컴퓨터 비전을 사용하여 용과가 익었는지 확인하는 방법

드래곤 과일(피타야, 피타하야 또는 딸기 배라고도 함)은 밝은 분홍색 껍질, 녹색 팁 비늘 및 얼룩덜룩한 과육으로 유명합니다. 원래 중앙 아메리카와 남아메리카 출신인 이국적인 과일은 뿌리에서 멀리 떨어진 곳으로 이동했습니다. 

오늘날 열대 지역에서 연중 내내 재배되어 어디에서나 시장에서 흔히 볼 수 있습니다. 건강에 좋은 것으로 알려진 용과는 전반적인 건강을 지원할 수 있는 비타민 C, 마그네슘 및 항산화제의 좋은 공급원입니다. 

용과의 인기가 높아지고 더 많은 사람들이 용과를 즐겨 먹으면서 수확 시기를 알기가 어려워졌습니다. 농부와 소비자 모두 종종 다음과 같이 묻습니다. 용과가 익었는지 어떻게 알 수 있나요? 

전통적으로 사람들은 피부색, 단단함 또는 껍질의 건조 상태로 드래곤 푸르츠의 숙성도를 판단해 왔습니다. 그러나 이러한 징후는 일관성이 없으며 드래곤 푸르츠 품종에 따라 다릅니다.

‍

재배자에게 이러한 불일치는 수확량 감소를 의미할 수 있습니다. 소비자에게는 종종 겉모습은 매력적이지만 맛이 없는 과일로 이어집니다. 이러한 문제를 해결하기 위해 농부와 연구자들은 기술로 눈을 돌리고 있습니다. 

기계가 시각적 데이터를 해석하고 분석할 수 있도록 하는 인공 지능(AI)과 컴퓨터 비전의 도움으로 숙성도 감지가 더욱 일관되고 정확해지고 있습니다. 예를 들어 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 객체 감지 및 인스턴스 분할과 같은 다양한 작업을 지원하여 과일의 숙성도를 식별, 분리 및 분석하는 데 사용할 수 있습니다. 이는 농부들이 수확물을 보다 효율적으로 분류하고 등급을 매기고 오류를 줄이며 일관된 표준을 유지하는 데 도움이 됩니다. 

본 문서에서는 왜 용과의 숙성 시기를 판단하기 어려운지, 기존 방식이 왜 부족한지, 그리고 컴퓨터 비전이 어떻게 숙성도 감지를 더욱 신뢰성 있게 만드는지 자세히 살펴보겠습니다. 그럼 시작해 볼까요! 

왜 드래곤 프루츠의 숙성도를 판단하기 어려운가 

숙성도를 확인하는 기존 방법에 대해 자세히 알아보기 전에, 먼저 드래곤 프루트가 익었을 때를 결정하는 것이 왜 그렇게 어려울 수 있는지 살펴보겠습니다.

언뜻 보기에 용과는 잘라서 속을 파서 먹으면 될 정도로 간단해 보입니다. 하지만 용과를 골라본 사람이라면 누구나 진짜 어려움은 언제 익었는지 아는 것이라는 걸 알 것입니다. 바나나, 수박, 망고와는 달리 용과는 익을수록 명확한 징후를 보이지 않아 추측하게 만드는 경우가 많습니다.

혼란스러운 이유는 용과가 한 종류만 있는 것이 아니기 때문입니다. 세 가지 주요 색상 품종이 있으며, 각각 익는 정도가 약간 다릅니다. 색상 외에도 용과는 모양, 크기 및 껍질 특징도 다릅니다. 어떤 것은 비늘이 더 길고, 어떤 것은 더 둥글습니다. 

다음은 다양한 종류의 용과에 대한 자세한 내용입니다.

• 흰색 용과: 이것은 가장 흔한 품종으로, 흰색 과육에 작은 검은 씨가 박혀 있습니다.
  ‍
• 빨간색 또는 분홍색 용과: 자홍색 또는 분홍색 과육과 생생한 빨간색 껍질을 가지고 있어 특히 눈길을 끕니다.
  ‍
• 노란색 용과: 이 품종은 덜 흔하며, 황금색 또는 노란색 껍질을 가지고 있으며 가장 달콤한 품종으로 알려져 있습니다.

‍

드래곤 푸르츠의 숙성도를 판단하는 전통적인 방법

AI와 같은 최첨단 기술이 농부들에게 도입되기 전에는 숙성도 검사가 간단한 시각적 및 촉각적 단서에 의존했습니다. 이러한 관행은 오늘날에도 농장과 시장에서 널리 사용됩니다.

다음은 잘 익은 용과의 일반적인 지표입니다. 

• 껍질 색깔: 대부분의 사람들은 먼저 용과의 껍질을 확인합니다. 밝은 분홍색 또는 빨간색 과육은 일반적으로 익었다는 의미이고, 녹색 반점은 아직 시간이 더 필요하다는 의미입니다. 노란색 용과는 흠집이 거의 없는 황금색 껍질을 가져야 합니다. 그러나 이 규칙은 보편적이지 않습니다. 어떤 과일은 겉으로는 익은 것처럼 보이지만 속은 익지 않았고, 어떤 과일은 너무 익으면 반점이 생깁니다.

• 텍스처: 촉감은 또 다른 테스트입니다. 잘 익은 용과는 잘 익은 아보카도와 유사하게 눌렀을 때 약간 들어가야 합니다. 매우 단단하게 느껴지면 덜 익었을 가능성이 높습니다. 너무 부드럽거나 물컹하게 느껴지면 이미 너무 익었을 수 있습니다. 용과를 다루는 방법과 보관 방법에 따라 과일의 단단함이 달라질 수 있으므로 텍스처가 항상 신뢰할 수 있는 것은 아닙니다.

• 기타 징후: 용과 농부들은 때때로 더 작은 세부 사항에 의존합니다. 과일의 포엽 또는 잎이 많은 날개가 익으면서 마르기 시작하고 줄기 근처에서 희미한 달콤한 향기가 나는 것도 단서가 될 수 있습니다. 이러한 힌트는 도움이 될 수 있지만 미묘하고 놓치기 쉽습니다.

Vision AI가 용과 숙성도 감지에 변화를 가져오는 방법

피부색이나 단단함과 같은 전통적인 단서는 유용할 수 있지만, 일관성이 없는 경우가 많습니다. 컴퓨터 비전은 수천 장의 레이블링된 이미지로부터 학습하고 사람이 간과할 수 있는 패턴을 인식하여 드래곤 푸르츠 숙성도 감지를 더욱 안정적으로 만듭니다.

예를 들어, 객체 감지, 인스턴스 분할 및 이미지 분류와 같은 작업에 대한 YOLO11의 지원은 관련 데이터 세트에 대해 모델을 사용자 정의 학습시킬 때 과일을 자세히 분석하는 데 사용할 수 있습니다. 

특히 객체 감지는 이미지에서 개별 과일을 식별할 수 있습니다. 마찬가지로 인스턴스 분할은 과일이 겹쳐져 있어도 주변 환경과 분리할 수 있으며, 이미지 분류는 모양, 질감 또는 색상과 같은 특징을 기반으로 레이블을 할당할 수 있습니다.

‍

잘 익은 용과를 식별하도록 YOLO11 학습

YOLO11은 즉시 사용할 수 있도록 작업에 따라 잘 알려진 데이터 세트에서 사전 훈련됩니다. 객체 감지 및 분할의 경우 사람, 동물 및 자동차와 같은 일상적인 객체를 포함하는 COCO 데이터 세트에서 사전 훈련됩니다. 

이미지 분류의 경우 ImageNet 데이터 세트에서 사전 훈련되었으며, 여기에는 광범위한 일반 범주도 포함됩니다. 이 사전 훈련은 YOLO11에 강력한 출발점을 제공하지만, 용과 숙성도 감지와 같은 특수 작업의 경우 전용 데이터 세트에서 미세 조정하거나 사용자 정의 훈련을 받아야 합니다.

다음은 YOLO11을 사용하여 용과 숙성 감지를 위해 맞춤형으로 학습하는 방법에 대한 개요입니다.

• 데이터 수집: 다양한 조명 조건, 각도 및 성장 단계에서 수천 개의 용과 이미지를 캡처합니다. 각 이미지는 작업에 따라 주석이 추가됩니다. 이미지 분류의 경우 레이블에는 덜 익은 것, 익은 것, 너무 익은 것이 포함될 수 있습니다. 객체 감지 또는 인스턴스 분할의 경우 과일 주변에 경계 상자 또는 마스크를 그려 위치와 윤곽을 표시합니다. 이러한 레이블이 지정된 예제는 YOLO11이 학습하는 데 필요한 정보를 제공합니다.

• 모델 훈련: YOLO11 훈련은 처음부터 시작하지 않습니다. 전이 학습을 통해 감지 및 세분화에 사용되는 COCO 또는 분류에 사용되는 ImageNet과 같이 사전 훈련된 데이터 세트에서 학습한 시각적 특징을 기반으로 하여 용과의 특징에 맞게 조정합니다. 주석이 달린 이미지를 사용하여 YOLO11을 사용자 정의 훈련하면 모델이 껍질 색상의 변화, 질감 변화 및 과일 형태의 변화와 같은 숙성 신호를 포착할 수 있습니다.

• 유효성 검사 및 테스트: 학습 후 YOLO11은 이전에 본 적이 없는 별도의 드래곤 과일 이미지 세트(유효성 검사 또는 테스트 세트라고 함)에서 평가할 수 있습니다. 예측은 정확도를 측정하고 덜 익은 과일을 익은 과일로 잘못 분류하는 것과 같은 오류를 식별하기 위해 ground truth 레이블과 비교됩니다. 이 평가는 과적합을 방지하고 모델이 학습 데이터를 암기하는 대신 관련 익힘 신호를 학습하고 있는지 확인하는 데 도움이 됩니다.

숙성 감지 분야에서 컴퓨터 비전의 실제 응용

다음으로 컴퓨터 비전이 실제 농업 및 가공 분야, 특히 용과 수확에 어떻게 적용되고 있는지 살펴보겠습니다.

모니터링 및 숙도 평가를 위한 드론

수십 년 동안 농부들은 햇볕 아래에서 밭고랑을 일일이 걸어 다니며 손으로 과일을 확인해야 했습니다. 이 과정은 시간이 오래 걸리고 노동 집약적이었으며, 잎 아래 숨겨져 있거나 넓은 들판에 흩어져 있는 미묘한 익은 징후를 놓치는 경우가 많았습니다.

오늘날 드론과 컴퓨터 비전을 사용하여 과일 성숙도를 모니터링하는 새로운 접근 방식이 등장하고 있습니다. 이러한 시스템은 색상과 질감의 미묘한 변화를 드러내는 고해상도 이미지를 캡처하여 눈으로 포착하기 어려운 통찰력을 제공할 수 있습니다.

수동 검사에만 의존하는 대신 컴퓨터 비전 모델은 캡처된 이미지에서 숙성도를 판단하는 데 도움을 줄 수 있습니다. 농부들은 더 일찍, 더 큰 규모로 숙성도를 식별함으로써 수확을 더 잘 계획하고 과일을 최상의 상태로 시장에 내놓을 수 있습니다.

자동화된 과일 수확 로봇 

과일 수확은 타이밍이 중요합니다. 하루라도 너무 이르거나 늦으면 수확량의 가치가 떨어질 수 있으며, 이것이 로봇 기술이 농업의 일부가 되고 있는 이유입니다. 예를 들어, 연구자들은 복잡한 환경에서 과일을 찾기 위해 컴퓨터 비전과 객체 탐지를 사용하는 용과 수확 로봇을 개발했습니다.

이 열대 과일이 식별되면 로봇은 기계식 그리퍼 또는 클로를 안내하여 손상을 최소화하면서 수확할 수 있습니다. 일부 시스템에는 컴퓨터 비전을 사용하여 익은 과일을 덜 익거나 손상된 과일과 구별하는 통합 분류 기능도 있습니다. 여러 로봇 팔이 동시에 작동하면 이러한 기계는 잠재적으로 인간보다 더 빠르고 일관되게 수확할 수 있으며 작물 손상 위험을 줄일 수 있습니다.

‍

Vision AI를 이용한 용과 감지 시의 장단점

드래곤 프루트의 숙성도 감지에 컴퓨터 비전을 사용할 때의 주요 이점은 다음과 같습니다:

• 낭비 감소: 정확한 숙성도 감지는 조기 수확을 줄이고 보관 및 운송 중 손상을 방지합니다.

• 일관된 품질 보장: 농부들은 적절한 숙성 단계에서 과일을 공급하여 소비자 신뢰를 구축하고 시장 가치를 높일 수 있습니다.

• 대규모 분류 지원: 비전 시스템은 대량 수확물을 빠르고 정확하게 처리하여 대규모 수작업 팀의 필요성을 줄입니다.

반면에, Vision AI를 용과 감지에 사용할 때 고려해야 할 몇 가지 제한 사항이 있습니다.

• 데이터 의존성: 비전 모델은 다양한 조명 조건, 각도 및 성장 단계에서 캡처된 용과의 크고 다양한 데이터 세트에서 훈련할 때 가장 잘 작동합니다.

• 어노테이션 작업: 이러한 데이터 세트를 준비하려면 세심한 레이블링이 필요하며, 종종 전문가의 의견이 필요하므로 시간이 많이 걸리고 노동 집약적일 수 있습니다.

• 높은 비용: AI 시스템의 개발, 학습 및 배포에는 하드웨어, 소프트웨어 및 기술 전문 지식에 상당한 비용이 소요될 수 있으며, 이는 소규모 농가에게 장벽이 될 수 있습니다.

주요 내용

컴퓨터 비전은 용과를 수확하고 분류하는 방식을 혁신할 잠재력이 있으며, 이는 일반적인 농업에도 적용됩니다. 밭에서 포장 라인에 이르기까지 비전 기반 도구는 수확, 분류 및 포장을 간소화하여 농부들이 과일을 보다 일관되게 제공할 수 있도록 지원합니다. 기술이 발전함에 따라 Vision AI는 농업에서 훨씬 더 큰 역할을 할 것으로 예상됩니다.

AI를 탐색할 준비가 되셨습니까? 커뮤니티 및 GitHub 저장소에 참여하여 AI 및 컴퓨터 비전에 대해 자세히 알아보십시오. 솔루션 페이지를 방문하여 농업 분야의 컴퓨터 비전 및 로봇 공학의 AI의 더 많은 응용 분야를 탐색하십시오. 라이선스 옵션을 확인하고 오늘 컴퓨터 비전을 시작하십시오!