KR102387765B1 - Method and apparatus for estimating crop growth quantity - Google Patents

Method and apparatus for estimating crop growth quantity Download PDF

Info

Publication number
KR102387765B1
KR102387765B1 KR1020200030296A KR20200030296A KR102387765B1 KR 102387765 B1 KR102387765 B1 KR 102387765B1 KR 1020200030296 A KR1020200030296 A KR 1020200030296A KR 20200030296 A KR20200030296 A KR 20200030296A KR 102387765 B1 KR102387765 B1 KR 102387765B1
Authority
KR
South Korea
Prior art keywords
crop
growth
grown
environmental factors
prediction model
Prior art date
Application number
KR1020200030296A
Other languages
Korean (ko)
Other versions
KR20210114751A (en
Inventor
손정익
이준우
문태원
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020200030296A priority Critical patent/KR102387765B1/en
Publication of KR20210114751A publication Critical patent/KR20210114751A/en
Application granted granted Critical
Publication of KR102387765B1 publication Critical patent/KR102387765B1/en

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
    • 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
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Agronomy & Crop Science (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Animal Husbandry (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Botany (AREA)
  • Ecology (AREA)
  • Forests & Forestry (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Greenhouses (AREA)

Abstract

적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치가 동작하는 방법으로서, 작물의 생체중(Fresh Weight)을 포함하는 생육 특성과 상기 작물이 재배되는 공간의 상대 습도를 포함하는 환경 요인을 주기적으로 수집하여 시계열적 데이터를 생성하는 단계, 상기 시계열적 데이터에 상기 작물의 생육 결과를 태깅하여 생성된 학습 데이터로 생육량 예측 모델을 학습시키는 단계, 그리고 상기 생육량 예측 모델로 신규 생육 특성과 신규 환경 요인을 입력하고, 상기 작물의 생육량을 예측하는 단계를 포함한다. A method of operating a computing device operated by at least one processor, by periodically collecting environmental factors including growth characteristics including fresh weight of a crop and relative humidity of a space in which the crop is grown in time series generating data, learning a growth rate prediction model using the learning data generated by tagging the growth results of the crop to the time series data, and inputting new growth characteristics and new environmental factors into the growth rate prediction model, the predicting the growth rate of the crop.

Figure R1020200030296
Figure R1020200030296

Description

작물의 생육량 예측 방법 및 장치{METHOD AND APPARATUS FOR ESTIMATING CROP GROWTH QUANTITY}Method and apparatus for predicting the growth rate of crops

본 발명은 작물의 생육량을 예측하는 기술에 관한 것이다.The present invention relates to a technology for predicting the growth rate of crops.

원격 감지, 클라우드 컴퓨팅 그리고 사물 인터넷 등의 새로운 디지털 기술이 농업 기술에 적용됨에 따라 스마트 팜(Smart Farm)이라는 개념이 등장하였다. 스마트 팜이란 비닐하우스, 축사 등에 위의 기술들을 접목하여 작물과 가축의 생육 환경을 유지하는 농장을 의미한다. As new digital technologies such as remote sensing, cloud computing, and the Internet of Things are applied to agricultural technology, the concept of a smart farm has emerged. A smart farm refers to a farm that maintains the growth environment of crops and livestock by grafting the above technologies to a plastic house or barn.

스마트 팜을 위해, 작물의 생육량과 환경 요인 등의 빅데이터 수집이 요구된다. 또한 이렇게 수집한 농업용 빅데이터를 정확히 해석하여 환경 조건이 변함에 따라 작물의 성장 정도를 예측할 수 있는 알고리즘의 개발도 필요하다. 작물의 생육량과 환경 사이의 관계를 정량적으로 분석하기 위한 기존의 방법으로, 프로세스 기반 모델(Process Based Model)이 사용되었다. For smart farms, big data collection such as crop growth and environmental factors is required. It is also necessary to develop an algorithm that can accurately interpret the agricultural big data collected in this way to predict the degree of crop growth as environmental conditions change. As an existing method for quantitatively analyzing the relationship between crop growth and the environment, a process-based model was used.

프로세스 기반 모델은 작물의 광합성, 호흡, 바이오매스 동화, 바이오매스 분포 및 스트레스 반응 등을 포함하는 다양한 생리학적 과정들을 각각 모듈로 구성하여 작물의 성장을 시뮬레이션한다. 시뮬레이션 결과가 모든 생화학적 기능을 포함하는 것을 목표로 하기 때문에, 단일한 변수도 복잡한 계산을 필요로 하며, 여러 가지 지수들의 보정이 필요하다는 단점이 있다. The process-based model simulates crop growth by configuring various physiological processes including photosynthesis, respiration, biomass assimilation, biomass distribution, and stress response into modules, respectively. Since the simulation results aim to include all biochemical functions, even a single variable requires complex calculations and has disadvantages in that it requires correction of several indices.

또한 정확한 모델을 위해서는 작물의 각 기관의 바이오매스를 정확히 측정해야 한다. 이러한 과정으로 인해 이미 수집된 빅데이터를 프로세스 기반 모델에 적용하는 것은 한계가 있다. In addition, for an accurate model, it is necessary to accurately measure the biomass of each organ of the crop. Due to this process, there is a limit to applying the already collected big data to the process-based model.

다른 예로서, 온도, 이산화탄소 농도, 광도 등을 이용하여 작물의 생육량을 예측하는 수식 기반 모델이 있으나, 재배기간 중 작물이 파괴되므로 수확시기까지 해당 작물을 사용하지 못한다는 단점이 있다. As another example, there is a formula-based model that predicts the growth rate of a crop using temperature, carbon dioxide concentration, light intensity, etc., but there is a disadvantage in that the crop cannot be used until the harvest time because the crop is destroyed during the cultivation period.

따라서 기존의 작물의 생육량을 예측하는 다양한 모델의 한계를 극복하고 효율적인 생육량 예측을 위해서 비파괴, 연속 측정을 통해 생육량 정보와 환경 정보를 빅데이터로 수집하고, 이를 이용하여 머신러닝을 기반으로 한 알고리즘의 개발이 요구된다. Therefore, in order to overcome the limitations of various models for predicting the growth rate of existing crops and to predict the effective growth rate, growth information and environmental information are collected as big data through non-destructive and continuous measurement, and using this, the algorithm based on machine learning development is required.

해결하고자 하는 과제는 순환 신경망을 이용하여, 작물의 생육 조건과 환경 요인에 따른 작물의 생육량을 예측하는 방법을 제공하는 것이다.The task to be solved is to provide a method for predicting the growth rate of crops according to the growth conditions and environmental factors of crops using a recurrent neural network.

