소나무과에 속하는 소나무는 한국의 산림에 가장 넓게 분포되어 있으며 개체 수 역시 다른 산림 수보다 많으며, 활용 용도에 따라 건축, 전신주, 교량, 농기구, 기구, 가구 그리고 제작제지업과 귀한 약재 원료로 사용하고 있으며, 솔가지와 솔뿌리는 먹, 잉크, 검은색 도색 재료 등 다양한 재료에 쓰인다. 이러한 소나무는 다른 나무들에 비해 병해충에 매우 취약한 면을 보이고 있으며, 병해충 종류로는 솔잎 흑파리, 솔껍질깍지벌레, 참나무시들음 병 등이 있다.
현재 소나무 병해충을 확인하기 위해 산림관리자가 직접 수작업으로 채집망을 이용해 채집하여 눈으로 확인하는 과정을 진행하고 있으므로 빠른 방제작업이 늦어지는 원인이 된다.
따라서 본 논문은 딥러닝을 이용하여 소나무 병해충을 빠른 시간에 확인할 수 있는 소나무 병해충 탐지 시스템을 구현하고자 한다. 또한, 인공지능의 좋은 성능 모형을 선택하여 시스템에 적용하기 위해 You Only Look Once (YOLOv5s)_Focus+C3, Cascade Region-based Convolutional Neural Networks (Cascade R-CNN)_Residual Network 50(ResNet50), Faster Region-based Convolutional Neural Networks (Faster R-CNN)_ResNet50 그리고 본 논문에서 제안된 Swin Transformer와 Cascade R-CNN의 혼합 모형 등의 4가지 성능을 비교 분석하고자 한다.
결과는 YOLOv5s_Focus+C3은 소나무 병해충 탐지에서 Average Precision (AP) Intersection over Union (IoU=0.5)는 56.3%, Recall 값은 66.8%로 나타났으며, Cascade R-CNN_ResNet50은 소나무 병해충 탐지에서 AP(IoU=0.5) 93.2%, AP(IoU=0.75) 89.5%, Recall 92.9%로 나타났다.
Cascade R-CNN_ResNet50은 Faster R-CNN보다 AP(IoU=0.5)는 0.7% 높고, AP(IoU=0.75)는 1.6% Recall은 1.8%로 높은 값을 가진다. 반면 Swin Transformer와 Cascade R-CNN의 혼합 모형은 Cascade R-CNN_ResNet50과 비교해 AP(IoU=0.5)가 1.4%만큼 높으며, AP(IoU=0.75)는 0.1%만큼 높다. 또한, Recall은 0.6%만큼 높게 나타났다.
따라서 소나무 병해충 탐지하는 4가지 모형의 성능을 비교한 결과 YOLOv5s_Focus+C3, Faster R-CNN_ResNet50, Cascade R-CNN_ResNet50, 그리고 본 논문에서 제안하는 Cascade R-CNN_Swin Transformer 혼합 모형과 비교하면 낮은 성능을 보였다. 따라서 본 논문에서 제안한 Swin Transformer와 Cascade R-CNN의 혼합 모형이 비교한 4가지 모형 중 우수함이 본 연구를 통해 확인되었다.