AI-Hub

데이터 변경이력

데이터 히스토리

소개

• AI 기반의 신속·정확한 실시간 조기 작물 생육 진단시스템을 도입하여 효율적인 작물재배를 지원하고, 농작물의 품질관리 및 생산력 향상을 도모와 재배환경에 따른 시설 작물의 생육 및 생산량 변화 예측이 가능한 빅데이터 기반 농업 생산성 향상을 위한 플랫폼 개발에 사용될 수 있는 AI학습용 데이터의 구축
• 토마토, 파프리카 작물별 이미지 데이터 각 20만건(총 40만건), 온실환경 시계열 데이터 각 20만건(총 40만건) 및 RFP요구사항 외 시계열 가공 데이터 각 2만건(총 4만건)을 수집, 총 84만건의 AI학습용 데이터 수집 및 구축

구축목적

• AI 기반의 신속·정확한 실시간 조기 작물 생육 진단시스템을 도입하여 효율적인 작물재배를 지원하고, 농작물의 품질관리 및 생산력 향상을 도모와 재배환경에 따른 시설 작물의 생육 및 생산량 변화 예측이 가능한 빅데이터 기반 농업 생산성 향상을 위한 플랫폼 개발에 사용될 수 있는 AI학습용 데이터의 구축

1. 구축 데이터 규모

2. 구축 데이터 분포

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

1. 모델 학습

• 이미지 바운딩박스 객체 인식 : 객체 탐지 알고리즘 중에서 YOLO 계열의 YOLOv5 를 사용하여 학습 모델 설계
  • AI 학습 중에서 image classification 은 주어진 이미지를 학습한 Class들 중 하나로 분류하는 학습으로 이미지에 하나의 객체가 있을 때 이 객체가 학습한 Class 중 어떠한 Class에 속하는지를 분류하기 위함
  • 딥러닝 기반 방식은 Feature Extractor와 Classifier가 분리되어 있는 기존 전통적인 머신 러닝 방법과는 달리 Feature Extractor, 즉 이미지의 특징(feature)을 뽑아내는 것과 Feature들을 통해 어떠한 class에 속하는지 분류하는 Classifier(분류기)를 학습하는 것이 통합되어 있어 한꺼번에(end-to-end) 학습이 가능
  • 이미지 내 특정 영역을 Detection한 후, cropping하여 그 부분이 어떠한 클래스에 속하는지 판단하는 용도로 생육 측정에 활용될 수 있음. 즉, Multi-Class Object Detection을 할 때 학습할 데이터가 부족한 경우, Multi-Class Object Detection Network
    대신, One Class Object Detection + Classification의 2-Stage Approach로 활용
• 이미지 폴리곤 세그먼트 탐지: 물체의 사각형 위치만을 찾는 객체 탐지에 추가로 물의 경계를 마스크(mask) 또는 세그먼트(segment) 형태로 찾아내는 학습.

• 동일 클래스의 여러 객체가 있을 경우에 모든 객체를 하나의 라벨로 동일하게 처리하는 semantic segmenation 과 각각을 다른 라벨로 구분하는 instance segmentation이 있으며, 일반적으로 instance segmentation을 구현 모델로 제시됨.
• 전통적인 AI 학습으로는 학습이 어렵기 때문에 딥러닝 방식의 학습모델이 필요하며 대표적인 딥러닝 학습 모델은 객체탐지 학습모델인 R-CNN에서 발전한 Mask R-CNN 과 또 다른 객체탐지 학습모델인 YOLO에서 발전한 YOLACT이 있음.
• 본 과제에서 폴리곤 세그먼트 탐지는 YOLACT을 기반으로 구현함.
• Mask R-CNN은 localization을 수행하는 단계(stage)와 segmentation을 수행하는 단계가 분리되어 있는 것에 대하여 YOLACT은 localization 과 segmentation을 프로토타입 마스크 생성과 인스턴스 별 마스크 coefficient 예측을 병렬 작업으로 나누어서 해결하는 방식으로 단일 stage 로 처리함.

• IoU ≧ 0.5 으로 그린 Precision-Recall Curve 아래 면적 AP를 11보간법으로 계산한 클래스 평균값
  
  

• 환경 시계열 데이터 예측 학습모델: 시계열 예측에 효율적인 RNN 계열의 LSTM 딥러닝 학습모델로 설계 및 구현.

  • 시간정보라는 추가정보에도 시계열 데이터는 자기상관 문제로 예측 차이 발생 가능하며, 예측과 실제가 학습과정에서와 달리 현실에서는 차이가 더 커질 가능성에 대응 필요.
  • AI 시계열 데이터 분석의 기본 회귀방법은 OLS(Ordinary Least Square)로 예측한 값과 실제 값의 오차를 제곱하여 합계를 낸 값이 최소가 되도록 보정하는 가중치 벡터를 구하는 방법을 사용하나 시계열 데이터에서 오차는 서로 상관관계가 있을 가능성이 있으며 바로 인접한 시계열이 아니라 먼 과거에서부터 축적된 영향도 포함됨.
  • 현재 상태 값이 이전 상태 값에 너무 밀접하게 연관이 있고, 미래 상태 값에도 영향을 크게 준다면 회귀분석 방식으로 시계열 데이터를 계산하는 것보다 더 증가/감소된 값이 발생함.
  • 시계열 데이터가 이런 특징을 가지는 자기상관(autocorrelation) 영향으로 회귀분석과 틀어지는 자기회귀(autoregression)를 최소화 또는 제거하는 체계를 구성함.
  • 딥러닝 방식 예측모형 AI 방식으로 단방향인 타 신경망과는 달리 입력과 출력을 연결하여 이전 출력이 새로운 입력이 되도록 순환적인 구조를 갖는 순환신경망(Recurrent neureal network, RNN)을 활용하여 시계열 순차적인 데이터 분석에 대응함.
  • 
    
    [RNN을 기반으로 한 LSTM 모델 구조]

2. 서비스 활용 시나리오

데이터 성능 점수

설명서 및 활용가이드 다운로드

구축데이터 정의 

1. 데이터 포맷 정의

2. 구축 데이터 명세

3. 특성 분류 정의

4. 라벨링 및 어노테이션 구조 정의

• 데이터 라벨링/ 어노테이션 방법

  데이터 라벨링/ 어노테이션 방법

  항목명	타입	필수여부	설명
  version	String	Y	버전
  flags	Dict	N	label의 상위 클래스
  shapes	Object	N	어노테이션 정보
  shapes[].label	String	Y	라벨 이름
  shapes[].points[]	Number	Y	좌표 정보
  shapes[].group_id	Number	Y	그룹 아이디
  shapes[].shape_type	String	Y	어노테이션 타입
  shapes[].flags	Dict	N	label의 상위 클래스
  imagePath	String	Y	이미지 이름
  imageData	String	N	이미지 해시 값
  imageHeight	Number	Y	이미지 세로 길이
  imageWidth	Number	Y	이미지 가로 길이

5. 어노테이션 포맷

6. 샘플 데이터

6. 샘플 데이터

샘플데이터
원본	어노테이션 화면	json 파일

데이터셋 구축 담당자

수행기관(주관) : 원투씨엠 주식회사

수행기관(참여)