한 실시예에 따른 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치가 동작하는 방법으로서, 작물의 생체중(Fresh Weight)을 포함하는 생육 특성과 상기 작물이 재배되는 공간의 상대 습도를 포함하는 환경 요인을 주기적으로 수집하여 시계열적 데이터를 생성하는 단계, 상기 시계열적 데이터에 상기 작물의 생육 결과를 태깅하여 생성된 학습 데이터로 생육량 예측 모델을 학습시키는 단계, 그리고 상기 생육량 예측 모델로 신규 생육 특성과 신규 환경 요인을 입력하고, 상기 작물의 생육량을 예측하는 단계를 포함한다. As a method of operating a computing device operated by at least one processor according to an embodiment, a growth characteristic including a fresh weight of a crop and an environmental factor including a relative humidity of a space in which the crop is grown periodically generating time-series data by collecting it with the time-series data, tagging the growth results of the crop to the time-series data, and learning a growth rate prediction model with the learning data generated, and new growth characteristics and new environmental factors with the growth rate prediction model input, and predicting the growth rate of the crop.

상기 생육 특성은, 상기 작물의 잎의 길이, 잎의 폭, 가지의 수, 그리고 파종 후 날짜(Day After Transplanting, DAT) 중 적어도 어느 하나를 더 포함할 수 있다. The growth characteristics may further include at least one of a leaf length of the crop, a leaf width, the number of branches, and a Day After Transplanting (DAT).

상기 환경 요인은, 상기 작물이 재배되는 공간의 온도, 이산화탄소 농도, 일사량 그리고 상기 작물이 자라는 배지의 수분 함량도 중 적어도 어느 하나를 더 포함할 수 있다.The environmental factor may further include at least one of a temperature of a space in which the crop is grown, a carbon dioxide concentration, an amount of insolation, and a moisture content of a medium in which the crop is grown.

상기 생육량 예측 모델은 장단기 메모리(Long Short-Term Memory Model, LSTM)로 구현된 것일 수 있다.The growth prediction model may be implemented with a Long Short-Term Memory Model (LSTM).

상기 작물의 환경 요인이 조절되도록, 상기 작물이 재배되는 환경의 제어 시스템으로 예측된 작물의 생육량을 제공하는 단계를 더 포함할 수 있다.The method may further include providing the predicted growth amount of the crop to a control system of an environment in which the crop is grown so that the environmental factor of the crop is controlled.

한 실시예에 따른 컴퓨팅 장치로서, 메모리, 그리고 상기 메모리에 로드된 프로그램의 명령들(instructions)을 실행하는 적어도 하나의 프로세서를 포함하고, 상기 프로그램은 작물의 생체중(Fresh Weight)을 포함하는 생육 특성과 상기 작물이 재배되는 공간의 상대 습도를 포함한 환경 요인을 수집하는 단계, 그리고 상기 생육 특성과 상기 환경 요인을 학습된 생육량 예측 모델에 입력하여 상기 작물의 생육량을 예측하는 단계를 실행하도록 기술된 명령들을 포함하고, 상기 생육량 예측 모델은, 임의의 작물에서 주기적으로 수집된 생육 특성과 상기 임의의 작물이 재배되는 환경 요인에 상기 임의의 작물의 생육 결과가 태깅된 시계열적 학습 데이터로 학습된 모델이다.A computing device according to an embodiment, comprising a memory and at least one processor executing instructions of a program loaded into the memory, wherein the program includes a growth characteristic including a fresh weight of a crop and collecting environmental factors including the relative humidity of the space in which the crop is grown, and inputting the growth characteristics and the environmental factor into a learned growth prediction model to predict the growth of the crop. Commands described to execute Including, the growth rate prediction model is a model trained with time-series learning data in which the growth characteristics of the arbitrary crops periodically collected from the crops and the growth results of the arbitrary crops are tagged with the environmental factors in which the arbitrary crops are grown. .

상기 수집하는 단계는, 상기 작물이 자라는 배지의 수분 함량도를 더 수집할 수 있다. In the collecting step, the moisture content of the medium in which the crop is grown may be further collected.

상기 생체중은, 상기 작물을 매달아 놓은 프레임 상부에 부착된 하중 센서로부터 측정된 값과 상기 수분 함량도를 이용하여 계산된 값일 수 있다. The live weight may be a value measured by a load sensor attached to an upper portion of a frame on which the crop is hung and a value calculated using the moisture content.

예측된 생육량을 상기 작물이 재배되는 환경의 제어 시스템에 제공하는 단계, 그리고 상기 제어 시스템에 의해 상기 환경 요인이 변경된 이후의 상기 작물의 생육량을 예측하는 단계를 더 포함할 수 있다.The method may further include providing the predicted growth amount to a control system of an environment in which the crop is grown, and predicting the growth amount of the crop after the environmental factor is changed by the control system.

상기 생육량 예측 모델은 순환 신경망(Recurrent Neural Network, RNN)으로 구현된 것일 수 있다. The growth rate prediction model may be implemented as a recurrent neural network (RNN).

본 발명에 따르면 시간적으로 누적된 데이터에 기반하여 생육량을 예측하고, 이를 이용하여 생산성을 판단할 수 있으므로 재배 환경에 대한 사용자의 의사결정에 도움을 줄 수 있다.According to the present invention, the growth rate can be predicted based on time-accumulated data, and productivity can be determined using this, thereby helping the user to make decisions about the cultivation environment.

또한 본 발명에 따르면 예측된 생육량을 이용하여 생육량에 영향을 미치는 환경 요인들을 파악하고, 온실의 환경을 제어하는 자동화된 알고리즘의 기준을 설정할 수 있다. In addition, according to the present invention, it is possible to determine the environmental factors affecting the growth rate using the predicted growth rate, and set the standard of an automated algorithm for controlling the environment of the greenhouse.

도 1은 한 실시예에 따른 생육량 예측 시스템의 구성도이다.
도 2는 한 실시예에 따른 작물 생육 변수와 환경 요인의 설명도이다.
도 3은 한 실시예에 따른 생육량 예측 모델 유닛의 구성도이다.
도 4는 한 실시예에 따른 생육량 예측 모델의 구성도이다.
도 5는 한 실시예에 따른 생육량 예측 장치가 동작하는 방법의 흐름도이다.
도 6은 한 실시예에 따른 생육량 예측 결과의 예시도이다.
도 7은 다른 실시예에 따른 생육량 예측 결과의 예시도이다.
도 8은 한 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.1 is a block diagram of a growth rate prediction system according to an embodiment.
2 is an explanatory diagram of crop growth variables and environmental factors according to an embodiment.
3 is a block diagram of a growth rate prediction model unit according to an embodiment.
4 is a configuration diagram of a growth rate prediction model according to an embodiment.
5 is a flowchart of a method of operating an apparatus for predicting a growth rate according to an exemplary embodiment.
6 is an exemplary diagram of a growth amount prediction result according to an embodiment.
7 is an exemplary diagram of a growth amount prediction result according to another embodiment.
8 is a hardware configuration diagram of a computing device according to an embodiment.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, with reference to the accompanying drawings, the embodiments of the present invention will be described in detail so that those of ordinary skill in the art to which the present invention pertains can easily implement them. However, the present invention may be embodied in several different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.Throughout the specification, when a part "includes" a certain element, it means that other elements may be further included, rather than excluding other elements, unless otherwise stated. In addition, terms such as “…unit”, “…group”, and “module” described in the specification mean a unit that processes at least one function or operation, which may be implemented as hardware or software or a combination of hardware and software. there is.

