고려대학교 산학협력프로젝트 딥플랜트

개발기간: 2025.06 ~

Built with Python

프로젝트 개요

육류에 대한 고객/구매자의 맛에 대한 선호도(Tasty preference) 데이터를 육류 이미지와 분석된 미각 데이터로 나누어 체계적으로 수집하고 이를 기반으로 이미지 기반의 육류에 관한 상세한 맛 데이터를 자동으로 분류하고 예측하는 인공지능 예측 모델을 구축하여 향후 고객/구매자들에게 최적화된 육류 개인화 추천을 위한 시스템 개발을 목표로 하며 프로젝트를 추진했습니다.

서비스 화면

Web Admin

육류 및 유저 데이터의 조회/입력/수정/통계/예측 등 관리 및 조회가 가능한 어드민 웹 페이지입니다.

관리자 및 연구자가 사용하기 위한 페이지로 개발되었습니다.

접속 주소 : http://deeplant-web.s3-website.ap-northeast-2.amazonaws.com

Mobile App

육류 맛 예측 인공지능 위한 데이터 수집에 사용되는 어플리케이션입니다.
육류 이력 번호 조회, 사진 촬영, 관능평가 및 실험 데이터 등록, 조회, 수정이 가능합니다.

APK 설치 경로 : http://deeplant-web.s3-website.ap-northeast-2.amazonaws.com

프로젝트 구현

아키텍쳐 구조도

프로젝트 실행

Production 환경

1. git repository clone

2. [환경 변수 및 Secret 변수 설정]

3. git push origin main

Develop 환경

Web

1. git clone https://github.com/deun115/20242R0136COSE48002.git
2. cd test-web
3. npm install
4. npm run start

App

1. flutter 설치
2. Android Studio를 활용하여 에뮬레이터 실행 혹은 실제 모바일 기기 연결
3. git clone https://github.com/deun115/20242R0136COSE48002.git
4. cd app/structure
5. flutter pub get
6. flutter run

Backend & MLflow 서버 실행

스크립트 기반 실행 (권장)

프로젝트의 백엔드와 MLflow 서버는 test-ML-backend/training_HSI/scripts/ 디렉토리에 있는 스크립트를 사용하여 실행할 수 있습니다.

1) MLflow 서버 실행

cd test-ML-backend/training_HSI/scripts/
./run_mlflow.sh

• MLflow 서버가 포트 5000에서 실행됩니다
• configs/mlflow_config.json의 설정을 기반으로 실행됩니다
• 백엔드 스토어와 아티팩트 저장소를 자동으로 설정합니다

2) 백엔드 서버 실행

cd test-ML-backend/training_HSI/scripts/
./run_backend.sh

• FastAPI 백엔드 서버가 포트 8000에서 실행됩니다
• Celery 워커가 백그라운드에서 실행됩니다
• tmux 세션을 사용하여 여러 프로세스를 관리합니다

3) 포트 5000 프로세스 종료

cd test-ML-backend/training_HSI/scripts/
./kill_5000_script.sh

• MLflow 서버 등 포트 5000을 사용하는 프로세스를 안전하게 종료합니다

4) 가상환경을 통한 로컬 실행

# 가상환경 생성 및 활성화
python3 -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# 의존성 설치
cd test-ML-backend
pip install -r requirements_mlops.txt

# MLflow 서버 실행
cd training_HSI/scripts/
./run_mlflow.sh

# 새 터미널에서 백엔드 실행
cd test-ML-backend
uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

백엔드 아키텍처

FastAPI 기반 백엔드

• 메인 서버: app/main.py에서 FastAPI 애플리케이션 초기화
• 라우터 구조: 각 기능별로 모듈화된 API 엔드포인트
  • /train: 모델 학습 API
  • /predict: 예측 API
  • /meat: 육류 데이터 관리
  • /user: 사용자 관리
  • /statistic: 통계 데이터
  • /data-upload: 데이터 업로드
  • /xai: 설명 가능한 AI
  • /hsi-predict: HSI 예측
  • /hsi-train: HSI 학습
  • /spectral: 스펙트럼 정보
  • /dashboard: 대시보드

미들웨어 및 보안

• CORS 설정
• 로깅 미들웨어
• 성능 모니터링
• 전역 예외 처리
• Firebase 인증

데이터베이스

• PostgreSQL 연결
• SQLAlchemy ORM
• Alembic 마이그레이션

Training 파이프라인

HSI (Hyperspectral Imaging) 학습 파이프라인

test-ML-backend/training_HSI/ 디렉토리는 HSI 데이터를 사용한 딥러닝 모델 학습을 위한 완전한 파이프라인을 제공합니다.

지원 모델 아키텍처

• HSI Image Models:
  • ResNet, 2D CNN, ViT, CNN-Transformer
  • Dual Branch Regression, HybridSN
  • SSANet, SSSERN, SpectrumNet
• RGB Image Models: ResNet 기반 모델
• Vector Models: PLSR, Random Forest, Hybrid 모델

주요 기능

• 멀티태스크 학습: 분류와 회귀 태스크를 동시에 학습
• 데이터 증강: 랜덤 크롭, 뒤집기, 회전, 노이즈 추가
• MLflow 통합: 실험 추적, 메트릭 로깅, 모델 저장
• Early Stopping: 검증 손실 기반 자동 중단
• AMP (Automatic Mixed Precision): GPU 메모리 최적화
• Gradient Clipping: 학습 안정성 향상

데이터 처리

• StandardScaler 모드: normalized, raw, off 옵션
• 데이터 누출 방지: 훈련 데이터로만 스케일러 학습
• 메모리 최적화: 무작위 픽셀 샘플링

설정 파일

• column_config.json: 데이터 컬럼, 라벨 타입, 파장 정보 정의
• 모델별 config: 각 모델의 하이퍼파라미터 및 학습 설정
• MLflow 설정: 실험 이름, 추적 URI, 아티팩트 저장소

실행 방법

# HSI 2D CNN 학습
python train_HSI_2d.py --config configs/HSI_image/hsi_resnet.json

# RGB 이미지 학습
python train_RGB.py --config configs/RGB_image/rgb_resnet.json

# 벡터 데이터 학습
python train_vector.py --config configs/HSI_vector/vector_plsr.json

참여자

정진성 (Jinseong Jung)	송재헌 (Jaeheon Song)	김강민 (Kangmin Kim)	김우진 (Woojin Kim)	서연지 (Yeonji Seo)	이정민 (Jeongmin Lee)	김명하 (Myeongha Kim)	황기현 (Kihyun Hwang)	김보민 (Bomin Kim)
GitHub: @JANGHANPYEONG	GitHub: @Songjaeheon0923	GitHub: @The-Numb3	GitHub: @3sirn3203	GitHub: @t2easure	GitHub: @KUCSEPotato	GitHub: @myeonghah	GitHub: @hkihyun	GitHub: @kminbo
고려대학교 컴퓨터학과	고려대학교 컴퓨터학과	고려대학교 컴퓨터학과	고려대학교 컴퓨터학과	고려대학교 컴퓨터학과	고려대학교 컴퓨터학과	고려대학교 컴퓨터학과	고려대학교 컴퓨터학과	고려대학교 컴퓨터학과

Project Tech Stack

Environment

Release

Development

Communication