KR102470887B1 - 스마트 식물 모니터링 장치 및 방법 - Google Patents
스마트 식물 모니터링 장치 및 방법 Download PDFInfo
- Publication number
- KR102470887B1 KR102470887B1 KR1020210129671A KR20210129671A KR102470887B1 KR 102470887 B1 KR102470887 B1 KR 102470887B1 KR 1020210129671 A KR1020210129671 A KR 1020210129671A KR 20210129671 A KR20210129671 A KR 20210129671A KR 102470887 B1 KR102470887 B1 KR 102470887B1
- Authority
- KR
- South Korea
- Prior art keywords
- plant
- image
- spectroscopic
- smart
- rod
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 title claims description 8
- 238000012806 monitoring device Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 45
- 230000003595 spectral effect Effects 0.000 claims description 18
- 230000000873 masking effect Effects 0.000 claims description 17
- 230000033001 locomotion Effects 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000035784 germination Effects 0.000 claims description 6
- 238000010899 nucleation Methods 0.000 claims description 6
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 230000012010 growth Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000003779 hair growth Effects 0.000 description 5
- 238000002054 transplantation Methods 0.000 description 5
- 241000607479 Yersinia pestis Species 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002073 fluorescence micrograph Methods 0.000 description 2
- 238000000799 fluorescence microscopy Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000003333 near-infrared imaging Methods 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- 101100172132 Mus musculus Eif3a gene Proteins 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000012773 agricultural material Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- RUDATBOHQWOJDD-BSWAIDMHSA-N chenodeoxycholic acid Chemical compound C([C@H]1C[C@H]2O)[C@H](O)CC[C@]1(C)[C@@H]1[C@@H]2[C@@H]2CC[C@H]([C@@H](CCC(O)=O)C)[C@@]2(C)CC1 RUDATBOHQWOJDD-BSWAIDMHSA-N 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012921 fluorescence analysis Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/02—Details
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Mining & Mineral Resources (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Theoretical Computer Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Botany (AREA)
- Ecology (AREA)
- Forests & Forestry (AREA)
- Environmental Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
본 발명의 일 실시 예에 따른 스마트 식물 모니터링 장치 및 방법은 적어도 하나 이상의 식물체가 생육되는 육묘베드, 식물체에 대한 스캐닝을 통해 식물체의 형상정보가 도출되는 형상분석부 및 식물체에 대한 분광영상을 획득하기 위한 분광센서가 구비되어 분광영상이 분석되는 분광분석부가 포함되고, 형상분석부에는 식물체를 향하여 광을 조사하기 위한 광원부. 식물체로부터 반사된 광을 식별하기 위한 검출부 및 식별된 결과 획득된 점 군(point cloud)에 기초하여 식물체의 형상정보가 도출되는 형상분석모듈이 포함될 수 있다.
Description
본 발명은 스마트 식물 모니터링 장치 및 방법에 관한 것으로, 더욱 상세하게는 육묘베드 상에서 생육되는 식물체를 관찰하고, 육묘데이터를 수집하는 모니터링 장치 및 방법에 관한 것이다.
묘는 농작물 생산의 전초 단계로 생산의 성패를 좌우할 만큼 중요하며, 육묘산업은 발전가능성이 매우 큰 미래 성장 동력 산업으로서 육묘와 재배의 분업화·전문화를 유도할 수 있는 원천사업인 동시에 발아, 접목·활착, 생장조절 및 병해충관리 등 재배관련 기술이 집대성되는 정밀산업이다.
육묘는 국내 공정육묘장의 면적은 1997년 약 20ha에서 2010년 159ha로 약 8배 정도로 확대되었으며, 향후 면적은 2015년 187ha, 2020년 224ha로 크게 증가할 전망이므로 육묘시장 확대로 인한 우량묘 생산관리가 매우 중요하다.
그러나, 기후변화, 인건비 및 농자재 값 상승으로 인한 생산비 증가와 농촌 고령화에 따른 인력 수급의 어려움과 네덜란드 등 선진국 대비 육묘 생산 자동화 기술 부족 및 낙후된 육묘설비는 육묘산업 발전의 큰 걸림돌로 작용하고 있으며, 현재 당면한 육묘산업의 문제점 해결과 지속적인 발전을 위해서는 4차 산업혁명 핵심 기술의적용을 통한 육묘 생산성 및 자동화 향상이 가능한 지능형 스마트 육묘 기술 개발 필요하다.
특히, 육묘 과정에서 획득되는 데이터들을 축적함으로써 형성된 빅데이터를 분석하기 위한 표현체학(phenomics)의 적용에 있어서, 육묘 모니터링 장치의 개발은 필수적이다. 표현체학은 페놈(phenome)과 체학(omics)의 합성어로, 최근에는 자동화 시설에서 식물의 성장 관련 영상 이미지를 통해 식물표현형을 자동적으로 측정하고 평가하는 기술로 의미가 점차 확대되고 있다.
최대 2개월의 기간 내에 파종, 발아, 접목·활착, 생육조절, 병해충 관리, 저장, 수송 등 재배관련 모든 기술이 공장화된 일련의 프로세스로 집대성된 종합적 정밀산업으로 4차 산업의 주요 키워드인 ICBM과 AI, 로봇 적용의 가용성이 매우 높으며, 개별 스마트 육묘 요소 기술 개발 및 종합 검증을 위한 육묘 모니터링 시스템에 대한 개발이 지속적으로 요구되고 있다.
특히, 종자나 영양체로 파종 등의 방법으로 일정 기간 동안 길러 옮겨 심기에 적합한 묘를 키우는 과정에서 식물의 생장상태를 분석하는 것은 식물체의 생산성 및 품질을 향상시키는데 매우 중요한 요소이다. 기존에는 식물의 외관을 작업자가 직접 눈으로 보고 확인하여 식물의 생육상태를 확인하였다. 그러나, 작업자의 상기와 같은 경험적 판단으로 식물의 생육상태를 파악하는 경우 작업자의 숙련도에 따른 판단 차이로 인하여 오히려 식물의 품질을 악화시킬 수 있는 문제가 있다.