본 발명에서 생육량이란 작물이 자란 양으로서 작물의 생체중, 건조된 작물의 질량, 잎의 넓이, 가지의 수, 키 등의 생육 지표로 계산될 수 있다. 한편 본 명세서에서 부가적인 설명이 없는 한 질량은 작물이 건조되지 않은 채 측정된 질량을 의미한다. In the present invention, the growth rate refers to the amount the crop is grown, and it can be calculated as a growth index such as the live weight of the crop, the mass of the dried crop, the width of the leaf, the number of branches, and the height. Meanwhile, in the present specification, unless an additional explanation is given, the mass means the mass measured without the crop being dried.

작물의 생육량은 연대기적 요인으로서, 과거에 축적된 환경 데이터뿐만 아니라 과거의 작물 생육량에 의해 미래의 성장 변화가 결정되므로, 예측이 어렵다. 따라서 본 발명은 시계열적 데이터 분석에 사용되는 순환 신경망(Recurrent Neural Network, RNN)의 일종인 장단기 메모리(Long Short-Term Memory Models, 이하 'LSTM'이라 호칭함)를 이용한다. 이하 본 발명이 제안하는 생육량 예측 장치(10)를 포함한 생육량 제어 시스템(1000)에 대해 설명한다. Crop growth is a chronological factor, and it is difficult to predict because future growth changes are determined by past crop growth as well as environmental data accumulated in the past. Therefore, the present invention uses Long Short-Term Memory Models (hereinafter referred to as 'LSTM'), which is a type of Recurrent Neural Network (RNN) used for time-series data analysis. Hereinafter, the growth amount control system 1000 including the growth amount prediction device 10 proposed by the present invention will be described.

도 1은 한 실시예에 따른 생육량 제어 시스템의 구성도이고, 도 2는 한 실시예에 따른 작물 생육 변수와 환경 요인의 설명도이다. 1 is a configuration diagram of a growth control system according to an embodiment, and FIG. 2 is an explanatory diagram of crop growth variables and environmental factors according to an embodiment.

도 1을 참고하면, 생육량 제어 시스템(1000)은 수집한 작물의 생육 변수와 환경 요인을 바탕으로 작물의 생육량을 예측하는 생육량 예측 장치(10)와 예측된 생육량에 따라 작물에 제공할 환경 요인을 변경하는 환경 제어 시스템(20)을 포함한다. Referring to Figure 1, the growth control system 1000 is a growth rate prediction device 10 for predicting the growth rate of crops based on the collected growth variables and environmental factors of the crops, and environmental factors to be provided to the crops according to the predicted growth rate. It includes a changing environment control system (20).

생육량 예측 장치(10)는 센서로부터 작물의 성장 특성과 환경 요인을 수집하는 수집부(100), 수집한 데이터로 생육량 예측 모델(210)을 학습시키는 학습부(200), 학습된 생육량 예측 모델(210)로 작물의 생육량 정보를 예측하는 예측부(300)를 포함한다.The growth rate prediction device 10 includes a collection unit 100 for collecting the growth characteristics and environmental factors of a crop from a sensor, a learning unit 200 for learning the growth rate prediction model 210 with the collected data, and a learned growth rate prediction model ( 210) and includes a prediction unit 300 for predicting crop growth information.

설명을 위해, 수집부(100), 학습부(200), 예측부(300)로 명명하여 부르나, 이들은 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치이다. 여기서, 수집부(100), 학습부(200), 예측부(300)는 하나의 컴퓨팅 장치에 구현되거나, 별도의 컴퓨팅 장치에 분산 구현될 수 있다. 별도의 컴퓨팅 장치에 분산 구현된 경우, 수집부(100), 학습부(200), 예측부(300)는 통신 인터페이스를 통해 서로 통신할 수 있다. 컴퓨팅 장치는 본 발명을 수행하도록 작성된 소프트웨어 프로그램을 실행할 수 있는 장치이면 충분하고, 예를 들면, 서버, 랩탑 컴퓨터 등일 수 있다. For description, the collection unit 100 , the learning unit 200 , and the prediction unit 300 are named and called, but these are computing devices operated by at least one processor. Here, the collection unit 100 , the learning unit 200 , and the prediction unit 300 may be implemented in one computing device or distributed in separate computing devices. When distributed in separate computing devices, the collection unit 100 , the learning unit 200 , and the prediction unit 300 may communicate with each other through a communication interface. The computing device may be any device capable of executing a software program written to carry out the present invention, and may be, for example, a server, a laptop computer, or the like.

수집부(100), 학습부(200), 예측부(300) 각각은 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 그리고 생육량 예측 모델(210)도 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 생육량 예측 장치(10)는 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 이에 따라, 상술한 구성들에 대응하는 하나 또는 복수의 인공지능 모델은 하나 또는 복수의 컴퓨팅 장치에 의해 구현될 수 있다.Each of the collection unit 100 , the learning unit 200 , and the prediction unit 300 may be one AI model, or may be implemented as a plurality of AI models. In addition, the growth prediction model 210 may be one artificial intelligence model or may be implemented as a plurality of artificial intelligence models. The growth rate prediction apparatus 10 may be one artificial intelligence model or may be implemented as a plurality of artificial intelligence models. Accordingly, one or a plurality of artificial intelligence models corresponding to the above-described configurations may be implemented by one or a plurality of computing devices.

수집부(100)는 작물이 자라는 환경에 설치된 센서로부터 작물 생육 변수와 환경 요인을 수집할 수 있다. 예를 들어 카메라로 수집한 이미지를 영상 분석하여 작물 생육 변수의 변화량을 측정할 수 있다. 또한, 학습 데이터의 생성을 위해 작물 생육 변수와 환경 요인에 따른 작물의 생육량 변화도 수집할 수 있다. The collection unit 100 may collect crop growth variables and environmental factors from sensors installed in an environment in which crops are grown. For example, the amount of change in crop growth variables can be measured by analyzing images collected by a camera. In addition, changes in crop growth according to crop growth variables and environmental factors may be collected to generate learning data.

작물 생육 변수는 엽면적 지수(Leaf Area Index, 이하 'LAI'라고 호칭함), 작물의 생체중(Fresh Weight), DAT(Day After Transplanting) 등을 포함할 수 있다. 도 2를 참고하면, 작물의 생체중은 작물이 자라는 배지에 연결된 하중 센서로 측정될 수 있다. 하중 센서는 인장 로드셀로 구현될 수 있다. 작물 전체의 질량뿐만 아니라 작물의 기관별로 질량이 측정될 수 있다. The crop growth variable may include a leaf area index (hereinafter referred to as 'LAI'), a fresh weight of a crop, and Day After Transplanting (DAT). Referring to FIG. 2 , the live weight of a crop may be measured with a load sensor connected to the medium in which the crop is grown. The load sensor may be implemented as a tensile load cell. Not only the mass of the whole crop, but also the mass of each organ of the crop can be measured.

도 2에서, 하중 센서는 작물이 자라는 배지를 매다는 프레임의 상단에 설치되는 것으로 도시되었으나, 반드시 이에 제한되지는 않으며 일반적인 무게 측정 방법이 사용될 수도 있다. 한편 작물의 생체중은 작물의 수분 함량이 안정된 시간대에 측정된 것일 수 있다. In FIG. 2 , the load sensor is illustrated as being installed on the upper end of a frame for hanging a medium for growing crops, but is not necessarily limited thereto and a general weight measurement method may be used. On the other hand, the live weight of a crop may be measured during a time period when the moisture content of the crop is stable.

