[논문 리뷰] Agricultural Object Detection with You Look Only Once (YOLO) Algorithm: A Bibliometric and Systematic Literature Review

Chetan Badgujar, Alwin Poulose외 1명|arXiv (Cornell University)|2024. 01. 18.

Smart Agriculture and AI인용 수 9

한 줄 요약

요약: YOLO를 사용한 농업 객체 탐지를 평가한 도서계량학적 및 체계적 문헌 검토로, 현황, 수정 사항 및 배치 과제를 요약한다.

ABSTRACT

Vision is a major component in several digital technologies and tools used in agriculture. The object detector, You Look Only Once (YOLO), has gained popularity in agriculture in a relatively short span due to its state-of-the-art performance. YOLO offers real-time detection with good accuracy and is implemented in various agricultural tasks, including monitoring, surveillance, sensing, automation, and robotics. The research and application of YOLO in agriculture are accelerating rapidly but are fragmented and multidisciplinary. Moreover, the performance characteristics (i.e., accuracy, speed, computation) of the object detector influence the rate of technology implementation and adoption in agriculture. Thus, the study aims to collect extensive literature to document and critically evaluate the advances and application of YOLO for agricultural object recognition. First, we conducted a bibliometric review of 257 articles to understand the scholarly landscape of YOLO in agricultural domain. Secondly, we conducted a systematic review of 30 articles to identify current knowledge, gaps, and modifications in YOLO for specific agricultural tasks. The study critically assesses and summarizes the information on YOLO's end-to-end learning approach, including data acquisition, processing, network modification, integration, and deployment. We also discussed task-specific YOLO algorithm modification and integration to meet the agricultural object or environment-specific challenges. In general, YOLO-integrated digital tools and technologies show the potential for real-time, automated monitoring, surveillance, and object handling to reduce labor, production cost, and environmental impact while maximizing resource efficiency. The study provides detailed documentation and significantly advances the existing knowledge on applying YOLO in agriculture, which can greatly benefit the scientific community.

연구 동기 및 목표

• 257편의 기사를 대상으로 한 도서계량 분석을 통해 농업 분야의 YOLO 연구 현장을 문서화한다.
• 현재 지식 격차, 수정 사항 및 과업별 적응을 식별하기 위해 30편의 기사를 체계적으로 검토한다.
• 농업 맥락에서의 YOLO의 데이터 수집, 처리, 네트워크 수정, 배치를 포함한 엔드-투-엔드 학습 구성요소를 평가한다.
• 실시간 모니터링과 자동화를 위한 통합 및 배치 도전과제를 평가한다.

제안 방법

• YOLO-농업 연구 현황을 파악하기 위해 257편의 기사를 대상으로 도서계량 분석을 수행했다.
• 지식, 격차 및 수정 사항을 도출하기 위해 30편의 기사를 체계적으로 검토했다.
• 데이터 수집, 처리, 네트워크 수정, 통합 및 배치를 포함한 엔드-투-엔드 학습 측면을 비판적으로 평가했다.
• 농업 대상 객체나 환경 문제를 해결하기 위한 과업별 YOLO 수정에 대해 논의했다.
• 실시간 모니터링, 감시, 자동화 및 자원 효율성에 대한 시사점을 종합했다.

실험 결과

연구 질문

• RQ1 YOLO 기반 농업 객체 탐지의 현재 학술 현황은 어떠한가(볼륨, 학회지/저널, 추세)?
• RQ2 농업 환경에 대한 YOLO의 일반적인 과업별 수정 및 통합 전략은 무엇인가?
• RQ3 농업에서 YOLO 성능에 영향을 미치는 데이터, 처리 및 배치 고려사항은 무엇인가?
• RQ4 YOLO 기반 농업 시스템의 배치를 방해하는 지식과 실천상의 격차는 무엇인가?
• RQ5 YOLO 통합 도구가 농업의 노동, 비용 및 환경 발자국에 어떤 영향을 미칠 수 있는가?

주요 결과

• YOLO-enabled agriculture offers potential for real-time monitoring, surveillance, and automated handling.
• Literature shows diverse task applications including monitoring, sensing, automation, and robotics in farming contexts.
• There are notable modifications and integration strategies tailored to agricultural environments.
• End-to-end learning aspects (data, processing, deployment) are critical for performance and adoption.
• Digital tools using YOLO can reduce labor and costs while improving resource efficiency, with environmental benefits discussed.