실제 과수원에서 샤티안 포멜로 탐지를 위한 다중전략 프레임워크

초록

본 논문은 촬영 장치·조명·스케일·폐색 등 네 가지 실환경 변동성을 고려한 샤티안 포멜로 자동 검출 시스템을 제안한다. 실제 과수원 이미지와 웹 이미지로 구성한 STP‑AgriData 데이터셋을 구축하고, 대비·밝기 변환 등으로 조명 변동을 시뮬레이션한다. 핵심 모델인 REAS‑Det는 YOLOv8 기반에 Global‑Selective Visibility Convolution(GSV‑Conv), Composite Receptive Field Enhancement Module(C3RFEM), Multi‑Scale Multi‑Head Feature Selection(MultiSEAM) 및 Soft‑NMS를 결합한다. 실험 결과 mAP@0.50 84.3 %·mAP@0.50:0.95 53.6 %를 달성하며 기존 최첨단 검출기 대비 우수한 정확도와 견고성을 보인다.

상세 분석

본 연구는 과일 검출 분야에서 흔히 간과되는 ‘현장 변동성’에 초점을 맞추었다. 저자들은 촬영 장치마다 색조·선명도가 달라지는 ‘톤 쉬프트’, 일조·그늘에 따라 급격히 변하는 ‘조명 불안정’, 과수원의 밀집 재배 특성으로 인한 ‘스케일 다양성’, 그리고 잎·가지에 가려지는 ‘폐색’ 네 가지 요인을 핵심 문제로 정의하고, 각각을 데이터·모델 차원에서 해결하고자 한다. 데이터 측면에서는 실제 과수원에서 촬영한 150여 장의 고해상도 이미지와 인터넷에서 수집한 167장의 다양한 조명·장비 조건 이미지를 결합해 STP‑AgriData를 구축하였다. 이후 랜덤 플립, 그레이스케일 변환, 노이즈 추가, 대비·밝기 조정 등 6가지 증강을 적용해 학습 샘플을 1330장으로 확대함으로써 모델의 일반화 능력을 크게 향상시켰다.

모델 설계에서는 기존 컨볼루션이 고정된 수용 영역 내에서만 지역 정보를 집계한다는 한계를 지적하고, 전역 의미 정보를 사전에 가시화하는 GSV‑Conv를 제안한다. GSV‑Conv는 입력 피처맵을 전역 의미 유사도 기반으로 재배열한 뒤, 재배열된 피처에 기존 3×3 컨볼루션을 적용함으로써 ‘비인과적 전역 인식’을 구현한다. 이는 장거리 의존성을 추가적인 양방향 어텐션 없이도 확보하면서도 연산 효율성을 유지한다. 또한, C3RFEM은 수용 영역 확대 과정에서 손실되는 미세 정보를 보완하기 위해 다중 경로와 팽창 컨볼루션을 결합한 복합 수용 영역 강화 모듈이다. MultiSEAM은 서로 다른 스케일·헤드에서 추출된 피처를 동적으로 선택·통합하여 폐색된 과일의 특징을 강화한다. 마지막으로 Soft‑NMS를 적용해 밀집된 과일 군집에서도 중복 박스를 완화하고 정밀도를 높였다.

실험에서는 REAS‑Det가 기존 YOLOv5, YOLOv8, Faster‑RCNN 등과 비교해 Precision 86.5 %, Recall 77.2 %, mAP@0.50 84.3 %, mAP@0.50:0.95 53.6 %를 기록했으며, 특히 조명 변동과 스케일 변동에 대한 강인성이 두드러졌다. Ablation study를 통해 GSV‑Conv만 단독 적용해도 mAP가 3.2 % 상승하고, C3RFEM·MultiSEAM·Soft‑NMS를 순차적으로 추가함에 따라 성능이 점진적으로 개선되는 것을 확인했다.

한계점으로는 현재 데이터셋이 중국 남부 지역에 국한돼 있어 다른 기후·품종에 대한 일반화 검증이 부족하다는 점, 그리고 GSV‑Conv의 전역 재배열 과정이 메모리 사용량을 다소 증가시킨다는 점을 들 수 있다. 향후 연구에서는 지역별 데이터 확장과 경량화된 전역 가시화 기법을 모색할 필요가 있다.