LAI란 작물의 잎의 길이, 잎의 폭, 가지의 수를 이용하여 수학식 1에 의해 계산된 값을 의미한다. LAI means a value calculated by Equation 1 using the length of the leaves of the crop, the width of the leaves, and the number of branches.

Figure 112020025899795-pat00001
Figure 112020025899795-pat00001

수학식 1에서, L은 잎의 길이, W는 잎의 폭, N은 가지의 수를 의미한다. In Equation 1, L is the length of a leaf, W is the width of the leaf, and N is the number of branches.

작물 생육 변수는 작물의 종류에 따라 달라질 수 있으며, 예를 들어 과실이 열리는 작물의 경우, 과실의 무게, 과실의 길이, 과실의 직경, 과실의 수율, 낙과의 무게 등을 더 포함할 수 있다. The crop growth variable may vary depending on the type of crop, for example, in the case of a crop that produces fruit, the weight of the fruit, the length of the fruit, the diameter of the fruit, the yield of the fruit, the weight of the fruit, and the like may be further included.

환경 요인은 작물이 자라는 온실 내부의 온도, 상대 습도, 이산화탄소 농도, 작물이 자라는 배지의 수분 함량도, 일사량 등을 포함할 수 있다. Environmental factors may include temperature, relative humidity, carbon dioxide concentration, moisture content of a medium in which crops are grown, solar radiation, and the like inside a greenhouse in which crops are grown.

온실의 환경 데이터는 온실 내부에 설치된 일사량계(Pyranometer), 온도 센서, 습도계로 측정된 것일 수 있다. 배지의 함수율은 배지의 중앙에 위치한 토양 수분 측정 센서(Frequency Domain Reflectometry, FDR)로 측정된 것일 수 있다. The environmental data of the greenhouse may be measured by a pyranometer, a temperature sensor, and a hygrometer installed inside the greenhouse. The moisture content of the medium may be measured with a soil moisture measuring sensor (Frequency Domain Reflectometry, FDR) located in the center of the medium.

도 2를 참고하면, 작물이 자라는 배지에 토양 수분 측정 센서로 배지의 함수량을 측정할 수 있다. 추가로 배지의 온도, 배지의 pH 농도, 배지의 전기전도도(Electrical Conductivity) 등을 더 포함할 수 있다. 즉 수집부(100)가 수집하는 정보들은 다음 표 1의 내용을 포함할 수 있다. Referring to FIG. 2 , the moisture content of the medium may be measured with a soil moisture sensor in the medium in which crops are grown. In addition, it may further include the temperature of the medium, the pH concentration of the medium, the electrical conductivity of the medium (Electrical Conductivity), and the like. That is, the information collected by the collection unit 100 may include the contents of Table 1 below.

정보information 단위unit 온도temperature ℃℃ 상대 습도relative humidity %% 이산화탄소 농도carbon dioxide concentration μmol·mol^-1μmol mol^-1 일사량insolation W/m^2W/m^2 배지의 함수량water content of the medium %% 배지 온도Medium temperature ℃℃ 배지의 전기전도도electrical conductivity of the medium dS·m^-1dS m^-1 배수(Drainage)의 pH 농도pH of Drainage -- DAT(Day After Transplanting)Day After Transplanting (DAT) -- 엽면적 지수(LAI)Leaf Area Index (LAI) -- 작물의 생체중live weight of crops Kgkg

한편, 생육량 예측 모델(210)을 학습시키기 위한 학습 데이터를 생성하기 위해서 수집부(100)는 작물 생육 변수와 환경 요인을 미리 설정된 주기마다 수집할 수 있고, 이에 따른 작물의 생육량을 수집할 수 있다. 수집된 시계열 형태의 누적 데이터에 작물의 생육량을 태깅하여 학습 데이터를 생성할 수 있다. On the other hand, in order to generate learning data for learning the growth prediction model 210, the collection unit 100 may collect crop growth variables and environmental factors at preset intervals, and thus the growth rate of crops may be collected. . Learning data can be generated by tagging the growth amount of crops to the collected cumulative data in the form of time series.

학습부(200)는 주기적으로 수집된 작물 생육 변수와 환경 요인에 작물의 생육량이 태깅된 정보를 학습 데이터로 생육량 예측 모델(210)을 학습시킨다. 작물의 종류에 따라 생육량 예측 모델(210)은 달라질 수 있으며, 이 경우 학습부(200)는 수집부(100)에서 수집한 정보들에 따라 각 생육량 예측 모델(210)을 별도로 학습시킬 수 있다. The learning unit 200 learns the growth rate prediction model 210 as learning data using information in which crop growth rates are tagged to crop growth variables and environmental factors collected periodically. The growth rate prediction model 210 may vary depending on the type of crop, and in this case, the learning unit 200 may separately learn each growth rate prediction model 210 according to the information collected by the collection unit 100 .

생육량 예측 모델(210)이 학습되는 과정은 도 3과 도 4를 통해 자세히 설명한다. 한편 본 발명에서 생육량 예측 모델(210)은 LSTM으로 구현된 경우에 대해 설명하나, 반드시 이에 한정되는 것은 아니다. A process of learning the growth rate prediction model 210 will be described in detail with reference to FIGS. 3 and 4 . Meanwhile, in the present invention, a case in which the growth prediction model 210 is implemented as an LSTM will be described, but the present invention is not limited thereto.

예측부(300)는 학습된 생육량 예측 모델(210)을 이용하여, 임의의 작물 생육 변수와 환경 요인이 입력되면 이에 대해 작물의 생육량을 예측하여 출력한다. 구체적으로, 예측되는 값은 작물의 주간 생육량일 수 있다. 예측 구간은 관리자에 의해 변경될 수 있다.The prediction unit 300 uses the learned growth rate prediction model 210 to predict and output crop growth rates when arbitrary crop growth variables and environmental factors are input. Specifically, the predicted value may be the weekly growth rate of the crop. The prediction interval may be changed by an administrator.

생육량 예측 장치(10)는 환경 제어 시스템(20)에 연결될 수 있으며, 예측부(300)의 예측 결과가 환경 제어 시스템(20)의 입력 값으로 사용될 수 있다. The growth rate prediction apparatus 10 may be connected to the environment control system 20 , and the prediction result of the prediction unit 300 may be used as an input value of the environment control system 20 .

환경 제어 시스템(20)은 작물이 자라는 공간에 영향을 주는 환경 요인들을 제어하는 시스템을 의미한다. 작물의 예측된 생육량에 따라서, 생육을 촉진시키거나 늦추기 위해 환경 제어 시스템(20)이 환경 요인을 변경 또는 유지할 수 있다. 환경 요인의 변경 정도는 작물의 종류 또는 작물의 성장 패턴에 따라 다를 수 있다. The environmental control system 20 refers to a system that controls environmental factors affecting a space in which crops are grown. Depending on the predicted growth rate of the crop, the environmental control system 20 may alter or maintain environmental factors to promote or slow growth. The degree of change in environmental factors may vary depending on the type of crop or the growth pattern of the crop.

예를 들어, 본 발명의 생육량 제어 시스템(1000)이 대규모 농업 시스템에 적용되는 경우, 서로 다른 환경에서 자라는 작물들에 대한 생육량을 예측하고, 특정 시점에서의 각 작물들의 생육량을 일치시키기 위한 환경 제어가 이루어질 수 있다. For example, when the growth control system 1000 of the present invention is applied to a large-scale agricultural system, environmental control for predicting the growth amount of crops grown in different environments and matching the growth amount of each crop at a specific point in time can be made

도 3은 한 실시예에 따른 생육량 예측 모델 유닛의 구성도이고, 도 4는 한 실시예에 따른 생육량 예측 모델의 구성도이다.3 is a block diagram of a growth amount prediction model unit according to an exemplary embodiment, and FIG. 4 is a block diagram of a growth amount prediction model according to an exemplary embodiment.

RNN은 시계열 데이터 분석에 이용되는 알고리즘으로, 음성 인식, 비디오 인식, 자연어 처리 등에 주로 사용된다. 작물의 성장은 환경 요인의 시계열 변화에 의해 결정되므로, 본 발명에서는 RNN의 일종인 LSTM을 이용하여 작물이 성장하는 온실의 환경과 작물의 성장 특성을 효과적으로 해석할 수 있다. 즉, 다양한 환경 요인들의 상호 작용과 누적된 시계열 데이터로 작물의 생육량의 변화를 예측할 수 있다. RNN is an algorithm used for time-series data analysis, and is mainly used for speech recognition, video recognition, and natural language processing. Since the growth of crops is determined by time-series changes of environmental factors, the present invention can effectively interpret the environment of the greenhouse in which crops are grown and the growth characteristics of crops using LSTM, which is a type of RNN. In other words, it is possible to predict the change in the growth rate of crops based on the interaction of various environmental factors and accumulated time series data.

생육량 예측 모델(210)은 복수개의 셀(Cell)(400)들을 포함하며, 먼저 하나의 셀(400)의 구조에 대해 설명한다. The growth rate prediction model 210 includes a plurality of cells 400 , and first, a structure of one cell 400 will be described.

도 3을 참고하면, 수집부(100)의 데이터가 LSTM 셀(400)에 입력될 수 있다. LSTM 셀(400)에서 σ와 h는 LSTM의 은닉층(Hidden Layer)을 의미한다. 구체적으로 σ는 게이트 활성화 함수이고, h는 입력 활성화 함수를 의미한다. 활성화 함수(Activation Function)는 쌍곡 탄젠트(Hyperbolic Tangent) 함수 또는 시그모이드(Sigmoid) 함수로 구현될 수 있다. Referring to FIG. 3 , data of the collection unit 100 may be input to the LSTM cell 400 . In the LSTM cell 400, σ and h denote a hidden layer of the LSTM. Specifically, σ denotes a gate activation function, and h denotes an input activation function. The activation function may be implemented as a hyperbolic tangent function or a sigmoid function.

실선으로 표시된 화살표는 셀(400)의 상태를 의미하고, 점선으로 표시된 화살표는 셀(400)의 출력을 의미한다. 셀(400)의 상태는 이전 정보들을 포함한다. 즉 하나의 LSTM 셀(400)에서 계산된 출력뿐만 아니라 해당 셀(400)의 상태도 연결된 다음 LSTM 셀(400)에 전달된다. An arrow indicated by a solid line indicates the state of the cell 400 , and an arrow indicated by a dotted line indicates an output of the cell 400 . The state of the cell 400 includes previous information. That is, not only the output calculated in one LSTM cell 400 but also the state of the corresponding cell 400 is transmitted to the next connected LSTM cell 400 .

도 4를 참고하면, 복수개의 셀(400)들이 연결될 수 있으며, 이때 복수개의 셀(400)들로 데이터가 순차적으로 입력될 수 있다. LSTM의 최종 출력값은 작물의 생육량이고, 예를 들어 작물의 생체중일 수 있다. Referring to FIG. 4 , a plurality of cells 400 may be connected, and in this case, data may be sequentially input to the plurality of cells 400 . The final output value of the LSTM is the growth rate of the crop, and may be, for example, the live weight of the crop.

한편 생육량 예측 모델(210)의 성능 최적화를 위해, 학습 속도(Learning Rate), 망각 바이어스(Forget Bias), 시간 간격(Time Step) 등과 같은 하이퍼 파라미터들이 사용될 수 있다. 사용되는 하이퍼 파라미터는 LSTM을 구현하는 툴에 따라 달라질 수 있다.Meanwhile, in order to optimize the performance of the growth prediction model 210 , hyper parameters such as a learning rate, a forget bias, and a time step may be used. The hyperparameters used may vary depending on the tool implementing the LSTM.

도 5는 한 실시예에 따른 생육량 예측 장치가 동작하는 방법의 흐름도이다.5 is a flowchart of a method of operating an apparatus for predicting a growth rate according to an exemplary embodiment.

도 5를 참고하면, 생육량 예측 장치(10)는 설치된 센서로부터 작물 생육 특성과 환경 요인을 주기적으로 수집하고, 작물의 생육량을 수집한다(S110). 수집하는 정보는 표 1의 정보들을 포함할 수 있다. 수집 주기는 관리자에 의해 변경될 수 있으며, 예를 들어 1주일 간격으로 수집될 수 있다. 작물의 생육량은 학습 데이터 생성을 위해 수집될 수 있다. Referring to FIG. 5 , the growth rate prediction device 10 periodically collects crop growth characteristics and environmental factors from installed sensors, and collects the crop growth rate ( S110 ). The collected information may include the information of Table 1. The collection period may be changed by an administrator, for example, may be collected at weekly intervals. The growth rate of crops may be collected for generating learning data.

생육량 예측 장치(10)는 S110 단계에서 수집한 작물 생육 특성과 환경 요인에 작물의 생육량을 태깅하여 시계열적인 학습 데이터를 생성하고, 학습 데이터로 생육량 예측 모델(210)을 학습시킨다(S120). 본 발명에서 생육량 예측 모델(210)은 LSTM으로 구현되나, 이에 한정되는 것은 아니며 시계열 데이터의 예측을 위한 다양한 머신러닝 모델이 사용될 수 있다. The growth rate prediction device 10 generates time-series learning data by tagging the crop growth characteristics and environmental factors collected in step S110 to generate time-series learning data, and learns the growth rate prediction model 210 with the learning data (S120). In the present invention, the growth prediction model 210 is implemented as an LSTM, but is not limited thereto, and various machine learning models for prediction of time series data may be used.

생육량 예측 장치(10)는 학습된 생육량 예측 모델(210)로 새로 수집한 작물 생육 특성과 환경 요인을 입력한다(S130). 새로 수집한 정보들은 생육량 예측 모델(210) 학습에 사용된 작물과 동일한 종류의 작물로부터 얻은 것일 수 있다. The growth rate prediction device 10 inputs the newly collected crop growth characteristics and environmental factors to the learned growth rate prediction model 210 (S130). The newly collected information may be obtained from the same type of crop as the crop used for learning the growth prediction model 210 .

생육량 예측 장치(10)는 해당 작물의 생육량을 예측하고, 작물 성장을 조절하기 위해 예측된 생육량을 환경 제어 시스템(20)으로 제공한다(S140). 예측되어 출력되는 값은 학습 과정에서 설정된 주기 이후의 작물의 생체중일 수 있다. The growth amount prediction device 10 predicts the growth amount of the corresponding crop and provides the predicted growth amount to the environmental control system 20 to control crop growth (S140). The predicted and output value may be the live weight of the crop after the cycle set in the learning process.

이후 환경 제어 시스템(20)은 예측된 생육량 및 환경 요인과 생육량 간 상관 관계에 따라 환경 요인을 조절할 수 있다. 또한, 작물별 성장 주기 및 성장 패턴에 기반하여, 해당 작물의 생육량이 성장 패턴에 미달하는 경우, 환경 요인을 제어하여 성장 패턴을 회복할 수 있도록 한다. Thereafter, the environmental control system 20 may adjust the environmental factor according to the predicted growth amount and the correlation between the environmental factor and the growth amount. In addition, based on the growth cycle and growth pattern for each crop, when the growth rate of the corresponding crop falls short of the growth pattern, the growth pattern can be restored by controlling environmental factors.

도 6은 한 실시예에 따른 생육량 예측 결과의 예시도이고, 도 7은 다른 실시예에 따른 생육량 예측 결과의 예시도이다.6 is an exemplary diagram of a growth amount prediction result according to an exemplary embodiment, and FIG. 7 is an exemplary diagram illustrating a growth amount prediction result according to another exemplary embodiment.

도 6을 참고하면, 본 발명의 생육량 예측 모델(210)을 이용하여 작물의 생육량을 추정한 결과를 그래프로 나타낸 것이다. 생육량 중 작물의 생체중을 비교 대상으로 이용하였다. 실선은 실제 작물의 생체중을 측정한 값이고, 점선은 본 발명의 생육량 예측 모델(210)이 예측한 값이다. Referring to FIG. 6 , a result of estimating the growth amount of a crop using the growth prediction model 210 of the present invention is shown in a graph. The live weight of crops among the growth rates was used as a comparison target. The solid line is a value measured by the actual weight of the crop, and the dotted line is a value predicted by the growth prediction model 210 of the present invention.

구체적인 실험 환경은 다음과 같다. 벤로형 온실 내부의 모종실에서 암면 큐브에 파종 후 40일 된 피망 모종을 작물로서 사용하였다. 해당 온실은 내부 온도가 기준 값을 초과하면 설치된 통풍구가 열릴 수 있다. 미리 설정된 영양소 농도의 관개 시스템에 2주간 순응한 후, 복수개의 가지를 가진 피망 모종을 암면 슬래브에 이식하였다. 작물의 밀도와 위치, 영양 용액의 전기전도도 및 pH 농도는 각각 특정 값으로 유지되었다. The specific experimental environment is as follows. Bell pepper seedlings 40 days old after sowing in rock wool cubes in the seedling room inside the Venlo-type greenhouse were used as crops. In the greenhouse, the installed vent may be opened when the internal temperature exceeds the reference value. After 2 weeks of acclimatization to the irrigation system with a preset nutrient concentration, bell pepper seedlings with multiple branches were transplanted into the rock wool slab. The density and location of the crop, the electrical conductivity of the nutrient solution, and the pH concentration were maintained at specific values, respectively.

LSTM 모델을 결정하기 위해, 하이퍼 파라미터들의 값을 다양하게 바꾸어가며 실험하고, 최적의 값들로 선택하였다. 결과적으로, 본 발명이 제안하는 방법을 통해 작물의 생육량의 변화의 경향성을 잘 파악할 수 있다. In order to determine the LSTM model, various values of hyperparameters were experimented with, and optimal values were selected. As a result, the tendency of the change in the growth amount of crops can be well understood through the method proposed by the present invention.

도 7을 참고하면, 기존에 사용되던 알고리즘인 PBM과 성능을 비교 평가하였다. 구체적으로, CropGro는 콩, 면화, 목초지 등 다양한 작물에 적용되는 PBM 플랫폼을 사용하였다. PBM 모델의 파라미터는 성장 조사를 통해 얻었고, GLUE 계수 추정기로 자동 보정된 값을 사용하였다.Referring to FIG. 7 , the performance was compared and evaluated with PBM, which is an algorithm used in the past. Specifically, CropGro used the PBM platform applied to various crops such as soybean, cotton, and pasture. The parameters of the PBM model were obtained through growth investigation, and values automatically corrected by the GLUE coefficient estimator were used.

본 발명에서 설명한 LSTM으로, 수집한 작물 생육 변수와 환경 요인을 이용하여 주간 작물 생육량을 추정하고, 작물의 생체중을 계산하였다. With the LSTM described in the present invention, the weekly crop growth amount was estimated using the collected crop growth parameters and environmental factors, and the live weight of the crop was calculated.

수집한 환경 요인에 대해, PBM을 이용하여 작물의 성장 과정을 시뮬레이션하고, 작물의 각 기관의 건조 상태의 질량을 얻었다. 이로부터 작물의 생체중을 추정하였다. For the collected environmental factors, the growth process of the crop was simulated using PBM, and the dry state mass of each organ of the crop was obtained. From this, the live weight of the crop was estimated.

이후 작물의 실제 생체중, LSTM으로 예측된 생체중 그리고 PBM으로 예측된 생체중을 비교하였다. 결과적으로, 본 발명이 제시하는 방법은 기존의 PBM보다 낮은 RMSE 값을 갖고, 높은 D-statistics 값을 가진다. 따라서 PBM에 비해 높은 정확도로 작물의 생체중을 예측할 수 있다. Then, the actual live weight of the crops, the live weight predicted by the LSTM, and the live weight predicted by the PBM were compared. As a result, the method proposed by the present invention has a lower RMSE value than that of the conventional PBM and a higher D-statistics value. Therefore, it is possible to predict the live weight of crops with higher accuracy than PBM.

또한 LSTM을 이용한 방법은 하중 센서로 측정된 작물의 생체중 값을 이용하므로, 주간 성장 조사를 통해 매개 변수를 계산하는 PBM에 비해 작물 생육 변수를 더 정확히 반영할 수 있다. 또한, 온도, 이산화탄소 농도, 일사량만을 이용하여 생육량을 추정하는 PBM에 비해, 본 발명에서는 추가로 상대 습도와 배지의 함수량이라는 요인을 입력으로 사용하여 더 다양한 환경 요인을 반영할 수 있다. In addition, the method using the LSTM uses the live weight value of the crop measured by the load sensor, so it can reflect the crop growth parameters more accurately than the PBM, which calculates the parameters through the weekly growth survey. In addition, compared to PBM, which estimates growth using only temperature, carbon dioxide concentration, and insolation, in the present invention, factors such as relative humidity and moisture content of the medium are additionally used as inputs to reflect more diverse environmental factors.

도 8은 한 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.8 is a hardware configuration diagram of a computing device according to an embodiment.

