Constructing the Comprehensive Intelligent Monitoring System based on Wireless Sensor Networks (WSNs) for Mango Crop Precision Agriculture

기술 요약: 망고 작물 정밀 농업을 위한 무선 센서 네트워크(WSN) 기반 종합 지능형 모니터링 시스템 구축

문제 정의
본 논문은 대만과 같은 지역에서 경제적 가치가 매우 높은 분야인 망고 재배의 생산성을 높이기 위한 효율적이고 통합된 메커니즘의 필요성을 다룹니다. 전통적인 농업 방식은 작물의 건강 상태 및 환경 조건에 관한 실시간적이고 종합적인 데이터를 제공하는 데 한계가 있는 경우가 많습니다. 사물 인터넷(IoT)과 인공지능(AI)을 통한 정밀 농업(Precision Agriculture, PA)이 해결책을 제시하고 있지만, 기존 시스템들은 객체 탐지 모델의 계산 효율성과 탐지 정확도 사이의 절충안, 그리고 무선 센서 네트워크(WSW) 구성에서의 에너지 효율성과 지연 시간 사이의 균형을 맞추는 데 어려움을 겪고 있습니다. 본 연구는 대기 조건, 토양 매개변수, 작물 생리(특히 질병 탐지)를 동시에 포착하면서 네트워크 에너지 소비와 응답 시간을 최적화하는 시스템 구축을 목표로 합니다.

방법론
제안된 시스템은 세 가지 핵심 구성 요소인 물리적 감지 장치, 개선된 컴퓨터 비전 모델, 그리고 최적화된 WSN 아키텍처를 통합합니다.

1. 물리적 감지 및 데이터 획득:

   • 시스템은 공기 온도 및 습도를 위한 DHT22 센서, 토양 수분을 위한 SKU: SSR1025, 그리고 토양 pH 전용 센서를 활용합니다.
   • 데이터 수집은 표준 측정 도구에 대한 정확성을 보장하기 위해 평균 절대 백분율 오차(MAPE) 분석과 신호 품질 지수(SQI) 메트릭(MSE 및 RMSE)을 사용하여 검증되었습니다.
   • Ameba AMB82 카메라는 시각 데이터를 캡처하며, 이 데이터는 NVIDIA Jetson Nano B01 엣지 디바이스에 의해 처리됩니다.

2. 개선된-YOLOv10 객체 탐지 모델:

   • 망고 과실 상태를 탐지하기 위해 저자들은 "Improved-YOLOv10" 모델을 개발했습니다. 이 모델은 Alternaria, Anthracnose, Black_mould_rot, Stem_end_rot, 그리고 Healthy의 다섯 가지 클래스를 대상으로 합니다.
   • 아키텍처 혁신: 표준 YOLOv10의 백본(backbone)을 특정 블록 레이어(convolutional, C2f, SCDown)를 StarNet 아키텍처로 교체하여 수정했습니다. StarNet은 스타 블록 내에서 "스타 연산"(원소별 곱셈)을 사용하여 저차원 공간 내에서 입력을 고차원의 비선형 특징 공간으로 매핑합니다.
   • 목표: 이러한 통합은 계산 비용이나 모델 크기를 늘리지 않고도 더 풍부한 특징 표현과 더 높은 탐지 정확도를 달alu하는 것을 목표로 합니다.
   • 데이터셋: 모델은 초기 2,305장에서 증강된 6,915장의 이미지 데이터셋을 사용하여 학습되었으며, 훈련 70%, 검증 20%, 테스트 10%로 분할되었습니다.

3. WSN 구성 및 최적화:

   • 모니터링 영역은 각 클러스터 헤드(CH)와 센서 노드를 포함하는 클러스터로 나뉩니다.
   • 네트워크 성능을 최적화하기 위해 아퀼라 최적화 알고리(Aquila Optimizer, AO) 알고리즘이 구현되었습니다. 이 생체 모방 알고리즘은 에너지 소비, 지연 및 패킷 손실을 최소화하도록 클러스터 형성 및 라우팅을 관리합니다.
   • 최적화 대상은 네 가지 메트릭인 에너지 소비($E$), 통신 비용($C$), 데이터 전송 지연($\sigma$), 그리고 거리 계수($D$)입니다.

주요 기여
본 논문은 세 가지 주요 기여를 설명합니다:

1. 시스템 통합: WSN 및 IoT를 통해 물리적 감지(대기 및 토양)와 비전 기반 감지(작물 생리)를 융합하여 망고 정밀 농업을 위한 종합적인 모니터링 시스템을 개발했습니다.
2. 모델 개선: StarNet 아키텍처를 YOLOv10의 백본에 내장한 Improved-YOLOv10을 제작했습니다. 이를 통해 계산 오버헤드 없이 저차원 공간에서 고차원 특징 추출을 가능하게 하여 정확도를 높였습니다.
3. 네트워크 최적화: WSN 구성에 AO 알고리즘을 적용하여 에너지 효율을 크게 향 향상시키고 데이터 전송 지연 및 손실률을 줄였습니다.

결과

• 센서 검증: 물리적 감지 장치는 **0.63%**의 결합 MAPE를 기록하며 높은 정확도를 보여주었습니다. 신호 품질 지수(SQI) 분석 결과 낮은 MSE 및 RMSE 값(모두 1 미만)을 나타내어, 특히 온도와 토양 수분에 대해 신뢰할 수 있는 신호 품질을 확인했습니다.
• 모델 성능:
  • Improved-YOLOv10은 mAP50 0.939 및 mAP50:95 0.884를 달성했습니다.
  • Faster R-CNN, SSD, YOLOv5, YOLOv7, YOLOv8, YOLOv10, YOLOv11과의 비교 테스트에서, 제안된 모델은 mAP50 측면에서 다른 모든 모델을 능가했습니다 (예: YOLOv11은 0.921, YOLOv10은 0.905 기록).
  • 효율성: 제안된 모델은 모델 무게를 28.16% 감소시켰으며(원본 YOLOv10의 10.3 MB 대비 7.4 MB), 파라미터 수를 크게 줄였습니다.
  • 추론 시간: Jetson Nano에서의 실제 적용 시, 제안된 모델은 가장 빠른 추론 시간(예: Image-A에 대해 2.1 ms)을 달성하여 Faster R-CNN(25.4 ms) 및 다른 YOLO 변형 모델들을 크게 앞질렀습니다.
• WSN 성능:
  • AO 알고리즘을 사용하여, 시스템은 기존의 비최적화 방식 및 다른 최적화 알고리즘(PSO, COA)에 비해 우수한 효율성을 달성했습니다.
  • 10개 노드 기준, AO 방식은 165 mJ의 에너지 소비(기존 시스템의 207 mJ 대비), 128 ms의 지연 시간(비최적화 설정의 더 높은 값 대비), 그리고 **7.6%**의 패킷 손실률(기존 시스템의 15.9% 대비)을 기록했습니다.

의의 및 주장
저자들은 구축된 시스템이 높은 탐지 정확도와 낮은 계산 비용 및 에너지 소비 사이의 균형을 성공적으로 맞춤으로써 기존 시스템에 비해 최적의 효율성을 달성했다고 주장합니다. 본 연구는 StarNet을 YOLOv10에 통합하는 것이 자원이 제한된 엣지 컴퓨팅 환경에 실행 가능한 솔루션을 제공하며, AO로 최적화된 WSN이 대규모 망고 농장에 대한 신뢰할 수 있는 실시간 데이터 전송을 보장한다고 단언합니다. 본 논문은 이러한 통합된 접근 방식이 농부들에게 작물 품질을 모니터링하고 적시 처방을 시행할 수 있는 편리하고 정확하며 에너지 효율적인 도구를 제공하여 정밀 농업의 목표를 지원한다고 결론짓습니다. 저자들이 제안한 향후 과제에는 범위와 신뢰성을 더욱 확장하기 위해 UAV(무인 항공기)와 LiDAR를 통합하는 것이 포함됩니다.