KR102661904B1 - Ai 기반 식물 재배 시스템 - Google Patents
Ai 기반 식물 재배 시스템 Download PDFInfo
- Publication number
- KR102661904B1 KR102661904B1 KR1020220133758A KR20220133758A KR102661904B1 KR 102661904 B1 KR102661904 B1 KR 102661904B1 KR 1020220133758 A KR1020220133758 A KR 1020220133758A KR 20220133758 A KR20220133758 A KR 20220133758A KR 102661904 B1 KR102661904 B1 KR 102661904B1
- Authority
- KR
- South Korea
- Prior art keywords
- cultivation
- cultivator
- growth environment
- environment input
- mentor
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title 1
- 230000012010 growth Effects 0.000 claims abstract description 218
- 238000004519 manufacturing process Methods 0.000 claims abstract description 44
- 229930000044 secondary metabolite Natural products 0.000 claims description 57
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 22
- 229930002875 chlorophyll Natural products 0.000 claims description 20
- 235000019804 chlorophyll Nutrition 0.000 claims description 20
- 239000000284 extract Substances 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 235000015097 nutrients Nutrition 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims 2
- 229910052698 phosphorus Inorganic materials 0.000 claims 2
- 239000011574 phosphorus Substances 0.000 claims 2
- 230000024053 secondary metabolic process Effects 0.000 claims 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 8
- 241000196324 Embryophyta Species 0.000 description 178
- 230000035882 stress Effects 0.000 description 52
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 230000035784 germination Effects 0.000 description 10
- 238000003306 harvesting Methods 0.000 description 10
- 241000208340 Araliaceae Species 0.000 description 8
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 8
- 235000003140 Panax quinquefolius Nutrition 0.000 description 8
- 235000008434 ginseng Nutrition 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 description 7
- 238000002073 fluorescence micrograph Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000009331 sowing Methods 0.000 description 5
- 238000012364 cultivation method Methods 0.000 description 4
- 238000010899 nucleation Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241000220223 Fragaria Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 229930010796 primary metabolite Natural products 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 240000008415 Lactuca sativa Species 0.000 description 2
- 235000003228 Lactuca sativa Nutrition 0.000 description 2
- 230000036579 abiotic stress Effects 0.000 description 2
- 230000004790 biotic stress Effects 0.000 description 2
- 229930002868 chlorophyll a Natural products 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000019516 nonphotochemical quenching Effects 0.000 description 2
- 230000000243 photosynthetic effect Effects 0.000 description 2
- 239000000049 pigment Substances 0.000 description 2
- 235000021012 strawberries Nutrition 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 235000010149 Brassica rapa subsp chinensis Nutrition 0.000 description 1
- 244000221633 Brassica rapa subsp chinensis Species 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 235000016623 Fragaria vesca Nutrition 0.000 description 1
- 235000011363 Fragaria x ananassa Nutrition 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 238000004887 air purification Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007773 growth pattern Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 230000008121 plant development Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
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
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Environmental Sciences (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- General Engineering & Computer Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
AI 기반 식물 재배 시스템을 개시한다.
본 실시예는 동일한 프로토콜 및 운용 시스템을 갖는 멘토 재배기. 멘티 재배기, 양산 재배기를 이용하여 고가의 정밀 분석용 전문가 식물재배기인 멘토 재배기 1대로 저가의 식물재배기인 멘티 재배기 복수를 이용하여 최적의 생육 데이터를 생성한 후 양산 재배기를 이용하여 동시에 식물재배의 작기를 N 배로 증가시킬 수 있도록 하는 AI 기반 식물 재배 시스템을 제공한다.
본 실시예는 동일한 프로토콜 및 운용 시스템을 갖는 멘토 재배기. 멘티 재배기, 양산 재배기를 이용하여 고가의 정밀 분석용 전문가 식물재배기인 멘토 재배기 1대로 저가의 식물재배기인 멘티 재배기 복수를 이용하여 최적의 생육 데이터를 생성한 후 양산 재배기를 이용하여 동시에 식물재배의 작기를 N 배로 증가시킬 수 있도록 하는 AI 기반 식물 재배 시스템을 제공한다.
Description
본 발명의 일 실시예는 AI 기반 식물 재배 시스템에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
최근 실내에서 식용뿐만 아니라 실내 장식, 실내공기정화 등을 위해 상추, 딸기 등과 같은 식물을 재배하는 추세이다.
식물마다 요구하는 일조량, 습도 및 물의 양, 온도와 같은 환경적인 변수에 영향을 받기 때문에 실내에 심어진 식물들은 충분한 빛, 물, 영양분 등을 공급받지 못하게 되어 괴사할 가능성이 높고, 바쁜 현대인이 이를 수시로 관리하는 것이 번거로운 문제점이 있다.
빛, 온도 및 습도, 이산화탄소 농도, 영양분 등의 환경조건을 인공적으로 제어하면서 계절이나 장소에 관계없이 식물을 재배할 수 있는 식물재배장치에 대한 개발이 이루어지고 있는 실정이다.
식물재배장치는 최근과 같이 기상이변이 자주 발생하여 먹거리의 안정성과 가격 폭등 상태가 빈번하게 일어나는 상황에서 계절 및 장소와 관계없이 사계절 동안 무공해 신선한 유기농 야채 등을 얻을 수 있고 좁은 공간에서도 효율적으로 대량 생산이 가능할 수 있다.
본 실시예는 동일한 프로토콜 및 운용 시스템을 갖는 멘토 재배기. 멘티 재배기, 양산 재배기를 이용하여 고가의 정밀 분석용 전문가 식물재배기인 멘토 재배기 1대로 저가의 식물재배기인 멘티 재배기 복수를 이용하여 최적의 생육 데이터를 생성한 후 양산 재배기를 이용하여 동시에 식물재배의 작기를 N 배로 증가시킬 수 있도록 하는 AI 기반 식물 재배 시스템을 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, 복수의 재배기를 이용하여 서로 상이한 복수의 제1 생육환경 입력값에 따라 식물을 재배하고, 상기 식물에 대한 제1 재배 데이터를 생성하는 멘티 재배기; 상기 제1 재배 데이터 중 재배 목적에 가장 근접한 생육환경 입력값을 선정하고, 상기 재배 목적에 가장 근접한 생육환경 입력값을 기반으로 식물을 직접 재배하고, 상기 직접 재배한 식물에 대한 재배 데이터를 분석한 결과를 기반으로 복수의 제2 생육환경 입력값을 생성하고, 복수의 상기 제2 생육환경 입력값을 상기 멘티 재배기로 다시 전송한 후 상기 멘티 재배기로부터 상기 제2 생육환경 입력값에 대응하는 제N 재배 데이터를 수신하고, 상기 제N 재배 데이터 중 재배 목적에 가장 근접한 생육환경 입력값을 선정하고, 상기 재배 목적에 가장 근접한 생육환경 입력값을 기반으로 식물을 직접 재배하고, 상기 직접 재배한 식물에 대한 재배 데이터를 분석하는 과정을 반복하여 최적 생육환경 입력값을 생성하는 멘토 재배기; 복수의 재배기를 이용하여 상기 멘토 재배기로부터 상기 최적 생육환경 입력값을 수신하여 상기 식물을 대량으로 양산하는 양산 재배기;를 포함하는 것을 특징으로 하는 식물 재배 시스템을 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 동일한 프로토콜 및 운용 시스템을 갖는 멘토 재배기. 멘티 재배기, 양산 재배기를 이용하여 고가의 정밀 분석용 전문가 식물재배기인 멘토 재배기 1대로 저가의 식물재배기인 멘티 재배기 복수를 이용하여 최적의 생육 데이터를 생성한 후 양산 재배기를 이용하여 동시에 식물재배의 작기를 N 배로 증가시킬 수 있는 효과가 있다.
도 1은 본 실시예에 따른 AI 기반 식물 재배 시스템을 개략적으로 나타낸 도면이다.
