발병 위험도

요인별 영향

현재 입력이 발병 위험을 높이는지(빨강)/낮추는지(초록) 나타냅니다.

발병 환경 vs 건강 환경 (평균)

질병이 발생한 데이터와 건강한 데이터의 평균 환경 조건 비교입니다.

인식 가능한 식물 (작물별 클래스 수)

이미지 진단 모델 클래스별 검증 정확도

상위/하위 클래스 일부를 표시합니다.

작동 원리

1. 이미지 진단 — MobileNetV2(ImageNet 전이학습) CNN이 잎 사진을 38개 병해 클래스로 분류합니다. 정규화·소프트맥스를 모델에 내장해 브라우저(onnxruntime-web)에서 오프라인 추론합니다.
2. 심각도 추정 — 잎의 병반 색(갈변·황화·반점) 비율을 이미지 처리로 분석해 초기/중기/말기를 추정합니다.
3. 환경 위험 예측 — 온도·습도·강수량·pH로 학습한 그래디언트 부스팅 모델이 발병 확률을 계산합니다.
4. 처방 — 38종 병해 지식 베이스에서 심각도별 조치·예방·후속 관찰을 제공하고, 선택적으로 Gemma 생성형 AI로 맞춤 처방문을 만듭니다.

STEAM 융합 요소

• S 과학 — 발병 조건(온도·습도)을 과학적으로 분석
• T 기술 — CNN 이미지 분류 + 웹 애플리케이션
• E 공학 — 환경 데이터로 발병 확률을 공학적으로 예측
• A 예술/인문 — 누구나 쓰기 쉬운 직관적 UI
• M 수학 — 행렬 연산·확률로 학습, 정확도를 확률로 표현

팀 TPOA

김도윤(AI 모델링) · 김연재(UI 개발) · 김정우(데이터 엔지니어)

주의

본 진단은 참고용 보조 도구입니다. 데이터셋(PlantVillage) 특성상 배경이 단순한 잎 근접 사진에서 가장 정확하며, 실제 방제·약제 사용은 지역 농업기술센터 등 전문가의 확인을 권장합니다.

오프라인 사용

이 앱은 PWA로, 한 번 접속하면 모델을 포함해 오프라인에서도 진단할 수 있습니다.