KR101811640B1 - 기계학습을 이용한 작물의 생산량 예측장치 및 방법 - Google Patents

기계학습을 이용한 작물의 생산량 예측장치 및 방법 Download PDF

Info

Publication number
KR101811640B1
KR101811640B1 KR1020160099009A KR20160099009A KR101811640B1 KR 101811640 B1 KR101811640 B1 KR 101811640B1 KR 1020160099009 A KR1020160099009 A KR 1020160099009A KR 20160099009 A KR20160099009 A KR 20160099009A KR 101811640 B1 KR101811640 B1 KR 101811640B1
Authority
KR
South Korea
Prior art keywords
data
farmhouse
crop
growth
information
Prior art date
Application number
KR1020160099009A
Other languages
English (en)
Inventor
이주영
이운석
양중석
이택성
이택진
권만재
김형석
노주원
오상록
Original Assignee
한국과학기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술연구원 filed Critical 한국과학기술연구원
Priority to KR1020160099009A priority Critical patent/KR101811640B1/ko
Application granted granted Critical
Publication of KR101811640B1 publication Critical patent/KR101811640B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • General Health & Medical Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 기계학습을 이용한 작물의 생산량 예측장치 및 방법이 개시된다. 본 발명에 따른 기계학습을 이용한 작물의 생산량 예측장치는 작물의 생육정보, 환경정보 및 병충해정보 중 적어도 하나의 정보가 포함된 농가 데이터를 수신하는 통신부 및 통신부로부터 수신된 농가 데이터를 기계학습(machine learning)으로 작물의 생육을 예측하는 생육모델을 생성하고, 생성된 생육모델을 이용하여 상기 작물의 생산량을 예측하는 제어부를 포함한다.

