꽃봉오리 식별을 정밀화함으로써 근대화된 자율형 비전 기반 목화(okra) 거세(emasculation) 시스템은 전통적인 수작업 방식의 노동 집약적이고 오류가 발생하기 쉬운 한계를 개선된 정확도와 효율성으로 극복하여 농업을 향상시킨다. 본 연구는 거세 과정에 도움을 주기 위한 적응형 자동 꽃봉오리 식별 방법의 프레임워크를 제시하며, 그 방법은 하이브리드 광학 일관성 단층촬영(optical coherence tomography, OCT)이다. 꽃봉오리 식별을 위해 정확도, 검출 속도, 프레임 레이트 측면에서 3가지 YOLOv8 변형 모델을 평가하여 가장 효율적인 모델을 도출하였다. 또한 결과의 타당성을 강화하기 위해 YOLO를 OCT와 하이브리드화하여 비침습적(Non-invasive) 하부(서브-서피스) 검증과 꽃봉오리의 꽃받침(sepal) 및 꽃잎(petal) 층의 거세 깊이에 대한 정밀 정량화를 가능하게 하였다. 견고한 벤치마크를 구축하기 위해, 표준 색상 히스토그램(gold standard color histograms)과 최적 조명 조건에서 신뢰도 점수(confidence scoring)를 적용한 디지털 이미징 기반 방법도 함께 활용하였다. 그 결과, 제안된 방법은 이러한 기존 프레임워크를 유의하게 능가하였으며, 거세 동안 더 높은 정확도와 층(layer) 구분 성능을 제공하였다. 따라서 꽃봉오리 식별 및 거세를 위한 개발된 YOLOv8 하이브리드 OCT 방법은 작물 육종(crop breeding) 실무의 정밀성과 효율성을 모두 크게 향상시키는 강력한 도구를 제공한다. 본 프레임워크는 전통적 작물 육종 워크플로를 현대화하고 최적화할 수 있는 확장 가능한 인공지능(artificial intelligence, AI) 기반 전략의 구현을 위한 기반을 마련한다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.