[논문 리뷰] Comparing YOLOv8 and Mask R-CNN for instance segmentation in complex orchard environments

Ranjan Sapkota, Dawood Ahmed외 1명|arXiv (Cornell University)|2023. 12. 13.

Smart Agriculture and AI참고 문헌 106인용 수 8

한 줄 요약

본 연구는 두 과수원 데이터 세트에서 인스턴스 분할을 위해 YOLOv8(단일 단계)과 Mask R-CNN(두 단계)을 비교했으며, 두 데이터 세트 모두에서 정확도와 속도 측면에서 YOLOv8이 우수하다는 것을 발견했다.

ABSTRACT

Instance segmentation is an important image processing operation for agricultural automation, providing precise delineation of individual objects within images and enabling tasks such as selective harvesting and precision pruning. This study compares the one stage YOLOv8 model with the two stage Mask R CNN model for instance segmentation under varying orchard conditions across two datasets. Dataset 1, collected in the dormant season, contains images of apple trees without foliage and was used to train multi object segmentation models delineating branches and trunks. Dataset 2, collected in the early growing season, includes canopy images with green foliage and immature apples and was used to train single object segmentation models delineating fruitlets. Results showed YOLOv8 outperformed Mask R CNN with higher precision and near perfect recall at a confidence threshold of 0.5. For Dataset 1, YOLOv8 achieved precision 0.90 and recall 0.95 compared to 0.81 and 0.81 for Mask R CNN. For Dataset 2, YOLOv8 reached precision 0.93 and recall 0.97 compared to 0.85 and 0.88. Inference times were also lower for YOLOv8, at 10.9 ms and 7.8 ms, versus 15.6 ms and 12.8 ms for Mask R CNN. These findings demonstrate superior accuracy and efficiency of YOLOv8 for real time orchard automation tasks such as robotic harvesting and fruit thinning.

연구 동기 및 목표

• 과수원에서 선택적 수확 및 정밀 가지치기와 같은 농업 자동화 작업을 위한 정확한 인스턴스 분할의 필요성을 제기한다.
• 다른 과수원 조건에서 단일 단계 YOLOv8와 두 단계 Mask R-CNN의 성능을 평가한다.
• 실시간 과수원 로봇 애플리케이션에 적합성을 판단하기 위해 정밀도, 재현율, 추론 시간을 평가한다.
• 데이터세트 특성(잎이 없는 비생장 계절의 나무 대 성장 계절의 수관)이 모델 성능에 미치는 영향을 탐구한다.

제안 방법

• 단일 단계 YOLOv8과 두 단계 Mask R-CNN을 인스턴스 분할에 대해 비교한다.
• 데이터세트 1(비생장 계절, 잎사귀 없는 사과)으로 가지와 줄기를 위한 다중 객체 분할 모델을 학습한다.
• 데이터세트 2(초기 생장 계절, 잎사귀와 과실덩이)을 사용하여 과실덩이에 대한 단일 객체 분할 모델을 학습한다.
• 신뢰도 임계값 0.5에서 정밀도와 재현율을 평가한다.
• 두 모델의 추론 시간을 측정한다(단위: ms).
• 실시간 과수원 자동화 작업에 정보를 제공하기 위해 데이터세트 간 성능 차이를 분석한다.

실험 결과

연구 질문

• RQ1 비생장 계절 과수원 이미지에서 다중 객체 분할에 대해 YOLOv8가 Mask R-CNN보다 더 높은 정밀도와 재현율을 제공하는가?
• RQ2 잎이 있는 수관 이미지에서 과일덩이의 단일 객체 분할에 대해 YOLOv8가 Mask R-CNN보다 우수한가?
• RQ3 이러한 과수원 시나리오에서 YOLOv8와 Mask R-CNN의 추론 시간은 어떻게 비교되는가?

주요 결과

• 데이터세트 1에서 YOLOv8의 정밀도는 0.90이고 재현율은 0.95인 반면 Mask R-CNN의 정밀도는 0.81, 재현율은 0.81이다.
• 데이터세트 2에서 YOLOv8의 정밀도는 0.93, 재현율은 0.97이고 Mask R-CNN의 정밀도는 0.85, 재현율은 0.88이다.
• 추론 시간은 YOLOv8이 더 낮았고(10.9 ms 및 7.8 ms), Mask R-CNN은(15.6 ms 및 12.8 ms)였다.
• YOLOv8은 로봇 수확 및 과일 억제와 같은 실시간 과수원 자동화 작업에서 우수한 정확도와 효율성을 보여주었다.