WO2024106722A1 - Gan을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템 - Google Patents

Gan을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템 Download PDF

Info

Publication number
WO2024106722A1
WO2024106722A1 PCT/KR2023/013798 KR2023013798W WO2024106722A1 WO 2024106722 A1 WO2024106722 A1 WO 2024106722A1 KR 2023013798 W KR2023013798 W KR 2023013798W WO 2024106722 A1 WO2024106722 A1 WO 2024106722A1
Authority
WO
WIPO (PCT)
Prior art keywords
images
image
crop
gan
learning
Prior art date
Application number
PCT/KR2023/013798
Other languages
English (en)
French (fr)
Inventor
신창선
이명배
임종현
오한별
장경민
Original Assignee
순천대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 순천대학교 산학협력단 filed Critical 순천대학교 산학협력단
Publication of WO2024106722A1 publication Critical patent/WO2024106722A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Definitions

  • the present invention utilizes GAN types (DCGAN, StyleGAN, etc.) models to learn pest images to generate image data for learning a classification model, then verifies images that can be used for actual learning through evaluation indices and uses them to identify crop pests.
  • GAN types DCGAN, StyleGAN, etc.
  • This relates to a crop image generation and crop pest classification model learning system using GAN that provides classification and judgment to users.
  • Smart greenhouses are commonly built mainly on farms in Korea, and since they are only applied to single farms, there is a problem in that data that can be analyzed is not accumulated. Therefore, it is necessary to develop a big data platform that can naturally collect and analyze data from smart greenhouses by allowing various collection, management, and analysis of data from multiple farms.
  • greenhouse farmers are not IT experts, so they cannot operate and maintain the system or apply new technologies to their farms. Therefore, when a cloud-based greenhouse big data system is established, greenhouse farmers can use it without the need to separately operate and maintain a monitoring and management system, and the results of analyzing farm data using new technology can be used immediately.
  • the present invention was conceived in consideration of the above points, and provides a crop pest and disease classification service based on data collected on a cloud-based platform, using an existing publicly available pest data set along with the obtained data to create a model.
  • the purpose is to provide a crop image generation and crop pest classification model learning system using GAN that generates new pest images for learning, classifies and determines whether crops are pests, and provides them to users.
  • the crop image generation and crop pest classification model learning system using GAN is a platform data server that has a first dataset storing normal crop images and a second dataset storing pest crop images. ; And, images stored in the first and second datasets of the platform data server are received and image pre-processing is performed, but if the amount of images is less than the minimum amount of images required for learning the classification model, the existing pest dataset
  • An image pre-processing device that loads images stored in and performs image pre-processing, receives pre-processed images from the image pre-processing device, learns an image generation model using a GAN artificial intelligence model, and then generates virtual image data and evaluates it.
  • a GAN-based image generator that selects virtual image data that can be used for learning, and receives image data that can be used in learning from the image preprocessor and the GAN-based image generator and learns the crop to perform crop pest classification. It includes a platform big data analysis server including a pest classification model generation device.
  • greenhouse farmers can conveniently use the monitoring and management system without the need for separate operation and maintenance, and in addition, existing public pest data along with the obtained data Using the set, new pest images can be created for model learning, which has the effect of increasing the accuracy and reliability of pest diagnosis.
  • Figure 1 is a schematic configuration diagram of a crop image generation and crop pest classification model learning system using GAN according to an embodiment of the present invention.
  • FIG. 2 is a diagram for explaining the operation of the image pre-processing device of FIG. 1.
  • Figure 3 is a diagram for explaining the operation of the GAN image generator of Figure 1.
  • the crop image generation and crop pest classification model learning system using GAN includes a platform data server 100 and a platform big data analysis server 200.
  • the platform data server 100 includes a first data set 110 in which normal crop images are stored and a second data set 130 in which pest and disease crop images are stored. This platform data server 100 stores not only previously collected crop images but also crop images received from the smart greenhouse or users of the smart greenhouse.
  • the platform big data analysis server 200 receives images stored in the first data set 110 and the second data set 130 of the platform data server 100 and performs image pre-processing, but the amount of the images is classified. If there are fewer than the minimum amount of images required for model learning, an image pre-processing device 220 performs image pre-processing by loading images stored in the existing pest data set, and receives pre-processed images from the image pre-processing device 220, A GAN-based image generator 240 that learns an image generation model, generates virtual image data, evaluates it, and then selects virtual image data that can be used for learning, the image pre-processing device 220, and the GAN-based image generator ( It includes a crop pest classification model generating device 260 that receives image data that can be used for learning from 240), learns the image data, and performs crop pest classification.
  • the image pre-processing device 220 receives images from the platform data server 100 (S241), and determines whether the amount of the delivered images satisfies the minimum amount of image data required for learning a classification model (S222).
  • images of the pest data set 300, see Figure 1
  • S223 this is used to resize to the same resolution as the images transmitted from the platform data server 100 (S224).
  • step 'S222' are more than the minimum amount of image data required for learning the classification model, these images are immediately resized to the same resolution (S224).
  • the resized images are normalized based on mean and std values for learning model accuracy (S225) and then delivered to the GAN-based image generator 240 or the crop pest classification model generator 260.
  • S225 learning model accuracy
  • the GAN-based image generator 240 receives pre-processed image data from the image pre-processing device 220 (S241), and uses GAN-based artificial intelligence models such as DCGAN and StyleGAN based on these pre-processed image data. Then, the image generation model is learned (S242).
  • virtual image data is generated through the learned model (S243), and then the generated virtual image data is evaluated through the Frechet Inception Distance (FID) and 1-Nearest Neighborclassifier (1NNC) formulas (S244).
  • FID Frechet Inception Distance
  • NNC 1-Nearest Neighborclassifier
  • virtual image data that can be used for learning is selected based on the evaluation results (S245) and delivered to the crop pest classification model generating device 260 (S246).
  • the crop pest classification model generator 260 uses CNN and ResNet-based models to learn images received from the image preprocessor 220 and the GAN-based image generator 240 and evaluates the crop pest classification model, By evaluating the classification model, a crop pest classification service within the platform is implemented and provided to users.
  • the present invention utilizes GAN types (DCGAN, StyleGAN, etc.) models to learn pest images to generate image data for learning a classification model, then verifies images that can be used for actual learning through evaluation indices and uses them to identify crop pests. It is about a crop image generation and crop pest classification model learning system using GAN that classifies and makes judgments and provides them to users, and has industrial applicability.
  • GAN types DCGAN, StyleGAN, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Animal Husbandry (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Analysis (AREA)

