딥러닝 기반 경량 모델을 활용한 씨앗 발아 예측성능 향상

Performance Improvement in Seed Germination Prediction Using Lightweight Deep Learning Approaches

최근 딥러닝 기술의 발전은 농업 분야에서도 정밀한 품질 평가를 가능하게 하였으며, 특히 종자의 발아 가능성 예측은 작물 생산성과 직결되는 중요한 과제로 부각되고 있다. 기존의 종자 품질 평가는 주로 육안 관찰이나 실험실 기반 방법에 의존하고 있어 시간과 비용이 과도하게 소요되는 한계가 있다. 종자의 발아 가능성을 보다 효율적으로 예측하기 위해, MobileNet_v2의 경량성과 ResNet50의 학습 안정성을 결합한 새로운 합성곱 신경망 모델인 ResMobileNet을 제안한다. 다양한 CNN 모델(AlexNet, VGG19, GoogLeNet, MobileNet_v2, ResNet50)과의 성능 비교 실험을 통해, 제안한 ResMobileNet은 정확도, 연산량, 파라미터 수, 추론 속도 등의 측면에서 균형 잡힌 우수한 성능을 나타냈다. 특히, 연산 효율성과 정확도 면에서 기존 모델을 능가하는 결과를 보여, 농업 분야의 실시간 품질예측 시스템에 효과적으로 적용될 수 있음을 확인하였다.

Recent advancements in deep learning have facilitated precise quality evaluation in the agricultural sector. In particular, predicting seed germination potential has emerged as a crucial task closely linked to crop productivity. Conventional methods for assessing seed quality typically rely on visual inspection or laboratory-based analysis, which are often time-consuming and costly. To enable more efficient prediction of seed germination, this study proposes a novel convolutional neural network model, ResMobileNet, which integrates the lightweight structure of MobileNet_v2 with the training stability of ResNet50. Through comparative experiments with various CNN models (AlexNet, VGG19, GoogLeNet, MobileNet_v2, and ResNet50), the proposed ResMobileNet demonstrated well-balanced and superior performance in terms of accuracy, computational complexity, number of parameters, and inference speed. Notably, it outperformed existing models in both computational efficiency and predictive accuracy, highlighting its effectiveness for real-time quality prediction systems in agricultural applications.