1. 서 론

토마토는 대표적인 시설 원예 작물 중 하나이다. 토마토에 대한 수요가 꾸준히 증가하면서 토마토를 재배하는 농가 또한 증가하였다. 토마토 재배 시설도 규모가 커지면서 그림 1과 같이 10아르 당 생산량이 증가하는 모습을 보인다⁽¹⁾. 이처럼 재배 시설을 통해 토마토 생장에 필요한 요소들을 관리하기 시작하면서 이전에 비해 같은 경작지에서 나오는 생산량이 증가하고 있다. 시설 토마토는 시설에서 키우기 때문에 관리가 편해진다는 장점이 있지만, 전염성이 있는 질병이나 해충이 발생하게 되면 다른 토마토 개체에 전염되어 농가의 피해가 커질 수 있다. 발생하기 쉬운 질병이나 해충은 작물에 나타나는 성질이 단순하여 농부가 보고 제거하거나 미리 살충제나 농약을 살포하여 예방할 수 있다. 하지만 발생 빈도가 낮거나 나타나는 특징이 두드러지지 않는 질병과 해충이 발생하면 경험이 적은 농부의 경우 제대로 대처하지 못해 농사의 피해가 커질 수 있다. 병충해의 방제법 중의 하나는 발생한 병충해를 전문가에게 물어보는 방법이 있지만, 이는 시간이 오래 걸려 그사이 다른 작물에 전염될 수 있다는 단점이 있다. 다른 방법으로는 미리 농약과 살충제를 많이 살포하여 방제할 수 있지만, 작물에 이로운 곤충까지 함께 죽이거나 많은 농약의 사용으로 인한 토양 오염으로도 이어질 수 있다. 과도한 농약의 사용을 줄이고 전염되는 병충해를 방제하기 위해서는 기존의 방법과는 다른 방법이 필요하다. 본 논문에서는 농약의 무분별한 남용과 토마토에 대한 병충해를 방지하기 위해 이미지를 통한 토마토 병충해 분류시스템을 제안한다.

식물이 질병에 걸리거나 해충이 발생했을 때 잎에 반점이나 먹힌 자국같이 특징이 남게 된다. 이런 특징들을 파악해 병충해를 방제하고자 하는 연구는 꾸준히 있었다. 우선 바질 잎을 Neutrosophic 기법으로 영상을 나눠 특징을 추출해 정상과 병충해를 분류하는 연구가 있다⁽²⁾. 먼저 바질 잎들을 채취하고 세척 후 조명을 비춰 최대한 잡음 없는 데이터 정상 200장과 비정상 200장을 수집했다. 그리고 이미지에 Contrast Limited Adaptive Histogram Equalization(CLAHE) 전처리를 하고 La*b* 색 공간이 있는 CIELab 색공간으로 영상을 변환해 정상 부분은 True, 비정상은 False, 애매한 곳은 Intermediate로 구분하여 영상을 분할하였다. 그 후 Histogram Information Content(HIC), Disease Sequence Region(DFR), Damage Structure Index(DI), Bin Binary Pattern(BBP) 네 가지 특징 추출 기법을 사용해서 특징을 추출하였다. Decision Tree, Random Forest, Support Vector Machine, AdaBoost, Linear Models, Naives Bayes, KNN, Artificial Neural Networks, Discriminant Analysis 9종의 분류 모델을 선정해서 분류 모델을 학습시켰다. 그 결과 Random Forest 결과로 98.4%의 정확도를 기록하였다. 특징을 직접 추출하는 머신러닝이 아닌 딥러닝을 사용해 분류하고자 하는 연구도 있었는데 기존의 CNN(Convolutional Neural Net- work) 중 하나인 AlexNet의 일부 구조를 바꿔 오이 병충해 분류를 하였다⁽³⁾. 데이터는 카메라를 통해 오이 농장에서 오이 병충해 6종 600장과 정상 100장 정도를 확보하였다. 그 후 K-mean 알고리즘을 적용하여 병충해 걸린 잎의 특징점들을 분할하였다. AlexNet에서 확장률 r의 값을 도입해서 r의 값을 조정해 기존의 컨볼루션 커널의 크기를 확장했다. 그리고 완전연결 층 대신에 Global Average Pooling(GAP)를 사용해 최적화할 매개변수를 최소화하여 속도를 빠르게하고 과적합을 피하였다. 학습시킨 결과 원래 AlexNet 모델의 정확도는 92.5%가 나왔지만 구조를 수정한 GPDCNN(Global Pooling Dilated CNN)이 94.7%의 높은 병충해 분류 성능을 보였다. 이외에도 녹색을 마스킹하고 마스크를 제거해 병충해 부분을 분리하여 영상 분할을 시도한 연구가 있으며, CaffeNet을 통한 병충해 학습으로 병충해를 분류하려는 연구도 있다⁽⁴⁾⁽⁵⁾. 본 논문에서는 딥러닝 중에 이미지 처리에 강점을 보이는 CNN을 사용하여 토마토 병충해 분류 모델을 연구하였다.

토마토 병충해 분류를 위해서는 병충해 별로 특징을 충분히 학습시킬 수 있게 많은 데이터가 필요하다. 하지만 병충해의 경우 발견 즉시 제거가 권장되므로 보통 병충해가 발생했다는 증거만 남기고 나머지는 제거한다. 그래서 병충해 데이터 확보를 위한 작물을 키우지 않는다면 병충해 데이터의 확보는 어려운 일이다. 이를 해결하고자 병충해 데이터를 확보한 후 데이터셋에 임의의 전처리를 하여 이미지를 증대해 병충해 분류 모델의 성능을 증가시키고자 하였다.

2. 연구 방법

3. 연구 결과

CNN인 Inception V3를 통해 토마토 병충해의 정상과 병충해 8종을 분류하게 하였다. AI Hub의 원본 데이터셋으로 Inception 네트워크를 학습시켰으며 그 후 이미지 증대 및 GAN으로 생성된 이미지들을 추가해 학습시켜 원본과 성능을 비교하였다. 성능 평가 방법은 학습이 완료된 딥러닝 모델에 학습에 사용되지 않은 테스트셋을 입력으로 넣어 1순위로 예측된 병충해를 정답으로 하여 평가하였다. 이미지 증대된 모델과 GAN으로 학습된 모델들 모두 같은 테스트셋으로 평가하였다. 학습 과정들은 그림 5에 나타내었다.

학습에 사용된 데이터셋의 경우 클래스별로 데이터가 균일하지 않은 비대칭 데이터셋이므로 혼동 행렬(Confusion Matrix)을 사용하여 학습 성능을 계산하였다. 혼동 행렬은 True Posi- tive(TP), True Negative(TN), False Positive(FP), False Negative (FN)로 구성되어 있다. 이를 이용해서 클래스별로 Precision, Recall 값을 구해 평균을 구하였다. Precision과 Recall을 구하는 식은 다음과 같다.

구해진 두 Precision과 Recall 값으로 조화평균을 구해 모델의 전체적인 성능인 F1 Score를 계산하여 성능을 비교했다. F1 Score를 구하는 식은 다음과 같다.

위 수식들을 바탕으로 원본 분류 모델과 데이터 증대를 사용한 모델, GAN으로 증대한 모델의 성능을 계산하고 비교하였다. 비교한 결과는 다음 표 2에 정리하였다.

원본 데이터만을 가지고 학습시켰을 때는 예측한 것 중 실제 정답의 비율인 Precision은 0.971이란 높은 성능이 나왔지만, 실제 정답을 정답이라 예측한 Recall의 수치가 0.899로 낮았다. 두 성능 수치를 가지고 F1 Score를 구했을 때 0.93의 성능을 보여주었다. 클래스 간 불균형을 고려하지 않은 정확도인 Accuracy는 0.987로, 계산된 모델의 F1 Score와는 큰 차이를 보였다. 이후에는 데이터를 AutoAugment 기법으로 증대하고 Inception V3 모델을 학습시켜 원본과 성능을 비교했다.

AutoAugment에서 기본으로 제공하는 Cifar10, SVHN, Image- Net 세 가지 증대 정책으로 데이터를 증대하고 분류 모델을 학습했다. Cifar10, SVHN, ImageNet의 Accuracy는 0.987, 0.984, 0.982가 나왔지만 F1 Score로 비교했을 때는 SVHN으로 증대해 학습시킨 모델이 F1 Score 0.945의 성능으로 데이터 증대 분류 모델 중에서 가장 좋은 성능을 보였다. Cifar10을 사용해 증대한 모델 또한 SVHN만큼은 아니지만, 원본보다 나아진 성능을 보여주었다. 세 가지 증대 정책을 보면 Cifar10와 Image- Net의 경우 Contrast, Equalize, Color와 같이 색을 변환하는 정책들이 많이 포함되어있다. 반면에 SVHN은 다른 두 증대 정책과 비교하면 Shear, Invert같이 이미지 크기나 좌표를 변환시키는 정책들이 대다수이다. 잎의 색 특징을 보존하면서 이미지를 변환시키는 정책들이 토마토 병충해 분류 모델에서 더 나은 성능 향상 효과를 보여주었다.

DCGAN으로 증대한 결과는 예상만큼 좋지 않았다. Accuracy는 0.979의 성능이 나왔으며 Recall의 경우 0.958의 수치로 원본과 증대 분류 모델보다 좋아진 모습을 보였지만 Precision의 수치가 많이 낮아지면서 병충해를 예측하는 성능이 떨어진 것을 볼 수 있었다. 그 이유로는 GAN의 경우에는 데이터를 생성해 낼 때 충분한 양의 데이터가 요구되지만 몇 병충해는 생성해내기에 많지 않은 데이터의 양을 가지고 있었다. 사용한 데이터셋 중에서 적은 양을 가지고 있던 나방류 애벌레, 흰가루병, 토마토 퇴록 바이러스는 DCGAN으로 생성하고 유사도 검사로 검증했을 때 많은 데이터가 학습에 사용되지 못하였다. 특히 흰가루병과 토마토 퇴록 바이러스는 학습 데이터셋에 두 장 추가되면서 많은 데이터가 증대되지 못했다. 데이터의 수가 많은 병충해는 많게, 적은 병충해는 적게 추가되면서 데이터셋의 불균형이 심해져 분류 성능이 낮아진 모습을 보였다.

4. 결 론

토마토는 대표적인 시설 원예 작물로 사람들의 수요가 증가하면서 생산량 및 면적 당 생산량도 증가하고 있다. 시설에서 재배하는 만큼 관리가 쉽지만 같은 환경에 있어서 병해나 충해에 취약해질 수 있다. 병충해를 방제하는 방법은 발견 시 병에 맞는 대처를 취하거나 미리 살충제와 농약을 뿌리는 방법이 있다. 하지만 증상을 발견했을 때 어떤 병충해인지 알아보기는 쉽지 않으며 전문가의 의견을 구해도 시간이 오래 걸려 그사이 피해가 커질 수 있다. 이를 해결하기 위해 토마토 병충해 분류시스템을 연구하였다.

병충해의 분류는 토마토 잎을 가지고 Inception V3 네트워크를 학습시켰다. 정상을 포함하여 9종의 클래스를 분류할 수 있게 하였으며 그 성능은 F1 Score 0.93으로 병충해를 잘 분류하였다. 분류 성능을 더 증가시키기 위해 이미지 증대 알고리즘 중 하나인 AutoAugment와 이미지를 생성해내는 DCGAN을 이용해 학습 데이터를 증대하고 학습시켰다. 그 결과 DCGAN은 0.89의 F1 Score로 원본보다 성능이 좋지 않았지만, Auto- Augment의 SVHN을 이용해 학습시킨 분류 모델이 원본보다 좋은 분류 성능을 기록하며 데이터 증대에 대한 효과를 보였다. GAN의 경우에는 이미지 생성 성능이 좋아질 만큼 데이터를 추가하거나 적은 데이터로도 좋은 데이터를 생성해 낼 수 있는 후속 연구가 필요해 보인다.

잎을 통한 병충해의 분류는 농사를 짓는 농부들에게 훌륭한 병충해 방제 수단이 될 수 있다. 병충해 식별까지의 걸리는 시간을 줄일 수 있으며 그에 따라 발생할 수 있는 피해도 감소시킬 수 있다. 연구의 결과로 많지 않은 병충해 데이터도 증대를 통해 분류 모델 학습에 대한 성능의 향상이 가능하고 이는 앞으로의 병충해 탐지 연구에 많은 도움이 될 것이다.