AgriMind: 다중 클래스 식물 질병 분류를 위한 앙상블 딥러닝 프레임워크
요약
AgriMind는 수동 식물 질병 탐지를 자동화하기 위해 개발된 앙상블 딥러닝 프레임워크입니다. ResNet50, EfficientNet-B0, DenseNet121 모델을 결합하여 15가지 식물 질병 클래스에 대해 99.23%의 높은 정확도를 달성했습니다. 전이 학습 방식을 통해 효율적인 학습을 구현했으며, NVIDIA T4 GPU 기준 53 FPS의 빠른 추론 속도를 보여줍니다.
핵심 포인트
- ResNet50, EfficientNet-B0, DenseNet121 모델의 소프트맥스 출력값 평균화를 통한 앙상블 기법 적용
- ImageNet 백본을 고정한 전이 학습(Transfer learning)을 통해 가벼운 파이프라인 유지
- 단일 모델 대비 오류율을 3분의 2 수준으로 절감하며 99.23%의 정확도 기록
- NVIDIA T4 GPU 환경에서 53 FPS의 실시간 처리 성능 확보
- 토마토와 같이 시각적으로 유사한 클래스에 대해서도 99.01%의 높은 분류 성능 증명
방글라데시에서는 수백만 개의 소규모 농장에서 지도 요원들이 잎 샘플을 육안으로 확인하는 등 식물 질병 탐지가 여전히 상당 부분 수동으로 이루어지고 있습니다. 우리는 이를 자동화하기 위해 AgriMind를 구축했습니다. AgriMind는 15가지 고추, 감자, 토마토 질병 클래스에 걸친 20,638개의 PlantVillage 이미지를 사용하여 학습된 ResNet50, EfficientNet-B0, DenseNet121의 앙상블 (Ensemble) 모델입니다. ImageNet 백본 (Backbone)을 고정하고 헤드 (Head) 부분만 10 에포크 (Epochs) 동안 학습시키는 전이 학습 (Transfer learning) 방식을 통해 파이프라인을 가볍게 유지했습니다. 개별 모델들은 홀드아웃 (Held-out) 테스트 세트에서 96~97%의 성능을 기록했으나, 소프트맥스 (Softmax) 출력값을 평균화함으로써 앙상블 모델의 성능을 99.23%까지 끌어올렸으며, 이는 오류율을 3분의 2 수준으로 절감한 결과입니다. 가장 성능이 좋은 검증 모델 쪽으로 평균값을 편향되게 설정하는 시도를 해보았으나, 오히려 역효과를 냈습니다. 또한 단 하나의 모델이라도 제외하면 성능이 저하되었습니다. 고추와 감자는 완벽하게 분류되었으며, 시각적으로 유사한 클래스가 10개인 토마토의 경우에도 99.01%에 도달했습니다. NVIDIA T4 GPU에서 전체 앙상블은 53 FPS로 작동합니다. 이것이 실시간 모바일 사용으로 이어질지는 TensorFlow Lite 최적화 여부에 달려 있으며, 이는 아직 완료되지 않은 작업입니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기