따라서, 식물의 형상, 식생지수 등 작물의 생육과 관련된 정보를 정량화하기 위하여 상기 정보들을 취득하고 처리함으로써 작물의 생육상태를 더욱 정확하게 파악하기 위한 기술에 대한 개발이 요구된다.
본 발명은 전술한 문제점에 대한 일 대응방안으로써, 육묘베드 상에서 생육되는 식물을 관찰하고, 육묘데이터를 수집하는 스마트 식물 모니터링 장치 및 방법을 제공하고자 함에 그 목적이 있다.
본 발명은, 스마트 식물 모니터링 장치 및 방법을 제공할 수 있다.
본 발명은 스마트 식물 모니터링 장치에 있어서, 적어도 하나 이상의 식물체가 생육되는 육묘베드; 상기 식물체의 상부에 배치되어 이동을 통해 상기 식물체를 스캐닝하여 상기 식물체의 형상정보와 분광영상을 획득하는 센싱블록; 상기 육묘베드를 하부에 고정하는 지지프레임; 및 상기 센싱블록의 측정 값을 분석하여 상기 식물체의 초장, 엽수, 엽면적을 분석하여 육묘 과정을 판단하는 프로세서를 포함하고, 상기 센싱블록은, 상기 육묘베드의 길이 방향으로 이동 가능하도록 형성된 제 1 로드; 상기 육묘베드의 폭 방향으로 이동 가능하도록 형성된 제 2 로드; 상기 식물체에 대한 스캐닝을 통해 상기 식물체의 형상정보를 도출하는 형상분석부; 및 분광센서를 구비하여 상기 식물체에 대한 분광영상을 획득하는 분광분석부를 더 포함하고, 상기 센싱블록은, 상기 식물체의 상부에 배치되어 상기 지지프레임의 상부에 연결되어 상기 제 1 로드 또는 제 2 로드의 움직임에 의해 상기 식물체를 스캐닝하여 상기 식물체의 형상정보와 분광영상을 획득상기 육묘베드를 스캐닝하는 것을 특징으로 하는 스마트 식물 모니터링 장치를 제공한다.
실시 예에 따라, 상기 형상분석부는, 상기 식물체를 향하여 광을 조사하기 위한 광원부; 상기 식물체로부터 반사된 광을 식별하기 위한 검출부; 및 상기 식물체의 점 군(point cloud)에 기초하여 상기 식물체의 형상정보가 도출되는 형상분석모듈을 더 포함할 수 있다.
실시 예에 따라, 상기 분광분석부는, 상기 식물체로 방사되는 전자기파가 반사되어 돌아오는 전자기파를 수백 개 이상의 연속된 분광파장으로 기록하는 복수의 센서가 구비된 초분광 영상센서를 더 포함할 수 있다.
실시 예에 따라, 상기 분광파장의 파장대역은, 가시광선 영역의 Red 파장대역(600nm ~ 700nm), Blue 파장대역(400nm ~ 500nm), Green 파장대역(500nm ~ 600nm), 근적외선(NIR) 파장영역(750nm ~ 900nm)을 포함할 수 있다.
실시 예에 따라, 상기 센싱블록은, 상기 제1 로드 및 제2 로드의 움직이는 시작되는 시간과 모터의 움직이는 시간을 해당 식물체의 위치와 매칭시켜 상기 식물체의 초장, 엽면적 또는 정규식생지수(NDVI: Normalised Difference Vegetation Index) 중 적어도 어느 하나를 판단할 수 있다.
실시 예에 따라, 상기 프로세서는, 상기 식물체의 파종과정, 발아과정을 거쳐 옮겨 심기에 적합하도록 식물체를 생육하는 과정을 연산할 수 있다.
또한 본 발명은, 식물체의 스캐닝을 이용하는 스마트 식물 모니터링 방법에 있어서, 상기 식물체의 스캐닝을 위해 상기 식물체가 생육되는 육모베드의 상부에 설치된 센싱블록의 움직임이 시작되는 시간을 기록하는 단계; 상기 센싱블록을 구동하는 모터의 위치를 기록하거나 상기 식물체의 생육 상태에 대한 라이다 데이터 또는 적외선 데이터를 기록하는 단계; 및 상기 식물체의 형상정보 또는 분광정보를 통해 상기 식물체의 엽면적을 분석하여 육묘 과정을 판단하는 단계를 포함하고, 상기 모터의 위치를 기록하는 단계는, 상기 육묘베드의 길이 방향으로 이동 가능하도록 상기 센싱블록에 형성된 제 1 로드에 설치된 모터의 위치를 기록하는 과정; 및
상기 육묘베드의 폭 방향으로 이동 가능하도록 상기 센싱블록에 형성된 제 2 로드에 설치된 모터의 위치를 기록하는 과정을 포함하며, 상기 육묘 과정을 판단하는 단계는, 상기 식물체의 초장, 엽수, 엽면적 또는 정규식생지수(NDVI: Normalised Difference Vegetation Index) 중 적어도 어느 하나를 판단하는 과정을 포함하는 스마트 식물 모니터링 방법.을 제공한다.
실시 예에 따라, 상기 육모 과정을 판단한 이후, 상기 식물체의 위치와 상기 육묘 과정을 매칭하여 데이터베이스로 전송하는 단계를 더 포함할 수 있다.
실시 예에 따라, 상기 제1 로드 및 제2 로드의 움직이는 시작되는 시간과 모터의 움직이는 시간을 해당 식물체의 위치와 매칭시키는 단계; 및 상기 식물체의 형상정보 또는 분광정보를 통해 프로세서에서 상기 식물체의 초장, 엽면적 또는 정규식생지수(NDVI: Normalised Difference Vegetation Index) 중 적어도 어느 하나를 판단하는 단계를 더 포함할 수 있다.
실시 예에 따라, 상기 프로세서가 상기 식물체의 파종과정, 발아과정을 거쳐 옮겨 심기에 적합하도록 식물체를 생육하는 과정을 연산하는 단계를 더 포함할 수 있다.
