FastGAN 합성 데이터 생성, Transformer 기반 분류 및 설명 가능한 AI를 통한 소량 데이터 기반 초분광 진딧물 탐지

작물 내 진딧물(aphid) 피해의 조기 탐지는 수확량 손실을 방지하고 불필요한 농약 사용을 줄이는 데 필수적입니다. 분광 정보 발산 (Spectral Information Divergence, SID) 분석과 결합된 초분광 이미징 (Hyperspectral imaging)은 식물 건강 상태를 모니터링하기 위한 비파괴적 접근 방식을 제공하지만, 초분광 데이터에 적용되는 딥러닝 (deep learning) 방법들은 종종 작은 데이터셋 규모로 인해 제한을 받습니다. 본 연구에서는 건강한 샘플과 진딧물에 감염된 샘플을 포함하는 잠두(faba bean) 잎의 초분광 SID 데이터셋을 증강하기 위해 데이터 효율적인 생성적 적대 신경망 (Generative Adversarial Network, FastGAN)을 채택하였습니다. 학습된 생성기 (generator)는 실제 샘플의 구조적 및 분광적 특성을 보존하는 10,000개의 합성 이미지를 생성했습니다. 이미지 품질은 프레셰 인셉션 거리 (Frechet Inception Distance, FID)를 사용하여 평가되었으며, 잎의 형태와 감염 패턴의 안정적인 수렴 및 현실적인 재구성을 입증했습니다. 증강된 데이터셋은 VGG16, ResNet-50, EfficientNet, 그리고 Vision Transformer (ViT)의 네 가지 분류 아키텍처 (classification architectures)를 학습시키는 데 사용되었습니다. 결과에 따르면 데이터셋 증강은 분류 견고성 (classification robustness)을 크게 향상시켰으며, 성능은 고전적인 합성곱 신경망 (convolutional networks)에서 트랜스포머 기반 모델 (transformer-based models)로 갈수록 점진적으로 증가했습니다. ViT 모델이 가장 높은 정확도 (accuracy)와 F1-score를 달성한 반면, EfficientNet은 강력하고 균형 잡힌 성능을 제공하였고 ResNet-50은 VGG16 대비 완만한 개선을 보였습니다. 혼동 행렬 (Confusion matrix) 분석을 통해 고급 아키텍처를 사용할 때 위음성 (false negatives)이 감소하고 질병 탐지 능력이 향상됨을 확인했습니다. 이러한 연구 결과는 FastGAN 기반의 증강이 초분광 식물 질병 분류를 효과적으로 강화하며, 트랜스포머 기반 모델이 건강한 잎과 감염된 잎 사이에서 가장 신뢰할 수 있는 판별력을 제공한다는 것을 입증합니다.