연구실 밖으로 나온 AI: 실제 농가 현장에서의 파이썬 병해충 탐지 시스템 구축과 데이터 불균형 극복기

 

연구실 밖으로 나온 AI: 실제 농가 현장에서의 파이썬 병해충 탐지 시스템 구축과 데이터 불균형 극복기

1. 들어가며: 왜 깨끗한 '식물 도감' 사진으로는 농사를 망칠까?

전 세계적으로 매년 병해충으로 인해 손실되는 식량 작물은 전체 생산량의 20~40%에 달합니다. 조기 발견만이 유일한 해결책이지만, 넓은 밭을 농부 혼자 매일 살피는 것은 불가능에 가깝습니다.

많은 개발자들이 이 문제를 해결하기 위해 Python과 딥러닝(CNN)을 공부합니다. 인터넷에는 'PlantVillage'와 같이 잘 정제된 데이터셋을 이용한 99% 정확도의 튜토리얼이 넘쳐납니다. 하지만 이런 '연구실 모델'을 실제 밭에 가져가면 무용지물이 된다는 사실을 알고 계신가요?

실제 농장은 조명이 일정하지 않고, 잎사귀에는 흙이나 물방울이 묻어 있으며, 벌레가 파먹은 흔적과 질병의 초기 증상이 혼재되어 있습니다. 이번 포스팅에서는 이러한 **'지저분한 현실 데이터(Real-world Data)'**를 다루며, 실제 농업 현장에서 작동 가능한 수준의 병해충 탐지 시스템을 구축한 경험을 공유합니다.

2. 데이터 수집의 현실: "흙 묻은 잎사귀를 찾아라"

가장 큰 난관은 양질의 데이터를 구하는 것이었습니다. 공개된 데이터셋은 배경이 너무 깨끗하거나 특정 질병에 편중되어 있었습니다. 저는 실제 환경과 유사한 데이터를 확보하기 위해 인근 주말 농장과 협력하여 직접 데이터를 수집했습니다.

• 대상 작물: 토마토 (초기 역병, 잎곰팡이병, 건강한 잎)
• 수집 환경의 다양성 확보:
  • 햇빛이 강한 정오 vs 구름 낀 오후 (조도 변화)
  • 비 온 직후의 물방울 맺힌 잎 vs 흙먼지가 묻은 잎 (노이즈 추가)
  • 카메라 각도 및 거리 다양화

아래 이미지는 이렇게 수집된 '날 것 그대로의' 현장 데이터 샘플입니다. 연구실 데이터와 달리 배경이 복잡하고 잎 상태가 고르지 않은 것을 볼 수 있습니다.

(▲ 그림 1. 실제 농장 환경에서 촬영된 토마토 잎의 초기 역병 증상. 조명이 불균일하고 배경이 복잡하다.)

3. 핵심 문제 해결: 데이터 불균형과 '현실적인' 증강 기법

현장에서 수집한 데이터의 가장 큰 문제는 **'클래스 불균형(Class Imbalance)'**이었습니다. 건강한 잎은 수천 장이지만, 질병 초기 단계의 잎은 수십 장에 불과했습니다. 이대로 학습하면 모델은 모든 잎을 '건강함'으로 판단해버립니다.

이를 해결하기 위해 단순한 회전(Rotation)이나 반전(Flip)을 넘어선, 농업 환경에 특화된 데이터 증강(Data Augmentation) 기법을 적용했습니다. Python의 Albumentations 라이브러리를 활용하여 다음과 같은 현실적인 노이즈를 추가했습니다.

1. RandomShadow & BrightnessContrast: 밭 이랑이나 주변 식물로 인한 그림자, 날씨 변화에 대응하기 위해 인위적인 그림자와 밝기 변화를 주었습니다.
2. CoarseDropout (Cutout): 잎에 벌레가 파먹은 구멍이나 흙이 묻어 질병 부위가 가려지는 상황을 시뮬레이션하기 위해 이미지 일부를 랜덤하게 제거했습니다.

아래 이미지는 원본 질병 이미지 하나가 다양한 증강 기법을 통해 어떻게 변형되어 학습 데이터로 사용되는지 보여줍니다.

(▲ 그림 2. 하나의 질병 이미지(좌측 상단)에 다양한 환경 변수(그림자, 밝기 변화, 노이즈)를 적용하여 데이터를 증강한 모습)

4. 모델 학습 및 최종 결과: 엣지 디바이스에서의 추론

학습 모델로는 적은 데이터로도 우수한 성능을 보이는 전이 학습(Transfer Learning) 모델인 EfficientNet-B0를 사용했습니다. 증강된 데이터를 통해 학습한 결과, 초기에는 실제 환경 테스트 정확도가 60%대에 머물렀으나, 최종적으로 88% 이상의 실용적인 정확도를 달성했습니다.

하지만 진정한 목표는 클라우드 서버가 아닌, 농부의 손안에서 작동하는 것입니다. 학습된 모델을 경량화(TFLite 변환)하여 안드로이드 스마트폰에 탑재했고, 밭에서 실시간으로 질병을 탐지하는 테스트를 진행했습니다.

아래는 실제 밭에서 스마트폰 카메라를 통해 실시간으로 병해충을 탐지하고 있는 최종 결과 화면입니다.

(▲ 그림 3. 실제 농장에서 스마트폰 앱을 통해 실시간으로 토마토 잎곰팡이병(Leaf Mold)을 탐지하는 모습)

5. 마치며: 스마트팜을 향한 작은 발걸음

이번 프로젝트를 통해 깨끗한 데이터셋으로는 배울 수 없는 현장의 변수들을 경험했습니다. 특히 농업 분야의 AI는 최신 모델을 쓰는 것보다 **'현장의 특성을 반영한 데이터 전처리'**가 훨씬 중요하다는 것을 깨달았습니다.

현재 이 시스템은 초기 단계의 질병을 놓치는 경우(미탐)가 종종 발생합니다. 향후에는 객체 탐지(YOLO) 모델을 도입하여 잎 전체가 아닌 질병 부위(Lesion)를 정확히 검출하고, 드론 영상에 적용하여 넓은 농지를 자동으로 모니터링하는 시스템으로 발전시켜 나갈 계획입니다.