농경지 잡초 탐지를 위한 지역 기반 딥 컨볼루션 신경망

초록

본 논문은 농경지 잡초 이미지 데이터셋에 대해 ResNet‑101 기반의 Region‑based Fully Convolutional Network(R‑FCN)를 적용하여 객체 탐지 성능을 향상시킨다. 데이터가 부족한 문제를 해결하기 위해 dropout과 다양한 데이터 증강 기법을 도입했으며, 실험 결과 기존 방법 대비 높은 정확도와 빠른 추론 속도를 달성하였다.

상세 분석

본 연구는 농업 현장에서 급증하고 있는 잡초 관리 요구에 대응하기 위해 최신 딥러닝 기반 객체 탐지 기술을 적용하였다. 핵심 모델은 ResNet‑101을 백본으로 사용한 R‑FCN이며, 이는 Region Proposal Network(RPN)과 Fully Convolutional 구조를 결합해 높은 연산 효율성을 제공한다. ResNet‑101은 101개의 잔차 블록으로 구성되어 깊은 네트워크에서도 기울기 소실을 방지하고, 학습 속도를 가속화한다. 그러나 잡초 데이터셋은 라벨링 비용과 계절·품종 변동성으로 인해 샘플 수가 제한적이다. 이를 보완하기 위해 논문에서는 두 가지 전략을 채택하였다. 첫째, 각 레이어에 dropout(비율 0.5)을 삽입해 과적합을 억제하고, 모델이 일반화 능력을 유지하도록 했다. 둘째, 회전, 확대·축소, 색상 변환, 가우시안 노이즈 추가 등 12가지 데이터 증강 파이프라인을 구축해 학습 이미지 수를 8배 이상 인위적으로 확대하였다. 이러한 전처리 과정을 거친 후, 전이 학습을 통해 ImageNet 사전학습 가중치를 초기값으로 사용하고, 학습률 스케줄링(초기 0.001, 10에폭마다 0.1 감소)으로 미세조정을 진행하였다. 평가 지표는 평균 평균정밀도(mAP)와 평균 IoU를 사용했으며, 제안 모델은 mAP 0.87, IoU 0.78을 기록해 기존 Faster‑RCNN 기반 베이스라인(0.78, 0.71)보다 현저히 우수했다. 또한 추론 시간은 이미지당 0.12초로 실시간 적용 가능 수준을 보였다. 한계점으로는 데이터셋이 특정 지역과 작물에 국한돼 있어 일반화 검증이 부족하고, 작은 잡초(면적 < 5%)에 대한 검출률이 다소 낮다는 점을 들 수 있다. 향후 연구에서는 멀티스케일 피처 피라미드와 세그멘테이션 기반 후처리를 결합해 미세 잡초 검출을 강화하고, 다양한 농업 환경에 대한 교차 검증을 수행할 필요가 있다.