Abstract

개시된 본 발명에 따른 GAN을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템은, 정상 작물 이미지들과 병해충 작물 이미지들이 저장된 플랫폼 데이터 서버(100)와 플랫폼 빅데이터 분석 서버(200)를 포함한다. 상기 플랫폼 빅데이터 분석 서버(200)는 플랫폼 데이터 서버(100)에 저장된 이미지들을 전달받아 이미지 전처리를 수행하되, 상기 이미지들의 양이 분류 모델 학습에 필요한 최소한의 이미지들의 양보다 적은 경우 기존 병해충 데이터셋에 저장된 이미지들을 불러들여 이미지 전처리를 수행하는 이미지 전처리 장치(220)와, 상기 이미지 전처리 장치(220)로부터 전처리된 이미지들을 전달받아 학습에 사용할 수 있는 가상 이미지 데이터를 선정하는 GAN 기반 이미지 생성기(240), 및 상기 이미지 전처리 장치(220)와 상기 GAN 기반 이미지 생성기(240)로부터 학습에 사용할 수 있는 이미지 데이터를 전달받아 이를 학습하여 작물 병해충 분류를 수행하는 작물 병해충 분류 모델 생성 장치(260)를 포함한다.

Description

GAN을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템
본 발명은 GAN 종류(DCGAN, StyleGAN 등) 모델들을 활용하여, 병해충 이미지들을 학습하여 분류 모델 학습을 위한 이미지 데이터 생성 후 평가지표를 통해 실제 학습에 사용할 수 있는 이미지를 검증하고 이를 이용하여 작물 병해충을 분류 및 판단하여 사용자에게 제공하도록 하는 GAN을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템에 관한 것이다.
스마트 온실은 국내에서 농장 위주로 구축되고 있는 것이 보편적으며, 이렇게 단일 농장에서만 적용되고 있어 분석할 수 있는 데이터가 쌓이지 않는 문제점이 있다. 따라서, 여러 농장의 데이터를 다양하게 수집, 관리, 분석할 수 있게 하여 스마트 온실의 데이터를 자연스럽게 수집하여 분석 가능한 빅데이터 플랫폼 개발이 필요하다.
한편, 온실의 농장주는 IT 전문가가 아니므로 시스템을 운영, 유지보수할 수 없으며 신기술을 자신의 농장에 접목할 수 없게 된다. 따라서, 클라우드 기반 온실 빅데이터 시스템을 구축할 경우 온실의 농장주가 모니터링 및 관리 시스템을 별도로 운영, 유지보수 할 필요 없이 사용할 수 있으며, 새로운 기술로 농장의 데이터를 분석한 결과를 바로 사용할 수 있게 된다.
또한, 종래에는 병해충 농장주들이 작물에 병해충 의심증상이 발병하였을 때 사진을 찍어 온라인을 통해 업로드하면 해당 병해충 명을 인공지능 모델(딥러닝 또는 머신러닝 등)을 이용하여 유추해 주는 기술이 소개되고 있다. 그러나 해당 병해충 명을 분류 및 진단하기 위한 인공지능 모델을 학습시키기에는 병해충 이미지는 매우 부족한 상태이다.
본 발명은 상기와 같은 점을 감안하여 안출된 것으로써, 클라우드 기반 플랫폼으로 수집된 데이터들을 기초로 작물 병해충 분류 서비스를 제공하되, 확보한 데이터와 함께 기존 공개되어 있는 병충해 데이터 세트를 사용하여, 모델 학습을 위한 새로운 병해충 이미지를 생성하고 이를 이용하여 작물의 병해충 여부를 분류 및 판단하여 사용자에게 제공하는 GAN을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템을 제공하는데 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명에 따른 GAN을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템은, 정상 작물 이미지들이 저장된 제1데이터셋과 병해충 작물 이미지들이 저장된 제2데이터셋을 구비하는 플랫폼 데이터 서버; 및, 상기 플랫폼 데이터 서버의 제1데이터셋 및 제2데이터셋에 저장된 이미지들을 전달받아 이미지 전처리를 수행하되, 상기 이미지들의 양이 분류 모델 학습에 필요한 최소한의 이미지들의 양보다 적은 경우 기존 병해충 데이터셋에 저장된 이미지들을 불러들여 이미지 전처리를 수행하는 이미지 전처리 장치와, 상기 이미지 전처리 장치로부터 전처리된 이미지들을 전달받아, GAN 인공지능 모델을 이용하여 이미지 생성 모델을 학습한 후 가상 이미지 데이터를 생성하여 이를 평가한 후 학습에 사용할 수 있는 가상 이미지 데이터를 선정하는 GAN 기반 이미지 생성기, 및 상기 이미지 전처리 장치와 상기 GAN 기반 이미지 생성기로부터 학습에 사용할 수 있는 이미지 데이터를 전달받아 이를 학습하여 작물 병해충 분류를 수행하는 작물 병해충 분류 모델 생성 장치를 포함하는 플랫폼 빅데이터 분석 서버;를 포함한다.
본 발명에 의하면 클라우드 기반 온실 빅데이터 시스템을 구축하여, 온실의 농장주가 모니터링 및 관리 시스템을 별도로 운영, 유지보수 할 필요 없이 편리하게 사용할 수 있으며, 또한, 확보한 데이터와 함께 기존 공개되어 있는 병충해 데이터 세트를 사용하여, 모델 학습을 위한 새로운 병해충 이미지를 생성할 수 있으므로, 병해충 진단의 정확성과 신뢰성을 높일 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 GAN을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템의 개략 구성도이다.
도 2는 도 1의 이미지 전처리 장치의 동작을 설명하기 위한 도면이다.
도 3은 도 1의 GAN 기방 이미지 생성기의 동작을 설명하기 위한 도면이다.
본 발명의 상기와 같은 목적, 특징 및 다른 장점들은 첨부도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명함으로써 더욱 명백해질 것이다. 이하 첨부된 도면을 참조하여 본 발명의 실시예에 따른 GAN을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템에 대해 상세히 설명하기로 한다.
도 1을 참조하면, 본 발명의 실시예에 따른 GAN을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템은 플랫폼 데이터 서버(100)와 플랫폼 빅데이터 분석 서버(200)를 포함한다.
플랫폼 데이터 서버(100)는 정상 작물 이미지들이 저장된 제1데이터셋(110)과 병해충 작물 이미지들이 저장된 제2데이터셋(130)을 구비한다. 이 플랫폼 데이터 서버(100)에는 기 수집된 작물 이미지들 뿐만 아니라, 스마트 온실 또는 스마트 온실의 사용자들로부터 수신된 작물 이미지들이 저장된다.
플랫폼 빅데이터 분석 서버(200)는 상기 플랫폼 데이터 서버(100)의 제1데이터셋(110) 및 제2데이터셋(130)에 저장된 이미지들을 전달받아 이미지 전처리를 수행하되, 상기 이미지들의 양이 분류 모델 학습에 필요한 최소한의 이미지들의 양보다 적은 경우 기존 병해충 데이터셋에 저장된 이미지들을 불러들여 이미지 전처리를 수행하는 이미지 전처리 장치(220)와, 상기 이미지 전처리 장치(220)로부터 전처리된 이미지들을 전달받아, 이미지 생성 모델을 학습한 후 가상 이미지 데이터를 생성하여 이를 평가한 후 학습에 사용할 수 있는 가상 이미지 데이터를 선정하는 GAN 기반 이미지 생성기(240) 및 상기 이미지 전처리 장치(220)와 상기 GAN 기반 이미지 생성기(240)로부터 학습에 사용할 수 있는 이미지 데이터를 전달받아 이를 학습하여 작물 병해충 분류를 수행하는 작물 병해충 분류 모델 생성 장치(260)를 포함한다.
이하 도 2를 참조하여 이미지 전처리 장치(220)의 동작을 구체적으로 살펴보기로 한다.
이미지 전처리 장치(220)는 플랫폼 데이터 서버(100)에서 이미지들을 전달받는데(S241), 이 전달된 이미지들의 양이 분류 모델 학습에 필요한 최소한의 이미지 데이터 양에 만족하는지를 판단한다(S222).
전달된 이미지들이 분류 모델 학습에 필요한 최소한의 이미지 데이터 양보다 부족한 경우, 기존에 구축되어 있는 스마트팜 코리아, AI HUB, 기타 등등의 공공 데이터들인 병충해 데이터 셋(300, 도1 참조)의 이미지들을 호출하고(S223), 이를 활용하여 플랫폼 데이터 서버(100)에서 전달된 이미지들과 같이 동일한 해상도로 resize 처리한다(S224).
상기 'S222' 단계에서 전달된 이미지들이 분류 모델 학습에 필요한 최소한의 이미지 데이터 양보다 많은 경우, 이들 이미지들을 바로 동일한 해상도로 resize 처리한다(S224).
그 후, resize 한 이미지들을 학습 모델 정확도를 위해 mean과 std 값을 기반으로 normalize 과정을 진행한 후(S225), GAN 기반 이미지 생성기(240) 또는 작물 병해충 분류 모델 생성 장치(260)에 전달한다.
이하 도 3를 참조하여 GNA 기반 이미지 생성기(240)의 동작을 구체적으로 살펴보기로 한다.
GAN기반 이미지 생성기(240)는 전술한 바와 같이 이미지 전처리 장치(220)에서 전처리된 이미지 데이터를 전달받는데(S241), 이들 전처리된 이미지 데이터를 기반으로 DCGAN, StyleGAN 등과 같은 GAN 기반 인공지능모델을 이용하여 이미지 생성 모델을 학습한다(S242).
그 후, 학습된 모델을 통해 가상 이미지 데이터를 생성한 후(S243), Frechet Inception Distance(FID), 1-Nearest Neighborclassifier(1NNC) 공식을 통해 생성된 가상 이미지 데이터를 평가한다(S244).
그 후, 평가 결과값을 기반으로 학습에 사용할 수 있는 가상 이미지 데이터들을 선정하여(S245), 작물 병해충 분류 모델 생성 장치(260)에 전달한다(S246).
작물 병해충 분류 모델 생성 장치(260)는 CNN, ResNet 기반의 모델을 사용하여 상기 이미지 전처리 장치(220)와 GAN 기반 이미지 생성기(240)로부터 전달받은 이미지들을 학습하고 작물 병해충 분류 모델 평가를 진행하며, 분류 모델을 평가하여 플랫폼 내 작물 병해충 분류 서비스를 시행하여 사용자에게 제공한다.
이상에서 본 발명의 바람직한 실시예에 대하여 설명하였으나 본 발명은 상술한 특정의 실시예에 한정되지 아니한다. 즉, 본 발명이 속하는 기술분야에서 통상의 지식을 가지는 자라면 첨부된 특허청구범위의 사상 및 범주를 일탈함이 없이 본 발명에 대한 다수의 변경 및 수정이 가능하며, 그러한 모든 적절한 변경 및 수정의 균등물들도 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.
본 발명은 GAN 종류(DCGAN, StyleGAN 등) 모델들을 활용하여, 병해충 이미지들을 학습하여 분류 모델 학습을 위한 이미지 데이터 생성 후 평가지표를 통해 실제 학습에 사용할 수 있는 이미지를 검증하고 이를 이용하여 작물 병해충을 분류 및 판단하여 사용자에게 제공하도록 하는 GAN을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템에 관한 것으로서 산업상 이용가능성이 있다.

Claims (3)

  1. 정상 작물 이미지들이 저장된 제1데이터셋과 병해충 작물 이미지들이 저장된 제2데이터셋을 구비하는 플랫폼 데이터 서버; 및,
    상기 플랫폼 데이터 서버의 제1데이터셋 및 제2데이터셋에 저장된 이미지들을 전달받아 이미지 전처리를 수행하되, 상기 이미지들의 양이 분류 모델 학습에 필요한 최소한의 이미지들의 양보다 적은 경우 기존 병해충 데이터셋에 저장된 이미지들을 불러들여 이미지 전처리를 수행하는 이미지 전처리 장치와, 상기 이미지 전처리 장치로부터 전처리된 이미지들을 전달받아, GAN 인공지능 모델을 이용하여 이미지 생성 모델을 학습한 후 가상 이미지 데이터를 생성하여 이를 평가한 후 학습에 사용할 수 있는 가상 이미지 데이터를 선정하는 GAN 기반 이미지 생성기, 및 상기 이미지 전처리 장치와 상기 GAN 기반 이미지 생성기로부터 학습에 사용할 수 있는 이미지 데이터를 전달받아 이를 학습하여 작물 병해충 분류를 수행하는 작물 병해충 분류 모델 생성 장치를 포함하는 플랫폼 빅데이터 분석 서버;
    를 포함하는 것을 특징으로 하는 GAN을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템.
  2. 제 1 항에 있어서, 상기 이미지 전처리 장치는,
    상기 플랫폼 데이터 서버에서 전달된 이미지들의 양이 분류 모델 학습에 필요한 최소한의 이미지 데이터 양에 만족하는지를 판단하고, 전달된 이미지들이 분류 모델 학습에 필요한 최소한의 이미지 데이터 양보다 부족한 경우, 기존에 구축되어 기존 병해충 데이터 셋의 이미지들을 호출하여 이를 활용하여 플랫폼 데이터 서버에서 전달된 이미지들과 같이 동일한 해상도로 resize 처리하고,
    상기 플랫폼 데이터 서버에서 전달된 이미지들의 양이 분류 모델 학습에 필요한 최소한의 이미지 데이터 양보다 많은 경우, 이들 이미지들을 바로 동일한 해상도로 resize 처리한 후,
    상기 resize 한 이미지들을 학습 모델 정확도를 위해 mean과 std 값을 기반으로 normalize 과정을 진행한 후, 상기 GAN 기반 이미지 생성기 또는 작물 병해충 분류 모델 생성 장치에 전달하는 것을 특징으로 하는 GAN을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템.
  3. 제 1 항에 있어서, GAN 기반 이미지 생성기는,
    상기 이미지 전처리 장치에서 전달된 전처리된 이미지 데이터를 기반으로 GAN 기반 인공지능모델을 이용하여 이미지 생성 모델을 학습하고, 학습된 모델을 통해 가상 이미지 데이터를 생성하며, Frechet Inception Distance(FID), 1-Nearest Neighborclassifier(1NNC) 공식을 통해 상기 생성된 가상 이미지 데이터를 평가한 후, 평가 결과값을 기반으로 학습에 사용할 수 있는 가상 이미지 데이터들을 선정하여, 상기 작물 병해충 분류 모델 생성 장치에 전달하는 것을 특징으로 하는 GAN을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템.
PCT/KR2023/013798 2022-11-15 2023-09-14 Gan을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템 WO2024106722A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220153097A KR102672042B1 (ko) 2022-11-15 2022-11-15 Gan 기반 이미지 생성기를 포함하는 작물 병해충 분류 모델 학습 시스템
KR10-2022-0153097 2022-11-15

Publications (1)

Publication Number Publication Date
WO2024106722A1 true WO2024106722A1 (ko) 2024-05-23

Family

ID=91084951

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/013798 WO2024106722A1 (ko) 2022-11-15 2023-09-14 Gan을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템

Country Status (2)

Country Link
KR (1) KR102672042B1 (ko)
WO (1) WO2024106722A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210047230A (ko) * 2019-10-21 2021-04-29 배재대학교 산학협력단 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법
KR20220037095A (ko) * 2020-09-17 2022-03-24 주식회사 올프롬제이 생성형 AI 기술을 활용한 디자인 RnD 서비스 제공 시스템
KR20220071405A (ko) * 2020-11-24 2022-05-31 김학철 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법
KR102448123B1 (ko) * 2022-01-14 2022-09-27 그린데이터랩 주식회사 농산물 신선도 예측 방법 및 장치
KR20220142823A (ko) * 2021-04-15 2022-10-24 (주)농협정보시스템 인공지능 기반의 병해충 진단 시스템 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101933657B1 (ko) 2016-11-11 2019-04-05 전북대학교산학협력단 딥 러닝을 이용한 작물 병충해 검출 및 진단 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210047230A (ko) * 2019-10-21 2021-04-29 배재대학교 산학협력단 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법
KR20220037095A (ko) * 2020-09-17 2022-03-24 주식회사 올프롬제이 생성형 AI 기술을 활용한 디자인 RnD 서비스 제공 시스템
KR20220071405A (ko) * 2020-11-24 2022-05-31 김학철 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법
KR20220142823A (ko) * 2021-04-15 2022-10-24 (주)농협정보시스템 인공지능 기반의 병해충 진단 시스템 및 방법
KR102448123B1 (ko) * 2022-01-14 2022-09-27 그린데이터랩 주식회사 농산물 신선도 예측 방법 및 장치

Also Published As

Publication number Publication date
KR102672042B1 (ko) 2024-06-05
KR20240071535A (ko) 2024-05-23

Similar Documents

Publication Publication Date Title
CN113392775B (zh) 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法
Jakhar et al. Big data deep learning framework using keras: A case study of pneumonia prediction
CN110097037B (zh) 智能监测方法、装置、存储介质及电子设备
JP2019125340A (ja) 時空間画像の変化を自動推論するためのシステムおよび方法
Ennadifi et al. Wheat diseases classification and localization using convolutional neural networks and GradCAM visualization
WO2021195688A1 (en) Artificial intelligence (ai) method for cleaning data for training ai models
CN111382807B (zh) 图像处理方法、装置、计算机设备和存储介质
Rawdon et al. Evaluating vaccination strategies to control foot-and-mouth disease: a country comparison study
CN116933046A (zh) 基于深度学习的多模态健康管理方案生成方法和***
CN116864140A (zh) 一种心内科术后护理监测数据处理方法及其***
CN116012568A (zh) 一种通过拍照心电图获取心电节律信息的***
CN111476102A (zh) 一种安全防护方法、中控设备及计算机存储介质
WO2024106722A1 (ko) Gan을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템
CN117636169A (zh) 一种森林巡护方法及***
CN117253192A (zh) 用于桑蚕养殖的智能***及方法
CN115135234A (zh) 具有组合预测建模的高效人工智能图像分析
Tahir et al. A methodology of customized dataset for cotton disease detection using deep learning algorithms
CN116129182A (zh) 一种基于知识蒸馏和近邻分类的多维度医疗图像分类方法
CN113902743A (zh) 一种基于云端计算的糖尿病视网膜病变的识别方法及装置
CN113627258A (zh) 一种苹果叶部病理检测方法
Gao et al. Classification Method of Rape Root Swelling Disease Based on Convolution Neural Network
Tao et al. Implementation of kitchen food safety regulations detection system based on deep learning
Mannepalli et al. An Early Detection of Pneumonia in CXR Images using Deep Learning Techniques
Nowell Detection and quantification of rot in harvested trees using convolutional neural networks
Kodumuru et al. Diabetic Retinopathy Screening Using CNN (ResNet 18)

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23891791

Country of ref document: EP

Kind code of ref document: A1