Ⅰ. 서 론
우리나라의 대표적 식량작물인 쌀은 소비 감소와 공급 과잉 문제로 인해 재배 면적은 지속적으로 감소하고 있으며, 이는 농업 구조 변화의 주요 원인이 되고 있다 (Jeong et al., 2021). 이와 관련하여 중앙정부는 기존 쌀 중심의 재배 구조를 극복하기 위해 다양한 대체 작물 도입을 추진하고 있다. 대체 작물로 콩은 토양 비옥도를 증진시키는 질소 고정 능력과 높은 기후 적응력 등의 장점을 가지고 있어 (Bishop et al., 2015) 중앙정부에서는 유망한 대체 작물로 평가하고 있으며 재배지원 확대 정책을 추진하고 있다. 이와 함께 최근 소비자들의 건강 및 환경에 대한 관심 증가와 함께 식물성 단백질 수요가 급격히 확대되면서 콩은 기능성 식품으로 개발이 촉진 및 소비되고 있으며, 동시에 바이오 소재 및 가공 산업 등 다양한 분야에서 활용 가능성이 높아지고 있어 수요도 함께 증가하는 상황에 맞물려있다 (Kumar et al., 2022).
대두 (Glycine max L.)는 다양한 환경적 스트레스에 대한 내성을 지닌 콩의 한 종류로 국내⋅외에서 가장 많이 재배하고 소비되는 중요 식용작물이다. 다만, 대두는 품종에 따라 생육 기간, 온도 내성 및 병해충 저항성 등 생리적 특성의 차이가 명확하게 나타나기에 (Alsajri et al., 2019), 재배 지역의 기후와 토양 조건의 영향을 크게 받으며, 이는 곧 생산성으로 연결되는 특징을 가진다. 특히 우리나라는 남북 간 기후대 차이가 분명히 나타나기에 대두의 품종 선택은 콩 생산량 안정화에 대한 핵심 고려 요소가 될 수밖에 없다.
이러한 이유로 중앙정부에서는 종자 공급량에 기반한 재배 면적 추정 방식을 이용하여 콩의 재배현황 파악을 가장 먼저 선결하고자 하였으나, 생육 환경과 품종에 따라 다르게 나타나는 콩의 생리학적 특성 때문에 실제 재배 현황과 공간적 분포를 정확히 파악하기 어려운 상태에 놓여있다. 이는 품종별 특성을 고려한 재배 전략 수립과 지역별 품종 추천 등을 곤란하게 만들고 대체 작물인 콩의 재배 확대를 방해하는 중요 장애 요인으로 평가할 수 있다.
이를 해결하기 위한 방법으로 영상 기반 생육 정보 수집과 인공지능 기술의 결합을 제안할 수 있다 (Ragaveena et al., 2021). AI 기반의 영상 분석 기술은 노지 환경과 같은 복합적인 환경 변수 내에서 작물의 생육 상태 분류 및 생육 변화 예측을 가능케 하고 자동화된 농업 관리 기술을 위한 효과적인 기초 수단이 될 수 있다. 이와 관련한 원격 탐지 기술, 즉 무인항공기 (Unmanned Aerial Vehicle, UAV)를 활용한 정밀 농업 기술이 크게 주목받고 있다. UAV 기술은 높은 공간 해상도와 시간적 유연성을 바탕으로 작물 생육 상태, 작물 분포, 병해충 발생 등 다양한 정보를 효율적이고 정밀하게 수집할 수 있다 (Anthony et al., 2014). 기존의 현장 조사 방식에 비해 UAV 기반 영상 분석은 대규모 농지에 대한 신속하고 정밀한 데이터 수집을 가능하게 하여 농업 관리 및 의사 결정의 효율성을 획기적으로 개선할 수 있다. 또한 최근 급격히 발전하고 있는 인공지능 (Artificial Intelligence, AI) 및 딥러닝(deep learning) 기술은 UAV로부터 수집한 고차원 영상 데이터를 빠르고 정확하게 분석할 수 있는 강력한 도구로 자리 잡았다 (Bhat and Huang, 2021; Bouguettaya et al., 2022). AI 기반의 UAV 영상 분석은 작물 품종 구분, 생육 진단, 병해충 탐지 등 다양한 분야에서 그 우수성을 입증하고 있으며, 미래 농업의 핵심 기술로 각광받고 있다.
Virnodkar et al. (2020)은 원격탐사 데이터 및 머신러닝과 딥러닝 기법을 적용하여 사탕수수 작물을 분류하였고, Song (2023)은 PlanetScope 위성영상과 FC-DenseNet 모델 기반 한국의 벼 재배지를 탐지하였으며, An et al. (2024)은 드론 영상 및 DeepLabv3+ 모델을 활용하여 벼와 콩 재배지를 분류하였다. 그러나 현재까지 UAV 영상 데이터를 딥러닝과 결합하여 콩 품종 분류를 분석한 연구 사례는 거의 없는 실정으로, 특히 같은 작물 내 품종 간 시계열 생육 차이를 영상 데이터로 정량화하여 구분하고자 하는 연구는 드물다. 이는 국내 디지털 농업 전환과 품종 관리 기술의 실질적 발전에 있어서 큰 한계점이 될 수 있다.
