현장 내 CNN 기반 해충 위치 추적 및 인식을 위한 효과적인 데이터 증강 전략

농업에서 해충은 항상 농작물에 주요 피해를 주며 상당한 수확량 손실을 초래합니다. 현재 수작업 해충 분류 및 계수는 매우 시간이 많이 소요되며, 많은 주관적 요인이 개체 수 계수 정확도에 영향을 미칠 수 있습니다. 또한, 기존의 컨볼루션 신경망(CNN) 기반 해충 위치 추적 및 인식 방법은 해충의 다양한 크기와 태도로 인해 실용적인 해충 예방을 위해 만족스럽지 않습니다. 이러한 문제를 해결하기 위해 본 논문에서는 CNN 기반 방법을 위한 효과적인 데이터 증강 전략을 제안합니다. 훈련 단계에서는 다양한 각도로 이미지를 회전시키고 이를 다른 그리드로 자르는 방식으로 데이터 증강을 적용합니다. 이를 통해 다중 크기 해충 탐지 모델을 훈련하는 데 사용할 수 있는 다수의 추가 다중 크기 예제를 얻을 수 있습니다. 테스트 단계에서는 훈련된 다중 크기 모델을 사용하여 다양한 해상도의 입력 이미지를 별도로 추론하는 테스트 시간 증강(TTA) 전략을 활용합니다. 마지막으로 비최대 억제(NMS)를 통해 서로 다른 이미지 스케일에서 이 탐지 결과를 융합하여 최종 결과를 도출합니다. 우리 도메인 특화 데이터셋에서 밀가루해충, 밀진딧물, 밀응애 및 벼멸구에 대한 실험 결과는 제안된 데이터 증강 전략이 81.4%의 평균 정밀도(mAP)로 해충 탐지 성능을 달성하며, 세 가지 최신 기법과 비교해 각각 11.63%, 7.93%, 4.73% 개선된 것을 보여줍니다.