메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
김용현 (국립농업과학원) 조병효 (국립농업과학원) 서다솜 (전북대학교) 송혜영 (국립농업과학원) 김경철 (국립농업과학원)
저널정보
한국산학기술학회 한국산학기술학회 논문지 한국산학기술학회논문지 제23권 제6호
발행연도
2022.6
수록면
315 - 322 (8page)
DOI
10.5762/KAIS.2022.23.6.315

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

이 논문의 연구 히스토리 (2)

초록· 키워드

오류제보하기
농업에서 작물 모니터링은 방재, 수확 등과 같은 작업을 효율적이고 안정적으로 수행하기 위한 가장 중요한 기술 중 한 가지이며, 이러한 이유로 작물 모니터링 시스템을 개발하기 위한 연구가 활발히 수행되고 있다. 최근에는 CNN(Convolutional Neural Networks) 기반의 딥러닝(Deep learning) 기술이 객체 인식 분야에서 뛰어난 성능을 나타내어, 농업분야에서도 작물 모니터링 시스템 개발에 이를 적용하기 위한 연구가 증가하고 있다. 그러나 작물 인식 기술개발을 위해 CNN 기반의 인식모델을 비교 및 평가한 연구는 부족한 실정이다. 따라서 본 연구에서는 수확 로봇에 적용하기 위한 작물 인식 알고리즘의 인식 성능을 비교하고, 경제성 확보를 위해 GPU의 대체 가능성을 검토하고자 하였다. 스마트 온실에서 재배되는 토마토 인식을 위해 Faster R-CNN, SSD, YOLOv3 및 YOLOv4의 네 가지 모델을 활용하였으며, 학습된 토마토 인식모델의 성능을 비교 및 평가하였다. 또한, 경제성 확보를 위해 GPU를 대체하여 CPU의 적용가능성을 검토하였다. 각 인식모델의 학습 및 검증을 위해 4,930개의 Labeling이 있는 토마토 데이터세트가 이용되었다. 그 결과, YOLOv4 모델을 사용할 경우 92.09%의 최고 mAP (mean Average Precision)를 달성하였으며, CPU에서 fps (Frame per second)는 YOLOv3 모델이 5.39로 가장 높은 것으로 나타났다. 따라서 스마트 온실에서 토마토 인식을 위해서는 YOLO 기반의 알고리즘이 적합한 것으로 판단되며, 실시간 객체 감지를 위해 CPU의 적용 가능성을 확인하였다.

목차

요약
Abstract
1. 서론
2. 재료 및 방법
3. 결과 및 고찰
4. 결론
References

참고문헌 (20)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0