컴퓨터 비전으로 용과의 숙성도를 확인하는 방법

용과(피타야, 피타하야 또는 딸기 배라고도 함)는 밝은 분홍색 껍질, 녹색 끝이 있는 비늘, 점박이 과육으로 유명합니다. 중앙아메리카와 남아메리카가 원산지인 이 이국적인 과일은 원래 서식지에서 멀리 퍼져 나갔습니다.

오늘날에는 열대 지역 전역에서 일 년 내내 재배되어 어디서나 시장에서 흔히 볼 수 있습니다. 건강상의 이점으로 알려진 용과는 전반적인 웰빙을 지원할 수 있는 비타민 C, 마그네슘, 항산화제의 좋은 공급원입니다.

용과의 인기가 높아지고 이를 즐기는 사람들이 많아짐에 따라, 언제 수확할 준비가 되었는지 파악하는 문제 또한 커졌습니다. 농부와 소비자 모두 종종 이렇게 묻곤 합니다. 용과가 익었는지 어떻게 알 수 있을까요?

전통적으로 사람들은 껍질 색깔, 단단함 또는 비늘의 건조 상태로 용과의 숙성도를 판단해 왔습니다. 하지만 이러한 징후는 일관성이 없고 용과 품종마다 다르게 나타납니다.

그림 1. 형태에 따른 여러 품종의 적색 용과 살펴보기. (출처)

재배자에게 이러한 불일치는 수확 가치 손실을 의미할 수 있습니다. 소비자에게는 매력적으로 보이지만 맛이 부족한 과일을 구매하게 되는 결과로 이어지곤 합니다. 이 문제를 해결하기 위해 농부와 연구자들은 기술에 눈을 돌리고 있습니다.

기계가 시각적 데이터를 해석하고 분석할 수 있게 해주는 인공지능(AI)과 컴퓨터 비전의 도움으로, 숙도 감지가 더욱 일관되고 정확해지고 있습니다. 예를 들어, Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 과일의 숙도를 식별, 분류, 분석하는 데 사용할 수 있는 객체 검출 및 인스턴스 세분화와 같은 다양한 작업을 지원합니다. 이는 농부들이 수확물을 더 효율적으로 분류 및 등급화하고, 오류를 줄이며, 일관된 품질 기준을 유지하는 데 도움을 줍니다.

이 글에서는 용과가 익었는지 확인하기 어려운 이유, 전통적인 방법이 종종 부족한 이유, 그리고 컴퓨터 비전이 어떻게 숙성도 탐지를 더 신뢰할 수 있게 만드는지 자세히 살펴보겠습니다. 시작해 봅시다!

용과의 숙성도를 판단하기 어려운 이유는 무엇인가요?#

숙성도를 확인하는 전통적인 방법을 알아보기 전에, 먼저 용과가 익었는지 판단하는 것이 왜 그렇게 어려운지부터 살펴보겠습니다.

언뜻 보기에 용과는 자르고, 떠서 먹으면 되는 간단한 과일처럼 보입니다. 하지만 하나를 골라본 경험이 있는 사람이라면 누구나 언제 익었는지 알기 어렵다는 진짜 문제를 알고 있습니다. 바나나, 수박, 망고와 달리 용과는 익을 때 뚜렷한 징후를 보이지 않아 종종 추측에 의존하게 됩니다.

혼란의 일부는 용과의 종류가 한 가지만 있는 것이 아니라는 사실에서 기인합니다. 세 가지 주요 색상 품종이 있으며 각각 조금씩 다르게 익습니다. 색상 외에도 용과는 모양, 크기, 껍질 특징도 다릅니다. 어떤 것은 비늘이 더 길고, 어떤 것은 더 둥급니다.

다음은 다양한 유형의 용과에 대한 자세한 정보입니다:

• 흰색 용과: 가장 일반적인 품종으로, 작은 검은 씨앗이 박힌 흰색 과육을 가지고 있습니다.
• 빨간색 또는 분홍색 용과: 자홍색 또는 분홍색 과육과 선명한 붉은색 껍질을 가지고 있어 특히 눈길을 끕니다.
• 노란색 용과: 비교적 드문 품종으로, 황금색 또는 노란색 껍질을 가지며 가장 달콤한 품종으로 유명합니다.

그림 2. 색상에 따른 용과의 다양한 품종. (출처)

용과가 익었는지 확인하는 전통적인 방법#

AI와 같은 최첨단 기술이 농부들에게 도입되기 전에는 숙성도 확인이 간단한 시각적 및 촉각적 신호에 의존했습니다. 이러한 관행은 오늘날에도 농장과 시장에서 널리 사용되고 있습니다.

용과가 익었다는 몇 가지 일반적인 지표는 다음과 같습니다:

• 껍질 색깔: 대부분의 사람들은 용과의 껍질을 먼저 확인합니다. 밝은 분홍색이나 빨간색은 보통 익었다는 뜻이며, 녹색 반점은 아직 시간이 더 필요하다는 의미입니다. 노란색 용과는 흠집이 거의 없는 황금색 껍질을 가져야 합니다. 하지만 이 규칙이 보편적인 것은 아닙니다. 겉으로 보기에는 익은 것 같아도 속은 익지 않은 과일이 있는 반면, 과숙되면서 반점이 생기는 과일도 있습니다.

• 질감: 촉감도 또 다른 테스트 방법입니다. 잘 익은 용과는 잘 익은 아보카도처럼 눌렀을 때 약간 들어가야 합니다. 매우 단단하게 느껴진다면 아마도 덜 익은 것입니다. 너무 부드럽거나 곤죽처럼 느껴진다면 이미 과숙되었을 수 있습니다. 용과를 다루는 방식이나 보관 방법에 따라 과일의 단단함이 변할 수 있으므로 질감 또한 항상 신뢰할 수 있는 것은 아닙니다.

• 기타 징후: 용과 농부들은 때때로 더 세밀한 부분에 의존합니다. 과일이 익으면서 포엽(bracts)이나 잎 모양의 날개가 마르고 말리기 시작할 수 있으며, 줄기 근처에서 나는 은은한 달콤한 향기도 단서가 될 수 있습니다. 이러한 힌트가 도움이 될 수는 있지만 매우 미묘하여 놓치기 쉽습니다.

비전 AI가 용과 숙성도 탐지를 어떻게 변화시키고 있는가#

껍질 색깔이나 단단함과 같은 전통적인 신호도 유용할 수 있지만, 종종 일관성이 부족합니다. 컴퓨터 비전은 수천 개의 레이블이 지정된 이미지로부터 학습하고 사람들이 간과할 수 있는 패턴을 인식하여 용과 숙성도 탐지를 더욱 신뢰할 수 있게 만듭니다.

예를 들어, object detection, 인스턴스 세분화, 이미지 분류와 같은 작업에 대한 Ultralytics YOLO11의 지원은 모델이 관련 데이터셋으로 커스텀 학습될 때 과일을 상세히 분석하는 데 사용될 수 있습니다.

특히 객체 탐지는 이미지에서 개별 과일을 식별할 수 있습니다. 마찬가지로 인스턴스 세그멘테이션은 과일이 겹쳐 있을 때도 각 과일을 주변 환경과 분리할 수 있으며, 이미지 분류는 모양, 질감 또는 색상과 같은 특징을 기반으로 레이블을 할당할 수 있습니다.

그림 3. 데이터셋 구축을 위한 미숙 과일 대 완숙 용과 이미지. (출처)

잘 익은 용과를 식별하도록 Ultralytics YOLO11 학습하기#

기본적으로 Ultralytics YOLO11은 작업에 따라 잘 알려진 데이터셋으로 사전 학습되어 있습니다. 객체 검출 및 세분화의 경우, 사람, 동물, 자동차 같은 일상적인 사물을 포함하는 COCO dataset으로 사전 학습되어 있습니다.

이미지 분류의 경우, 이 역시 광범위한 공통 카테고리를 다루는 ImageNet dataset으로 사전 학습되어 있습니다. 이러한 사전 학습은 Ultralytics YOLO11에 강력한 출발점을 제공하지만, 용과 숙성도 감지와 같은 특수 작업의 경우 여전히 전용 데이터셋으로 파인튜닝하거나 커스텀 학습해야 합니다.

용과 숙성도 감지를 위해 Ultralytics YOLO11을 커스텀 학습하는 방법에 대한 개요는 다음과 같습니다:

• 데이터 수집: 다양한 조명 조건, 각도, 성장 단계에서 수천 장의 용과 이미지가 촬영됩니다. 각 이미지는 작업에 따라 어노테이션됩니다. 이미지 분류의 경우 덜 익음, 익음, 과숙 등의 레이블이 포함될 수 있습니다. 객체 검출 또는 인스턴스 세분화의 경우, 과일의 위치를 표시하고 외곽선을 따기 위해 바운딩 박스나 마스크가 그려집니다. 이러한 레이블이 지정된 예시들은 Ultralytics YOLO11이 학습하는 데 필요한 정보를 제공합니다.

• Model training: YOLO11 학습은 처음부터 시작되지 않습니다. 전이 학습을 통해 검출 및 세분화를 위한 COCO 또는 분류를 위한 ImageNet과 같이 사전 학습된 데이터셋에서 학습된 시각적 특징을 바탕으로 이를 용과 특성에 맞게 조정합니다. 어노테이션된 이미지로 YOLO11을 커스텀 학습시키면 모델이 껍질 색상 변화, 텍스처 변화, 과일 형태의 다양성 같은 숙도 단서를 파악할 수 있게 됩니다.

• 검증 및 테스트: 학습 후, Ultralytics YOLO11은 검증 또는 테스트 세트라고 불리는, 이전에 본 적 없는 별도의 용과 이미지 세트에서 평가될 수 있습니다. 예측 결과는 정답 라벨과 비교되어 정확도를 측정하고, 덜 익은 과일을 익은 것으로 잘못 분류하는 등의 오류를 식별합니다. 이 평가는 과적합을 방지하고 모델이 학습 데이터를 암기하는 대신 관련 숙도 단서를 학습하고 있는지 확인하는 데 도움이 됩니다.

숙성도 탐지에서 컴퓨터 비전의 실제 응용 사례#

다음으로, 특히 용과 수확 분야에서 컴퓨터 비전이 실제 농업 및 가공에 어떻게 적용되고 있는지 살펴보겠습니다.

모니터링 및 숙성도 평가를 위한 드론#

수십 년 동안 농부들은 태양 아래서 열과 열 사이를 걸으며 손으로 과일을 확인해야 했습니다. 이 과정은 느리고 노동 집약적이었으며, 잎 아래에 숨어 있거나 넓은 밭에 퍼져 있는 미묘한 숙성 신호를 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 육안으로 파악하기 어려운 통찰력을 제공합니다.

수동 검사에만 의존하는 대신, 컴퓨터 비전 모델은 캡처된 이미지를 기반으로 숙도를 판단하는 데 도움을 줄 수 있습니다. 더 빠르고 대규모로 숙도를 파악함으로써 농부들은 수확 시기를 더 잘 계획하고 과일을 적기에 시장에 출하할 수 있습니다.

자동 과일 수확을 위한 로봇#

과일 수확은 타이밍이 전부입니다. 하루만 너무 이르거나 늦어도 수확물의 가치가 떨어질 수 있기 때문에 로보틱스가 농업의 일부로 자리 잡고 있습니다. 예를 들어, 연구원들은 복잡한 환경에서 과일의 위치를 파악하기 위해 컴퓨터 비전과 객체 검출을 사용하는 용과 수확 로봇을 개발했습니다.

이 열대 과일이 식별되면 로봇은 기계식 그리퍼나 집게를 유도하여 최소한의 손상으로 수확할 수 있습니다. 일부 시스템에는 컴퓨터 비전을 사용하여 익은 과일과 덜 익은 과일 또는 손상된 과일을 구별하는 분류 기능도 통합되어 있습니다. 여러 로봇 팔이 동시에 작동함으로써, 이 기계들은 인간보다 더 빠르고 일관되게 수확할 수 있으며 작물 손상 위험을 줄일 수 있습니다.

그림 4. 비전 기능이 탑재된 로봇이 익은 용과를 수확하는 예시. (출처)

용과 탐지에 비전 AI를 사용할 때의 장단점#

용과 숙성도 탐지에 컴퓨터 비전을 사용할 때 얻을 수 있는 주요 이점은 다음과 같습니다:

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

• 일관된 품질 보장: 농부는 올바른 숙성 단계의 과일을 공급하여 소비자 신뢰를 구축하고 시장 가치를 높일 수 있습니다.

• 대규모 분류 지원: 비전 시스템은 대량의 수확물을 신속하고 정확하게 처리할 수 있어 많은 수작업 인력이 필요하지 않습니다.

반면에 용과 탐지에 비전 AI를 사용할 때 고려해야 할 몇 가지 제한 사항은 다음과 같습니다:

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

• Annotation efforts: 이러한 데이터셋을 준비하려면 종종 전문가의 참여가 필요한 세심한 라벨링이 필요하며, 이는 시간이 많이 걸리고 노동집약적일 수 있습니다.

• 높은 비용: AI 시스템을 개발, 학습 및 배포하는 데에는 하드웨어, 소프트웨어 및 기술 전문 지식에 상당한 비용이 발생할 수 있으며, 이는 소규모 농장에는 장벽이 될 수 있습니다.

핵심 요약#

컴퓨터 비전은 용과가 수확되고 분류되는 방식을 변화시킬 잠재력을 가지고 있으며, 이는 농업 전반에도 해당됩니다. 밭에서 포장 라인에 이르기까지 비전 기반 도구는 수확, 분류 및 포장을 간소화하여 농부가 더 일관되게 과일을 제공하도록 도울 수 있습니다. 기술이 발전함에 따라 비전 AI는 농업에서 더욱 큰 역할을 할 것입니다.

AI를 탐색할 준비가 되셨나요? 당사의 커뮤니티 및 GitHub 저장소에 참여하여 AI와 컴퓨터 비전에 대해 자세히 알아보세요. 솔루션 페이지를 방문하여 농업 분야의 컴퓨터 비전 및 로봇 공학 분야의 AI의 더 많은 애플리케이션을 살펴보세요. 라이선스 옵션을 확인하고 오늘 바로 컴퓨터 비전을 시작해 보세요!