따라서 본 연구는 한국의 노지 환경에서 재배되는 주요 대두 품종을 연구 대상으로 설정하고, 이에 대한 UAV 기반 RGB 영상 데이터 수집, 생육 시기별 품종 간 영상 정보 변화 분석 및 딥러닝 알고리즘에 기반한 품종 구분 모델을 개발하고 그 적용성을 평가하고자 한다. 이를 통해 콩의 재배 전략 수립 및 지역별 품종 제안 등을 가능하게 함으로 안정적인 대체 작물 확대 정책이 조기 정착하는 데에 기여하고자 한다.
Ⅱ. 연구 재료 및 방법
본 장의 이해를 돕기 위해 연구 개요를 다음과 같이 설명하고자 한다. 우선, 연구 재료 확보를 위해 연구 대상지의 재배되는 주요 대두 품종을 대상으로 시계열 드론 RGB 영상 자료를 수집하였다. 수집된 영상은 시계열 분석이 가능하도록 정규화 및 전처리 과정을 거쳤으며, 이후 딥러닝 기반 분류 알고리즘에 입력하여 품종 식별 가능성과 분류 정확도를 평가하였다. 본 연구의 전체 흐름도는 Fig. 1과 같다.
1. 연구 대상지
연구는 대한민국 남부 지역에 위치한 농촌진흥청 국립식량과학원 내 노지 시험포장에서 수행되었다 (Fig. 2). 2023년도 기상청 ASOS 데이터에 의한 해당 지역의 기후 특성은 연강수량 1,874 mm, 월평균 최저기온 -12.4 °C, 월평균 기온 15 °C, 월평균 최고기온 37.8 °C의 범위로 나타났으며, 월평균 상대습도는 63%, 월평균 일조 시간은 135~233시간으로 확인되었다. 이러한 기후 조건은 벼, 밀, 보리 및 콩 등 주요 식량작물 및 유지 작물의 재배에 적합한 환경으로 평가된다.
Fig. 2
Location of the study area: (a) South Korea; (b) Gyeongsangnam-do (c) Miryang-si; (d) Study site
연구에 사용된 콩 품종은 장류용 품종인 ‘대원 (daewon, DW)’과 ‘선풍 (seonpung, SP)’, 나물용 품종인 ‘풍산 (pungsan, PS)’과 ‘아람 (aram, AR)’이다. 밭작물의 경우 노지 환경에서 상이한 작부체계의 영향으로 재배 필지별로 성장 차이가 발생할 수 있으며, 본 연구는 현장에서 발생할 수 있는 생육 변이를 고려하기 위해 시험구를 네 개 구역으로 구분하고 파종 시기를 달리하였다 (Fig. 2(d)). 제1구역은 2023년 5월 25일, 제2구역은 6월 5일, 제3구역은 6월 15일 및 제4구역은 6월 25일에 각각 파종하였다. 파종은 농촌진흥청 콩 재배 기준에 따라 재식거리 70 cm × 20 cm, 이랑 간격은 140 cm로 하였다.
2. 한국에서 재배되는 주요 콩 품종
한국에서 재배되는 콩은 오랜 기간 동안 재배되어 온 작물로, 현재는 주로 육종을 통해 개량된 두 가지 품종군이 주로 재배되고 있다. 이들 품종은 생육 기간에 따라, 4~5월에 파종하여 7~8월에 수확하는 조생종 (early maturity)과, 5~6월에 파종하여 10~11월에 수확하는 만생종 (late maturity)으로 구분된다.
콩은 용도에 따라 장류용 (soy-paste soybean)과 나물용 (bean sprout)으로 나뉘며, 각각 요구하는 형태적⋅이화학적 특성과 품질 기준이 상이하다. 장류용 콩은 된장, 간장 등 발효식품의 원료로 사용되며, 단백질 함량이 높고, 콩알이 크고 윤기 있는 대립종이 선호된다. 수분 흡수율이 높고 무름성이 좋은 특성, 얇은 껍질, 황색 종피 등의 특성이 전통적 기호에 적합한 품질 기준으로 평가된다. 나물용 콩은 콩나물 생산을 위해 사용되며, 발아력과 저장 안정성이 중요하다. 소립종이 대립종보다 빠른 발아와 높은 수율을 나타내어 선호되며, 고품질 콩나물은 떡잎이 적당한 크기, 균일한 굵기, 선명한 색을 특징으로 한다. 본 연구의 사용된 콩 품종은 다음과 같다.
가. 대원
대원 품종은 1997년에 육성된 장류용 콩으로, 대한민국에서 가장 널리 재배되고 있는 대표 품종이다. 줄기 길이는 78 cm로 중간 정도이며, 도복에 비교적 강한 특성을 가진다. 콩알은 둥글고 외관이 우수하며, 백립중은 약 25 g으로 대립종에 속한다. 성숙기는 10월 상중순으로, 다소 늦은 중만생종 (mid-late maturity)이다. 수량성은 10a당 293 kg이며, 제주도 및 고랭지를 제외한 전국에서 재배가 가능하다.
나. 선풍
선풍 품종은 2013년에 개발된 장류용 콩으로, 줄기 길이 67 cm, 백립중 25.9 g의 대립종이다. 대원콩보다 익는 시기가 약 5일 늦은 만생종이며, 불마름병 및 바이러스병에 강하고 내탈립성도 매우 우수하다. 수량성은 340 kg/10a으로 대원콩 대비 약 20% 높으며, 대한민국 중남부 지역의 이모작 재배지에 적합하다.
