꿀벌 외부 기생충 검출을 위한 객체 탐지 알고리즘

• 영문명: Object detection algorithm for detecting parasites outside honeybees
• 발행기관: 한국스마트미디어학회
• 저자명: 고경일(Kyeong Il Ko) 이명훈(Meong Hun Lee)
• 간행물 정보: 『스마트미디어저널』제14권 제3호, 27~33쪽, 전체 7쪽
• 주제분류: 공학 > 컴퓨터학
• 파일형태: PDF
• 발행일자: 2025.03.31

국문 초록

최근 양봉 산업에서 꿀벌의 외부 기생충 감염이 주요 문제로 대두되고 있으며, 특히 꿀벌 응애(Varroa destructor)는 벌의 체액을 흡수하여 체중과 수명을 단축시키고 군체 붕괴를 유발하는 주요 원인으로 알려져 있다. 기존의 기생충 검출 방법은 육안 검사 및 화학적 진단법에 의존하고 있으며, 이는 탐지의 정확성과 효율성에서 한계를 가진다. 이에 본 연구에서는 딥러닝 기반 객체 탐지 모델인 YOLOv8을 활용하여 꿀벌 외부 기생충 탐지를 자동화하고 정확도를 향상시키는 알고리즘을 제안하였다. 연구에서는 양봉 농가에서 촬영한 고해상도 이미지를 활용하여 1,000장의 데이터셋을 구축하고, 이를 기반으로 YOLOv8을 학습하였다. 성능 비교를 위해 YOLOv5 및 RetinaNet 모델과 비교 평가를 수행하였으며, YOLOv8이 빠른 연산 속도와 높은 정확도를 바탕으로 최적의 성능을 보였다. 실험 결과, YOLOv8은 기존 모델 대비 정확도(AP50 0.92)와 속도(22분 학습 시간)에서 균형 잡힌 성능을 보이며, 실시간 탐지가 중요한 양봉 산업에서 적용 가능성이 높음을 확인하였다. 본 연구의 알고리즘을 현장에 적용할 경우, 육안 검출의 한계를 극복하고 기생충 감염에 대한 조기 대응이 가능해져 꿀벌 개체 수 감소 문제 해결에 기여할 수 있을 것으로 기대된다.

영문 초록

The infestation of external parasites in honeybees has emerged as a significant issue in the beekeeping industry, with Varroa destructor being the primary cause of colony collapse due to its parasitic feeding on bee hemolymph, leading to reduced weight and lifespan. Traditional detection methods rely on visual inspection and chemical diagnostics, which suffer from limitations in accuracy and efficiency. To address this challenge, this study proposes an automated external parasite detection algorithm using YOLOv8, a deep learning-based object detection model. A dataset of 1,000 high-resolution images captured from beekeeping farms was utilized to train YOLOv8, and its performance was compared with YOLOv5 and RetinaNet. The evaluation results demonstrated that YOLOv8 outperformed other models in terms of detection speed and accuracy, achieving an AP50 score of 0.92 with a training time of 22 minutes. Enhancements such as multi-scale learning and the implementation of CIoU Loss improved the detection capability for small parasites. The results indicate that YOLOv8 provides an optimal balance of accuracy and speed, making it highly applicable in real-time beekeeping environments. Implementing this algorithm in the field could overcome the limitations of manual detection and enable early intervention against parasite infestations, contributing to the mitigation of honeybee population decline.

목차

Ⅰ. 서론

Ⅱ. 관련연구

Ⅲ. 시스템 설계 및 구성

Ⅳ. 구현 및 결과

Ⅴ. 결론

REFERENCES

키워드

객체 탐지 알고리즘 꿀벌 외부기생충 딥러닝 이미지 분석 Object detection algorithms honeybee external parasites deep learning image analysis