YOLO-Based Deep Learning for Citrus Fruit Detection, Counting, and Yield Estimation in Complex Orchard Environments: A Systematic Review

잎사귀로 뒤덮인 캐노피 아래, 가지마다 열매가 무겁게 매달린 오렌지 나무 숲을 상상해 보십시오. 인간 작업자가 이 장면 속의 모든 오렌지를 하나하나 세는 것은 실수하기 쉽고 느리며 기진맥진하게 만드는 작업입니다. 어떤 사람은 과일을 두 번 셀 수도 있고, 다른 사람은 그늘 깊숙이 숨겨진 과일을 놓칠 수도 있습니다. 농부들에게 이 숫자를 틀리는 것은 수확할 과일의 양을 잘못 판단하게 된다는 것을 의미하며, 이는 노동력 고용부터 필요한 트럭의 대수를 계획하는 일에 이르기까지 모든 것에 차질을 줍니다. 이를 해결하기 위해 과학자들은 카메라와 컴퓨터를 활용하여, 기계가 인간처럼 과일을 '볼' 수 있도록 가르치고 있습니다. 이 작업에 가장 인기 있는 도구는 YOLO라고 불리는 소프트웨어의 일종으로, 이는 "You Only Look Once(한 번만 본다)"의 약자입니다. 이는 이미지를 스캔하여 즉각적으로 물체를 찾아내도록 설계된 빠르고 효율적인 시스템으로, 과수원을 이동하며 찰나의 결정을 내려야 하는 로봇이나 드론에 이상적입니다. 하지만 이러한 도구들이 점점 더 흔해짐에 따라, 각기 더 나은 방식으로 감귤류를 세는 방법을 찾아냈다고 주장하는 수백 개의 서로 다른 연구들로 인해 이 분야는 매우 혼잡해졌습니다. 질문은 여전히 남아 있습니다. 이 시스템들이 진정으로 현실 세계에서 사용될 준비가 된 것일까요, 아니면 단지 통제된 실험실 안에서만 잘 작동하는 것일까요?

한 연구팀은 이러한 빠른 탐지 시스템을 사용하여 감귤류 과일을 찾고 세는 거의 200개의 과학적 연구를 종합적으로 살펴봄으로써 이 질문에 답하고자 했습니다. 그들은 단순히 헤드라인만 읽은 것이 아니라, 90개의 특정 연구를 자세히 파고들어 숫자 뒤에서 실제로 어떤 일이 일어나고 있는지 엄격한 규칙을 적용하여 검토했습니다. 그들의 목표는 컴퓨터가 얼마나 잘 수행하는지뿐만 아니라, 연구자들이 어떻게 테스트했는지, 그리고 그 결과가 신뢰할 수 있는지를 이해하는 것이었습니다. 그들은 기술이 실제로 성숙했다는 것을 발견했습니다. 이러한 시스템이 과일 이미지를 테스트할 때, 그들은 놀라울 정도로 정확하며, 보고 있는 오렌지, 레몬, 귤의 대다수를 정확하게 식별해 냅니다. 평균적으로 이 시스템들은 실제로 존재하는 과일의 약 90%를 찾아냈으며, 무언가를 찾았다고 말했을 때의 정확도는 90%였습니다. 이러한 수준의 성능은 핵심 기술이 유용할 만큼 충분히 잘 작동하고 있음을 시사합니다.

하지만 연구원들은 높은 성공률이 보여주는 것보다 이야기가 더 복잡하다는 것을 발견했습니다. 컴퓨터가 사진 속의 과일을 포착하는 데는 능숙하지만, 과학자들이 이들을 테스트하는 방식은 종종 결함이 있습니다. 검토된 거의 모든 연구에서 연구자들은 실험을 한 번만 수행했으며, 결과가 일관된 것인지 아니면 단순히 운이 좋았던 것인지 확인하기 위해 실험을 반복하지 않았습니다. 게다가 대부분의 연구는 아주 완벽한 조명 조건 하의 단 하나의 과수원에서 촬영된 매우 작은 이미지 모음에 의존했습니다. 이것은 마치 자동차를 여름철의 매끄럽고 빈 도로에서만 테스트해 보고, 그 차가 눈 덮인 산길에서도 똑같이 잘 달릴 것이라고 가정하는 것과 같습니다. 연구진은 과일이 잎사귀 뒤에 숨겨져 있거나, 초록색 과일이 초록색 잎사귀와 섞여 있을 때 컴퓨터가 상당히 어려움을 겪는다는 것을 발견했습니다. 또한 매우 적은 수의 연구만이 실제 현장의 로봇이나 드론에서 시스템을 테스트했을 뿐, 대부분은 실험실의 강력한 컴퓨터에서 테스트되었습니다. 이는 먼지가 많고 예측 불가능한 과수원과는 매우 다른 환경입니다.

또한 이번 검토는 이 분야가 공통된 도구 세트에 안착했음을 강조했습니다. 대부분의 연구자는 동일한 몇 가지 버전의 탐지 소프트웨어를 사용하고 있으며, 컴퓨터가 이미지의 중요한 부분에 집중하도록 특별한 모듈을 추가하거나 소프트웨어를 더 가볍게 만들어 더 작은 장치에서 실행할 수 있도록 하는 등의 유사한 개선 작업을 수행하고 있습니다. 그럼에도 불구하고, 이러한 공유된 방법론에도 불구하고, 결과를 비교하기 위해 모두가 사용하는 단일 표준 데이터셋은 존재하지 않습니다. 이는 마치 세상의 모든 요리사가 자신이 만든 최고의 수프를 증명하려 하지만, 두 요리사도 같은 재료나 같은 레시피를 사용하지 않아 누가 정말 최고인지 알 수 없는 것과 같습니다. 연구진은 인간의 눈에는 보이지 않는 특정 색상이나 열을 감지하는 센서와 같이, 가시광선 이상의 것을 볼 수 있는 고급 카메라를 사용한 연구가 극히 적다는 점을 발견했습니다. 이러한 카메라는 과일을 잎사귀와 더 쉽게 구별하는 데 도움이 될 수 있습니다.

궁극적으로, 이 연구는 통제된 환경에서의 감귤류 탐지 능력이 높은 정확도에 도달했지만, 이 분야가 광범위하고 신뢰할 수 있는 농업 현장에 적용될 준비는 아직 되지 않았다고 결론짓습니다. 기술 자체가 주요 문제는 아닙니다. 문제는 그것을 검증하는 방식에 있습니다. 연구진은 향아의 연구가 단순히 실험실에서의 연구가 아니라, 다양하고 어려운 조건과 실제 현장에서 사용되는 하드웨어에서 시스템을 테스트하는 데 집중해야 한다고 주장합니다. 그들은 서로 다른 시스템을 공정하게 비교할 수 있도록 테스트를 위한 공유 표준을 마련하고, 결과가 반복 가능하다는 것을 보장하기 위해 더 엄격한 통계적 점검을 요구합니다. 이러한 단계들이 이루어지기 전까지, 완전히 자동화된 과일 계수와 수확량 추정의 약속은 더 견고한 증거 기반을 기다리며 여전히 손에 닿지 않는 곳에 머물러 있을 것입니다.