과실 인식을 위한 3D 디지털 팜 기반 가상 이미지 자동 생성 및 정밀 라벨링 시스템

• 영문명: Automatic Generation and Precise Labeling of Synthetic Images for Fruit Recognition using a 3D Digital Farm
• 발행기관: 한국시뮬레이션학회
• 저자명: 우지민(Ji-Min Woo) 서경민(Kyung-Min Seo) 김정인(Jungin Kim)
• 간행물 정보: 『한국시뮬레이션학회 논문지』제34권 제2호, 33~43쪽, 전체 11쪽
• 주제분류: 공학 > 기타공학
• 파일형태: PDF
• 발행일자: 2025.06.30

국문 초록

객체 탐지와 숙성도 판별 및 자세 추정을 위한 인공지능(AI) 모델 학습을 위해서는 대규모의 정밀하게 라벨링된 학습 데이터가 필수적이다. 그러나 현실적으로 해당 데이터를 확보하는 것은 계절적 제약과 높은 비용으로 인해 상당한 어려움이 존재한다. 기존의 가상 데이터 생성 연구들은 현실성 부족, 라벨링 정밀도의 한계, 자동화 수준의 미비 등의 한계점이 있었다. 이러한 문제를 해결하기 위해 본 연구에서는 3D로 스캔한 실제 과실 모델을 Blender로 최적화한 후 Unity 기반 디지털 팜 환경에 배치하고, Flood Fill 알고리즘과 벡터 내적 계산을 활용하여 객체 위치(Bounding Box), 세부 Landmark 특징점 및 숙성도를 자동으로 라벨링하는 시스템을 제안한다. 실험 결과, 제안 시스템은 수작업 대비 데이터 생성 및 라벨링 소요 시간을 한 장당 약 66초에서 0.23초로 단축하여 최대 97%의 시간 절감 효과를 보였다. 또한 생성된 가상 데이터를 활용하여 학습된 You Only Look Once(YOLO) 기반 객체 탐지 및 자세 추정 모델은 가상 데이터에서 각각 98.0%, 97.2%의 높은 정확도를 보였으며 실제 환경 데이터에서도 각각 95.7%, 96.0%의 우수한 성능을 유지하여 도메인 간 일반화 능력이 뛰어남을 확인하였다. 본 연구의 시스템은 실제 데이터 부족 문제를 효과적으로 보완하여 농업 분야를 포함한 다양한 분야에서 AI 기술 발전에 기여할 것으로 기대된다.

영문 초록

Developing artificial intelligence (AI) models for object detection, ripeness classification, and posture estimation in agriculture requires large-scale, precisely annotated datasets. However, collecting such data in real farm environments is challenging due to seasonal limitations and high costs. Existing synthetic data generation methods often suffer from insufficient realism, imprecise annotations, and limited automation. To address these issues, this study proposes a virtual image generation and automatic annotation system that utilizes three-dimensional (3D) scanned fruit models optimized in Blender and placed within a Unity-based digital farm environment. Object locations, bounding boxes, landmarks, ripeness levels, and posture information were automatically annotated using a combination of the flood fill algorithm and vector inner product calculations. Experimental results demonstrated that the proposed system reduced the data generation and annotation time by up to 97% compared to manual methods (from approximately 66 seconds to 0.23 seconds per image). In addition, the You Only Look Once (YOLO)-based object detection and pose estimation models trained on the generated synthetic data achieved high performance, with 98.0% accuracy for object detection and 97.2% for pose estimation on the synthetic dataset. Furthermore, they maintained excellent performance on real-world data, achieving 95.7% and 96.0% accuracy, respectively, thereby demonstrating strong domain generalization capability. The proposed system effectively mitigates the issue of data scarcity and supports the broader application of AI technologies in agriculture and related domains.

목차

1. 서론

2. 관련 연구

3. 제안 시스템 개발

4. 실험

5. 결론

References

키워드

AI 학습 데이터 구축 자동화 라벨링 디지털 트윈 객체 탐지 자세 추정 가상 데이터 생성 AI training data construction Automatic labeling Digital twin Object detection Posture estimation Synthetic data generation