또한, 본 발명은 상술한 방법을 프로그램으로 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체를 제공한다.
본 발명의 일 실시 예에 따르면, 육묘베드 상에서 생육되는 식물체를 관찰하고, 육묘데이터를 효율적으로 수집할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시 예에 따른 스마트 식물 모니터링 장치를 나타낸 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 센싱블록의 구성도이다.
도 3은 본 발명의 일 실시 예에 따라 센싱블록이 PC에 연결된 PLC를 통해 제어되는 모습의 블록도를 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 형상분석부를 나타낸 블록도이다.
도 5는 본 발명의 일 실시 예에 따른 분광분석부를 나타낸 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 식물체의 엽면적이 도출되는 과정을 나타낸 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 센싱블록의 구성도이다.
도 3은 본 발명의 일 실시 예에 따라 센싱블록이 PC에 연결된 PLC를 통해 제어되는 모습의 블록도를 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 형상분석부를 나타낸 블록도이다.
도 5는 본 발명의 일 실시 예에 따른 분광분석부를 나타낸 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 식물체의 엽면적이 도출되는 과정을 나타낸 예시도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
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 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 소자를 사이에 두고" 연결되어 있는 경우도 포함한다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
본 발명의 일 실시 예로써, 스마트 식물 모니터링 장치(10)가 제공될 수 있다.
본 명세서에서 식물체(11)란 식물체 그 자체는 물론, 식물체의 일부, 식물 조직 또는 식물 세포를 포함하며, 육묘과정에서의 모종 등 재배를 위한 식물 및 나무는 모두 포함될 수 있다. 또한, 재배의 유형에도 관계없는데 예를 들면 분화재배에 따른 분화식물도 상기 식물체(11)에 포함될 수 있다.
뿐만 아니라, 재배를 위한 목적과 관계없이 식물체(11)에 포함될 수 있음은 당연하다. 상기 식물체(11)는 형질 전환 등의 인공적 조작에 의해 만들어진 식물로 자연계에 원래 존재하지 않는 식물도 포함될 수 있다.
도 1은 본 발명의 일 실시 예에 따른 스마트 식물 모니터링 장치(10)를 나타낸 예시도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 스마트 식물 모니터링 장치(10)는, 육묘베드(100), 센싱블록(20) 및 프로세서를 포함할 수 있다.
육묘베드(100)는, 적어도 하나 이상의 식물체(11)가 생육될 수 있다. 육묘베드(100)는, 파종과정, 발아과정을 거쳐 옮겨심기에 적합하도록 식물체(11)를 생육하는 곳으로, 본 발명의 목적에 따라 각 식물체(11)가 출하시기까지 보관되는 장소를 지칭한다.
센싱블록(20)은, 상기 식물체(11)의 상부에 배치되어 이동을 통해 상기 식물체(11)를 스캐닝하여 상기 식물체(11)의 형상정보와 분광영상을 획득할 수 있다.
센싱블록(20)은, 식물체(11)에 대한 스캐닝을 통해 상기 식물체(11)의 형상정보를 도출하는 형상분석부(200); 및 분광분석부(300)를 구비하여 상기 식물체(11)에 대한 분광영상을 획득하는 분광분석부(300)를 포함할 수 있다.
형상분석부(200)는 식물체(11)를 향하여 광을 조사하기 위한 광원부(210), 식물체(11)로부터 반사된 광을 식별하기 위한 검출부(220) 및 식별된 결과 획득된 점 군(point cloud)에 기초하여 식물체(11)의 형상정보가 도출되는 형상분석모듈(230)를 포함할 수 있다.
프로세서는 도면에는 도시되지 않았으나 센싱블록(20)에 포함된 형광분석부와 분광분석부(300)에서 수집된 데이터를 처리하는 구성이다. 프로세서는, 상기 센싱블록(20)의 측정 값을 분석하여 상기 식물체(11)의 엽면적을 분석하여 육묘 과정을 판단할 수 있다.
본 발명의 일 실시 예에 따른 스마트 식물 모니터링 장치(10)는 파종과정, 발아과정을 거쳐 옮겨 심기에 적합하도록 식물체(11)를 생육하는 과정을 모니터링하는 장치를 지칭한다.
상기 식물체(11)는 옮겨 심기 위하여 가꾼 씨앗의 싹으로 묘 혹은 모를 지칭하며, 씨앗의 종류에는 제한이 없다. 상기 형상정보는 후술하는 바와 같이 식물체(11)의 형상에 관한 특징으로, 형상정보에는 식물체(11)의 초장, 엽면적, 마디 수, 옆폭, 옆장 등이 포함될 수 있다.
본 발명은, 육모베드를 하부에 고정하는 지지프레임(130)을 더 포함할 수 있다.
지지프레임(130)은, 센싱블록(20)과 연결되어 센싱블록(20)이 움직이는 동안 전체 프레임을 지탱하는 역할을 하며, 하부에 육묘베드(100)를 배치할 수 있는 공간을 형성하여, 육묘베드(100)의 상부에서 센싱블록(20)의 움직임을 보장하는 역할을 한다.
지지프레임(130)은, 육묘베드(100)의 길이 방향으로 이동 가능하도록 형성된 제 1 로드(110) 및 육묘베드(100)의 폭 방향으로 이동 가능하도록 형성된 제 2 로드(120)가 포함할 수 있다.
센싱블록(20)은, 상기 지지프레임(130)의 상부에 연결되어 상기 제 1 로드(100) 또는 제 2 로드(120)의 움직임에 의해 상기 육묘베드(100)를 스캐닝할 수 있다.
본 발명의 일 실시 예에 따른 스마트 식물 모니터링 장치(10)에 있어서, 제 2 로드(120)에는 광원부(210), 검출부(220) 및 분광센서(310)가 육묘베드(100)를 향하도록 배치될 수 있다.
상기 육묘베드(100)는 바닥면으로부터 소정의 높이를 가지는 테이블의 형태로 형성될 수 있다. 상기 식물체(11)는 육묘트레이(50)에 담겨진 상태로 상기 육묘베드(100) 상에 육묘트레이(50)가 배치될 수 있다.
후술하는 바와 같이 광원부(210), 검출부(220) 및 분광센서(310)는 육묘베드(100)에 위치한 육묘트레이(50) 별로 스캔 데이터 및 분광영상을 취득할 수 있다.
지지프레임(130)은 도 1에서와 같이 복수개의 로드가 연결되어 형성되고, 상기 복수개의 로드 이외에는 개방된 형태로 형성될 수 있다. 이와는 달리, 하우징 형태로 육묘베드(100)를 감싸도록 형성될 수 있다. 즉, 지지프레임(130)의 구조 및 형태는 제한이 없고, 여러 가지 형태로 형성될 수 있다.
상기 지지프레임(130)에는 제 1 로드(110)의 이동을 위한 제 1 구동모듈(미도시) 및 제 2 로드(120)의 이동을 위한 제 2 구동모듈(미도시)가 더 포함될 수 있다. 상기 구동모듈들의 구동방식에는 제한이 없다.
상기 제 1 로드(110)의 이동을 위한 제 1 레일 및 상기 제 2 로드(120)의 이동을 위한 제 2 레일이 추가적으로 상기 지지프레임(130)에 더 포함될 수 있다. 상기 제 2 로드(120)에는 광원부(210), 검출부(220) 및 분광센서(310)가 육묘베드(100)를 향하도록 배치되어 형성될 수 있는데, 광원부(210), 검출부(220) 및 분광센서(310)가 배치되는 순서에는 제한이 없다.
상기 지지프레임(130)에는 상기 지지프레임(130)의 높이를 조절하기 위한 제 3 구동모듈(미도시)이 더 포함될 수 있다.
즉, 전술한 제 1 로드(110) 및 제 2 로드(120)의 구동에 따라 육묘베드(100) 상에 위치한 어떠한 식물체도 모니터링 할 수 있으나, 지지프레임(130)의 높이를 조절하여 더 좋은 화질의 영상을 획득할 수 있도록 상기 제 3 구동모듈이 더 포함될 수 있다.
정리하면, 상기 제 2 로드(120)에 부착된 센서들은 지지프레임(130) 상에서 어떠한 위치로든 이동할 수 있다.
또한, 상기 지지프레임(130)에는 영상 센서가 추가적으로 구비될 수 있다. 상기 영상센서를 통해서 식물체영상이 획득될 수 있다. 상기 영상 센서는 CCD(Charge Coupled Device), CIS(CMOS Image Sensor)와 같은 이미지센서를 이용하는 촬영장치일 수 있다.
상기 영상센서를 통해 획득된 식물체영상은 데이터베이스(미도시)에 저장될 수 있다. 상기 식물체영상과 식물체(11)에 관하여 미리 획득된 특징데이터(Ex. 초장, 엽면적, 마디 수, 정규화식생지수, 병충해지수 등) 간 상관관계에 대하여 딥러닝 알고리즘에 기초하여 학습이 수행될 수 있다.
상기 학습 결과에 따라 생육예측모델이 생성될 수 있다. 상기 생육예측모델은 소정의 기간 이후 식물체(11)의 성장상태를 예측할 수 있는 모델로, 식물체(11)에 대하여 영상센서를 이용하여 취득된 식물체영상을 상기 생육예측모델에 입력하면 소정의 기간 이후의 식물체예측영상이 생성될 수 있다.
즉, 사용자는 생육예측모델을 이용하여 획득 가능한 식물체 예측영상에 기초하여 육묘 방향을 재설정할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 센싱블록(20)의 구성도이다.
도 2를 참조하면, 센싱블록(20)은 지지프레임(130)의 상부에 연결되어 지지프레임(130)의 하부에 설치된 육묘베드(100) 내부의 식물체(11)를 스캐닝한다.
센싱블록(20)은, 식물체(11)에 대한 스캐닝을 통해 상기 식물체(11)의 형상정보를 도출하는 형상분석부(200) 및 분광센서(310)를 구비하여 상기 식물체(11)에 대한 분광영상을 획득하는 분광분석부(300)를 포함할 수 있다.
센싱블록(20)은, 상기 지지프레임(130)의 상부에 연결되어 상기 제 1 로드(100) 또는 제 2 로드(120)의 움직임에 의해 상기 육묘베드(100)를 스캐닝할 수 있다.
도 3은 본 발명의 일 실시 예에 따라 센싱블록이 PC에 연결된 PLC(Power Line Communication)를 통해 제어되는 모습의 블록도를 나타낸다.
도 3을 참조하면, 전력선통신 제어방식을 이용한 PLC IP 카메라 네트워크 시스템을 적용하여, PC에 연결된 PLC를 통해 센싱블록 내에 있는 영상카메라의 모션을 제어할 수 있다.
센싱블록 내의 영상 센서는 CCD(Charge Coupled Device), CIS(CMOS Image Sensor)와 같은 이미지센서를 이용하는 촬영장치일 수 있는데, 3축(X,Y,Z)의 움직임을 PC를 통해 제어할 수 있다.
실시 예에 따라, 영상데이터를 전력선 통신으로 변환하는 방식으로 멀티 캐리어(Multi-Carrier) 방식을 사용할 수 있는데, 상기 멀티 캐리어(Multi-Carrier) 방식에서는 채널의 대역폭이 OFDM(Orthogonal Frequency Division Modulation) 방식으로 여러 개의 캐리어(carrier)로 구성되어 있다.
실시 예에 따라, 상기 OFDM 방식은 각각 다른 전송 주파수를 가진 N개의 독립적으로 변조된 채널로 구성이 되어 있다. 만약, 각각의 전송주파수를 적절하게 선택을 하면 여러 개의 캐리어(carriers)는 서로에 영향을 주지 않게 된다. 이러한 방식으로 변조를 하여 전력선에 영상데이터를 전송하며 역순으로 데이터를 검출해 낸다.
또한 실시 예에 따라, 채널 액세스(Channel Access) 방법으로는 CSMA/CDCA(Carrier Sense Multiple Access/Collision Detection Collision Avoidance) 방식을 사용할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 형상분석부(200)를 나타낸 블록도이다.
