표현체 분석(Phenomics), 디지털육종의 핵심 데이터 분석 기술

디지털육종은 유전체 분석만으로 완성되지 않습니다.

작물이 실제 환경에서 어떻게 자라고, 어떤 품질을 보이며, 병해나 스트레스에 어떻게 반응하는지를 정확하게 측정하는 과정도 매우 중요합니다.

씨더스는 부산대학교 경남 RISE 사업의 지원을 받아 진행한 디지털육종 데이터분석 교육 5회차에서 표현체 분석(Phenomics) 을 주제로 교육을 진행했습니다.

이번 교육에서는 이미지와 센서 데이터를 활용해 작물의 생육과 품질을 정량적으로 분석하는 방법부터 실제 연구 사례와 실습까지 다루며, 디지털육종에서 표현체 데이터가 왜 중요한지를 소개했습니다.

표현형은 식물의 키와 잎의 크기, 과실의 색과 모양, 수량, 당도, 병징 등 눈으로 관찰하거나 측정할 수 있는 모든 특성을 의미합니다.

이러한 표현형을 대규모로 수집하고 정량적으로 분석하는 분야가 바로 표현체 분석(Phenomics) 입니다.

유전체 데이터가 작물이 가진 잠재력을 보여준다면, 표현체 데이터는 그 유전적 가능성이 실제 재배환경에서 어떻게 발현되는지를 보여줍니다.

 같은 유전형이라도 온도와 수분, 광량 등 환경에 따라 생육과 품질이 달라질 수 있기 때문에, 정확한 표현체 데이터 확보는 디지털육종과 스마트농업의 핵심 기반이 됩니다.



 

표현체 분석은 어떻게 이루어질까요?

표현체 분석은 단순히 식물 사진을 촬영하는 것이 아닙니다.

촬영 목적에 맞는 카메라와 센서를 선택하고, 조명과 거리, 배경을 표준화한 뒤 이미지를 전처리합니다.

이후 잎이나 과실, 종자, 병반과 같은 분석 대상을 정확하게 분리하고, 길이와 면적, 색상, 개수, 부피 등 다양한 형질을 수치화해 데이터로 변환합니다.

이번 교육에서는 다음과 같은 전체 분석 과정을 중심으로 설명했습니다.

데이터 획득 → 이미지 전처리 → 객체 분할 및 검출 → 형질 추출 → AI·통계 분석 → 육종 및 재배 활용

이처럼 이미지는 단순한 사진이 아니라, 품종 개발과 재배 의사결정을 위한 데이터로 활용됩니다.



 

이번 교육에서는 다양한 센서와 이미징 기술을 활용한 표현체 분석 사례도 함께 소개했습니다.

가장 기본이 되는 RGB 이미지는 작물의 색과 형태를 기록해 키와 잎 면적, 과실 크기, 병징 면적 등 다양한 형질을 측정하는 데 활용됩니다.

또한 지속적으로 이미지를 축적하면 AI 기반 분류와 검출 모델의 학습 데이터로도 사용할 수 있습니다.

 

Depth 카메라는 거리와 깊이 정보를 함께 수집해 작물의 높이와 부피, 수관 구조를 분석할 수 있으며, 스마트팜 생육 모니터링과 농업 로봇의 작물 인식 기술에도 활용됩니다.

또한 열화상 이미지는 식물체의 온도 변화를 분석해 수분 부족이나 환경 스트레스를 확인할 수 있으며, 일정한 시간 간격으로 촬영한 시계열 이미지를 활용하면 생육 변화를 장기간 분석할 수 있습니다.

이와 함께 초분광 카메라와 분광기를 이용하면 사람의 눈으로는 확인하기 어려운 내부 품질까지 비파괴 방식으로 예측할 수 있습니다.

교육에서는 토마토의 당도와 벌꿀의 품질을 초분광 데이터로 분석한 사례를 소개하며, 향후 당도와 성숙도, 수분 함량 등을 실시간으로 평가할 수 있는 가능성을 설명했습니다.



 

AI 분석의 성능은 좋은 데이터와 라벨 품질에서 시작됩니다

최근에는 AI를 활용해 이미지 속 식물과 과실을 자동으로 분리하고 분석하는 기술이 빠르게 발전하고 있습니다.

하지만 농업 이미지는 작물의 생육 단계와 촬영 환경에 따라 형태가 크게 달라지고, 잎과 가지가 서로 겹치는 경우도 많아 일반적인 이미지 분석보다 높은 정확도가 요구됩니다.

특히 표현체 분석에서는 과실이나 병반의 경계를 얼마나 정확하게 구분하느냐에 따라 면적과 크기, 병 저항성 평가 결과가 달라질 수 있습니다.

 따라서 정확한 라벨링과 일관된 데이터 구축이 AI 모델의 성능을 결정하는 가장 중요한 요소라는 점을 강조했습니다.

다양한 작물에서 활용되는 표현체 분석

교육에서는 씨더스가 수행한 다양한 표현체 분석 사례도 함께 소개했습니다.

포도는 과실 형태와 종자 위치, 과육 두께를 분석했고, 딸기는 RGB 이미지를 이용해 종자 개수를 자동으로 측정했습니다.

애플망고는 과피 색상을 통해 성숙도를 분석했으며, 포도송이는 과립 수와 밀집도를 측정해 구조적 특성을 평가했습니다.

또한 토마토에서는 병반 면적을 자동으로 계산해 병 저항성을 분석했고, 벼는 생육 과정에서 키와 색상 변화를 시계열 데이터로 분석하는 등 표현체 분석이 품질과 생육, 병해, 환경 반응까지 폭넓게 활용되고 있음을 확인할 수 있었습니다.

이미지가 육종 데이터가 되는 과정

이론 교육 이후에는 Google Colaboratory를 활용한 실습도 진행됐습니다.

수강생들은 이미지를 불러와 분석 대상과 배경을 구분하고, 객체에서 필요한 형질을 추출하는 과정을 직접 수행했습니다.

이를 통해 이미지가 단순한 사진이 아니라 정량적인 육종 데이터로 전환되는 과정을 경험했습니다.

교육에서는 분석 프로그램을 사용하는 것보다 촬영 조건과 분석 목적을 이해하고, 결과가 실제 식물의 특성을 얼마나 정확하게 반영하는지 해석하는 능력이 더욱 중요하다는 점도 함께 강조했습니다.



 

이번 5회차 교육은 NGS, GWAS, QTL, 유전체 선발에 이어 표현체 분석까지 연결되며 디지털육종의 전체 흐름을 이해하는 과정이었습니다.

유전체 데이터가 작물의 잠재력을 보여준다면, 표현체 데이터는 그 잠재력이 실제 환경에서 어떻게 발현되는지를 보여줍니다. 두 데이터를 함께 분석할 때 더욱 정확한 품종 선발과 최적의 재배환경 설계가 가능해집니다.

씨더스는 앞으로도 유전체·표현체·환경 데이터를 연결하는 디지털육종 기술을 지속적으로 고도화하고, 대학 및 지역기관과의 협력을 통해 데이터를 실제 품종 개발과 스마트농업에 활용할 수 있는 전문 인재를 양성해 나가겠습니다.

데이터는 식물을 더 깊이 이해하기 위한 새로운 언어입니다.

씨더스는 앞으로도 데이터를 기반으로 더 정확한 육종과 스마트농업에 적용할 수 있는 디지털육종 인재 양성에 기여하겠습니다.

 

DATA IS REAL

씨더스는 데이터와 AI로 더 건강한 먹거리를 제안하는 기업입니다.