검색 상세

딥러닝 기반 농작물 병충해 진단을 위한 RVM 모델 설계 및 구현

  • 리치엔 (LI QIAN, 동신대학교 일반대학원)

초록/요약

정밀농업에서의 “종 간 이질성, 복수 병충해, 복잡 배경”이라는 인식 과제를 대상 으로, 본 논문은 딥러닝 기반 농작물 잎 병충해 보조 진단에 관한 체계적 연구를 수행하였다. 먼저 문제 동기와 응용 가치 측면에서, 전통적인 인력 육안 검사는 주 관성이 크고 효율이 낮으며 오·누락 진단 위험이 크다는 한계를 지적하였다. 산업 현장에서는 효율적·신뢰성·저비용의 지능형 진단 수요가 절박하며, 이는 농업 시나 리오에서 딥러닝 방법의 실용화에 현실적 동인과 연구 공간을 제공한다. 통일되고 재현 가능한 실험 프로토콜 하에서, 본 논문은 종간 데이터와 평가 체계 를 구축하고, 두리안·가지·카사바의 세 가지 대표적 잎 병충해 데이터셋을 선정하였 다. 이는 다수 클래스, 다중 규모, 클래스 간 차이가 큰 장면을 포괄하며, 클래스 및 학습/검증 분할 통계를 엄정하게 제시하였다. 전처리 단계에서는 정규화, 크기 통일, 중심 크롭, 다중 전략 데이터 증강을 적용하여 분포 일관성과 학습 안정성을 제고 하였다. 방법론적으로, 합성곱과 상태공간 패러다임을 융합한 RVM 하이브리드 프레임워 크를 제안한다. ResNet의 국소 텍스처·에지 표상을 토대로, VMamba의 선택적 상 태공간(S6)과 교차 방향 스캐닝(CSM)에 기반한 전역 의존성 모델링을 도입하여 선 형 복잡도 O(N)와 전역 수용영역을 동시에 달성한다. 아울러 병충해 분류를 위한 “여섯 가지” 학습/추론 최적화 체계를 구축하여 수렴 안정성과 단말(엣지) 측 추론 효율을 강화하였다. 평가 측면에서는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1에 더해 PR/ROC 곡선과 혼동행렬을 도입하여 오분류 양상을 규명하였다. 또한 THOP 도구 를 활용해 매개변수 수, FLOPs, 모델 크기 등 복잡도를 정량 분석함으로써 “성능- 비용-신뢰성”의 종합적 균형을 도모하였다. 통일된 데이터와 학습 프로토콜 하에서, 제안한 RVM은 복수 데이터셋에서 선도 적 성과를 보였다. 두리안과 가지에서의 정확도는 각각 95.42%와 96.78%에 도달하 였고, 카사바에서는 77.44%를 달성하였다. 동시에 매개변수 규모는 약 14.05M, 모델 크기는 약 54MB로 ResNet50과 ViT 등의 기준선 대비 현저히 작아, 정확도-효율- 배치 용이성 측면에서 우수성을 입증하였다. 순수 CNN 혹은 순수 Transformer/SSM 패러다임과 비교할 때, 제안한 RVM은 소표본, 클래스 간 이질성이 큰 상황, 복잡 배경 조건에서도 한층 효과적이었다. 또 한 클래스 활성화 맵(CAM)을 통해 시각적 설명 가능성을 제공하여 인공지능-전문 가 협업 기반의 재검토를 지원한다. 종합하면, 본 논문에서 제안한 RVM 모델은 통일된 평가 프로토콜, 하이브리드 아키텍처 설계, 다차원 복잡도 계량을 통해 재사용 가능한 연구 근거를 형성하였다. 이는 자원 제약적인 현장(필드) 단말 배치를 위한 실현 가능 경로를 제시하며, 향후 멀티모달 융합, 신뢰성 및 불확실성 인지, 모델 경량화 분야의 지속적 연구를 위한 기초를 마련하였다. 키워드: 식물 병충해 식별, 딥러닝, VMamba, ResNet, 상태공간 모델, 종간 분류

