KR20220071405A - 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법 - Google Patents
스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법 Download PDFInfo
- Publication number
- KR20220071405A KR20220071405A KR1020200158461A KR20200158461A KR20220071405A KR 20220071405 A KR20220071405 A KR 20220071405A KR 1020200158461 A KR1020200158461 A KR 1020200158461A KR 20200158461 A KR20200158461 A KR 20200158461A KR 20220071405 A KR20220071405 A KR 20220071405A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- smart farm
- data
- management
- smart
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 54
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000009313 farming Methods 0.000 claims abstract description 14
- 241000607479 Yersinia pestis Species 0.000 claims description 75
- 238000004891 communication Methods 0.000 claims description 8
- 239000013589 supplement Substances 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 21
- 238000007726 management method Methods 0.000 description 99
- 238000013528 artificial neural network Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 17
- 238000003062 neural network model Methods 0.000 description 13
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 239000002689 soil Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 description 5
- 239000001569 carbon dioxide Substances 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 4
- 230000003416 augmentation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 2
- 240000000275 Persicaria hydropiper Species 0.000 description 2
- 235000017337 Persicaria hydropiper Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000009736 wetting Methods 0.000 description 2
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 235000016623 Fragaria vesca Nutrition 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 235000011363 Fragaria x ananassa Nutrition 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 244000061458 Solanum melongena Species 0.000 description 1
- 235000002597 Solanum melongena Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/05—Agriculture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Human Resources & Organizations (AREA)
- Animal Husbandry (AREA)
- General Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Emergency Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법에 관한 것으로, 본 발명에 따른 시스템은 대상 작물의 생육 정보, 환경 정보, 재배 시설 정보, 영농 정보 및 경영 정보 중 적어도 하나를 포함하는 스마트 팜 데이터를 수집하는 인터페이스부, 수집된 스마트 팜 데이터와 미리 제공된 데이터를 분석하여 인공지능 모델을 생성하는 통합 제어부 및 스마트 팜의 관리 요청 정보가 수신되면, 수신된 스마트 팜의 관리 요청 정보를 생성된 인공지능 모델에 따라 분석하여 스마트 팜의 의사 결정 정보를 생성하는 관리 지원부를 포함하는 관리 서버를 포함한다. 본 발명에 의하면, 대상 작물의 생육 정보, 환경 정보, 재배 시설 정보, 영농 정보 또는 경영 정보 등을 포함하는 스마트 팜의 빅 데이터를 수집하고, 수집된 스마트 팜의 빅 데이터로 구축된 클라우드 플랫폼과 인공지능 기술을 이용하여 스마트 팜의 운영 관리에 필요한 농업 의사 결정을 효과적으로 지원할 수 있다.
Description
본 발명은 농업 지원 시스템 및 방법에 관한 것으로, 보다 상세하게는 스마트 팜의 빅 데이터를 기반으로 구축된 클라우드 플랫폼과 인공지능 기술을 이용하여 농업 서비스를 지원할 수 있는 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법에 관한 것이다.
일반적으로 먹거리를 생산하는 농업은 인류 생존에 필수적인 산업이지만, 전통적인 농업 기술이 유지되고 있어 혁신이 가장 느린 산업이기도 하다. 특히, 국내 농업은 생산 인구의 감소, 고령화, 인건비, 자재비 또는 유통 채널의 비용 문제 등으로 경영이 악화되고 있으며, 농업이라는 특수한 환경으로 인해 전문적인 노동력 부족 현상이 심각하여 미래 먹거리 생산에 대한 불안감이 점차 증대되고 있다.
이를 극복하기 위하여 농업의 혁신이 다양하게 시도되고 있는데, 이 중에서 정보 통신 기술(ICT: Information and Communication Technology)을 농업의 생산, 가공, 유통 또는 소비 등에 접목하여 원격에서 자동으로 작물의 생육 환경을 관리하고, 생산 효율성을 높일 수 있도록 한 농업 시스템인 스마트 팜(Smart farm)이 현재 주목받고 있다.
종래 기술에 따른 스마트 팜은 온도, 습도, 조도 또는 이산화탄소 등의 환경 정보를 기반으로 재배 시설을 단순히 개폐하고 제어하는 기술이 대다수로서, 영농의 편의성 향상과 생산성 증대의 목표는 어느 정도 이루었으나, 모든 농사 환경을 농업인이 직접 설정하거나 조작해야 하는 문제점이 있었다.
그리고 스마트 팜 기술을 이용하기 위해서는 농사에 대한 지식은 물론이고 데이터를 이해하고 분석할 수 있는 ICT 역량도 필요하기 때문에 농사 경험이 부족한 젊은 농업인이나 귀농인, 농사에 대한 지식은 있지만 ICT가 익숙하지 않은 고령의 농업인은 접근하기가 쉽지 않은 문제점이 있었다.
또한, 현재까지 개발되고 있는 스마트 팜 기술은 다양한 관련 영역에서 요구되는 정보 처리 기술, 정보 공유 기술 또는 정보 데이터베이스화 기술에 대한 개발이 충분히 이루어지지 않고 있는 실정이다.
이에 따라, 편의성과 생산성이 목표인 종래의 스마트 팜 기술에서 스마트 팜의 빅 데이터(Big Data), 클라우드 플랫폼 및 인공지능 기술을 활용하여 작물의 생육 정보 등을 수집, 분석 및 처리하고 작물의 생산 정보를 최적으로 제공하기 위한 농업 지원 시스템의 개발이 요구되고 있다.
따라서 본 발명은 대상 작물의 생육 정보, 환경 정보, 재배 시설 정보, 영농 정보 또는 경영 정보 등을 포함하는 스마트 팜의 빅 데이터를 수집하고, 수집된 스마트 팜의 빅 데이터로 구축된 클라우드 플랫폼과 인공지능 기술을 이용하여 스마트 팜의 운영 관리에 필요한 농업 의사 결정을 지원할 수 있는 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법을 제공하는 것을 목적으로 한다.
본 발명의 과제들은 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기한 기술적 과제를 해결하기 위한 본 발명의 실시예에 따른 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템은 대상 작물의 생육 정보, 환경 정보, 재배 시설 정보, 영농 정보 및 경영 정보 중 적어도 하나를 포함하는 스마트 팜 데이터를 수집하는 인터페이스부, 상기 수집된 스마트 팜 데이터와 미리 제공된 데이터를 분석하여 인공지능 모델을 생성하는 통합 제어부 및 스마트 팜의 관리 요청 정보가 수신되면, 상기 수신된 스마트 팜의 관리 요청 정보를 상기 생성된 인공지능 모델에 따라 분석하여 스마트 팜의 의사 결정 정보를 생성하는 관리 지원부를 포함하는 관리 서버를 포함한다.
