1. 서 론

장미는 예로부터 장미만의 특별한 상징을 지니고 있다. 그 상징은 장미의 색과 송이의 수에 따라 달라지며 꽃도 아름답게 생겨 사람들의 수요가 많다. 졸업식과 같은 행사에서 선물로 사용되며 문학 작품이나 영화에서도 상징적으로 등장하고 있다. 또한, 장미는 고유의 향이 있어 탈취제나 향수같이 향을 내는 제품에도 사용된다. 원예에서 장미는 조건을 맞춰준다면 모든 계절에 꽃이 필 수 있으며 절화용으로도 활발히 재배되고 있어 수요가 높다. 이런 장미의 특성 때문에 수익성 작물로서 재배되고 있다. 그림 1에서도 볼 수 있듯이 절화류 중에서 가장 높은 매출을 보여주고 있으며 국화와 백합이 그 뒤를 따르고 있다 ⁽¹⁾.

장미에 병충해는 큰 위협이 될 수 있다. 병충해는 장미의 중요한 부분인 꽃이 떨어지게 하거나 반점을 생기게 하여 상품성을 떨어트린다. 게다가 한 나무에 여러 꽃이 붙어 자라므로 전염이 쉽게 이루어질 수 있다. 병충해는 주변 환경에 따라 다양한 종류로 발생하므로 계속 신경을 써주어야 하는 어려움이 있다. 온도와 습도가 적당할 때는 흰가루병이 발병할 수 있으며 여름 같은 고온기에는 벌레 피해를 볼 수 있고 습도가 높을 때는 노균병에 걸릴 수 있다. 이런 질병과 해충으로 인한 피해를 줄이기 위해서는 병충해 방제가 중요하다. 병충해가 발견되었을 때에는 감염된 부분을 제거하고 약제를 살포하는 것이 주된 방제 방법이다. 하지만 병충해마다 사용하는 약제가 다르고 잘못 살포할 경우 약품에 대한 내성이 생길 수도 있어 올바른 방제법이 필요하다.

병충해에 관한 전문지식이 충분하지 않을 때 방제에 어려움이 생긴다. 방제를 위해선 장미에 걸린 병충해가 어떤 병충해인지 구별하는 과정이 필요하지만 모든 병충해의 증상과 특징을 외우기란 쉽지 않으며 증상이 뚜렷한 병충해가 아니면 정확한 병충해를 구별 못 할 수 있다. 그래서 농가에서는 어떤 병충해인지 알아내기 위해 전문가에게 병충해 분류를 맡긴다. 하지만 시간이 오래 걸릴 수 있어 피해가 커질 수 있다. 그렇기에 농가에서는 전문가의 병충해 식별 이전에 병충해를 알아낼 만한 수단이 필요하다.

식물의 병충해를 탐지하고자 하는 연구는 많이 있으며 방법 또한 다양하다. 먼저 사과의 병충해를 탐지하려고 한 연구가 있다 ⁽²⁾. 탐지하려고 하는 사과의 병충해는 흑균병(Black rot), 알터나리아 곰팡이(Alternaria), 잎굴파리(Leaf miner)로 3종류를 탐지한다. 우선 사과의 잎 이미지를 확보하고 RGB 색 공간인 이미지를 L*a*b* 색 공간으로 변환시켰다. L*은 밝기, a*는 빨강과 초록, b*는 노랑과 파랑을 의미한다. 그 후 K-평균 클러스터링으로 이미지를 나누었다. 분할한 이미지를 색상과 그레이 레벨 동시 발생 행렬(Gray Level Co-occurrence Matrix) 등을 이용하여 수작업으로 70가지의 특징을 추출했다. 분류기를 SVM(Support Vector Machine)으로 설정하고 추출한 특징으로 병충해를 분류할 수 있도록 학습시켰다. SVM 내에서 다항 커널과 RBF(Radial Basis Function) 커널을 사용하여 ANN (Artificial Neural Network)의 병충해를 분류한 결과와 성능 비교를 하였다. 결과를 비교했을 때 SVM의 다항 커널 에러율은 0.42, RBF 커널은 0.2가 나왔으며 ANN은 0.53의 에러율을 보여주었다. ANN보단 SVM으로 학습한 결과가 좋게 나왔으며 SVM 내에서는 다항 커널보다는 RBF 커널이 더 결과가 좋게 나왔음을 확인할 수 있었다. 다른 연구에서는 병충해의 특징 추출을 위해 이미지 분할 알고리즘을 제시하고 MDC(Minimum Distance Classifier)와 SVM을 분류기로 설정하여 병충해를 탐지했다 ⁽³⁾. 이미지 분할은 잎 이미지에서 녹색의 픽셀을 마스킹하고 녹색의 값이 임계값 보다 작은 경우 픽셀에 0을 할당하여 픽셀을 분할 하였다. 그 후 마스크 경계 안의 녹색을 제거하여 병충해를 탐지할 수 있게 하였다. 제시한 이미지 분할 알고리즘과 기존의 K-평균 클러스터링의 성능을 비교하기 위해 바나나, 콩, 레몬, 장미 데이터에서 15장을 뽑아 학습시켰다. MDC를 분류기로 하여 결과를 확인했을 때 K-평균 클러스터링의 탐지 정확도는 0.87, 제시한 이미지 분할 알고리즘은 0.94으로 제시한 알고리즘의 우수성을 증명하였다. 그 후 5가지의 병충해를 분류했으며 평균 정확도는 0.98으로 좋은 결과를 내었다. 다른 방식으로 이미지 분할 기법을 사용하고 OCSVM (One-Class Support Vector Machine)으로 잎을 훈련시킨 연구도 있다 ⁽⁴⁾. 19가지의 식물의 정상을 포함한 4종류 병충해를 분류하였다. 전경을 분리하는 GrabCut 알고리즘으로 잎을 분리하고 LBP(Local Binary Pattern) 알고리즘을 통해 특징을 추출하여 OCSVM으로 병충해를 학습시켰다. 학습한 결과 총 정확도가 0.95로 높은 수치를 보였다. 주로 이미지 분할과 같은 전처리 기법을 사용해 병충해의 특징을 추출하고 다양한 분류기를 통해 병충해 탐지를 한 모습을 볼 수 있다. 하지만 위 연구들의 확보한 병충해의 데이터가 많지 않아 학습에 사용한 데이터가 적으며 수작업으로 특징을 추출했기 때문에 다른 환경의 데이터를 예측할 때 제대로 분류하지 못할 수 있다. 농작물의 병충해 탐지 연구에 비해 화훼 병충해 탐지 연구는 많지 않다. 화훼는 주로 영상처리를 이용하여 꽃의 분류를 하는 연구를 찾아볼 수 있다. 꽃의 병충해 탐지 또한 농작물의 병충해 탐지처럼 잎을 이용하여 분류할 수 있으므로 영상처리를 통해 병충해를 분류할 수 있을 것이다.

본 논문에서는 영상을 기반으로 한 장미잎 병충해 탐지 시스템을 제안한다. 병충해에 걸린 장미의 잎 데이터를 확보하고 딥러닝 모델을 활용하여 장미 병충해를 분류한다. 실제 농가에서 적용할 수 있도록 잎만 촬영한 실험실 이미지뿐만 아니라 농가에서 찍은 농가 이미지도 같이 포함하여 학습시켰다. 농가 이미지는 실험실 이미지와 다르게 변하는 배경이 존재하여 이미지의 복잡성이 높아진다. 장미 잎사귀의 사진으로 병충해를 식별하여 방제할 수 있다면 많은 인력이 필요하지 않게 되며 시간 또한 절약할 수 있어 피해를 최소화할 수 있다.

2. 이론 및 방법

3. 연구 결과

시스템의 성능을 평가하기 위해 테스트 세트에서 정상을 포함하여 다섯 종류의 병충해와 정상 이미지를 분류한다. 이미지의 특징을 추출하고 병충해를 분류해낼 네트워크는 Inception V4를 선택하였다. 예측 결과 중에 1순위로 예측한 것을 정답으로 하여 성능을 평가한다. 이 과정은 그림 4에 나타내었다.

학습된 모델의 성능은 전체 데이터 세트에서 학습에 사용하지 않은 20%의 테스트 데이터 세트를 통해 검증하였다. 학습된 모델에 테스트 데이터를 넣어 예측한 결과를 범주별로 정리했고 결과는 표 2에 정리하였다. 테스트 데이터 전체 2,625장 중에서 2,608장을 맞춰 0.99의 정확도를 보였다. 하지만 테스트 데이터가 불균형한 데이터이기 때문에 수치에 정상과 같은 양이 많은 데이터의 영향이 있다. 그래서 정확도는 모델의 성능을 대표하지 못한다고 판단하여 혼동행렬을 사용하여 모델을 평가하였다. 예측한 정답 중에서 실제 정답의 비율인 Precision과 실제 정답 중에서 예측한 정답의 비율인 Recall 값을 구한 후 조화평균을 사용한 F1 score를 구하여 모델의 성능을 평가하였다. Precision, Recall과 F1 Score를 구하는 식은 다음과 같다.

위 수식들로 범주별 Precision과 Recall 값을 구하였다. 구한 값은 표 3에 정리했다. Precision과 Recall 값들의 전체적인 평균을 구했을 때 Precision은 0.99, Recall은 0.97의 값이 나왔다. 두 값을 토대로 모델의 전체적인 성능인 F1 Score를 구하면 0.98의 높은 수치를 보인다.

예측 결과에서 노균병의 Recall 수치가 다른 병충해에 비해 낮은 모습을 보였다. 하지만 이는 노균병의 테스트 데이터의 수가 적어 하나의 오류가 수치에 크게 반영된 것이다. 흰가루병은 15장의 가장 많은 예측 오류를 보였다. 흰가루병의 경우 잎에 흰색의 가루가 묻은 것 같은 증상을 보여 육안으로도 충분히 구별할 수 있지만, 나방류 애벌레로 잘못 예측한 경우가 많았다. 이는 흰색 가루를 나방류 애벌레가 파먹은 것으로 인식하여 잘못 분류하였다. 또한, 점박이 응애로도 잘못 분류하였는데 점박이 응애의 증상은 잎의 엽록소를 파먹어 잎의 변색을 관찰할 수 있다. 흰가루병을 점박이 응애로 예측한 잎의 사진을 보면 흰가루병으로 인한 변색으로 옅은 녹색과 갈색으로 변한 잎의 모습을 볼 수 있어 점박이 응애로 잘못 분류하였다.

실제 농가의 적용을 위해 테스트 데이터 중에서 잎만 있는 실험실 이미지를 제외하고 농가 데이터만을 사용하여 다시 성능검증을 하였다. 그 결과는 표 4에 정리하였다. 결과를 보면 전체 테스트 데이터보다 결과가 조금씩 안 좋아진 것을 볼 수 있으며 특히 나방류 애벌레의 Precision 값은 0.57로 매우 낮다. 흰가루병에서 나방류 애벌레로 잘못 분류한 데이터의 유형이 모두 농가 데이터이며 나방류 애벌레의 농가 데이터가 적어 수치에 영향을 많이 주었다. 또한, 나방류 애벌레의 학습 농가 데이터가 적어 나방류 애벌레만의 특징을 많이 학습하지 못했을 것으로 예측된다. 농가 데이터의 Precision과 Recall의 값은 0.92와 0.97로 괜찮은 예측 성능을 보여주며 실제 농가에도 적용할 수 있을 것이다.

4. 결 론

장미는 화훼 산업 중에서 판매 금액으로 높은 순위를 유지하고 있어 대표적인 수익성 작물로 자리 잡고 있다. 하지만 장미에 병충해를 입으면 상품성이 떨어져 농가에 피해를 준다. 병충해를 방제하기 위해서는 병충해 탐지가 중요하지만, 병충해 대부분은 눈으로 탐지하는 경우가 많아서 전문가가 아니라면 탐지하기가 쉽지 않다. 병충해 방제가 늦어진다면 다른 작물까지 전염되어 피해가 커질 수 있다. 이를 방지하기 위해 본 논문에서는 전문가의 병충해 분류 이전에 장미 농가에 일차적인 병충해 탐지를 할 방법을 연구했다. 데이터는 장미 잎사귀의 이미지를 사용했고 네트워크는 Inception V4를 이용하여 딥러닝 모델을 학습시켰다. 학습한 분류 시스템의 성능은 Precision, Recall을 구하여 평가하였다. Precision과 Recall의 값은 각각 0.99와 0.97의 수치가 나왔다. Precision과 Recall의 평균값으로 모델의 전체적인 성능인 F1 Score의 값을 구했다. F1 Score는 0.98로 병충해 분류 모델의 좋은 성능을 보여주었다.

잎을 통해 병충해를 분류하면 병충해 식별까지 걸리는 시간을 절약할 수 있으며 정확한 방법으로 방제가 가능해진다. 농가에서는 잎의 사진을 찍는 것으로 병충해를 알아낼 수 있으며 조기에 탐지할 수 있어 작물 피해를 줄일 수 있다. 식물과 병충해의 종류를 확장하여 학습시켜 나간다면 다른 농장에서의 적용도 가능해질 것이다.