CNN 기법을 이용한 병충해에 걸린 식물의 이미지 분류 : AI 영농법
Plant Diseases and Pest Classification Based on CNN Technique : AI Farming
- 주제(키워드) 도움말 CNN , Confusion Matrix
- 발행기관 강릉원주대학교 일반대학원
- 지도교수 도움말 김환석
- 발행년도 2024
- 학위수여년월 2024. 8
- 학위명 석사
- 학과 및 전공 도움말 일반대학원 의료기기융복합학과
- 실제URI http://www.dcollection.net/handler/kangnung/000000011875
- UCI I804:42001-000000011875
- 본문언어 한국어
초록/요약 도움말
최근 농업 분야에서는 식물 병충해의 조기 탐지와 진단이 매우 중요하다. 이에 따라 컴퓨터 비전과 딥러닝 기술을 활용한 병충해 식물 이미지 분석 연구가 활발히 진행되고 있다. 본 연구는 현재의 AI 기술을 활용하여 농업 분야의 과제에 대응하고자 하는 중요한 주제를 다루고 있다. 농업 분야에서의 생산성 향상과 지속 가능한 영농 방법 모색은 현대 사회에서 중요한 과제 중 하나이기 때문이다. 본 연구의 주요 목표는 CNN (Convolutional Neural Network)을 활용하여 병충해에 감염된 작물을 이미지 분석을 통해 자동으로 식별하는 AI 시스템을 개발하는 것이다. 이것을 통하여 조기에 농부들은 문제를 발견하게 되고 효과적으로 대응함으로써 수확량을 증가시키고 손실을 최소화할 수 있을 것이다. 또한, 데이터 기반의 의사결정 방법을 도입함으로써 예방적인 농업 관리에 기여할 수 있다. 우선 연구에 앞서 CNN과정을 이해하기 위해서 그 상위 개념인 Deep Learning과 Machine learning, 그리고 AI에 대하여 정리하고 CNN의 모든 과정을 layer별로 기술하였다. 연구의 주된 내용은 kaggle에서 수집 한 병충해에 걸린 식물 9가지의 데이터 10,000여개를 저장하여 Tensorflow를 기반으로 만든 CNN (Convolutional Neural Network) model로 데이터를 학습시키고 이미지 분류를 하였다. 주로 지도학습에서 많이 사용하는 Confusion Matrix를 사용하여 예측 결과와 실제 결과를 비교하고 Classification Report 그리고 ROC Curve and AUC를 통하여 검증하였다. 실험 결과를 토대로 제시된 모델은 효과적으로 식물 병충해를 식별하고 분류할 수 있음을 확인하였으며, 이는 농업 분야에서의 아주 높은 실용성을 가지고 있음을 의미한다. 그리고 이러한 기술의 도입은 농업 분야에서의 노동력 부족 및 생산성 감소와 같은 문제에 대응하는 데 도움이 될 것으로 예상된다. 또한, 농업 생산성의 향상은 식량 생산의 안정성과 식량 보안에도 긍정적인 영향을 미칠 것이다. 앞으로의 연구에서는 모델 성능의 향상과 실제 현장 적용을 위하여 더 깊은 연구가 필요하다.
more초록/요약 도움말
Recently, early detection and diagnosis of plant diseases and pests have become crucial in the field of agriculture. As a result, research on the analysis of plant images for diseases and pests using computer vision and deep learning techniques is actively being conducted. This study addresses an important topic of utilizing current AI technology to address challenges in agriculture. Enhancing productivity and seeking sustainable farming methods are significant challenges in modern society. The main goal of this study is to develop an AI system using a Convolutional Neural Network (CNN) based on TensorFlow to automatically identify crops infected with diseases and pests through image analysis. Through this, farmers can detect problems early and effectively respond, thus increasing yields and minimizing losses. Additionally, introducing data-driven decision-making methods can contribute to preventive agricultural management. Prior to the research, concepts such as Deep Learning, Machine Learning, and AI were summarized to understand the CNN process, and all steps of CNN were described in detail. The primary focus of the research involved collecting data on nine types of plants affected by various diseases and pests from Kaggle, totaling around 10,000 images. These images were used to train a Convolutional Neural Network (CNN) model based on TensorFlow for image classification. Mainly utilizing supervised learning techniques, the study employed a confusion matrix to compare predicted results with actual outcomes. Additionally, validation was conducted using a Classification Report and ROC Curve, along with calculating the Area Under the Curve (AUC).. Based on the experimental results, it was confirmed that the proposed model effectively classifies and identifies plant diseases and pests, demonstrating its practicality in agriculture. Furthermore, the adoption of such technology is expected to help address issues such as labor shortages and decreased productivity in agriculture. Additionally, improving agricultural productivity will have a positive impact on food production stability and food security. Further research is needed for model performance improvement and real-world application in the future.
more목차 도움말
Ⅰ. 서론 1
1. 연구 배경 1
1) AI 기술의 발전 2
2) 세계 AI 기술 수준 비교 2
3) 한국의 합계 출산률과 생산 가능 인구 2
4) AI 영농법의 중요성 3
2. 연구 목표 3
3. 연구 방향 4
Ⅱ. 연구 이론 5
1. 관련 연구 5
1) AI, Machine Learning, Deep Learning 5
2) CNN(Convolution Neural Network) 6
(1) Convolution Layer 8
(2) Fully Connected Layer(Dense Layer) 11
2. 연구 방법 11
1) Optimization(최적화) 11
(1) Backpropagation(역전파) 12
(2) Loss Function(손실함수) 13
(3) Optimizer 13
2) Parameter and Hyperparameter 14
3. 결과 분석 방법 15
1) Confusion Matrix(혼동 행렬) 15
2) ROC Curve and AUC 17
Ⅲ. 연구 절차 19
1. 데이터 수집과 전처리 19
2. 실험 절차 22
1) 모델 설계 22
2) 실험 과정 23
(1) Image Extracrion Process 23
(2) Image Classification Process 24
3. 실험 결과 25
1) Results of Accuracy 26
2) Results of Loss 27
3) Results of Confusion Matrix 28
4) Image Data Visualization 29
4. 성능 평가 31
1) Results of Classfication Report 31
2) ROC Curve and AUC 36
Ⅳ. 결론 38
참고문헌 41
Abstract 43
