earticle

영어

This study proposes a deep learning-based system that quantifies the stalk length and cap opening degree of pine mushrooms and automatically classifies them based on these measurements. We developed an algorithm that quantifies and sorts the morphological characteristics of pine mushrooms, including stalk length and cap opening degree. The system consists of an instance segmentation network utilizing the Dino-SAM2 model and a classification network based on ResNet-50. The instance segmentation network quantitatively evaluates the stalk length and cap opening degree of pine mushrooms, but when the mask generated by Dino-SAM2 does not include specific strings, the stalk length and cap opening degree cannot be quantified. To address these mask generation failures, a ResNet-50-based classification network is used as an auxiliary system to assess the quality based on the overall shape of the mushroom. By integrating the results from both approaches, mushrooms are classified into five grades: Grade 1, Grade 2, Grade 3 (open cap), Grade 3 (growth arrest), and Non-standard. Performance evaluation shows that the system achieved 90% accuracy when Dino-SAM2 successfully generated masks, and even in cases of mask generation failure, the defensive mechanism through ResNet-50 helped achieve an overall system performance of 79%. This demonstrates an effective defensive strategy that reduces dependence on a single model and provides robustness in failure situations. This research is expected to contribute to improving the efficiency and objectivity of pine mushroom sorting operations.

한국어

본 연구는 송이버섯의 자루(줄기)의 길이와 갓 펴짐 정도를 수치화하고, 이를 바탕으로 등급을 자동으로 분류하는 딥러닝 기반 시스템을 제안한다. 송이버섯의 형태적 특성인 자루 길이, 갓 펴짐 정도를 수치화하여 선별하는 알고리 즘을 개발하였으며, 이 시스템은 Dino-SAM2 모델을 활용한 인스턴스 세그멘테이션 네트워크와 ResNet-50 기반 분류 네트워크로 구성된다. 인스턴스 세그멘테이션 네트워크를 통해 송이버섯의 자루 길이 측정과 갓 펴짐 정도를 정량적으로 평가하며, Dino-SAM2가 생성한 마스크에 특정 문자열이 포함되지 않은 경우에는 자루 길이와 갓 펴짐 정도를 수치화할 수 없다. 이러한 마스크 생성 실패 상황에 대응하기 위해 ResNet-50 기반 분류 네트워크를 보조 시스템으로 활용하여 송이버섯의 전체적 형태를 기반으로 품질을 판단한다. 두 가지 접근법의 결과를 통합하여 1등 급, 2등급, 3등급(개산), 3등급(성장 정지), 등외 5가지 등급으로 분류한다. 시스템의 성능 평가 결과, Dino-SAM2 가 마스크 생성 성공 시 90%의 높은 정확도를 보였으며, 마스크 생성 실패 시에도 ResNet-50을 통한 방어 메커니 즘을 통해 전체 시스템의 성능 79%를 달성하였다. 이는 단일 모델 의존성을 줄이고 실패 상황에 대한 강건성을 제 공하는 효과적인 방어 전략임을 입증한다. 본 연구는 송이버섯 선별 작업의 효율성과 객관성을 높이는 데 기여할 것으로 기대한다.