KCI등재
딥러닝 기반 넙치 질병 증상 분류 모델 성능 분석
저자
발행기관
학술지명
권호사항
발행연도
2023
작성언어
Korean
주제어
KDC
310
등재정보
KCI등재
자료형태
학술저널
발행기관 URL
수록면
96-106(11쪽)
DOI식별코드
제공처
우리나라 넙치 양식은 수산 양식 산업의 절반 이상 차지할 정도로 큰 비중을 차지한다. 그러나 넙치 연중 총사육량의 25-30% 정도가 질병으로 인한 집단 폐사가 발생하여 양식장의 경제성에 매우 나쁜 영향을 준다. 넙치 양식장의 경제성 성장을 위해서는 넙치 질병 증상 진단을 자동화하여 실시간으로 정확하게 질병을 진단하는 방법이 필요하다. 본 논문에서는 딥러닝 기반 넙치 질병 증상 분류 모델에 적합한 독자적인 학습 데이터 수집 방법, 라벨링된 학습 데이터 셋 오류를 없앨 수 있는 학습 데이터 정제 및 검증 기법, 균등한 학습 데이터 분리 기법을 제안하고, 제안된 기법을 적용하여 총 4,946개의 어노테이션 이미지를 대상으로 넙치 질병 증상 33개 카테고리에 대한 넙치 질병 분류 성능을 CNN 기반의 YOLOv8 모델과 비전 트랜스포머 기반의 Swin모델을 이용하여 학습한 결과를 비교 분석한다. YOLOv8 모델은 100 Epoch까지 학습을 진행하여 mAP 인식률은 0.899, 학습 시간은 10 Epoch당 3분, VRAM 사용량은 15.4GB의 성능을 보여주었다. Swin 모델은 50 Epoch까지 학습을 진행하여 mAP는 0.91, 학습 시간은 10 Epoch당 162분, VRAM 사용량은 21.3GB로 나타났다. YOLOv8 모델과 Swin 모델의 성능을 비교하면, Swin 모델은 더 적은 Epoch로도 좋은 mAP 성능 인식률을 보여주었으나, 학습 속도면에서는 YOLOv8 모델이 압도적으로 짧은 학습시간으로 학습을 완료하였다. 본 연구 결과와 같이 최신 딥러닝 모델을 이용하여 넙치 질병 증상을 실시간으로 진단할 수 있는 시스템이 개발되면 유수식 넙치 양식의 생산성은 크게 증가될 것이라 기대된다.
더보기Halibut farming in Korea accounts for more than half of the fishery farming industry. However, 25 to 30 percent of halibut fish deaths are caused by disease per year, which has a very bad effect on the economic feasibility of halibut farming. The accurate diagnosis of halibut disease symptoms in real time is very important for the economic growth of halibut fish farms. In this paper, we propose an independent learning data collection method suitable for a deep learning-based halibut disease symptom classification model, a learning data purification and verification technique that can eliminate labeled learning data set errors, and an equal learning data separation technique, and apply the proposed technique to compare and analyze the halibut disease classification performance for 33 categories of halibut disease symptoms using CNN-based YOLov8 model and Vision Transformer-based Swin model. The YOLOv8 model learned up to 100 Epoch, showing a performance of 0.899 mAP recognition rate, 3 minutes of learning time per 10 Epoch, and 15.4 GB of VRAM usage. The Swin model learned up to 50 Epoch, and the mAP was 0.91, the learning time was 162 minutes per 10 Epoch, and the VRAM usage was 21.3GB. When comparing the performance of the YOLOv8 model and the Swin model, the Swin model showed a good mAP performance recognition rate with less Epoch, but in terms of learning speed, the YOLOv8 model completed the learning with an overwhelmingly short learning time. As shown in the results of this study, if a system that can diagnose halibut disease symptoms in real time using the latest deep learning model is developed, the productivity of the floating halibut style is expected to increase significantly.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)