Description

기계학습을 이용한 작물의 생산량 예측장치 및 방법{Prediction apparatus and method for production of crop using machine learning}
본 발명은 작물의 생산량 예측장치에 관한 것으로, 보다 상세하게는 작물의 생육정보를 이용하여 작물의 생산량을 예측하는 기계학습을 이용한 작물의 생산량 예측장치 및 방법에 관한 것이다.
최근, 스마트농업과 시설원예시설의 활성화로 인해 작물 생산량이 날로 증가되고 있는 실정이다. 이에, 국내 환경에서도 적용 가능한 작물의 생산량 예측장치가 다양한 분야에서 연구 및 개발되고 있다.
한편, 종래의 생산량 예측장치는 국한된 환경에서 불충분한 실험, 불충분한 데이터 및 생화학적 이론 중심으로부터 얻어진 인자들을 입력인자로 사용하기 때문에 예측결과를 신뢰할 수 없는 문제점이 있다.
따라서, 이러한 문제점을 극복하면서 국내 환경에 적용이 가능한 작물의 생산량 예측장치가 필요한 실정이다.
한국공개특허공보 제10-2013-0019051호(2013.02.26.)
본 발명이 이루고자 하는 기술적과제는 농가 데이터를 이용하여 작물의 생육모델을 생성하고, 생성된 생육모델을 이용하여 작물의 생산량을 예측하는 기계학습을 이용한 작물의 생산량 예측장치 및 방법을 제공하는데 목적이 있다.
본 발명이 이루고자 하는 다른 기술적과제는 농가 데이터를 축적함에 따라 작물의 생산량 예측에 대한 결과의 신뢰성이 높아지는 기계학습을 이용한 작물의 생산량 예측장치 및 방법을 제공하는데 목적이 있다.
상기 목적을 달성하기 위해, 본 발명에 따른 기계학습을 이용한 작물의 생산량 예측장치는, 작물의 생육정보, 환경정보 및 병충해정보 중 적어도 하나의 정보가 포함된 농가 데이터를 수신하는 통신부 및 상기 통신부로부터 수신된 농가 데이터를 기계학습(machine learning)으로 상기 작물의 생육을 예측하는 생육모델을 생성하고, 상기 생성된 생육모델을 이용하여 상기 작물의 생산량을 예측하는 제어부를 포함한다.
또한 상기 제어부는, 상기 작물의 생육모델을 생성하기 전에, 상기 농가 데이터를 데이터 표준화 포맷에 맞도록 수집을 하고, 상기 수집된 농가 데이터를 선별하여 필터링하는 것을 특징으로 한다.
또한 상기 제어부는, 상기 수신된 농가 데이터를 동일한 작물 및 종 별로 분류하고, 상기 분류된 농가데이터를 인자(factor) 별로 분류하여 상기 데이터 표준화 포맷에 맞도록 수집하는 데이터 수집부, 상기 수집된 농가 데이터를 분석하여 데이터 오류가 있는 농가 데이터 및 데이터 품질이 기준치보다 미달인 농가 데이터를 선별한 후, 필터링하는 데이터 분석부, 상기 필터링된 농가 데이터를 상기 기계학습으로 상관관계 분석 및 회귀분석을 수행하여 상기 생육모델을 생성하는 생육모델 생성부 및 상기 생성된 생육모델을 이용하여 상기 작물의 생중량에 대한 생산량을 예측하는 생산량 예측부를 포함하는 것을 특징으로 한다.
또한 상기 데이터 수집부는, 상기 수집된 농가 데이터를 시간대별로 정렬하여 데이터베이스화를 하는 것을 특징으로 한다.
또한 상기 생육모델 생성부는, 상기 데이터베이스화된 농가 데이터를 이용하여 상기 생육모델을 생성하는 생성모듈, 상기 필터링된 농가 데이터를 상기 생육모델과 비교하여 현재 작물의 생육상태를 분석하고, 상기 분석된 생육상태를 이용하여 상기 작물의 생산량이 가장 높은 생육환경을 예측하는 예측모듈 및 상기 예측된 생육환경을 이용하여 상기 필터링된 농가 데이터 중 상기 작물의 생산량 및 품질이 가장 높은 농가 데이터 집합(cluster)을 산출하고, 상기 산출된 농가 데이터 집합을 상기 생성모듈에 제공하여 상기 농가 데이터를 업데이트시키는 학습모듈을 포함하는 것을 특징으로 한다.
또한 상기 생육모델 생성부는, 상기 생성모듈, 상기 예측모듈 및 상기 학습모듈을 순차적으로 반복 수행하여 상기 기계학습을 하는 것을 특징으로 한다.
또한 상기 생성모듈은, 상기 필터링된 농가 데이터 중 서로 다른 인자들을 조합하여 복수의 패턴을 생성하고, 상기 생성된 복수의 패턴 중 특정 작물 및 종에 대한 특정패턴을 반복적인 상기 상관관계 분석 및 상기 회귀분석으로 추출하며, 상기 추출된 특정패턴을 이용하여 상기 생육모델을 생성하는 것을 특징으로 한다.
또한 상기 데이터 표준화 포맷은, 시설 및 재배 정보, 생육정보, 환경정보 및 농가기타정보 중 적어도 하나의 인자가 미리 정해진 표준데이터 규격에 따라 구분되는 것을 특징으로 한다.
또한 상기 작물의 생육정보는 생산량, 경경, 총경, 엽면적지수(leaf area index, LAI), 엽온, 줄기두께, 화방간격, 생장속도, 생장강도 및 생장상 중 적어도 하나의 인자를 포함하고, 상기 환경정보는 온실의 형태, 환경설비, 운영온도, 습도, 순간광량, 이산화탄소 농도, 배지함수량, 배지EC 및 운영정보 중 적어도 하나의 인자를 포함하며, 상기 병충해정보는 병충해발생빈도 및 식물생리장애정보 중 적어도 하나의 인자를 포함하는 것을 특징으로 한다.
본 발명에 따른 기계학습을 이용한 작물의 생산량 예측방법은, 작물의 생육정보, 환경정보 및 병충해정보 중 적어도 하나의 정보가 포함된 농가 데이터를 수신하는 단계, 상기 수신된 농가 데이터를 기계학습으로 상기 작물의 생육을 예측하는 생육모델을 생성하는 단계 및 상기 생성된 생육모델을 이용하여 상기 작물의 생산량을 예측하는 단계를 포함한다.
본 발명에 따른 기계학습을 이용한 작물의 생산량 예측장치 및 방법은 농가 데이터를 이용하여 작물의 생육모델을 생성하고, 생성된 생육모델을 이용하여 작물의 생산량을 예측할 수 있다.
또한 농가 데이터를 축적함에 따라 작물의 생산량 예측에 대한 결과의 신뢰성을 높일 수 있다.
도 1은 본 발명의 일 실시예에 따른 재배시설 제어시스템을 설명하기 위한 구성도이다.
도 2는 본 발명의 일 실시예에 따른 생산량 예측장치를 설명하기 위한 블록도이다.
도 3은 도 2의 제어부를 설명하기 위한 블록도이다.
도 4는 도 3의 생육모델 생성부를 설명하기 위한 블록도이다.
도 5는 본 발명의 일 실시예에 따른 생산량 예측방법을 설명하기 위한 순서도이다.
이하 본 발명의 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의한다. 또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 당업자에게 자명하거나 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 재배시설 제어시스템을 설명하기 위한 구성도이다.
도 1을 참조하면, 재배시설 제어시스템(300)은 재배시설(200)의 환경상태, 작물생장 등에 대한 상태변화를 제어하여 작물의 생장에 최적화된 환경조건을 유지한다. 여기서, 재배시설(200)은 스마트팜(smart farm)일 수 있다. 재배시설 제어시스템(300)은 생산량 예측장치(100) 및 재배시설(200)을 포함한다. 여기서, 작물은 토마토, 파프리카, 감자, 고추, 담배, 버섯 등과 같은 채소류이거나, 사과, 배, 포도, 귤, 감, 바나나 등과 같은 과일류이거나, 관상하기 위해 재배되는 모든 작물인 화훼일 수 있다.
생산량 예측장치(100)는 재배시설(200)에서 재배되는 작물의 생산량을 예측한다. 이 때, 생산량 예측장치(100)는 작물의 생육모델을 생성하고, 생성된 생육모델을 이용하여 작물의 생산량을 예측함으로써, 사용자는 작물의 생산량을 미리 확인할 수 있다.
재배시설(200)은 사물 인터넷(Internet of Thing, IoT) 기술을 이용하여 작물 재배 시설의 온도, 습도, 광량, 이산화탄소, 토양 등을 측정 분석하고, 분석결과에 따라 최적의 상태를 유지시키는 농장이다. 이를 수행하기 위해, 재배시설(200)은 농장(210), 센서부(230), 액추에이터(actuator)(250) 및 농장 제어장치(270)를 포함한다.
농장(210)은 작물이 생장하는 공간이다. 농장(210)은 농작물 또는 화훼와 같은 작물이 생장되며, 바람직하게는 온실로 이루어질 수 있다.
센서부(230)는 복수개의 센서들을 포함하고, 각 센서들은 일정 간격으로 이격되어 농장(210)에 설치된다. 이 때, 센서부(230)는 온도센서, 습도센서, 이산화탄소센서, 광센서, 토양수분센서, 엽온센서 등과 같은 다양한 종류의 센서를 포함하여 농장(210)의 시설환경, 작물생장, 근권부 및 병충해에 대한 상태를 측정한다. 온도 센서는 농장(210) 내의 온도를 측정한다. 습도 센서는 농장(210) 내의 습도를 측정한다. 이산화탄소센서는 농장(210) 내의 이산화탄소 양을 측정한다. 광 센서는 농장(210) 내의 일조량을 측정한다. 토양수분센서는 농장(210) 내의 토양에 함유된 수분을 측정한다. 엽온센서는 농장(210) 내의 작물잎에 대한 온도를 측정한다.
액추에이터(250)는 농장(210)의 환경조건을 유지시킨다. 액추에이터(250)는 농장(210) 내에 배치되고, 작물이 생장되는데 필요한 환경조건을 조성한다. 액추에이터(250)는 복수개를 포함하고, 전기, 유압, 압축공기 등을 이용하여 구동되는 장치이다. 예를 들면, 액추에이터(250)는 냉난방 장치, 팬 장치, 스프링클러, 급수 펌프, 이산화탄소 발생기, 조명장치 또는 개폐장치 등일 수 있다. 냉난방장치는 농장(210) 내의 온도 조절을 한다. 팬 장치는 농장(210) 내의 공기 순환 및 공기 환기를 조절한다. 스프링클러 및 급수 펌프는 농장(210) 내의 물 공급을 조절한다. 이산화탄소 발생기는 이산화탄소의 농도를 조절한다. 조명장치 및 개폐장치는 농장(210) 내의 채광을 조절한다. 여기서, 조명장치는 LED 조명장치로 구성되어 작물에 필요한 스펙트럼을 포함하는 조명을 조사할 수 있고, 개폐장치는 농장(210)의 지붕을 열고 닫음으로서, 일조량을 조절할 수 있다.
농장 제어장치(270)는 센서부(230)에서 측정된 측정정보를 이용하여 농장(210)의 정보를 포함하는 농가 데이터를 생산량 예측장치(100)로 송신한다. 따라서, 농장 제어장치(270)는 통신모듈을 포함할 수 있다.
도 2는 본 발명의 일 실시예에 따른 생산량 예측장치를 설명하기 위한 블록도이다.
도 1 및 2를 참조하면, 생산량 예측장치(100)는 농가 데이터를 이용하여 작물의 생육모델을 생성하고, 생성된 생육모델을 이용하여 작물의 생산량을 예측한다. 생산량 예측장치(100)는 농가 데이터를 축적함에 따라 작물의 생산량 예측에 대한 결과의 신뢰성이 높아진다. 생산량 예측장치(100)는 데스크톱, 랩톱, 서버 컴퓨터, 클러스터 컴퓨터 등의 컴퓨터 시스템일 수 있다.
생산량 예측장치(100)는 통신부(10), 제어부(20), 출력부(30), 입력부(40) 및 저장부(50)를 포함한다.