도 2는 본 실시예에 따른 멘티 재배기의 내부 모듈을 개략적으로 나타낸 도면이다.
도 3은 본 실시예에 따른 AI 기반 식물 재배 방법을 설명하기 위한 순서도이다.
도 4는 본 실시예에 따른 생육 구간을 설명하기 위한 도면이다.
도 5는 본 실시예에 따른 식물의 엽록소 형광 측정을 설명하기 위한 도면이다.
도 6은 본 실시예에 따른 RGB 이미지를 나타낸 도면이다.
도 7은 본 실시예에 따른 3D 스캐닝을 나타낸 도면이다.
도 8은 본 실시예에 따른 엽록소 형광 측정 예시를 나타낸 도면이다.
도 2는 본 실시예에 따른 멘티 재배기의 내부 모듈을 개략적으로 나타낸 도면이다.
도 3은 본 실시예에 따른 AI 기반 식물 재배 방법을 설명하기 위한 순서도이다.
도 4는 본 실시예에 따른 생육 구간을 설명하기 위한 도면이다.
도 5는 본 실시예에 따른 식물의 엽록소 형광 측정을 설명하기 위한 도면이다.
도 6은 본 실시예에 따른 RGB 이미지를 나타낸 도면이다.
도 7은 본 실시예에 따른 3D 스캐닝을 나타낸 도면이다.
도 8은 본 실시예에 따른 엽록소 형광 측정 예시를 나타낸 도면이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 실시예에 따른 AI 기반 식물 재배 시스템을 개략적으로 나타낸 도면이다.
본 실시예에 따른 AI 기반 식물 재배 시스템(100)은 멘토 재배기(110), 멘티 재배기(120), 양산 재배기(130)를 포함한다. 식물 재배 시스템(100)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
멘토 재배기(110)는 고가의 정밀 분석용 전문가 식물재배기를 의미한다. 멘토 재배기(110)는 고가의 센서 및 카메라(RGB 카메라, 뎁스 카메라, IR 카메라)를 구비한 식물재배기를 의미한다.
멘토 재배기(110)는 멘티 재배기(120)와 통신하면서 생육환경 입력값(재배 레시피)에 따른 식물들의 외형 패턴(외형적인 모습)을 수신한다. 멘토 재배기(110)는 식물들의 외형 패턴(외형적인 모습)을 머신러닝하여 그룹핑한다. 멘토 재배기(110)는 머신러닝한 그룹으로 샘플을 추출한 후 각 샘플에 대응하는 생육환경 입력값(재배 레시피)으로 식물을 재배한다.
멘토 재배기(110)는 각 샘플에 대응하는 생육환경 입력값(재배 레시피)에 따라 광량제어, 냉난방 제어, CO2제어, FAN 제어, 양액 공급제어를 수행하여 식물을 재배한다.
멘토 재배기(110)는 재배된 식물별로 2차대사산물(식물의 스트레스 성분)을 검출하고, 생육 구간(파종, 발아 내지 추수)별로 가장 2차대사산물(식물의 스트레스 성분)이 많이 검출된 특정 그룹을 결정한다. 멘토 재배기(110)는 결정된 특정 그룹에 대한 2차대사산물(식물의 스트레스 성분)이 많이 검출되도록 하는 생육환경 입력값(재배 레시피)를 결정한다.
식물은 일반적인 생육환경에서 1차대사산물을 생성하고, 1차대사산물에 의해 해당 식물의 특성을 결정한다. 식물은 자연적인 생육환경에 의해 스트레스를 받는 경우, 인공적인 생육환경에서 미생성하는 2차대사산물을 생성한다.
다시 말해, 식물이 어떤 형태로든지 스트레스를 받으면 2차대사산물을 생성한다. 예컨대, 딸기의 경우, 대체적으로 딸기 맛을 내는 1차대사산물을 포함하고 있고, 스트레스를 받는 경우, 2차대사산물(황산화 효소)을 생성한다. 인삼과 산삼은 동일한 종자를 가지나, 인공적인 환경에서 생육된 인삼은 산삼보다 큰 크기를 가지나 함유한 성분은 산삼보다 떨어지게 된다. 자연환경에서 스트레스를 받으며 생육한 산삼은 인삼보다 훨씬 작은 크기를 가지나 함유한 성분(2차대사산물을 포함)은 인삼보다 높다.
만약, 식물이 스트레스를 과도하게 받는 경우, 식물이 고사하여 죽게 된다. 따라서, 식물이 고사하지 않는 선에서 스트레스를 받는 생육환경에서 식물은 2차대사산물을 최대치로 생성하게 된다.
멘토 재배기(110)는 식물이 적당량의 스트레스를 받아서 2차대사산물을 생성할 수 있도록 하는 생육환경을 적용한다. 예컨대, 멘토 재배기(110)는 LED를 제어하여 UV-A, UV-B로 식물에 스트레스를 준다. 멘토 재배기(110)는 공급되는 CO2량을 조절하여 식물에 스트레스를 준다. 멘토 재배기(110)는 특정 스트레스를 줄 수 있는 특정 성분을 양액에 녹여서 양액 공급기로 공급한다. 멘토 재배기(110)는 생육환경별로 얼마큼의 스트레스를 줬는지를 수치화하거나 정량화한다.
멘토 재배기(110)는 직접 재배한 식물을 기반으로 2차대사산물(식물의 스트레스 성분)을 검출하기 위해 구비된 카메라(RGB 카메라, 뎁스 카메라, IR 카메라)를 이용하여 식물의 잎의 연면적을 산출하거나 전체 형상의 면적을 산출한다. 멘토 재배기(110)는 잎의 연면적 또는 전체 형상의 면적을 기 설정된 기준값(스트레스 미존재시의 면적값)과 비교하여 직접 재배한 식물을 기반으로 2차대사산물(식물의 스트레스 성분)의 함유량을 검출한다. 멘토 재배기(110)는 잎의 색깔을 RGB값을 추출한다. 멘토 재배기(110)는 잎의 색깔을 RGB값을 기 설정된 기준값(스트레스 미존재시의 RGB값)과 비교하여 직접 재배한 식물을 기반으로 2차대사산물(식물의 스트레스 성분)의 함유량을 검출한다.
멘티 재배기(120)는 멘토 재배기(110) 보다 상대적으로 저가의 식물재배기를 의미한다. 멘티 재배기(120)는 복수의 재배기를 포함한다. 멘티 재배기(120)에 포함된 복수의 재배기 각각은 다양한 식물을 각각의 생육환경 입력값(재배 레시피)으로 대량으로 재배할 수 있는 재배기를 의미한다.
양산 재배기(130)는 복수의 재배기를 포함한다. 양산 재배기(130)에 포함된 복수의 재배기 각각은 특정 식물 하나씩을 대량으로 양산하기 위한 재배기를 의미한다.
양산 재배기(130)는 전체 주기 생육환경 입력값(전체 주기 재배 레시피)에 포함된 각 생육 구간별로 생육환경 입력값(재배 레시피)에 따라 광량제어, 냉난방 제어, CO2제어, FAN 제어, 양액 공급제어를 수행하여 한 종류의 특정 식물을 대량으로 양산한다.
멘토 재배기(110), 멘티 재배기(120), 양산 재배기(130)는 동일한 프로토콜 및 동일한 운영 체계를 이용하여 서로 통신한다.
본 실시예에 따른 생육 재배 시스템은 식물의 파종, 발아부터 추수까지를 기 설정된 시계열적인 단위로 분리하여 관리한다.
멘티 재배기(120)는 생육 구간(파종, 발아 내지 추수)별 서로 상이한 복수의 생육환경 입력값(재배 레시피)에 의해 복수 개의 재배 환경을 조성하고 식물을 생육한다. 멘티 재배기(120)는 복수의 생육환경 입력값(재배 레시피)으로 생육된 식물들의 외형 패턴(외형적인 모습)을 추출한다. 멘티 재배기(120)는 생육환경 입력값(재배 레시피)으로 인해 생육된 식물들의 외형 패턴(외형적인 모습)을 멘토 재배기(110)로 전송한다.