다. 풍산
풍산 품종은 1996년에 육성된 나물용 콩으로, 줄기 길이 약 60 cm, 백립중 10.7 g의 소립종이다. 성숙기는 10월 상순이며, 콩 모자이크 바이러스병과 괴저병에 강한 내병성을 가진다. 콩나물 수율은 730%로 매우 높다. 전국 대부분 지역에서 재배가 가능하며, 고산지대인 강원도를 제외하고 광범위한 적응성을 보인다.
라. 아람
아람 품종은 2016년에 육성된 나물용 콩으로, 줄기 길이 65 cm, 백립중 9.6 g을 가진다. 도복 및 탈립에 강하며, 적응 지역에서는 10 a당 359 kg의 수량성을 기록하여 풍산 콩 대비 약 12% 높은 수확량을 보인다. 발아력과 콩나물 재배 특성이 우수하며, 대한민국 남부의 이모작 지역에 적합하다 (Kang and Joo, 2024).
3. 시계열 드론 영상 수집 방법
정밀 농업 및 생육 분석을 위해 고해상도 영상 데이터 확보는 필수적이다. UAV는 넓은 농경지에 대한 영상을 신속하고 효율적으로 획득할 수 있으며, 비행 고도 및 촬영 경로를 정밀 제어할 수 있어 정기적인 생육 모니터링과 시계열 분석에 효과적이다 (Tsouros et al., 2019). RGB 영상은 식생과 비식생을 구분하는 색상 정보를 제공하여 생육 상태, 생리적 스트레스, 병해 피해 여부를 간접적으로 파악하기에 유용하다 (McCarthy et al., 2010). 또한 다양한 인공지능 기반 영상 분석 기술과 결합하여 대규모 농경지에 대한 자동화된 정밀 모니터링 체계를 구축할 수 있다 (Nguyen et al., 2020).
본 연구에서는 2023년 7월 20일부터 10월 10일까지 총 9회에 걸쳐 UAV를 이용한 RGB 영상 수집을 수행하였다 (Fig. 3). SenseFly사의 eBee Classic UAV와 S.O.D.A RGB 카메라를 사용하였으며, 수집된 영상의 공간 해상도는 2.5 cm/pixel이다. 관심 영역 (Region of Interest, ROI)을 설정하기 위해 콩 품종별로 GIS에서 polygon을 생성하여 영역을 설정하였으며, 이를 기반으로 품종 영역 별로 RGB 영상과 동일한 해상도의 격자단위로 변경하여 라벨링 데이터를 구축하였다.
4. 의미론적 분할을 위한 딥러닝 모델
의미론적 분할 (semantic segmentation)은 컴퓨터 비전 (computer vision) 분야의 이미지 해석 기법 중 하나로, 주어진 이미지 내 각 픽셀을 사물 또는 배경의 의미 있는 클래스 (label)로 분류하는 방법이다. 이는 단순한 이미지 분류나 객체 검출과 달리, 개별 객체의 경계뿐만 아니라 그 내부의 세부 구조까지 인식할 수 있어 정밀한 시각 정보가 요구되는 분야의 핵심적인 역할을 한다 (Seyedhosseini and Tasdizen, 2015). 본 연구는 의미론적 분할을 수행하기 위하여 Fig. 4의 Attention Unet과 DeepLabv3+ 모델을 적용하였다. 모델의 일반화 성능과 학습 효율성을 보다 심도 있게 비교하기 위해 ResNet50 및 ResNet101 backbone 네트워크와 사전학습 (pre-training) 된 가중치 (weight)를 활용하였다.
Fig. 4
Deep learning algorithms implemented for soybean cultivar classification in this study: (a) Attention Unet; (b) DeepLabv3+
Attention Unet은 기존의 U-Net 구조에 attention gate 메커니즘을 도입하여 설계된 모델로, 특히 의료 영상이나 농업 분야와 같이 관심 영역 (region of interest)의 구분이 중요한 응용 분야에서 높은 성능을 나타낸다. Fig. 5의 Attention gate 구조는 인코더에서 디코더로 전달되는 skip connection에 적용되며, 입력 영상에서 관련성이 낮거나 불필요한 배경 정보를 효과적으로 억제하고, 의미 있는 영역을 선택적으로 강조하여 분할 정확도를 높이는 역할을 한다 (Oktay et al., 2018). Attention Unet의 encoder-decoder 구조에 attention gate가 인코더의 저해상도 특징 맵 (low-resolution feature map)과 디코더의 고해상도 특징 맵 (high-resolution feature map)을 결합하는 위치에 배치되어 공간적 세부 정보 (spatial details)의 손실을 최소화한다.
DeepLabv3+ 모델은 Atrous Spatial Pyramid Pooling (ASPP) 모듈과 encoder-decoder 아키텍처를 결합한 구조로, 다양한 크기 (scale)의 문맥 정보 (contextual information)를 효과적으로 통합할 수 있도록 설계되었다. ASPP 모듈은 Fig. 6과 같이 여러 확장률 (dilation rate)을 갖는 atrous convolution 층을 병렬적으로 배치하여 멀티 스케일 정보를 포착하며, 특히 세부적인 객체 경계 (object boundaries)를 더욱 명확히 복원할 수 있는 강점을 가진다 (Chen et al., 2018). ResNet 기반의 backbone 네트워크는 깊이 (depth)에 따라 특징 표현 (feature representation)의 성능이 달라질 수 있으므로 (Heryadi et al., 2020), 두 가지 네트워크를 각각 독립적으로 학습하여 최적의 backbone 구조를 탐색하고자 하였다.
