외래잡초 분류 : 합성곱 신경망 기반 계층적 구조

Ⅰ. 서 론

잡초는 농작물에 막대한 피해를 주는 개체이다. 수십 년간 잡초를 억제할 수 있도록 엄청난 노력을 했음에도 불구하고, 여전히 농민들은 잡초에 의한 고질적인 피해를 입고 있다. 잡초는 경작지에서 아무데서나 아무 이유 없이 자라고, 농작물과 수분, 영양소, 일조량 등을 경쟁하며, 최종적으로는 생산량에 악영향을 미친다[1]. 수많은 연구 결과들이 농업 생산량 감소와 잡초 증가의 강력한 연관성을 증명하고 있다.[2].

잡초 제어를 위해서는 정확한 잡초 판별이 중요한데, 그 이유는 잡초의 종마다 사용하는 제초제의 성분과 관리하는 방법이 상이하기 때문이다. 이를 위해 잡초 판별 연구는 센서 기반 방법과 영상 판별 분야에서 두드러진 결과를 얻고 있으며 최근에는 딥러닝 기반의 기법이 크게 대두된다.

본 논문은 합리적인 파라미터수와 연산 시간을 줄이면서도 많은 수의 잡초의 종을 분류할 수 있는 딥러닝 모델 구조를 제안한다. 본 논문의 2장에서는 식물 및 잡초를 판별하는 과거의 연구들을 분석하고, 3장에서는 데이터셋과 데이터셋을 활용한 딥러닝 기반의 단일 모델 설명하고, 4장에서는 제안하는 딥러닝 기반의 새로운 구조를 설명하며, 5장에서는 제안하는 모델과 기존의 모델들에 대한 비교 실험 및 결과를 통해, 6장에서 결론을 짓는 것으로 구성된다.

Ⅱ. 관련 연구

잡초를 제어하기 위해서는 경작지에서 잡초를 정확히 판별하는 것이 중요하다. 잡초의 종마다 사용하는 제초제와 관리 방법이 다르기 때문이다. 판별하려는 대상, 기술, 방법에 따라 다양한 잡초 분류·동정법이 있다.

그 중 가장 고전적으로 사람의 눈과 손을 이용하여 잡초를 분류·동정하는 방법이 있지만[3], 수작업은 지루하고, 잡초에 해당하는 제초제를 사용하려고 할 때, 전문가가 아니면 정확한 동정이 어려우며, 범위가 넓어질수록 인건비가 증가하는 문제가 있다. 기술의 발전으로 센서 또는 영상 기반의 다양한 잡초 판별 방법이 연구되었다.

원격 센서를 이용하여 경작지의 잡초 밀집과 분포를 성공적으로 연구하였고[4], 경작지의 구획을 조밀하게 분석하여 잡초를 분류하는 연구도 진행되었다[5]. 하지만 센서를 이용한 잡초 판별 방법은 개별 잡초의 분류보다는 일정 범위 내의 밀집과 분포를 확인하는데 더 적합한 방법들이다.

