미소곤충은 크기가 매우 작아 일반 객체 탐지 모델로는 정확한 탐지가 어렵다. 이를 해결하기 위해 SAHI(Slicing Aided Hyper Inference) 기법을 적용하여, 고해상도 트랩 카메라 이미지를 소형 슬라이스 단위로 분할·추론한 후 결과를 통합하는 방식으로 탐지 정확도를 향상시킨다.
재학습을 위한 고품질 학습 데이터 확보를 위해 반자동 어노테이션 기술을 제공한다. 전문 라벨링 인력의 부담을 최소화하면서도, 미소곤충 데이터셋의 정확한 바운딩 박스 어노테이션을 신속하게 구축할 수 있는 도구를 지원한다. 이를 통해 새로운 현장 환경의 데이터를 효율적으로 수집·가공하여 재학습 파이프라인에 즉시 투입할 수 있다.
ㅇ 미소 해충의 육안·기계적 탐지 한계 극복 필요성
ㅇ 해외 유입 해충 급증에 따른 AI 기반 신속 대응 체계 필요
ㅇ 수작업 어노테이션 의존 구조의 지속 불가능성
ㅇ 농업 생산성 보호 및 식량안보 강화
ㅇ 지속가능한 AI 개발 프로세스 부재에 따른 현장 적용 한계
ㅇ 스마트 트랩 현장 이미지로부터 미소 해충 탐지 AI 모델 제공
ㅇ 이미지 타일링을 통한 미소곤충 특징 추출 기능
ㅇ 자동 어노테이션으로 학습 데이터 구축 비용 절감 기능
ㅇ 미소 곤충 도메인에 파인튜닝하여 전체 어노테이션 작업의 60% 이상을 자동 처리함으로써, 전문가 수작업 의존도를 낮추고 새로운 해충 클래스에 대한 학습 데이터를 빠르게 구축 가능해지게 함
ㅇ 미소곤충 객체 인식을 위한 환경기반 미세조정 및 재학습 기술
- 미소곤충 객체 인식을 위한 환경기반 미세조정 및 재학습 기술 요구사항정의서
- 미소곤충 객체 인식을 위한 환경기반 미세조정 및 재학습 기술 시험절차 및 결과서
- 미소곤충 객체 인식을 위한 환경기반 미세조정 및 재학습 기술 프로그램
1. 기술·산업적 기대효과
ㅇ 미소곤충/소형해충 탐지 기술 고도화
- 이미지 타일링(SAHI) 적용으로 체장 0.4~5mm 극소형 해충에 대한 탐지 정확도(mAP) 20~30%p 향상 기술 확보
ㅇ 자동 어노테이션 및 데이터 구축 기술 혁신
- 자동 어노테이션 기술로 수작업 대비 어노테이션 비용 60% 이상 절감 및 구축 속도 5배 향상
- 능동 학습(Active Learning) 연동으로 최소한의 전문가 검수로 최대의 모델 성능 향상을 달성하는 효율적 데이터 파이프라인 기술 확립
ㅇ 스마트 트랩 및 IoT 연계 기술 표준화
- 고배율 접사 렌즈 탑재 스마트 트랩과 AI 탐지 모델 간의 표준 데이터 인터페이스(COCO 포맷) 및 MLOps 연동 체계 구축 가능
- 재현 가능한 AI 개발 인프라 표준 프로세스 제시