Fig. 6
Receptive field of convolution neural network architecture: (a) General convolution; (b) Atrous convolution (rate=2)
모든 모델의 구현은 PyTorch 프레임워크를 기반으로 하였으며, 입력 영상은 식 (1)의 min-max 정규화 (normalization)를 활용하여 정규화된 이미지를 256×256 크기로 샘플링하여 모델의 입력 데이터로 사용하였다. 본 연구는 모델의 훈련을 위해 전체 데이터셋에서 학습, 검증 및 평가 데이터 셋을 6:2:2 비율로 구분하였으며, batch size는 8, optimizer는 Adam을 사용하였고, 별도의 데이터 증강 과정은 적용하지 않았다. 네트워크의 최적화를 위한 학습률 (learning rate)은 0.001로 설정하고, 손실 함수 (loss function)는 식 (2)의 cross entropy loss를 사용하였다. cross entropy loss는 두 확률 분포 
(정답)와 
(예측) 사이의 차이를 측정하는 함수로, 
는 실제 분포에서 클래스 
의 확률을 나타내며, 
는 모델이 예측한 클래스 
의 확률을 나타낸다. 여기서 
는 분포 
를 기준으로 예측 분포 
가 얼마나 정보 손실을 주는지 나타낸다. 모델 학습 횟수 (epoch)는 200으로 지정하였으며, 과적합 (overfitting) 문제를 방지하기 위하여 검증 (validation) 세트에서의 성능이 20 epoch 동안 향상되지 않을 경우 학습을 조기 종료 (early stopping)하는 방법을 적용하여 모델의 일반화 성능을 높였다.
5. 콩 품종 분류 모델 성능의 평가 방법
본 연구에서는 의미론적 분할 성능을 픽셀 단위의 confusion matrix를 기반으로 평가하였다. Table 1의 confusion matrix는 True Positive (TP), False Positive (FP), False Negative (FN), True Negative (TN)의 네 가지로 구성되며, 이를 통해 Table 2의 평가지표를 산출하였다. accuracy는 전체 픽셀 중 올바르게 분류된 비율을 의미하지만, 클래스 간 불균형이 심한 상황에서는 실제 성능을 과대평가할 수 있다. precision은 모델이 양성으로 예측한 픽셀 중 실제 양성 픽셀의 비율을, recall은 실제 양성 픽셀 중 모델이 올바르게 예측한 픽셀의 비율을 나타낸다. precision과 recall의 조화 평균인 F1-score는 두 지표 간의 균형을 고려하여 정의되며, 불균형 데이터 상황에서도 안정적이고 신뢰성 있는 성능 평가를 제공한다.
Ⅲ. 결과 및 고찰
본 장에서는 앞서 언급한 2개의 딥러닝 알고리즘을 활용하여 대한민국 노지 환경에서 콩 품종들을 분류한 결과를 제시한다. UAV를 활용하여 생육 시기별로 수집한 RGB 이미지를 기반으로, 콩의 생육 단계별 RGB 픽셀 값 분포를 그래프 형태로 분석하였으며, 이를 토대로 딥러닝 알고리즘을 적용하여 품종 분류 결과를 비교⋅분석하였다.
1. 노지 콩 품종 생육 시기별 RGB 픽셀값의 분포 비교 분석
본 연구에서는 UAV를 활용하여 Fig. 3에 나타난 바와 같이 2023년 7월 20일부터 10월 10일까지 총 9회에 걸쳐 수집한 드론 영상에 대해 각 시기별로 네 가지 콩 품종에 대해 RGB 픽셀 값 분포 변화를 분석하였다. Fig. 7은 생육 시기별로 품종 간 및 파종 구역 간 RGB 픽셀 값 분포의 변동 양상을 시계열로 나타낸 것이다.
Fig. 7
Comparative analysis of RGB pixel value distributions among four soybean cultivars: (a) DW; (b) SP; (c) PS; (d) AR
생육 초기인 7월 20일에는 모든 품종에서 전반적으로 RGB 값이 낮고 변동폭이 크지 않은 양상을 보였다. green 채널이 다른 채널에 비해 상대적으로 높은 값을 나타내기는 했지만, 품종 간 차이는 뚜렷하지 않았다. 이는 생육 초기 단계로서 잎의 크기 및 색소 농도가 아직 충분히 발달하지 않은 상태를 반영하는 것으로 해석된다.
초기-중기 생육 단계인 8월 4일부터 8월 25일까지는 광합성 활성이 본격화되어 대원과 선풍 품종에서 green 채널 값이 점진적으로 상승하는 경향이 관찰되었다. 반면, 풍산 품종은 전반적으로 RGB 값의 변동 폭이 작고 일정한 분포를 유지하여 생육 속도가 다른 품종에 비해 느린 것으로 분석되었다. 아람 품종은 이 시기에 일부 샘플에서 green 채널이 급격히 증가하는 양상이 관찰되었으며, 이는 빠른 초기 생장을 나타내는 지표로 해석된다.