도 4를 참조하면, 광원부(210) 및 검출부(220)는 대상체(Ex. 식물체)를 스캔하기 위한 스캔센서에 해당될 수 있다. 예를 들면, 상기 광원부(210)와 검출부(220)는 라이다 센서에 해당될 수 있다. 라이다 센서는 빛을 대상체에 비춤으로써 대상체까지의 거리, 방향, 속도, 온도, 물질 분포 및 농도 특성 등을 감지할 수 있는 센서를 지칭한다.
상기 광원부(210) 및 검출부(220)는 2차원 라이다 센서 또는 3차원 라이다 센서에 해당될 수 있다. 본 발명의 스마트 식물 모니터링 장치(10)에서 상기 광원부(210) 및 검출부(220)는 식물체(11)에 대한 3차원 형상정보를 취득하기 위한 3차원 라이다 센서임이 바람직하다.
즉, 라이다 센서를 통해 상기 광원부(210)로부터 조사된 광이 식물체(11)로부터 반사되어 검출되어 점 군(point cloud)에 해당되는 스캔정보가 획득될 수 있다. 또한, 상기 스캔정보는 하나의 라이다 센서에 의한 개별적인 스캐닝을 통하거나 복수개의 라이다 센서를 통해 취득된 데이터가 조합된 데이터에 해당될 수 있다. 즉, 상기 스캔 정보는 적어도 하나 이상의 라이다 센서에 의한 스캐닝을 통해 획득될 수 있다.
상기 스캔센서로 라이다 센서를 대신하여 다양한 센서를 이용할 수 있다. 예를 들면, 형광센서, 열화상센서, 적외선센서, 근적외선센서, CCD 이미지센서, 초음파센서 등을 이용할 수 있다. 즉, 상기 형광센서, 열화상센서, 적외선센서, 근적외선센서, CCD 이미지센서, 초음파센서 중 적어도 어느 하나를 이용하여 식물체(11)의 형상을 추출할 수도 있다.
도 5는 본 발명의 일 실시 예에 따른 분광분석부(300)를 나타낸 블록도이다.
도 5를 참조하면, 본 발명의 일 실시 예에 따른 스마트 식물 모니터링 장치(10)에 있어서, 형상정보에는 식물체(11)의 초장, 엽면적, 마디 수 중 적어도 어느 하나가 포함되며, 분광분석부(300)에서는 분광영상에 대하여 소정의 임계값에 기초하여 이진화가 수행됨에 따라 식물체(11)에 대한 이진화영상이 생성될 수 있다.
이진화영상에 대하여 마스킹(masking) 처리에 따라 식물체(11)에 대한 마스킹영상이 생성되며, 형상분석부(200)에서는 점 군으로부터 생성된 식물체(11)에 대한 형상모델을 이용하여 식물체(11)의 초장이 도출되고, 초장과 마스킹영상을 이용하여 식물체(11)의 엽면적이 도출될 수 있다.
상기 분광센서(310)에는 다분광 영상센서(multispectral sensor), 초분광 영상센서(hyperspectral sensor) 등이 포함될 수 있다. 다만, 본 발명의 일 실시 예에 따른 스마트 식물 모니터링 장치(10)에서 상기 분광센서(310)는 초분광 영상센서로 구성됨이 바람직하다.
상기 초분광 영상센서는 전자기파로 대상물에 반사되거나 대상물이 방사되는 전자기파를 수백 개 이상의 연속된 분광파장으로 기록하는 센서를 지칭한다. 또한, 상기 초분광 영상센서로 얻어지는 연속된 분광파장의 자료는 지표와 식생의 다양한 대상물의 탐지에 활용될 수 있다.
상기와 같은 분광센서(310)를 통해 획득되는 분광영상은 데이터베이스(미도시)에 저장될 수 있다. 즉, 상기 데이터베이스에는 식물체(11)의 연속적인 분광반사율가 저장될 수 있다. 뿐만 아니라, 전술한 과정에서 획득된 형상정보도 함께 데이터베이스에 저장될 수 있다.
즉, 상기 분광영상이란 초분광 영상센서(hyperspectral sensor)와 같은 분광 영상센서를 이용하여 획득된 영상을 지칭한다.
초분광 영상센서를 이용하여 식물체(11)에 대한 분광영상이 획득될 수 있고, 상기 분광영상은 식물체(11)에 대한 복수의 파장대역 별 분광반사율에 기초하여 생성된 영상에 해당될 수 있다.
상기 파장대역에는 가시광선 영역의 Red 파장대역(600nm ~ 700nm), Blue 파장대역(400nm ~ 500nm), Green 파장대역(500nm ~ 600nm), 근적외선(NIR) 파장영역(750nm ~ 900nm) 등이 포함될 수 있다.
전술한 파장대역은 예시적인 것에 불과하므로, 이에 제한되는 것은 아니고 사용자의 목적 및 용도에 따라 다양한 파장대역에 기초하여 분광영상이 생성될 수 있다.
또한, 상기 분광영상은 상기 분광분석부(300)에서 색공간 변환, 이진화 처리, 마스킹 처리 등과 같은 전/후처리가 부가적으로 함께 수행될 수 있다. 즉, 분광영상에 대하여 상기 분광분석부(300)의 색공간변환부(320)에서는 색공간 변환 과정이 수행될 수 있다.
상기 획득된 분광영상으로부터 빛의 특성을 이용해 색상을 표현하는 RGB 색공간에 관련된 정보가 획득될 수 있고, 상기 RGB 데이터에 대하여 영상 처리를 주목적으로 하는 HSL 색공간으로 변환될 수 있다.
즉, 상기 색공간 변환 과정을 거쳐 RGB 픽셀 데이터로부터 색상(Hue), 채도(Saturation) 및 명도(Lightness)에 대한 정보가 획득될 수 있다.
상기 색공간변환부(320)에서의 색공간 변환에 따라 획득된 정보에 기초하여 분광영상의 이진화가 상기 분광분석부(300)의 영상이진화부(330)에서 수행될 수 있다. 영상 이진화와 관련하여 공지의 다양한 방법이 적용될 수 있다.
예를 들면, 오츠 방법(Otsu method)에 따라 획득된 임계값에 기초하여 상기 분광영상이 이진화될 수 있다. 상기 오츠 방법은 이미지 히스토그램에 대하여 이미지를 두 개의 클래스로 가장 적합하게 분할할 수 있는 임계값을 찾기 위한 방법을 지칭한다.
즉, 임계값 T를 기준으로 영상정보 데이터(Ex. 픽셀 값, 명도 등)에 대하여 두 개의 클래스로 분류하였을 때, 두 개의 클래스 간 분산(between-class variance) 값이 최대가 되도록 하는 임계값 T를 찾는 방법을 지칭한다. 전술한 오츠 방법을 이용하여 분류를 위한 임계값에 기초하여 상기 분광영상이 이진화됨에 따라 이진화영상이 생성될 수 있다.
이후에는, 상기 영상마스킹부(340)에서는 생성된 이진화영상에 대하여 영상 마스킹이 수행됨에 따라 마스킹영상이 생성될 수 있다. 영상 마스킹(masking)과 관련하여 공지의 방법이 적용될 수 있으며, 이진화영상에서 식물체(11)만이 표현되도록 마스킹이 수행됨에 따라 마스킹영상이 획득될 수 있다.
즉, 분광영상에 대하여 식생 부분만 추출하고, 나머지 부분(Ex. 배경 등)은 숨겨지도록 마스킹 처리가 수행될 수 있다. 분광영상에 대하여 스펙트럼 분석을 통해 정규화식생지수(NDVI)가 도출될 수 있다.
상기 정규화식생지수는 근적외선(NIR) 영역과 가시광선 영역 사이에 발생되는 분광 차이에 기초하여 식물체에 대한 식생 특성을 파악하기 위한 지수에 해당된다.
상기 정규화식생지수는 식물체에 대한 식생 활력 정도를 나타내기 위한 지수로 활용될 수 있다. 즉, 사용자는 획득된 정규화식생지수를 이용하여 식물체의 활력 정도와 관련된 정보를 획득할 수 있다. 또한, 분광영상에 대하여 스펙트럼 분석을 통해 병충해 감염 여부가 도출될 수 있다.
상기 분광영상 대신에 다양한 영상데이터를 이용할 수 있다. 상기 영상데이터에는 형광영상, 열화상영상, 적외선영상, 근적외선영상, CCD영상, 초음파영상 등이 포함될 수 있다.
즉, 식물체의 내적 소질을 판단하기 위하여 형광영상, 열화상영상, 적외선영상, 근적외선영상, CCD영상, 초음파영상 중 적어도 어느 하나가 이용될 수 있다.
엽면적 산출되는 과정을 더욱 구체적으로 설명하면, 먼저 식물체에 대하여 광원부(210)를 통해 광이 조사되고, 검출부(220)를 통해 광을 식별할 수 있다. 전술한 바와 같이, 상기 식별 결과에 따라 획득된 점 군(point)에 기초하여 상기 식물체의 형상모델이 생성될 수 있다.
상기 생성된 형상모델로부터 식물체(11)의 초장이 도출될 수 있다. 다음으로, 전술한 분광분석부(300)에서 획득된 분광영상에 대하여 마스킹 처리에 따라 식물체(11)에 대한 마스킹영상이 생성될 수 있다. 상기 마스킹영상과 상기 초장이 융합하여 상기 식물체(11)의 엽면적이 도출될 수 있다.
생성적 적대 신경망(GAN: Generative adversarial network), 변형 오토인코더(VAE: Variational Autoencoder) 등이 포함될 수 있다. 다만, 상기와 같은 딥러닝 알고리즘만이 이용가능한 것이 아니라, 베이지안 망(Bayesian network), 서포트벡터머신(support vector machine, SVM)과 같은 머신러닝 알고리즘은 물론 회귀분석 방법 등 다양한 인공지능 기술을 이용할 수 있다.
이하 상술한 스마트 식물 모니터링 장치(10)를 이용하여 모니터링을 하는 방법에 대해 설명한다.
도 6은 본 발명의 일 실시 예에 따른 식물체의 엽면적이 도출되는 과정에 대한 순서도를 나타낸다.
도 6을 참조하면, 본 발명은 센싱블록(20)이 대기 중에서 작동되기 시작되는 시점으로 정의될 수 있다. 센싱블록(20)이 움직이기 시작하는 경우, 동작되는 시간 기록을 수행한다(S10).
센싱블록(20)의 위치에 따라 해당 식물체를 파악할 수 있고, 모터 위치 기록, 라이다 데이터 기록, VNIR(Visible and Near-Infrared Radiation, 적외선 카메라) 영상 획득(S20)을 동시에 진행할 수 있다.
프로세서는 초장, 엽면적, NDVI(Normalized Difference Vegetation Index, 정규식생지수)를 산출하여 데이터베이스로 영상 데이터를 전송(S30)하며, 최종적으로 이 과정을 포함할 수 있다.
영상데이터에는 형광영상, 열화상영상, 적외선영상, 근적외선영상, CCD영상, 초음파영상 등이 포함될 수 있다. 즉, 식물체의 내적 소질을 판단하기 위하여 형광영상, 열화상영상, 적외선영상, 근적외선영상, CCD영상, 초음파영상 중 적어도 어느 하나가 이용될 수 있다.
본 발명의 스마트 식물 모니터링 방법은, 상기 식물체의 스캐닝을 위해 상기 식물체가 생육되는 육모베드의 상부에 설치된 센싱블록(20)의 움직임이 시작되는 시간을 기록하는 단계(S10); 상기 센싱블록(20)을 구동하는 모터의 위치를 기록하거나 상기 식물체의 생육 상태에 대한 라이다 데이터 또는 적외선 데이터를 기록하는 단계(S20); 및 상기 식물체의 형상정보 또는 분광정보를 통해 상기 식물체의 엽면적을 분석(S30)하여 육묘 과정을 판단하는 단계를 포함할 수 있다.
상기 모터의 위치를 기록하는 단계는, 상기 육묘베드(100)의 길이 방향으로 이동 가능하도록 상기 센싱블록(20)에 형성된 제 1 로드(100)에 설치된 모터의 위치를 기록하는 과정; 및 상기 육묘베드(100)의 폭 방향으로 이동 가능하도록 상기 센싱블록(20)에 형성된 제 2 로드(120)에 설치된 모터의 위치를 기록하는 과정을 포함할 수 있는데, 이는 센싱블록(20)의 위치에 따라 해당 식물체를 파악할 수 있기 때문이다.
상기 육묘 과정을 판단하는 단계는, 상기 식물체의 초장, 엽면적 또는 정규식생지수(NDVI: Normalised Difference Vegetation Index) 중 적어도 어느 하나를 판단하는 과정을 포함할 수 있다. 상기 육모 과정을 판단한 이후, 상기 식물체의 위치와 상기 육묘 과정을 매칭하여 데이터베이스로 전송하는 단계를 더 포함할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 스마트 식물 모니터링 장치 11: 식물체
20: 센싱블록 50: 육묘트레이
100: 육묘베드
110: 제 1 로드 120: 제 2 로드
130: 지지프레임
200: 형상분석부 210: 광원부
220: 검출부 230: 형상분석모듈
300: 분광분석부
310: 분광센서 320: 색공간변환부
330: 영상이진화부 340: 영상마스킹부
20: 센싱블록 50: 육묘트레이
100: 육묘베드
110: 제 1 로드 120: 제 2 로드
130: 지지프레임
200: 형상분석부 210: 광원부
220: 검출부 230: 형상분석모듈
300: 분광분석부
310: 분광센서 320: 색공간변환부
330: 영상이진화부 340: 영상마스킹부
Claims (11)
- 스마트 식물 모니터링 장치에 있어서,
적어도 하나 이상의 식물체가 생육되는 육묘베드;
상기 식물체의 상부에 배치되어 이동을 통해 상기 식물체를 스캐닝하여 상기 식물체의 형상정보와 분광영상을 획득하는 센싱블록;
상기 육묘베드를 하부에 고정하는 지지프레임; 및
상기 센싱블록의 측정 값을 분석하여 상기 식물체의 초장, 엽수, 엽면적을 분석하여 육묘 과정을 판단하는 프로세서를 포함하고,
상기 센싱블록은,
상기 육묘베드의 길이 방향으로 이동 가능하도록 형성된 제 1 로드;
상기 육묘베드의 폭 방향으로 이동 가능하도록 형성된 제 2 로드;
상기 식물체에 대한 스캐닝을 통해 상기 식물체의 형상정보를 도출하는 형상분석부; 및
분광센서를 구비하여 상기 식물체에 대한 분광영상을 획득하는 분광분석부를 더 포함하고,
상기 센싱블록은,
상기 식물체의 상부에 배치되며, 상기 지지프레임의 상부에 연결되어 상기 제 1 로드 또는 제 2 로드의 움직임에 의해 상기 식물체를 스캐닝하여 상기 식물체의 형상정보와 분광영상을 획득하며,
상기 센싱블록은,
상기 제1 로드 및 제2 로드의 움직임이 시작되는 시간과 모터의 위치를 해당 식물체의 위치와 매칭시켜, 상기 식물체의 초장, 엽면적 또는 정규식생지수(NDVI: Normalised Difference Vegetation Index) 중 적어도 어느 하나를 판단하며,
상기 형상분석부는,
상기 식물체를 향하여 광을 조사하기 위한 광원부;
상기 식물체로부터 반사된 광을 식별하기 위한 검출부; 및
상기 식물체의 점 군(point cloud)에 기초하여 상기 식물체의 형상정보가 도출되는 형상분석모듈을 더 포함하며,
상기 분광분석부는,
상기 식물체에 대한 분광영상으로부터 RGB 데이터를 획득하고, 색공간 변환 과정을 거쳐 상기 RGB 데이터로부터 색상(Hue), 채도(Saturation) 및 명도(Light)에 대한 정보를 획득하는 색공간변환부;
상기 색상(Hue), 채도(Saturation) 및 명도(Light)에 대한 정보 및 소정의 임계값에 기초하여, 상기 분광영상에 대하여 이진화를 수행하여 식물체에 대한 이진화 영상을 생성하는 영상이진화부; 및
상기 이진화영상에 대하여 영상 마스킹을 수행하여, 상기 이진화 영상에서 식물체만이 표현되도록 마스킹이 수행된 마스킹영상을 생성하는 영상마스킹부를 더 포함하고,
상기 지지프레임은,
상기 지지프레임의 높이를 조절하기 위한 제3구동모듈; 및
상기 식물체의 영상을 획득하는 영상센서를 더 포함하는 것을 특징으로 하는 스마트 식물 모니터링 장치.
- 삭제
- 제 1 항에 있어서,
상기 분광분석부는,
상기 식물체로 방사되는 전자기파가 반사되어 돌아오는 전자기파를 수백 개 이상의 연속된 분광파장으로 기록하는 복수의 센서가 구비된 초분광 영상센서를 더 포함하는 것을 특징으로 하는 스마트 식물 모니터링 장치.
- 제 3 항에 있어서,
상기 분광파장의 파장대역은,
가시광선 영역의 Red 파장대역(600nm ~ 700nm), Blue 파장대역(400nm ~ 500nm), Green 파장대역(500nm ~ 600nm), 근적외선(NIR) 파장영역(750nm ~ 900nm)을 포함하는 것을 특징으로 하는 스마트 식물 모니터링 장치.
- 삭제
- 제 1 항에 있어서,
상기 식물체의 파종과정, 발아과정을 거쳐 옮겨 심기에 적합하도록 식물체를 생육하는 과정을 모니터링하는 것을 특징으로 하는 스마트 식물 모니터링 장치.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210129671A KR102470887B1 (ko) | 2019-11-05 | 2021-09-30 | 스마트 식물 모니터링 장치 및 방법 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190140546A KR20210054415A (ko) | 2019-11-05 | 2019-11-05 | 스마트 식물 모니터링 장치 및 방법 |
KR1020210129671A KR102470887B1 (ko) | 2019-11-05 | 2021-09-30 | 스마트 식물 모니터링 장치 및 방법 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190140546A Division KR20210054415A (ko) | 2019-11-05 | 2019-11-05 | 스마트 식물 모니터링 장치 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210120967A KR20210120967A (ko) | 2021-10-07 |
KR102470887B1 true KR102470887B1 (ko) | 2022-11-29 |
Family
ID=75913504
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190140546A KR20210054415A (ko) | 2019-11-05 | 2019-11-05 | 스마트 식물 모니터링 장치 및 방법 |
KR1020210129671A KR102470887B1 (ko) | 2019-11-05 | 2021-09-30 | 스마트 식물 모니터링 장치 및 방법 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190140546A KR20210054415A (ko) | 2019-11-05 | 2019-11-05 | 스마트 식물 모니터링 장치 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (2) | KR20210054415A (ko) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113295109A (zh) * | 2021-06-25 | 2021-08-24 | 中国林业科学研究院林业新技术研究所 | 基于机器视觉测量适合机械嫁接苗木弯曲度的***及方法 |
KR102660478B1 (ko) * | 2021-07-22 | 2024-04-25 | 주식회사 쎄슬프라이머스 | 작물 자동 영상 취득 시스템, 장치 및 취득된 작물 영상의 진단 방법 |
KR102452034B1 (ko) * | 2021-11-18 | 2022-10-11 | (주)카탈로닉스 | 친환경 업사이클링 수경재배장치 |
CN115031099A (zh) * | 2022-04-27 | 2022-09-09 | 王传之 | 一种监控豆芽生长发育记录的装置 |
KR102500781B1 (ko) * | 2022-06-09 | 2023-02-17 | 그리트 주식회사 | 작물의 엽 생육측정을 위한 ai기반 카메라모듈이 구비된 생육측정장치 |
KR102500784B1 (ko) * | 2022-06-09 | 2023-02-17 | 그리트 주식회사 | 작물의 엽 생육지수 ai측정을 활용한 작물 재배 시스템 |
KR102509636B1 (ko) * | 2022-11-10 | 2023-03-15 | 농업회사법인 주식회사 그린 | 스마트 양액재배장치 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101832724B1 (ko) * | 2016-09-08 | 2018-04-16 | 아인정보기술 주식회사 | 영상이미지를 통한 농작물 생육 진단 시스템 및 방법 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010098368A (ko) | 2000-04-21 | 2001-11-08 | 야마모토 소이치 | 육묘용 배지 및 육묘용 배지의 제조 시스템 |
KR20130035794A (ko) * | 2011-09-30 | 2013-04-09 | 순천대학교 산학협력단 | 센서 이동형 작물생장환경 모니터링 장치 및 그 방법 |
KR20180137842A (ko) * | 2017-06-19 | 2018-12-28 | 신정일 | 농작물 작황분석을 위한 분광 카메라 시스템 제작 방법 |
-
2019
- 2019-11-05 KR KR1020190140546A patent/KR20210054415A/ko active Application Filing
-
2021
- 2021-09-30 KR KR1020210129671A patent/KR102470887B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101832724B1 (ko) * | 2016-09-08 | 2018-04-16 | 아인정보기술 주식회사 | 영상이미지를 통한 농작물 생육 진단 시스템 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR20210054415A (ko) | 2021-05-13 |
KR20210120967A (ko) | 2021-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102470887B1 (ko) | 스마트 식물 모니터링 장치 및 방법 | |
US11775828B2 (en) | AI-powered autonomous plant-growth optimization system that automatically adjusts input variables to yield desired harvest traits | |
Nuske et al. | Automated visual yield estimation in vineyards | |
Tsouros et al. | Data acquisition and analysis methods in UAV-based applications for Precision Agriculture | |
KR102301658B1 (ko) | 식물 생육 장치 및 그 제어 방법 | |
KR102297913B1 (ko) | 하이퍼스펙트럴 반사광 및 형광 산란을 이용한 식물 생장 모니터링 시스템 및 그 방법 | |
CN107132228A (zh) | 一种油菜全生长期信息的高通量表型研究*** | |
KR20210077504A (ko) | 스마트팜 데이터 생육연동시스템 | |
CN111199192A (zh) | 一种采用平行线取样的田间红提葡萄整体成熟度检测方法 | |
CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
Hall | Remote sensing applications for viticultural terroir analysis | |
KR20190069648A (ko) | 인삼의 영상 이미지 분석을 통한 생육량 측정 방법 | |
Ruett et al. | Hyperspectral imaging for high-throughput vitality monitoring in ornamental plant production | |
Payne et al. | Machine vision in estimation of fruit crop yield | |
AU2022211136A1 (en) | A data collection and monitoring system, a controlled environment farming system, devices and related methods | |
KR20230061034A (ko) | 작물의 엽록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 엽록소 함량 예측 방법 및 식물 생육 시스템 | |
Bulanon et al. | Machine vision system for orchard management | |
da Silva et al. | Feasibility study of water stress detection in plants using a high-throughput low-cost system | |
Bini et al. | Intelligent agrobots for crop yield estimation using computer vision | |
KR102320963B1 (ko) | 스마트 식물 품질판별 및 선별의 장치 및 방법 | |
KR102272462B1 (ko) | 다분광 카메라 및 라이다를 이용한 작물 생장상태 분석방법 | |
Benhaddou et al. | Estimating mushroom yield and quality using computer vision | |
Barbole et al. | Grape yield prediction using deep learning regression model | |
Lemsalu | Developing a machine vision system for an autonomous strawberry harvester prototype in open-field conditions | |
Pal et al. | Design IoT-Based Smart Agriculture to Reduce Vegetable Waste by Computer Vision and Machine Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E601 | Decision to refuse application | ||
X091 | Application refused [patent] | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |