컴퓨터 비전으로 용이 익었는지 확인하는 방법

용과(피타야, 피타하야 또는 딸기배라고도 함)는 선명한 분홍색 껍질, 끝부분이 초록색인 비늘, 얼룩무늬 과육으로 잘 알려져 있습니다. 중앙아메리카와 남아메리카가 원산지인 이 이국적인 과일은 이제 원산지에서 멀리 떨어진 곳까지 퍼졌습니다.

오늘날 용과는 열대 지역 전역에서 연중 재배되므로 어디서나 시장에서 흔히 볼 수 있습니다. 건강상 이점으로 잘 알려진 용과는 전반적인 건강 유지에 도움이 될 수 있는 비타민 C, 마그네슘, 항산화 물질의 좋은 공급원입니다.

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

전통적으로 사람들은 껍질 색, 단단한 정도 또는 비늘이 마르는 정도로 용과의 숙도를 판단해 왔습니다. 하지만 이러한 징후는 일관되지 않으며 용과 품종에 따라 달라집니다.

그림 1. 모양에 따른 여러 품종의 적색 용과. (출처)

재배자에게 이러한 불일치는 수확물의 가치 손실로 이어질 수 있습니다. 소비자에게는 겉보기에는 매력적이지만 맛이 부족한 과일을 구매하게 만드는 경우가 많습니다. 이 문제를 해결하기 위해 농부와 연구자들은 기술을 활용하고 있습니다.

인공지능(AI)과 기계가 시각 데이터를 해석하고 분석할 수 있도록 하는 컴퓨터 비전의 도움으로 숙도 감지가 더욱 일관되고 정확해지고 있습니다. 예를 들어 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 과일의 숙도를 식별하고 분류하며 분석하는 데 사용할 수 있는 객체 감지 및 인스턴스 세그멘테이션과 같은 다양한 작업을 지원합니다. 이를 통해 농부는 수확물을 더 효율적으로 선별하고 등급을 분류하며, 오류를 줄이고 일관된 기준을 유지할 수 있습니다.

이 글에서는 용과가 익은 시기를 판단하기 어려운 이유, 전통적인 방법이 자주 충분하지 않은 이유, 그리고 컴퓨터 비전이 숙도 감지를 더 안정적으로 만드는 방법을 자세히 살펴보겠습니다. 시작하겠습니다!

용과의 숙도 판단이 어려운 이유#

숙도를 확인하는 전통적인 방법을 살펴보기 전에, 용과가 익은 시기를 판단하는 일이 왜 그렇게 어려운지 먼저 알아보겠습니다.

언뜻 보면 용과는 간단하게 즐길 수 있는 과일처럼 보입니다. 잘라서 떠먹으면 됩니다. 하지만 용과를 골라 본 사람이라면 누구나 진짜 어려움은 익은 시기를 판단하는 것임을 알고 있습니다. 익으면서 뚜렷한 변화를 보이는 바나나, 수박, 망고와 달리 용과는 판단을 어렵게 하는 경우가 많습니다.

혼란의 일부는 용과가 한 가지 종류만 있는 과일이 아니라는 사실에서 비롯됩니다. 용과에는 세 가지 주요 색상 품종이 있으며, 각각 조금씩 다르게 익습니다. 색상뿐 아니라 용과는 모양, 크기, 껍질의 특징도 서로 다릅니다. 어떤 용과는 비늘이 더 길고, 다른 용과는 더 둥근 형태입니다.

용과의 다양한 종류를 자세히 살펴보겠습니다.

• 백색 용과: 가장 흔한 품종으로, 작은 검은 씨가 점처럼 박힌 흰색 과육이 특징입니다.
• 적색 또는 분홍색 용과: 자홍색 또는 분홍색 과육과 선명한 붉은 껍질을 지녀 특히 눈길을 끕니다.
• 황색 용과: 비교적 흔하지 않은 품종으로, 황금색 또는 노란색 껍질을 지니며 가장 단 품종으로 알려져 있습니다.

그림 2. 색상에 따른 다양한 품종의 용과. (출처)

용과가 익었는지 확인하는 전통적인 방법#

농부들이 인공지능(AI)과 같은 첨단 기술을 도입하기 전에는 간단한 시각적·촉각적 단서에 의존해 숙도를 확인했습니다. 이러한 방식은 오늘날에도 농장과 시장에서 널리 사용됩니다.

용과가 익었다는 것을 나타내는 몇 가지 일반적인 지표는 다음과 같습니다.

• 껍질 색: 대부분의 사람은 먼저 용과의 껍질을 확인합니다. 선명한 분홍색 또는 붉은색 과육은 대체로 익었다는 뜻이며, 초록색 부분이 있으면 아직 시간이 더 필요하다는 의미입니다. 황색 용과는 흠집이 거의 없는 황금색 껍질이어야 합니다. 그러나 이 규칙이 항상 적용되는 것은 아닙니다. 어떤 과일은 겉보기에는 익어 보이지만 속은 아직 덜 익었고, 어떤 과일은 지나치게 익으면서 반점이 생깁니다.

• 질감: 촉감도 또 다른 확인 방법입니다. 익은 용과는 잘 익은 아보카도처럼 눌렀을 때 약간 들어가야 합니다. 매우 단단하게 느껴진다면 덜 익었을 가능성이 높습니다. 너무 물렁하거나 물컹하다면 이미 지나치게 익었을 수 있습니다. 또한 취급 방식과 용과의 보관 방법에 따라 과일의 단단한 정도가 달라질 수 있으므로 질감도 항상 신뢰할 수 있는 것은 아닙니다.

• 기타 징후: 용과 농부들은 때때로 더 세부적인 특징에 의존합니다. 과일의 포엽 또는 잎 모양 날개는 과일이 익으면서 마르고 말리기 시작할 수 있으며, 꼭지 주변의 은은한 단 향도 단서가 될 수 있습니다. 이러한 단서는 도움이 되지만 미묘하고 놓치기 쉽습니다.

비전 AI가 용과 숙도 감지를 바꾸는 방법#

껍질 색이나 단단한 정도와 같은 전통적인 단서는 유용할 수 있지만 일관되지 않은 경우가 많습니다. 컴퓨터 비전은 수천 개의 라벨이 지정된 이미지에서 학습하고 사람이 놓칠 수 있는 패턴을 인식함으로써 용과 숙도 감지의 신뢰성을 높입니다.

예를 들어 Ultralytics YOLO11은 관련 데이터셋으로 커스텀 학습할 경우 객체 감지, 인스턴스 세그멘테이션, 이미지 분류와 같은 작업을 지원하여 과일을 세부적으로 분석하는 데 사용할 수 있습니다.

특히 객체 감지는 이미지에서 개별 과일을 식별할 수 있습니다. 마찬가지로 인스턴스 세그멘테이션은 과일이 서로 겹쳐 있더라도 각 과일을 주변 환경과 분리할 수 있으며, 이미지 분류는 모양, 질감 또는 색상과 같은 특징을 기준으로 라벨을 지정할 수 있습니다.

그림 3. 데이터셋 생성을 위한 덜 익은 용과와 익은 용과의 이미지. (출처)

익은 용과를 식별하도록 Ultralytics YOLO11 학습하기#

기본적으로 Ultralytics YOLO11은 작업에 따라 잘 알려진 데이터셋으로 사전 학습됩니다. 객체 감지 및 세그멘테이션의 경우 사람, 동물, 자동차와 같은 일상적인 객체가 포함된 COCO 데이터셋으로 사전 학습됩니다.

이미지 분류의 경우 다양한 일반 카테고리를 포함하는 ImageNet 데이터셋으로 사전 학습됩니다. 이러한 사전 학습은 Ultralytics YOLO11에 강력한 출발점을 제공하지만, 용과 숙도 감지와 같은 전문 작업에는 전용 데이터셋을 사용한 파인 튜닝 또는 커스텀 학습이 여전히 필요합니다.

Ultralytics YOLO11을 용과 숙도 감지에 맞게 커스텀 학습하는 과정은 다음과 같습니다.

• 데이터 수집: 다양한 조명 조건, 각도, 생장 단계에서 수천 장의 용과 이미지를 촬영합니다. 각 이미지는 작업에 따라 어노테이션을 지정합니다. 이미지 분류의 경우 라벨에는 덜 익음, 익음, 지나치게 익음 등이 포함될 수 있습니다. 객체 감지 또는 인스턴스 세그멘테이션의 경우 과일의 위치와 윤곽을 표시하도록 과일 주변에 바운딩 박스 또는 마스크를 그립니다. 이러한 라벨이 지정된 예시를 통해 Ultralytics YOLO11은 학습에 필요한 정보를 얻습니다.

• 모델 학습: YOLO11 학습은 처음부터 시작하지 않습니다. 전이 학습을 통해 COCO(감지 및 세그멘테이션) 또는 ImageNet(분류)과 같은 사전 학습 데이터셋에서 학습한 시각적 특징을 기반으로 용과의 특성에 맞게 조정합니다. 어노테이션이 지정된 이미지로 YOLO11을 커스텀 학습하면 모델은 껍질 색의 변화, 질감 변화, 과일 형태의 차이와 같은 숙도 단서를 학습할 수 있습니다.

