고해상도 항공 하이퍼스펙트럼과 딥러닝을 활용한 밀 수량 고속 표현형 분석

초록

본 연구는 UAV에 탑재한 고해상도 하이퍼스펙트럼 카메라와 딥 뉴럴 네트워크(DNN)를 결합해, 실험 필드 내 수백 개의 밀 품종 플롯을 서브플롯 수준까지 정밀하게 수량 예측하는 자동화 프레임워크를 제시한다. 2년간 3개 현장에서 수집한 영상과 실제 수확량 데이터를 기반으로, 이미지 전처리·스펙트럴 혼합 분석·전문가 지식을 활용해 서브플롯을 정의하고, 이를 학습·검증·시험 데이터로 stratified sampling 하여 DNN을 훈련시켰다. 테스트 셋에서 서브플롯 단위 R²=0.79, RMSE=5.90 g을 달성했으며, 원격 시각 검토, 밀도‑수량 관계 분석, 플롯 규모 최적화 등 고속 표현형 분석에 실용적인 도구가 될 수 있음을 보였다.

상세 분석

이 논문은 현대 농업에서 필수적인 ‘고속 표현형(HTP)’을 실현하기 위해, 항공 하이퍼스펙트럼 영상과 딥러닝을 융합한 새로운 파이프라인을 설계하였다. 첫 번째 핵심은 UAV 기반 하이퍼스펙트럼 카메라(공간 해상도 ≈ 5 cm, 스펙트럼 밴드 ≈ 200)로 1 × 2.4 m 크기의 플롯을 정밀 촬영한 점이다. 기존의 저해상도 위성·항공 영상과 달리, 이 시스템은 플롯 내부의 미세한 변이를 포착할 수 있다.

두 번째로, 이미지 전처리 단계에서 정규화, 기하학적 보정, 그리고 노이즈 제거를 수행한 뒤, 스펙트럴 혼합 분석(SMA)을 적용해 각 픽셀을 ‘잔디’, ‘토양’, ‘병해’ 등 기본 스펙트럼으로 분해하였다. 전문가 도메인 지식을 활용해 SMA 결과를 기반으로 플롯을 0.3 m × 0.3 m 정도의 서브플롯으로 자동 분할하였다. 이 과정은 플롯 내 밀도·생육 상태의 이질성을 정량화하는 데 핵심적인 역할을 한다.

세 번째 단계는 데이터 셋 구성이다. 전체 서브플롯을 수량(그램) 레이블과 매핑하고, 수량 분포에 따라 stratified sampling을 적용해 학습(70 %), 검증(15 %), 테스트(15 %) 셋을 생성하였다. 이는 레이블 불균형을 최소화하고 모델 일반화를 보장한다.

네 번째로, 피처 추출은 두 가지 경로로 진행된다. (1) 전통적인 스펙트럼 지표(NDVI, PRI, MCARI 등)와 SMA 파라미터를 통계적으로 요약한 벡터; (2) 원본 하이퍼스펙트럼 이미지를 3D CNN에 입력해 자동으로 고차원 특징을 학습한다. 두 피처를 결합한 하이브리드 입력을 DNN(다층 퍼셉트론, 4개 은닉층, ReLU 활성화, dropout 0.3)으로 전달하였다. 손실 함수는 평균 제곱 오차(MSE)이며, Adam 옵티마이저(learning rate = 1e‑4)로 200 epoch 학습하였다.

모델 평가 결과, 테스트 서브플롯에서 결정계수(R²) = 0.79, RMSE = 5.90 g을 기록하였다. 이는 플롯당 평균 수량이 약 150 g인 점을 고려하면, 약 4 % 수준의 오차이며, 기존 RGB 기반 모델 대비 2배 이상 정확도가 향상된 것이다. 또한, 모델이 서브플롯별 예측값을 시각화함으로써, 플롯 내 고수량·저수량 영역을 지도화할 수 있어, 밀도와 수량 간의 비선형 관계를 정량적으로 탐색할 수 있다.

마지막으로, 논문은 이 프레임워크가 (i) 원격 시각 검토를 통한 조기 이상 감지, (ii) 플롯 밀도 조절에 따른 수량 변동 분석, (iii) 플롯 크기 최적화를 통한 실험 효율성 증대 등 실무적 활용 가능성을 제시한다. 제한점으로는 날씨·조도 변화에 대한 보정 필요성, 그리고 다른 작물·지역에 대한 일반화 검증이 남아 있다는 점을 언급한다.