도 8을 참고하면, 수집부(100), 학습부(200) 그리고 예측부(300)는 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치(500)에서, 본 발명의 동작을 실행하도록 기술된 명령들(instructions)이 포함된 프로그램을 실행한다. Referring to FIG. 8 , the collection unit 100 , the learning unit 200 , and the prediction unit 300 are instructions described to execute the operation of the present invention in the computing device 500 operated by at least one processor. Executes a program containing (instructions).

컴퓨팅 장치(500)의 하드웨어는 적어도 하나의 프로세서(510), 메모리(520), 스토리지(530), 통신 인터페이스(540)를 포함할 수 있고, 버스를 통해 연결될 수 있다. 이외에도 입력 장치 및 출력 장치 등의 하드웨어가 포함될 수 있다. 컴퓨팅 장치(500)는 프로그램을 구동할 수 있는 운영 체제를 비롯한 각종 소프트웨어가 탑재될 수 있다.Hardware of the computing device 500 may include at least one processor 510 , a memory 520 , a storage 530 , and a communication interface 540 , and may be connected through a bus. In addition, hardware such as an input device and an output device may be included. The computing device 500 may be loaded with various software including an operating system capable of driving a program.

프로세서(510)는 컴퓨팅 장치(500)의 동작을 제어하는 장치로서, 프로그램에 포함된 명령들을 처리하는 다양한 형태의 프로세서(510)일 수 있고, 예를 들면, CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 등 일 수 있다. 메모리(520)는 본 발명의 동작을 실행하도록 기술된 명령들이 프로세서(510)에 의해 처리되도록 해당 프로그램을 로드한다. 메모리(520)는 예를 들면, ROM(read only memory), RAM(random access memory) 등 일 수 있다. 스토리지(530)는 본 발명의 동작을 실행하는데 요구되는 각종 데이터, 프로그램 등을 저장한다. 통신 인터페이스(540)는 유/무선 통신 모듈일 수 있다.The processor 510 is a device for controlling the operation of the computing device 500 , and may be a processor 510 of various types that processes instructions included in a program, for example, a central processing unit (CPU), an MPU ( It may be a micro processor unit), a micro controller unit (MCU), a graphic processing unit (GPU), or the like. The memory 520 loads the corresponding program so that the instructions described to execute the operation of the present invention are processed by the processor 510 . The memory 520 may be, for example, read only memory (ROM), random access memory (RAM), or the like. The storage 530 stores various data and programs required to execute the operation of the present invention. The communication interface 540 may be a wired/wireless communication module.

본 발명에 따르면 시간적으로 누적된 데이터에 기반하여 생육량을 예측하고, 이를 이용하여 생산성을 판단할 수 있으므로 재배 환경에 대한 사용자의 의사결정에 도움을 줄 수 있다.According to the present invention, the growth rate can be predicted based on time-accumulated data, and productivity can be determined using this, thereby helping the user to make decisions about the cultivation environment.

또한 본 발명에 따르면 예측된 생육량을 이용하여 생육량에 영향을 미치는 환경 요인들을 파악하고, 온실의 환경을 제어하는 자동화된 알고리즘의 기준을 설정할 수 있다. In addition, according to the present invention, it is possible to determine the environmental factors affecting the growth rate using the predicted growth rate, and set the standard of an automated algorithm for controlling the environment of the greenhouse.

이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.The embodiment of the present invention described above is not implemented only through the apparatus and method, and may be implemented through a program for realizing a function corresponding to the configuration of the embodiment of the present invention or a recording medium in which the program is recorded.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.Although the embodiments of the present invention have been described in detail above, the scope of the present invention is not limited thereto, and various modifications and improvements by those skilled in the art using the basic concept of the present invention as defined in the following claims are also provided. is within the scope of the right.

Claims (10)

적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치가 동작하는 방법으로서,
작물의 생체중(Fresh Weight)을 포함하는 생육 특성과 상기 작물이 재배되는 공간의 상대 습도를 포함하는 환경 요인을 주기적으로 수집하여 시계열적 데이터를 생성하는 단계,
상기 시계열적 데이터에 상기 작물의 생육 결과를 태깅하여 생성된 학습 데이터로 생육량 예측 모델을 학습시키는 단계, 그리고
상기 생육량 예측 모델로 신규 생육 특성과 신규 환경 요인을 입력하고, 상기 작물의 생육량을 예측하는 단계
를 포함하고,
상기 생체중은,
상기 작물을 매달아 놓은 프레임의 하중 센서로부터 측정된 값과 상기 작물이 자라는 배지의 수분 함량도를 이용하여 비파괴적으로 연속 수집되는, 동작 방법.A method of operating a computing device operated by at least one processor, comprising:
Generating time-series data by periodically collecting environmental factors including growth characteristics including the fresh weight of the crop and the relative humidity of the space in which the crop is grown;
Learning the growth prediction model with the learning data generated by tagging the growth results of the crops to the time-series data, and
inputting new growth characteristics and new environmental factors into the growth rate prediction model, and predicting the growth rate of the crop
including,
The live weight is
Non-destructively continuously collected using the value measured from the load sensor of the frame on which the crop is hung and the moisture content of the medium in which the crop is grown, the method of operation. 제1항에서,
상기 생육 특성은,
상기 작물의 잎의 길이, 잎의 폭, 가지의 수, 그리고 파종 후 날짜(Day After Transplanting, DAT) 중 적어도 어느 하나를 더 포함하는, 동작 방법.In claim 1,
The growth characteristics are
The method further comprising at least one of the length of the leaf of the crop, the width of the leaf, the number of branches, and the date after sowing (Day After Transplanting, DAT). 제1항에서,
상기 환경 요인은,
상기 작물이 재배되는 공간의 온도, 이산화탄소 농도, 일사량 그리고 상기 작물이 자라는 배지의 수분 함량도 중 적어도 어느 하나를 더 포함하는, 동작 방법.In claim 1,
The environmental factors are
The method further comprising at least one of a temperature of a space in which the crop is grown, a carbon dioxide concentration, an amount of insolation, and a moisture content of a medium in which the crop is grown. 제1항에서,
상기 생육량 예측 모델은 장단기 메모리(Long Short-Term Memory Model, LSTM)로 구현된 것인, 동작 방법.In claim 1,
The growth prediction model is a long-term memory (Long Short-Term Memory Model, LSTM) will be implemented as an operating method. 제4항에서,
상기 작물의 환경 요인이 조절되도록, 상기 작물이 재배되는 환경의 제어 시스템으로 예측된 작물의 생육량을 제공하는 단계
를 더 포함하는, 동작 방법.In claim 4,
providing the predicted growth amount of the crop to a control system of an environment in which the crop is grown so that the environmental factor of the crop is controlled;
Further comprising, the method of operation. 컴퓨팅 장치로서,
메모리, 그리고
상기 메모리에 로드된 프로그램의 명령들(instructions)을 실행하는 적어도 하나의 프로세서를 포함하고,
상기 프로그램은
작물의 생체중(Fresh Weight)을 포함하는 생육 특성과 상기 작물이 재배되는 공간의 상대 습도를 포함한 환경 요인을 수집하는 단계, 그리고
상기 생육 특성과 상기 환경 요인을 학습된 생육량 예측 모델에 입력하여 상기 작물의 생육량을 예측하는 단계를 실행하도록 기술된 명령들을 포함하고,
상기 생육량 예측 모델은,
임의의 작물에서 주기적으로 수집된 생육 특성과 상기 임의의 작물이 재배되는 환경 요인에 상기 임의의 작물의 생육 결과가 태깅된 시계열적 학습 데이터로 학습된 모델이고,
상기 생체중은,
상기 작물을 매달아 놓은 프레임의 하중 센서로부터 측정된 값과 상기 작물이 자라는 배지의 수분 함량도를 이용하여 비파괴적으로 연속 수집되는, 컴퓨팅 장치.A computing device comprising:
memory, and
at least one processor executing instructions of a program loaded into the memory;
the program is
Collecting environmental factors including growth characteristics including the fresh weight of the crop and the relative humidity of the space in which the crop is grown, and
Including instructions described to execute the step of predicting the growth of the crop by inputting the growth characteristics and the environmental factors into a learned growth prediction model,
The growth prediction model is,
It is a model trained with time-series learning data in which the growth characteristics of any crops periodically collected and the growth results of the arbitrary crops are tagged with the environmental factors in which the arbitrary crops are grown,
The live weight is
A computing device that is continuously collected non-destructively using a value measured from a load sensor of a frame in which the crop is suspended and a moisture content of a medium in which the crop is grown. 제6항에서,
상기 수집하는 단계는,
상기 작물이 자라는 배지의 상기 수분 함량도를 더 수집하는, 컴퓨팅 장치.In claim 6,
The collecting step is
Computing device, further collecting the water content of the medium in which the crop grows. 제7항에서,
상기 생체중은,
상기 작물을 매달아 놓은 상기 프레임의 상부에 부착된 상기 하중 센서로부터 측정된 값과 상기 수분 함량도를 이용하여 계산된 값인, 컴퓨팅 장치.In claim 7,
The live weight is
A computing device, which is a value calculated using the value measured by the load sensor attached to the upper portion of the frame on which the crop is suspended and the moisture content. 제6항에서,
예측된 생육량을 상기 작물이 재배되는 환경의 제어 시스템에 제공하는 단계, 그리고
상기 제어 시스템에 의해 상기 환경 요인이 변경된 이후의 상기 작물의 생육량을 예측하는 단계
를 더 포함하는, 컴퓨팅 장치.In claim 6,
providing the predicted growth rate to a control system of the environment in which the crop is grown, and
Predicting the growth rate of the crop after the environmental factor is changed by the control system
Computing device further comprising a. 제6항에서,
상기 생육량 예측 모델은 순환 신경망(Recurrent Neural Network, RNN)으로 구현된 것인, 컴퓨팅 장치.In claim 6,
The growth prediction model is a computing device that is implemented as a recurrent neural network (Recurrent Neural Network, RNN).
KR1020200030296A 2020-03-11 2020-03-11 Method and apparatus for estimating crop growth quantity KR102387765B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200030296A KR102387765B1 (en) 2020-03-11 2020-03-11 Method and apparatus for estimating crop growth quantity

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200030296A KR102387765B1 (en) 2020-03-11 2020-03-11 Method and apparatus for estimating crop growth quantity

Publications (2)

Publication Number Publication Date
KR20210114751A KR20210114751A (en) 2021-09-24
KR102387765B1 true KR102387765B1 (en) 2022-04-18

Family

ID=77914693

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200030296A KR102387765B1 (en) 2020-03-11 2020-03-11 Method and apparatus for estimating crop growth quantity

Country Status (1)

Country Link
KR (1) KR102387765B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102631597B1 (en) * 2023-06-29 2024-02-02 주식회사 리플로그 Strawberry stress index calculation method and cultivation management system using chlorophyll fluorescence value

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230055631A (en) 2021-10-19 2023-04-26 팜커넥트주식회사 Crop growth prediction device using multiple greenhouse environmental information and crop growth information and Method using the same

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101811640B1 (en) * 2016-08-03 2017-12-26 한국과학기술연구원 Prediction apparatus and method for production of crop using machine learning

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180086738A (en) * 2017-01-23 2018-08-01 한국과학기술연구원 Apparatus for providing guide information for growing crops, and method thereof
KR20180116639A (en) * 2017-04-17 2018-10-25 (주)아이들 Customized information providing system and method for cultivation of perennial crop

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101811640B1 (en) * 2016-08-03 2017-12-26 한국과학기술연구원 Prediction apparatus and method for production of crop using machine learning

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102631597B1 (en) * 2023-06-29 2024-02-02 주식회사 리플로그 Strawberry stress index calculation method and cultivation management system using chlorophyll fluorescence value

Also Published As

Publication number Publication date
KR20210114751A (en) 2021-09-24

Similar Documents

Publication Publication Date Title
US20220075344A1 (en) A method of finding a target environment suitable for growth of a plant variety
Karimi et al. Web-based monitoring system using Wireless Sensor Networks for traditional vineyards and grape drying buildings
Hong et al. A data-driven approach to soil moisture collection and prediction
CN112906298B (en) Blueberry yield prediction method based on machine learning
JP6551943B2 (en) Growth management device, growth management method, and program
US20220248616A1 (en) Irrigation control with deep reinforcement learning and smart scheduling
CN111476149A (en) Plant cultivation control method and system
Manoharan Supervised Learning for Microclimatic parameter Estimation in a Greenhouse environment for productive Agronomics
KR102387765B1 (en) Method and apparatus for estimating crop growth quantity
Serdaroglu et al. IoT based smart plant irrigation system with enhanced learning
Park et al. A layered features analysis in smart farm environments
CN117036088A (en) Data acquisition and analysis method for identifying growth situation of greening plants by AI
KR20210063218A (en) SmartFarm Operating System To Store Operation History
JP7140086B2 (en) Fruit Vegetable Plant and Fruit Tree Cultivation Management Apparatus, Learning Device, Fruit Vegetable Plant and Fruit Tree Cultivation Management Method, Learning Model Generation Method, Fruit Vegetable Plant and Fruit Tree Cultivation Management Program, and Learning Model Generation Program
Tripathy et al. Smart farming based on deep learning approaches
Pandey et al. IOT based smart polyhouse system using data analysis
Macabiog et al. Soil moisture and rain prediction based irrigation controller for the strawberry farm of La Trinidad, Benguet
Wickramaarachchi et al. Real-time greenhouse environmental conditions optimization using neural network and image processing
Patil et al. Ai-driven hydroponic systems for lemon basil
JP7437061B2 (en) Growth environment prediction device, growth environment control system, and growth environment prediction method
CN112364936A (en) Greenhouse control method, device and equipment based on artificial intelligence and storage medium
Jiang et al. Application and evaluation of an improved LSTM model in the soil moisture prediction of southeast chinese tobacco-producing areas
Mani et al. A framework for plant growth analysis and simulation using data analysis techniques
Michael et al. Development of an Irrigation System for Predicting Watering Time with ANFIS Method for Chili Plants
JP7220881B1 (en) Irrigation control system

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant