기술 개요
- 딥 러닝(Deep Learning)을 이용하여 이미지로부터 병충해를 검출하고, 이를 진단하여 이미지 상에 병충해를 명확히 표시함으로써 작물 병충해를 정확하게 진단하여 직관적으로 이를 보여주는 작물 병충해 검출 및 진단 장치에 관한 기술
- 입력된 작물 이미지로부터 병충해 의심 영역에 대한 경계영역 박스를 생성하고, 1차 병충해 클래스를 검출함. 병충해 클래스별 컨볼루션 뉴런 네트워크(CNN)를 사용하여 의심 영역에서 병충해 이름 및 정확도 값을 진단하여병증 및 정확도 값을 통합하여 표시함
기술의 필요성
- 대량으로 축적된 데이터로부터 높은 수준의 추상화 모델을 구축하기 위한 딥 러닝은 다양한 분야에서 적용되고 있음. 인식시스템에 있어서의 딥 러닝 연구는 배경분리, 특징 추출 알고리즘을 사람의 경험적 노하우를 이용하여 설계하는 대신, 많은 데이터를 수집하여 직접 해당 역할을 하는 모델을 학습시킴으로써 좋은 성능을 내고 있음
- 딥 러닝을 이용하여 의료 영상 내 질환을 진단하고자 하나, 아직까지 정확도를 향상시키는 기술이 개시 되지 못하였음
기술의 특장점
- 작물 병충해의 검출과 진단에 개별적인 딥 러닝 기술을 적용하여 구조적 분리를 도모하여 개별 알고리즘의 성능 향상이 전체 시스템의 성능 향상을 유도
- 작물의 병충해 종류별로 별도의 학습 능력을 가진 CNN을 구성하여 높은 성능 구현 및 확장성을 가짐. 본 발명을 기반으로 다수의 작물 병충해에 대한 검출, 진단 추진 가능
국내 기술 동향
인간의 개입을 최소화 하고 시스템을 스스로 제어하여, 농자재 투입을 최소화하면서도 산출물을 극대화 할 수 있는 인공지능형 농업 생산 시스템으로 발전시키기 위해 인공지능 관련 R&D수행
- 농촌진흥청에서는 식물의 생육 정보 및 병충해 진단을 위한 이미지 분석 과제 수행 중(2016년)
- 획득된 정보를 바탕으로 빅데이터, 인공지능 기술을 이용하여 의사결정 수행을 위한 제어시스템 마련
국외 기술 동향
이미지 인식 기술을 이용한 PEAT 테크놀러지社의 플랜틱스 모바일 어플리케이션
- 독일, 브라질, 인도의 농부들은 플랜틱스를 사용해서 병해를 입은 작물을 업로드 하고, 이 사진을 바탕으로 거대한 크라우드 소싱 데이터베이스가 마련되어, 농부들은 작물의 병해를 진단, 치료 및 예방 가능
- PEAT는 90% 이상의 정확도로 60개 이상의 식물 병해와 병원체를 구분
펜실베니아 대학교의 생명공학자 David Hughes교수와 로잔공과대학의 유행병학자 Marcel Salathe교수는 26종의 병충해가 발생한 14종의 농작물을 키우며 그 모습을 촬영하여 인공지능 스스로 병충해 패턴을 발견 및 분석, 판단 및 예측하는 능력 개발 중. 현재 99.35% 식별 가능
블루 리버 테크놀로지社의 레티스봇(LettuceBot) 개발
- 레티스봇은 상추 밭을 지나면서 1분 동안 5,000장의 장면을 촬영하여 상추와 싹이 돋은 잡초를 구분하는 역할을 하고 으며, 이를 통해 살포되고 있는 제초제 량을 90% 가량 줄일 수 있음
국내 시장 동향
딥 러닝의 영상인식 기능을 활용한 활용 사례
- 네이버: N 드라이브 사진, 이모티콘 추천 서비스
- 현대자동차: 자율주행 자동차
- 힘스인터네셔널: 체성분 분석 및 혈압 진단기기 등 의료서비스
딥 러닝 기반의 화재 영상 인식 기술
- 무인기와 같은 항공기에서 촬영한 정지 영상을 분석하여 산불과 같은 화재 발생 여부를 인식하는 기술로 CNN을 적용하여 높은 정확도를 달성
국외 시장 동향
딥 러닝의 영상인식 기능을 활용한 활용 사례
- 페이스북(Facebook): 게시하는 사진에서 사람을 인식(Deep Face)하고, 이를 누구와 공유해야 하는지 판단
- 구글(Google): Google+에서 사진 태깅
- 마이크로소프트(Microsoft): 아담프로젝트
- Baidu: 자율주행 자동차 및 자전거 서비스
- NVIDIA: 컴퓨터 Driber-PX 개발하여 자동차에 장착된 12개의 HD카메라 영상을 인식하여 주변 상황 파악을 하고 자율 주행이 가능하도록 지원
- 넷플릭스: 영화추천 서비스
딥 러닝 적용 방식 별 응용사례
CNN 기반의 딥 러닝
- 의료 이미지로부터 피부, 폐 병변 진단 및 신체 인식
- 그림자 영역 학습 방법에 의한 움직이는 그림자 검출
- Cascaded CNN 기반 보행자 검출
CNN과 기존의 특성 추출 결합 기반 딥 러닝
- 기존 sparse coding 기술을 CNN과 접목하여 이미지의 super resolution 기술로 사용
- 얼굴 검출에 기존의 Haar 분류기를 사용하고 검출된 얼굴에 대해 R-CNN (Regions with CNN)을 이용하여 얼굴 표정을 인식
