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.

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.

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 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

성과 및 결과

• 총 50,000장 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.