영상을 이용한 방법으로는, 8개의 형태학적 특성과 컬러 특성을 하나의 특징 공간으로 만들어 퍼지 논리 기반의 멤버십 함수를 이용하여 정확도를 클래스에 따라 51%에서 95% 달성하였고[6], 10개의 식물 종에 대한 잎의 모양과 질감을 특징으로 제프리 발산법을 사용하여 85%의 정확도를 보였다[7]. 위와 같은 방법들은 식물 분류에 한정되어 있어 잡초 분류에 대한 정확한 결과를 얻을 수 없는 단점이 있다. 또한 활성 모양 모델을 적용하여 이미지로부터 잡초를 추출하고 k개의 신경망을 통해 분류하여 91.3%의 정확도를 보인 방법[8]과 순수 베이즈 이론과 가우시안 합성 모델 알고리즘을 이용하여 정확도 85%를 달성한 방법[9]이 있다. 딥러닝 기반의 영상 인식의 성능이 향상되면서, 합성곱 신경망을 이용하여 식물의 특징을 추출하는 방식으로 식물을 분류하고 스마트폰 어플리케이션 시스템을 만든 연구가 진행되었고[10], 이미지 분할 없이 중복되는 패치를 사용하는 입력을 통해 딥러닝 기반의 잡초 분류 모델로 93.8%의 정확도를 보인 연구[11]와 22개종의 식물 10,413장을 ResNet 모델을 이용하여 86.2%의 정확도를 보인 연구[12]가 진행되었다. 위와 같은 모델들은 영상처리 기반부터 딥러닝 기반까지 다양한 알고리즘을 사용하여 잡초 분류를 하였지만, 실제 경작지에 존재하는 잡초 데이터나 많은 종의 잡초를 사용하지 않은 단점이 있다.

위와 같은 문제를 해결하기 위하여 이전 논문에서는 16개의 종의 실제 경작지에서 자라고 있는 외래잡초에 대하여 3가지의 딥러닝 모델을 사용한 분류방법과 앙상블 방법을 제안하여 95.9%의 정확도를 보였다[13]. 하지만 여러 개의 딥러닝 모델을 사용하게 되면 많은 수의 파라미터와 긴 처리 시간이 소요되게 된다. 따라서 본 논문은 전체 파라미터수와 연산 시간을 효과적으로 줄이면서도 많은 수의 외래잡초 종을 분류할 수 있는 딥러닝 모델 구조를 제안한다.

Ⅲ. 데이터셋 및 딥러닝 모델

3.1 데이터셋

본 논문에서 사용할 잡초 데이터는 외래잡초 21개종이다. 잡초 영상은 DSLR 카메라, 스마트폰 카메라와 같은 다양한 촬영 장비를 통해 전국 각지에서 촬영되었다. 촬영된 이미지 예는 그림 1과 같다.

Fig. 1.

Original image of exotic weeds

촬영된 이미지는 전국 각지의 산, 들판, 도로 및 경작지와 같은 곳에서 촬영된 영상이고 그림 1처럼 대상이 되는 대상 외래잡초 외에 다양한 배경이 포함되어 있다. 원본 영상을 그대로 사용하여 영상처리 기반의 데이터 증강기법을 사용하게 되면, 주 객체 외에 불필요한 배경이 많이 포함되기 때문에, 사람의 눈을 통해 잎, 꽃 및 전초를 정확히 구분하여 잘라내었다. 잘라낸 예시는 그림 2와 같다.

Fig. 2.

Cropped image from original image

DB를 구축함에 있어 고해상도의 원본 외래잡초 영상에서 외래잡초 각각의 특성을 효과적으로 반영할 수 있도록 잎, 꽃 및 전초를 최대한 배경을 제외하여 직사각형 형태로 잘라내었으며, 종에 따라 최소 4배에서 수십 배의 데이터 증강을 수행하였다. 수작업 이후 구축된 데이터셋은 표 1과 같다.

Table 1.

Exotic weed dataset

또한 본 논문에서 제안하는 계층적 구조 기반의 딥러닝 모델을 개발하기 위해 각각의 외래잡초를 과와 클래스(종)로 분류하였다. 분류 기준은 식물 분류학에 따르며, 같은 과에 있는 외래잡초 클래스의 특징은 비슷하며, 다른 과에 있는 외래잡초 클래스의 특징은 많이 다르다.

Ⅳ. 제안 계층적 구조 기반 CNN

본 논문에서 제안하는 계층적 구조 기반의 합성곱 신경망 모델은 직관적으로 외래잡초와 같이 계층적 구조를 가지고 분류되는 데이터에 대하여 분할 정복 알고리즘 개념을 적용하여 적은 파라미터 수 및 연산 속도를 개선한 효율적인 딥러닝 모델을 구성한 것이다.

4.1 학습 모델에 대한 수식적 분석

이미지 인식 문제는 수학적으로는 조건부 베이지안 확률(Bayesian probability)로 볼 수 있는데, 입력(주어진 외래잡초 데이터 이미지 또는 외래잡초 데이터로부터 어떤 방법을 사용하여 얻어진 특징벡터)을 X_i, 정답 클래스(Class)를 Y_i 그리고 정답 과(Family)를 F_i라고 하자. 이 때, i = 1,...,N이며, N은 학습 데이터 샘플을 의미한다. 모든 정답 클래스 Y_i 그리고 과 F_i는 온-핫 인코딩(One-hot encoding) 벡터로 구성되며, Y_i와 F_i는 Y_i∈{0,1}^M 과 F_i∈{0,1}^K 이며, M, K는 각각 정답 클래스와 과의 개수이다. 이와 같은 기본 표기법으로 다음과 같이 세 종류의 학습 모델을 정의할 수 있다.

$\[ P_w\left(\widehat{Y}|X\right) \]$

(1)

$\[ P_w\left(\widehat{Y},\widehat{F}|X\right) \]$

(2)

$\[ P_w\left(\widehat{Y}|\widehat{F},X\right) \]$

(3)

그림 3을 참조하여, 식 (1)의 학습 모델은 클래스를 예측하는 플랫 분류기(Flat classifier)이고, 식 (2)의 학습 모델은 클래스와 과를 결합하여 클래스와 과를 예측하는 글로벌 분류기(Glober clssifier)이며, 식 (3)의 학습 모델이 과에 대한 조건부로 클래스를 예측하는 계층적 구조의 로컬 분류기(Hierarchically structured local classifier)이다.

Fig. 3.

Graphical model of learning framework

각각의 학습 모델은 자체 학습된 가중치 W로 예측된다. $$ \widehat{Y}$$와 $$ \widehat{F}$$는 입력된 특징 벡터 X로부터 각각 예측된 정답의 클래스와 과이다. 최대 우도 추정(Maximum likelihood estimation)을 얻기 위해, 예측된 모델 파라미터의 가중치 W를 고려한다. 그림 3을 참조하여 각 수식에 대한 자세한 설명은 다음과 같다.

식 (2)는 레벨 1과 레벨 2를 결합한 클래스와 과의 예측 모델은 가장 바깥쪽 보라색 점선으로 표시되고, 정답 클래스(Y_i)와 정답 과(F_i)의 모두를 같은 수준으로 둔다. 식 (1)은 레벨 2의 보라색 점선으로 표시된다. 마지막으로 식 (3)은 주황색 박스로 표현되는데, 모든 정답 클래스(Y_i)는 정답 과(F_i)의 조건부로 분포된다.

4.3 계층적 구조의 합성곱 신경망

계층적 구조의 학습을 설명하는 간단한 내용은 그림 4와 같이 과와 클래스를 단계에 맞게 분리하여 각각의 분류기를 학습하는 것이다.

Fig. 4.

Simplified hierarchical architecture

본 논문에서는 모든 클래스의 학습 데이터를 사용하여 첫 분류기에서 과를 분류하고, 전체 클래스를 과별로 나누어 5개의 과 그룹으로 만들어 각각을 5개의 보조 분류기를 사용하는 것을 확정하였다. 이는 각각의 분류기 모델이 딥러닝 구조에서 각각의 노드로 동작하는 것처럼 보이거나, 결정 트리 구조에서 부모 가지와 자식 가지로 구성되어 학습되는 것과 같다.

계층적 구조의 모델 학습에서 모델 선택을 효율적으로 채택하기 위한 필수 조건은, 계층적 구조에서 모든 모델의 복잡도가 단일 클래스 예측 모델보다 낮아야 한다. 일반적으로 다수 모델의 연산 복잡도는 계층적 구조의 깊이와 수준 및 보조 분류기 개수 등과 같은 지표에 의해 증가한다. 하지만 제안하는 계층적 구조의 분류 모델은 일반적인 단일의 딥러닝 모델과 비교할 때, 단순한 딥러닝 모델을 사용하여 복잡도가 낮아지는 강점이 있다.

본 논문에서는 이와 같은 이점을 활용하여 각각의 딥러닝 모델을 단순한 모델로 사용하여 실험하였다.

하지만 계층적 구조의 모델 학습에 단점이 존재한다. 만약 첫 번째 계층인 과에서 정확한 정답을 예측하지 못하면, 다음 단계 인식기는 의미가 없다. 즉, 정답 과를 정확히 예측하지 못한 입력은 당연히 오인식이 된다.

이를 피하기 위해 그림 5와 같이 오인식 과를 예측했을 때 보상을 줄 수 있는 방법을 제안한다.

Fig. 5.

Reward of hierarchical architecture from mis-family classification. circled C and W means correct and wrong classification respectively

$\[ P\left(Y=n|X\right)=\sum _{i=1}^{m}P\left(\left.Y=n\right|F_i,X\right)P\left(\left.F_i\right|X\right) \]$

(9)

$\[ \begin{array}{c}P\left(\left.Y=n\right|F_i,X\right)=\hfill \\ \left\{\begin{array}{cc}0\hfill & P_{i}is calculated by i^{th} classifier\hfill \\ P_i\left(\left.Y=n\right|X\right)\hfill & \mathrm{i}\mathrm{f} class n is{n}^{\text{'}}t\in family F_i\hfill \end{array}\right.\hfill \end{array} \]$

(10)

식 (10)에서 Y는 클래스, n은 클래스 번호, X는 입력, F_i는 과의 번호를 의미하며, P(Y = n|F_i,X)에서 과 분류기가 입력된 이미지를 정확히 정답으로 예측했을 때는 0으로 수렴하여 아무 영향을 미치지 않아 해당되는 클래스 분류기를 사용하게 되고, 반대의 경우에는 모든 클래스 분류기의 정답 확률을 계산하여 가장 높은 확률 값을 가지는 클래스를 찾는다.

테스트에서 과의 계층에서 입력된 영상이 옳게 판별되었는지 아닌지를 확인하기 위하여, 그림 6, 7과 같이, 계층적 구조의 합성곱 신경망 모델을 ResNet 및 MobileNetV2 기반으로 외래잡초 21개 클래스로 실험하여 과의 계층에서 정답을 제대로 예측한 샘플과 정답을 제대로 예측하지 못한 샘플의 히스토그램으로 나타내었다. 과의 계층에 대한 정확한 테스트 결과는 표 2와 같다.

Fig. 6.

ResNet based hierarchical architecture model of family histogram(log scale)

Fig. 7.

MobileNetV2 based hierarchical architecture model of family histogram(log scale)

Table 2.

Hierarchical architecture model based ratio of family mis-classification

표 2의 결과를 토대로 0.99를 문턱값의 기준으로 두어, 1.0 미만일 경우 P_i(Y = n|X)로 수렴하게 하여 오인식된 과에 대한 계층에 보상을 준다. 즉, 오인식된 과는 그림 5처럼 W 경우로 진행되어 전체 클래스 분류기의 확률을 모두 계산하고, 그 중 가장 확률이 높은 클래스를 선택하도록 한다.

V. 실험 및 결과

5.3 실험 및 평가

실험의 형평성을 위해서 학습 과정의 모든 모델의 세팅은 다음과 같이 동일하게 구성하였다. 모든 학습 모델은 최대 100번의 학습 에폭(epoch)을 수행하였고, 배치 크기(Batch size)는 32로, 최종 테스트에 사용할 가중치는 학습 중 검증 단계에서 가장 좋은 정확도(Accuracy)를 보인 에폭의 가중치를 선정하였다. 모든 모델은 SGD(Stochastic Gradient Descent) 최적화 방법을 사용하였고, 학습률(Learning rate)은 0.01로 시작하여 일정 학습 기간 동안 10분의 1씩 감소시켰다.

표 3의 구조를 보면, 기준 모델이 되는 ResNet은 하나의 Residual Block이 인접해있는 2개의 블록으로 구성되어 있는데, 이를 자세히 살펴보면 다음과 같이, 컨벌루션 층 → 배치 정규화 층 → 활성함수 ReLu → 컨벌루션 층 → 배치 정규화 층 으로 되어있다[18]. 마지막 층은 전통적으로 합성곱 신경망에서 완전 연결층을 사용하는데, ResNet은 글로벌 평균 풀링(Global average pooling)을 사용하여 파라미터 수를 최소화하고, 마지막 출력 층이 곧바로 소프트맥스(Softmax) 되어 정답 클래스의 확률을 계산할 수 있도록 층의 개수를 정하였다. 본 실험에서, ResNet 기준 모델은 그대로 사용하였고, 계층적 구조의 분류 모델에서는 계층별 클래스의 수에 맞게 구조를 변형하여 사용하였다.

Table 3.

ResNet[18] model based experimental results

표 2의 실험 결과를 보면, 기준 모델을 그대로 사용하여 21개 클래스를 분류한 결과는 96.2718%을 달성하였지만, 21,298,010개의 높은 수의 파라미터를 사용한다. 본 논문에서 제안하는 계층적 구조의 합성곱 신경망 모델에서는 과만 분류하는 첫 번째 계층에서 99.5364%이고, 첫 번째 계층에서 정답이라고 예측된 입력을 토대로 각각의 과를 분류하는 분류기를 통과하였을 때, 국화과 95.7839%, 명아주과98.7778%, 비름과 96.1307%, 현삼과 99.0921%와, 메꽃과에 포함된 클래스는 하나라서 과만 분류하여 99.5364%를 달성하였다.

결과적으로 계층적 구조의 합성곱 신경망 모델에서는 평균적으로 95.6122%를 달성하였지만, 전체 파라미터 수는 10,489,950 사용하였다. 이는 ResNet 기준 모델과 비교하였을 때 약 2배 이상의 파라미터 수를 줄였으며, 정확도도 1%밖에 차이나지 않았다. 또한 그림 5와 같이 계층적 구조에서잘못된 과를 예측했을 때를 보정하는 계층적 구조의 합성곱 신경망에서는 실험한 결과 정확도 95.6241%를 달성하여, 기존의 95.6122%보다 성능이 좋아짐을 확인하였다.

계층적 구조의 합성곱 신경망이 망을 구성하는 파라미터 수를 줄이면서도 높은 정확도를 유지할 수 있다는 점을 확인하기 위해 더 단순한 모델을 사용하여 추가 실험을 진행하였다.

표 4는 MobileNetV2를 사용하여 실험을 진행한 구조와 결과이다. MobileNetV2는 ResNet과 마찬가지로 인접해있는 2개의 블록으로 구성되어 있는데, 기본적으로 1×1 컨벌루션 층 → 배치 정규화 층 → 활성함수 ReLu6 → 컨벌루션 층 → 배치 정규화 층으로 구성되어 있다[23].

Table 4.

MobileNetV2[20] model based experimental results

마지막 층도 ResNet처럼 글로벌 평균 풀링을 사용하였다. MobileNetV2의 기준 모델이라는 열은 공개된 모델을 그대로 사용한 결과이며, 계층적 구조에서는 계층별 클래스 개수에 따라 구조를 변형하였다. MobileNetV2의 블록들을 추가하고 삭제해보면서 최적의 파라미터 수와 정확도를 가지도록 실험을 반복하였으며 최종 하이퍼 파라미터 모델이 표 3이다.

실험 결과, 계층적 구조의 분류 모델은 평균 97.2349%의 정확도와 4,897,010의 파라미터 수를 가졌으며, 결과를 보정할 수 있는 계층적 구조의 합성곱 신경망에서는 정확도 97.2612%를 달성하여, 기존의 97.2349%보다 성능이 좋아짐을 확인하였다. 이를 통해 ResNet기반의 기준 모델과 비교하였을 때 약 4배 이상의 파라미터 수 감소를 보였으며, 정확도는 상승한 것을 볼 수 있다.

계층적 구조의 합성곱 신경망이 최대의 파리미터수를 가지는 딥러닝 앙상블 구조인 LateFusion[13]과 비교를 하였으며, 결과는 표 5와 같다. LateFusion 방법은 직관적으로 전문가 여러 명이 의견을 종합하여 결론을 도출하는 것처럼 다양한 딥러닝 모델의 소프트맥스된 결과를 산술평균, 기하평균 및 Product Combination으로 계산하여 정답을 예측하는 것이다. LateFusion 방법에는 VGG16[16], MobileNet[20], Inception-ResNet[24]이 사용되었으며, 외래잡초 16개 클래스를 분류하였다.

Table 5.

Comparison with LateFusion[13] hierarchical architecture based models

LateFusion이 사용한 전체 파라미터 수는 230,387,728이며, 가장 높은 정확도는 95.892%다. 하지만 ResNet 기반의 계층적 구조의 모델은 LateFusion 모델보다 약 23배를 줄인 10,489,950의 파라미터를 사용하고도 95.6122%의 정확도를 보였으며, 보강모델을 사용하였을 때는 95.6241%로 정확도 상승을 얻었다. 더 적은 수의 파라미터를 사용하는 Mobile NetV2 기반의 모델은 각각 약 47배를 줄였으며, 97.2349%의 높은 정확도를 보였고, 보강모델에서는 97.2612%의 가장 높은 정확도를 얻었다.

Ⅵ. 결론 및 향후연구

최근에 딥러닝을 이용한 분류 예측 모델은 다양한 분야에서 좋은 성능을 보인다. 하지만 실제 응용 분야에서는 제한된 여건으로 인한 하드웨어 성능 등으로 깊고 복잡하며 많은 수의 파라미터를 가진 좋은 딥러닝 모델들을 사용하기가 어렵다. 이를 위해 적은 수의 파라미터를 사용하면서도 높은 정확도를 달성할 수 있는 딥러닝 모델들이 대두되고 있다.

계층적 구조를 사용하는 합성곱 신경망 모델은 분할-정복 알고리즘을 아이디어로 하여 정답을 정확히 예측하는데 있어 최소의 파라미터를 사용하는 효율적인 딥러닝 구조를 제안한다. 제안된 계층적 구조의 합성곱 신경망은 자체 외래잡초 21개 클래스를 이용하여 최소의 파라미터를 가지면서도 높은 정확도를 얻을 수 있도록 하였다.

실험 결과, 전이학습 기반의 ResNet 단일 모델과 비교하여 파라미터 수를 최소 2배 이상에서 최대 4배 이상까지 줄였으며, LateFusion이라는 최대 파라미터를 사용하여 정확도를 올린 구조와 비교하였을 때, 최대 47배의 파라미터 수 감소를 확인하였다. 또한, 정확도 부분에서 ResNet 기반 모델의 계층적 구조는 95.6122%, MobileNetV2 기반에서는 97.2349%를 달성하였으며, 보강 모델까지 사용하였을 때 MobileNetV2 기반에서 최대 97.2612%로 가장 높았다.

제안된 구조에서 계층적 구조의 합성곱 신경망에 사용되는 기반 모델을 직접 설계하여 각각의 층을 효과적으로 제어할 수 있다면, 더 적은 파라미터 수로 분류 정확도는 현재와 같이 유지하면서 속도는 빨라질 것으로 기대된다.

본 연구를 기반으로 제안된 구조를 종단 간 학습(End-to-end learning)을 통해 하나의 과 분류기와 클래스 분류기를 서로 연결하여 더 좋은 성능을 낼 수 있도록 하며, 학습 데이터의 라벨링 작업을 다양화하여 영역 분할 방법[26] 또는 바운딩 박스(Bounding box)를 활용한 방법[27] 등을 적용하여 객체 분류의 정확도를 높일 수 있는 연구를 진행하도록 하겠다. 이와 같은 결과와 향후연구를 통해 임베디드시스템과 결합된 잡초 분류 분야에서 좋은 성과가 있을 것으로 본다.

Acknowledgments

본 연구는 농촌진흥청 연구사업(세부과제번호: PJ01385501)의 지원에 이루어진 것임.

References

• T. W. Berge, A. H. Aastveit, and H. Fykse, "Evaluation of an algorithm for automatic detection of broad-leaved weeds in spring cereals", Precis. Agric, Vol. 9, pp. 391-405. Sep. 2008. [https://doi.org/10.1007/s11119-008-9083-z]
• Hamuda, Esmael, Martin Glavin, and Edward Jones, "A survey of image processing techniques for plant extraction and segmentation in the field" Computers and Electronics in Agriculture, Vol. 125, pp. 184-199, Jul. 2016 [https://doi.org/10.1016/j.compag.2016.04.024]
• M. Saber, W. S. Lee, T. F. Burks, J. K. Schueller, C. A. Chase, G. E. MacDonald, and G. A. Salvador, "Performance and Evaluation of Intra-Row Weeder Ultrasonic Plant Detection System and Pinch-Roller Weeding Mechanism for Vegetable Crops", Proceedings of International Meeting. American Society of Agricultural and Biological Engineers, pp. 1, 2015
• K. Thorp and L. Tian., "A review on remote sensing of weeds in agriculture", Precision Agriculture, Vol. 5, No. 5, pp. 477-508, Oct. 2004. [https://doi.org/10.1007/s11119-004-5321-1]
• S. Christensen, H. T. Søgaard, P. Kudsk, M. Nørremark, I. Lund, E. Nadimi, and R. Jørgensen, "Site-specific weed control technologies", Weed Research, Vol. 49, No. 3, pp. 233-241, May 2009. [https://doi.org/10.1111/j.1365-3180.2009.00696.x]
• J. Hemming and T. Rath, "Computer-vision-based weed identification under field conditions using controlled lighting", Journal of Agricultural Engineering Research, Vol. 78, No. 3, pp. 233-243, Mar. 2001. [https://doi.org/10.1006/jaer.2000.0639]
• T. Beghin, J. S. Cope, P. Remagnino, and S. Barman, "Shape and texture based plant leaf classification", Advanced Concepts for Intelligent Vision Systems, Springer, pp. 345–353, Dec. 2010. [https://doi.org/10.1007/978-3-642-17691-3_32]
• D. M. Tax, M. Van Breukelen, R. P. Duin, and J. Kittler, "Combining multiple classifiers by averaging or by multiplying?", Pattern recognition, Vol. 33, No. 9, pp. 1475-1485, Sep. 2000. [https://doi.org/10.1016/S0031-3203(99)00138-7]
• M. Persson and B. Åstrand, "Classification of crops and weeds extracted by active shape models", Biosystems Engineering, Vol. 100, No. 4, pp. 484-497, Aug. 2008. [https://doi.org/10.1016/j.biosystemseng.2008.05.003]
• N. Kumar, P. N. Belhumeur, A. Biswas, D. W. Jacobs, W. J. Kress, I. C. Lopez, and J. V. Soares, "Leafsnap: A computer vision system for automatic plant species identification", In Computer Vision–ECCV, Springer, pp. 502-516, Oct. 2012. [https://doi.org/10.1007/978-3-642-33709-3_36]
• S. Haug, A. Michaels, P. Biber, and J. Ostermann, "Plant classification system for crop/weed discrimination without segmentation", Proceedings of IEEE Winter Conference on Applications of Computer Vision, pp. 1142-1149, Mar. 2014. [https://doi.org/10.1109/WACV.2014.6835733]
• M. Dyrmann, H. Karstoft and H. S. Midtiby, "Plant species classification using deep convolutional neural network", Biosystems Engineering, Vol. 151, pp. 72-80, Nov. 2016. [https://doi.org/10.1016/j.biosystemseng.2016.08.024]
• Vo Hoang Trong, Gwang-Hyun Yu, Nazeer Shahid, Seong-Min Hwang, and Jin-Young Kim, "Classification of weeds using Multimodal Convolutional Neural Networks", Proceedings of IEIE, pp. 368-371. Nov. 2018.
• Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, "Gradient-based learning applied to document recognition", Proceedings of the IEEE, Vol. 86, No. 11, pp. 2278-2324, 1998. [https://doi.org/10.1109/5.726791]
• Alex Krizhevsky, Ilya Sutskever, and Geoffrey E. Hinton, "Imagenet classification with deep convolutional neural networks", Advances in neural information processing systems, pp. 1097-1105, Dec. 2012.
• SIMONYAN, Karen and ZISSERMAN, Andrew, "Very deep convolutional networks for large-scale image recognition", arXiv preprint arXiv:1409.1556, Sep. 2014.
• C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, ... and A. Rabinovich, "Going deeper with convolutions", Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 1-9, Jun. 2015. [https://doi.org/10.1109/CVPR.2015.7298594]
• K. He, X. Zhang, S. Ren, and J. Sun, "Deep residual learning for image recognition", Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 770-778, Jun. 2016
• B. Zoph, V. Vasudevan, J. Shlens, and Q. V. Le, "Learning transferable architectures for scalable image recognition", Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 8697-8710, Jun. 2018. [https://doi.org/10.1109/CVPR.2018.00907]
• A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, and H. Adam, "Mobilenets: Efficient convolutional neural networks for mobile vision applications", arXiv preprint arXiv:1704.04861, Apr. 2017.
• F. N. Iandola, S. Han, M. W. Moskewicz, K. Ashraf, W. J. Dally, and K. Keutzer, "SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size", arXiv preprint arXiv:1602.07360, Nov. 2016.
• Sabour Sara, Frosst Nicholas, and Hinton Geoffrey E., "Dynamic routing between capsules", Advances in neural information processing systems, pp. 3856-3866, Dec. 2017.
• M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L. C. Chen, "Mobilenetv2: Inverted residuals and linear bottlenecks", Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 4510-4520, Jun. 2018. [https://doi.org/10.1109/CVPR.2018.00474]
• C. Szegedy, S. Ioffe, V. Vanhoucke, and A. A. Alemi, "Inception-v4, inception-resnet and the impact of residual connections on learning", arXiv:1602.07261v2, Aug. 2016.
• J. Deng, W. Dong, R. Socher, L. J. Li, K. Li, and L. Fei-Fei, "Imagenet: A large-scale hierarchical image database", Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 248-255, Jun. 2009. [https://doi.org/10.1109/CVPR.2009.5206848]
• He-Jin Yu and Chang-Hwan Son, "Recognizing Apple Leaf Diseases via Segmentation-Aware Deep Convolutional Neural Networks for Smart Farm", Journal of KIIT, Vol. 17, No. 6, pp. 73-83, Jun. 2019. [https://doi.org/10.14801/jkiit.2019.17.6.73]
• Jinso Kim and Jeongho Cho, "YOLO-based Real-Time Object Detection Scheme Combining RGB Image with LiDAR Point Cloud", Journal of KIIT, Vol. 17, No. 8, pp. 95-105, Aug. 2019. [https://doi.org/10.14801/jkiit.2019.17.8.93]