UAV(무인 항공기) 다중분광 영상과 딥러닝을 결합해 벼의 세균성잎마름병(BLB, Bacterial Leaf Blight) 심각도를 자동 분할하는 연구가 발표됐다. 연구팀은 CNN(합성곱 신경망)과 트랜스포머 기반 아키텍처를 공통 파이프라인 아래 비교 평가해 정밀 농업 현장에 실제로 적용 가능한 모델 기준을 제시했다. 평가 대상 아키텍처는 ResNet-101 인코더를 갖춘 U-Net, EfficientNet-B3 및 EfficientNet-B7을 인코더로 사용한 U-Net++, DeepLabV3+, 그리고 트랜스포머 기반의 SegFormer로 구성됐다.
입력 구성은 다중분광 단독, 다중분광에 NDVI(정규화 식생지수)를 추가한 구성, 그리고 다중분광에 NDRE(적색경계 정규화 식생지수)를 추가한 세 가지로 나뉘어 테스트됐다. 공개 BLB 데이터셋을 사용해 mIoU(평균 교집합-합집합 비율), mF1, mAcc(평균 정확도), 정밀도, 재현율을 기준으로 성능을 측정했다. 실험 결과 EfficientNet-B3를 인코더로 쓴 U-Net++가 mIoU 97.62%로 가장 높은 성능을 달성했다. 반면 SegFormer는 분할 정확도는 낮았지만 추론 속도에서 비슷한 수준을 보였다. 식생지수 통합은 모든 아키텍처에서 소폭이지만 일관된 성능 개선을 가져왔다.
연구는 운영 현장에서의 BLB 모니터링에는 경량 CNN 백본이 트랜스포머보다 더 신뢰할 만하다는 결론을 내렸다. 벼 세균성잎마름병은 아시아 주요 쌀 생산 지역에서 수확량을 크게 떨어뜨리는 병해로, 넓은 논을 빠르게 진단해야 하는 현장 요구가 크다. 드론으로 취득한 다중분광 데이터를 딥러닝으로 분석하면 사람이 직접 포장을 돌아다니며 육안으로 진단하는 방식보다 훨씬 넓은 면적을 빠르게 커버할 수 있다. 연구팀은 또한 표준화된 UAV 데이터셋의 중요성을 강조하며, 방법론 간 비교를 위한 공개 데이터 구축을 촉구했다. 현장 적용 단계에서는 CNN 아키텍처를 우선 고려하도록 권장했다.
