검색 상세

농산물 객체 검출을 위한 오토레이블링 딥러닝 모델 개발에 관한 연구

  • 권용순 (KWON YONG SOON, 동신대학교 일반대학원)

초록/요약

농산물 객체 검출을 위한 오토레이블링 딥러닝 모델 개발에 관한 연구 권 용 순 동신대학교 대학원 정보통신공학과 (지도교수 박 성 일) 본 연구는 농산물의 시각적 품질 검사를 자동화하기 위한 목적으로, 객체 검출 및 불량 유형 분류가 가능한 오토레이블링 기반 딥러닝 모델 개발과 어노테이션 프로 그램 구현을 중심으로 수행되었다. 기존 농산물 품질 관리 프로세스는 대부분 작업 자의 주관적 판단에 의존하며, 수작업 라벨링에 많은 시간과 인력이 소요되는 문제 가 있었다. 이에 본 연구는 YOLO 계열의 객체 검출 모델을 기반으로 한 자동 라벨 링 프레임워크를 도입하여, 효율적이고 정밀한 농산물 객체 인식 및 불량 검출이 가능하도록 설계하였다. 객체 검출 모델로는 YOLOv8 계열(n, s, m, l)의 성능을 비교한 결과, 정확도 (mAP), 정밀도, 재현율, 연산량(GFLOPs), 추론 속도(FPS) 등을 종합적으로 고려하 여 YOLOv8-m 모델이 가장 균형 잡힌 성능을 보이는 것으로 평가되었고, 이에 따 라 오토레이블링 시스템에 적용되었다. 이후 불량 검출을 위한 이진 분류 실험에서 는 YOLOv11 계열 모델을 적용하였으며, 특히 YOLOv11-s 모델이 가장 높은 분류 정확도와 빠른 추론 속도를 보여 최종적으로 품질 분류에 채택되었다. 해당 모델은 정상과 불량(흠집, 생리장해, 병충해, 기타)을 구분하는 이진 분류 문제에서 정확도 98.52%, 정밀도 98.83%, 재현율 97.20%, F1-score 98.01%의 우수한 성능을 달성하 였으며, 이미지 한 장당 평균 추론 속도는 약 0.1225초로 실시간 처리에 적합함을 입증하였다. 더불어, 본 연구에서는 수작업 라벨링의 비효율성을 보완하기 위해 PyQt5 기반 의 통합 어노테이션 프로그램을 자체 개발하였다. 이 프로그램은 수동 및 자동 라 벨링 기능, 클래스 관리, 바운딩 박스 조작, 데이터 저장 및 복원, 실시간 시각화, YOLO 포맷 호환성 등 다양한 기능을 포함하고 있으며, 실제 현장 사용을 고려한 사용자 친화적인 인터페이스와 안정성을 확보하였다. 단위 테스트 및 통합 테스트 를 통해 모든 기능이 안정적으로 작동함을 확인하였고, 대용량 이미지 처리 및 연 속 운영 환경에서도 성능 저하나 오류 없이 원활히 작동함을 실험을 통해 검증하였 다. 종합적으로 본 연구는 객체 검출 기반의 자동화 기술을 활용하여 농산물 품질 검사의 정확성과 효율성을 동시에 향상시킬 수 있는 실질적인 솔루션을 제시하였 다. 제안된 오토레이블링 시스템은 수작업 중심의 기존 데이터셋 구축 과정의 병목 을 해소할 수 있으며, 향후 스마트 농업, 자동 선별 시스템, 무인 유통 라인 등의 산업 응용에 폭넓게 활용될 수 있는 기반 기술로써의 가치가 매우 높다고 판단된 다.

more

목차

표 목차 ⅳ
그림 목차ⅴ
초 록 ⅶ
Ⅰ. 서 론1
1.1 연구 배경 및 필요성1
1.2 연구 목적 및 범위 3
1.3 논문 구성 5
Ⅱ. 관련 연구 7
2.1 객체 검출(Object Detection) 기술7
2.1.1 전통적 객체 검출 방법7
2.1.2 딥러닝 기반 객체 검출 기술 9
2.1.3 YOLO계열 모델의 발전과 특징 10
2.1.4 객체 검출 모델의 평가 지표13
2.2 오토레이블링(Auto-labeling) 기술15
2.2.1 오토레이블링의 유형 15
2.2.2 최신 오토레이블링 프레임워크 사례 17
2.3 농산물 품질 평가 기술18
2.3.1 품질 평가 요소의 정량화19
2.3.2 컴퓨터 비전 기반 품질 평가 기술의 발전19
2.3.3 품질 평가 시스템의 적용 사례 20
2.3.4 최신 연구 흐름 및 기술적 과제21
Ⅲ. 농산물 객체 검출 오토레이블링 모델 개발 22
3.1 공개 데이터셋 구축 분석 22
3.2 오토레이블링 모델 학습 및 결과(YOLOv8) 28
3.2.1 YOLOv8-n 모델 학습 및 결과 분석 28
3.2.2 YOLOv8-s 모델 학습 및 결과 분석 34
3.2.3 YOLOv8-m 모델 학습 및 결과 분석39
3.2.4 YOLOv8-l 모델 학습 및 결과 분석 44
3.2.5 YOLOv8 모델 간 정량적 비교 분석 50
Ⅳ. 농산물 불량 검출 오토레이블링 모델 개발 57
4.1 데이터셋 획득 및 분석57
4.2 오토레이블링 모델 학습 및 결과(YOLOv11)61
4.2.1 YOLOv11-n 모델 학습 및 결과 분석 61
4.2.2 YOLOv11-s 모델 학습 및 결과 분석 66
4.2.3 YOLOv11-m 모델 학습 및 결과 분석 70
4.2.4 YOLOv11-l 모델 학습 및 결과 분석74
4.2.5 YOLOv11 모델 간 정량적 비교 분석 77
Ⅴ. 오토레이블링 어노테이션 프로그램 86
5.1 오토레이블링 어노테이션 프로그램 개요 86
5.2 오토레이블링 어노테이션 프로그램 주요 기능87
5.2.1 프로그램 개발 및 파일 시스템 관리 기능87
5.2.2 이미지 표시 기능 88
5.2.3 어노테이션 기능 90
5.2.4 데이터 관리 기능 93
5.2.5 사용자 인터페이스 기능 95
5.2.6 어노테이션 프로그램 테스트 및 검증 96
5.3 농산물 품질 판별 딥러닝 모델 개발98
Ⅵ. 결론 103
참고문헌104
ABSTRACT 107

more
반출 Meta View 목록