AI로 사진 한 장으로 식물 식별하는 방법

잎 한 장, 꽃, 또는 식물 전체를 고른 빛 아래에서 촬영한 뒤 이미지 매칭 모델이 수만 종의 참조 데이터베이스와 비교해 가장 가까운 후보를 순위 매기게 하는 것이 AI로 식물을 식별하는 방법이다. 최상위 결과는 확신에 찬 추측으로 다루되 확정으로 여기지 말고, Royal Horticultural Society의 Plant Finder 같은 독립적인 출처로 확인하기 전까지는 신뢰를 유보해야 한다. FlorAI의 AI Plant Scan은 정확히 이런 방식으로 작동한다. 정원의 어떤 식물이든 스마트폰 카메라를 갖다 대면 몇 초 안에 유력한 종과 기본 관리 정보를 알려준다.

사진으로 AI를 이용해 식물을 어떻게 식별하나?

거의 모든 식물 식별 앱 뒤에 있는 모델은 수백만 장의 라벨링된 사진으로 훈련된 합성곱 신경망으로, 이미지 인식의 표준 아키텍처 중 하나다. 이 모델은 식물학자처럼 식물을 "보는" 것이 아니라, 이미지를 훈련 데이터에서 학습한 일련의 수치적 특징으로 변환하고 그 특징이 참조 세트의 각 종과 얼마나 가까운지 측정한다. 출력값은 단일한 답이 아니라 순위가 매겨진 후보 목록이며, 보통 각 후보에 신뢰도 점수가 붙는다. 최상위 결과의 점수가 높다는 것은 사진이 해당 종의 확인된 사례 다수와 강하게 닮았음을 의미한다. 여러 후보에 점수가 고르게 분산되어 있다는 것은 사진이 모호하다는 뜻이며, 흔히 촬영한 부위에서 근연 두 종이 거의 동일하게 보이기 때문에 발생한다.

실제로는 FlorAI의 AI Plant Scan을 포함해 대부분의 도구에서 순서가 동일하다.

1. 식물 하나를 촬영하되, 가장 뚜렷한 구분 특징인 활짝 핀 꽃, 또는 꽃이 없다면 잎으로 프레임을 최대한 채운다.
2. 사진을 제출하고, 하나로 강제된 답이 아니라 모델이 후보 종의 순위 목록을 반환하게 한다.
3. 앱이 신뢰도를 표시한다면 최상위 이름만 믿지 말고 그 수치를 확인한다.
4. 정확하다고 판단하기 전에 최상위 후보를 전형적인 잎 모양, 꽃 색깔, 성숙 크기와 대조한다.
5. 첫 결과가 불확실해 보이면 식물의 다른 부위를 한 장 더 촬영한다. 잎과 꽃의 조합은 어느 한쪽만으로는 해결되지 않는 훨씬 많은 경우를 해결한다.

식물 사진을 식별 가능하게 만드는 요소는?

사람이 보기에 좋은 사진이 모델이 분류하기 쉬운 사진과 자동으로 일치하지는 않는다. 실제로 정보를 담는 특징은 형태, 가장자리 디테일, 색상, 패턴이며, 이 모두는 손동작 흔들림, 피사체만큼이나 산만한 배경, 모델에 필요한 바로 그 가장자리를 날려버릴 만큼 강한 빛이라는 몇 가지 흔한 실수로 손상된다. 좋은 식별 사진에는 몇 가지 공통 특징이 있다.

• 식물 하나, 사진 한 장. 화단 전체가 아닌 한 개체로 프레임을 채워, 모델이 여러 종을 동시에 평균 내지 않도록 한다.
• 고르고 자연스러운 빛. 흐린 날의 햇빛이나 트인 그늘은 실제 색과 잎 질감을 보여주지만, 한낮의 강한 햇빛과 실내 조명은 둘 다 이를 왜곡한다.
• 초점이 맞은 구분 특징. 꽃이 있다면 꽃, 없다면 각도를 주지 않고 평평하게 찍은 잎 전체.
• 단순하거나 흐릿한 배경. 식물 뒤로 손, 흙 조각, 초점이 흐린 잔디밭이 있으면 모델의 주의가 피사체에 머문다.
• 진단에 필요한 부위를 자르지 않기. 꽃의 절반이나 잎끝을 잘라내면 매칭이 의존하는 바로 그 디테일이 사라진다.

첫 스캔 결과가 불확실하다면 RHS는 두 가지 실용적인 조치를 제안한다. 위에서는 보이지 않는 독특한 잎맥 패턴을 자주 보여주는 잎 뒷면을 촬영하는 것, 그리고 그늘이나 실내 인공조명 대신 자연광에서 다시 시도하는 것이다. 두 가지 모두 첫 시도 때 충분히 사용 가능한 디테일이 모델에 전달되지 않았다는 동일한 근본 문제를 다룬다.

잎, 꽃, 나무껍질 중 무엇을 촬영해야 할까?