통신부(10)는 작물의 생육정보, 환경정보 및 병충해정보 중 적어도 하나의 정보를 포함하는 농가 데이터를 수신한다. 이 때, 통신부(10)는 유무선 통신을 이용하여 원격으로 농가 데이터를 수신할 수 있다. 여기서, 작물의 생육정보는 생산량, 경경, 총경, 엽면적지수(leaf area index, LAI), 엽온, 줄기두께, 화방간격, 생장속도, 생장강도 및 생장상 중 적어도 하나의 인자를 포함한다. 환경정보는 온실의 형태, 환경설비, 운영온도, 습도, 순간광량, 이산화탄소 농도, 배지함수량, 배지EC 및 운영정보 중 적어도 하나의 인자를 포함한다. 병충해정보는 병충해발생빈도 및 식물생리장애정보 중 적어도 하나의 인자를 포함한다.
통신부(10)는 제어부(20)에서 예측된 작물의 생산량 및 생육모델에서 시뮬레이션된 데이터를 사용자 단말(미도시)로 송신하여 사용자에게 제공할 수 있다. 이를 통해, 사용자는 어느 위치에서든 작물에 관한 데이터를 확인할 수 있다.
제어부(20)는 통신부(10)에서 수신된 농가 데이터 및 후술되는 입력부(40)에서 입력된 농가 데이터를 데이터 표준화 포맷에 맞도록 수집을 한다. 제어부(20)는 수집된 농가 데이터를 데이터베이스화시킬 수 있다.
여기서, 데이터 표준화 포맷은 미리 정해진 표준데이터 규격으로써, 온실, 비닐하우스, 환풍, 난방 등과 같은 시설 및 재배 정보, 엽면적, 엽수, 수확량, 생육속도 등과 같은 생육정보, 온실내부환경, 온실외부환경, 토양근권환경 등과 같은 환경정보 및 적엽, 농약사용, 비료사용 등과 같은 농가기타정보 중 적어도 하나의 인자(factor)가 규격에 따라 구분된다. 이 때, 제어부(20)는 작물의 종류에 따라 데이터 표준화 포맷의 인자를 조정할 수 있다.
제어부(20)는 수집된 농가 데이터를 선별하여 필터링한다. 제어부(20)는 필터링된 농가 데이터를 기계학습(machine learning)으로 작물의 생육을 예측하는 생육모델을 생성한다. 여기서, 생육모델은 작물이 농가 데이터에 따라 생육되는 과정을 시뮬레이션하여 예측할 수 있다. 제어부(20)는 생성된 생육모델을 이용하여 작물의 생산량을 예측한다.
출력부(30)는 모니터, 액정, 프로젝터, 프린터 등을 포함하는 디스플레이 장치로써, 통신부(10)에서 수신된 농가 데이터 및 입력부(40)에서 입력된 농가 데이터를 출력한다. 출력부(30)는 제어부(20)에서 예측된 작물의 생산량을 출력한다. 또한 출력부(30)는 제어부(20)의 생육모델에서 시뮬레이션된 데이터를 출력한다. 여기서, 출력부(30)는 터치스크린 기능을 포함할 수 있으며, 터치스크린 기능을 포함하는 경우, 입력부(40)의 역할을 수행할 수 있다.
입력부(40)는 사용자의 사용자 입력을 입력받는다. 이 때, 사용자 입력은 농가 데이터일 수 있다. 즉, 입력부(40)는 통신부(10)가 통신망을 통해 농가 데이터를 수신하는 것과 달리 직접 농가 데이터를 입력받는다.
저장부(50)는 통신부(10)에서 수신된 농가 데이터 및 입력부(40)에서 입력된 농가 데이터가 저장된다. 저장부(50)는 제어부(20)에서 수행되는 다양한 분석 알고리즘이 저장되고, 분석 알고리즘을 통해 분석된 결과도 저장이 된다. 저장부(50)는 제어부(20)에서 예측된 작물의 생산량이 저장된다. 여기서, 저장부(50)는 전술된 데이터들이 데이터베이스화되어 저장될 수 있으며, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기메모리, 자기 디스크, 광디스크 중 적어도 하나의 저장매체를 포함할 수 있다.
도 3은 도 2의 제어부를 설명하기 위한 블록도이고, 도 4는 도 3의 생육모델 생성부를 설명하기 위한 블록도이다.
도 2 내지 도 4를 참조하면, 제어부(20)는 데이터 수집부(21), 데이터 분석부(23), 생육모델 생성부(25) 및 생산량 예측부(27)를 포함한다.
데이터 수집부(21)는 초기 동작에 필요한 농가 데이터를 수집한다. 데이터 수집부(21)는 통신부(10)로 수신된 농가 데이터를 지역별, 국가별로 수집할 수 있다. 데이터 수집부(21)는 통신부(10)에서 수신된 농가 데이터 및 입력부(40)에서 입력된 농가 데이터를 동일한 작물 및 종 별로 분류한다. 데이터 수집부(21)는 분류된 농가 데이터를 인자 별로 분류하여 데이터 표준화 포맷에 맞도록 수집을 한다. 이 때, 데이터 수집부(21)는 수집된 농가 데이터를 시간별, 일별 및 월별과 같이 시간대별로 정렬하여 데이터베이스화를 할 수 있으며, 바람직하게는 시간별로 정렬을 할 수 있다.
즉, 데이터 수집부(21)는 농가 데이터를 시간순서에 맞게 수집하고, 이를 데이터베이스화함으로서, 사용자에게 동질성 및 통일성이 있는 양질의 농가 데이터를 제공할 수 있다.
데이터 분석부(23)는 데이터 수집부(21)에서 수집된 농가 데이터를 분석하여 데이터 오류가 있는 농가 데이터 및 데이터 품질이 기준치보다 미달인 농가 데이터를 선별한다. 여기서, 데이터 품질이 기준치보다 미달인 농가 데이터는 농가 데이터가 예상되는 기준치 범위를 크게 벗어나는 잘못된 데이터일 수 있다. 데이터 분석부(23)는 선별된 농가 데이터를 필터링한다. 이를 통해, 데이터 분석부(23)는 신뢰성이 인정되는 농가 데이터만으로 생육모델을 생성할 수 있도록 한다.
생육모델 생성부(25)는 데이터 분석부(23)에서 필터링된 농가 데이터를 기계학습으로 생육모델을 생성한다. 이를 통해, 생육모델 생성부(25)는 시간이 지날수록 학습된 경험에 대한 데이터가 축적되어 작물의 생육을 정확하게 예측하는 생육모델을 생성할 수 있다. 생육모델 생성부(25)는 생성모듈(61), 예측모듈(63) 및 학습모듈(65)을 포함한다.
