Earticle

초록

한국어

본 연구는 객체 감지 모델인 YOLO v11의 파라미터 규격(n, s, m)에 따른 개별 모델 학습과 성능 비교 분석을 통해 농산물 에 대한 데이터 샘플을 분석하고, 최적화된 파라미터를 검출한 농산물 이미지 데이터 오토레이블링 프로그램을 개발하였다. YOLO v11은 기존 물체 감지를 넘어 다양한 CV작업을 지원하는 향상된 적응력을 통해 차별화되며, 다양한 분야에서 모델의 적용가능성을 넓힐 수 있다. 농산물(사과) 불량 유형 4종의 인스턴스 12,547개, 이미지 4,867장을 구축하고 학습 및 검증 결과 성능의 정확도(mAP@50)를 분석하여 최적의 모델로 선정하였다. 제안된 모델은 농업 현장에서 과수에 대한 생육단계 판별을 위한 객체 탐지 기능을 제공하며 지능형 품질판별 기술을 위한 정확도, 다양성, 신뢰성, 효율성 향상을 통해 스마트팜 인공지 능 기술에 적용할 수 있다.

영어

This study analyzes data samples for agricultural products through individual model learning and performance comparison analysis according to the parameter specifications (n, s, m) of YOLO v11, an object detection model, and we developed an auto-labeling program for agricultural product image data that detected optimized parameters. YOLO v11 differentiates itself through improved adaptability to support a variety of CV tasks beyond traditional object detection, expanding the applicability of the model in a variety of filed. We constructed 12,547 instances of 4 types of agricultural product (apple) defects and 4,867 images, and analyzed the performance accuracy (mAP@50) of the learning and verification results to select the optimal model. The proposed model provides the ability to provide biometric functions for orchards in agricultural fields, and is a welcome, proven, and reliable security quality judgment technology, and can be applied to smart farm artificial intelligence technology.

목차

요약
ABSTRACT
1. 서론
2. 관련 연구
3. 연구 설계 및 분석
3.1 데이터 획득 및 분석
3.2 오토레이블링 모델 학습 분석
4. 연구 결과
4.1 YOLO v11-n 학습 결과 및 분석
4.2 YOLO v11-s 학습 결과 및 분석
4.3 YOLO v11-m 학습 결과 및 분석
4.4 오토레이블링 모델 성능 비교 분석
4.5 어노테이션 프로그램 개발
5. 결론
참고문헌

저자

• 박성일 [ Sung-Il Park | 동신대학교 컴퓨터학과 교수 ]
• 권용순 [ Yong-Soon Kwon | 동신대학교 정보통신공학과 박사수료 ]
• 정경권 [ Kyung-Kwon Jung | 동신대학교 전기공학과 교수 ]
• 김종민 [ Jong-Min Kim | 동신대학교 컴퓨터학과 교수 ]

참고문헌