하기 때문입니다.

연구진은 또한 진단은 그 뒤를 따르는 조언이 뒷받침될 때 비로소 가치가 있다는 점을 인식했습니다. 컴퓨터의 데이터와 농부의 결정 사이의 간극을 메우기 위해, 앱에는 인터넷 연결이 가능할 때 대규모 언어 모델(LLM)에 연결되는 선택적 기능이 포함되어 있습니다. 이 기능은 디지털 농학자 역할을 하며, 시각적 데이터와 농부의 기록을 결មាន하여 상세하고 쉬운 언어로 된 보고서를 생성합니다. 이 보고서는 질병이 무엇인지, 왜 발생하는지 설명하고, 값비싼 화학 제품을 살 여유가 없는 이들을 위한 유기농 솔루션을 포함한 구체적인 치료 권장 사항을 제공합니다. 이러한 추론 계층은 기술이 단순히 문제를 식별하는 데 그치지 않고 문제를 해결하도록 돕습니다.

이 도구가 실제 환경에서 제대로 작동하는지 확인하기 위해, 연구진은 연결성이 까다롭고 상업용 클라우드 서비스 접근이 제한된 지역인 쿠바에서 테스트를 진행했습니다. 그들은 소농, 학생, 농업 기술자를 포함한 25명의 참가자 그룹을 모집하여 현장에서 앱을 사용하게 했습니다. 피드백은 압도적으로 긍정적이었습니다. 사용자들은 앱의 신뢰성과 인터넷 없이도 작동하는 능력을 가장 가치 있는 기능으로 꼽으며 높은 만족도를 보였습니다. 그들은 앱이 직관적이며 시각적인 윤곽선이 진단을 즉각적으로 이해하는 데 도움이 된다는 점을 높게 평가했습니다. 일부 사용자들은 보고서의 기술적 용어를 더 단순화할 필요가 있고 햇빛이 너무 강할 때 앱이 어려움을 겪기도 한다고 언급했지만, 전반적인 의견은 이 도구가 연결성의 장벽을 성공적으로 제거했다는 것이었습니다.

본 연구는 SolanAPP이 단순한 진단 도구 그 이상임을 결론짓습니다. 이는 첨단 농업 과학에 대한 접근성을 민주화하는 하나의 단계입니다. 복잡한 인공지능이 네트워크 없이 기기 자체에서 완전히 실행될 수 있음을 증명함으로써, 연구진은 가장 고립된 환경에서도 고품질의 작물 보호가 가능하다는 것을 보여주었습니다. 이 시스템은 기술적 정확성과 농촌 생활의 실질적인 현실 사이의 균형을 성공적으로 맞추었으며, 기술이 연결될 때까지 기다리는 것이 아니라 농부를 직접적으로 돕는 길을 제시합니다. 연구팀은 향히 앱이 다룰 수 있는 작물의 범위를 확장하고 조언을 정교화할 계획이지만, 핵심적인 성과는 명확합니다. 이제 농부의 손에 들린 휴대폰은 그들이 어디에 서 있든 수확을 구할 수 있는 힘을 갖게 되었습니다.

기술 요약: SolanAPP

문제 정의
솔라나세애(Solanaceae) 작물(토마토, 감자, 피망, 가지)의 질병 진단은 전통적으로 육안 검사에 의존해 왔으며, 이는 비효리적이고 상당한 지연을 초유합니다. 최근 머신러닝(ML) 및 딥러닝(DL)의 발전으로 높은 분류 정확도(종종 95% 이상)를 달성했음에도 불구하고, 기존 솔루션들은 실제 농촌 환경에 배치하는 데 있어 다음과 같은 결정적인 장벽에 직면해 있습니다:

연결성 제약: 최첨단 시스템 중 다수는 클라우드 기반 API나 지속적인 인터넷 접속에 의존하며, 이는 인터넷이 불안정하거나 존재하지 않는 원격 지역에서는 사용이 불가능하게 만듭니다.
해석 가능성 부족: 표준 이미지 분류 모델은 질병 범주를 식별할 수는 있지만, 증상을 국지화하거나 심각도를 추정하는 데 실패하여 사용자에게 제한적인 시각적 근거만을 제공합니다.
하드웨어 한계: 고성능 모델(예: 비전 트랜스포머, 무거운 세그멘테이션 네트워크)은 모바일 엣지 기기의 메모리 및 계산 제약 조건을 초과하는 경우가 많습니다.
사용성 격차: 컴퓨터 비전과 대규모 언어 모델(LLM)을 결념하여, 다양한 디지털 리터러시 수준을 가진 사용자에게 전문가 수준의 이해 가능한 농학적 설명을 제공하는 통합 시스템이 부족합니다.

방법론
저자들은 안드로이드 기기를 위해 설계된 오프라인 우선 모바일 프레임워크인 SolanAPP을 제안합니다. 시스템 아키텍처는 두 개의 레이어로 나뉩니다:

엣지 레이어 (오프라인 코어):
- 데이터 큐레이션: PlantVillage, Kaggle, Roboflow에서 수집한 11,635장의 이미지 데이터셋을 구축하였으며, 이는 4가지 작물과 다수의 질병 클래스를 포함합니다. 그라운드 트루스 마스크는 Roboflow를 사용하여 수동으로 주석을 달았습니다. 데이터 누수를 방지하기 위해 증강(augmentation) 전 단계에서 데이터셋을 80/15/5 비율로 분할했습니다.
- 멀티 태스크 아키텍처: 시스템은 256×256 RGB 이미지를 처리하여 질병 분류 벡터와 시맨틱 세그멘테이션 마스크라는 두 개의 동시 출력을 생성하는 멀티 출력 네트워크를 채택합니다.
- 모델 선택: MobileNetV2, ResNet-50을 백본으로 하는 다양한 아키텍처(U-Net, DeepLabV3+, Mask R-CNN)를 평가했습니다. 최적의 모델은 예측 성능(mIoU, 정확도)과 운영 제약 조건(추론 지연 시간, 모델 크기, 파라미터 수) 사이의 균형을 맞추기 위해 **단순 가중 합산법(Simple Additive Weighting, SAW)**을 사용하여 선정되었습니다.
  - 토마토, 피망, 가지: DeepLabV3+와 MobileNetV2를 선택했습니다.
  - 감자: 우수한 계산 효율성을 위해 U-Net과 MobileNetV2를 선택했습니다.
- 학습 전략: 모델은 $L_{total} = 1.5 L_{seg} + 0.5 L_{cls}$ 인 가중 총 손실 함수를 사용하여 학습되었습니다. 세그멘테이션 브랜치는 클래스 불균형(작은 병변 영역)을 해결하기 위해 **Focal Tversky Loss (FTL)**를 사용하였고, 분류 브랜치는 범주형 교차 엔트로피(Categorical Cross-Entropy)를 사용했습니다.
- 배포: 모델은 온디바이스 추론을 위해 **TensorFlow Lite (TFLite)**로 변환되었습니다. 앱은 로컬에서 전처리(크기 조정, 정규화) 및 후처리(심각도 계산)를 수행합니다.
- 심각도 추정: 질병 심각도는 전체 이미지 그리드가 아닌, (HSV 색 공간 필터링을 통해 분리된) 전체 잎 면적 대비 증상이 있는 픽셀의 비율로 계산됩니다.
클라우드 레이어 (선택적 온라인 서비스):
- 연결이 가능할 때, 시스템은 인증 및 데이터 지속성을 위해 Firebase를 통합합니다.
- 시스템은 Groq의 LPU를 활용하여 대규모 언어 모델(LLM)을 실행합니다. LLM은 구조화된 진단 벡터(작물 유형, 예측된 질병, 신뢰도, 심각도 지수, 긴급도 수준 및 사용자 노트)를 전달받아 전문적이고 구조화된 농학 보고서를 생성합니다.
- 이 레이어는 사용자가 관찰 내용을 공유하고 상호 검증을 받을 수 있는 지리 참조 커뮤니티 감시 네트워크를 용이하게 합니다.

주요 기여

오프라인 우선 엣지 AI: 인프라 제한이 있는 농촌 환경의 문제를 해결하기 위해 인터넷 연결 없이도 작동하는 완전한 기능의 진단 파이프라인을 제공합니다.
심각도 측정을 위한 시맨틱 세그멘테이션: 단순 분류를 넘어, 시각적 설명과 정량적 심각도 추정을 제공하기 위해 증상 픽셀을 국지화합니다.
하이브리드 AI 아키텍처: 경량 온디바이스 컴퓨터 비전과 선택적 클라우드 기반 LLM 추론을 결합하여, 가공되지 않은 데이터와 실행 가능한 전문가 수준의 농학적 조언 사이의 간극을 메웁니다.
협력적 감시: 지역 역학 모니터링을 지원하기 위해 질병 데이터를 집계할 수 있는 지리 참조 커뮤니티 모듈을 구축합니다.
엄격한 모델 선택: 모바일 배포 제약 조건과 정확도 사이의 트레이드오프를 최적화하는 모델을 선택하기 위해 SAW를 사용하는 체계적인 접근 방식을 취했습니다.

결과

예측 성능: 선택된 모델은 **98.48%**의 매크로 평균 분류 정확도, **98.48%**의 재현율(Recall), 그리고 **98.47%**의 F1-스코어를 달in 성과를 거두었습니다.
세그멘테이션 성능: 시스템은 **82.13%**의 평균 IoU(mIoU)와 **93.67%**의 평균 픽셀 정확도(mPA)를 달성했습니다.
효율성: DeepLabV3+ & MobileNetV2 구성이 대부분의 작물에 대해 최적의 균형을 제공했으며, U-Net & MobileNetV2 구성은 감자에 최적이었습니다. 워크스테이션에서의 평균 추론 지연 시간은 70.88ms였으나, 논문은 이것이 실시간 비디오 처리를 위한 30ms 목표를 초과하므로 대화형 정지 이미지 진단에 적합하다고 명시했습니다.
사용자 검증: 쿠바의 농부, 학생, 기술자 25명을 대상으로 한 설문 조사에서 4.5/5의 전반적인 만족도를 기록했습니다. 사용자들은 특히 오프라인 기능(4.59/5)과 LLM 모듈의 교육적 가치(4.49/5)를 높게 평가했습니다.

의의 및 주장
본 논문은 SolanAPP가 소외된 소농들에게 고급 진단 기술에 대한 접근성을 민주화하는 데 중요한 단계라고 주장합니다. 주요 의의는 다음과 같습니다:

사회-기술적 영향: 개발 여건이 불리하고 연결성이 제한된 지역에서 디지털 리터러시와 AI 도구에 대한 오픈 액세스의 촉매제 역할을 합니다.
실용적 유용성: 클라우드 의존적 솔루션이 실패하는 현장 환경의 구체적인 요구 사항을 해결하기 위해 오프라인 작동과 해석 가능성(세그멘테이션을 통해)을 우선시합니다.
커뮤니티 구축: 농업 분야에서 협력적이고 지리 참조된 역학 감시 네트워크를 위한 이론적, 실천적 토대를 마련합니다.

저자들은 본 프레임워크가 유망하지만, 환경적 변화(예: 조명, 배경 노이즈)에 대한 견고함을 보장하기 위해 독립적인 실제 현장 데이터셋에서의 추가 검증이 필요하며, 지역적 맥락에 맞게 LLM의 권고 사항을 정교화해야 함을 인정하며 겸허한 입장을 유지합니다. 또한, 전문가 자문 레이어를 위한 인터넷 의존도와 완전히 자율적인 오프라인 추론을 위해 소규모 언어 모델(SLM)을 통합해야 할 필요성에 대한 향후 과제를 언급했습니다.

기술 요약: SolanAPP

유사한 논문