상기 관리 지원부는 대상 작물의 병충해 여부, 병충해의 조치를 위한 매뉴얼 정보, 대상 작물별 생육 상태에 따른 재배 관리 정보 및 재배 시설의 고장 및 교체 정보 중 적어도 하나를 포함하는 상기 스마트 팜의 의사 결정 정보를 생성하여 단말 장치로 전송할 수 있다.
상기 스마트 팜의 관리 요청 정보는 사용자의 요청에 따라 단말 장치를 통해 수신되거나, 스마트 팜 디바이스로부터 미리 정해진 주기마다 수신될 수 있다.
상기 스마트 팜 디바이스는 대상 작물의 생육, 재배 현장의 환경과 재배 시설의 상태 중 적어도 하나를 측정하는 센서 및 상기 대상 작물의 생육, 재배 현장과 재배 시설 중 적어도 하나를 촬영하는 촬영 장치를 포함할 수 있다.
상기 관리 지원부는 상기 대상 작물이 병충해로 판단되는 경우, 상기 재배 시설 또는 상기 스마트 팜 디바이스가 고장으로 판단되는 경우, 병충해의 발생과 고장을 알리는 경고 정보를 생성하여 상기 단말 장치로 전송할 수 있다.
상기 인공지능 모델은 상기 미리 제공된 데이터를 보완하기 위해 제작된 페이크 데이터를 이용하여 생성될 수 있다.
한편, 본 발명의 실시예에 따른 스마트 팜 디바이스 및 단말 장치와의 통신을 통해 농업 지원 서비스를 지원하는 관리 서버가 수행하는 스마트 팜의 빅 데이터를 이용한 농업 지원 방법은 대상 작물의 생육 정보, 환경 정보, 재배 시설 정보, 영농 정보 및 경영 정보 중 적어도 하나를 포함하는 스마트 팜 데이터를 수집하는 단계, 상기 수집된 스마트 팜 데이터와 미리 제공된 데이터를 분석하여 인공지능 모델을 생성하는 단계 및 스마트 팜의 관리 요청 정보가 수신되면, 상기 수신된 스마트 팜의 관리 요청 정보를 상기 생성된 인공지능 모델에 따라 분석하여 스마트 팜의 의사 결정 정보를 생성하는 단계를 포함한다.
상기 스마트 팜의 의사 결정 정보는 대상 작물의 병충해 여부, 병충해의 조치를 위한 매뉴얼 정보, 대상 작물별 생육 상태에 따른 재배 관리 정보 및 재배 시설의 고장 및 교체 정보 중 적어도 하나를 포함할 수 있다.
상기 스마트 팜의 관리 요청 정보는 사용자의 요청에 따라 단말 장치를 통해 수신되거나, 스마트 팜 디바이스로부터 미리 정해진 주기마다 수신될 수 있다.
상기 스마트 팜 디바이스는 대상 작물의 생육, 재배 현장의 환경과 재배 시설의 상태 중 적어도 하나를 측정하는 센서 및 상기 대상 작물의 생육, 재배 현장과 재배 시설 중 적어도 하나를 촬영하는 촬영 장치를 포함할 수 있다.
상기 스마트 팜의 의사 결정 정보는 상기 대상 작물이 병충해로 판단되는 경우, 상기 재배 시설 또는 상기 스마트 팜 디바이스가 고장으로 판단되는 경우, 병충해의 발생과 고장을 알리는 경고 정보가 포함될 수 있다.
상기 인공지능 모델은 상기 미리 제공된 데이터를 보완하기 위해 제작된 페이크 데이터를 이용하여 생성될 수 있다.
이와 같이 본 발명의 실시예에 따른 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법에 따르면, 대상 작물의 생육 정보, 환경 정보, 재배 시설 정보, 영농 정보 또는 경영 정보 등을 포함하는 스마트 팜의 빅 데이터를 수집하고, 수집된 스마트 팜의 빅 데이터로 구축된 클라우드 플랫폼과 인공지능 기술을 이용하여 스마트 팜의 운영 관리에 필요한 농업 의사 결정을 효과적으로 지원할 수 있는 장점이 있다.
이때, 머신 러닝이나 딥 러닝 등과 같은 인공지능 기능을 이용하여 재배 시설의 고장 자동 진단, 측정 장치의 성능에 대한 분석, 예측 기반의 유지 보수 플랫폼을 통해 효율적으로 생산을 관리하고, 유지보수의 비용 절감과 함께 빠른 데이터 분석이 가능하여 스마트 팜의 통합적인 관리 운영이 용이한 장점이 있다.
그리고 클라우드 플랫폼을 이용하여 농가별 서비스에 특화된 재배 환경을 진단 및 설정할 수 있으며, 재배 관리, 수확량, 수확 시기 예측, 특이 상황에 대한 위험 감지, 고장 진단 또는 예측 등에 대한 내용을 통지하여 농업 전반의 의사 결정에 반영할 수 있도록 한다.
다수의 스마트 팜에 설치된 디바이스로부터 대상 작물에 대한 정보를 실시간으로 확보하고, 농업 종사자, 가정용 스마트 팜, 작물 재배와 관련된 사용자가 보유한 단말 장치로부터 수많은 데이터를 취득하여 클라우드 환경의 빅 데이터를 구축하고, 구축된 빅 데이터와 인공지능 알고리즘을 바탕으로 스마트 팜을 적절하게 운영할 수 있는 장점이 있다.
또한, 예측 기반의 유지 보수(Predictive Maintenance) 시스템으로 신뢰성 향상과 2차 사고에 대한 사전 예방, 유지 보수의 비용 절감, 다양한 스마트 팜 시스템으로 운영되는 농가의 체계적인 관리 및 감독이 가능하여 영농의 편의성과 생산성을 향상시킬 수 있는 장점이 있다.
이와 더불어, 스마트 팜의 관리 및 운영에 있어서, 다양한 스마트 팜의 개별 특성에 따른 위험 감지, 고장 진단 및 고장 예측을 통해 재배 시설의 교체시기를 추정할 수 있으며, 갑작스러운 사고에 대한 예방으로 유지 관리에 아주 효과적인 장점이 있다.
이와 같이, 농사에 대한 지식이 적은 젊은 농업인이나 귀농인, 농사 지식은 있지만 ICT가 익숙하지 않은 고령 농업인, ICT 역량 및 데이터를 이해하고 분석할 수 있는 능력이 부족한 초보 농업인 등이 이와 같은 시스템을 활용하여 농사 경험이 있는 농업인과 같은 효과를 창출해낼 수 있는 이점이 있다.
