두 단계와 이미지 정렬로 99% 정확도 달성한 순수 전결합 신경망 기반 쌀 품종 분류

초록

본 논문은 전결합 신경망(FCNN)을 기반으로 쌀 알갱이 이미지를 분류하고, (1) 다단계 분류 구조와 (2) 이미지 회전·정렬 전처리 두 가지 개선을 적용해 전역·국내 데이터셋에서 정확도를 97%에서 99%로 상승시킨 연구이다.

상세 분석

이 연구는 딥러닝 기반 농산물 분류에서 흔히 사용되는 합성곱 신경망(CNN) 대신 전결합 신경망(FCNN)을 선택한 점이 가장 눈에 띈다. FCNN은 파라미터 수가 비교적 적고 해석이 용이하지만, 이미지의 공간적 특징을 직접 학습하기 어렵다. 저자들은 입력 이미지를 32 × 32로 축소하고, 첫 번째 은닉층을 64개의 뉴런으로 제한함으로써 차원 축소와 과적합 방지를 시도했다. 그러나 이러한 구조는 고해상도 텍스처 정보를 손실시킬 위험이 있다.

다단계 분류(Multi‑stage Classification) 전략은 의사결정 트리의 개념을 신경망에 도입한 것으로, 혼동이 잦은 클래스(Arborio와 Karacadag)를 먼저 ‘AK’라는 중간 라벨로 묶고, 두 번째 단계에서 세밀히 구분한다. 이 접근법은 클래스 불균형이나 경계가 모호한 경우에 효과적이며, 실제 실험에서 SGD 옵티마이저와 결합해 1단계 정확도 99.75%, 2단계 정확도 97.75%를 기록했다. 다만, 단계별 모델을 별도로 학습해야 하므로 전체 파이프라인의 복잡도가 증가하고, 실시간 시스템에 적용할 경우 지연 시간이 발생할 수 있다.

고정 플리핑(Fixed Flipping) 전처리는 이미지 내 쌀 알갱이의 회전 각도를 자동 보정해 수평·수직 정렬된 형태로 변환한다. 이는 데이터 증강 없이도 위치 변동에 대한 강인성을 확보한다는 장점이 있다. 구현 방식은 경계 박스를 반복적으로 회전·채우기하면서 최소 면적을 찾는 알고리즘인데, 연산량이 다소 높아 대규모 데이터셋 전처리 시 시간 비용이 증가한다.

실험에서는 전역 데이터셋(5종, 각 15 000장)과 국내 데이터셋(6종, 각 약 3 000장)을 사용했으며, 다양한 옵티마이저(AdaDelta, Adam, RMSprop, Nadam, SGD)를 비교했다. SGD가 가장 높은 테스트 정확도를 보였으며, 다단계와 고정 플리핑을 동시에 적용했을 때 최종 정확도가 99.42%에 달했다. 이는 기존 연구에서 보고된 CNN 기반 모델(≈99% 수준)과 비슷하거나 약간 우수한 결과이며, FCNN만으로도 충분히 경쟁력 있음을 시사한다.

하지만 몇 가지 한계도 존재한다. 첫째, 이미지 해상도를 32 × 32로 낮춘 뒤 FCNN에 입력함으로써 세밀한 질감 정보가 손실될 가능성이 있다. 둘째, 다단계 구조는 사전 지식(어떤 클래스가 혼동되는가)에 의존하므로 새로운 품종이 추가될 경우 재설계가 필요하다. 셋째, 데이터셋이 흑백 배경에 고정된 실험 환경에서 수집됐기 때문에 실제 현장 촬영 시 조명·배경 변동에 대한 일반화 능력이 검증되지 않았다. 향후 연구에서는 고해상도 입력을 유지하면서 CNN·FCNN 하이브리드 구조를 탐색하고, 다양한 촬영 조건을 포함한 공개 데이터셋을 구축해 모델의 견고성을 평가할 필요가 있다.