감자 튜버 품질 평가와 질병 심각도 혁신을 위해 최근 고급 영상 및 기계 학습 기법을 활용한 첩보적인 연구가 진행되었습니다. 이 혁신적인 접근 방식은 ‘ScabyNet’이라는 액세스 가능한 애플리케이션 개발로 이어져 농업 분야에서의 최첨단 기술의 잠재력을 보여주고 있습니다.
해당 연구의 주요 목표는 잠재적인 시장 이용을 위해 감자 튜버의 길이, 너비, 면적 및 색상과 같은 다양한 형태 특성을 평가하여 품질에 대한 가치 있는 통찰력을 얻는 것이었습니다. 또한, 연구진은 컨볼루션 신경망(CNN)을 사용하여 감자 튜버에서 일반적인 감자 뿌리파인광반응증(CS)의 심각성을 감지하고 측정하는 것을 목표로 하였습니다. 마지막으로, 이러한 기능들을 사용하기 쉬운 애플리케이션으로 통합하고자 하였습니다.
해당 연구를 위해 연구진은 노르웨이에서 다양한 감자 유전형의 총 7200개의 튜버를 캐논 파워샷 G9 X Mark II 카메라를 사용하여 촬영하였습니다. 이러한 이미지는 이후 ScabyNet 인터페이스 내에서 OpenCV와 TensorFlow를 사용하여 처리되었습니다. 애플리케이션의 그래픽 사용자 인터페이스(GUI)는 튜버 형태 특성을 평가하는 하나의 모듈 및 CS 유발 병변을 평가하는 다른 모듈로 구성되었습니다.
ScabyNet이 사용한 이미지 처리 파이프라인에는 배경 제거, 색상 변환, 개체 식별 및 분할 등 여러 가지 중요한 단계가 포함되었습니다. 연구진은 정확성을 위해 ‘Trainable Weka Segmentation’이라는 기계 학습 도구를 사용한 후 수동으로 검증을 하였습니다. ScabyNet의 딥 러닝 모듈은 VGG16, VGG19 및 ResNet50V2와 같은 다양한 아키텍처를 사용하여 CS 심각도 수준을 예측하였습니다.
또한, ScabyNet은 L*a*b 색 공간에서 색상 분석을 제공하며 K-means 색상 양자화를 활용하였습니다. 개별 이미지 결과는 화면에 표시되고 일괄 처리 결과는 관련 측정 값과 함께 지정된 폴더에 저장되었습니다. 요컨대, 이 첩보적인 방법론은 감자 튜버 품질과 질병 심각도를 평가하기 위한 견고한 프레임워크를 수립하여 농업 실천과 시장 분석에 큰 도움을 줄 수 있습니다.
고급 영상 및 기계 학습과 같은 최첨단 기술을 접목함으로써, 이 연구는 농업 분야에서의 혁신 잠재력을 명확히 보여줍니다. ScabyNet의 개발을 통해 농민과 연구자들은 감자 튜버의 품질과 심각도를 정확하게 평가할 수 있는 접근 가능한 도구를 보유하게 되어, 더욱 신뢰할 수 있는 농업 실천과 향상된 시장 분석을 이끌게 되는 것입니다.
The source of the article is from the blog klikeri.rs