more

목차

표 목차 ⅴ
그림 목차ⅵ
초 록 ⅷ
Ⅰ. 서론 1
1. 연구 배경 및 의의 1
2. 국내외 연구 현황 3
1) CNN에 근거한 식물 병충해의 분류 방법3
2) 시각 Transformer의 응용 4
3) Mamba 와 VMamba 모델 5
3. 연구 공백 및 문제 제기 6
Ⅱ. 관련 연구 8
1. 딥러닝 (Deep Learning) 이론8
2. 합성곱 신경망(CNN)의 기본 원리 및 모델9
1) 합성곱 신경망(CNN)의 기본 원리 9
2) 합성곱 신경망(CNN)의 대표적 모델로14
3. Transformer 네트워크 기본 원리 및 모델 19
1) Transformer 기본 원리19
2) Transformer 네트워크의 대표적 모델 22
4. VMamba 기본 원리 및 모델 27
1) VMamba 기본 원리27
2) VMamba 모델 28
5. 기타 관련 모델 이론 32
1) ConvNeXt32
2) FocalNet 33
6. ResNet과 VMamba의 장단점 33
1) ResNet 알고리즘의 장단점 분석 33
2) VMamba 알고리즘의 장단점 36
7. ResNet과 VMamba의 융합 동기 39
1) 융합 동기 39
2) ResNet과 VMamba 융합의 이론적 동기 40
3) 식물 병충해 영상 분류에서의 응용 전망 41
Ⅲ. 잎 병충해 분류를 위한 RVM 모델 제안43
1. 모델 설계 철학 (Design Philosophy)43
1) 병해 이미지의 본질적 구조적 특성 반영 43
2) CNN·Transformer·SSM의 장단점 분석에 기반한 설계44
3) 모델 설계 목표45
2. RVM 아키텍처 개요 (RVM Architecture Overview)45
1) RVM 아키텍처 개요 45
2) ResNet 기반 국소 특징 학습 47
3) VMamba 기반 Global Context Encoder48
3. RVM 모델 설계 및 최적화 49
1) 설계 배경 및 융합 동기 49
2) 설계 원칙 50
3) 아키텍처 구성 및 계층적 분할 50
4) 수학적 형식화 및 단계별 추론 과정 51
4. 데이터 전처리 절차 54
1) 입력 정규화 및 표준화 54
2) 텐서 형식 변환 54
3) 영상 크기 조정 55
4）중심 자르기(Center Crop) 55
5) 데이터 증강(Data Augmentation)55
6）검증용 데이터와 학습용 데이터 처리 차이 56
5. 학습 최적화 전략 및 성능 평가 체계 57
1) 학습 정규화 및 데이터 증강 전략57
2) 학습 과정 모니터링 및 조기 종료 전략 58
3) 손실 함수 58
4) AdamW 최적화기 59
5) 모델 성능 평가 지표 60
6. 모델 복잡도 및 효율성 분석62
1) 모델 복잡도 평가62
2) 파라미터 수 비교 64
3) FLOPs 비교 64
4）추론 속도64
5) 메모리 사용량 64
7. 설계 타당성 검증 65
1) 병해 데이터 특성 반영 측면에서의 적합성 65
2) 기존 모델 대비 구조적 우위65
3) 실험에서의 성능 향상 근거 66

Ⅳ. RVM 모델의 실험 및 분석67
1. 실험 목적 및 연구 질문 67
2. 데이터셋 출처 및 분할 67
3. 실험 설정 및 평가 체계70
4. 비교 모델 71
5. 실험 결과 및 모델 비교 분석 73
1) 실험 결과 종합 개요 73
2) 두리안 병충해 실험 결과 분석 (Durian Disease Dataset) 73
3) 가지 병충해 실험 결과 분석(Eggplant Disease Dataset)80
4) 카사바 병충해 실험 결과 분석(Cassava Disease Dataset)86
6. 교차 데이터셋 모델 종합 비교 소결 92
V. 결론 및 전망93
1. 결론 93
1) 연구 목표 및 문제 정의 재정리93
2) 핵심 기여 요약93
3) 실험 결과 종합 해석 94
4) 학술적·실용적 기여 95
2. 전망 95
1) 연구 한계 95
2) 향후 연구 방향96
참고문헌 97
ABSTRACT 101
감사의 글 103

more
반출 Meta View 목록