현재 목화 재배 산업과 관련된 문제, 즉 수량 추정, 해충 영향, 생육 단계 진단은 통합적이며 확장 가능한 모니터링 솔루션을 필요로 한다. 본 원고는 UAV 영상을 기반으로 한 변환기(transformer) 구동 멀티태스크 프레임워크인 Cotton Multitask Learning(CMTL)을 제시하며, 이를 통해 한 번에 세 가지 주요 농학 과제를 동시에 수행하도록 한다: 꼬투리(boll) 검출, 해충 피해 영역 분할, 그리고 생물계절학적(phenological) 단계 분류. CMTL은 별도의 파이프라인을 변경하는 것이 아니라, Cross-Level Multi-Granular Encoder(CLMGE)와 Multitask Self-Distilled Attention Fusion(MSDAF) 모듈을 통해 이들 목표를 결합하여 과제 간 상호 학습을 가능하게 하면서도 각 과제의 고유한 특징은 유지한다. 생물학적 지침에 기반한 Stage Consistency Loss는 네트워크의 일부로서, 실제로 발생하는 생육 단계 전이를 시스템이 수행할 수 있게 해준다. 우리는 CMTL을 삼중 출처의 UAV 데이터셋에서 실행했으며, 이는 공개 및 비공개 컬렉션에서 통합된 2,100장 이상의 라벨링된 이미지를 포함하고, 다양한 작물 단계와 조건을 대표한다. 모델은 모든 과제에서 최신(state-of-the-art) 기준 대비 우수성을 보였는데, 꼬투리 검출에서 mAP 0.913, 해충 분할에서 IoU 0.832, 생육 단계 분류에서 정확도 0.936을 달성했다. 또한 NVIDIA Jetson Xavier NX(중국 상하이에서 제조)와 같은 엣지 장치에서도 가장 빠른 성능 속도를 보여 배치에 이상적이다. 이러한 결과는 정밀 목화 농업에서 항공 작물 지능을 위한 단일하고 생산적인 도구로서 CMTL의 잠재력을 시사한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.