서 론

벼는 아시아를 중심으로 재배되는 전 세계적으로 중요한 식량 작물이며 안정적인 생산성과 품질 확보가 지속적으로 요구된다(Li et al., 2018). 그러나 수확기에 지속적인 강우나 고온다습한 환경이 되면 수확 전에 이삭에서 종자가 발아하는 수발아(pre-harvest sprouting, PHS)가 발생하기 쉽다(Sohn et al., 2021). 우리나라에서도 꾸준히 수발아 피해가 보고되고 있으며 이로 인해 수량과 품질면에서 큰 손실이 발생하기 때문에 수발아 저항성 벼 품종의 개발이 중요한 상황이다(Lee et al., 2020). 최근 육종 분야에서는 디지털 육종(digital breeding) 개념이 도입되면서, 유전·환경·표현형데이터를 통합적으로 활용한 신속한 품종 개발 전략이 확산되고 있다. 이러한 접근은 자동화된 데이터 처리 및 분석 기술을 기반으로, 선발 정확도의 향상과 육종 기간 단축에 기여할 수 있다. 특히 디지털 육종 체계의 핵심 요소로는 대규모 집단을 대상으로 한 정밀하고 재현성 있는 표현형 데이터 확보가 강조된다(Jeon et al., 2023). 그러나 수발아와 같이 미세한 판독이 요구되는 형질은 여전히 육안 평가에 의존하는 경우가 많아, 대량 표현형 정보 확보에 어려움이 존재한다(Cobb et al., 2013). 이러한 육안 평가 방식은 측정자 간 편차가 발생하기 쉽고, 대규모 집단을 반복 조사하기에는 많은 시간과 노동력이 요구된다.

이러한 한계를 극복하기 위해 영상 데이터와 인공지능 기술을 활용하여 종자의 발아 여부를 자동으로 판독하려는 시도가 다양한 작물을 대상으로 지속적으로 이루어져 왔다(Colmer et al., 2020; Genze et al., 2020; Yao et al., 2024; Zhao et al., 2023). 이미지 처리, 객체 탐지, 딥러닝 기반 분류 모델 등이 적용되면서, 발아율 측정의 효율성과 객관성이 향상된다. 특히 선행 연구(Jun et al., 2025)에서는 YOLO 기반 객체 탐지 모델을 활용하여 벼 종자 이미지에서 발아 종자와 미발아 종자를 자동으로 구분하여 탐지하고 수발아율 및 발아율을 산출할 수 있는 분석 모델을 개발하였다. 해당 연구는 수작업 중심이었던 기존 평가 방식의 한계를 극복하였으며, 영상 기반 자동 탐지의 가능성을 제시한 데에 의의가 있다. 그러나 해당 연구는 명령어 기반(Command Line Interface, CLI) 환경에서 모델이 구동되도록 설계되어 있어 사용자 편의성이 제한적이었으며, 비전문가가 활용하기에 어려웠다. 또한 학습 데이터가 제한된 촬영 조건에서 구축되어 다양한 조명, 배경 등 실제 활용 환경에서 발생하는 변동성을 충분히 반영하지 못해 모델 적용성 측면에서도 보완이 필요하였다. 그리고, 이 방법은 이삭에 달려 있는 종자들의 겹침에 의하여 이미지를 이용한 발아 여부 탐지가 곤란한 점을 해결하기 위하여 이삭에서 탈곡한 종자들을 페트리디쉬에서 발아 유도하여 수발아율을 측정하였는데, 관행 수발아율 측정 방법인 비탈곡하지 않은 이삭을 발아 유도하여 수발아율을 측정하는 방법과 탈곡한 종자들을 발아유도하여 수발아율을 측정하는 방법 간의 결과 차이에 대한 검증 연구가 부족하였다.

