Oryza YOLOCNN-X: 엣지 디바이스 기반 실시간 벼 병해 검출 및 드론 탑재 영상 처리 프레임워크

📌 핵심 요약 (Key Takeaways)

핵심 성과 1: 라즈베리파이 엣지 환경에서 52ms 레이턴시 및 18.5 FPS의 실시간 벼 병해 검출 성능 달성 (훈련 96.67%, 검증 98.07%, 테스트 94.46% 정확도)
독창적 차별점 2: 패치 기반 YOLO 객체 추출과 텍스처 분석 커스텀 CNN(CustomCNN) 분류기를 결합한 하이브리드 아키텍처 및 크로스 리전(Cross-region) 검증 적용
실무 파급력 3: 무인 드론이 포착한 대규모 농업 비전 데이터를 온보드 임베디드 시스템에서 즉시 처리하여 정밀 농업의 자동화 수준 극대화

글로벌 식량 안보와 직결되는 벼 수확량 손실의 주원인은 다양한 식물 병해충에 기인한다. 따라서 광범위한 농경지를 대상으로 실시간 모니터링을 수행할 수 있는 자율주행 무인이동체 및 에디 컴퓨팅 기반 진단 솔루션의 필요성이 지속적으로 제기되어 왔다.

본 포스팅에서는 라즈베리파이와 같은 저전력 엣지 디바이스 환경에서 드론 촬영 영상 데이터를 기반으로 실시간 벼 병해를 검출 및 분류하는 딥러닝 프레임워크인 ‘Oryza YOLOCNN-X’의 아키텍처와 엔지니어링적 특징을 심층 분석한다.

Oryza YOLOCNN-X 프레임워크 아키텍처

Oryza YOLOCNN-X는 드론 영상의 특성을 고려하여 설계된 하이브리드 딥러닝 모델이다. 고해상도 항공 이미지 전체를 한 번에 처리하는 방식은 연산 부하가 크기 때문에, 임베디드 환경에서의 실시간 처리에 한계가 존재한다.

이를 해결하기 위해 본 프레임워크는 YOLO 기반 모델을 채택하여 병해 부위(Disease Patch)를 정밀하게 추출하고, 추출된 패치를 텍스처 기반의 CustomCNN 분류기에 입력하여 최종 병해 종류를 식별하는 이원화된 파이프라인을 구축했다.

모델의 강건성(Robustness)을 확보하기 위해 하이데라바드(Hyderabad) 지역에서 수집된 9개 병해 클래스, 총 5,181장의 이미지 데이터셋을 활용하여 모델 학습 및 검증을 수행했다.

특히 오버피팅을 방지하고 실제 필드 환경에서의 일반화 성능을 증명하기 위해, 팔가르(Palghar) 지역의 실제 벼농사 현장에서 자체 촬영한 이미지로 테스트를 진행하는 크로스 리전 검증을 거쳤다.

제안된 프레임워크는 엄격한 실험 환경에서 다음과 같은 우수한 정량적 지표를 기록했다. 모델 훈련 정확도 96.67%, 검증 정확도 98.07%, 그리고 교차 지역 테스트 정확도는 94.46%를 달성했다.

또한 자원 제약이 심한 라즈베리파이 엣지 디바이스에 직접 배포(Deployment)된 상태에서도 52ms의 레이턴시와 18.5 FPS의 처리 속도를 보여주어, 실시간 드론 비행 중 온보드 프로세싱 가능성을 입증했다.

비교 항목	기존/유사 논문 방식	본 연구 (Oryza YOLOCNN-X)	실무적 차별성 및 한계
모델 구조	단일 대형 CNN 또는 무거운 End-to-End YOLO	YOLO 패치 추출 + 텍스처 기반 CustomCNN 분류	임베디드 연산량 대폭 절감 및 정확도 유지
배포 환경	고성능 클라우드 서버 및 GPU 워크스테이션	라즈베리파이 엣지 디바이스 (온보드)	통신 지연 없는 실시간 드론 탑재 가능
일반화 검증	단일 데이터셋 분할 테스트 위주	다른 지역(Hyderabad vs Palghar) 간 크로스 리전 검증	필드 환경 변화에 대한 강건성 입증

본 연구 결과물은 스마트 농업(Smart Agriculture) 및 정밀 농업(Precision Agriculture) 분야의 무인이동체 활용성을 한 단계 끌어올리는 중요한 기술적 토대를 제공한다.

지상통제시스템(GCS)과의 연계를 통해 드론이 비가시권(BVLOS) 비행 중 촬영한 고해상도 영상을 클라우드로 전송할 필요 없이, 기체 내 엣지 컴퓨팅 보드에서 즉각적으로 병해 여부를 판독하여 농약 살포 자동화 및 실시간 방제 지휘 체계를 구축할 수 있다.