• 검증 및 테스트: 학습 후 Ultralytics YOLO11은 이전에 본 적이 없는 별도의 용과 이미지 세트로 평가할 수 있으며, 이를 검증 세트 또는 테스트 세트라고 합니다. 정확도를 측정하고 덜 익은 과일을 익은 과일로 잘못 분류하는 등의 오류를 식별하기 위해 예측 결과를 실제 정답 라벨과 비교합니다. 이러한 평가는 과적합을 방지하고 모델이 학습 데이터를 암기하는 대신 관련 숙도 단서를 학습하도록 합니다.

숙도 감지에서 컴퓨터 비전의 실제 활용 사례#

다음으로 특히 용과 수확에서 컴퓨터 비전이 실제 농업 및 가공에 어떻게 적용되는지 살펴보겠습니다.

모니터링 및 숙도 평가를 위한 드론#

수십 년 동안 농부들은 햇볕 아래에서 줄을 따라 걸으며 과일을 손으로 확인해야 했습니다. 이 과정은 느리고 노동 집약적이며, 잎 아래에 숨겨져 있거나 넓은 밭 곳곳에 퍼져 있는 미묘한 숙도 징후를 놓치는 경우가 많았습니다.

오늘날에는 드론과 컴퓨터 비전을 사용해 과일의 성숙도를 모니터링하는 새로운 접근 방식이 등장하고 있습니다. 이러한 시스템은 색과 질감의 미묘한 변화를 보여 주는 고해상도 이미지를 촬영하여 육안으로 포착하기 어려운 정보를 제공합니다.

수작업 확인에만 의존하는 대신 컴퓨터 비전 모델은 촬영된 이미지로 숙도를 판단하는 데 도움을 줄 수 있습니다. 더 이른 시점에 더 넓은 규모로 숙도를 식별함으로써 농부는 수확을 더 효과적으로 계획하고 과일을 가장 좋은 상태로 시장에 출하할 수 있습니다.

자동 과일 수확을 위한 로봇#

과일 수확은 타이밍이 가장 중요합니다. 하루만 너무 일찍 또는 늦게 수확해도 수확물의 가치가 떨어질 수 있기 때문에 로봇공학이 농업의 일부로 자리 잡고 있습니다. 예를 들어 연구자들은 컴퓨터 비전과 객체 감지를 사용해 복잡한 환경에서 과일을 찾는 용과 수확 로봇을 개발했습니다.

이 열대 과일이 식별되면 로봇은 기계식 그리퍼 또는 집게를 유도하여 과일을 거의 손상 없이 수확할 수 있습니다. 일부 시스템에는 컴퓨터 비전을 사용해 익은 과일을 덜 익었거나 손상된 과일과 구분하는 통합 선별 기능도 있습니다. 여러 로봇 팔이 동시에 작업하면 이러한 기계는 작물 손상 위험을 줄이면서 사람보다 더 빠르고 일관되게 수확할 가능성이 있습니다.

그림 4. 비전 기능을 갖춘 로봇이 익은 용과를 수확하는 예시. (출처)

용과 감지에 비전 AI를 사용할 때의 장단점#

용과의 숙도 감지에 컴퓨터 비전을 사용할 때의 주요 이점은 다음과 같습니다.

• 폐기물 감소: 정확한 숙도 감지는 너무 이른 수확을 줄이고 보관 및 운송 중 손상을 방지합니다.

• 일관된 품질 보장: 농부는 적절한 숙도 단계의 과일을 공급하여 소비자의 신뢰를 쌓고 시장 가치를 높일 수 있습니다.

• 대규모 선별 지원: 비전 시스템은 대량의 수확물을 빠르고 정밀하게 처리하여 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 다양한 조명 조건, 각도, 생장 단계에서 촬영한 크고 다양한 용과 데이터셋으로 학습할 때 가장 우수한 성능을 발휘합니다.

• 어노테이션 작업: 이러한 데이터셋을 준비하려면 신중한 라벨링이 필요하며, 전문가의 의견이 필요한 경우가 많아 시간이 오래 걸리고 노동 집약적일 수 있습니다.

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

핵심 요점#

컴퓨터 비전은 용과의 수확 및 선별 방식을 변화시킬 잠재력이 있으며, 이는 농업 전반에도 해당합니다. 밭에서 포장 라인에 이르기까지 비전 기반 도구는 수확, 선별, 포장 작업을 간소화하여 농부가 더욱 일관된 품질의 과일을 공급하도록 지원할 수 있습니다. 기술이 발전함에 따라 비전 AI는 농업에서 더욱 중요한 역할을 할 가능성이 높습니다.

AI를 탐색할 준비가 되셨나요? 커뮤니티와 GitHub repository에 참여하여 AI와 컴퓨터 비전에 대해 자세히 알아보세요. 솔루션 페이지를 방문하여 농업 분야의 컴퓨터 비전 및 robotics 분야의 AI 애플리케이션을 더 살펴보세요. 라이선스 옵션을 확인하고 지금 컴퓨터 비전을 시작해 보세요!