earticle

영어

This study aims to empirically analyze the detection performance of prohibited plant items using X-ray images collected at actual quarantine sites and propose a method for improving the accuracy of deep learning-based X-ray image recognition technology. To this end, we constructed a dedicated plant dataset that reflects the complex characteristics of actual international mail and airport logistics center environments. We then trained three representative object detection models—Mask R-CNN, YOLOv8, and YOLACT—on the data and compared and evaluated their performance. The evaluation metrics used were precision, recall, F1-score, mAP, and FPS. Experimental results showed that the YOLOv8 model had the highest detection accuracy but relatively low recall, while YOLACT performed best in all metrics, including precision, recall, and speed. This study empirically demonstrated the applicability of an AI-based X-ray reading system to quarantine sites.

한국어

본 연구는 실제 검역 현장에서 수집된 X-ray 영상을 활용하여 식물류 반입금지 물품의 탐지 성능을 실 증적으로 분석하고, 딥러닝 기반 X-ray 영상 인식 기술의 정확도 향상 방안을 제시하는 것을 목적으로 한다. 이 를 위해 실제 국제우편 및 공항 물류센터 환경의 복합적 특성을 반영한 식물류 전용 데이터셋을 구축하였으며, Mask R-CNN, YOLOv8, YOLACT 세 가지 대표 객체탐지 모델을 대상으로 데이터를 각각 학습하여 성능을 비 교·평가하였다. 평가 지표는 Precision, Recall, F1-score, mAP, FPS를 적용하였다. 실험 결과 YOLOv8 모델은 탐지 정밀도 측면에서 가장 우수하였으나 상대적으로 낮은 재현율을 보였고, YOLACT는 정밀도, 재현율, 속도 등 모든 지표에서 가장 높은 성능을 보였다. 본 연구는 AI 기반 X-ray 판독 시스템의 검역 현장 적용 가능성을 실 증적으로 입증하였다.