이에 이 연구는 수발아율 측정 모델의 그래피컬 사용자 인터페이스(Graphical User Interface, GUI) 모듈을 제작하여 측정 모델과 통합함으로써 사용자 편의성이 증진된 수발아율 측정 프로그램을 개발하기 위해 수행되었다. 그리고, 다양한 촬영 환경을 반영한 수발아 이미지 학습 데이터 확충과 모델 성능 개선을 통해 분석 정확도를 향상시키고자 하였다. 또한, 탈곡 및 비탈곡 처리에 따른 수발아율 차이 여부를 검증하였다. 더불어 데이터 라벨링 기능을 포함하여 사용자가 자체 데이터를 활용해 모델을 지속적으로 보완할 수 있도록 하였다. 개발된 프로그램은 수발아율뿐만 아니라 벼 종자 발아율 측정에도 활용될 수 있다. 이 프로그램은 벼 수발아율 및 종자 발아율 측정의 자동화에 기여할 것으로 기대되며, 향후 관련 연구 및 기술 보급에도 활용될 수 있을 것이다.

재료 및 방법

이미지 데이터 생산

자포니카 벼 품종인 삼광과 통일형 품종인 신광을 이용하여 추가적인 라벨링을 진행하였다. 각 품종의 종자를 30, 40, 50, 60, 70, 80, 90, 100립 그룹으로 나눈 후 9 cm 페트리디쉬에 필터페이퍼를 깔고 종자를 담았다. 2차 멸균 증류수 10 ml를 넣고 25°C의 배양기에 처리를 하였다. 총 7일간 발아를 유도하면서 매일 RGB 카메라로 촬영을 하였다. 30~100립 그룹 당 5반복을 촬영했으며 배경색은 실제 촬영 조건의 다양성을 반영하기 위해 흰색, 파란색, 검정색 세 가지로 구성하였다. 흰색 배경은 필터페이퍼와 색상이 유사하여 대비가 낮은 조건에서의 모델의 탐지 성능을 검증하기 위한 것이며, 파란색 배경은 종자의 색과 명확한 대비를 이루는 조건이었다. 또한 검정색 배경은 일반적인 실험대 환경을 고려하여 현장 적용성을 높이기 위해 포함하였다.

VGG Image Annotator 소프트웨어(Dutta and Zisserman, 2019)를 이용하여 bounding box로 모든 종자 이미지에 대해 라벨링을 진행하였다. 발아한 종자는 ‘Yes’, 발아하지 않은 종자는 ‘No’로 class를 나누었다. 이번 실험에서 109,200개의 종자 이미지 데이터가 생산되었으며, 선행연구(Jun et al., 2025)에서 진행한 수발아 이미지 데이터 23,000개 종자 이미지를 합하여 총 132,200개의 종자 이미지 데이터셋을 구축하였다.

모델 고도화 및 UI 제작

모델 고도화를 위해 객체 탐지 기반 딥러닝 알고리즘인 YOLOv8을 적용하여 수발아 및 발아 이미지를 학습하였다(Diwan et al., 2023). 구축된 데이터셋을 학습과 검증용으로 8:2 비율로 분리하였으며, 학습된 모델에 대한 평가는 Precision, Recall, mAP50, mAP50-95 지표를 사용하여 이루어졌다 사용자 인터페이스는 Python과 PyQT5 기반으로 개발하였으며, 개발 환경은 Visual Studio Code를 사용하였다. 인터페이스에는 이미지 불러오기, 단일 이미지 분석, 일괄 분석, 분석 결과 저장 및 모델 선택 기능을 포함하였다. 또한 라벨링 보조 기능을 추가하여 사용자가 예측 결과를 수정하거나 신규 라벨을 생성·편집·삭제할 수 있도록 구현하였다.

탈곡·비탈곡 처리에 의한 수발아율 측정

자포니카형 조생종, 중생종, 만생종 및 통일형 품종을 포함한 20개 벼 품종을 2025년 1월에 국립농업과학원 생육온실에서 재배하였다. 한 품종 당 4개씩 직경 150 mm 포트에 정식하였으며 이중 ①, ②번 포트는 탈곡 방법, ③, ④번 포트는 비탈곡 방법으로 구분하였다. 출수가 되었을 때 색깔 테이프에 출수한 날짜를 표기한 후 이삭에 부착하였으며 한 포트 당 총 4개의 이삭을 조사하였다. 출수 후 적산온도가 약 1,000°C가 되었을 때 해당 이삭을 샘플링하여 수발아 실험을 진행하였다. 탈곡 방법의 경우 앞에 설명한 방법대로 탈곡 후 벼 종자들을 9cm 페트리디쉬에 넣고 멸균 증류수를 넣어 발아를 유도하였다. 비탈곡 수발아율 측정의 경우 스테인레스 쟁반(46.5 × 35.5 × 3.5cm)에 와이프올(240 mm × 300 mm, Yuhan-Kimberly, Seoul, Korea)을 깔고 이삭을 놓은 뒤 다시 와이프올을 덮은 상태에서 물 500 ml를 넣었다. 이후 두 방법 모두 25°C의 배양기에 7일간 처리를 한 뒤 발아 종자 수와 미발아 종자 수를 측정하였다. 발아 여부는 싹이 종피를 찢고 나와 뾰족한 모양을 보일 경우 발아했다고 판단하였다. 탈곡 방법과 비탈곡 방법 모두 발아 종자 수와 미발아 종자 수 측정은 육안 관찰로 수행하였다. 수발아율은 다음과 같은 수식으로 계산되었다.

PHS rate \left.= germinated seeds total seeds ( germinated seeds + ungerminated seeds )×100

결과 및 고찰

수발아율 측정용 딥러닝 모댈 정확도 평가

선행연구(Jun et al., 2025)에서 생산된 이미지와 추가 구축된 이미지를 포함하여 총 132,200개 종자 이미지로 학습을 수행하였으며, 총 651 epoch의 학습 과정을 거쳐 모델이 수렴하였다. epoch는 모델이 전체 데이터셋을 한 번 모두 학습하는 과정을 의미한다. 학습이 끝날 때마다 모델은 예측한 바운딩 박스와 실제 박스의 차이, 그리고 예측 클래스와 실제 클래스의 차이를 계산해 이 오차를 줄이는 방향으로 가중치를 업데이트한다. 학습 과정 전반에서 모델의 성능을 측정하기 위해 Precision, Recall, mAP50, mAP50-95 지표들을 산출하였다. Precision은 모델이 객체가 있다고 예측한 결과 중 실제로 맞게 예측한 비율을 나타내는 지표로, 이 값이 낮으면 모델이 많은 객체를 과탐지하고 있다고 볼 수 있다. Recall은 전체 실제 객체 중에서 모델이 올바르게 탐지한 객체의 비율을 나타내는 지표로, 이 값이 너무 낮으면 모델이 많은 객체를 미탐지한다고 해석할 수 있다. mAP는 IoU (Intersection over Union)와 Precision-Recall Curve를 이용해 구한 클래스별 AP (Average Precision)를 평균한 값으로, 객체 탐지 모델의 전반적인 성능을 평가하는 지표이다. IoU는 모델이 예측한 바운딩 박스와 라벨링 박스가 얼마나 겹치는지를 나타내는 값으로, 예측 결과를 정답으로 볼지 판단할 때 사용하는 지표이다. 두 박스의 겹치는 영역 비율이 0.5 이상일 때 정답이라고 간주한다면 IoU threshold는 0.5이며, 이를 IoU@0.5 또는 IoU50이라고 표현한다. Precision-Recall Curve는 confidence threshold를 0에서 1 사이에서 변화시키면서 각 기준값에서의 Precision과 Recall을 계산하여, 두 지표의 균형 관계를 시각적으로 보여주는 그래프이다. 이때 모델의 confidence score는 특정 박스가 정답일 가능성을 나타내는 값이고, confidence threshold는 그 score가 이 값 이상일 때만 탐지로 인정하기 위해 설정하는 기준값이다. 해당 그래프는 threshold 변화에 따라 과탐지와 미탐지가 어떻게 달라지는지 비교·분석하는 데 사용된다. AP는 하나의 클래스에 대해 Precision- Recall Curve 아래 면적을 수치화한 값으로, 모델의 해당 클래스에 대한 탐지 성능을 평가하는 지표이다. AP50은 IoU threshold를 0.5로 고정했을 때의 Precision-Recall Curve로부터 계산한 AP를 의미하며, mAP50은 모든 클래스에 대한 AP50의 평균값을 뜻한다. 또한 mAP50-95는 IoU threshold를 0.50부터 0.95까지 여러 값으로 변화시키며 계산한 AP들의 평균값으로, 더 엄격한 IoU 조건 전반에서의 평균 성능을 나타낸다.

학습 과정 전반에서 mAP 지표는 epoch 증가에 따라 점진적으로 향상되는 추세를 보였으며, 일정 시점 이후 큰 변동 없이 안정화되는 경향을 나타냈다(Fig. 1). 새로 학습된 모델은 Precision 0.978, Recall 0.98, mAP50 0.987, mAP50-95 0.916을 기록하여 다양한 IoU 임계값 조건에서도 발아·미발아 종자에 대한 높은 탐지 성능을 유지하였다(Table 1). 이 결과는 모델이 충분한 학습 안정성을 확보했음을 확인시켜 주었으며, 수발아 개체 탐지에 대한 신뢰성 있는 기반 모델로서 기능할 수 있음을 시사한다.

Fig. 1.

Training performance of YOLOv8 model across 651 epochs.

그래피컬 사용자 인터페이스(GUI) 모듈 제작

수발아율 분석 모델을 비전문가도 활용할 수 있도록 Python 기반의 그래피컬 사용자 인터페이스(GUI)를 구축하였다. 개발된 GUI는 기능별로 구분되어 있으며, 데이터셋 구축 및 수정 작업을 지원하는 라벨링(labeling) GUI와 수발아율 및 발아율 자동 측정을 위한 측정용(measuring) GUI로 구성된다. 각 인터페이스는 직관적 조작이 가능하도록 설계하였으며, 주요 화면 구성과 사용 절차는 Figs. 2, 3에 제시하였다.

Fig. 2.

Labeling GUI of the program for creating and editing annotation data, showing the process of adding and modifying bounding boxes.

Fig. 3.

Measuring GUI of the program for pre-harvest sprouting (PHS) and germination rate measurements, showing model execution and visualization of detection results. (a) Model execution. (b) Measurement results produced through batch process.

Fig. 2는 라벨링 GUI의 화면 구성 및 사용 예시를 나타낸 것이다. 사용자는 좌측 파일 목록에서 이미지가 포함된 파일을 선택하면 화면 중앙에 해당 이미지가 표시된다. 사용자는 ‘추가’, ‘삭제’, 기능을 이용하여 바운딩 박스를 직접 생성하거나 편집할 수 있다. 수정된 라벨 정보는 즉시 테이블에 반영되며, 라벨링 정보를 txt 파일로 저장하여 새로운 학습 데이터로 활용할 수 있다. 이를 통해 사용자는 현장 조건이나 품종 특성에 맞는 데이터셋을 지속적으로 보완·확장할 수 있다.

Fig. 3은 수발아율 측정용 GUI의 화면 구성 및 사용 예시를 나타낸 것이다. 사용자는 분석할 이미지를 불러온 뒤 ‘모델 실행’ 메뉴를 선택하여 발아 종자와 미발아 종자 탐지를 수행할 수 있다. 모델 적용 후에는 발아 종자들과 미발아 종자들이 각각 녹색 및 빨간색 바운딩 박스로 표시되어 화면에 즉시 결과가 시각화 된다. 또한 탐지 결과로 발아 여부 별 종자 수, 총 종자 수, 수발아율 또는 발아율이 엑셀 파일로 저장된다. 이를 통해 비전문가 사용자의 경우에도 별도의 분석 과정 없이 이미지 기반의 수발아율 또는 발아율 측정을 신속하게 수행할 수 있다.

탈곡·비탈곡 처리 간 수발아율 비교

영상 기반 측정의 경우 비탈곡 이삭은 종자들이 서로 겹치거나 가려지는 경우가 많아 측정이 어렵기 때문에, 보다 정확한 수발아율 측정을 위해서는 종자 탈곡이 필요하였다. 이에 이 실험에서는 탈곡 처리로 측정한 수발아율이 비탈곡 처리와 실제로 차이가 있는지를 검증하고자 비교 분석을 수행하였다. 20개 벼 품종에 대해 탈곡(페트리디쉬) 처리와 비탈곡(이삭) 처리의 수발아율을 비교한 결과, 두 처리 간 전반적으로 유사한 경향을 보였다(Table 2). 대부분의 품종에서 두 처리 간 수발아율 차이(탈곡 수발아율-비탈곡 수발아율)는 10% 이하였으며, 특히 오대, 운봉40호, 고품, 온누리 등에서는 2% 미만의 편차로 거의 동일한 수준을 나타냈다. 일부 품종에서는 탈곡 처리 시 더 높은 수발아율이 조사되었으며 특히 조평(+28.83%), 동안(+17.80%), 화영(+16.90%), 조운(+14.50%)은 다른 품종에 비해 처리간 편차가 크게 나타났다(Fig. 4a). 신동진(-9.67%), 주남(-8.50%), 새일미(-6.96%)에서는 비탈곡 처리의 수발아율이 더 높게 나타났다. 이렇게 탈곡∙비탈곡 처리 간의 수발아율 차이가 품종에 따라 다른 원인에 대해서는 추가적인 연구가 필요하다. 탈립성과의 연관성, 탈곡에 따른 종자에서의 발아 억제 물질의 감소 또는 증가 여부 등에 대한 구명이 필요하다. 또한, 이 연구에서는 온실에서 생육한 식물체의 이삭을 대상으로 측정하였는데 포장에서 생육한 식물체를 대상으로 품종간 편차를 측정할 필요가 있다.

두 처리 간 회귀 분석 결과, 강한 양의 상관관계(R²= 0.8909)를 보였다(Fig. 4a). 또한 20개 품종의 수발아율 차이에 대한 대응표본 t-검정(paired t-test)을 수행한 결과 양측 검정의 p-value가 0.054로 나타나 두 처리 간 평균 차이는 통계적으로 유의하지 않은 것으로 분석되었다(Table 3). 이러한 결과는 품종별 차이는 존재하더라도 전체적 경향에서 탈곡 기반 측정이 비탈곡 측정과 큰 차이를 보이지 않음을 통계적으로도 뒷받침한다. 즉, 수발아율 분석 시 탈곡 처리 기반 측정만으로도 이삭 처리 결과를 충분히 반영할 수 있는 것으로 나타났다.

Fig. 4.

Comparison of PHS rates between threshed (Petri dish) and unthreshed (panicle) methods across 20 rice cultivars. (a) Correlation of PHS rates measured using the two methods. (b) Representative images of PHS phenotypes in threshed and unthreshed samples for ‘Jopyeong’ (top) and ‘Unbong40’ (bottom).

적 요

1.이 연구는 딥러닝 기반 영상 분석 기법을 활용하여 벼 수발아율 및 발아율을 자동 측정하는 모델을 고도화하고, 비전문가도 활용 가능한 사용자 인터페이스(GUI) 모듈을 제작하여 벼 수발아율 및 발아율 측정 프로그램을 개발하는 것을 목표로 수행되었다. 학습 데이터는 다양한 촬영 환경을 고려하여 생성하였으며, 총 132,200개의 종자 이미지로 YOLOv8 모델을 학습하여 탐지 성능을 향상시켰다.

2.개발된 프로그램은 발아 종자와 미발아 종자 탐지 자동화 기능과 라벨링 보조 기능을 포함하여, 이미지 불러오기-탐지-저장까지의 분석 과정을 직관적인 흐름으로 설계하였다. 본 연구에서 개발한 프로그램은 수발아율 및 발아율 측정 과정의 자동화와 효율화에 기여할 것으로 기대된다.

3.수발아 평가 방법의 신뢰성을 검증하기 위해 탈곡(페트리디쉬) 처리와 비탈곡(이삭) 처리 간의 수발아율을 비교하였다. 20개 품종에 대해 수행한 결과, 두 방법 간 강한 양의 상관관계(R²=0.8909)가 나타났으며, 다수 품종에서 편차가 10% 미만으로 확인되었다. 이는 탈곡 처리 기반 영상 분석으로 관행 육안 관찰에 의한 수발아율 측정을 대체할 수 있음을 시사한다.