AI 드론이 세계 인류 '식량 보장'의 미래인 이유 !
Drone Life 2025.3.18
식물 병해로 인한 세계 식량 보장의 어려움을, AI 드론과 첨단 머신 러닝이 조기 탐지하여 해결하고 있다.
AI와 드론이, 식물 질병 탐지 및 글로벌 식량 보장의 미래인 이유
안정적이고 지속 가능한 식량 공급은 21세기의 가장 시급한 과제 중 하나로, 식물 질병 탐지의 혁신으로 이를 해결 가능하다.
세계 인구는 2100년까지 103억 명에 이를 것으로 예상되나, 식량 안보는 여전히 식물 병해로 계속 위협받고 있다. 이는 심각한 작물 손실과 공급망의 혼란을 야기시킨다.
식량농업기구에 따르면 매년 전 세계 농작물 생산량의 최대 40%가 식물 해충과 질병으로 인해 손실되며, 이로 인해 세계 경제는 약 2,200억 달러(한화 약 319조억원)의 손실을 입는다.
UAE(아랍에미리트)와 같이 식량 수입에 크게 의존하는 국가는 식물 병해로 인한 공급망 중단에 특히 위험하다. 식량 안보를 보장하기 위해서는 미리 탐지 방법을 발전시키는 것이 매우 중요하다.
기존 방법의 단점은?
전통적인 식물 질병 검출 방법은 통상 경험 많은 농부와 농업 전문가의 육안 검사, 건강한 식물과 감염된 식물의 빛 반사율을 비교하는 분석, 그리고 식물 조직 내에서 병원체 DNA를 증폭하고 정량화할 수 있는 분자적 방법에 의존한다.
이러한 방법들은 효과적일 수 있지만, 종종 비효율적이고 비용이 많이 들고 노동 집약적이다.
탐지 방법에 대해 접근성, 정확성, 확장성이 높아져야 한다.
기술 혁신 연구소의 자율 로봇 연구 센터와 아부다비 샤르자 대학교의 최근 연구는 AI 기반 방법이 탐지를 개선할 수 있음을 강조한다.
이 연구는 식물 질병 탐지 및 분류를 위한 머신러닝 발전에 관한 종합적인 검토를 통해 머신러닝, 특히 딥러닝을 활용한 이미지 기반 분석을 한다.
더욱 효율적인 모델
머신러닝 모델은 잎, 과일 또는 줄기 이미지를 분석하여 색상, 질감, 모양과 같은 특성을 기반으로 질병을 발견할 수 있다. 가장 널리 사용되는 기술 중 하나인 합성곱 신경망(CNN)은 시각적 특징을 높은 정확도로 추출하여 게산된 질병 분류를 한다.
일부 모델은 랜덤 포레스트와 오리엔티드 그래디언트 히스토그램(HOG)과 같은 다양한 기법을 결합하여 정밀도를 더욱 향상시킨다. 그러나 CNN은 광범위한 데이터 세트가 필요하므로, 제한된 라벨링 데이터의 농업 적용에 어려움이 있다.
그러나 발전을 거듭한 결과, 비전 트랜스포머(ViT)와 같은 최신 기술이 등장하여 원래 자연어 처리를 위해 설계된 ViT는 이미지에 셀프 어텐션 메커니즘을 적용하여 전체 이미지를 패치 시퀀스로 처리할 수 있다. 로컬 이미지 특징에 초점을 맞춘 CNN과 달리, ViT는 전체 이미지에 걸친 글로벌 단서를 캡처 가능하다.
ViT는 여러 가지 장점이 있다. ViT는 매우 정확하고 방대한 데이터셋을 분석할 수 있으며, 기존 딥러닝 모델과 달리 의사 결정 과정이 더 투명하다.
CNN과 ViT를 결합한 하이브리드 모델도 성능과 정확도를 크게 향상시킬 수 있는 것으로 나타났다. 예를 들어, CropViT는 식물 질병 분류에서 98.64%의 놀라운 정확도를 달성할 수 있는 경량 변압기 모델이다.
대규모 모니터링을 위해, AI 카메라가 장착된 드론은 실시간 질병 탐지를 한다. 드론은 고해상도 이미지를 캡처하고 머신러닝을 사용하여 분석함으로써 병해를 조기에 발견할 수 있어 수동 검사 의존도를 줄이고 시간을 단축할 수 있다.
연구에서 실제 적용까지
이러한 진전에도 불구하고 AI 기반 식물 질병 탐지를 널리 도입하는 데에는 몇 가지 과제가 있다.
많은 AI 모델은 실제 농업 조건을 완전히 반영하지 않는 제한된 데이터셋으로 학습된다.
통제된 실험실 환경과 달리, 실제 농업 환경에서는 다양한 조명 조건, 토양 품질, 날씨 패턴과 같은 예측할 수 없는 요인이 발생하여 AI 모델 정확도에 영향을 미칠 수 있다.
AI 모델을 더욱 개선하려면 다양한 식물 종, 질병 유형 및 환경 조건을 포함하는 다양한 데이터 세트에 대해 학습해야 하며, 다양한 지역, 작물 유형 및 농업 환경에서 안정적으로 수행될 수 있도록 최적화되어야 한다.
이렇게 완전히 실현하고, 글로벌 식량 안보에 기여하기 위해서는 연구자, 농업 기업, 정책 입안자를 포함한 모든 이해관계자가 협력하여 AI 훈련을 위한 표준화된 데이터셋을 개발하고, AI 모델을 개선하며, 확장가능한 솔루션을 통합해야 한다.
AI 기반 식물 질병 탐지는 실제 농업에 적용하여 인류 식량 생산의 밝은 미래를 보장할 수 있다.
[출처] 원문기사 바로가기
AI 드론이 세계 인류 '식량 보장'의 미래인 이유 !
Drone Life 2025.3.18
식물 병해로 인한 세계 식량 보장의 어려움을, AI 드론과 첨단 머신 러닝이 조기 탐지하여 해결하고 있다.
AI와 드론이, 식물 질병 탐지 및 글로벌 식량 보장의 미래인 이유
안정적이고 지속 가능한 식량 공급은 21세기의 가장 시급한 과제 중 하나로, 식물 질병 탐지의 혁신으로 이를 해결 가능하다.
세계 인구는 2100년까지 103억 명에 이를 것으로 예상되나, 식량 안보는 여전히 식물 병해로 계속 위협받고 있다. 이는 심각한 작물 손실과 공급망의 혼란을 야기시킨다.
식량농업기구에 따르면 매년 전 세계 농작물 생산량의 최대 40%가 식물 해충과 질병으로 인해 손실되며, 이로 인해 세계 경제는 약 2,200억 달러(한화 약 319조억원)의 손실을 입는다.
UAE(아랍에미리트)와 같이 식량 수입에 크게 의존하는 국가는 식물 병해로 인한 공급망 중단에 특히 위험하다. 식량 안보를 보장하기 위해서는 미리 탐지 방법을 발전시키는 것이 매우 중요하다.
기존 방법의 단점은?
전통적인 식물 질병 검출 방법은 통상 경험 많은 농부와 농업 전문가의 육안 검사, 건강한 식물과 감염된 식물의 빛 반사율을 비교하는 분석, 그리고 식물 조직 내에서 병원체 DNA를 증폭하고 정량화할 수 있는 분자적 방법에 의존한다.
이러한 방법들은 효과적일 수 있지만, 종종 비효율적이고 비용이 많이 들고 노동 집약적이다.
탐지 방법에 대해 접근성, 정확성, 확장성이 높아져야 한다.
기술 혁신 연구소의 자율 로봇 연구 센터와 아부다비 샤르자 대학교의 최근 연구는 AI 기반 방법이 탐지를 개선할 수 있음을 강조한다.
이 연구는 식물 질병 탐지 및 분류를 위한 머신러닝 발전에 관한 종합적인 검토를 통해 머신러닝, 특히 딥러닝을 활용한 이미지 기반 분석을 한다.
더욱 효율적인 모델
머신러닝 모델은 잎, 과일 또는 줄기 이미지를 분석하여 색상, 질감, 모양과 같은 특성을 기반으로 질병을 발견할 수 있다. 가장 널리 사용되는 기술 중 하나인 합성곱 신경망(CNN)은 시각적 특징을 높은 정확도로 추출하여 게산된 질병 분류를 한다.
일부 모델은 랜덤 포레스트와 오리엔티드 그래디언트 히스토그램(HOG)과 같은 다양한 기법을 결합하여 정밀도를 더욱 향상시킨다. 그러나 CNN은 광범위한 데이터 세트가 필요하므로, 제한된 라벨링 데이터의 농업 적용에 어려움이 있다.
그러나 발전을 거듭한 결과, 비전 트랜스포머(ViT)와 같은 최신 기술이 등장하여 원래 자연어 처리를 위해 설계된 ViT는 이미지에 셀프 어텐션 메커니즘을 적용하여 전체 이미지를 패치 시퀀스로 처리할 수 있다. 로컬 이미지 특징에 초점을 맞춘 CNN과 달리, ViT는 전체 이미지에 걸친 글로벌 단서를 캡처 가능하다.
ViT는 여러 가지 장점이 있다. ViT는 매우 정확하고 방대한 데이터셋을 분석할 수 있으며, 기존 딥러닝 모델과 달리 의사 결정 과정이 더 투명하다.
CNN과 ViT를 결합한 하이브리드 모델도 성능과 정확도를 크게 향상시킬 수 있는 것으로 나타났다. 예를 들어, CropViT는 식물 질병 분류에서 98.64%의 놀라운 정확도를 달성할 수 있는 경량 변압기 모델이다.
대규모 모니터링을 위해, AI 카메라가 장착된 드론은 실시간 질병 탐지를 한다. 드론은 고해상도 이미지를 캡처하고 머신러닝을 사용하여 분석함으로써 병해를 조기에 발견할 수 있어 수동 검사 의존도를 줄이고 시간을 단축할 수 있다.
연구에서 실제 적용까지
이러한 진전에도 불구하고 AI 기반 식물 질병 탐지를 널리 도입하는 데에는 몇 가지 과제가 있다.
많은 AI 모델은 실제 농업 조건을 완전히 반영하지 않는 제한된 데이터셋으로 학습된다.
통제된 실험실 환경과 달리, 실제 농업 환경에서는 다양한 조명 조건, 토양 품질, 날씨 패턴과 같은 예측할 수 없는 요인이 발생하여 AI 모델 정확도에 영향을 미칠 수 있다.
AI 모델을 더욱 개선하려면 다양한 식물 종, 질병 유형 및 환경 조건을 포함하는 다양한 데이터 세트에 대해 학습해야 하며, 다양한 지역, 작물 유형 및 농업 환경에서 안정적으로 수행될 수 있도록 최적화되어야 한다.
이렇게 완전히 실현하고, 글로벌 식량 안보에 기여하기 위해서는 연구자, 농업 기업, 정책 입안자를 포함한 모든 이해관계자가 협력하여 AI 훈련을 위한 표준화된 데이터셋을 개발하고, AI 모델을 개선하며, 확장가능한 솔루션을 통합해야 한다.
AI 기반 식물 질병 탐지는 실제 농업에 적용하여 인류 식량 생산의 밝은 미래를 보장할 수 있다.
[출처] 원문기사 바로가기