식물 병 AI 모델·데이터셋 리서치

작성자: plant-ai-researcher 작성일: 2026-05-15 연관 문서: _workspace/00_scope.md

요약

온디바이스 식물 병 진단은 “조건부 가능” 수준에 도달해 있다. 경량 CNN(MobileNetV3, EfficientNet-Lite, MobileViT-XS)을 PlantVillage·PlantDoc 기반으로 파인튜닝하면 5~~15 MB 크기·40~~100 ms 추론으로 모바일에서 충분히 돌릴 수 있다.
그러나 “실험실 99% → 현실 30~70%” 의 정확도 격차가 가장 큰 리스크다. PlantVillage만으로 학습한 모델은 흑/회색 배경 편향(background bias) 때문에 사용자 카메라 이미지에서 무너진다 (재현 가능 사례: 99% → 31%).
즉시 활용 가능한 자원: TensorFlow Hub의 CropNet(카사바 한정), HuggingFace의 linkanjarad/mobilenet_v2_1.0_224-plant-disease-identification (PlantVillage 38클래스, 정확도 0.7858), Daksh159/plant-disease-mobilenetv2 (95% val, Apache-2.0). 한국 가정용 관엽식물 특화 공개 모델은 사실상 없음.
권장 전략: (1) MobileNetV3-Small 또는 EfficientNet-Lite0를 백본으로 사용, (2) PlantVillage + PlantDoc + PlantSeg(in-the-wild) + AI-Hub 시설작물 데이터를 혼합해 도메인 갭 해소, (3) Top-5 정확도 80% 목표는 현실적으로 달성 가능하나 “Top-1 95%+” 마케팅은 위험.

1. 주요 데이터셋 비교

데이터셋	이미지 수	식물 종	병/클래스 수	환경	라이선스	한계
PlantVillage	54,303	14	38 (병+건강)	실험실(단색 배경, 분리된 잎)	학술 무료 / 상업 사용은 별도 확인 필요 (CC BY 표기 사례 다수)	배경 편향 — 배경 픽셀 8개만으로도 49% 정확도. 실사용 시 31%까지 하락
PlantDoc	2,569 (분류) / 2,482 (검출, 8,595 객체)	13	30 / 29	현실(자연 배경, 다양한 조명)	Apache-2.0 (GitHub repo)	작음. 종/병 커버리지 좁음. PlantVillage 보완용으로 적합
PlantSeg (2024)	11,400+	34	115 disease × segmentation mask	In-the-wild (실 환경)	학술 공개 (Scientific Data 2025)	분류가 아닌 segmentation 라벨 중심, 학습 비용 큼
iNaturalist 2021 (Plants)	2.7M (전체, 식물 부분 비율 큼)	10K (전체 종, 식물 다수)	종 식별 라벨만 (질병 라벨 없음)	실 환경(스마트폰 사진)	CC BY-NC 등 다양	질병 라벨이 없어 식물 종 식별 보조용으로만 사용
CCMT	24,881	6 (cashew, cassava, maize, tomato 등)	22	현실(가나 농경지)	Open access	아프리카 작물 중심, 한국 가정 식물과 종 mismatch
DLCPD-25 (2025)	221,943	23	203 (병해충+건강)	혼합(온라인 + 야외 수집)	학술 공개 (MDPI Sensors)	신규로 검증 적음, 라이선스 사용 조건 확인 필요
CropNet (Cassava)	9,430	1 (카사바)	5 + unknown	실 환경	Apache-2.0 (TF Hub)	단일 작물만
AI-Hub 시설작물 (한국)	토마토·장미 등 약 30,000+	10 (시설원예작물)	다수 (역병, 시들음병, 황화 등)	시설 농가 환경	한국지능정보사회진흥원, 비상업/연구 우선 (앱 상업 사용 시 별도 협의 필수)	가정용 관엽식물 미커버. 농가 시설 위주
AI-Hub 시설작물 딸기 (71451)	별도 공개	1 (딸기)	질병 다수	시설	동일 (AI-Hub 약관)	종 한정
농촌진흥청/농사로	비공식 (검색 기반)	한국 재배 작물 31종	병해충 182종	카메라/제보 사진	공공데이터 — 앱 사용 시 사전 협의 권장	API/덤프 형태 공개 제한적

핵심 인사이트:

가정용 관엽식물(몬스테라, 스킨답서스, 아레카야자 등) 전용 공개 데이터셋은 거의 없음. 커스텀 데이터 수집이 필요.
가장 현실적인 학습 조합: PlantVillage(베이스 라인) + PlantDoc(현실 환경 보정) + 자체 수집(가정 식물 보강).
한국 작물 활용은 AI-Hub가 가장 강력하나, 시설농가 환경이므로 가정 환경과 추가 도메인 갭 존재.

2. 모델 아키텍처 비교

2.1 경량 모델 스펙 (ImageNet 기준)

모델	파라미터(M)	모델 크기 (float / int8)	Top-1 (ImageNet)	모바일 적합성
MobileNetV2 1.0×224	3.5	~14 MB / ~3.5 MB	71.8%	매우 좋음 (검증된 baseline)
MobileNetV3-Small	2.5	~10 MB / ~2.5 MB	67.4%	최고 (저전력)
MobileNetV3-Large	5.4	~21 MB / ~5 MB	75.2%	좋음
EfficientNet-Lite0	4.7	~18 MB / ~5.4 MB	75.1% (float), 74.4% (int8)	매우 좋음 (양자화 후 4× 작아짐)
EfficientNet-Lite4	13.0	~50 MB / ~13 MB	80.4%	중상위 폰만 권장
SqueezeNet 1.1	1.2	~5 MB	58.2%	크기 최소화, 정확도 낮음
MobileViT-XS	2.3	~9 MB	74.8%	CNN+ViT 하이브리드, 42~100 ms
MobilePlantViT (2025)	0.69	<4 MB	99%+ on PlantVillage	신규 연구 (검증 더 필요)

2.2 식물 병 분류 정확도 (도메인 특화 파인튜닝 후)

모델 (백본)	데이터셋	정확도	출처
MobileNetV3-Small (개선 LDL-MobileNetV3S)	감자잎 질병	94.89%	Frontiers Plant Sci 2025
MobileNetV3-Small (양자화)	PlantVillage 일부	99.50% (test)	Nature Sci Reports 2025
MobileNetV3 + 전이학습	오렌지/포칸 잎	92.1%	학술 논문
EfficientNet-B0	감자잎 질병	93.23%	학술 논문
EfficientNet-B1	일반 식물 질병	94.7%	학술 논문
EfficientNet-B3	감귤 황롱병	99.58% (test)	학술 논문
RTR_Lite_MobileNetV2	PlantVillage	ResNet101/EfficientNetV2/ViT_B_16/ShuffleNetV2/MobileNetV2 모두 능가	ScienceDirect 2025
MobileViT-XS (Hybrid)	토착작물 병해충	97.3% (42 ms 추론, 4.8 MB)	arXiv 2512.11871
MobilePlantViT	PlantVillage	99%+ (0.69M param)	arXiv 2503.16628
SWIN Transformer (in-the-wild)	실 환경 데이터	88% (CNN baseline 53% 대비)	Frontiers 2025

해석:

PlantVillage 같은 깨끗한 데이터셋에서는 거의 모든 경량 모델이 90~99%에 수렴. 의미 없는 비교가 됨.
“실 환경(in-the-wild)” 테스트가 진짜 차별점. CNN 53% vs SWIN/ViT 계열 88% 격차는 매우 의미 있는 신호.
MobileViT-XS / MobilePlantViT는 모바일 + 정확도 양립의 최신 옵션. 앱 MVP의 1순위 후보.

3. 공개 Pre-trained 모델 (즉시 활용 가능)

3.1 HuggingFace Hub

모델	백본	클래스	정확도	라이선스	링크
`linkanjarad/mobilenet_v2_1.0_224-plant-disease-identification`	MobileNetV2 1.0×224	PlantVillage 38	0.7858 (eval)	“other” (확인 필요)	https://huggingface.co/linkanjarad/mobilenet_v2_1.0_224-plant-disease-identification
`Daksh159/plant-disease-mobilenetv2`	MobileNetV2	38	95% (val)	Apache-2.0	https://huggingface.co/Daksh159/plant-disease-mobilenetv2
`A2H0H0R1/mobilenet_v2_1.0_224-plant-disease-new`	MobileNetV2	38	(미공개)	(확인 필요)	https://huggingface.co/A2H0H0R1/mobilenet_v2_1.0_224-plant-disease-new
`Diginsa/Plant-Disease-Detection-Project`	MobileNet 계열	(확인 필요)	(미공개)	(확인 필요)	https://huggingface.co/Diginsa/Plant-Disease-Detection-Project
`ombhojane/healthyPlantsModel`	(확인 필요)	건강/질병 이진 분류	(미공개)	(확인 필요)	https://huggingface.co/ombhojane/healthyPlantsModel

3.2 TensorFlow Hub / TFLite

모델	종	클래스	라이선스	비고
CropNet Cassava V1	카사바 1종	6 (5 disease + unknown)	Apache-2.0	TFLite 변환 완비. ML Kit 통합 가이드 있음. https://tfhub.dev/google/cropnet/classifier/cassava_disease_V1/2
CropNet On-device 튜토리얼	일반 PlantVillage 활용	38	Apache-2.0	TF Hub의 cropnet_on_device 가이드로 직접 파인튜닝 가능

3.3 GitHub 오픈소스

spMohanty/PlantVillage-Dataset: 원본 PlantVillage 데이터셋 미러
pratikkayal/PlantDoc-Dataset: PlantDoc 분류 데이터셋
pratikkayal/PlantDoc-Object-Detection-Dataset: 검출 버전
rpnugroho/cassava-disease-tflite: 카사바 TFLite Android 예제
root458/Plant-Disease-Detector: Flutter 앱 예제 (TFLite + PlantVillage 기반)
AhmAshraf1/PlanTech-AI: TF 기반 5클래스(Healthy/Powdery/Rust/Slug/Spot) 분류

3.4 상용 API (참고용, 온디바이스 아님)

Pl@ntNet API: 78,304 종, 무료 티어 있음. 클라우드 전용 — 오프라인 불가.
Plant.id / Plant.health (Kindwise): 가정 식물·질병 전문, 9/10 Top-3 정확도. 클라우드 API 위주이나 Kindwise Router(라우팅 분류기) 만 오픈소스 경량 모델 제공.
PictureThis: 식물 식별 98% 자체 주장, 질병 ID 정확도는 75% 수준 (240케이스 비교 테스트, plantdoctor.app 2025). 식별은 서버 사이드이며 오프라인 미지원.

4. 정확도·한계 분석

4.1 실험실 vs 실사용 환경 정확도 격차

환경	일반 보고 정확도
실험실 (PlantVillage 같은 단색 배경)	95–99%
현장 배포 (실제 농가 카메라)	70–85%
극단 사례 (ResNet-50 cross-domain)	31% (PlantVillage 99% → 다른 데이터셋 31% 하락)
잎 1장만 단순 배경 픽셀로 학습	49% (배경 편향 증명)

원인:

배경 편향(background bias): PlantVillage 잎이 단색 천 위에 놓여있어 모델이 배경 분포를 클래스로 학습.
조명 변화: 자연광·실내조명 변화에 취약. PlantVillage는 통제된 광원.
객체 다양성: 줄기·다른 잎과 함께 찍힌 사진을 본 적 없음.
카메라 차이: 스마트폰 노이즈·HDR·압축이 학습 분포 외.

완화 기법 (논문 보고):

배경 재합성(background recomposition): 9.9~23.6% 정확도 향상.
도메인 어댑테이션 (Unsupervised): lab→field 격차 절반 이상 회복.
ViT / SWIN 계열: 같은 in-the-wild 데이터에서 CNN 53% → SWIN 88%. 강건성 우수.
혼합 학습 데이터: PlantVillage + PlantDoc + PlantSeg 혼합 시 generalization 개선.

4.2 기타 한계

조기 병 감지: 대부분 모델은 증상이 명확해진 후만 식별. 잠복기·초기 증상은 90% 이상 모델이 실패하는 영역.
복합 감염: 한 잎에 두 가지 병이 있을 때 멀티라벨 분류는 거의 보고 없음. 대부분 단일 라벨 가정.
지역/계절 차이: 같은 병이라도 지역별 발현 양상이 다른데 데이터셋이 한쪽 지역에 치우침 (대부분 미국·인도).
가정 관엽식물: PlantVillage·PlantDoc 모두 농업 작물(사과, 토마토, 감자 등) 위주. 몬스테라·스킨답서스·고무나무 같은 인기 가정 식물은 거의 미커버.

5. 온디바이스 추천 모델 (앱 MVP 기준)

5.1 1순위: EfficientNet-Lite0 (양자화)

사유: 모델 크기 ~5.4 MB(int8), Top-1 74.4% 유지, TFLite 변환 검증 완료, Apache-2.0 라이선스 친화적.
추론 시간: 중급 Android(스냅드래곤 7시리즈) 기준 30~60 ms 추정.
변환 경로: PyTorch/TF → ONNX → TFLite → CoreML(via coremltools). 모두 검증된 파이프라인.

5.2 2순위: MobileNetV3-Small (개선판 LDL-MobileNetV3S 참조)

사유: 2.5M 파라미터, ~2.5 MB(int8), 저가형 폰 + 배터리 친화. Google 공식 + Apple Core ML Tools 모두 지원.
약점: PlantVillage 외 일반화 성능은 EfficientNet-Lite0보다 약간 떨어짐.

5.3 3순위 (연구 트랙): MobileViT-XS 또는 MobilePlantViT

사유: 실 환경 정확도가 압도적으로 우수(SWIN 사례 참고). 4.8 MB / 42 ms는 충분히 실용적.
약점: TFLite/CoreML 변환 시 attention 연산 일부 fallback 가능성 — ml-framework-researcher와 변환 호환성 확인 필요.
참고 논문: arXiv 2503.16628 (MobilePlantViT), arXiv 2512.11871 (Hybrid CNN-MobileViT).

5.4 부적합 후보

ResNet-50/EfficientNet-B3 이상: 100 MB 이상, 모바일 사용 사례 거의 없음.
SqueezeNet: 모델은 작지만 정확도 부족 (식물 병처럼 subtle 텍스처 분류에 부적합).
클라우드 API(Pl@ntNet, Plant.id): 스코프(오프라인 동작) 위반.

6. ml-framework-researcher에게 공유할 핵심 정보

발견한 모델 형식 호환성:

TFLite 변환 완료된 사례: CropNet Cassava (공식), HuggingFace의 linkanjarad/mobilenet_v2_1.0_224-plant-disease-identification (Keras/PyTorch SavedModel 형태로 변환 가능), root458/Plant-Disease-Detector (Flutter 예제 포함).
CoreML 변환 가능성: MobileNetV2/V3, EfficientNet-Lite 모두 coremltools 공식 지원. MobileViT는 ViT 어텐션 연산 일부가 CoreML에서 fallback될 수 있음 — iOS 16+의 Core ML 4 이상에서 검증 필요.
HuggingFace → TFLite 경로: transformers MobileNetV2 모델은 tf.saved_model 으로 export → TFLiteConverter 로 변환 가능. 38 클래스 PlantVillage 모델 즉시 활용 가능.
양자화 권장 사양: INT8 post-training quantization (대표 데이터셋 500~1000장 보정 필요). 정확도 손실 12%p 수준.

7. report-synthesizer를 위한 핵심 결론

데이터셋·모델 자체는 존재: PlantVillage(38클래스 대표), PlantDoc(현실 환경), HuggingFace의 다수 pre-trained MobileNetV2 모델, TF Hub의 CropNet 등.
실사용 격차가 진짜 리스크: PlantVillage만으로 학습 시 99% → 현장 30~~70%. MVP에서 “Top-5 80%“는 가능하나, 사용자가 카메라로 자유롭게 찍은 사진의 Top-1 정확도는 50~~70%로 보수적으로 기대.
한국 가정 식물 커버리지 부족: AI-Hub 시설작물·농촌진흥청 데이터는 농가 작물 위주이며 몬스테라·스킨답서스 같은 인기 관엽식물은 없음. MVP 이후 자체 데이터 수집 필수.
최적 모델 선택: EfficientNet-Lite0(int8) → MobileNetV3-Small → MobileViT-XS 순서로 PoC 권장.
라이선스 안전: Apache-2.0 모델(Daksh159, CropNet)은 상업 사용 가능. PlantVillage 원본 이미지는 학술 사용 우선 — 상업 앱 학습에 직접 사용하려면 IEEE DataPort 라이선스 조항 별도 검토 필요.

출처

데이터셋

PlantVillage Dataset (Kaggle) — 54,303 이미지, 14 식물 종, 38 클래스
PlantVillage on TensorFlow Datasets
spMohanty/PlantVillage-Dataset (GitHub) — 원본 미러
PlantVillage on IEEE DataPort — 라이선스 정보
PlantDoc-Dataset (GitHub) — 2,569 이미지, 13 종, 30 클래스 (CoDS-COMAD 2020)
PlantDoc Object Detection (Roboflow)
PlantSeg arXiv 2409.04038 — In-the-wild segmentation 데이터셋 (34 식물, 115 disease)
PlantSeg Scientific Data 2025
Uncovering bias in PlantVillage dataset (arXiv 2206.04374) — 배경 편향 증명 논문
Bridging Lab-to-Field gap (ScienceDirect 2025) — 도메인 어댑테이션
CCMT: Dataset for crop pest and disease detection
DLCPD-25 (MDPI Sensors) — 221,943 이미지, 23 작물, 203 클래스
AI-Hub 시설작물 질병진단 데이터셋
AI-Hub 시설작물 딸기
농사로 작목별 병해충 정보
PlantInfoCMS (Sensors 2023) — 한국 PlantInfoCMS, 32 작물 / 185 병해충
iNaturalist 2021 dataset (식별 라벨만)

모델 아키텍처·벤치마크

MobileNetV3 paper (arXiv 1905.02244)
EfficientNet paper (arXiv 1905.11946)
EfficientNet-Lite TensorFlow blog — float Top-1 75.1%, int8 74.4%, 4× 압축
EfficientNet-Lite (tensorflow/tpu)
MobilePlantViT (arXiv 2503.16628) — 0.69M params, 99%+ PlantVillage
Hybrid CNN-MobileViT (arXiv 2512.11871) — 97.3% / 42 ms / 4.8 MB
PMVT: lightweight ViT for plant disease (Frontiers 2023)
LDL-MobileNetV3S (Frontiers 2025) — 94.89% 감자
Optimised MobileNet (Nature Sci Reports 2025)
Mobile-Friendly Deep Learning for Plant Disease (arXiv 2508.10817)
RTR_Lite_MobileNetV2 (ScienceDirect 2025)
Plant disease classification in the wild (Frontiers 2025) — SWIN 88% vs CNN 53%

Pre-trained 모델

상용 서비스 (참고)

Pl@ntNet API docs — 78,304 종, 클라우드 전용
Plant.id / Plant.health (Kindwise)
PictureThis
Best Plant Disease ID Apps 2025 — 240 cases tested (Plant Doctor blog) — PictureThis 질병 정확도 75%