논문 상세보기
pp.588-595
본 연구에서는 작물 이미지 데이터셋에 적합한 데이터 증강 기법으로 자연광 기반 증강을 제안하였다. NLA는 밝기, 색온 도, 대비 변화를 반영하여 실제 환경에서 발생 가능한 광조건 을 학습 데이터에 적용함으로써, 기존 YOLO 기본 증강 대비 더욱 현실적인 학습 데이터를 생성할 수 있도록 설계되었다. 참외와 딸기 데이터셋을 대상으로 한 실험 결과, NLA는 Baseline 대비 전반적인 성능 향상을 보였다. 또한 Baseline에 서 학습 후반부에 나타난 성능 저하나 불안정성이 NLA에서 는 완화되어, 제안 기법이 과적합 방지와 학습 안정성 유지에 도 효과적임을 입증하였다. PatchSwap은 Mosaic의 한계를 보완하기 위한 보조적 시도로 실험에 포함되었으나, 종합적 인 성능 향상에는 뚜렷한 기여를 하지 못하였다. 본 연구 결과는 작물 이미지에서 실제 광조건을 반영한 데 이터 증강의 필요성과 유효성을 보여주었으며, 이는 향후 다 양한 작물과 촬영 환경으로 확장 가능한 가능성을 제시한다. 앞으로는 NLA의 적용 범위를 확대하고, 다른 딥러닝 모델 및 추가적인 농업 데이터셋에 대한 성능 검증을 통해 본 기법의 범용성과 실효성을 더욱 강화할 필요가 있다.
Data augmentation is a key factor for improving the performance of object detection models in computer vision. Agricultural imagery is captured in open fields and greenhouses, and lighting varies widely with shooting time, weather conditions, and the influence of structures. These characteristics destabilize the distribution of training data, and when conventional augmentations generate data that differ from real environments, they can degrade a model’s generalization. To address this problem, we propose Natural Light Augmentation (NLA), a lighting-aware augmentation that reflects illumination changes in agricultural images. NLA simulates variations in brightness, color temperature, and contrast so that conditions likely to occur in practice are applied to the training data. We validated the effectiveness of the proposed method on Oriental melon and strawberry datasets. On the Oriental melon dataset, NLA improved overall performance compared with existing augmentations, with the largest gain observed on mAP50-95 (4－6%). On the strawberry dataset, the Baseline model showed a decline in validation performance in the later training phase-suggesting overfitting-whereas NLA maintained stable performance as epochs progressed. We additionally conducted experiments with PatchSwap, which exchanges patches within the same image, but the performance improvement was limited. These results demonstrate that augmentation reflecting real lighting conditions in agricultural datasets effectively improves model performance and increases training stability. As an augmentation tailored to agricultural imagery, NLA should be extended to a wider range of crops and environmental conditions in future work.
서 론
재료 및 방법
1. Natural light augmentation (NLA)
2. PatchSwap
3. 데이터셋 및 실험 환경
결과 및 고찰
1. 참외 데이터셋 결과 분석
2. 딸기 데이터셋 결과 분석
3. 종합 분석
적 요
사 사
Literature Cited
