불균일한 조명, 잎이나 가지의 가림, 그리고 과일 간의 중첩은 자연 환경에서 자동 수확 로봇이 토마토를 탐지하는 정확성에 유의미한 영향을 준다. 본 연구에서는 이러한 실무적 과제를 해결하기 위한 고성능·고정확도의 토마토 탐지 알고리즘인 SBCS-YOLOv5s를 제안한다. SBCS-YOLOv5s는 YOLOv5s에 SE, BiFPN, CARAFE 및 Soft-NMS 모듈을 통합하여 모델의 특징 표현 능력을 향상시킨다. 먼저, SE attention 모듈과 C3 모듈을 결합하여 C3SE 모듈을 구성하고, YOLOv5s 백본 아키텍처 내의 기존 C3 모듈을 C3SE 모듈로 교체하였다. SE attention 모듈은 채널 방향의 관계를 모델링하고 특징 맵의 적응적 재보정(adaptive re-calibration)을 수행하여 중요한 정보를 포착하며, 이는 모델의 특징 추출 성능 향상에 도움을 준다. 또한 SE 모듈의 특징 적응적 재보정 능력은 환경 조건 변화에 대한 모델의 강건성을 높일 수 있다. 다음으로, 기존 PANet 다중 스케일 특징 융합 네트워크를 효율적인 가중(weighted) 양방향 특징 피라미드 네트워크인 Bi-directional Feature Pyramid Network (BiFPN)으로 대체하였다. 이러한 적용은 고수준 및 저수준 특징의 포괄적 융합을 위해 유용한 가중치를 모델이 결정하는 데 도움을 준다. 셋째, 넥(neck) 네트워크에서 일반적인 업샘플링 연산자를 Content Aware Reassembly of Features (CARAFE)로 교체하였다. 이를 통해 더 많은 의미 정보를 포함하는 향상된 특징 맵을 생성할 수 있다. 아울러 CARAFE의 공간적 세부 사항을 강화하는 능력은 특히 과일이 매우 겹쳐 있는 토마토의 경우 서로 인접한 과일들을 더 잘 구분하게 하여, 병합 탐지 횟수를 잠재적으로 감소시킬 수 있다. 마지막으로, 가려지고 중첩된 과일의 식별을 보다 정확히 수행하기 위해 기존 Non-Maximum-Suppression (NMS) 알고리즘을 Soft-NMS 알고리즘으로 대체하였다. Soft-NMS는 연속적인 가중치 부여 방식을 채택하므로, 다양한 객체 크기에 더 잘 적응하여 영상 내에서 작은 과일 또는 큰 과일을 처리하는 능력을 향상시킨다. 주목할 점은, 이를 수행함에 있어 계산 복잡도(computational complexity)의 변화는 도입되지 않았다는 것이다. 실험 결과, SBCS-YOLOv5s는 평균 정밀도(mean average precision, mAP (0.5:0.95)) 87.7%를 달성하였으며, 이는 원래의 YOLOv5s 모델 대비 3.5% 우수한 성능이다. 또한 SBCS-YOLOv5s는 이미지당 2.6 ms의 탐지 속도를 보였다. 다른 최신 탐지 알고리즘들과 비교하여 SBCS-YOLOv5s는 가장 우수한 성능을 나타내었고, 자연 환경에서의 토마토 탐지에 큰 잠재력을 보여주었다.

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