본 논문에서는 위장 잡초 검출을 위해 설계된 효율적인 모델인 FCBNet을 소개한다. 이 아키텍처는 완전히 고정된(frozen) ConvNeXt 백본, 특징(feature) 정제를 위해 효율적인 합성곱을 활용하는 제안된 특징 교정 블록(Feature Correction Block, FCB), 그리고 경량 디코더를 기반으로 한다. FCBNet은 RGB 및 다중 분광(multispectral) 양식 모두에서 WeedBananaCOD 및 WeedMap 데이터셋을 통해 평가되었으며, mIoU 측면에서 85%를 초과하여 U-Net, DeepLabV3+, SK-U-Net, SegFormer, WeedSense와 같은 모델들을 능가하는 동시에, 학습(training)에 단 0.06~0.2시간만을 필요로 하여 뛰어난 연산 효율성을 달성함을 보여준다. 또한, 백본 고정 전략을 통해 학습 가능한 매개변수 수를 90% 이상 줄여 메모리 요구량을 크게 낮춘다. 코드는 https://github.com/Leo-Thomas/fcbnet 에서 확인할 수 있다.
농업 4.0 로봇 시스템은 밭 작업 효율을 높이지만, 전 세계 농업을 지배하는 분산된 소규모 농장에는 여전히 자본 집약적이다. 한편, 은퇴한 저속 전기차(LSEV) 파워트레인은 점점 늘어나고 있으며, 기능적인 전기·기계적 가치를 보유하고 있음에도 파괴적 재활용되고 있다. 본 논문은 3R(reduce, reuse, recycle) 순환경제 원칙에 따라 구축된 재제조 로봇인 TS-MAMP(Telescopic-Sleeve Modular Agricultural Mobile Platform)를 제시한다. 은퇴한 48 V BLDC(brushless-DC) 허브 모터는 역기전력(back-EMF) 매칭으로 페어링되며, 건강 상태(state of health) 60%–80%로 선별된 납산 배터리 모듈은 모듈 간 전압 편차 100 mV 이내에서 능동 균형화된다. 이러한 재사용 부품들은 함께 파워트레인 및 섀시 BOM 비용을 약 60% 절감하여 USD 450 미만으로 낮춘다(지각 및 제초 모듈 제외). 트러스 섀시는 최소 200 kg 정적 하중, 1200 mm에서 2000 mm까지 연속 조절 가능한 궤폭, 5분 이내 모듈 교환을 제공한다. 일관된 이중 할당(dual-assignment) 학습과 negative-sample 학습을 적용한 NMS-free(non-maximum-suppression-free) YOLOv10n 탐지기는 Wanxi Crop-Weed 데이터셋에서 평균 정밀도(mAP)@0.5 80.87%([email omitted]:0.95 58.41%)를 달성하며, Jetson Nano에서 FP16 TensorRT로 배포되어 온디바이스 추론(inference) 가능성을 확인한다. TS-MAMP는 적절한 선별만으로도 은퇴 EV 부품이 재설계되어 저렴한 AI 기반 농업 로봇으로 전환될 수 있음을 보여주며, 상용 자동화가 닿지 못하는 소농 경작지를 위한 재제조 경로를 연다.
사료용 옥수수 생산에서 잡초 압박은 최대 31.5%의 수확량 손실을 유발하지만, UAV 이미지와 심층 학습(deep learning)을 기반으로 한 지점별 잡초 관리(SSWM) 시스템은 현장 대표성을 갖춘 학습(training) 데이터셋의 부족으로 인해 여전히 제약을 받고 있다. 본 연구에서는 지도 학습 및 반지도 학습 프레임워크 모두에서 다중 클래스 잡초 검출을 지원하기 위해, 유타주 캐시 밸리의 상업용 사료 옥수수 밭에서 수집한 공개 UAV RGB 이미지 데이터셋인 USU-Corn-WeedDB를 제시한다. RGB 이미지는 2025년 6월 27일 Autel EVO II Dual 640T V2 드론을 이용하여 지상 약 10m 고도에서 촬영되었으며, 지상 샘플링 거리(GSD)는 약 0.48 cm/pixel이다. 총 366장의 전체 해상도 이미지를 640×640 픽셀 해상도의 8,800개 패치로 분할하였다. 이 중 800장은 세 가지 잡초 종인 명아주(Chenopodium album), 털비름(Amaranthus retroflexus), 강아지풀(Setaria viridis)에 대해 수동으로 어노테이션되었으며, 총 10,539개의 바운딩 박스 인스턴스로 구성된다. 나머지 8,000개의 타일은 반지도 학습 실험을 위한 비레이블 풀로 보존되었다. 이 데이터셋은 털비름이 전체 어노테이션 인스턴스의 53.86%를 차지하는 자연적인 클래스 불균형을 반영하며, 이는 실제 현장 조건을 그대로 반영하기 위해 의도적으로 유지되었다. 데이터셋의 유용성을 검증하기 위해, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO26, RT-DETR을 포함한 다섯 가지 아키텍처 계열에 걸쳐 28개의 객체 검출(object detection) 모델을 하이퍼파라미터(hyperparameter) 튜닝 없이 동일한 조건에서 학습시켰다. 테스트 세트 [email omitted] 0.773에서 0.840 범위였으며, 경량 모델도 엣지 배포 UAV 시스템에 적합한 경쟁력 있는 성능을 달성하였다. USU-Corn-WeedDB는 https://doi.org/10.5281/zenodo.20044178에서 공개적으로 이용 가능하다.