[논문 리뷰] Towards practical object detection for weed spraying in precision agriculture

Adrian Salazar-Gomez, Madeleine Darbyshire외 3명|arXiv (Cornell University)|2021. 09. 22.

Smart Agriculture and AI인용 수 12

한 줄 요약

이 논문은 정밀 농업의 잡초 방제에 적합한 실용적 프레임워크를 제안하며, 전통적인 mAP 이외의 실세계 적용 가능성을 평가하기 위해 세 가지 새로운 지표—잡초 커버리지 비율(WCR), 스프레이 면적, 추론 속도—를 도입한다. 실제 농장 데이터를 기반으로 YOLOv5m 및 Faster R-CNN 모델을 사용한 결과, mAP가 낮은 모델이 실제 스프레이 효율성에서 뛰어난 성능을 보였으며, Faster R-CNN은 스프레이 면적의 17.08%만을 사용하면서도 WCR가 85.78%에 도달하여 농약 사용을 크게 줄였다.

ABSTRACT

The evolution of smaller, faster processors and cheaper digital storage mechanisms across the last 4-5 decades has vastly increased the opportunity to integrate intelligent technologies in a wide range of practical environments to address a broad spectrum of tasks. One exciting application domain for such technologies is precision agriculture, where the ability to integrate on-board machine vision with data-driven actuation means that farmers can make decisions about crop care and harvesting at the level of the individual plant rather than the whole field. This makes sense both economically and environmentally. However, the key driver for this capability is fast and robust machine vision -- typically driven by machine learning (ML) solutions and dependent on accurate modelling. One critical challenge is that the bulk of ML-based vision research considers only metrics that evaluate the accuracy of object detection and do not assess practical factors. This paper introduces three metrics that highlight different aspects relevant for real-world deployment of precision weeding and demonstrates their utility through experimental results.

연구 동기 및 목표

• 표준 정확도 지표를 초월하여 기계학습 모델의 정밀 농업 잡초 방제 평가에 있어 여전히 부족한 점을 해결하기 위해.
• 실세계 적용 가능성을 평가하기 위해 잡초 커버리지 비율(WCR), 스프레이 면적, 추론 속도를 포함한 세 가지 새로운 실용적 지표를 제안하고 검증하기 위해.
• mAP가 낮은 모델이 농약 감소 및 처리 속도 측면에서 뛰어난 실용적 성능을 보일 수 있음을 입증하여 실시간 현장 방제를 가능하게 하기 위해.
• 검출 정확도, 농약 효율성, 계산 비용 간의 상호 교환 관계를 고려한 최적 모델 선택을 위한 의사결정 프레임워크를 제공하기 위해.

제안 방법

• 저자들은 트랙터에 장착된 스프레이어와 5개의 카메라, 분무노즐을 사용하여 현장 운행 중 실시간 영상을 촬영하는 시스템을 개발했다.
• 두 데이터셋(BB: 잡초, LB: 시야가 낮은 잡초)을 대상으로 최신 객체 검출 모델(YOLOv5m, YOLOv3, Faster R-CNN, SSD)을 적용하였다.
• 잡초 커버리지 비율(WCR)은 예측된 바운딩 박스와 노즐 해상도를 기반으로 스프레이어가 타겟팅할 수 있는 잡초 비율로 계산되었다.
• 스프레이 면적 지표는 직사각형 스프레이 패턴이 검출된 잡초와 겹치는 총 면적을 가정하여 계산되었다.
• 추론 속도는 단일 GPU에서 프레임당 초(FPS) 단위로 측정되어 실시간 처리 가능성을 평가하였다.
• 제한된 차량 내 하드웨어에서의 확장성 평가를 위해 배치 크기(1에서 44까지)를 다양하게 설정하여 평가하였다.

실험 결과

연구 질문

• RQ1 전통적인 mAP 기반 지표와 실용적 지표인 WCR 및 스프레이 면적 간의 평가 결과는 정밀 잡초 방제를 위한 객체 검출 모델 평가에서 어떻게 상이한가?
• RQ2 실제 농장 조건에서 WCR와 농약 효율성(스프레이 면적) 간의 최적 균형을 이루는 객체 검출 모델은 무엇인가?
• RQ3 모델 정확도(mAP)와 추론 속도 간의 상호 교환 관계는 어떻게 되며, 이는 农업 차량의 임베디드 시스템에 실시간 구현에 어떤 영향을 미치는가?
• RQ4 배치 크기를 증가시키면 프레임 속도와 다중 카메라 스트림을 실시간으로 처리하는 데 있어 어떤 영향을 미치는가?
• RQ5 연속되지 않은 이미지 프레임과 단순화된 스프레이 기하학적 가정은 WCR 및 스프레이 면적 추정의 정확도에 어느 정도 제한을 가하는가?

주요 결과

• Faster R-CNN(ResNet-50-FPN)은 BB 데이터셋에서 mAP가 낮음에도 불구하고 WCR가 85.78%를 기록했으며, 스프레이 면적은 17.08%에 그쳐 YOLOv5m보다 농약 효율성이 뛰어나게 나타났다.
• LB 데이터셋에서는 SSD가 WCR 96.94%를 기록했고, 스프레이 면적은 35.36%에 머물렀으며, 이는 커버리지 대비 낭비를 최소화한 강력한 성능을 보였다. 이는 WCR가 약간 낮은 YOLOv5m(스프레이 면적 68.6%)보다도 뛰어난 성능을 보였다.
• YOLOv3는 배치 크기 1일 때 75.18 FPS로 가장 빠른 추론 속도를 기록하여 실시간 처리에 적합했지만, YOLOv5m보다 검출 정확도는 낮았다.
• 배치 크기 44일 때 YOLOv5m는 단일 GPU에서 277–333 FPS를 기록하여, 3~4개의 GPU를 사용하면 시속 15mph에서 실시간 스프레이가 가능할 것으로 예상되었지만, 여전히 필요한 968–1027 FPS에 못 미쳤다.
• BB 데이터셋에서의 최고 WCR는 YOLOv5m(3개의 노즐)가 88.2%를 기록했지만, 이는 스프레이 면적이 33.03%에 이르는 높은 낭비를 수반했다.
• 이 연구에서는 mAP가 가장 높은 모델(예: YOLOv5m)이 반드시 최고의 실용적 성능을 보이는 것은 아니며, WCR와 스프레이 면적 지표가 실세계 구현에 있어 더 의미 있는 상호 교환 관계를 드러내었다.