멘토 재배기(110)는 멘티 재배기(120)에 포함된 복수의 재배기 각각이 전송한 생육환경 입력값(재배 레시피), 생육환경 입력값(재배 레시피)별로 매칭된 생육환경 입력값(재배 레시피)으로 인해 생육된 식물들의 외형 패턴(외형적인 모습)을 기반으로 머신러닝(Machine Learning)을 수행하여 외형 패턴(외형적인 모습)별로 그룹핑을 수행한다.
멘토 재배기(110)는 생육환경 입력값(재배 레시피)에 따라 생육된 외형 패턴(외형적인 모습)별로 그룹핑을 수행한다. 예컨대, 멘토 재배기(110)는 멘티 재배기(120)에 포함된 재배기(머신)가 만약 100개인 경우, 100개의 외형 패턴(외형적인 모습)을 유사한 형태를 갖는 그룹(예컨대, 대략 4개의 그룹(A 그룹, B 그룹, C 그룹, D 그룹))으로 그룹핑한다.
멘토 재배기(110)는 각 그룹 중 어느 그룹이 가장 유용한지를 확인하기 위해 각 그룹에서 하나 또는 기 설정된 개수를 샘플로 선별한다. 멘토 재배기(110)는 각 샘플별 생육환경 입력값(재배 레시피)를 추출한다. 멘토 재배기(110)는 각 샘플별 생육환경 입력값(재배 레시피)을 이용하여 각 식물을 직접 재배한다.
멘토 재배기(110)는 각 샘플별 생육환경 입력값(재배 레시피)을 이용하여 각 식물을 직접 재배한 결과를 기반으로 2차대사산물(식물의 스트레스 성분)을 검출한다. 여기서, 멘토 재배기(110)는 2차대사산물(식물의 스트레스 성분)을 검출하기 외부 성분 분석 서버를 이용할 수 있다.
멘토 재배기(110)는 생육 구간(파종, 발아 내지 추수)별로 가장 2차대사산물(식물의 스트레스 성분)이 많이 검출된 특정 그룹을 결정한다. 멘토 재배기(110)는 결정된 특정 그룹에 대한 2차대사산물(식물의 스트레스 성분)이 많이 검출되도록 하는 하나 이상의 생육환경 입력값(재배 레시피)를 결정한다. 멘토 재배기(110)는 2차대사산물(식물의 스트레스 성분)을 가장 많이 생성하도록 하는 하나 이상의 생육환경 입력값(재배 레시피)를 멘티 재배기(120)로 전송한다.
멘티 재배기(120)는 멘토 재배기(110)로부터 2차대사산물(식물의 스트레스 성분)을 가장 많이 생성하도록 하는 하나 이상의 생육환경 입력값(재배 레시피)를 수신한다.
멘티 재배기(120)는 2차대사산물(식물의 스트레스 성분)을 가장 많이 생성하도록 하는 생육환경 입력값(재배 레시피)를 반영하여 포함하고 있는 모든 재배기의 생육환경을 변경한다.
멘티 재배기(120)는 변경된 2차대사산물(식물의 스트레스 성분)을 가장 많이 생성하도록 하는 생육환경 입력값(재배 레시피)으로 생육된 식물들의 외형 패턴(외형적인 모습)을 추출한다.
멘티 재배기(120)는 변경된 2차대사산물(식물의 스트레스 성분)을 가장 많이 생성하도록 하는 생육환경 입력값(재배 레시피)으로 인해 생육된 식물들의 외형 패턴(외형적인 모습)을 멘토 재배기(110)로 전송한다.
멘토 재배기(110)는 멘티 재배기(120)에 포함된 복수의 재배기 각각이 전송한 2차대사산물(식물의 스트레스 성분)을 가장 많이 생성하도록 하는 생육환경 입력값(재배 레시피)으로 인해 생육된 식물들의 외형 패턴(외형적인 모습)을 기반으로 머신러닝을 수행하여 외형 패턴(외형적인 모습)별로 그룹핑을 수행한다.
멘토 재배기(110)는 2차대사산물(식물의 스트레스 성분)을 가장 많이 생성하도록 하는 생육환경 입력값(재배 레시피)에 따라 생육된 외형 패턴(외형적인 모습)별로 그룹핑을 수행한다.
멘토 재배기(110)는 각 그룹 중 어느 그룹이 가장 유용한지를 확인하기 위해 각 그룹에서 하나 또는 기 설정된 개수를 샘플로 선별한다. 멘토 재배기(110)는 각 샘플별 생육환경 입력값(재배 레시피)를 추출한다. 멘토 재배기(110)는 각 샘플별 생육환경 입력값(재배 레시피)을 이용하여 각 식물을 직접 재배한다.
멘토 재배기(110)는 각 샘플별 생육환경 입력값(재배 레시피)을 이용하여 각 식물을 직접 재배한 결과를 기반으로 2차대사산물(식물의 스트레스 성분)을 검출한다. 여기서, 멘토 재배기(110)는 2차대사산물(식물의 스트레스 성분)을 검출하기 외부 성분 분석 서버를 이용할 수 있다.
멘토 재배기(110)는 생육 구간(파종, 발아 내지 추수)별로 가장 2차대사산물(식물의 스트레스 성분)이 많이 검출된 특정 그룹을 결정한다.
멘토 재배기(110)는 결정된 특정 그룹에 대한 2차대사산물(식물의 스트레스 성분)이 많이 검출되도록 하는 하나 이상의 생육환경 입력값(재배 레시피)를 결정한다.
멘토 재배기(110)는 생육 구간 중 어느 한 단계(파종)에 대한 2차대사산물(식물의 스트레스 성분)이 많이 검출되도록 하는 하나 이상의 생육환경 입력값(재배 레시피)를 결정한 후 다음 단계(발아)에 대해 이전 생육환경 입력값(재배 레시피)과의 차등분만을 검출한다.
멘토 재배기(110)는 생육 구간별로 멘토 재배기(110)는 2차대사산물(식물의 스트레스 성분)을 가장 많이 생성하도록 하는 하나 이상의 생육환경 입력값(재배 레시피)를 멘티 재배기(120)로 전송한다.
멘토 재배기(110)는 생육 구간별로 특정 식물의 파종, 발화부터 마무리되는 추수 시점까지를 각 단계로 시기를 분류한 후 각 시기별로 최적화된 생육환경 입력값(재배 레시피)을 적용하면 전체 생육 구간에 대응하는 전체 주기 생육환경 입력값(전체 주기 재배 레시피) 표준안을 생성한다. 멘토 재배기(110)는 전체 주기 생육환경 입력값(전체 주기 재배 레시피)가 생성되면, 양산 재배기(130)로 전송한다.
양산 재배기(130)는 전체 주기 생육환경 입력값(전체 주기 재배 레시피)에 포함된 각 생육 구간별로 생육환경 입력값(재배 레시피)을 적용하여 특정 식물을 재배한다.
양산 재배기(130)는 각 생육 구간별로 구분된 생육환경 입력값(재배 레시피)를 적용하여 생육 구간이 변경됨에 따라 상이한 생육환경 입력값(재배 레시피)를 적용하여 식물을 양산한다.
양산 재배기(130)는 통계적으로 오차가 가장 적은 형태의 생육환경 입력값(재배 레시피)으로 특정 식물을 재배할 수 있다. 양산 재배기(130)는 특정 식물에 대해 2차대사산물(식물의 스트레스 성분)을 가장 많이 생성하도록 재배할 수 있다.
멘토 재배기(110)는 양산 재배기(130)가 전체 주기 생육환경 입력값(전체 주기 재배 레시피)에 포함된 각 생육 구간별로 생육환경 입력값(재배 레시피)을 적용하여 특정 식물을 재배할 때, 각 생육 구간별로 생육환경 입력값(재배 레시피)을 모니터링한다.