그리고 스마트 팜의 개발 및 유지 보수가 쉽고, 운영 관리에 효과적이며, 향후 4차 산업혁명의 인공지능에 맞는 합리적인 농업 관리 인프라 구축이 가능하여 국가적으로 국내 농가들의 경쟁력 향상에 기여할 수 있는 장점이 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1은 본 발명의 일 실시예에 따른 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템을 개략적으로 보여주는 구성도이다.
도 2는 본 발명의 일 실시예에 따른 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템의 세부 구성도이다.
도 3은 본 발명의 일 실시예에 따라 페이크 이미지 데이터를 제작하기 위한 신경망 모델의 블록도이다.
도 4는 본 발명의 일 실시예에 따른 병충해에 대한 신경망 학습 과정을 보여주는 예시도이다.
도 5는 본 발명의 일 실시예에 따른 스마트 팜의 빅 데이터를 이용한 농업 지원 과정을 보여주는 동작 흐름도이다.
도 6은 단말 장치를 통해 농업 지원 서비스를 이용하는 과정을 보여주는 예시도이다.
도 2는 본 발명의 일 실시예에 따른 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템의 세부 구성도이다.
도 3은 본 발명의 일 실시예에 따라 페이크 이미지 데이터를 제작하기 위한 신경망 모델의 블록도이다.
도 4는 본 발명의 일 실시예에 따른 병충해에 대한 신경망 학습 과정을 보여주는 예시도이다.
도 5는 본 발명의 일 실시예에 따른 스마트 팜의 빅 데이터를 이용한 농업 지원 과정을 보여주는 동작 흐름도이다.
도 6은 단말 장치를 통해 농업 지원 서비스를 이용하는 과정을 보여주는 예시도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되는 실시 예를 참조하면 명확해질 것이다.
그러나, 본 발명은 이하에서 개시되는 실시 예로 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이다.
본 명세서에서 본 실시 예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다.
그리고 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
따라서, 몇몇 실시 예에서, 잘 알려진 구성 요소, 잘 알려진 동작 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다.
또한, 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭하고, 본 명세서에서 사용된(언급된) 용어들은 실시 예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다.
본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함하며, '포함(또는, 구비)한다'로 언급된 구성 요소 및 동작은 하나 이상의 다른 구성요소 및 동작의 존재 또는 추가를 배제하지 않는다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다.
또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참고로 본 발명의 바람직한 실시 예에 대하여 설명한다.
도 1은 본 발명의 일 실시예에 따른 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템을 개략적으로 보여주는 구성도 및 도 2는 본 발명의 일 실시예에 따른 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템의 세부 구성도를 나타낸다.
도 1 및 도 2에 도시한 바와 같이, 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템(1)은 스마트 팜 디바이스(100), 단말 장치(200), 관리 서버(300) 및 데이터베이스(400)를 포함하여 구성된다.
스마트 팜 디바이스(100)는 적어도 하나로 구성되고, 대상 작물의 재배 과정에서 생성된 대상 작물의 생육 정보, 환경 정보, 재배 시설 정보, 영농 정보 또는 경영 정보 등의 스마트 팜 데이터를 수집하여 하기에서 설명할 관리 서버(300) 또는 데이터베이스(400)로 전송할 수 있다. 이때, 스마트 팜 데이터는 정형 데이터로 이루어지거나 이미지 등과 같은 비정형 데이터로 이루어질 수 있다.
대상 작물의 생육 정보는 대상 작물의 생육 상태를 나타내는 정보로서, 예컨대, 대상 작물의 잎 길이, 잎 폭, 잎 수, 줄기 직경, 화방 높이, 열매 수, 꽃 수, 생장 길이 또는 과중 등을 포함할 수 있다.
환경 정보는 스마트 팜의 내부 환경, 외부 환경, 토경 또는 수경 등에 대한 정보를 포함할 수 있다. 이때, 스마트 팜의 내부 환경에 대한 정보는 재배 현장 내부의 온도, 습도, 이산화탄소, 광량 또는 일사량 등에 대한 정보를 포함하고, 스마트 팜의 외부 환경에 대한 정보는 재배 현장 외부의 온도, 풍향, 풍속, 강우 또는 일사량 등에 대한 정보를 포함할 수 있다. 토경에 대한 정보는 지습, 지온, 관수량, EC 또는 pH 등에 대한 정보를 포함하고, 수경에 대한 정보는 급액량, 급액pH, 급액EC, 지습, 지온, 수분함수율, 배액량, 배액pH 또는 배액EC 등에 대한 정보를 포함할 수 있다.
재배 시설 정보는 크게 재배 시설에 대한 정보와 재배 시설의 제어 정보를 포함하는데, 재배 시설에 대한 정보는 재배 시설의 유형, 재배 형태, 재배 면적, 위치, 배지 형태 등을 포함하는 기본 정보, 통합 제어기(제조사, 유형, 모델, 위치, 수량), 양액/관수기(제조사, 유형, 모델, 위치, 수량), 냉난방 장치(제조사, 유형, 모델, 위치, 수량), 에너지 정보(에너지 유형, 사용량, 관리방식) 등을 포함하는 시설 정보 및 센서의 유형, 위치, 정상범위를 나타나내는 센서 정보, 구동기의 유형, 수량, 위치, 자동유무를 나타내는 구동기 정보 등을 포함할 수 있다. 재배 시설의 제어 정보는 예컨대, 천창, 측창, 보온커튼, 차광커튼, 유동팬, 보광등, 밸브, 배기팬, 환기구, 관수, 양수, 습/관리장치, 난방기, 냉방기, 훈증기, 수막장치 또는 이산화탄소 발생기 등의 재배 시설에 대한 작동 여부, 작동 시간, 작동 상태, 설정 상태, 작동 온도 등을 나타내는 정보를 포함할 수 있다.
영농 정보는 정식 일시, 작목/품종, 재식밀도, 적엽일시, 적엽량, 적심유무/적심시기, 적심절위, 적과량에 대한 정보를 포함할 수 있으며, 경영 정보는 출하량, 등급, 비품과율, 출하단가, 생산비 등에 대한 정보를 포함할 수 있다.
이외에 스마트 팜 디바이스(100)는 농가나 사용자의 다양한 환경에 따른 다양한 스마트 팜 데이터를 수집할 수 있음은 물론이다.
스마트 팜 디바이스(100)는 재배 현장의 온도, 습도, 광량, 이산화탄소 또는 토양 상태(배지의 PH, EC, 온도, 습도, 배지 무게) 등을 실시간으로 측정하거나, 재배 시설의 상태를 감지할 수 있는 센서(110), 재배 현장이나 재배 시설 등을 촬영하는 촬영 장치(130) 등으로 이루어질 수 있다. 그리고 스마트 팜 디바이스(100)는 대상 작물의 재배에 필요한 물질, 예를 들어 양액, 물, 기능성 유용 물질 등의 투하량을 센싱하고 제어할 수 있는 센서(110) 등을 더 포함할 수 있다.