무엇이 가능한지에 따라 다르지만, 각 부위가 담는 정보량은 동일하지 않다. Plant Methods에 실린 동료 심사 비교 연구는 식물의 여러 기관에 걸쳐 식별 정확도를 검증했고, 꽃 사진이 단일 입력으로서 가장 강력하며 종 전체에 걸쳐 평균 약 88%의 상위 1위 정확도를 보인 반면, 식물 전체 사진은 약 77%였다. 잎만 찍은 사진은 그 사이였고, 같은 초본 종에 대해 별도로 측정한 정확도는 꽃 기반 92.6%, 잎 기반 84.9%였다. 어떤 기관도 완벽하지는 않았다. 꽃은 잎이 가질 수 없는 색, 대칭성, 구조를 담지만, 잎은 어떤 꽃보다도 몇 달은 더 오래 이용할 수 있다.

그 연구에서 가장 강력한 결과는 단일 기관이 아니라 여러 시점을 결합한 것이었다. 같은 개체의 꽃 사진과 잎 사진을 결합하자 평균 정확도가 약 93.7%까지 올랐고, 두 번째 꽃 각도를 추가하자 약 95.8%가 되었다. 연구자들의 결론은 정원에서 스마트폰을 쓰는 누구에게나 정말 유용한 규칙이다. 식물의 어느 한 부위도 모든 구분 특징을 담지 못하므로, 같은 개체의 서로 다른 부위를 찍은 두 장의 사진이 어느 한 부위만 찍은 한 장의 사진보다 일관되게 더 낫다.

• 개화 중: 먼저 꽃을 정면에서 촬영하고, 결과가 불확실하게 느껴지면 잎도 촬영한다.
• 개화하지 않음: 성숙하고 손상되지 않은 잎을 위에서 촬영하고, 위쪽 스캔 결과가 불명확하면 뒷면도 촬영한다.
• 목질이며 잎이 없음: 나무껍질 무늬와 전체적인 가지치기 형태가 유일한 선택지이며, 이것만으로 얻는 정확도는 셋 중 가장 낮다. 어떤 결과든 답이 아니라 출발점으로 다루어야 한다.

AI 식물 식별은 얼마나 정확한가?

취미 원예가에게 진정으로 유용할 만큼 정확하지만, 중요한 일에 대해서는 확인을 건너뛸 만큼 정확하지는 않다. 위에서 언급한 Plant Methods 연구는 알려진 종의 통제된 테스트 사진에서 결합 정확도를 90%대 중반으로 제시했다. 이는 강력한 결과이지만, 선명한 개체, 숙련된 촬영자, 애초에 훈련 데이터에 포함되어 있던 종이라는 유리한 조건에서 측정된 것이다. 실제 정원 사진은 더 지저분하며, 교잡 품종이거나 어린 묘목이거나 훈련 세트에서 단순히 드문 식물은 헤드라인 수치보다 낮은 점수를 받는다.

모델에서는 어떤 개별 설계 선택보다 규모가 더 중요하다. 수만 종을 아우르는 확인된 사진을 대규모로, 그리고 꾸준히 늘려가며 학습한 식별 도구는 더 많은 사람이 관찰 기록을 제출하고 검증할수록 계속 향상되지만, 작고 고정된 데이터셋으로 학습한 도구는 그렇지 않다. 이 차이는 또한 훈련 데이터에 풍부하게 반영된 흔한 정원 식물과 널리 퍼진 야생화의 식별이, 참조 사진이 적은 희귀한 지역 종보다 훨씬 잘 작동하는 이유이기도 하다.

AI 식물 식별은 어디서 틀리는가?

그 외에는 훌륭한 모델도 네 가지 상황에서는 어김없이 걸려 넘어진다. 앱이 그저 고장 났다고 단정하기보다 이런 상황을 알아두는 것이 도움이 된다.

• 닮은 종. 많은 정원 식물에는 가까운 근연종이 있어, 사진에 담기지 않은 세부 사항, 즉 잎의 톱니, 꽃 중심의 색, 꽃잎 수 등으로만 구별된다.
• 재배 품종. 겹꽃, 무늬잎, 특이한 색을 위해 육종된 이름 붙은 품종은 모델이 주로 훈련받은 야생종과 눈에 띄게 다르게 보일 수 있다.
• 어린 생장 단계. 묘목의 첫 잎은 성숙한 잎과 전혀 다르게 보이는 경우가 많아, 어린 식물은 어떤 앱을 쓰든 더 어려운 식별 사례 중 하나다.
• 품질이 나쁜 원본 사진. 흔들림, 역광, 어수선한 배경은 모델이 의존하는 바로 그 디테일을 없애버리며, 처음부터 담기지 않은 정보는 어떤 처리로도 복구할 수 없다.

이런 점들이 눈앞의 식물에 대한 빠른 첫 추측이라는 AI 식별 본연의 용도에서 신뢰성을 떨어뜨리지는 않는다. 다만 그 결과가 과정의 끝이 아니라 다음 단계의 출발점이라는 것을 의미한다.

