[ad_1]
과수원을 걷고 있는데 잎사귀에 반점이 있다고 가정해 봅시다. 질병처럼 보이지만 어떤 질병인지 확실하지 않습니다. 스마트폰 카메라로 잎사귀만 찍고 앱으로 질병을 확인할 수 있다면 얼마나 좋을까요?
코넬 대학교 부교수인 Awais Khan은 그러한 앱을 만드는 것을 목표로 하지만 먼저 그와 그의 팀은 훨씬 더 많은 사진을 찍고 더 많은 주석을 달아야 합니다.
Khan은 사과 과수원에서 빠르고 정확한 질병 정찰을 위한 컴퓨터 비전 연구 프로젝트를 이끌고 있습니다. 사과 세계에서 컴퓨터 비전 기술은 작물 부하 관리 가능성으로 인해 많은 주목을 받았지만 Khan은 질병 식별 가능성도 보았습니다.
2019년 맨해튼에 있는 대학의 기술, 비즈니스, 법률 및 디자인 캠퍼스인 Cornell Tech의 Khan과 협력자들은 Cornell Institute for Digital Agriculture로부터 컴퓨터 비전 모델을 “훈련”하여 사과 잎 질병을 감지하고 식별하기 위한 자금을 받았습니다. -자동 질병 식별 시스템 개발의 기간 목표.
첫 번째 작업은 사과 잎 질병의 이미지를 수집하는 것이 었습니다. Khan의 팀은 사과 딱지, 삼나무 사과 녹병 및 개구리 눈 반점을 포함하여 경제적으로 중요한 소수의 질병으로 시작했습니다. 기계 학습 모델을 적절하게 훈련시키기 위해 코넬 연구 과수원의 잎에서 수천 개의 질병 증상 이미지를 촬영했습니다. 그들은 다른 카메라와 다른 초점을 사용하여 다른 거리와 각도에서 맑은 날씨와 흐린 날씨에 나뭇잎을 촬영했습니다. 그들은 또한 재배자, 확장 교육자 및 작물 컨설턴트에게 질병 증상의 이미지를 보내달라고 요청했습니다.
다음 작업은 Khan이 “전문가 주석”이라고 부르는 작업이었습니다. 그와 다른 식물 병리학자들은 그들의 전문 지식을 사용하여 각 이미지에서 질병을 식별했습니다. 이미지가 신뢰할 수 없으면 기계 학습 모델도 신뢰할 수 없기 때문에 각 질병을 올바르게 식별해야 한다고 그는 말했습니다.
올바른 식별이 항상 쉬운 것은 아닙니다. 잎에는 분리하기 어려운 여러 질병 증상이 있을 수 있습니다. 곤충 피해도 질병 피해처럼 보일 수 있습니다.
“때때로 전문가조차도 특정 증상이 무엇인지 말할 수 없었습니다.”라고 Khan은 말했습니다.
실제 기계 학습 모델을 개발하기 위해 Khan과 그의 공동 작업자는 “크라우드 소싱” 접근 방식을 채택하기로 결정했습니다. 2020년에 그들은 Kaggle 웹사이트(kaggle.com), 데이터 과학자들이 공유하는 코딩 및 분석 도구의 허브. Khan은 사이트의 사용자 커뮤니티에 사과 딱지, 삼나무 사과 녹병 및 건강한 잎의 주석이 달린 이미지를 사용하여 이러한 질병을 식별할 수 있는 기계 학습 모델을 개발하도록 요청했습니다. 전 세계 수백 개의 팀이 수천 개의 기계 학습 모델을 제출했습니다. 최고 팀은 약 97% 정확한 모델을 만들었다고 Khan은 말했습니다.
2021년에 Khan의 팀은 또 다른 Kaggle 경쟁을 설정하여 잎당 여러 질병뿐만 아니라 더 많은 수의 질병이 포함된 더 복잡한 이미지를 제출했습니다. 결과 모델은 정확하지 않았습니다. Khan의 팀은 계속해서 이미지를 추가하여 향후 Kaggle 대회를 위한 더 크고 포괄적인 데이터 세트를 생성하고 질병 분류 및 정량화를 위한 고급 방법을 계속 탐색할 것입니다.
Kaggle 대회의 높은 참여율은 식물 질병 분류에 혁신적인 솔루션을 제공할 수 있는 이미지 처리 및 기계 학습 전문가가 많다는 것을 보여주었습니다. 주석이 달린 질병 데이터 세트를 사용할 수 없다는 것이 이제 주요 제한 사항으로 작용한다고 Khan은 말했습니다.
누구나 사용할 수 있는 질병 감지 앱을 개발하는 것은 프로젝트의 장기 목표 중 하나이지만 수년간의 연구가 필요합니다. 그동안 Khan과 그의 팀은 여전히 사진을 찍고 주석을 달고 있습니다.
—매트 밀코비치
[ad_2]
Source_link