생성모듈(61)은 생육모델을 유동적으로 생성한다. 즉, 동작 초기에는 생성모듈(61)에 제공되는 농가 데이터가 부족하기 때문에, 생성모듈(61)은 미리 정해진 농가 데이터를 이용하거나 데이터베이스화된 농가 데이터를 이용하여 생육모델을 생성하고, 추후 학습모듈(65)에서 학습된 농가 데이터가 업데이트되면 학습된 농가 데이터를 이용하여 새로운 생육모델을 생성할 수 있다.
예측모듈(63)은 필터링된 농가 데이터를 생성모듈(61)에서 생성된 생육모델과 비교하여 현재 생육상태를 분석한다. 예측모듈(63)은 분석된 생육상태를 이용하여 작물의 생산량이 가장 높은 생육환경을 예측한다.
학습모듈(65)은 농가 데이터를 가공하여 학습시키는 기능을 한다. 즉, 학습모듈(65)은 예측모듈(63)에서 예측된 생육환경을 이용하여 필터링된 농가 데이터 중 생산량 및 품질이 가장 높은 농가 데이터 집합(cluster)을 산출한다. 여기서, 학습모듈(63)은 생성모듈(61)에서 생성된 생육모델을 이용하여 현재 농가 데이터 중 임계치 이하를 재필터링하여 의미 있는 농가 데이터만을 선별한 후, 농가 데이터 집합을 산출할 수 있다.학습모듈(65)은 산출된 농가 데이터 집합을 학습한 후, 생성모듈(61)에 학습된 농가 데이터 집합을 제공하여 농가 데이터를 업데이트시킨다. 이를 통해, 생성모듈(61)은 업데이트된 농가 데이터를 현재 생육모델에 적용시켜 현재 생육모델보다 예측율이 향상된 새로운 생육모델을 생성시킬 수 있다. 여기서, 학습모듈(65)에서 학습된 농가 데이터는 저장부(50)에 업데이트되어 데이터베이스화될 수 있다.
즉, 생육모델 생성부(25)는 생성모듈(61), 예측모듈(63) 및 학습모듈(65)을 순차적으로 반복 수행하여 기계학습을 한다. 이를 통해, 생육모델 생성부(25)는 점진적으로 작물의 생산량 예측이 정확해지는 생육모델을 생성할 수 있다.
예를 들면, 생육모델 생성부(25)는 기계학습으로 여러 가지 형태의 빅데이터 분석을 수행할 수 있으며, 바람직하게는 상관관계 분석 및 회귀분석을 수행할 수 있다. 즉, 생육모델 생성부(25)의 생성모듈(61)은 농가 데이터 중 서로 다른 인자들을 조합하여 복수의 패턴을 생성하고, 생성된 복수의 패턴을 이용하여 상관관계 분석 및 회귀분석을 수행할 수 있다. 생성모듈(61)은 반복적인 상관관계 분석 및 회귀분석으로 특정 작물 및 종에 대한 특정패턴을 추출하고, 추출된 특정패턴을 이용하여 생육모델을 생성한다. 여기서, 특정패턴은 복수의 패턴 중 작물의 품질상태가 좋고, 생산량이 최대로 예측되는 생장 패턴일 수 있다.
생산량 예측부(27)는 생육모델 생성부(25)에서 생성된 생육모델을 이용하여 작물의 생산량을 예측한다. 이 때, 생산량 예측부(27)는 작물의 생중량(fresh weight)에 대한 생산량을 예측할 수 있다. 여기서, 생중량은 건조되지 않은 생물상태에서 측정한 무게이다. 따라서, 사용자는 건조된 작물이 아닌 실제 작물의 생산량을 예측할 수 있다.
도 5는 본 발명의 일 실시예에 따른 생산량 예측방법을 설명하기 위한 순서도이다.
도 2 및 도 5를 참조하면, 생산량 예측방법은 농가 데이터를 이용하여 작물의 생육모델을 생성하고, 생성된 생육모델을 이용하여 작물의 생산량을 예측할 수 있다. 생산량 예측방법은 농가 데이터를 축적함에 따라 작물의 생산량 예측에 대한 결과의 신뢰성을 높일 수 있다.
S71단계에서, 생산량 예측장치(100)는 작물의 생육정보, 환경정보 및 병충해정보 중 적어도 하나의 정보를 포함하는 농가 데이터를 수신한다. 생산량 예측장치(100)는 유무선 통신을 통해 농가 데이터를 수신할 수 있다.
S73단계에서, 생산량 예측장치(100)는 수신된 농가 데이터를 기계학습으로 생육모델을 생성한다. 생산량 예측장치(100)는 여러 가지 형태로 빅데이터 분석을 할 수 있으며, 바람직하게는 상관관계 분석 및 회귀분석을 할 수 있다. 즉, 생산량 예측장치(100)는 농가 데이터 중 서로 다른 인자들을 조합하여 복수의 패턴을 생성하고, 생성된 복수의 패턴을 이용하여 상관관계 분석 및 회귀분석을 수행할 수 있다. 생산량 예측장치(100)는 상관관계 분석 및 회귀분석을 반복적으로 수행하여 특정 작물 및 종에 대한 특정패턴을 추출하고, 추출된 특정패턴을 이용하여 생육모델을 생성한다.
여기서, S71단계 및 S73단계 사이에 생산량 예측장치(100)는 수신된 농가 데이터를 데이터 표준화 포맷에 맞도록 수집을 하고, 수집된 농가 데이터를 선별하여 필터링할 수 있다.
S75단계에서, 생산량 예측장치(100)는 생성된 생육모델을 이용하여 작물의 생산량을 예측한다. 생산량 예측장치(100)는 작물의 생중량에 대한 생산량을 예측할 수 있다.
이상에서 본 발명의 바람직한 실시예에 대해 도시하고 설명하였으나, 본 발명은 상술한 특정의 바람직한 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.
10: 통신부 20: 제어부
21: 데이터 수집부 23: 데이터 분석부
25: 생육모델 생성부 27: 생산량 예측부
30: 출력부 40: 입력부
50: 저장부 61: 생성모듈
63: 예측모듈 65: 학습모듈
100: 생산량 예측장치 200: 재배시설
210: 농장 230: 센서부
250: 액추에이터 270: 농장제어장치
300: 재배시설 제어시스템

