2025. 04. 15

드론 촬영 이미지 기반 농작물 모니터링

정밀 농업을 위한 AI 학습 데이터셋 구축

프로젝트(고객사) 소개

최근 스마트 농업 시장은 드론 IoT AI 기술의 접목을 통해 빠르게 발전하고 있으며 대규모 농지에서의 생육 모니터링과 자동화 관리 수요가 급격히 증가하고 있습니다. 이번 프로젝트는 시장 변화에 대응해 정밀 농업 솔루션을 개발 중인 고객사의 의뢰로 시작되었습니다. 드론은 상공에서 고해상도 이미지를 촬영하여 농부들이 넓은 농경지를 더 쉽고 빠르게 모니터링할 수 있도록 돕고 기존의 지상 조사에 비해 시간과 노동력을 획기적으로 절감할 수 있는 기술로 주목받고 있습니다. 특히 드론 기반 이미지는 영양 결핍 해충 피해 질병과 같은 문제를 실시간으로 파악할 수 있어 고객사는 이를 활용해 고효율 작물 모니터링 및 약물 살포 최적화 솔루션을 개발하고자 하였습니다. 그러나 실제 현장에서는 환경 변화 조도 각도 날씨 생육 단계별 외형 유사성 정확한 데이터 라벨링 부족 등이 AI 모델 성능 개선의 병목으로 작용하고 있어 이를 극복할 수 있는 고품질 학습용 데이터셋 구축을 고민하였습니다.

고객사의 Problem

고객사는 드론 촬영 이미지를 기반으로 개별 작물의 생육 상태 영양 결핍 질병 및 해충 피해 여부 등을 신속히 분석해 약제 처리가 필요한 지점을 식별하고자 하였습니다. 이를 통해 농약이나 영양제 살포를 전체 농지에 일관적으로 적용하는 기존 방식에서 벗어나 필요한 곳에만 정밀 약제를 투입하여 생산성을 높이고 비용을 절감하려는 것이 주요 목표였습니다. 이를 실현하려면 AI 모델이 다음과 같은 문제를 해결해야 했습니다.

촬영 환경 변화로 인한 데이터 불균형
- 드론은 다양한 기상 조도 각도 조건에서 촬영되며 동일한 작물이라도 이미지 외형이 크게 달라 AI 모델이 상태를 일관되게 판단하기 어려움
생육 단계별 상태별 구분의 난이도
- 작물의 건강한 상태와 질병 해충 피해 상태는 시각적으로 미묘한 차이를 가지며 초보적인 라벨링만으로는 AI가 약제 필요성을 정확히 학습하기 어려움
대규모 데이터셋 구축과 검수 역량 부족
- 수만 장의 드론 이미지에서 문제 구역을 식별할 수 있는 정밀한 라벨링 데이터를 확보해야 했지만 고객사 내부에는 농업 도메인 지식과 데이터 품질 관리 역량이 부족했음

데이터메이커의 Solution

데이터메이커는 농업 데이터의 복잡성과 드론 이미지의 특수성을 모두 고려해 AI 학습 목적에 최적화된 End to End 데이터 솔루션을 설계 제공했습니다. 특히 이번 프로젝트는 단순히 객체의 존재를 확인하는 수준을 넘어서 농작물의 세부 상태 예 건강 질병 해충 피해 영양 결핍 를 정확히 구분하고 약제 필요 여부를 탐지할 수 있는 고성능 AI 모델을 목표로 했습니다. 이를 위해 데이터메이커는 다음과 같은 핵심 전략으로 접근했습니다.

작물 분류 기준 정교화
- 농업 전문가 및 고객사 실무자와 협의하여 작물 종류뿐 아니라 작물 상태 구분 정의
- 계절별 차이 촬영 시점에 따른 작물 특성을 데이터 라벨이 반영
환경 다양성 대응 라벨링 체계
- 맑음 흐림 역광 측광 등 다양한 환경 조건에 따른 이미지 샘플 확보 및 라벨링
- 이미지 품질별 라벨 분류도 병행하여 AI 성능 분석 가능 구조 설계
AI 전처리 수작업 라벨링 병행
- AI 기반 사전 라벨링 모델을 활용한 초안 생성 후 전문가 검수로 정확도 향상
- 효율성과 정밀도를 모두 고려한 하이브리드 방식 적용
자체 데이터 라벨링 툴 및 MLOps 플랫폼 datamaker synapse 활용
- 라벨링 기준 변경 시에도 빠른 일괄 적용 가능
- 검수 히스토리와 라벨 변경 이력을 실시간으로 관리하여 품질 안정화

수행 과정

수집된 드론 이미지는 작물의 생육 주기에 맞춰 시기별로 구분하여 촬영되었으며 촬영 위치와 기상 조건 등을 다양화하여 실제 현장 환경을 최대한 반영하였습니다.

1. 촬영 기준 정의 및 데이터 수집

작물별 생육 시기에 따른 이미지 확보 기준을 정의하고 및 실제 농가와 협업하여 넓은 대지에서 드론 촬영을 수행하였습니다.
드론 촬영은 고도 화각 시간대를 달리하며 다양한 조건에서 진행되어 데이터의 다양성과 일반화 가능성을 확보하였습니다.
드론 이미지 수천 장에 대해 품질 기준에 따른 필터링 및 전처리를 진행하였습니다 해상도 조정 노이즈 제거 등.

2. 어노테이션 기준 수립 및 라벨링

Semantic Segmentation 어노테이션 방식으로 작물 영역을 식별하고 생육 시기별 라벨을 부여하였습니다.
작물마다 다른 생육 특성과 외관을 고려해 전문가의 검수와 자문을 거쳐 어노테이션 기준을 정립하고 가이드라인을 작업자에게 교육하여 일관되게 적용하였습니다.
약 20명의 전문 라벨러가 데이터메이커 전용 가공 툴을 활용하여 고해상도 이미지 라벨링 수행

클래스 기준
- 작물 유형 및 생육 상태 초기 중기 후기 3단계 병해충 피해 등 12종 주요 클래스 정의
- 약제가 필요한 상태 를 명확히 구분하기 위한 피해 유형별 시각적 특징 및 분류 기준 메뉴얼 구축
- Semantic Segmentation 방식 결정 픽셀 단위 라벨링 범위 작물 경계 및 피해 부위까지 확장

3. AI 기반 검수 시스템 도입

데이터메이커는 수작업 검수 외에도 YOLO 기반의 객체 탐지 모델을 활용한 자동 검수 시스템을 적용했습니다.
해당 시스템은 어노테이션 영역의 정확도와 누락 여부를 자동으로 확인하며 오탐지 및 미탐지 이슈를 사전에 걸러냅니다.
특히 YOLO 모델의 정밀한 이미지 세그멘테이션 성능을 활용하여 작물의 종류 및 상태식별이 더 정교하게 이루어졌으며 전체 데이터의 품질 신뢰도를 한층 높였습니다.

4. 품질 검수 및 구조화

데이터 품질을 보장하기 위해 다단계 검수 체계를 적용했고 AI 학습에 적합하도록 메타 정보와 라벨 구조를 표준화하였습니다.
생육 상태 구분 뿐만아니라 병해 영양 결핍 해충 피해 등을 분류하고 메타 정보에 포함하여 활용 범위를 확장하였습니다.

5. AI 모델 적용 테스트 및 피드백

고객사에서 구축된 데이터로 AI 분류 모델 학습 후 정확도 26% 향상 확인
모델 성능이 낮은 클래스는 재검토하여 기준 개선 및 추가 라벨링 수행

성과 및 결과

총 50000장 이상의 고품질 작물 이미지 데이터셋 완성
98.5% 이상의 라벨 정확도 확보 및 클래스 간 균형 유지
고객사 내부 테스트에서 AI 분류 모델의 정확도 약 26% 향상

프로젝트를 마치며

이번 프로젝트는 데이터메이커가 스마트 농업 분야 데이터 구축의 선도 기업으로서의 역량을 입증한 사례였습니다. 특히 드론 이미지라는 비정형 이미지 데이터의 특수성을 이해하고 이를 AI가 학습 가능한 정형 정보로 정교하게 변환해내는 과정은 데이터메이커만의 고유한 강점이라 할 수 있습니다. 향후 고객사는 본 프로젝트를 기반으로 작물 분류를 넘어 병해충 탐지 생육 예측 수확량 예측 등으로 AI 활용 범위를 확장할 예정이며 데이터메이커는 해당 영역에서도 고객사와의 협업을 이어갈 계획입니다. 데이터메이커는 앞으로도 산업 현장의 실질적 문제를 해결하는 데이터셋을 제공함으로써 고객사의 AI 도입 여정에 가장 신뢰할 수 있는 파트너로 함께하겠습니다.