중기-후기 생육 단계인 9월 8일, 9월 22일 및 9월 27일은 품종 간 RGB 패턴 차이가 뚜렷하게 나타났다. 대원과 선풍 품종은 전체적으로 green 채널 중심의 높은 픽셀값을 안정적으로 유지하는 모습을 보였으며, 생육이 왕성하게 이루어지고 있음을 시사하였다. 반면, 풍산 품종은 여전히 낮은 픽셀 값 분포를 보이며, 생육 속도 및 광합성 활성 면에서 다른 품종에 비해 낮은 수준을 유지하였다. 아람 품종은 생육 후반부에 green 채널 값이 급격히 상승하면서, 생리적 변화나 결실기 진입을 암시하는 변동 양상이 관찰되었다.
9월 27일부터 10월 10일 시기에는 및 수확기로 모든 품종에서 생육 후기 특성이 명확하게 나타났다. 대원과 선풍 품종은 높은 green 채널 값을 지속적으로 유지하며 안정적인 광합성 활성을 유지하는 반면, 풍산 품종은 상대적으로 낮은 RGB 값과 제한적인 변동 폭을 보였다. 아람 품종은 10월로 접어들면서 일부 구간에서 green 채널 값이 급격히 증가하고, 동시에 blue 채널 값이 감소하는 패턴이 나타났다. 이러한 현상은 생육 후반에 잎의 색소 변화 및 노화가 진행되고 있음을 반영하는 것으로 해석할 수 있다.
전체적으로 생육 시기에 따른 RGB 픽셀 값 분포 변화는 품종별 생리적 특성과 밀접한 관련이 있는 것으로 나타났다. 장류용 콩인 대원 품종은 생육 전 기간 동안 점진적이고 안정적인 green 채널 상승 경향을 보였으며, 선풍 품종은 생육 초중기에서 빠른 green 채널 상승 후 높은 수준을 유지하였다. 나물용 콩인 풍산 품종은 생육 기간 동안 RGB 값 변화 폭이 작고 일정하여, 안정적이지만 다소 느린 생육 패턴을 보였다. 아람 품종은 생육 중후기에 급격한 green 채널 상승 및 blue 채널 감소를 보이며 빠른 생장과 후기 생리 변화를 반영하였다. 본 결과는 품종별 생육 특성이 생육 시기별 RGB 분포 패턴에 명확히 반영되며, 드론 기반 영상 분석을 통해 품종별 생육 상태 및 생리적 반응을 정량적으로 평가할 수 있음을 나타낸다.
2. 품종 간 파종 시기별 RGB 픽셀 값 변화 분석
본 연구에서는 7월부터 10월까지의 생육 기간 동안 네 개의 처리구에 대해 RGB 밴드별 평균 픽셀값의 시계열 변화를 분석하였다 (Fig. 8). 각 처리구 내에는 네 가지 품종 (DW, SP, PS, AR)이 적용되었으며, 이를 통해 시간에 따른 반사 특성의 차이를 평가하였다.
Fig. 8
Inter-cultivar changes in RGB pixel values over the soybean growth period at different sowing dates: (a) May 25, 2023; (b) June 5, 2023; (c) June 15, 2023; (d) June 25, 2023
Red 밴드에서는 전반적으로 시간 경과에 따라 픽셀값이 점진적으로 증가하는 경향이 뚜렷하게 나타났다. 특히 8월 말부터 9월 이후 시점에서 모든 처리구에서 red 반사값이 상승하였으며, 이는 생육 후반기로 접어들며 식물체 내 엽록소 함량이 감소하고 노화가 진행됨에 따라 적색 반사율이 증가하는 일반적인 생리적 반응과 일치하는 것으로 판단된다. 처리 간의 상대적 차이는 존재하나 전반적인 상승 패턴은 유사하였다.
Green 밴드의 경우, 모든 처리구에서 비교적 안정적인 반사값을 유지하였다. 다소의 진폭 변화는 존재하였지만 전반적으로 일정 수준을 유지하였으며, 특정 시점에서의 국소적 증감은 확인되었으나 통계적으로 유의한 수준의 차이는 크지 않았다. 이는 식물체가 활발히 광합성을 수행하는 생육 중기 동안 green 밴드의 반사가 지속적으로 유지되는 특성과 관련이 있을 수 있다.
Blue 밴드는 red 및 green 밴드에 비해 뚜렷한 변화 폭이 작았으나, Fig. 8(c)와 같이 일부 구역에서 생육 초기의 상대적으로 높은 반사값에서 생육 중기로 갈수록 감소하는 경향이 관찰되었다. 이는 엽록소의 흡수 특성에 따라 blue 영역에서의 반사율이 생육 초기보다 중기 이후 감소하는 생리학적 현상으로 해석될 수 있으며, 일부 처리 조건에서는 미세한 차이를 통해 생육 상태나 스트레스 반응의 간접적인 지표로 활용 가능성을 보여준다.
종합적으로, red 밴드는 생육 후반기에 뚜렷한 반응을 나타내는 민감한 지표로 활용될 수 있으며, green 및 blue 밴드는 생육 중기 안정성 및 초기 활력 판단에 기여할 수 있다. 또한 동일 구역 내 처리 간 차이는 전반적으로 미세하였으나, 특정 시기 및 밴드에서는 조건 간 상호작용에 따라 유의한 반응 차이가 나타날 수 있음을 시사한다. 따라서 향후 생육 모니터링 및 작물 스트레스 평가를 위한 시계열 기반의 밴드별 분석이 효과적인 판단 수단이 될 수 있음을 확인하였다.