그리고 스마트 팜 데이터에는 센서(110) 또는 촬영 장치(130)에서 측정된 정보, 센서(110) 또는 촬영 장치(130)를 식별하기 위한 정보, 센서(110) 또는 촬영 장치(130)의 상태를 나타내는 정보, 센서(110) 또는 촬영 장치(130)의 위치를 나타내는 정보, 센서(110)의 측정 시간 또는 촬영 장치(130)의 촬영 시간 등이 기록된 정보 등이 더 포함될 수 있다.
촬영 장치(130)는 재배 현장 내에 설치된 카메라 등이 될 수 있으며, 카메라가 없을 경우 드론 등과 같은 이동식 촬영 장치로 이루어질 수 있다. 드론 등과 같은 이동식 촬영 장치로 스마트 팜 데이터를 수집할 경우, 수집 이력 관리를 위한 기본적인 정보를 추가적으로 생성할 수 있다. 추가적인 정보로는 현재 촬영 장치를 이용하는 장소에 대한 각각의 위치 정보, 관리를 위한 고유 번호, 사용자의 요구에 의해 부가적으로 관리가 필요하다고 판단되는 정보들이 될 수 있다. 촬영 장소의 예는 스마트 팜 농장이나 식물 공장 등 다양한 장소가 될 수 있으며, 이동식 촬영 장치의 위치 정보는 LBS(location based service) 등과 같은 알고리즘을 이용하여 획득될 수 있다.
이동식 촬영 장치의 위치 정보의 확보에 대한 알고리즘으로 삼변 측량과 핑거 프린트 방식으로 위치 정보를 수집한 이후, 각각의 유사도를 판별하여 최종 위치 정보를 1차 보정할 수 있다. 이때, 유사도 기준에 대한 허용 오차는 초기 값 설정에서 지정된 값을 사용하고, 유사도는 벡터의 방향성까지 특징으로 가지고 있어야 하므로 코사인 유사도를 사용할 수 있다. 그리고 위치 정보의 1차 보정이 수행된 이후, 초기 값 설정의 학습(누적) 데이터량을 확인하고, 학습 데이터량이 기준에 미달할 경우, 삼변 측량과 핑거 프린트 방식으로 위치 정보를 수집한 이후, 각각의 유사도를 판별하여 최종적으로 위치 정보를 보정하는 과정을 반복 수행할 수 있다. 만약, 학습 데이터량을 충분히 확보(초기 값 설정의 기준 값)할 경우, 위치 정보의 2차 보정을 수행하는데, 신경망(GAN)을 사용하여 페이크(Fake) 데이터를 생성하고, 유사도 판별과 초기 값 설정의 지정된 정확도를 판단하여 위지 정보를 갱신하거나 상기와 같은 과정을 반복 수행할 수 있다. 이때, 신경망을 사용하는 이유는 학습에 사용될 기존 위치 정보의 데이터량이 너무 적기 때문이며, 다량의 학습 데이터량을 확보하여 좀 더 정확한 위치 정보를 얻기 위함이고, 충분한 데이터로 학습된 위치 정보의 데이터의 결과가 어느 정도 신뢰성이 인정되면, 이러한 방법은 선택적으로 이용될 수 있다.
그리고 일반적으로 핑거 프린트 방식의 LBS 기술은 와이파이(Wi-Fi), 비콘(블루투스) 모듈 등을 사용하지만, 본 발명의 일 실시예에서는 와이파이 모듈보다는 저전력이고, 가격이 저렴한 비콘 모듈을 사용할 수 있다. 그리고 이동식 촬영 장치의 경우는 자체적으로 카메라를 구비하고 있기 때문에 관리 서버(300)와 통신하여 병충해 정보와 조치 방안을 실시간으로 제공할 수 있다.
단말 장치(200)는 개인용 컴퓨터(Personal Computer, PC), 스마트폰(Smart Phone), 태블릿(Tablet) PC, 개인 휴대 정보 단말기(Personal Digital Assistant, PDA)나 웹 패드(Web Pad) 등과 같이 메모리 수단을 구비하고 마이크로프로세서를 탑재하여 연산 능력을 갖춘 단말기일 수 있다.
단말 장치(200)는 대상 작물의 재배하거나 관리하는 사용자, 병충해 정보를 획득하기 위한 사용자, 병충해에 대한 조치 방법을 활용하거나 컨설팅 형태로 지원받기 위한 사용자가 보유한 단말기일 수 있으며, 이외에 가정용 스마트 팜 사용자의 단말기, 로봇이나 기타 모바일 디바이스로 이루어질 수 있음은 물론이다.
특히, 단말 장치(200)는 사용자의 요청에 의해 스마트 팜의 관리 요청 정보를 생성하여 관리 서버(300)로 전송하는 농업 지원 서비스 어플리케이션이나 프로그램이 설치될 수 있다. 예컨대, 사용자가 대상 작물에 병충해가 발생된 것으로 의심되는 경우, 단말 장치(200)의 농업 지원 서비스 어플리케이션이나 프로그램을 실행시켜 대상 작물을 촬영하거나 대상 작물에 대해 기록할 수 있다. 그리고 촬영된 대상 작물의 영상이나 기록된 데이터는 스마트 팜의 관리 요청 정보로서, 관리 서버(300)에 전송될 수 있다.
또한, 스마트 팜 디바이스(100)에서는 단말 장치(200)의 제어에 따라 스마트 팜의 관리 요청 정보를 생성하여 관리 서버(300)에 전송하거나, 스마트 팜 디바이스(100)에 미리 정해진 주기마다 스마트 팜의 관리 요청 정보를 자동으로 생성하여 관리 서버(300)에 전송할 수 있다. 예컨대, 재배 현장이나 재배 시설에 설치된 카메라가 미리 정해진 주기마다 대상 작물 또는 재배 시설에 대한 영상을 촬영하여 관리 서버(300)로 전송함으로써 대상 작물의 병충해 여부나 재배 시설의 고장 여부 등을 판단할 수 있도록 한다.
관리 서버(300)는 통신망(10)을 통해 스마트 팜 디바이스(100), 단말 장치(200), 농업 기관 서버(미도시) 및 데이터베이스(400)와 각종 정보를 교환할 수 있다.
