표제지
논문 개요
목차
1장 서론 13
1절 연구 배경 및 목적 13
2절 연구 논문의 구성 15
2장 관련연구 16
1절 신경망 학습모형 17
1. YOLOv5s(You Only Look Once v5s)모형 17
2. Faster R-CNN(Faster Regions-based Convolutional Neuron Networks)모형 19
3. Cascade R-CNN(Cascade Region-based Convolutional Neural Networks)모형 22
4. Swin Transformer모형 23
2절 이미지 데이터 증강모형 25
1. 가우시안 필터모형 25
2. Flip모형과 Rotation모형 26
3. Multiply모형 27
4. Cutout모형 27
3장 소나무 병해충 탐지를 위한 모형 설계 29
1절 개발 시스템 구조 29
1. 이미지 데이터 수집 30
2. 이미지 전처리 31
3. 이미지 라벨링 처리 33
2절 데이터 라벨링 작업 34
3절 소나무 병해충 탐지 모형 35
1. Cascade R-CNN 소나무 병해충 탐지 모형 설계 35
2. YOLOv5s 소나무 병해충 탐지 모형 설계 38
3. Faster R-CNN 소나무 병해충 탐지 모형 설계 39
4. Swin Transformer와 Cascade R-CNN 혼합 모형 구조 설계 40
4장 소나무 병해충 탐지 시스템 구현 41
1절 개발 환경 구성 41
2절 평가 지표 41
3절 데이터 증강 구현 43
1. 가우시안 필터 증강모형 44
2. Flip 증강모형과 Rotation 증강모형 45
3. Multiply 증강모형 46
4. Cutout 증강모형 46
5. 데이터 증강 구현 결과 47
4절 소나무 병해충 탐지 모형 구현 48
1. YOLOv5s 탐지 모형 48
2. Faster R-CNN 탐지 모형 49
3. Cascade R-CNN 탐지 모형 50
4. Swin Transformer와 Cascade R-CNN 탐지 혼합 모형 51
5절 소나무 병해충 탐지 모형 구현 결과 52
5장 결론 54
참고문헌 55
Abstract 58
〈표 1-1〉 산림 병해충 발생 현황 14
〈표 3-1〉 전처리 전 이미지 데이터 수집 키워드 31
〈표 3-2〉 소나무 병해충 데이터 셋 형식 34
〈표 4-1〉 학습 소프트웨어 라이브러리 41
〈표 4-2〉 데이터 증강모형의 구현 43
〈표 4-3〉 가우시안 필터 증강모형 코드 44
〈표 4-4〉 Flip 증강모형과 Rotation 증강모형 코드 45
〈표 4-5〉 Multiply 증강모형 코드 46
〈표 4-6〉 Cutout 증강모형 코드 47
〈표 4-7〉 데이터 셋 수량 변화 결과 47
〈표 4-8〉 YOLOv5s모형의 학습 Loss 48
〈표 4-9〉 Faster R-CNN모형의 학습 Loss 49
〈표 4-10〉 Cascade R-CNN모형의 학습 Loss 50
〈표 4-11〉 Swin Transformer와 Cascade R-CNN 탐지 혼합 모형의 학습 Loss 51
〈표 4-12〉 소나무 병해충 탐지 모형을 위한 4가지 모형의 성능 비교 52
[그림 2-1] YOLOv5s모형 구조 17
[그림 2-2] C3모형 구조 18
[그림 2-3] Focus모형 구조 18
[그림 2-4] Spatial Pyramid Pooling(SPP)모형 구조 19
[그림 2-5] Faster R-CNN을 적용한 소나무 병해충 탐지 모형 19
[그림 2-6] Region Proposal Network(RPN) 모형 21
[그림 2-7] Cascade R-CNN을 활용한 소나무 병해충 탐지 모형 22
[그림 2-8] Swin Transformer 소나무 병해충 탐지 모형 설계 23
[그림 2-9] Swin Transformer Block 구조 24
[그림 2-10] Flip모형와 Rotation모형 이미지 데이터 증강 방법 결과 26
[그림 2-11] Multiply모형 이미지 데이터 증강 방법 결과 27
[그림 2-12] Cutout모형 이미지 데이터 증강 방법 결과 28
[그림 3-1] 소나무 병해충 시스템 개발 프로세스 29
[그림 3-2] 이미지 전처리 프로세스 32
[그림 3-3] labelImg Tool을 활용한 라벨링하는 모습 33
[그림 3-4] Cascade R-CNN 탐지 모형 설계 36
[그림 3-5] YOLOv5s 탐지 모형 설계 38
[그림 3-6] Faster R-CNN 탐지 모형 설계 39
[그림 3-7] Swin Transformer와 Cascade R-CNN 탐지 혼합 모형 설계 40
[그림 4-1] 데이터 증강모형 프로세스 43
[그림 4-2] YOLOv5s모형의 학습 Loss 48
[그림 4-3] Faster R-CNN모형의 학습 Loss 49
[그림 4-4] Cascade R-CNN모형의 학습 Loss 50
[그림 4-5] Swin Transformer와 Cascade R-CNN 탐지 혼합 모형의 학습 Loss 51