이미 정원에 있는 식물을 식별해보세요

FlorAI의 AI Plant Scan은 사진으로 식물 이름을 알아내고 몇 초 안에 기본 관리 정보를 제공하며, AI Plant Health는 시들어가는 식물에서 흔한 문제를 짚어줍니다. 두 기능 모두 사진 기반 정원 디자인에 쓰이는 것과 같은 무료 앱에 담겨 있으며, 아이폰, 안드로이드, 웹에서 앱을 다운로드해 이용할 수 있습니다.

Try the Web App→

Version 1.1.1 · 132 MB

AI 식물 식별 결과를 어떻게 확인할까?

앱의 답변을 단서로 다루고, 독립적인 확인으로 마무리하라. 몇 분이면 충분하다.

1. 제안된 이름을 RHS Plant Finder에서 검색한다. 35,000종 이상의 식물을 사진과 재배 정보와 함께 다루며, 잎 모양, 꽃 색깔, 성숙 크기를 자신의 개체와 비교할 수 있다.
2. 그래도 불확실하거나 식물이 독성이나 침입종일 수 있다면, 사진과 제안된 이름을 지역 원예점, 정원 센터 또는 전문 상담 기관에 보여주라. 사람의 2차 의견이 남은 의문 대부분을 해소해준다.
3. 제안된 종이 야외에서 자신의 기후에서 살아남을 수 없어야 하는 식물이라고 주장한다면 USDA 내한성 구역 지도와 대조해 타당성을 확인한다. 자신의 구역에 어울리지 않는 결과는 이색적인 발견이 아니라 오식별의 신호다.
4. 결과가 여전히 틀린 것 같으면 식물의 다른 부위를 한 장 더 촬영해 다시 시도한다. 잎-꽃 조합은 사진 한 장으로는 모호했던 경우를 해결한다.

RHS Plant Finder에서 일치가 확인되고 그 종이 자신의 기후 및 이미 알고 있는 식물 정보와 맞는다면, 물 주기, 비료 주기, 화분 놓을 위치 같은 일상적인 원예 결정에는 합리적인 근거가 된다. 다만 다음에 다룰 사례에서 전문가의 확인을 대체할 수는 없다.

독성 및 침입종 식물을 정확히 식별하는 것이 왜 중요한가

대부분의 오식별은 잘못된 관리 방법 정도의 대가만 치른다. 소수는 실제로 중대한 결과를 가져오며, 바로 이런 경우가 빠른 앱 결과에서 멈춰서는 안 되는 지점이다. AI 식별만을 근거로 어떤 식물, 열매, 버섯도 절대 먹지 말아야 한다. 닮은 종은 식용 종과 독성 종을 모두 포함하는 바로 그 과에서 흔히 나타나며, 그런 상황에서의 잘못된 추측은 사소한 문제가 아니다. 반려동물이나 아이가 정원에서 무언가를 먹었을 가능성이 있다면, 식별 문제보다 건강 문제로 먼저 다루고, 앱이 식물을 확인해줄 때까지 기다리지 말고 중독 관리 서비스나 수의사 상담을 이용해야 한다. 앱이 침입종으로 표시한 것을 제거하기 전에도 같은 주의가 필요하다. 실제로는 원하는 자생종일 수도 있는 식물을 뽑아내기 전에 지역 전문 기관이나 RHS를 통해 결과를 확인하라.

그 밖의 경우, 즉 화단에 저절로 자란 식물의 이름을 알아내거나, 2년 전에 샀다고 생각하는 관목이 맞는지 확인하거나, 이전 소유자가 울타리를 따라 무엇을 심었는지 알아내는 일이라면, 확인된 AI 식별은 정말 유용한 정보이며, 무엇을 남기고 무엇을 옮기고 그 주변의 새로운 디자인이 어떤 모습이어야 할지 결정하는 데 직접 도움이 된다. FlorAI의 AI 정원 디자인은 정확히 그 식물 목록을 활용해 알 수 없는 요소를 피하기보다 이미 자라고 있는 것과 어울리는 재설계를 계획하며, 전후 비교는 실제 정원 사진과 결과를 나란히 보여준다. 사진 한 장을 완전한 레이아웃으로 바꾸는 단계별 과정은 사진으로 하는 AI 정원 디자인에서 다루며, 정원 레이아웃을 계획하는 방법은 이미 무엇이 자라고 있는지 정확히 알고 난 다음 무엇을 해야 하는지 다룬다.

자주 묻는 질문

잘 활용하면 AI 식물 식별은 그대로 받아들이는 판정이 아니라 확인을 거치는 빠른 첫 답변이다. 꽃이나 잎을 선명하게 찍은 사진, RHS Plant Finder와의 교차 확인, 그리고 무언가를 먹거나 제거하기 전 잠깐의 주의가 균형을 제대로 맞춰준다. FlorAI의 AI Plant Scan은 정확히 이런 일상적 용도를 위해 만들어졌으며, 아이폰, 안드로이드, 웹에서 무료로 사용해볼 수 있다.