멘토 재배기(110)는 양산 재배기(130)에 적용된 단계별로 생육환경 입력값(재배 레시피)에 오류가 발생한 경우, 단계별로 생육환경 입력값(재배 레시피)을 수정할 수 있다.
멘토 재배기(110)가 다수의 멘티 재배기(120)로 서로 다른 생육환경 입력값(재배 레시피)를 배포한다. 실시간으로 멘티 재배기(120)들이 재배한 결과인 재배 데이터를 멘토 재배기(110)로 전송한다.
멘토 재배기(110)는 멘티 재배기(120)로부터 재배 데이터를 수집한다. 멘토 재배기(110)는 재배 목적에 근접한 멘티 재배기(120) 중 특정 재배기의 생육환경 입력값(재배 레시피)를 선택한 후 머신러닝을 수행하여 그룹핑한다. 멘토 재배기(110)는 각각의 그룹들 중 가장 지배적인 생육환경 입력값(재배 레시피)를 선별한 후 직접 재배한다.
멘토 재배기(110)는 직접 재배한 식물에 대한 정밀 분석을 수행하여 2차대사산물(식물의 스트레스 성분)을 분석을 해서 재배 결과를 결정한다.
멘토 재배기(110)는 재배 결과가 목표에 달성(2차대사산물(식물의 스트레스 성분)이 기 설정된 기준치 이상이거나 2차대사산물(식물의 스트레스 성분)이 가장 많이 생성된 레시피)하면, 멘티 재배기(120)로, 목표에 달성한 것으로 판단되는 생육환경 입력값(재배 레시피)를 전송한다. 멘티 재배기(120)는 멘토 재배기(110)로부터 수신된 목표에 달성한 것으로 판단하여 다음 단계의 생육환경 입력값(재배 레시피)을 생성한다.
도 2는 본 실시예에 따른 멘티 재배기의 내부 모듈을 개략적으로 나타낸 도면이다.
멘티 재배기(120)는 멘토 재배기(110) 보다 상대적으로 저가의 식물재배기를 의미한다. 멘티 재배기(120)는 복수의 재배기를 포함한다. 멘티 재배기(120)에 포함된 복수의 재배기 각각은 다양한 식물을 각각의 생육환경 입력값(재배 레시피)으로 대량으로 재배할 수 있는 재배기를 의미한다.
멘티 재배기(120)는 복수의 생육환경 입력값(재배 레시피)에 따라 광량제어, 냉난방 제어, CO2제어, FAN 제어, 양액 공급제어를 수행하여 다양한 식물을 재배한다.
멘티 재배기(120)는 식물의 생육 과정에 따라 식물들의 외형 패턴(외형적인 모습)을 추출한다. 멘티 재배기(120)는 식물의 RGB 이미지, 3D 스캐닝, 엽록소 형광측정을 기반으로 외형 패턴(외형적인 모습)을 추출한다.
예컨대, 멘티 재배기(120)는 150대의 재배기를 포함할 수 있다. 멘티 재배기(120)는 150대의 재배기 중 75대는 상추를 재배하고, 나머지 75대는 청경채를 재배할 수 있다.
도 3은 본 실시예에 따른 AI 기반 식물 재배 방법을 설명하기 위한 순서도이다.
멘토 재배기(110)는 멘티 재배기(120)로 제1 생육환경 입력값(재배 레시피)를 전송한다(S310).
멘티 재배기(120)는 제1 생육 환경 입력값에 따라 식물을 재배하고, 식물에 대한 제1 외형 패턴을 생성하여 멘토 재배기(110)로 전송한다(S312). 단계 S312에서, 멘티 재배기(120)는 멘토 재배기(110)로부터 식물의 잎이 생성되는 생육 과정 또는 정량적인 시간 단위로 구분되는 생육 구간별로 서로 상이한 복수의 제1 생육환경 입력값(재배 레시피)을 수신한다. 멘티 재배기(120)는 복수의 재배기를 이용하여 서로 상이한 복수의 제1 생육환경 입력값(재배 레시피)에 따른 복수의 재배 환경을 조성하고, 복수의 재배 환경 각각에서 식물을 생육한다. 멘티 재배기(120)는 구비된 카메라를 이용하여 복수의 제1 생육환경 입력값(재배 레시피)에 따라 복수의 재배 환경에서 생육된 식물의 제1 외형 패턴(외형적인 모습)을 생성한다. 멘티 재배기(120)는 제1 외형 패턴(외형적인 모습)을 포함하는 제1 재배 데이터를 멘토 재배기(110)로 전송한다.
멘토 재배기(110)는 제1 외형 패턴을 기반으로 머신러닝하여 유사한 외형별로 1차 그룹핑하여 제1 그룹을 생성한다(S314). 단계 S314에서, 멘토 재배기(110)는 멘티 재배기(120)로부터 수신된 제1 재배 데이터에 포함된 제1 외형 패턴(외형적인 모습)을 기반으로 머신러닝을 수행하여 유사한 외형별로 1차 그룹핑하여 복수의 제1 그룹을 생성한다.
멘토 재배기(110)는 제1 그룹으로부터 샘플을 선별하고 샘플에 대한 제1 샘플별 생육환경 입력값을 추출한다(S316). 단계 S316에서, 멘토 재배기(110)는 복수의 제1 그룹 각각으로부터 하나 이상의 샘플을 선별한다. 멘토 재배기(110)는 샘플에 대해 제1 샘플별 생육환경 입력값(재배 레시피)를 추출한다.
멘토 재배기(110)는 제1 샘플별 생육환경 입력값을 이용하여 식물을 직접 재배한다(S318). 단계 S318에서, 멘토 재배기(110)는 제1 샘플별 생육환경 입력값(재배 레시피)을 이용하여 식물을 1차로 직접 재배한다.
멘토 재배기(110)는 직접 재배한 식물에 대해 2차대사산물을 검출하여 제1 그룹 순위를 결정한다(S320). 단계 S320에서, 멘토 재배기(110)는 1차로 직접 재배한 식물에 대해 구비된 RGB 카메라, 뎁스 카메라, IR 카메라를 이용하여 잎의 연면적, 전체 형상 모델, 잎의 엽록소, 잎의 온도를 기 설정된 기준값(스트레스 미존재시의 면적값)과 비교하여 스트레스 성분인 2차대사산물을 검출하여, 생육 구간(파종, 발아 내지 추수)별로 복수의 제1 그룹 중 가장 많은 2차대사산물(식물의 스트레스 성분)이 검출된 제1 그룹의 순위를 결정한다.
멘토 재배기(110)는 제1 그룹 순위 중 제1 상위 그룹에 대한 제2 생육환경 입력값을 선정하여 멘티 재배기(120)로 전송한다(S322). 단계 S322에서, 멘토 재배기(110)는 제1 그룹의 순위 중 기 설정된 순위 내의 제1 상위 그룹에 대응하는 생육환경 입력값(재배 레시피)를 2차대사산물(식물의 스트레스 성분)이 많이 생성하도록 하는 복수의 제2 생육환경 입력값(재배 레시피)로 선정한다. 멘토 재배기(110)는 2차대사산물(식물의 스트레스 성분)을 많이 생성하도록 하는 복수의 제2 생육환경 입력값(재배 레시피)를 멘티 재배기(120)로 다시 전송한다.
멘티 재배기(120)는 제2 생육 환경 입력값에 따라 식물을 재배하고, 식물에 대한 제2 외형 패턴을 생성하여 멘토 재배기(110)로 전송한다(S324). 단계 S324에서, 멘티 재배기(120)는 멘토 재배기(110)로부터 2차대사산물(식물의 스트레스 성분)을 가장 많이 생성하도록 하는 복수의 제2 생육환경 입력값(재배 레시피)를 수신한다. 멘티 재배기(120)는 복수의 재배기를 이용하여 복수의 제2 생육환경 입력값(재배 레시피)에 따른 복수의 재배 환경을 조성하고, 재배 환경 각각에서 식물을 생육한다. 멘티 재배기(120)는 구비된 카메라를 이용하여 2차대사산물(식물의 스트레스 성분)을 가장 많이 생성하도록 하는 제2 생육환경 입력값(재배 레시피)에 따라 복수의 재배 환경에서 생육된 식물들의 제2 외형 패턴(외형적인 모습)을 생성한다. 멘티 재배기(120)는 제2 외형 패턴(외형적인 모습)을 포함하는 제N 재배 데이터를 멘토 재배기(110)로 전송한다.
멘토 재배기(110)는 제2 외형 패턴을 기반으로 머신러닝하여 유사한 외형별로 2차 그룹핑하여 제2 그룹을 생성한다(S326). 단계 S326에서, 멘토 재배기(110)는 멘티 재배기(120)로부터 수신된 제N 재배 데이터에 포함된 제2 외형 패턴(외형적인 모습)을 기반으로 머신러닝을 수행하여 유사한 외형별로 2차 그룹핑하여 복수의 제2 그룹을 생성한다.
멘토 재배기(110)는 제2 그룹으로부터 샘플을 선별하고 샘플에 대한 제2 샘플별 생육환경 입력값을 추출한다(S328). 단계 S328에서, 멘토 재배기(110)는 복수의 제2 그룹 각각으로부터 하나 이상의 샘플을 선별한다. 멘토 재배기(110)는 샘플에 대해 제2 샘플별 생육환경 입력값(재배 레시피)를 추출한다.
멘토 재배기(110)는 제2 샘플별 생육환경 입력값을 이용하여 식물을 직접 재배한다(S330). 단계 S330에서, 멘토 재배기(110)는 제2 샘플별 생육환경 입력값(재배 레시피)을 이용하여 식물을 2차로 직접 재배한다.
멘토 재배기(110)는 직접 재배한 식물에 대해 2차대사산물을 검출하여 제2 그룹 순위를 결정한다(S332). 단계 S332에서, 멘토 재배기(110)는 2차로 직접 재배한 식물에 대해 식물에 대해 구비된 RGB 카메라, 뎁스 카메라, IR 카메라를 이용하여 잎의 연면적, 전체 형상 모델, 잎의 엽록소, 잎의 온도를 기 설정된 기준값(스트레스 미존재시의 면적값)과 비교하여 스트레스 성분인 2차대사산물을 검출하여 생육 구간(파종, 발아 내지 추수)별로 복수의 제2 그룹 중 가장 많은 2차대사산물(식물의 스트레스 성분)이 검출된 제2 그룹의 순위를 결정한다.
멘토 재배기(110)는 제2 그룹 순위 중 제2 상위 그룹에 대한 생육환경 입력값을 선정하는 과정을 반복한다(S334). 단계 S334에서, 멘토 재배기(110)는 제2 그룹의 순위 중 기 설정된 순위 내의 제2 상위 그룹에 대응하는 환경 입력값(재배 레시피)를 2차대사산물(식물의 스트레스 성분)이 많이 생성하도록 하는 최적 생육환경 입력값(재배 레시피)로 선정하는 과정을 반복하여 최적 생육환경 입력값(재배 레시피)를 생성한다.
멘토 재배기(110)는 생육 구간 중 처음 구간(파종)에 대한 2차대사산물(식물의 스트레스 성분)이 가장 많이 검출되도록 하는 생육환경 입력값(재배 레시피)를 선정한다. 멘토 재배기(110)는 생육 구간 중 다음 구간(발아)에 대해 2차대사산물(식물의 스트레스 성분)이 가장 많이 검출되도록 하는 생육환경 입력값(재배 레시피)를 선정한다. 멘토 재배기(110)는 처음 구간의 생육환경 입력값(재배 레시피)과 다음 구간의 생육환경 입력값(재배 레시피)의 차등분만을 검출한다.
멘토 재배기(110)는 생육 구간별로 최적 생육환경 입력값(재배 레시피)을 모두 취합하여 전체 생육 구간에 대한 전체 주기 생육환경 입력값(전체 주기 재배 레시피)을 생성한다. 멘토 재배기(110)는 전체 주기 생육환경 입력값(전체 주기 재배 레시피)을 양산 재배기(130)로 전송한다.
멘토 재배기(110)는 반복을 통해 선정된 최적 생육환경 입력값을 양산 재배기(130)로 전송한다(S336). 단계 S336에서, 멘토 재배기(110)는 최적 생육환경 입력값(재배 레시피)을 양산 재배기(130)로 전송한다. 양산 재배기(130)는 복수의 재배기를 이용하여 멘토 재배기(110)로부터 최적 생육환경 입력값(재배 레시피)를 수신하여 식물을 대량으로 양산한다. 양산 재배기(130)는 전체 주기 생육환경 입력값(전체 주기 재배 레시피)에 포함된 각 생육 구간별로 적용된 생육환경 입력값(재배 레시피)를 추출한다. 양산 재배기(130)는 생육 구간이 변경될 때 해당 구간에 적용된 생육환경 입력값(재배 레시피)에 따라 식물을 대량 양산한다.
멘토 재배기(110)는 양산 재배기(130)가 전체 주기 생육환경 입력값(전체 주기 재배 레시피)에 포함된 각 생육 구간별 생육환경 입력값(재배 레시피)을 적용할 때, 각 생육 구간별로 생육환경 입력값(재배 레시피)을 모니터링하다가 오류가 발생한 경우, 생육 구간 별로 생육환경 입력값(재배 레시피)을 수정하도록 한다.
도 3에서는 단계 S310 내지 단계 S336을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 3에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 3은 시계열적인 순서로 한정되는 것은 아니다.
전술한 바와 같이 도 3에 기재된 본 실시예에 따른 AI 기반 식물 재배 방법은 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 AI 기반 식물 재배 방법을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다.
도 4는 본 실시예에 따른 생육 구간을 설명하기 위한 도면이다.
생육 구간은 파종기, 발아기, 떡잎기, 줄기생성기, 추수기 등으로 구분 가능하다. 생육 구간의 간격은 1일 내에서 기 설정된 시간별로 구분 가능하다.
생육 구간은 파종에서 추수까지의 전체 생육 시간을 기 설정된 단위로 구분 가능하다. 생육 구간은 생육 과정에서 식물의 잎이 생성되는 생육 과정으로도 구분 가능하지만 반드시 이에 한정되는 것은 아니며, 정량적인 시간 단위(예컨대, 2~6 시간 단위)로도 구분 가능하다.
본 실시예에 따른 생육 재배 시스템은 식물의 파종, 발아부터 추수까지를 기 설정된 시계열적인 단위로 분리하여 관리한다.
멘토 재배기(110)는 복수의 멘티 재배기(120)로 각각 상이한 제1 생육환경 입력값(재배 레시피)를 배포한다. 멘토 재배기(110)는 실시간(또는 일정 시간 간격)으로 멘티 재배기(120)들이 각각의 제1 생육환경 입력값(재배 레시피)를 기반으로 재배한 식물에 대한 제1 재배 데이터를 수집한다. 멘토 재배기(110)는 복수의 멘티 재배기(120)로부터 수집한 제1 재배 데이터 중 재배 목적에 가장 근접한 제1 재배 레시피를 선정한다. 멘토 재배기(110)는 재배 목적에 가장 근접한 제1 재배 레시피를 기반으로 실시간으로 식물을 직접 재배한다. 멘토 재배기(110)는 직접 재배한 식물에 대한 재배 데이터를 정밀 분석하여 재배 목적에 가장 근접한 제2 생육환경 입력값(재배 레시피)를 생성한다.
멘토 재배기(110)는 재배 목적에 가장 근접한 제2 생육환경 입력값(재배 레시피) 다시 복수의 멘티 재배기(120)를 배포한다. 멘토 재배기(110)는 실시간(또는 일정 시간 간격)으로 멘티 재배기(120)들이 제2 생육환경 입력값(재배 레시피)를 기반으로 재배한 식물에 대한 제2 재배 데이터를 수집한다. 멘토 재배기(110)는 복수의 멘티 재배기(120)로부터 수집한 제2 재배 데이터 중 재배 목적에 가장 근접한 제2 재배 레시피를 선정한다. 멘토 재배기(110)는 재배 목적에 가장 근접한 제2 재배 레시피를 기반으로 실시간으로 식물을 직접 재배한다. 멘토 재배기(110)는 직접 재배한 식물에 대한 재배 데이터를 정밀 분석하여 재배 목적에 가장 근접한 제3 생육환경 입력값(재배 레시피)를 생성한다.
전술한 같이 멘토 재배기(110)와 멘티 재배기(120) 사이에 재배 레시피를 주고 받음을 반복하면서 짧은 시간 내에 목적하는 재배 레시피를 최적화한다.
만약, 멘토 재배기(110)의 제1 재배 데이터가 목표에 이르지 못하면 즉시 근접한 다른 멘티 재배기(120)의 재배 레시피로 멘토 재배기(110)가 재배하여 최적화 주기를 단축 시킨다.
고가의 정밀 분석용 전문가 식물재배기인 멘토 재배기(110) 1대로 저가의 식물재배기인 멘티 재배기 복수(N 대)를 이용하여 데이터를 동시에 식물재배의 작기를 N 배로 증가시킬 수 있다.
멘토 재배기(110)와 멘티 재배기(120) 및 양산 재배기(130)는 동일한 프로토콜 및 운용 시스템을 갖는다. 멘토 재배기(110)와 멘티 재배기(120) 관계에서 최적의 재배 레시피를 추출하면 멘토 재배기(110)는 최적의 재배 레시피를 양산 재배기(130)로 전송하여, 양산 재배기(130)에서 해당 식물(특용식물)을 대량 양산할 수 있도록 한다. 양산 재배기(130)는 양산 재배가 시작되면, 멘토 재배기(110)와 소수의 멘티 재배기(120)도 동일 작목을 동일 시기에 재배를 시작하여 재배를 동기화 시킬 수 있다.
멘토 재배기(110)는 양산 재배기(130)의 생육 데이터를 실시간으로 모니터링하고, 멘티 재배기(120)에서 수집한 생육 데이터와 실시간 비교 분석하여 예상 목표치와의 여부를 관리할 수 있다. 멘토 재배기(110)는 예상 목표치에서 벗어나면 멘티 재배기(120)로 변경된 재배 레시피를 배포하고 최적값을 획득한 경우, 양산용에 변경된 재배 레시피를 배포하여 양산용 식물재배를 실시간 최적화 시킬 수 있다.
도 5는 본 실시예에 따른 식물의 엽록소 형광 측정을 설명하기 위한 도면이다.
멘토 재배기(110)는 재배한 식물의 스트레스를 검출하기 위해 식물의 엽록소를 형광측정한다. 멘토 재배기(110)는 식물의 잎에 엽록소를 형광측정하기 위해 복수의 광 소스(Light Source)를 조리개(Aperture)를 경유하여 식물의 잎으로 송출한다. 멘토 재배기(110)는 조리개를 경유하여 식물의 잎으로부터 광 소스에 대응하는 반사광을 수신하여 엽록소 형광을 측정한다.
엽록소 형광(Chlorophyll fluorescence)이란 식물의 광합성 색소인 엽록소에서 발생하는 형광 현상을 의미한다. 엽록소에서 발생하는 형광은 엽록소가 짧은 파장인 파란색 또는 자외선의 빛을 흡수한 뒤 파장이 긴 빨간색의 빛을 방출하는 특징을 가진다. 많은 색소들이 형광 현상을 보이나, 엽록소 형광은 광합성 과정을 비 파괴적으로 정밀하게 검출할 수 있다.
멘토 재배기(110)는 기공 전도도와 엽록소 a 형광을 측정한다. 식물 잎에 존재하는 기공 개구부는 수증기 교환을 조절하고 CO2 나뭇잎과 공기 사이, 물에 대한 기공 전도도(gsw), 빛에 반응하는 CO2, 온도와 습도는 기공의 개방 정도와 기공의 수를 나타내는 척도이다. 식물 잎에 존재하는 기공 개구부는 식물의 유전적 구성과 환경 조건에 대한 생리적 반응의 지표로 이용될 수 있다.
멘토 재배기(110)는 엽록소 a 형광 측정을 위해 잎의 양자 효율, 전자 수송 속도(ETR), 비광화학적 소광(NPQ)에 대한 정보는 물론 잎이 과도한 빛 에너지를 흡수할 때 잎을 집합적으로 보호하는 다양한 반응에 대한 정보를 센싱한다.
도 6은 본 실시예에 따른 RGB 이미지를 나타낸 도면이다.
멘토 재배기(110)는 식물의 이미지를 센싱한다. 멘토 재배기(110)는 비 접촉식 측정으로 식물이 비생물적 및 생물학적 스트레스에 저항할 수 있는 유익한 형질을 찾을 수 있도록 식물 고처리량 표현형을 위해서는 빠르고 정확하게 센싱한다.
멘토 재배기(110)는 식물의 이미지를 센싱, RGB 카메라, 열화상 카메라, 3D 레이저 스캐너를 이용한다. 멘토 재배기(110)는 RGB 카메라를 이용하여 RGB 컬러이미지를 획득한다.
멘토 재배기(110)는 열화상 카메라를 이용하여 적외선으로 촬영된 물체의 온도로 잎과 식물의 온도 측정한다. 멘토 재배기(110)는 3D 레이저 스캐너를 이용하여 정확하고 구조적 식물을 표현하고 3D 모델화한다. 멘토 재배기(110)는 카메라로 촬영된 형광이미지를 이용하여 엽록소 형광을 측정한다. 멘토 재배기(110)는 스펙트럼 이미지를 기반으로 400~2500nm의 스펙트럼 범위에서 픽셀 단위로 식물의 3차원 하이퍼스펙트럼 데이터를 생성한다.
멘토 재배기(110)는 RGB 컬러 이미지, 열화상 이미지, 3D 이미지, 형광 이미지, 스펙트럼 이미지를 이용하여 재배한 식물에 대한 특수 성분(식물의 스트레스 성분)을 검출한다.
멘토 재배기(110)는 RGB 컬러 이미지, 열화상 이미지, 3D 이미지, 형광 이미지, 스펙트럼 이미지를 이용하여 식물의 생리적 상태를 측정한다. 멘토 재배기(110)는 RGB 컬러 이미지, 열화상 이미지, 3D 이미지, 형광 이미지, 스펙트럼 이미지를 이용하여 식물의 성장 및 발육상태를 측정한다. 멘토 재배기(110)는 RGB 컬러 이미지, 열화상 이미지, 3D 이미지, 형광 이미지, 스펙트럼 이미지를 이용하여 수확량, 바이오매스 생산을 측정한다. 멘토 재배기(110)는 RGB 컬러 이미지, 열화상 이미지, 3D 이미지, 형광 이미지, 스펙트럼 이미지를 이용하여 생물적, 비생물적 스트레스에 대한 내성과 저항을 측정한다. 멘토 재배기(110)는 RGB 컬러 이미지, 열화상 이미지, 3D 이미지, 형광 이미지, 스펙트럼 이미지를 이용하여 식물의 구조를 표현한다.
멘토 재배기(110)는 디지털 컬러 RGB 이미징 또는 3D 스캐닝 기술을 이용하여 시간 경과에 따른 식물 성장 및 발달을 검출한다. 멘토 재배기(110)는 가시적 특성의 고해상도 운동을 측정하여 식물 형태, 구조 및 색 지수 특징의 추출한다. 멘토 재배기(110)는 RGB 컬러 이미지를 이용하여 식물의 면적, 높이, 성장폭을 산출한다. 멘토 재배기(110)는 RGB 컬러 이미지를 이용하여 잎의수를 추출하고, 바이오매스를 평가하고, 상대 성장률을 산출하고, 잎의 움직임, 조합평면도 측면도를 생성한다.
도 7은 본 실시예에 따른 3D 스캐닝을 나타낸 도면이다.
멘토 재배기(110)는 3D 레이저 스캐너를 이용하여 구조적 식물을 표현하고 3D 모델화한다. 멘토 재배기(110)는 3D 레이저 스캐너를 이용하여 식물에 대해 3D 스캐닝을 수행한다. 멘토 재배기(110)는 3D 레이저 스캐너를 이용하여 식물의 구조를 표현하고, 3D 모델링을 제공한다.
도 8은 본 실시예에 따른 엽록소 형광 측정 예시를 나타낸 도면이다.
멘토 재배기(110)는 식물의 잎에 대한 엽록소 형광을 측정한 후 식물의 광합성 능력, 생리학적 및 대사상태, 다양한 스트레스 조건에 대한 민감성 정보를 생성한다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
110: 멘토 재배기
120: 멘티 재배기
130: 양산 재배기
120: 멘티 재배기
130: 양산 재배기
Claims (16)
- 복수의 재배기를 이용하여 서로 상이한 복수의 제1 생육환경 입력값에 따라 식물을 재배하고, 상기 식물에 대한 제1 재배 데이터를 생성하는 멘티 재배기;
상기 제1 재배 데이터 중 재배 목적에 가장 근접한 생육환경 입력값을 선정하고, 상기 재배 목적에 가장 근접한 생육환경 입력값을 기반으로 식물을 직접 재배하고, 상기 직접 재배한 식물에 대한 재배 데이터를 분석한 결과를 기반으로 복수의 제2 생육환경 입력값을 생성하고,
복수의 상기 제2 생육환경 입력값을 상기 멘티 재배기로 다시 전송한 후 상기 멘티 재배기로부터 상기 제2 생육환경 입력값에 대응하는 제N 재배 데이터를 수신하고, 상기 제N 재배 데이터 중 재배 목적에 가장 근접한 생육환경 입력값을 선정하고, 상기 재배 목적에 가장 근접한 생육환경 입력값을 기반으로 식물을 직접 재배하고, 상기 직접 재배한 식물에 대한 재배 데이터를 분석하는 과정을 반복하여 최적 생육환경 입력값을 생성하는 멘토 재배기;
복수의 재배기를 이용하여 상기 멘토 재배기로부터 상기 최적 생육환경 입력값을 수신하여 상기 식물을 대량으로 양산하는 양산 재배기;를 포함하고,
상기 멘토 재배기는,
상기 멘티 재배기로부터 수신된 상기 제1 재배 데이터에 포함된 제1 외형 패턴을 기반으로 머신러닝(Machine Learning)을 수행하여 외형별로 1차 그룹핑하여 복수의 제1 그룹을 생성하고, 상기 복수의 제1 그룹 각각으로부터 하나 이상의 샘플을 선별하고, 상기 샘플에 대해 제1 샘플별 생육환경 입력값을 추출하고, 상기 제1 샘플별 생육환경 입력값을 이용하여 상기 식물을 광량제어, 냉난방 제어, CO2제어, FAN 제어 및 양액 공급제어 중 적어도 하나 이상을 수행하여 직접 재배하고,
1차로 직접 재배한 상기 식물에 대해 구비된 RGB 카메라, 뎁스 카메라, IR 카메라를 이용하여 잎의 연면적, 전체 형상 모델, 잎의 엽록소 및 잎의 온도 중 적어도 하나 이상을 기 설정된 기준값과 비교하여 스트레스 성분인 2차대사산물을 검출하여, 생육 구간별로 상기 복수의 제1 그룹 중 가장 많은 상기 2차대사산물이 검출된 제1 그룹의 순위를 결정하는 것을 특징으로 하는 식물 재배 시스템. - 제1항에 있어서,
상기 멘토 재배기, 상기 멘티 재배기, 상기 양산 재배기는 동일한 프로토콜 및 동일한 운영 체계를 이용하여 서로 통신하는 것을 특징으로 하는 식물 재배 시스템. - 제1항에 있어서,
상기 멘티 재배기는
상기 멘토 재배기로부터 상기 식물의 잎이 생성되는 생육 과정 또는 정량적인 시간 단위로 구분되는 생육 구간별로 서로 상이한 복수의 상기 제1 생육환경 입력값을 수신하고, 복수의 재배기를 이용하여 서로 상이한 복수의 상기 제1 생육환경 입력값에 따른 복수의 재배 환경을 조성하고, 복수의 상기 재배 환경 각각에서 상기 식물을 생육하는 것을 특징으로 하는 식물 재배 시스템. - 제3항에 있어서,
상기 멘티 재배기는
구비된 카메라를 이용하여 복수의 상기 제1 생육환경 입력값에 따라 복수의 상기 재배 환경에서 생육된 상기 식물의 제1 외형 패턴을 생성하고, 상기 제1 외형 패턴을 포함하는 상기 제1 재배 데이터를 상기 멘토 재배기로 전송하는 것을 특징으로 하는 식물 재배 시스템. - 제4항에 있어서,
상기 멘토 재배기는
상기 멘티 재배기로부터 수신된 상기 제1 재배 데이터에 포함된 상기 제1 외형 패턴을 기반으로 머신러닝(Machine Learning)을 수행하여 외형별로 1차 그룹핑하여 복수의 제1 그룹을 생성하고, 상기 복수의 제1 그룹 각각으로부터 하나 이상의 샘플을 선별하고, 상기 샘플에 대해 제1 샘플별 생육환경 입력값을 추출하고, 상기 제1 샘플별 생육환경 입력값을 이용하여 상기 식물을 직접 재배하는 것을 특징으로 하는 식물 재배 시스템. - 제5항에 있어서,
상기 멘토 재배기는
1차로 직접 재배한 상기 식물에 대해 구비된 RGB 카메라, 뎁스 카메라, IR 카메라를 이용하여 잎의 연면적, 전체 형상 모델, 잎의 엽록소, 잎의 온도를 기 설정된 기준값과 비교하여 스트레스 성분인 2차대사산물을 검출하여, 상기 생육 구간별로 상기 복수의 제1 그룹 중 가장 많은 상기 2차대사산물이 검출된 제1 그룹의 순위를 결정하는 것을 특징으로 하는 식물 재배 시스템. - 제6항에 있어서,
상기 멘토 재배기는
상기 제1 그룹의 순위 중 기 설정된 순위 내의 제1 상위 그룹에 대응하는 생육환경 입력값을 상기 2차대사산물이 많이 생성하도록 하는 복수의 상기 제2 생육환경 입력값으로 선정하고, 상기 2차대사산물을 많이 생성하도록 하는 복수의 상기 제2 생육환경 입력값을 상기 멘티 재배기로 다시 전송하는 것을 특징으로 하는 식물 재배 시스템. - 제7항에 있어서,
상기 멘티 재배기는
상기 멘토 재배기로부터 상기 2차대사산물을 가장 많이 생성하도록 하는 복수의 상기 제2 생육환경 입력값을 수신하고, 복수의 재배기를 이용하여 복수의 상기 제2 생육환경 입력값에 따른 복수의 재배 환경을 조성하고, 상기 재배 환경 각각에서 상기 식물을 생육하는 것을 특징으로 하는 식물 재배 시스템. - 제8항에 있어서,
상기 멘티 재배기는
구비된 카메라를 이용하여 상기 2차대사산물을 가장 많이 생성하도록 하는 상기 제2 생육환경 입력값에 따라 복수의 상기 재배 환경에서 생육된 상기 식물들의 제2 외형 패턴을 생성하고, 상기 제2 외형 패턴을 포함하는 상기 제N 재배 데이터를 상기 멘토 재배기로 전송하는 것을 특징으로 하는 식물 재배 시스템. - 제9항에 있어서,
상기 멘토 재배기는
상기 멘티 재배기로부터 수신된 상기 제N 재배 데이터에 포함된 상기 제2 외형 패턴을 기반으로 머신러닝을 수행하여 외형별로 2차 그룹핑하여 복수의 제2 그룹을 생성하고, 상기 복수의 제2 그룹 각각으로부터 하나 이상의 샘플을 선별하고, 상기 샘플에 대해 제2 샘플별 생육환경 입력값을 추출하고, 상기 제2 샘플별 생육환경 입력값을 이용하여 상기 식물을 2차로 직접 재배하는 것을 특징으로 하는 식물 재배 시스템. - 제10항에 있어서,
상기 멘토 재배기는
2차로 직접 재배한 상기 식물에 대해 상기 식물에 대해 구비된 RGB 카메라, 뎁스 카메라, IR 카메라를 이용하여 잎의 연면적, 전체 형상 모델, 잎의 엽록소, 잎의 온도를 기 설정된 기준값과 비교하여 스트레스 성분인 2차대사산물을 검출하여 상기 생육 구간별로 상기 복수의 제2 그룹 중 가장 많은 상기 2차대사산물이 검출된 제2 그룹의 순위를 결정하는 것을 특징으로 하는 식물 재배 시스템. - 제11항에 있어서,
상기 멘토 재배기는
상기 제2 그룹의 순위 중 기 설정된 순위 내의 제2 상위 그룹에 대응하는 환경 입력값을 상기 2차대사산물이 많이 생성하도록 하는 상기 최적 생육환경 입력값으로 선정하는 과정을 반복하여 상기 최적 생육환경 입력값을 생성하고, 상기 최적 생육환경 입력값을 상기 양산 재배기로 전송하는 것을 특징으로 하는 식물 재배 시스템. - 제6항에 있어서,
상기 멘토 재배기는
상기 생육 구간 중 처음 구간에 대한 상기 2차대사산물이 가장 많이 검출되도록 하는 생육환경 입력값을 선정한 후 상기 생육 구간 중 다음 구간에 대해 상기 2차대사산물이 가장 많이 검출되도록 하는 생육환경 입력값을 선정한 후 상기 처음 구간의 생육환경 입력값과 상기 다음 구간의 생육환경 입력값의 차등분만을 검출하는 것을 특징으로 하는 식물 재배 시스템. - 제13항에 있어서,
상기 멘토 재배기는
상기 생육 구간별로 상기 최적 생육환경 입력값을 모두 취합하여 전체 생육 구간에 대한 전체 주기 생육환경 입력값을 생성하고, 상기 전체 주기 생육환경 입력값을 상기 양산 재배기로 전송하는 것을 특징으로 하는 식물 재배 시스템. - 제14항에 있어서,
상기 양산 재배기는
상기 전체 주기 생육환경 입력값에 포함된 각 생육 구간별로 적용된 생육환경 입력값을 추출하고, 상기 생육 구간이 변경될 때 해당 구간에 적용된 생육환경 입력값에 따라 상기 식물을 대량 양산하는 것을 특징으로 하는 식물 재배 시스템. - 제14항에 있어서,
상기 멘토 재배기는
상기 양산 재배기가 상기 전체 주기 생육환경 입력값에 포함된 각 생육 구간별 생육환경 입력값을 적용할 때, 각 생육 구간별로 생육환경 입력값을 모니터링하다가 오류가 발생한 경우, 상기 생육 구간 별로 생육환경 입력값을 수정하도록 하는 것을 특징으로 하는 식물 재배 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220133758A KR102661904B1 (ko) | 2022-10-18 | 2022-10-18 | Ai 기반 식물 재배 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220133758A KR102661904B1 (ko) | 2022-10-18 | 2022-10-18 | Ai 기반 식물 재배 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20240053799A KR20240053799A (ko) | 2024-04-25 |
| KR102661904B1 true KR102661904B1 (ko) | 2024-04-29 |
Family
ID=90883525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220133758A KR102661904B1 (ko) | 2022-10-18 | 2022-10-18 | Ai 기반 식물 재배 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102661904B1 (ko) |
Citations (2)
| 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 |
| KR102380989B1 (ko) * | 2021-01-19 | 2022-04-01 | 송원호 | 스마트팜에서 재배되는 작물에 대한 생육 레시피 정보를 제공하는 스마트팜 제어장치 및 이의 동작방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101963508B1 (ko) * | 2017-09-11 | 2019-07-31 | 홍의기 | 자체제어 및 원격제어가 가능한 식물재배 시스템 |
| KR102604041B1 (ko) * | 2020-09-10 | 2023-11-21 | 상명대학교산학협력단 | 작물 내 활성성분 함량 증가를 위한 재배 조건 추천 방법, 장치 및 프로그램 |
-
2022
- 2022-10-18 KR KR1020220133758A patent/KR102661904B1/ko active IP Right Grant
Patent Citations (2)
| 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 |
| KR102380989B1 (ko) * | 2021-01-19 | 2022-04-01 | 송원호 | 스마트팜에서 재배되는 작물에 대한 생육 레시피 정보를 제공하는 스마트팜 제어장치 및 이의 동작방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20240053799A (ko) | 2024-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4009441B2 (ja) | 作物育成評価システム | |
| Burgess et al. | Exploring relationships between canopy architecture, light distribution, and photosynthesis in contrasting rice genotypes using 3D canopy reconstruction | |
| US20220075344A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
| US11895939B2 (en) | Cohort phenotyping system for plant factory with artificial lighting | |
| CN107341734A (zh) | 一种基于生理参数的设施作物苗期生长预测模型的建立方法 | |
| Verdenal et al. | A study of ryegrass architecture as a self-regulated system, using functional–structural plant modelling | |
| CN107329511A (zh) | 基于适宜根温区间的水培蔬菜光环境高效调控方法与*** | |
| CN108739052A (zh) | 一种食用菌生长参数寻优的***和方法 | |
| CN110874617A (zh) | 一种冬小麦叶片氮含量估算模型的建立方法 | |
| CN108710766A (zh) | 一种基于生长模型的温室植物水肥机调肥参数计算方法 | |
| Lecarpentier et al. | WALTer: a three-dimensional wheat model to study competition for light through the prediction of tillering dynamics | |
| Tobias et al. | Hybrid tree-fuzzy logic for aquaponic lettuce growth stage classification based on canopy texture descriptors | |
| Doan et al. | Relationships between tomato cluster growth indices and cumulative environmental factors during greenhouse cultivation | |
| Lork et al. | Minimizing electricity cost through smart lighting control for indoor plant factories | |
| Sultana et al. | The consequences of plant architecture and spatial distribution of light interception on cotton growth and yield. | |
| Mohagheghi et al. | An energy-efficient PAR-based horticultural lighting system for greenhouse cultivation of lettuce | |
| Boros et al. | Effects of LED lighting environments on lettuce (Lactuca sativa L.) in PFAL systems–A review | |
| KR102661904B1 (ko) | Ai 기반 식물 재배 시스템 | |
| Evers et al. | Functional—Structural plant modeling of plants and crops | |
| Lejeune et al. | LED light gradient as a screening tool for light quality responses in model plant species | |
| Dijkshoorn-Dekker | Crop quality control system: a tool to control the visual quality of pot plants | |
| De Visser et al. | A functional-structural model of chrysanthemum for prediction of ornamental quality | |
| MORIYUKI et al. | Profit models based on the growth dynamics of lettuce populations in a plant factory | |
| CN109073622A (zh) | 用于对植物的一个或多个特征的处理的高产出测试的方法和设备 | |
| Ren et al. | Development of artificial intelligence climate chamber and experimental study on crop phenotype Acquisition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |