컴퓨터 비전으로 용과가 익었는지 확인하는 방법

용과(피타야, 피타하야 또는 딸기배라고도 함)는 선명한 분홍색 껍질과 녹색 끝부분이 있는 비늘 모양의 돌기, 점박이 과육으로 잘 알려져 있습니다. 중앙아메리카와 남아메리카가 원산지인 이 이국적인 과일은 먼 곳까지 전해졌습니다.

오늘날 용과는 열대 지역 전역에서 연중 재배되어 세계 곳곳의 시장에서 흔히 볼 수 있습니다. 건강에 좋은 과일로 알려진 용과는 비타민 C, 마그네슘, 항산화 물질의 좋은 공급원으로, 전반적인 건강 유지에 도움이 될 수 있습니다.

용과의 인기가 높아지고 더 많은 사람이 용과를 즐겨 먹으면서, 수확할 시기를 판단하는 일도 점점 중요해졌습니다. 농부와 소비자는 모두 다음과 같은 질문을 자주 합니다. 용과가 익었는지 어떻게 알 수 있을까요?

전통적으로 사람들은 껍질 색, 단단한 정도, 비늘의 마름 정도를 보고 용과의 익은 정도를 판단했습니다. 하지만 이러한 지표는 일관성이 없고 용과 품종에 따라 다릅니다.

그림 1. 모양이 서로 다른 여러 품종의 적색 용과를 살펴봅니다. (출처)

재배자에게 이러한 불일치는 수확물의 가치를 떨어뜨릴 수 있습니다. 소비자는 보기에는 먹음직스럽지만 맛이 부족한 과일을 사게 되는 경우가 많습니다. 이 문제를 해결하기 위해 농부와 연구자들은 기술을 활용하고 있습니다.

기계가 시각 데이터를 해석하고 분석할 수 있도록 하는 인공지능(AI)과 컴퓨터 비전의 도움으로 과일의 익은 정도를 더욱 일관되고 정확하게 감지할 수 있게 되었습니다. 예를 들어 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 객체 감지와 인스턴스 분할 등 다양한 작업을 지원하며, 이를 활용해 과일의 익은 정도를 식별하고 분리하여 분석할 수 있습니다. 이를 통해 농부는 수확물을 더 효율적으로 선별하고 등급을 매기며, 오류를 줄이고 일관된 기준을 유지할 수 있습니다.

이 글에서는 용과가 익었는지 판별하기 어려운 이유와 기존 방식의 한계, 그리고 컴퓨터 비전이 숙도 감지의 신뢰성을 어떻게 높이고 있는지 자세히 살펴보겠습니다.

용과의 익은 정도를 판단하기 어려운 이유#

숙도를 확인하는 기존 방식을 살펴보기 전에 용과가 익었는지 판단하기 어려운 이유부터 알아보겠습니다.

언뜻 보면 용과는 손쉽게 즐길 수 있는 과일처럼 보입니다. 잘라서 과육을 떠먹으면 됩니다. 하지만 용과를 골라 본 사람이라면 익었는지 판단하는 일이 쉽지 않다는 것을 압니다. 익으면서 뚜렷한 변화를 보이는 바나나, 수박, 망고와 달리 용과는 익은 정도를 판단하기 어려운 경우가 많습니다.

혼란이 생기는 이유 중 하나는 용과가 한 종류만 있는 과일이 아니기 때문입니다. 주요 색상 품종은 세 가지이며, 품종마다 익는 방식이 조금씩 다릅니다. 용과는 색상뿐 아니라 모양, 크기, 껍질의 특징도 서로 다릅니다. 어떤 품종은 비늘이 더 길고, 다른 품종은 모양이 더 둥급니다.

용과의 여러 종류를 자세히 살펴보겠습니다.

• 백색 용과: 가장 흔한 품종으로, 과육은 흰색이고 작은 검은 씨가 박혀 있습니다.
• 적색 또는 분홍색 용과: 자홍색이나 분홍색 과육과 선명한 붉은 껍질이 특징으로, 특히 눈길을 끕니다.
• 황색 용과: 비교적 드문 품종으로, 황금색 또는 노란색 껍질을 띠며 가장 단 품종으로 알려져 있습니다.

그림 2. 색상이 서로 다른 여러 품종의 용과. (출처)

용과가 익었는지 판단하는 전통적인 방법#

농부들이 AI와 같은 기술을 도입하기 전에는 간단한 시각적·촉각적 단서에 의존해 숙도를 확인했습니다. 이러한 방식은 오늘날에도 농장과 시장에서 널리 사용됩니다.

용과가 익었음을 나타내는 몇 가지 일반적인 지표는 다음과 같습니다.

• 껍질 색상: 대부분의 사람은 용과의 껍질을 먼저 확인합니다. 밝은 분홍색이나 빨간색 껍질은 보통 익었다는 뜻이고, 녹색 부분이 있으면 더 익어야 한다는 뜻입니다. 노란 용과는 흠집이 거의 없는 황금색 껍질이어야 합니다. 하지만 이 기준이 모든 경우에 적용되는 것은 아닙니다. 겉은 익은 것처럼 보여도 속은 덜 익은 과일이 있는 반면, 너무 익으면서 반점이 생기는 과일도 있습니다.
• 질감: 촉감으로도 익은 정도를 확인할 수 있습니다. 익은 용과는 익은 아보카도처럼 눌렀을 때 약간 들어가야 합니다. 매우 단단하게 느껴지면 덜 익었을 가능성이 큽니다. 지나치게 부드럽거나 물렁하면 이미 너무 익었을 수 있습니다. 과일을 다룬 방식이나 보관 방법에 따라 단단한 정도가 달라질 수 있으므로 질감도 항상 신뢰할 수 있는 기준은 아닙니다.
• 기타 징후: 용과 재배자는 때때로 더 작은 세부 사항을 살펴봅니다. 과일의 포엽이나 잎 모양의 날개는 과일이 익으면서 마르고 말리기 시작할 수 있으며, 줄기 근처에서 희미한 단 향이 나는 것도 단서가 될 수 있습니다. 이러한 징후는 도움이 되지만 미묘해서 놓치기 쉽습니다.

비전 AI가 용과의 숙도 감지를 바꾸는 방식#

껍질 색이나 단단한 정도와 같은 전통적인 지표는 유용할 수 있지만, 일관성이 부족한 경우가 많습니다. 컴퓨터 비전은 수천 장의 라벨링된 이미지에서 학습하고 사람이 놓칠 수 있는 패턴을 인식하여 용과의 숙도 감지를 더욱 안정적으로 만듭니다.

예를 들어, Ultralytics YOLO11은 객체 감지, 인스턴스 분할, 이미지 분류 등의 작업을 지원하므로 관련 데이터셋으로 모델을 맞춤 학습하면 과일을 세밀하게 분석하는 데 활용할 수 있습니다.

특히 객체 탐지는 이미지에서 개별 과일을 식별할 수 있습니다. 마찬가지로 인스턴스 분할은 과일이 서로 겹쳐 있어도 주변 환경과 과일을 분리할 수 있으며, 이미지 분류는 모양, 질감, 색상과 같은 특징을 바탕으로 레이블을 할당할 수 있습니다.

그림 3. 데이터셋 제작을 위한 덜 익은 용과와 익은 용과 이미지. (출처)

익은 용과를 탐지하도록 Ultralytics YOLO11 학습하기#

Ultralytics YOLO11은 기본적으로 작업에 따라 잘 알려진 데이터셋으로 사전 학습됩니다. 객체 감지와 분할 작업을 위해서는 사람, 동물, 자동차와 같은 일상적인 객체를 포함하는 COCO 데이터셋으로 사전 학습됩니다.

이미지 분류의 경우 다양한 일반 범주를 포함하는 ImageNet 데이터셋으로 사전 학습됩니다. 이러한 사전 학습은 Ultralytics YOLO11에 강력한 출발점을 제공하지만, 용과의 숙도 감지와 같은 특수 작업에는 전용 데이터셋으로 파인튜닝하거나 맞춤 학습해야 합니다.

용과 숙도 감지를 위해 Ultralytics YOLO11을 맞춤 학습하는 방법을 간략히 살펴보겠습니다.

• 데이터 수집: 조명 조건, 각도, 성장 단계가 서로 다른 환경에서 용과 이미지 수천 장을 촬영합니다. 각 이미지에는 작업에 맞는 주석을 표시합니다. 이미지 분류의 경우 덜 익음, 익음, 너무 익음 등의 라벨을 지정할 수 있습니다. 객체 감지나 인스턴스 분할의 경우 과일의 위치와 윤곽을 표시하도록 과일 주변에 바운딩 박스나 마스크를 그립니다. 이렇게 라벨링된 예시를 통해 Ultralytics YOLO11은 학습에 필요한 정보를 얻습니다.
• 모델 학습: YOLO11 학습은 처음부터 시작하지 않습니다. 전이 학습을 통해 COCO의 감지 및 분할 데이터나 ImageNet의 분류 데이터와 같은 사전 학습 데이터셋에서 익힌 시각적 특징을 바탕으로 용과의 특성에 맞게 조정합니다. 주석이 달린 이미지로 YOLO11을 맞춤 학습하면 껍질 색의 변화, 질감 변화, 과일 형태의 차이와 같은 숙도 단서를 학습할 수 있습니다.
• 검증 및 테스트: 학습 후 Ultralytics YOLO11이 이전에 본 적 없는 별도의 용과 이미지 세트, 즉 검증 세트나 테스트 세트에서 평가할 수 있습니다. 정확도를 측정하고 덜 익은 과일을 익은 과일로 잘못 분류하는 등의 오류를 찾기 위해 예측 결과를 정답 라벨과 비교합니다. 이러한 평가는 과적합을 방지하고 모델이 학습 데이터를 암기하는 대신 관련 숙도 단서를 학습하도록 합니다.

숙도 감지에 컴퓨터 비전을 적용하는 실제 사례#

이제 특히 용과 수확 과정에서 컴퓨터 비전이 실제 농업 및 가공 분야에 어떻게 활용되는지 살펴보겠습니다.

모니터링 및 숙도 평가를 위한 드론#

수십 년 동안 농부들은 햇볕 아래에서 밭고랑을 하나씩 걸어 다니며 손으로 과일을 확인해야 했습니다. 이 과정은 느리고 노동 집약적이며, 잎 아래에 숨겨져 있거나 넓은 밭에 흩어져 있는 미묘한 숙도 징후를 놓치는 경우가 많았습니다.

오늘날 드론과 컴퓨터 비전을 사용해 과일의 성숙도를 모니터링하는 새로운 방법이 등장하고 있습니다. 이러한 시스템은 색상과 질감의 미묘한 변화를 보여 주는 고해상도 이미지를 촬영하여 육안으로 포착하기 어려운 정보를 제공합니다.

수작업 점검에만 의존하는 대신, 컴퓨터 비전 모델을 사용해 촬영한 이미지에서 숙도를 판단할 수 있습니다. 농부는 더 이른 시점에 더 넓은 범위에서 숙도를 파악하여 수확 계획을 더 잘 세우고 과일이 가장 좋은 상태일 때 시장에 내놓을 수 있습니다.

과일 자동 수확 로봇#

과일 수확에서는 시기가 중요합니다. 하루만 너무 일찍 또는 늦게 수확해도 수확물의 가치가 떨어질 수 있기 때문에 로봇 기술이 농업에 도입되고 있습니다. 예를 들어 연구자들은 복잡한 환경에서 과일의 위치를 찾기 위해 컴퓨터 비전과 객체 감지를 사용하는 용과 수확 로봇을 개발했습니다.

열대 과일의 위치가 확인되면 로봇은 기계식 그리퍼나 집게를 움직여 과일을 최소한의 손상으로 수확할 수 있습니다. 일부 시스템에는 컴퓨터 비전을 사용해 익은 과일과 덜 익었거나 손상된 과일을 구분하는 통합 선별 기능도 있습니다. 여러 개의 로봇 팔이 동시에 작동하면 작물 손상 위험을 줄이면서 사람이 수확하는 것보다 더 빠르고 일관되게 수확할 가능성이 있습니다.

그림 4. 비전 기반 로봇이 익은 용과를 수확하는 사례. (출처)

용과 감지에 비전 AI를 사용할 때의 장단점#

용과의 숙도 감지에 컴퓨터 비전을 사용할 때 얻을 수 있는 주요 이점은 다음과 같습니다.

• 낭비 감소: 숙도를 정확하게 감지하면 너무 일찍 수확하는 일을 줄이고 보관 및 운송 중 손상을 방지할 수 있습니다.
• 일관된 품질 보장: 농부는 적절히 익은 단계의 과일을 공급하여 소비자의 신뢰를 쌓고 시장 가치를 높일 수 있습니다.
• 대규모 선별 지원: 비전 시스템은 대량 수확물을 빠르고 정확하게 처리해 대규모 수작업 인력의 필요성을 줄일 수 있습니다.

반면 용과 감지에 비전 AI를 사용할 때 고려해야 할 몇 가지 한계는 다음과 같습니다.

• 데이터 의존성: 비전 모델은 조명 조건, 각도, 성장 단계가 다양한 환경에서 촬영한 용과의 대규모 데이터셋으로 학습했을 때 가장 좋은 성능을 발휘합니다.
• 주석 작업: 이러한 데이터셋을 준비하려면 세심한 라벨링이 필요하며, 전문가의 참여가 필요한 경우가 많아 시간과 노동력이 많이 들 수 있습니다.
• 높은 비용: AI 시스템의 개발, 학습, 배포에는 하드웨어, 소프트웨어, 기술 전문 인력에 상당한 비용이 들 수 있어 소규모 농장에는 진입 장벽이 될 수 있습니다.

핵심 요점#

컴퓨터 비전은 용과의 수확과 선별 방식을 바꿀 잠재력이 있으며, 이는 농업 전반에도 해당합니다. 밭에서 포장 라인에 이르기까지 비전 기반 도구는 수확, 선별, 포장 과정을 간소화하여 농부가 더욱 일관된 품질의 과일을 공급하도록 도울 수 있습니다. 기술이 발전함에 따라 비전 AI가 농업에서 더욱 중요한 역할을 할 가능성이 큽니다.

AI를 살펴볼 준비가 되셨나요? AI와 컴퓨터 비전에 대해 자세히 알아보려면 커뮤니티와 GitHub 리포지토리에 참여해 보세요. 솔루션 페이지에서 농업 분야의 컴퓨터 비전과 로보틱스 분야의 AI의 다양한 활용 사례를 살펴보세요. 라이선스 옵션을 확인하고 지금 컴퓨터 비전을 시작해 보세요!