여기서, 통신망(10)은 근거리(구내) 정보 통신망(Local Area Network, LAN), 도시권 통신망(Metropolitan Area Network, MAN), 광역 통신망(Wide Area Network, WAN), 인터넷(internet), 3G/4G/5G(generation) 이동통신망, 와이파이(Wi-Fi), WIBRO(Wireless Broadband Internet) 또는 LTE(Long Term Evolution) 등을 포함하는 각종 데이터 통신망을 포함할 수 있고, 유선과 무선을 가리지 않으며 어떠한 통신 방식을 사용하더라도 상관없다.
보다 자세하게는, 관리 서버(300)는 인터페이스부(310), 통합 제어부(330) 및 관리 지원부(350)를 포함할 수 있다.
인터페이스부(310)는 스마트 팜 디바이스(100), 단말 장치(200) 또는 농업 기관 서버 등에서 전송된 생육 정보, 환경 정보, 재배 시설 정보, 영농 정보 또는 경영 정보 등의 스마트 팜 데이터를 수신하여 데이터베이스(400)에 저장 및 수집할 수 있다.
인터페이스부(310)는 OpenAPI 또는 SDK(Software Development Kit) 방식으로 스마트 팜 데이터를 외부로부터 수신하거나 외부로 전송할 수 있다. 예를 들어, 농촌진흥청 등과 같은 기관이나 단체에서 제공하는 데이터 세트를 수집하여 인공지능 학습이나 예측을 위한 데이터로 사용할 수 있으며, 이와 같이 수집, 분석, 학습된 인공지능 모델을 이용하여 외부의 의사 결정 지원을 위한 제공된 방식 또는 원 데이터 형태의 데이터 세트를 외부에 제공할 수 있다.
OpenAPI는 유/무선 기반의 통신으로 제공될 수 있으며, SDK는 설비 S/W 운영개발의 경우에 모듈 형태로 탑재되어 재배 시설의 운영을 지원해 줄 수 있다. 예컨대, 병충해 관리, 농업 정보, 각종 관리 정보 또는 제어 정보 등을 제공하여 농사에 대한 지식이 적은 농업인이나 귀농인, 농사 지식은 있지만 ICT가 익숙하지 않은 고령 농업인, ICT 역량 및 데이터를 이해하고 분석할 수 있는 능력이 부족한 초보 농업인 등에게 도움을 줄 수 있다.
본 발명의 일 실시예에서 인터페이스부(310)는 관리 서버(300)의 내부에서 운영되는 것으로 설명하고 있으나, 관리 서버(300)의 외부에서 운영되는 것도 가능하다.
통합 제어부(330)는 수집된 스마트 팜 데이터와 데이터베이스(400)에 저장되어 있는 이전 데이터를 분석하여 인공지능 모델을 생성할 수 있다.
보다 구체적으로는, 통합 제어부(330)는 인공지능 기능이 구현되어 있어 수집된 스마트 팜 데이터와 데이터베이스(400)에 저장되어 있는 빅 데이터에 대한 분석 및 처리를 수행함으로써 인공지능 모델을 생성할 수 있다. 여기서, 인공지능은 인간의 지능으로 할 수 있는 사고, 학습 또는 자기 개발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로서, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것이다. 인공지능은 인간의 학습, 추론, 지각, 언어능력 등을 컴퓨터 프로그램으로 실현한 기술로 기계 학습 또는 딥 러닝(Deep Running) 알고리즘 등을 포함할 수 있는데, 기계 학습은 특정 작업 처리를 코딩 과정 없이 컴퓨터가 스스로 학습할 수 있도록 방법을 가르치는 분야로, 논리나 정형화된 규칙 등의 데이터를 통해 학습하는 수학적 알고리즘 또는 확률적 모델로 비슷한 데이터 세트를 바탕으로 가정 또는 예측하는 방법이다.
기계 학습은 크게 지도 학습, 비지도 학습, 준 지도 학습 또는 강화 학습 등으로 구분하며, 지도 학습은 훈련 데이터에 레이블이라는 원하는 답이 데이터 세트에 포함되고, 이를 사용하여 학습 모델을 만든다. 비지도 학습은 정답 데이터를 갖지 않는 데이터 세트로 학습 모델을 만들고 이를 적용하여 예측 결과를 얻을 수 있다. 준 지도 학습은 레이블이 일부만 있는 데이터 세트를 사용하여 학습할 수 있다. 강화 학습은 행동을 실행하면 그 결과의 나오는 보상이나 벌점을 얻는 과정으로 학습할 수 있다.
딥 러닝은 머신 러닝의 한 분야로, 기계 학습과 비슷하지만 인간의 뇌를 참고하여 만든 뉴런의 구조에 의해 인공 신경망이라는 구조를 만들어 사용하여 학습하는 신경망으로 새로운 데이터 세트를 예측하거나 분류하는 기술을 말한다.
이와 같이, 스마트 팜 디바이스(100), 단말 장치(200) 또는 농업 기관 서버 등에서 제공되는 거의 모든 데이터를 수집하여 인공지능 학습의 정확도를 높이고 나아가서는 농업 및 작물 재배 관련자들에게 효과적인 의사 결정 지원 플랫폼을 제공할 수 있도록 한다.
관리 지원부(350)는 스마트 팜 디바이스(100) 또는 단말 장치(200)로부터 스마트 팜의 관리 요청 정보가 수신되면, 수신된 스마트 팜의 관리 요청 정보를 통합 제어부(330)에서 생성된 학습된 인공지능 모델에 따라 분석하여 스마트 팜의 의사 결정 정보를 생성할 수 있다. 그리고 관리 지원부(350)는 생성된 스마트 팜의 의사 결정 정보를 인터페이스부(310)를 통해 스마트 팜 디바이스(100) 또는 단말 장치(200)에 전송하여 대상 작물의 재배하거나 관리하는 사용자, 병충해 정보를 획득하기 위한 사용자, 병충해에 대한 조치 방법을 활용하거나 컨설팅 형태로 지원받기 위한 사용자 등이 확인할 수 있도록 한다.
관리 지원부(350)는 실시간으로 업데이트 하여 최신 상태로 유지 가능한 인공지능 모델이 구현되어 있어 인터페이스부(310)를 통해 스마트 팜의 관리 요청 정보가 수신되면, 스마트 팜의 관리 요청 정보에 포함되어 있는 사진이나 동영상을 인공지능 모델로 분석하여 대상 작물의 병충해 여부를 판단할 수 있다.
관리 지원부(350)는 재배 시설의 고장 여부 또는 교체 시기, 재배 시설 내에 있는 스마트 팜 디바이스(100)의 고장 여부 또는 교체시기를 판단하고, 고장 여부를 알리거나 조치할 수 있는 매뉴얼에 대한 스마트 팜의 의사 결정 정보를 생성할 수 있다. 예컨대, 관리 지원부(350)는 대상 작물이 병충해로 판단되거나, 재배 시설 또는 스마트 팜 디바이스(100)가 고장으로 판단되는 경우, 병충해의 발생과 고장을 알리는 메시지, 진동 또는 소리 형태 등의 경고 정보를 단말 장치(200)에 전송함으로써 단말 장치(200)의 사용자가 병충해나 고장에 대하여 신속하게 조치할 수 있도록 한다.
스마트 팜 관리 정보는 작물마다 다양하고, 많은 종류가 있어서 산재된 데이터를 수집할 필요가 있으며, 이를 인공지능으로 재가공하여 개발 및 서비스가 가능한 형태로 배포하여 다른 기관이나 단체에 유영한 서비스 개발을 지원할 수 있는 OpenAPI 또는 SDK 형태로 제공될 수 있다.
이와 같이, 관리 지원부(350)는 현재 지역의 토양 정보, 환경 정보 등의 데이터에 기반한 작물 추천 모델, 작물별 생육 정보를 지원하기 위한 생육 정보를 지원하는 스마트 팜의 의사 결정 정보를 생성할 수 있는데, 병충해의 판단은 기존의 공개된 데이터로 학습시킨 신경망(CNN 계열) 모델로 판단이 가능하며, 병충해의 예측은 운영 중 데이터가 충분히 누적되면, 데이터 기반의 트렌드 예측, 통계적인 인공지능 방법 또는 농업진흥청에서 제공되는 예측 모델을 사용하여 예측할 수도 있다. 또한, 스마트 팜 디바이스(100) 또는 재배 시설의 고장에 대한 판단이나 예측은 인공지능 신경망(RNN 계열)의 시계열 데이터의 처리 방법으로 판단 및 예측이 가능하며, 실시간 확보되는 데이터를 기반으로 최신의 모델을 업데이트할 수 있다. 상기와 같이, 신경망 모델을 이용하여 병충해를 판단하고 예측하는 과정에 대해서는 하기의 도 3 및 도 4를 참조하여 보다 자세히 설명하도록 한다.
이러한 장치 고장, 병충해 또는 관리 정보 등의 경우는 실제 인공지능으로 학습된 부분도 있으며, 실시간 데이터 기반으로 각 증상에 대한 고장 예측 및 판단이 가능하며, 병충해 판단과 예측, 조치 방법에 대한 매뉴얼을 외부의 데이터 세트 형태로 제공될 수 있다.
이와 같이, 관리 서버(300)는 스마트 팜 디바이스(100), 단말 장치(200) 또는 농업 기관 서버 등에서 제공되는 수많은 데이터를 수집하여 인공지능 학습의 정확도를 높이고 나아가서는 농업에 대한 효과적인 의사 결정이 가능하도록 지원할 수 있다.
한편, 본 발명의 일 실시예에서는 통합 제어부(330)와 관리 지원부(350)의 기능 및 동작을 구분하여 별도의 구성요소에서 구현되도록 설명하고 있으나, 이에 한정되지 않고 통합 제어부(330)와 관리 지원부(350)의 기능 및 동작은 하나의 구성요소에서 수행될 수도 있다.
데이터베이스(400)는 스마트 팜 디바이스(100) 또는 단말 장치(200)로부터 수신된 대상 작물의 생육 정보, 환경 정보, 재배 시설 정보, 영농 정보 또는 경영 정보 등의 스마트 팜 데이터가 저장될 수 있으며, 농업 기관 서버 등으로부터 수신된 빅 데이터가 저장될 수 있다. 그리고 데이터베이스(400)는 대상 작물의 종류(예컨대, 토마토, 오이, 가지, 딸기 등)별로 작물의 생장 정보가 다르므로 이를 관리하거나 외부 컨설팅으로 지원하기 위한 레시피 정보 등이 저장될 수 있다.
이때, 데이터베이스(400)는 관리 서버(300)의 내부에 설치되거나, 관리 서버(300)와는 별도로 설치될 수 있다.
이하, 이미지를 기반으로 병충해를 판단하고 예측하기 위한 신경망 학습에 대하여 설명하도록 한다.
이미지를 기반으로 병충해를 판단하고 예측하기 위한 신경망 학습을 위해서는 많은 양의 이미지 데이터가 필요하지만, 대부분 그러한 데이터를 수집하기가 쉽지는 않다. 이에 본 발명의 일 실시예에서는 인공지능 모델로서, 신경망 모델을 사용하되, 신경망 학습을 위해 부족한 이미지 데이터를 미리 제작된 페이크(Fake) 이미지 데이터로 대체하고, 비 지도 학습 신경망 모델인 GAN(Generative Adversarial Nets) 모델을 신경망 학습에 적용하여 병충해의 판단 및 예측에 대한 정확도를 높이고자 한다.
보다 구체적으로 설명하면, 병충해의 예측 및 판단에 대한 정확도를 높이고자 VAE(Variational Auto Encoder)의 장점과 GAN 모델의 특징을 이용하는데, 이를 위하여 모델의 평가 기준이 명확한 VAE를 앞단에 배치하고, 비교 기준이 명확하지 않아서 결과를 시각화해서 판단하는 경우가 많은 GAN을 뒷단에 배치하여 정확도가 높은 신경망 모델을 사용할 수 있도록 한다.
도 3은 본 발명의 일 실시예에 따라 페이크 이미지 데이터를 제작하기 위한 신경망 모델의 블록도를 나타낸다.
도 3을 참조하면, 페이크 이미지 데이터를 제작하기 위한 신경망 모델은 크게 필터부(510), VAE부(520), CNN부(530) 및 GAN부(540)를 포함할 수 있으며, 입력(input)으로는 기존에 확보된 이미지 데이터를 사용할 수 있다. 입력된 이미지 데이터는 필터부(510)를 통해 노이즈 제거 등의 전처리 과정이 진행되어 각종 왜곡이 보정될 수 있고, Image Augmentation(Crop, Rotate, Flip, Translate, Resize, 등) 기법을 사용할 수 있다. 왜곡이 보정된 이미지 데이터 또는 Image Augmentation 기법으로 생성된 이미지 데이터는 다중 입력으로 이루어진 VAE부(520)로 입력되어 엔코더(Encoder, 521), Latent Space(523) 및 디코더(Decoder, 525)에서의 처리를 거침으로써 복수 개의 잠재적 특징 벡터(Latent Feature Vector) 데이터를 출력할 수 있다.
여기서 Image Augmentation(이미지 데이터 변조) 기법은 인공지능으로 병충해의 예측 및 판단의 정확도를 높이는 방법으로 다양한 전처리 기법, 적절한 학습모델 선택, 적절한 신경망 선택, 다양한 앙상블 모델 등의 예를 들어 볼 수 있다. 본 발병에서는 인공지능 모델 학습에 필요한 데이터 부족 현상(도3 도4 참고)을 해결하기 위함이고, 충분한 데이터가 확보된 경우는 전처리 단계에서 확보된 데이터를 사용하거나, 더욱 높은 정확도를 위한 학습을 위해 본 발명에서 제안되는 다른 방법을 혼용하여 사용할 수 있다.
가장 간단한 변조 방법은 잘라내기(crop), 회전(rotate), 뒤집기(flip)이며, 이미지에서 중심 부분이 중요하다고 생각하는 경우 가장자리의 픽셀들을 잘라낼 수 있다. 이때 랜덤한 각도로 회전시키기도 한다. 좌우반전, 상하반전 등도 가능하다. 이미지에서 작게 잘라낸 부분인 패치(patch)를 이용할 때, 300x300 이미지에서 250x250 패치들을 잘라내면 네 귀퉁이에서와 중앙에서 잘라내는 것만으로 같은 라벨이 붙은 이미지 5개를 얻을 수 있는 방법이다. 제한된 데이터만으로 보다 나은 성능을 내야 할 때 많이 사용되는 방법으로서 랜덤하게 패치를 잘라내거나 소정의 규칙을 두고 잘라내는 방법이 있다. 한편, 이미지의 크기는 유지한 채로 상하좌우로 몇 픽셀씩을 옮기기(translate)도 한다. 이 경우 빈 공간이 생기는데, 0으로 채우거나 (zero filling), 가장 근접한 픽셀로 채우기도 하고(nearest neighbor), 밀려난 부분을 가져와 채워 넣기도(rolling) 할 수 있다. 그 외에, 이미지의 크기가 다양한 경우에 일괄적으로 크기 수정(rescale)을 통해 동일한 사이즈로 맞추고 훈련을 진행할 수 있다. 보행자 인식을 예로 들면, 어떤 사람은 32x56 픽셀 안에 있고, 어떤 사람은 41x78 픽셀에 있는 등 사이즈가 다양하다면 일괄적으로 소정 범위를 늘리고 줄여서 32x64 픽셀 안에 들어오도록 크기를 조정할 수 있다. 가로와 세로의 비율(aspect ratio)이 중요한 이미지의 경우에는 짧은 변을 맞추고 잘라내거나 긴 변을 맞추고 빈칸을 채울 수 있다. 아울러, 확대 하는 것(zooming)도 가능하다.
복수 개의 잠재적 특징 벡터 데이터는 CNN부(530)를 통과하여 신경망 GAN 모델의 P(x)(541)의 입력 데이터로 사용되고, G(x)(543)의 입력 데이터로는 랜덤 벡터 데이터를 사용할 수 있다. GAN부(540)의 D(x)(545)에서는 P(x)(541)와 G(x)(543) 간의 상호 차를 통해 로스(Loss) 함수를 구하고, 구해진 로스 함수를 이용하여 백프로퍼게이션(Backpropagation) 방법을 통해 페이크 이미지 데이터와 실제(Real) 이미지 데이터를 보정하게 된다. 이러한 과정을 반복하여 더욱 정밀한 예측이 가능하고, D(x)(545)의 출력 데이터는 최종 학습용, 테스트용 또는 모델 검증용으로 사용할 수 있다.
이때, CNN부(530)는 다중의 신경망 층을 구성할 수 있으며, 층 내부에는 지도 학습, 비 지도 학습이나 준 지도 학습의 다른 신경망을 구성하여 다양한 학습 데이터를 구성할 수 있다.
도 4는 본 발명의 일 실시예에 따른 병충해에 대한 신경망 학습 과정을 보여주는 예시도로서, 도 4에서와 같이, 작물의 종류 및 병충해 종류(잎사귀, 열매, 곤충 등)가 선택(S400)되고, 신경망 학습 여부를 판단할 수 있다(S410).
410단계에서 신경망 학습을 진행할 경우(S410-Y), 기존 병충해 이미지 데이터를 사용할지 여부를 확인(S420)할 수 있는데, 기존 병충해 이미지 데이터의 양이 부족할 경우(S420-N), 상기에서 서술한 방식으로 생성된 페이크 병충해 이미지 데이터베이스로부터 페이크 병충해 이미지 데이터를 수신하고 신경망 학습(S430)하여 신경망 모델을 생성하는데 이용할 수 있다(S440). 기존 병충해 이미지 데이터를 사용할 경우(S420-Y)에는 병충해 데이터베이스로부터 신경망 학습을 진행(S450)하여 신경망 모델을 생성(S440)하여 저장(S460)하고, 저장된 신경망 모델은 추후 병충해 신경망 모델에 업데이트 하여 병충해 예측 및 판단에 사용될 수 있도록 한다.
한편, 410단계에서 신경망 학습을 하지 않을 경우(S410-N), 기존에 학습된 병충해 신경망 모델 데이터베이스에서 선택된 작물의 종류 및 병충해 종류에 맞는 신경망 모델을 사용(S470)하여 병충해 예측 및 판단을 수행할 수 있다(S480).
이하에서는 본 발명의 실시예에 따른 스마트 팜의 빅 데이터를 이용한 농업 지원 방법에 대하여 설명하도록 한다.
도 5는 본 발명의 일 실시예에 따른 스마트 팜의 빅 데이터를 이용한 농업 지원 과정을 보여주는 동작 흐름도를 나타낸다.
도 5를 참조하면, 관리 서버의 인터페이스부는 대상 작물의 생육 정보, 환경 정보, 재배 시설 정보, 영농 정보 및 경영 정보 중 적어도 하나를 포함하는 스마트 팜 데이터를 수집할 수 있다(S500). 이때, 스마트 팜 데이터는 정형 데이터로 이루어지거나 이미지 등과 같은 비정형 데이터로 이루어질 수 있으며, 스마트 팜 디바이스, 단말 장치 또는 농업 기관 서버 등으로부터 수신되어 수집될 수 있다.
이때, 인터페이스부는 OpenAPI 또는 SDK(Software Development Kit) 방식으로 스마트 팜 데이터를 외부로부터 수신하거나 외부로 전송할 수 있다. 예를 들어, 농업진흥청 등과 같은 기관이나 단체에서 제공하는 데이터 세트를 수집하여 인공지능 학습이나 예측을 위한 데이터로 사용할 수 있으며, 이와 같이 수집, 분석, 학습된 인공지능 모델을 이용하여 외부의 의사 결정 지원을 위한 제공된 방식 또는 원 데이터 형태의 데이터 세트를 외부에 제공할 수 있다. OpenAPI는 유/무선 기반의 통신으로 제공될 수 있으며, SDK는 설비 S/W 운영개발의 경우에 모듈 형태로 탑재되어 재배 시설의 운영을 지원해 줄 수 있다. 예컨대, 병충해 관리, 농업 정보, 각종 관리 정보 또는 제어 정보 등을 제공하여 농사에 대한 지식이 적은 농업인이나 귀농인, 농사 지식은 있지만 ICT가 익숙하지 않은 고령 농업인, ICT 역량 및 데이터를 이해하고 분석할 수 있는 능력이 부족한 초보 농업인 등에게 도움을 줄 수 있다.
