생성형 AI 기반 이미지 데이터 증강을 활용한 멜론 과실 탐지 및 품질 평가 = Melon Fruit Detection and Quality Assessment Using Generative AI-Based Image Data Augmentation

국문 초록 (Abstract)

현대 농업은 생산성 및 품질 향상과 환경 영향 최소화라는복합적인 도전에 직면해 있으며, 과실의 성장 및 품질을 모니터링하고 관리하는 것은 매우 중요한 과제이다. YOLO와 같은 실시간 과실 탐지를 위한 딥러닝 모델을 효과적으로 훈련시키기 위해서는 고품질 이미지 데이터셋이 필수적이나, 농업 분야에서는 이러한 데이터셋이 부족한 실정이다. 생성형AI 모델은 고품질 이미지를 생성하여 이러한 문제를 해결할수 있다. 본 연구에서는 미드저니와 파이어플라이 도구를 사용하여 텍스트-이미지, 이미지(수확 전)-이미지, 및 이미지(수확 후)-이미지 생성 방법으로 멜론 재배 온실과 수확 후 과실 이미지를 생성하였다. 생성된 이미지는 PSNR 및 SSIM 등의 지표로 평가되었으며, YOLOv9 모델의 탐지 성능(IoU = 0.95)도 평가되었다. 또한 네트 품질 평가 방법을 이용하여 실제 과실과 생성된 과실의 네트 품질을 평가하였다. 생성형 AI 는 원본 이미지와 유사한 이미지를 생성하였으며, 수확 후 이미지를 통한 과실 이미지 생성의 경우 매우 뛰어난 사실성을표현하였다. 생성 이미지는 실제 이미지와 동일하게 YOLOv9 모델에 의해 탐지되었으며, 네트 품질도 평가될 수 있었다. 이는 생성형 AI가 실제적이고 효과적인 과실 탐지 및 품질 평가를 위해 현실적인 이미지를 생성할 수 있음을 보여주며, 농업분야에서의 큰 잠재력을 나타낸다. 본 연구는 멜론 과실 탐지및 품질 평가를 위한 데이터 증강에 있어서 AI 생성 이미지의잠재력을 모색하며, 생성형 AI의 농업에 대한 적용을 긍정적으로 전망한다.

다국어 초록 (Multilingual Abstract)

Monitoring and managing the growth and quality of fruits are very important tasks. To train deep learning models like YOLO for real-time fruit detection effectively, high-quality image datasets are essential. However, such datasets are often lacking in agriculture. Generative AI models can help by creating high-quality images. In this study, we used MidJourney and Firefly tools to generate images of melon greenhouses and post-harvest fruits through text-to-image, pre-harvest image-to-image, and post-harvest image-to-image methods. We evaluated these AI-generated images using PSNR and SSIM metrics and tested the YOLOv9 model’s detection performance. We also assessed the net quality of real and generated fruits. Our results showed that generative AI could produce images very similar to real ones, especially for post-harvest fruits. The YOLOv9 model detected the generated images well, and the net quality was also measurable. This shows that generative AI can create realistic images useful for fruit detection and quality assessment, indicating its great potential in agriculture. This study highlights the potential of AI-generated images for data augmentation in melon fruit detection and quality assessment and envisions a positive future for generative AI applications in agriculture.