MobileNet과 CBAM 어텐션 메커니즘을 결합한 과수 병해충 분류 인공지능 모델

Abstract

대한민국 농업은 고증적으로 농산품에 직접적인 피해를 주는 병해충들로 인해 타격을 받아왔다. 최근에는 지구의 온난화가 가속화 되어가는 가운데 기후 환경의 급속한 변화로 인해 농업에 다양한 피해를 발생시키고 있다. 한편 ICT 기술이 나날이 발전을 이루면서 다양한 산업 분야에 인공지능 기술이 적용되고 있으며 경제의 한 주축이 되는 산업인 농업에도 스마트 팜 기술을 도입해 문제를 해결하려는 움직임이 활발하다. 이러한 가운데 본 논문에서는 과수작물의 병해충을 분석을 위해 MobileNet V2 와 어텐션 메커니즘인 CBAM(Convolutional Block Attention Module)을 결합한 모델을 제안한다. 과수작물 병해충 분석에 대해 ResNet DenseNet, EfficientNet, InceptionNet(GoogleNet), MobileNet V2 등의 CNN (Convolutional Neural Network) 모델들을 비교하였고, 그 중 정확도와 효율성 면에서 우수한 성능을 보인 MobileNetV2 의 구조에 CBAM 을 결합함으로써 학습비용이 적게 들면서도 네트워크 깊이가 큰 모델만큼의 성능을 보이는 것을 확인할 수 있었다.|Agriculture in South Korea has historically suffered due to pests and diseases that directly damage crops. Recently, the rapid changes in the climatic environment, accelerated by global warming, have been causing a variety of damages to agriculture. Meanwhile, as Information and Communication Technology (ICT) advances day by day, artificial intelligence technology is being applied across various industrial sectors, becoming a key component of the economy. This is especially true in agriculture, where there is an active movement to solve problems by introducing smart farming technologies. In this context, this thesis proposes a model combining MobileNet V2 and the attention mechanism CBAM for the analysis of fruit crop diseases and pests. ResNet DenseNet, EfficientNet, InceptionNet(GoogleNet), and MobileNet V2 CNN models were compared for the analysis of fruit crop diseases and pests. Among them, it was observed that the structure of MobileNet V2, which showed superior accuracy and efficiency, combined with CBAM, demonstrated performance equivalent to models with greater network depth, while incurring lower training costs.