합성곱 신경망을 이용한 ‘미황’ 복숭아 과실의 성숙도 분류
* 본 문서는 배포용으로 복사 및 편집이 불가합니다.
서지정보
ㆍ발행기관 : 한국생물환경조절학회
ㆍ수록지정보 : 생물환경조절학회지(구 시설원예ㆍ식물공장) / 31권 / 4호
ㆍ저자명 : 신미희, 장경은, 이슬기, 조정건, 송상준, 김진국
ㆍ저자명 : 신미희, 장경은, 이슬기, 조정건, 송상준, 김진국
목차
Abstract서 론
재료 및 방법
1. 시험재료 및 영상 데이터 취득
2. 복숭아 과실 품질 조사
3. 데이터 전처리 및 데이터 증강
4. 테스트 CNN 모델
5. 시험환경 및 모델 성능평가
6. 복숭아 숙도 판별용 지표에 대한 모델 성능 평가
결과 및 고찰
1. 복숭아 ‘미황’ 과실의 성숙기간 중 숙도 판별용 지표의변화
2. 수확지표 경도를 이용한 합성곱 신경망 적용 결과 분석
3. 수확지표 색도 Hue와 a*값을 이용한 합성곱 신경망적용 결과 분석
4. VGG16과 InceptionV3 모델의 성능비교
적 요
사 사
Literature Cited
한국어 초록
본 연구는 무대재배 복숭아 ‘미황’을 대상으로 성숙기간 중 RGB 영상을 취득한 후 다양한 품질 지표를 측정하고 이를 딥 러닝 기술에 적용하여 복숭아 과실 숙도 분류의 가능성을 탐 색하고자 실시하였다. 취득 영상 730개의 데이터를 training 과 validation에 사용하였고, 170개는 최종 테스트 이미지로 사용하였다. 본 연구에서는 딥러닝을 활용한 성숙도 자동 분 류를 위하여 조사된 품질 지표 중 경도, Hue 값, a*값을 최종 선 발하여 이미지를 수동으로 미성숙(immature), 성숙(mature), 과숙(over mature)으로 분류하였다. 이미지 자동 분류는 CNN (Convolutional Neural Networks, 컨볼루션 신경망) 모델 중 에서 이미지 분류 및 탐지에서 우수한 성능을 보이고 있는 VGG16, GoogLeNet의 InceptionV3 두 종류의 모델을 사용 하여 복숭아 품질 지표 값의 분류 이미지별 성능을 측정하였 다. 딥러닝을 통한 성숙도 이미지 분석 결과, VGG16과 InceptionV3 모델에서 Hue_left 특성이 각각 87.1%, 83.6% 의 성능(F1 기준)을 나타냈고, 그에 비해 Firmness 특성이 각각 72.2%, 76.9%를 나타냈고, Loss율이 각각 54.3%, 62.1% 로 Firmness를 기준으로 한 성숙도 분류는 적용성이 낮음을 확인하였다. 추후에 더 많은 종류의 이미지와 다양한 품질 지 표를 가지고 학습이 진행된다면 이전 연구보다 향상된 정확도 와 세밀한 성숙도 판별이 가능할 것으로 판단되었다.영어 초록
This study was conducted using deep learning technology to classify for ‘Mihwang’ peach maturity with RGB images and fruit quality attributes during fruit development and maturation periods. The 730 images of peach were used in the training data set and validation data set at a ratio of 8:2. The remains of 170 images were used to test the deep learning models. In this study, among the fruit quality attributes, firmness, Hue value, and a* value were adapted to the index with maturity classification, such as immature, mature, and over mature fruit. This study used the CNN (Convolutional Neural Networks) models for image classification; VGG16 and InceptionV3 of GoogLeNet. The performance results show 87.1% and 83.6% with Hue left value in VGG16 and InceptionV3, respectively. In contrast, the performance results show 72.2% and 76.9% with firmness in VGG16 and InceptionV3, respectively. The loss rate shows 54.3% and 62.1% with firmness in VGG16 and InceptionV3, respectively. It considers increasing for adapting a field utilization with firmness index in peach.참고 자료
없음태그
"생물환경조절학회지(구 시설원예ㆍ식물공장)"의 다른 논문
- 연동온실 내 위치별 일사량에 따른 토마토의 생육 및 수량 비교9페이지
- 재사용 암면, 마사토 및 원예용 상토의 혼합비율에 따른 딸기 자묘의 생육 특성7페이지
- 교육용 시뮬레이션 설계를 위한 온실 환경 제어 모델의 활용12페이지
- 파프리카 수경재배 시 배액 재사용과 배지 종류에 따른 생육 및 배액 내 이온 농도 변화9페이지
- 온실 난방 개시온도와 CO2 시비 농도가 애호박의 생육과 수량에 미치는 영향8페이지
- 열무 재배를 위한 시설하우스 폐양액의 비료 효과8페이지
- 아두이노와 무선통신을 이용한 온실 환경 계측 시스템 설계8페이지
- 장기 수경재배에서 급액량의 차이가 토마토 생육과 수량 특성에 미치는 영향8페이지
- 가새 설치에 따른 벤로형 지붕 연동온실의 구조성능 평가6페이지
- 외부 광환경 및 생육도일온도가 딸기 생산량에 미치는 영향6페이지