Claims (10)

  1. 작물의 생육정보, 환경정보 및 병충해정보 중 적어도 하나의 정보가 포함된 농가 데이터를 수신하는 통신부; 및
    상기 통신부로부터 수신된 농가 데이터를 데이터 표준화 포맷에 맞도록 수집하고, 상기 수집된 농가 데이터를 선별하여 필터링하며, 상기 필터링된 농가 데이터를 기계학습(machine learning)으로 상기 작물의 생육을 예측하는 생육모델을 생성하고, 상기 생성된 생육모델을 이용하여 상기 작물의 생산량을 예측하는 제어부;를 포함하고,
    상기 제어부는,
    상기 수신된 농가 데이터를 동일한 작물 및 종 별로 분류하고, 상기 분류된 농가데이터를 인자(factor) 별로 분류하여 상기 데이터 표준화 포맷에 맞도록 수집하며, 상기 수집된 농가 데이터를 시간대별로 정렬하여 데이터베이스화하는 데이터 수집부;
    상기 데이터베이스화된 농가 데이터를 분석하고, 상기 분석된 결과를 이용하여 데이터 오류가 있는 농가 데이터 및 데이터 품질이 기준치보다 미달인 농가 데이터를 선별하며, 상기 선별된 농가 데이터를 필터링하는 데이터 분석부;
    상기 필터링된 농가 데이터를 상기 기계학습으로 상관관계 분석 및 회귀분석을 수행하여 상기 생육모델을 생성하는 생육모델 생성부; 및
    상기 생성된 생육모델을 이용하여 상기 작물의 생중량에 대한 생산량을 예측하는 생산량 예측부;를 포함하며,
    상기 생육모델 생성부는,
    상기 필터링된 농가 데이터 중 서로 다른 인자들을 조합하여 복수의 패턴을 생성하고, 상기 생성된 복수의 패턴에 대한 상관관계 분석 및 회귀분석을 수행하며, 상기 수행된 상관관계 분석 및 회귀분석된 결과를 이용하여 상기 복수의 패턴 중 특정 작물 및 종에 대한 특정패턴을 추출하고, 상기 추출된 특정패턴을 이용하여 상기 생육모델을 생성하는 생성모듈;
    상기 필터링된 농가 데이터를 상기 생육모델과 비교하여 현재 작물의 생육상태를 분석하고, 상기 분석된 생육상태를 이용하여 상기 작물의 생산량이 가장 높은 생육환경을 예측하는 예측모듈; 및
    상기 예측된 생육환경을 이용하여 상기 필터링된 농가 데이터 중 상기 작물의 생산량 및 품질이 가장 높은 농가 데이터 집합(cluster)을 산출하고, 상기 산출된 농가 데이터 집합을 상기 생성모듈에 제공하여 상기 농가 데이터를 업데이트시키는 학습모듈;
    를 포함하는 것을 특징으로 하는 기계학습을 이용한 작물의 생산량 예측장치.
  2. 제 1항에 있어서,
    상기 학습모듈은,
    상기 생성모듈에서 생성된 생육모델을 이용하여 현재 농가 데이터 중 기준치보다 미달인 농가 데이터를 재필터링한 후, 상기 농가 데이터 집합을 산출하는 것을 특징으로 하는 기계학습을 이용한 작물의 생산량 예측장치.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제 1항에 있어서,
    상기 생육모델 생성부는,
    상기 생성모듈, 상기 예측모듈 및 상기 학습모듈을 순차적으로 반복 수행하여 상기 기계학습을 하는 것을 특징으로 하는 기계학습을 이용한 작물의 생산량 예측장치.
  7. 삭제
  8. 제 1항에 있어서,
    상기 데이터 표준화 포맷은,
    시설 및 재배 정보, 생육정보, 환경정보 및 농가기타정보 중 적어도 하나의 인자가 미리 정해진 표준데이터 규격에 따라 구분되는 것을 특징으로 하는 기계학습을 이용한 작물의 생산량 예측장치.
  9. 제 1항에 있어서,
    상기 작물의 생육정보는 생산량, 경경, 총경, 엽면적지수(leaf area index, LAI), 엽온, 줄기두께, 화방간격, 생장속도, 생장강도 및 생장상 중 적어도 하나의 인자를 포함하고,
    상기 환경정보는 온실의 형태, 환경설비, 운영온도, 습도, 순간광량, 이산화탄소 농도, 배지함수량, 배지EC 및 운영정보 중 적어도 하나의 인자를 포함하며,
    상기 병충해정보는 병충해발생빈도 및 식물생리장애정보 중 적어도 하나의 인자를 포함하는 것을 특징으로 하는 기계학습을 이용한 작물의 생산량 예측장치.
  10. 작물의 생육정보, 환경정보 및 병충해정보 중 적어도 하나의 정보가 포함된 농가 데이터를 수신하는 단계;
    상기 수신된 농가 데이터를 데이터 표준화 포맷에 맞도록 수집하는 단계;
    상기 수집된 농가 데이터를 선별하여 필터링하는 단계;
    상기 필터링된 농가 데이터를 기계학습으로 상관관계 분석 및 회귀분석을 수행하여 상기 작물의 생육을 예측하는 생육모델을 생성하는 단계; 및
    상기 생성된 생육모델을 이용하여 상기 작물의 생중량에 대한 생산량을 예측하는 단계;를 포함하고,
    상기 수집하는 단계는,
    상기 수신된 농가 데이터를 동일한 작물 및 종 별로 분류하는 단계;
    상기 분류된 농가 데이터를 인자 별로 분류하여 상기 데이터 표준화 포맷에 맞도록 수집하는 단계; 및
    상기 수집된 농가 데이터를 시간대별로 정렬하여 데이터베이스화하는 단계;를 포함하며,
    상기 필터링하는 단계는,
    상기 데이터베이스화된 농가 데이터를 분석하는 단계;
    상기 분석된 결과를 이용하여 데이터 오류가 있는 농가 데이터 및 데이터 품질이 기준치보다 미달인 농가 데이터를 선별하는 단계; 및
    상기 선별된 농가 데이터를 필터링하는 단계;를 포함하고,
    상기 생육모델을 생성하는 단계는,
    상기 필터링된 농가 데이터 중 서로 다른 인자들을 조합하여 복수의 패턴을 생성하고, 상기 생성된 복수의 패턴에 대한 상관관계 분석 및 회귀분석을 수행하며, 상기 수행된 상관관계 분석 및 회귀분석된 결과를 이용하여 상기 복수의 패턴 중 특정 작물 및 종에 대한 특정패턴을 추출하고, 상기 추출된 특정패턴을 이용하여 상기 생육모델을 생성하는 단계;
    상기 필터링된 농가 데이터를 상기 생육모델과 비교하여 현재 작물의 생육상태를 분석하고, 상기 분석된 생육상태를 이용하여 상기 작물의 생산량이 가장 높은 생육환경을 예측하는 단계; 및
    상기 예측된 생육환경을 이용하여 상기 필터링된 농가 데이터 중 상기 작물의 생산량 및 품질이 가장 높은 농가 데이터 집합을 산출하고, 상기 산출된 농가 데이터 집합을 상기 생성된 생육모델로 제공하여 상기 농가 데이터를 업데이트시키는 단계;
    를 포함하는 것을 특징으로 하는 기계학습을 이용한 작물의 생산량 예측방법.
KR1020160099009A 2016-08-03 2016-08-03 기계학습을 이용한 작물의 생산량 예측장치 및 방법 KR101811640B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160099009A KR101811640B1 (ko) 2016-08-03 2016-08-03 기계학습을 이용한 작물의 생산량 예측장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160099009A KR101811640B1 (ko) 2016-08-03 2016-08-03 기계학습을 이용한 작물의 생산량 예측장치 및 방법