3. 동일 품종 내 파종 시기별 RGB 픽셀 값 변화 분석
본 연구에서는 동일한 품종 내 서로 다른 파종 시기에 따라 생육 중 식물체의 색채 반사 특성이 어떻게 변화하는지를 분석하기 위해, RGB 영상 기반의 시계열 픽셀값 추이를 평가하였다 (Fig. 9). 총 4개의 파종 시기 기준으로 대상으로 하여, 2023년 7월 20일부터 10월 10일까지의 생육 기간 동안 총 9회 촬영된 영상에서 Red, Green, Blue 밴드의 평균 픽셀값을 추출하고 시간 경과에 따른 변화를 비교하였다.
Fig. 9
Intra-cultivar changes in RGB pixel values during the soybean growth period for each cultivar: (a) Daewon; (b) Seonpung; (c) Pungsan; (d) Aram
Red 밴드에서는 모든 파종 시기에서 공통적으로 8월 후반부터 10월 초 사이에 픽셀값이 점진적으로 상승하는 경향이 나타났다. 이는 생육 후반기에 엽록소 함량이 감소하고 식물체가 노화되며 적색 파장대 반사율이 증가하는 일반적인 생리 반응과 일치하는 것으로 해석된다. 특히 이른 파종 시기에서 상대적으로 red 밴드의 상승 시점이 앞당겨지는 경향이 관찰되어, 생리적 성숙 속도의 차이가 반영된 것으로 판단된다. 늦은 파종 시기의 경우 적색 반사율의 상승이 상대적으로 지연되었으며, 이는 생육 기간의 차이가 반사 특성에 영향을 준 것으로 볼 수 있다.
Green 밴드의 경우에는 전 시기에서 비교적 안정된 값을 유지하였으나, 일부 시기에서는 생육 중기에 해당하는 8월 중순~9월 초 사이에서 일시적 감소가 관찰되었다. 이러한 변화는 광합성 활동이 가장 활발한 시점에서 엽록소가 녹색 파장을 반사하는 특성이 강화된 결과일 수 있으며, 생육 후기에는 green 값의 반등 또는 유지가 나타났다. 특히 중간 또는 늦은 파종 시기의 처리에서는 green 밴드 값의 유지력이 높아, 상대적으로 활력이 오래 지속된 것으로 추정된다.
Blue 밴드는 red나 green에 비해 시계열 변동성이 다소 높게 나타났으며, 생육 초기에는 반사값이 높았다가 8월 말~9월 중순 사이에 감소하는 경향을 보였다. 이는 생육 활성이 높은 시기에 엽록소에 의해 blue 파장이 강하게 흡수되기 때문으로 판단되며, 이후 노화가 진행됨에 따라 반사값이 다시 증가하는 패턴이 일부 시기에서 확인되었다. 특히 blue 밴드에서는 파종 시기 간 차이가 red 및 green보다 더 뚜렷하게 나타나지는 않았지만, 파종 시기가 빠를수록 감소 및 재상승 시점이 다소 앞당겨지는 양상을 보였다.
종합적으로, 동일 품종 내에서의 파종 시기 차이는 생육 기간 동안 식물체의 색채 반사 특성에 유의한 영향을 미쳤으며, 특히 red 밴드는 식물의 성숙도와 관련된 반응을 가장 민감하게 반영하는 밴드로 확인되었다. green 밴드는 생육 지속성과 활력의 지표로서 의미가 있으며, blue 밴드는 초기 활력과 엽록소 밀도의 변화를 파악하는 데 보조적으로 활용될 수 있다. 이러한 시계열 기반의 분석은 파종 시기에 따른 생육 반응 특성 차이를 정량적으로 파악하고, 적정 파종 시기 결정을 위한 영상 기반 진단 시스템 개발에 기초 자료로 활용될 수 있을 것으로 판단된다.
4. 시계열 UAV 영상 기반 딥러닝 분할 결과 시각적 분석
Fig. 10은 콩 생육 기간 동안 콩 품종 분류를 위해 적용한 의미론적 분할 결과를 시각적으로 비교한 것이다. 각 행 (a–i)은 드론 촬영 시점을 나타내며, 시기별로 촬영된 영상에 대해 실제 정보 (ground truth) 및 Attention Unet, DeepLabv3+ (ResNet50 및 ResNet101 backbone)의 분할 결과가 제시되었다. 각 처리구는 대원, 선풍, 풍산, 아람을 색상 차이로 구분할 수 있도록 표시하였으며, 배경 영역은 검은색으로 표현하였다.
Fig. 10
Visual comparison of soybean cultivar segmentation in open-field UAV RGB Imagery: (a) July 20, 2023; (b) August 04, 2023; (c) August 17, 2023; (d) August 25, 2023; (e) September 08, 2023; (f) September 22, 2023; (g) September 27, 2023; (h) October 06, 2023; (i) October 10, 2023
초기 생육기 시점 (a–c)은 처리구 간 생육 차이가 상대적으로 작고, 작물의 피복률이 낮은 시기이므로 처리 구분이 어려운 경향이 나타났다. Attention Unet의 경우 해당 시기에서 전반적으로 과소 분할이 관찰되었으며, 특히 SP와 PS, AR 간 경계가 명확히 인식되지 못해 혼합 예측이 다수 발생하였다. 반면 DeepLabv3+ 모델은 초기 시점에서도 일정 수준의 경계 인식을 보였으며, 특히 ResNet101 기반 모델은 PS 및 AR 품종 간의 구분 정확도가 향상된 모습을 보였다.
중기 생육기 (d–f)에서는 식생 피복률이 증가하고 처리 간 생육 특성이 뚜렷해지면서 모델 간 성능 차이가 더욱 두드러졌다. Attention Unet은 여전히 일부 처리 간 혼동을 보였으나, DeepLabv3+는 정확한 경계 식별과 면적 분할 성능을 보였으며, ResNet101 기반 모델은 실제 처리 경계와 매우 유사한 형태를 재현하였다. 특히 (e), (f) 시점에서는 각 처리구별 식생 패턴이 명확히 반영되어 모델의 일반화 성능이 확인되었다.
생육 후기 (g–i)에서는 식물체가 성숙 단계에 접어들면서 처리 간 생리적 차이가 극대화되어, 분할 모델의 성능이 전체적으로 향상되었다. Attention Unet도 일정 수준 이상의 구분 성능을 보였으나, 여전히 경계 혼동이나 과소 분할이 일부 존재하였다. 반면 DeepLabv3+ 모델은 두 backbone 구조 모두에서 처리구를 안정적으로 분할하였으며, ResNet101 기반 모델은 전 시점 중 가장 정확한 분할 결과를 나타냈다. 특히 (i) 시점에서는 실제 정보와 거의 동일한 경계 구조를 재현함으로써 모델의 높은 정밀도를 입증하였다.
전반적으로, 촬영 시점에 따라 의미론적 분할 정확도는 유의하게 달라졌으며, 생육 후기일수록 처리구 간 분광적 특성 차이가 뚜렷해짐에 따라 모델 성능이 향상되었다. 특히 DeepLabv3+의 ResNet101 backbone은 모든 시점에서 가장 안정적이고 정밀한 분할 결과를 제공하였으며, 이는 생육 전 기간 동안 드론 영상 기반 처리 판별 및 생육 모니터링을 위한 실질적 응용 가능성을 보여준다.
5. 딥러닝 모델을 활용한 UAV 기반 콩 품종 분류 성능 비교 분석
Fig. 11은 품종별로 딥러닝 모델이 도출한 F1-score 결과를 box plot 형태로 시각화한 것이며, Table 3은 품종별 딥러닝 모델의 결과, Table 4는 딥러닝 모델의 전체 결과를 나타낸다. 여기서 box plot 결과는 단순한 평균 성능 비교를 넘어, 각 품종 내에서의 성능 변동성과 모델의 일관성까지 함께 분석할 수 있도록 구성하였다.
Table 3
Results of deep learning models performance by cultivars using confusion matrix
Table 4
Result of deep learning models performance using confusion matrix
| Deep learning algorithm | Evaluate | |||
| Accuracy | Precision | Recall | F1-score | |
| Attention Unet | 0.94 | 0.90 | 0.90 | 0.90 |
| DeepLabv3+ (Resnet 50) | 0.98 | 0.96 | 0.97 | 0.96 |
| DeepLabv3+ (Resnet 101) | 0.98 | 0.97 | 0.97 | 0.97 |
Fig. 11
Box plot visualization of comparative performance metrics across multiple deep learning architectures: (a) July 20; (b) August 04; (c) August 17, 2023; (d) August 25, 2023; (e) September 08, 2023; (f) September 22, 2023; (g) September 27, 2023; (h) October 06, 2023; (i) October 10, 2023
대원 품종의 경우, Attention Unet은 평균 F1-score는 0.87로 양호한 수준을 기록했으나, box plot에서 확인되듯 분산이 매우 크고 다수의 outlier가 존재했다. 이는 일부 샘플에서 극단적으로 낮은 성능을 보인 것으로, 모델의 일관성 부족을 나타낸다. 반면 DeepLabv3+ 모델은 ResNet-50과 ResNet-101을 backbone으로 사용할 경우 평균 F1-score가 모두 0.96으로 높고, 분산도 작아 전반적으로 안정적인 예측 성능을 나타냈다. 선풍 품종에서는 Attention Unet과 DeepLabv3+ 모델 모두 비교적 안정적인 F1-score 분포를 보였다. Attention Unet의 평균 성능은 0.91로 무난하였고, 다소 분산은 크지만 극값은 적게 나타났다. DeepLabv3+ 모델은 두 backbone본 모두 0.96의 평균 F1-score를 기록하며 우수한 성능을 보였다. 특히 ResNet-101 backbone에서는 중앙값이 가장 높고, 박스의 높이가 작아 변동성이 매우 낮은 것으로 확인되었다. 풍산 품종에서는 Attention Unet의 F1-score가 가장 낮고 분산도 큰 것으로 나타나, 해당 모델의 품종 식별 성능이 불안정함을 보였다. 반면 DeepLabv3+ 모델들은 높은 Precision과 1에 근접한 Recall을 바탕으로 매우 우수한 성능을 기록하였으며, 분포의 안정성도 확보되었다. 이는 풍산 품종에서 DeepLabv3+ 구조가 효과적으로 패턴을 학습하고 있다는 것을 의미한다. 아람 품종에서는 모든 모델이 높은 F1-score를 기록하였지만, Attention Unet은 Precision이 다소 낮고 분산이 크게 나타났다. 반면 DeepLabv3+ (특히 ResNet-101) 모델은 Precision과 Recall 모두 우수한 성능을 보이며, 매우 안정적인 예측 분포를 나타냈다. 이는 아람 품종의 명확한 시각적 특성과 DeepLabv3+ 구조의 높은 적합성에 기인한다. Table 4의 전체 모델 성능 비교에서도 이와 유사한 경향이 나타났다. Attention Unet은 전체적으로 0.94의 정확도와 0.90의 F1-score로 양호한 성능을 보였으나, DeepLabv3+는 ResNet-50, 101 모두에서 0.98의 정확도와 0.96~0.97의 F1-score를 기록하며 전반적으로 우수한 성능을 입증하였다. 종합적으로, Attention Unet은 평균 F1-score는 준수하지만 품종별로 성능 분산이 크게 나타나는 경향이 있었고, DeepLabv3+는 특히 ResNet-101 backbone 적용 시 모든 지표에서 가장 뛰어난 평균 성능과 낮은 분산을 기록하였다. 이러한 결과는 딥러닝 기반 품종 분류에 있어 단순 모델 구조뿐만 아니라, 품종 특성에 따른 영상 데이터의 분포적 차이를 함께 고려해야 함을 보여준다.
Ⅳ. 결 론
본 연구는 대한민국 노지 환경에서 주요 콩 품종을 대상으로, UAV 기반 RGB 영상 데이터를 활용하여 품종 분류 가능성을 평가하고, 딥러닝 모델의 적용성과 성능을 분석하였다. 생육 시기별로 수집된 고해상도 RGB 영상을 통해 품종 간 및 파종 시기별 생육 특성을 정량적으로 분석하였으며, 이를 바탕으로 Attention Unet 및 DeepLabv3+ (ResNet-50, ResNet-101 backbone) 모델을 적용하여 품종 분류 실험을 수행하였다. 분석 결과, 생육 시기에 따른 RGB 픽셀 값 분포는 품종 간에 뚜렷한 차이를 나타내었으며, 특히 green 채널이 생육 단계별 변화를 반영하는 주요 지표로 기능함을 확인하였다. 이는 UAV 기반 RGB 영상이 생육 모니터링뿐만 아니라 품종 식별에도 효과적으로 활용될 수 있음을 나타냈다.
딥러닝 분류 실험에서는 Attention Unet과 DeepLabv3+ (ResNet-50, ResNet-101 backbone)를 비교 적용한 결과, 전체적으로 DeepLabv3+ 모델이 더 높은 평균 F1-score와 안정적인 분산을 보였다. Attention Unet은 일부 품종에서 상대적으로 높은 성능을 기록하였으나, 전체적으로 분산이 커 성능 일관성 측면에서는 다소 한계가 있었다. 특히 풍산 품종의 경우 생육 시기별로 다른 품종들과 유사한 반응이 교차적으로 관찰되었다. 7월~8월 초에는 AR과 유사한 감소 경향이 나타났고, 8월 중순~9월 초에는 SP와 유사한 완만한 증가세, 9월 하순 이후에는 DW와 유사한 반사도 상승이 나타났다. 이러한 유사성은 딥러닝 기반 분류 모델이 풍산 품종의 시계열 패턴을 학습하는 데 어려움을 초래하였으며, 다른 품종과의 오분류 가능성을 높인 것으로 해석된다. 반면, 아람 품종은 모든 모델에서 높은 평균 성능과 작은 분산을 기록하여, 품종 특성이 명확할 경우 드론 영상 기반 딥러닝 분류의 적용 가능성이 높음을 보여주었다.
본 연구를 통해 UAV 기반 RGB 영상과 딥러닝 모델을 활용한 품종 분류가 일정 수준 이상의 정밀도로 가능함을 확인할 수 있으며, 품종별 생육 특성과 데이터 분포 차이가 딥러닝 분류 성능에 중대한 영향을 미친다는 점을 최초로 실증하였다. 이러한 결과는 향후 UAV-AI 융합 기반의 노지 작물 생육 모니터링, 품종 식별, 재배 관리 자동화 시스템 구축에 있어 기초 자료로 활용될 수 있다. 그러나 본 연구는 RGB 영상만을 활용하였기 때문에, 품종 간 생리적 차이가 미세한 경우 분류 정확도에 한계가 존재하였으며, 4개의 품종이 아닌 다양한 품종과 본 연구 대상지인 경상남도 이외에 다양한 대상지에 대한 추가적인 연구가 필요하다. 향후 연구에서는 다중분광 (multispectral) 영상 또는 초분광 (hyperspectral) 영상 등 추가적인 센서 데이터를 통합하거나, 시계열 딥러닝 모델 (RNN, Transformer 등)을 적용하여 생육 변화 패턴까지 함께 학습하는 방법이 제안될 수 있다. 또한, 다양한 품종과 지역, 생육 환경을 고려한 대규모 데이터셋 구축을 통해 모델의 일반화 성능을 검증하고, 실질적인 농업 현장 적용 가능성을 높이는 추가 연구가 필요할 것으로 판단된다.
