본 연구는 프렌치매리골드(Tagetes patula L.)의 개화 과정 을 영상 기반으로 정량화하고, 이를 바탕으로 개화 진행률을 예측할 수 있는 딥러닝 모델을 제안하고자 하였다. 실험은 완 전제어형 식물공장에서 수경재배 조건하에 수행되었으며, 개 화 초기부터 만개에 이르기까지 1시간 간격으로 정면 이미지 를 촬영하여 시계열 이미지 데이터셋을 구축하였다. 각 식물 체의 이미지는 시간순으로 정렬된 연속 이미지 5장을 하나의 시퀀스로 구성하고, 마지막 시점의 개화율을 예측하는 회귀 문제로 모델을 학습하였다. 제안한 모델은 CNN 기반 특징 추 출기와 LSTM 기반 RNN을 결합한 CNN+RNN 하이브리드 구조로, 시간에 따른 개화 과정을 효과적으로 반영하도록 설계 되었다. 비교 실험에는 BasicCNN, ResNet18, MobileNetV2, EfficientNetB0 모델을 포함하였으며, 동일한 데이터셋과 조 건에서 성능을 비교하였다. 실험 결과, 제안한 CNN+RNN 모델은 평균제곱오차(MSE) 0.0006, 평균절대오차(MAE) 0.0196, 결정계수(R2) 0.993을 기록하며, 다른 모델들에 비해 데이터에 대한 매우 높은 적합도를 나타냈다. 이러한 결과는 제안된 모델이 시간에 따른 시각적 변화를 효과적으로 반영함 을 시사하며, 화훼 작물의 자동 개화 모니터링 및 생육 단계 분 석을 위한 기반 기술을 활용될 수 있음을 보여준다.

This study proposes a deep learning-based approach to quantitatively model the flowering progression of French marigold (Tagetes patula L.) using image data. The experiment was conducted under a controlled plant factory environment with hydroponic cultivation, and front-facing images were taken at hourly intervals from the early flowering stage to full bloom. To capture temporal dynamics, five consecutive images per plant were grouped as one input sequence, and the model was trained to predict the flowering progress (ranging from 0 to 1) at the final time step. The proposed model adopts a hybrid CNN+RNN architecture that combines convolutional neural networks (CNN) for feature extraction and long short-term memory (LSTM) networks to reflect temporal patterns. For performance comparison, four baseline CNN-based models—BasicCNN, ResNet18, MobileNetV2, and EfficientNetB0—were evaluated under the same dataset and conditions. Experimental results demonstrate that the CNN+RNN model significantly outperformed the other models, achieving a mean squared error (MSE) of 0.0006, a mean absolute error (MAE) of 0.0196, and an R2 value of 0.993. These findings suggest that the proposed model effectively captures temporal visual changes and can serve as a foundational technique for automated flowering monitoring and phenological analysis in floriculture crops.

Abstract
서 론
재료 및 방법
    1. 실험 재료
    2. 데이터셋 구성
    3. 시계열 학습을 위한 데이터 구성
    4. 모델 구조
    5. 모델 학습 및 구현 환경
    6. 성능 평가
결과 및 고찰
적 요
사 사
Literature Cited

• 곽나영(제주대학교 생명자원과학대학 원예학과 대학원생) | Nayoung Kwak (Graduate Student, Department of Horticultural Science, Jeju National University, Jeju 63243, Korea)
• 성보현(제주대학교 생명자원과학대학 원예학과 대학원생) | Bo Hyun Sung (Graduate Student, Department of Horticultural Science, Jeju National University, Jeju 63243, Korea)
• 오욱(제주대학교 생명자원과학대학 원예학과 교수, 제주대학교 아열대농업생명과학연구소, 친환경연구소 연구원) | Wook Oh (Professor, Department of Horticultural Science, Jeju National University, Jeju 63243, Korea, Researcher, Research Institute for Subtropical Agriculture and Animal Biotechnology, SARI, Jeju National University, Jeju 63243, Korea)
• 조영열(제주대학교 생명자원과학대학 원예학과 교수, 제주대학교 아열대농업생명과학연구소, 친환경연구소 연구원) | Young-Yeol Cho (Professor, Department of Horticultural Science, Jeju National University, Jeju 63243, Korea, Researcher, Research Institute for Subtropical Agriculture and Animal Biotechnology, SARI, Jeju National University, Jeju 63243, Korea) Corresponding author