작물의 의미론적 분할을 위한 딥러닝: Opuntia spp.로부터의 일반화

UAV로 획득한 RGB 정사영상의 의미론적 분할(semantic segmentation)은 정밀 농업에서 식생 피복률을 정량화하고 생물계절학을 모니터링하는 데 필수적인 요소입니다. 본 연구는 통일되고 재현 가능한 프로토콜 하에 CNN 기반 아키텍처(U–Net, U–Net Xception–Style, SegNet, DeepLabV3+) 및 Transformer 기반 모델(Swin–UNet/Swin–Transformer, SegFormer, Mask2Former)의 대표적인 세트를 평가합니다. 우리는 영역 중첩 및 픽셀 단위 불일치 지표뿐만 아니라, GSD(Ground Sample Distance) 제어 하에 픽셀 카운팅을 통한 정사영상 스케일의 식생 피복 추정과 명시적으로 연계된 경계 민감성 기준을 통해서도 성능을 평가하는 전이 및 통합 워크플로를 제안합니다. 실험 설계는 형태학적으로 연관된 작물 간의 전이 시나리오를 고려합니다: Opuntia spp.(선인장)에 대한 초기 훈련, Agave salmiana에 대한 직접('zero–shot') 추론, 제한된 타깃 도메인 감독으로서 용설란 테셀레이션 세트의 6.84%만을 사용하는 파인 튜닝, 그리고 다종 모델을 획득하기 위한 후속 통합 단계를 포함합니다. 평가는 IoU, Dice, RMSE, 픽셀 정확도 및 연산 비용(이미지당 소요 시간)을 통합하며, 정사영상 스케일 마스크에서 면적을 도출할 때 중요한 윤곽 충실도를 특성화하기 위해 BF score 및 HD95를 추가로 보고합니다. 결과에 따르면 Transformer 기반 접근법은 Opuntia spp.에서 더 높은 안정성과 개선된 경계 묘사를 제공하는 경향이 있는 반면, Agave salmiana로의 전이는 선택적 성능 저하를 보였으나 낮은 주석 비용의 파인 튜닝을 통해 완화되었습니다. Opuntia spp.에서 Mask2Former는 최상의 테스트 성능(IoU 0.897 +/− 0.094; RMSE 0.146 +/− 0.002)을 달성했으며, 통합 후 두 작물 모두에서 가장 높은 중첩도(Opuntia에서 IoU 0.894 +/− 0.004, Agave에서 IoU 0.760 +/− 0.046)를 유지하는 동시에 높은 윤곽 충실도(BF score Opuntia/Agave 각각 0.962 +/− 0.102/0.877 +/− 0.153; HD95 2.189 +/− 3.447 px/8.458 +/− 16.667 px)를 보존하여 최종 식생 피복 정량화에의 활용을 뒷받침합니다. 전반적으로 본 연구는 하드웨어 제약 조건 하에서의 아키텍처 선택을 위한 실용적인 지침, 재현 가능한 전이 프로토콜, 그리고 농경학 및 원격 탐사 워크플로로의 통합을 촉진하는 정사영상 중심의 구현을 제공합니다.