Performance Evaluation of Deep Learning Models for Recognizing Cucumber Fruits and Flowers

오이는 재배 기간이 짧고 집중적인 관리가 필요한 작물로, 많은 노동력이 요구된다. 하지만, 농촌의 인구감소와 고령화로 인한 노동력 부족으로 오이 재배를 위한 자동화의 필요성이 대두하고 있다. 이러한, 자동화를 위해서는 목표에 대한 객체 인식 기술이 필수적이다. 본 연구에서는 온실에서 재배된 '새로미(Saeromi)' 오이 품종을 대상으로, 자연광 환경에서 고해상도 카메라를 사용하여 영상 데이터를 수집하였다. 수집한 데이터에서 Faster R-CNN(Region-based Convolutional Neural Network), Mask R-CNN, RetinaNet, YOLO(You Only Look Once)v8, YOLOv9, YOLOv10 딥러닝 모델을 활용하여 오이 과실과 꽃의 인식 성능을 비교하였다. 모델의 성능은 mAP 50(mean Average Precision at 50)을 기준으로 평가하였다. 분석 결과 YOLOv9e 모델이 0.764(mAP 50)로 가장 우수한 성능을 보였고, YOLOv10x, YOLOv8x, Mask R-CNN, Faster R-CNN, RetinaNet 모델 순으로 성능이 낮아졌다. 특히 YOLO 계열 모델은 다른 모델들에 비해 빠르고, 높은 인식 성능을 보여, 농업 분야에서 실시간 객체 인식과 자동화 작업에 적합한 모델임을 확인하였다. 추후 연구에서는 고품질의 학습 데이터 추가 확보 및 인식 모델 최적화를 통해 인식 성능을 더욱 향상할 계획이다.