Publications (1)

Publication Number Publication Date
KR101811640B1 true KR101811640B1 (ko) 2017-12-26

Family

ID=60936700

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160099009A KR101811640B1 (ko) 2016-08-03 2016-08-03 기계학습을 이용한 작물의 생산량 예측장치 및 방법

Country Status (1)

Country Link
KR (1) KR101811640B1 (ko)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190084149A (ko) * 2017-12-19 2019-07-16 전자부품연구원 식물 생장 모니터링 장치 및 방법
CN110705182A (zh) * 2019-09-06 2020-01-17 北京师范大学 耦合作物模型和机器学习的作物育种适应时间预测方法
KR20200070736A (ko) * 2018-12-10 2020-06-18 대한민국(농촌진흥청장) 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치
KR20200130023A (ko) 2019-05-10 2020-11-18 대한민국(농촌진흥청장) 농작물의 생산성 향상을 위한 데이터 분석 방법 및 장치
CN112418473A (zh) * 2019-08-20 2021-02-26 阿里巴巴集团控股有限公司 农作物信息的处理方法、装置、设备及计算机存储介质
KR102268654B1 (ko) * 2020-01-02 2021-06-22 가톨릭관동대학교산학협력단 딥러닝을 이용한 작물 질병 진단 기반 수확량 예측 시스템 및 방법
KR20210077510A (ko) * 2019-12-17 2021-06-25 월드시스템주식회사 센서보드의 전원 노이즈가 감소된 스마트팜 복합환경 제어시스템
WO2021141897A1 (en) * 2020-01-06 2021-07-15 Adaviv Crop scouting information systems and resource management
KR20210103213A (ko) * 2020-02-13 2021-08-23 주식회사 네오나인스 육묘장 관리 시스템 및 방법
KR20210114751A (ko) * 2020-03-11 2021-09-24 서울대학교산학협력단 작물의 생육량 예측 방법 및 장치
KR20210131534A (ko) 2020-04-24 2021-11-03 조민수 IoT를 활용한 스마트 온실 자동화 시스템
CN113627704A (zh) * 2020-05-09 2021-11-09 西安电子科技大学青岛计算技术研究院 一种农作物信息模型构建方法
KR20210155667A (ko) * 2020-06-16 2021-12-23 (주)호현에프앤씨 토마토의 최적 생육 환경 학습 시스템 및 방법
KR20220055141A (ko) * 2020-10-26 2022-05-03 충남대학교병원 실험동물 관리방법
KR20220065556A (ko) 2020-11-13 2022-05-20 강원대학교산학협력단 스마트팜의 생산량과 환경에 대한 최적선형모델 구축 방법
KR20220065557A (ko) 2020-11-13 2022-05-20 강원대학교산학협력단 스마트팜의 미래 생산량 예측 방법
US11416701B2 (en) 2018-11-19 2022-08-16 Electronics And Telecommunications Research Institute Device and method for analyzing spatiotemporal data of geographical space
US11423465B2 (en) * 2019-01-07 2022-08-23 Masters Choice Systems and methods for facilitating agricultural transactions
KR20220168865A (ko) 2021-06-17 2022-12-26 강원대학교산학협력단 스마트팜에서 생산량에 영향을 주는 환경인자 결정 장치 및 방법
KR20220168864A (ko) 2021-06-17 2022-12-26 강원대학교산학협력단 스마트팜의 작물 생산량 조절을 위한 의사 결정 지원 장치 및 방법
KR20230082992A (ko) 2021-12-02 2023-06-09 이영준 스마트팜 컨설팅 서비스 장치 및 방법
KR102631597B1 (ko) * 2023-06-29 2024-02-02 주식회사 리플로그 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출방법 및 재배관리 시스템
KR102643751B1 (ko) * 2022-11-23 2024-03-06 장민수 식물 생장 환경에 따른 가이드 정보 제공 방법, 서버 및 컴퓨터 프로그램
WO2024090613A1 (ko) * 2022-10-26 2024-05-02 신유식 인공지능을 이용하여 생산량을 예측하는 스마트 팜
KR20240081688A (ko) 2022-11-30 2024-06-10 (주) 지오씨엔아이 고해상도 영상과 빅데이터를 활용한 농작물 생산량 예측 방법 및 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101392279B1 (ko) * 2012-12-21 2014-05-07 주식회사 맥스포 식물 공장의 생산량 예측 방법
JP2016101117A (ja) * 2014-11-28 2016-06-02 三菱電機株式会社 情報処理装置及び情報処理方法及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101392279B1 (ko) * 2012-12-21 2014-05-07 주식회사 맥스포 식물 공장의 생산량 예측 방법
JP2016101117A (ja) * 2014-11-28 2016-06-02 三菱電機株式会社 情報処理装置及び情報処理方法及びプログラム

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190084149A (ko) * 2017-12-19 2019-07-16 전자부품연구원 식물 생장 모니터링 장치 및 방법
US11416701B2 (en) 2018-11-19 2022-08-16 Electronics And Telecommunications Research Institute Device and method for analyzing spatiotemporal data of geographical space
KR20200070736A (ko) * 2018-12-10 2020-06-18 대한민국(농촌진흥청장) 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치
KR102194871B1 (ko) * 2018-12-10 2020-12-23 대한민국 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치
US11423465B2 (en) * 2019-01-07 2022-08-23 Masters Choice Systems and methods for facilitating agricultural transactions
KR20200130023A (ko) 2019-05-10 2020-11-18 대한민국(농촌진흥청장) 농작물의 생산성 향상을 위한 데이터 분석 방법 및 장치
WO2020230937A1 (ko) * 2019-05-10 2020-11-19 대한민국(농촌진흥청장) 농작물의 생산성 향상을 위한 데이터 분석 방법 및 장치
CN112418473A (zh) * 2019-08-20 2021-02-26 阿里巴巴集团控股有限公司 农作物信息的处理方法、装置、设备及计算机存储介质
CN110705182B (zh) * 2019-09-06 2020-07-10 北京师范大学 耦合作物模型和机器学习的作物育种适应时间预测方法
CN110705182A (zh) * 2019-09-06 2020-01-17 北京师范大学 耦合作物模型和机器学习的作物育种适应时间预测方法
KR20210077510A (ko) * 2019-12-17 2021-06-25 월드시스템주식회사 센서보드의 전원 노이즈가 감소된 스마트팜 복합환경 제어시스템
KR102515565B1 (ko) * 2019-12-17 2023-04-04 장승욱 센서보드의 전원 노이즈가 감소된 스마트팜 복합환경 제어시스템
KR102268654B1 (ko) * 2020-01-02 2021-06-22 가톨릭관동대학교산학협력단 딥러닝을 이용한 작물 질병 진단 기반 수확량 예측 시스템 및 방법
WO2021141897A1 (en) * 2020-01-06 2021-07-15 Adaviv Crop scouting information systems and resource management
KR102377963B1 (ko) * 2020-02-13 2022-03-24 주식회사 네오나인스 육묘장 관리 시스템 및 방법
KR20210103213A (ko) * 2020-02-13 2021-08-23 주식회사 네오나인스 육묘장 관리 시스템 및 방법
KR102387765B1 (ko) * 2020-03-11 2022-04-18 서울대학교산학협력단 작물의 생육량 예측 방법 및 장치
KR20210114751A (ko) * 2020-03-11 2021-09-24 서울대학교산학협력단 작물의 생육량 예측 방법 및 장치
KR20210131534A (ko) 2020-04-24 2021-11-03 조민수 IoT를 활용한 스마트 온실 자동화 시스템
CN113627704A (zh) * 2020-05-09 2021-11-09 西安电子科技大学青岛计算技术研究院 一种农作物信息模型构建方法
CN113627704B (zh) * 2020-05-09 2024-03-22 西安电子科技大学青岛计算技术研究院 一种农作物信息模型构建方法
KR20210155667A (ko) * 2020-06-16 2021-12-23 (주)호현에프앤씨 토마토의 최적 생육 환경 학습 시스템 및 방법
KR102440824B1 (ko) * 2020-06-16 2022-09-06 (주)호현에프앤씨 토마토의 최적 생육 환경 학습 시스템 및 방법
KR20220055141A (ko) * 2020-10-26 2022-05-03 충남대학교병원 실험동물 관리방법
KR102553876B1 (ko) 2020-10-26 2023-07-07 충남대학교병원 실험동물 관리방법
KR102471742B1 (ko) * 2020-11-13 2022-11-29 강원대학교산학협력단 스마트팜의 생산량과 환경에 대한 최적선형모델 구축 방법
KR102471743B1 (ko) * 2020-11-13 2022-11-29 강원대학교산학협력단 스마트팜의 미래 생산량 예측 방법
KR20220065557A (ko) 2020-11-13 2022-05-20 강원대학교산학협력단 스마트팜의 미래 생산량 예측 방법
KR20220065556A (ko) 2020-11-13 2022-05-20 강원대학교산학협력단 스마트팜의 생산량과 환경에 대한 최적선형모델 구축 방법
KR20220168865A (ko) 2021-06-17 2022-12-26 강원대학교산학협력단 스마트팜에서 생산량에 영향을 주는 환경인자 결정 장치 및 방법
KR20220168864A (ko) 2021-06-17 2022-12-26 강원대학교산학협력단 스마트팜의 작물 생산량 조절을 위한 의사 결정 지원 장치 및 방법
KR20230082992A (ko) 2021-12-02 2023-06-09 이영준 스마트팜 컨설팅 서비스 장치 및 방법
WO2024090613A1 (ko) * 2022-10-26 2024-05-02 신유식 인공지능을 이용하여 생산량을 예측하는 스마트 팜
KR102643751B1 (ko) * 2022-11-23 2024-03-06 장민수 식물 생장 환경에 따른 가이드 정보 제공 방법, 서버 및 컴퓨터 프로그램
KR20240081688A (ko) 2022-11-30 2024-06-10 (주) 지오씨엔아이 고해상도 영상과 빅데이터를 활용한 농작물 생산량 예측 방법 및 시스템
KR102631597B1 (ko) * 2023-06-29 2024-02-02 주식회사 리플로그 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출방법 및 재배관리 시스템

Similar Documents

Publication Publication Date Title
KR101811640B1 (ko) 기계학습을 이용한 작물의 생산량 예측장치 및 방법
KR20180022159A (ko) 기계학습을 이용한 양액제어장치 및 방법
Alhnaity et al. Using deep learning to predict plant growth and yield in greenhouse environments
US10349584B2 (en) System and method for plant monitoring
CN111369093B (zh) 基于机器学习的灌溉方法和装置
KR20180076766A (ko) 인공지능 스마트팜 관리 시스템
EP3897103A1 (en) A method of finding a target environment suitable for growth of a plant variety
CN106779188A (zh) 一种种植设备中植物病虫害预测方法及装置
KR20180086738A (ko) 작물 재배 가이드 정보 제공 장치, 및 그 방법
KR20200063500A (ko) 모듈형 스마트팜 버섯재배 시스템
KR101823521B1 (ko) 작물 생육에 대한 최적 환경 정보를 이용한 온실 환경 제어 및 생산량 예측 장치 및 방법
Costa et al. Greenhouses within the Agricultura 4.0 interface
Lešić et al. Rapid plant development modelling system for predictive agriculture based on artificial intelligence
CN117893346A (zh) 一种基于物联网的ai智慧农业采收管理***及其应用
CN116757707B (zh) 一种农作物果实生长溯源方法及***
CN106803209B (zh) 实时数据库和先进控制算法的作物培育模式分析优化方法
KR102355211B1 (ko) 농작물 재배 모니터링 시스템
RU2723189C1 (ru) Способ автоматического подбора оптимальных параметров выращивания растений на основе методов машинного обучения
Srivani et al. Prediction and comparative analysis using ensemble classifier model on leafy vegetable growth rates in DWC and NFT smart hydroponic system
CN116046687A (zh) 一种农作物生长过程监测方法、设备及介质
JP7335459B2 (ja) 調整された育成プロトコル目標値を用いる実験
KR102377963B1 (ko) 육묘장 관리 시스템 및 방법
KR102471743B1 (ko) 스마트팜의 미래 생산량 예측 방법
CN115135135A (zh) 一种植物生长监测***和方法
Moutsinas et al. AgroNIT: Innovating Precision Agriculture

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant