AI의 도움으로 아시아 ‘살인’ 말벌로부터 꿀벌 보호

말벌 침입

“Murder” 말벌은 아시아 말벌, 노다리 말벌, 아시아 포식 말벌이라고도 불리며, 학명 Vespa Velutina 로 알려진, 꿀벌을 잡아먹는 침입성 종입니다.

그 확산을 억제하는 것은 지금까지 어려운 일이며 대부분 실패한 전투였으며, 이 종은 동아시아, 유럽, 그리고 최근에는 북미까지 퍼지고 있습니다.

지금까지 그들의 확산을 제한하려는 노력은 자원봉사자, 양봉가, 환경 기관의 수동 식별에 의존해 왔습니다. 그러나 이는 비효율적인 것으로 드러났으며, 많은 오경보와 탐지되지 않은 말벌 둥지가 너무 많이 존재합니다. 탐지되지 않은 각 둥지는 매년 새로운 여왕벌을 퍼뜨리며, 이 침입성 종의 증식은 기하급수적으로 증가하고 있습니다.

다행히도 AI에 기반한 새로운 방법이 도움이 될 수 있으며, 첨단 머신러닝의 놀라운 새로운 적용을 제공합니다.

꿀벌의 중요성

꿀벌은 수천 년 동안 인간에 의해 길들여져 꿀과 밀랍, 로열 젤리와 같은 귀중한 제품을 생산해 왔습니다.

그들은 또한 생태계의 중요한 구성원으로, 야생화와 중요한 농작물의 수분에 기여합니다. 여기에는 대부분의 과일 나무, 견과류 나무뿐만 아니라 초콜릿, 포도, 토마토, 딸기, 라즈베리, 용설란 등 고가치 작물도 포함됩니다.

전체적으로, 꿀벌은 미국만 해도 무료로 150억 달러 규모의 수분 서비스를 제공하며, 전 세계적으로는 그보다 훨씬 더 많은 가치를 창출하는 것으로 추정됩니다.

최근 수십 년간 꿀벌 개체군은 살충제, 기생충 및 병원균, 토착 꽃과 초원의 감소, 침입 식물, 그리고 기후 변화 등으로 인해 큰 압박을 받아 왔습니다.

말벌 침입

꿀벌에 대한 중요한 위협은 아시아 말벌이며, 새로운 환경에서 꿀벌을 발견하면 이를 집중적으로 공격합니다.

원래 동남아시아가 원산지인 아시아 말벌은 북미, 유럽, 동아시아의 토착 벌 개체군에 대한 강력한 포식자입니다. 동남아시아의 토착 종과 달리, 이 지역의 벌들은 아시아 말벌의 포식으로 생존에 어려움을 겪습니다.

유럽에서의 최초 발견은 2004년 프랑스였으며, 이후 2010년 스페인, 2012년 이탈리아, 2014년 독일로 퍼졌습니다. 북미에서는 2019년에 캐나다와 미국에서 최초로 탐지되었습니다.

토착 꿀벌이 적응하여 아시아 말벌을 견뎌낼 가능성도 있지만, 이를 위해서는 시간이 필요합니다. 따라서 앞으로 수십 년 동안 그들의 개체수를 제한하는 것이 토착 벌 종의 생존을 돕기 위해 절대적으로 필요할 수 있습니다.

출처: Unsplash by USGS 

AI로 말벌 차단

아시아 말벌의 확산을 방지하는 핵심은 새로운 생태계에 그들의 출현을 가능한 한 조기에 탐지하는 것입니다. 초기 둥지나 첫 열 개의 둥지가 더 많은 여왕벌을 퍼뜨리도록 방치하면 개체 수가 매우 빠르게 증가하여 비용과 환경 피해가 기하급수적으로 늘어납니다.

수동 식별은 충분히 신뢰할 수 없을 정도로 불안정합니다. 이전에 자동 탐지 시스템이 시도되었지만, 식별 정확도는 보통 ~74.5–83.3% 수준에 머물렀으며 많은 오양성 결과가 있었습니다.

AI와 머신 비전의 발전을 활용하여 엑서터 대학교 연구진은 99% 이상의 탐지율을 달성했으며, 그 결과는 Nature에 실린 과학 논문 “VespAI: 침입 말벌 탐지를 위한 딥러닝 기반 시스템“에 발표되었습니다.

VespAI 말벌 탐지기

VespAI라는 이름의 AI 말벌 탐지기 프로토타입은 프랑스 해안 근처의 저지 섬에 배치되었습니다.

이 시스템은 카메라, 전원 공급원(배터리 + 40W 태양광 패널) 및 라즈베리 파이 4 하드웨어와 같은 최소 수준의 컴퓨팅을 포함합니다.

출처: Nature

훈련 데이터는 유럽 여러 지점에서 수집되어 수동으로 주석이 달렸으며, 이를 통해 아시아 말벌을 정확히 탐지할 수 있게 되었습니다.

출처: Nature

이 시스템은 아시아 말벌과 토착 말벌 종을 구분할 수 있습니다. 레이어별 관련성 전파(LRP)라는 AI 방법을 사용하여, 각 픽셀의 중요성을 정확히 파악함으로써 아시아 말벌을 정확히 탐지합니다.

예를 들어, 네 번째 복부 구간의 주황색 띠와 날개의 외곽 주변에 위치한 픽셀들이 중요한 데이터 포인트로 작용했습니다.

출처: Nature

사용된 머신 비전 소프트웨어는 YOLOv5 (You Only Look Once)이며, 이는 Ultralytics에 의해 개발된 것으로, 자율주행 자동차 기술의 핵심이 되는 소프트웨어이기도 합니다.

자동화된 말벌 중화로 향하여

탐지기가 비치명적이라는 점 덕분에 아시아 말벌을 그 둥지까지 추적한 뒤 해당 둥지를 파괴할 수 있습니다. 또한 일반적인 말벌 트랩이 다른 종을 죽이는 것과 달리, 이 시스템은 다른 종을 해치지 않습니다.

인간 개입 없이 지속적으로 목표를 탐지함으로써, VespAI의 아시아 말벌 조기 탐지 능력은 수동 식별 방법에 비해 수십 배 이상 뛰어납니다.

이는 아마도 침입을 충분히 조기에 탐지하여 완전히 차단할 수 있는 유일한 신뢰할 만한 옵션이 될 것입니다.

마지막으로, 오픈소스 소프트웨어와 저비용 하드웨어를 사용함으로써 이 시스템의 대규모 배포가 현실적이며 기존 말벌 방제 전략에 비해 비용 경쟁력을 갖추게 됩니다.

또한 클라우드 컴퓨팅에 의존하지 않으며, 아시아 말벌이 탐지되면 WiFi 연결을 통해 알림을 전송합니다. 곤충이 탐지될 때만 AI 분석을 트리거함으로써 전력 소비를 줄입니다.

AI 농업 기업

생태계 관리와 농업은 기술 산업과 AI 관점에서 보면 흔히 “멋지지 않은” 산업으로 인식됩니다.

하지만 이제는 상황이 달라졌으며, 많은 혁신 기술이 농업 분야에 도입되고 있지만 아직 아시아 말벌을 직접 다루는 사례는 없습니다.

1. Arugga

이 회사는 현재까지 580만 달러를 투자받았으며, NVIDIA Metropolis 플랫폼을 통해 개발된 컴퓨터 비전을 활용해 수분이 가능한 꽃을 식별하고, 공기 펄스를 쏘아 수분 과정을 시작하는 AI 기반 로봇을 구축합니다.

이 로봇들의 성능은 말벌과 동등하거나 경우에 따라 최대 5%까지 우수하며, 동시에 데이터를 수집·분석할 수 있는 능력을 제공합니다.

Arugga의 로봇은 품질을 손상시키지 않으면서 최대 20%의 수확량 향상을 입증했습니다. 이동형 지상 로봇인 Polly는 딸기, 블루베리, 토마토 및 기타 작물에 적용됩니다.

가장 최근에는 핀란드 Agrifutura의 4.6헥타르 온실을 세계 최초로 로봇 수분 기술을 완전 활용하는 시설로 전환했습니다.

또한 이스라엘 스타트업 ViewNetic과의 협업을 통해 로봇에 해충 및 질병 탐지를 추가하려고 하고 있습니다. 향후에는 비접촉 가지치기, 수확량 예측, 그리고 식물 하강 기능을 추가할 계획입니다.

2. Advanced.farm

머신 비전의 발전은 수분을 넘어 다양한 분야에 적용될 수 있습니다. 예를 들어, 과일의 성숙도를 정확히 파악하고 수확하는 데 활용될 수 있습니다.

이러한 작업은 일반적으로 노동 집약적입니다. 대신 Advanced.farm은 6개의 로봇 팔, 머신 비전, 그리고 흡착 컵을 사용해 인간이 직접 개입하지 않고도 사과를 부드럽게 수확합니다.

출처: Advanced.farm

또한 야간에도 작업이 가능해 24시간 연속 수확 일정을 가능하게 합니다. Advanced.farm은 또한 인간 수확기보다 5배 더 효율적인 딸기 수확기를 설계했습니다.

따라서 야간에 약간 으스스해 보일지라도(아래 참고), 실제로는 매우 안전하고 효율적입니다.