산림 해충 탐지를 위한 경량형 특징 강화 딥러닝 네트워크 FID‑Net

초록

본 연구는 UAV 가시광 영상에서 감염 나무를 실시간으로 탐지하고, 탐지 결과를 기반으로 KDE, 인접 위험 평가, DBSCAN을 이용해 감염 군집과 보호 구역을 정량화하는 FID‑Net을 제안한다. YOLOv8n에 경량형 Feature Enhancement Module, Adaptive Multi‑scale Feature Fusion Module, Efficient Channel Attention을 결합해 86.10% 정밀도, 75.44% 재현율, mAP@0.5 82.29%를 달성하였다.

상세 분석

FID‑Net은 기존 YOLOv8n 구조에 세 가지 핵심 모듈을 추가함으로써 가시광 UAV 영상에서의 미세한 병증 신호를 효과적으로 추출한다. 첫 번째인 Feature Enhancement Module(FEM)은 RGB 입력을 별도의 작은 브랜치로 전달해, 병충해에 민감한 색상·텍스처 변화를 강조한다. FEM은 1×1 컨볼루션과 깊이별 병합을 통해 파라미터 증가를 최소화하면서도 특징 맵의 스펙트럼을 확장한다. 두 번째인 Adaptive Multi‑scale Feature Fusion Module(AMFM)은 원본 RGB 브랜치와 FEM‑강화 브랜치의 다중 스케일 특징을 정렬하고, 가중치 기반 동적 융합을 수행한다. 이를 위해 각 스케일별 특징을 동일 차원으로 변환한 뒤, 스케일‑별 어텐션 가중치를 학습해 정보 손실을 방지한다. 세 번째인 Efficient Channel Attention(ECA)은 채널 간 상관관계를 1‑D 컨볼루션으로 모델링해, 연산량을 크게 늘리지 않으면서도 핵심 채널을 강조한다. 전체 파라미터는 YOLOv8n 대비 12% 정도만 증가했으며, 실시간 추론(>30 FPS) 요건을 유지한다.

데이터 측면에서 저자들은 동부 티엔산 지역 32개 플롯에서 수집한 3,967장의 고해상도 이미지로 ET‑TDD 데이터셋을 구축하고, 1024×1024 타일링 후 품질 검수를 거쳐 312장의 학습용 이미지(40,241개의 라벨)로 정제하였다. 훈련‑검증‑테스트 비율은 8:2:1로 설정했으며, 다양한 고도·조명·감염 정도를 포함해 모델 일반화를 검증하였다.

성능 평가에서는 Precision 86.10%, Recall 75.44%, mAP@0.5 82.29%, mAP@0.5:0.95 64.30%를 기록했으며, 동일 조건의 YOLOv8s, v8m, v8l 등에 비해 평균 4~7%p 향상을 보였다. Ablation 실험에서는 FEM만 적용했을 때 mAP가 1.9%p 상승, AMFM만 적용했을 때 2.3%p 상승, ECA만 적용했을 때 1.5%p 상승했으며, 세 모듈을 모두 결합했을 때 최종 성능이 도출되었다.

탐지 결과를 활용한 공간 분석 파이프라인도 주목할 만하다. KDE를 통해 감염 나무의 고밀도 핫스팟을 시각화하고, 인접 위험 평가는 비감염 나무 주변 30 m 반경 내 감염 밀도를 기반으로 위험 점수를 부여한다. 마지막으로 DBSCAN 클러스터링은 비감염 나무 중 고밀도 군집을 식별해, 우선 보호 구역으로 지정한다. 이러한 정량적 지표는 현장 관리자가 제한된 인력을 효율적으로 배치하고, 조기 경보 시스템에 활용할 수 있게 한다.

한계점으로는 가시광 영상만 사용해 스펙트럼 정보가 제한된 점, 데이터가 특정 지역(동부 티엔산)와 특정 수종(라르시스, 스크렌크)에 국한된 점, 그리고 감염 초기 증상이 매우 미세할 경우 검출률이 감소할 가능성이 있다. 향후 연구에서는 멀티스펙트럼·하이퍼스펙트럼 센서와 LiDAR를 융합해 3D 구조 정보를 보강하거나, 시계열 UAV 촬영을 통해 감염 진행 모델을 구축하는 방안을 제시한다. 전반적으로 FID‑Net은 경량화와 정확도 사이의 균형을 잘 맞춘 실용적인 솔루션이며, UAV 기반 산림 병충해 모니터링에 새로운 표준을 제시한다.