여기서, 스마트 팜 디바이스는 재배 현장의 온도, 습도, 광량, 이산화탄소 또는 토양 상태(배지의 PH, EC, 온도, 습도, 배지 무게) 등을 실시간으로 측정하거나, 재배 시설의 상태를 감지할 수 있는 센서, 재배 현장이나 재배 시설 등을 촬영하는 촬영 장치 등으로 이루어질 수 있다. 그리고 스마트 팜 디바이스는 대상 작물의 재배에 필요한 물질, 예를 들어 양액, 물, 기능성 유용 물질 등의 투하량을 센싱하고 제어할 수 있는 센서 등을 더 포함할 수 있다.
그리고 스마트 팜 데이터에는 센서 또는 촬영 장치에서 측정된 정보, 센서 또는 촬영 장치를 식별하기 위한 정보, 센서 또는 촬영 장치의 상태를 나타내는 정보, 센서 또는 촬영 장치의 위치를 나타내는 정보, 센서의 측정 시간 또는 촬영 장치의 촬영 시간 등이 기록된 정보 등이 더 포함될 수 있다.
촬영 장치는 재배 현장 내에 설치된 카메라 등이 될 수 있으며, 카메라가 없을 경우 드론 등과 같은 이동식 촬영 장치로 이루어질 수 있다. 드론 등과 같은 이동식 촬영 장치로 스마트 팜 데이터를 수집할 경우, 수집 이력 관리를 위한 기본적인 정보를 추가적으로 생성할 수 있다. 추가적인 정보로는 현재 촬영 장치를 이용하는 장소에 대한 각각의 위치 정보, 관리를 위한 고유 번호, 사용자의 요구에 의해 부가적으로 관리가 필요하다고 판단되는 정보들이 될 수 있다. 촬영 장소의 예는 스마트 팜 농장이나 식물 공장 등 다양한 장소가 될 수 있으며, 이동식 촬영 장치의 위치 정보는 LBS(location based service) 등과 같은 알고리즘을 이용하여 획득될 수 있다.
다음으로, 관리 서버의 통합 제어부는 수집된 스마트 팜 데이터와 미리 제공된 데이터를 분석하여 인공지능 모델을 생성할 수 있다(S510).
통합 제어부는 인공지능 기능이 구현되어 있어 수집된 스마트 팜 데이터와 데이터베이스에 저장되어 있는 빅 데이터에 대한 분석 및 처리를 수행함으로써 인공지능 모델을 생성할 수 있다. 여기서, 인공지능은 인간의 지능으로 할 수 있는 사고, 학습 또는 자기 개발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로서, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것이다. 인공지능은 인간의 학습, 추론, 지각, 언어능력 등을 컴퓨터 프로그램으로 실현한 기술로 기계 학습 또는 딥 러닝(Deep Running) 알고리즘 등을 포함할 수 있는데, 기계 학습은 특정 작업 처리를 코딩 과정 없이 컴퓨터가 스스로 학습할 수 있도록 방법을 가르치는 분야로, 논리나 정형화된 규칙 등의 데이터를 통해 학습하는 수학적 알고리즘 또는 확률적 모델로 비슷한 데이터 세트를 바탕으로 가정 또는 예측하는 방법이다.
기계 학습은 크게 지도 학습, 비지도 학습, 준 지도 학습 또는 강화 학습 등으로 구분하며, 지도 학습은 훈련 데이터에 레이블이라는 원하는 답이 데이터 세트에 포함되고, 이를 사용하여 학습 모델을 만든다. 비지도 학습은 정답 데이터를 갖지 않는 데이터 세트로 학습 모델을 만들고 이를 적용하여 예측 결과를 얻을 수 있다. 준 지도 학습은 레이블이 일부만 있는 데이터 세트를 사용하여 학습할 수 있다. 강화 학습은 행동을 실행하면 그 결과의 나오는 보상이나 벌점을 얻는 과정으로 학습할 수 있다.
딥 러닝은 머신 러닝의 한 분야로, 기계 학습과 비슷하지만 인간의 뇌를 참고하여 만든 뉴런의 구조에 의해 인공 신경망이라는 구조를 만들어 사용하여 학습하는 신경망으로 새로운 데이터 세트를 예측하거나 분류하는 기술을 말한다.
이와 같이, 스마트 팜 디바이스, 단말 장치 또는 농업 기관 서버 등에서 제공되는 거의 모든 데이터를 수집하여 인공지능 학습의 정확도를 높이고 나아가서는 농업 및 작물 재배 관련자들에게 효과적인 의사 결정 지원 플랫폼을 제공할 수 있도록 한다.
그리고 스마트 팜의 관리 요청 정보가 수신되는지 판단(S520)하여 스마트 팜의 관리 요청 정보가 수신되는 경우(S520-Y), 관리 서버의 관리 지원부는 수신된 스마트 팜의 관리 요청 정보를 생성된 인공지능 모델에 따라 분석하여 스마트 팜의 의사 결정 정보를 생성할 수 있다(S530).
보다 자세하게는, 관리 지원부는 스마트 팜 디바이스 또는 단말 장치로부터 스마트 팜의 관리 요청 정보가 수신되면, 수신된 스마트 팜의 관리 요청 정보를 통합 제어부에서 생성된 학습된 인공지능 모델에 따라 분석하여 스마트 팜의 의사 결정 정보를 생성할 수 있다. 그리고 관리 지원부는 생성된 스마트 팜의 의사 결정 정보를 인터페이스부를 통해 스마트 팜 디바이스 또는 단말 장치에 전송하여 대상 작물의 재배하거나 관리하는 사용자, 병충해 정보를 획득하기 위한 사용자, 병충해에 대한 조치 방법을 활용하거나 컨설팅 형태로 지원받기 위한 사용자 등이 확인할 수 있도록 한다.
관리 지원부는 실시간으로 업데이트 하여 최신 상태로 유지 가능한 인공지능 모델이 구현되어 있어 인터페이스부를 통해 스마트 팜의 관리 요청 정보가 수신되면, 스마트 팜의 관리 요청 정보에 포함되어 있는 사진이나 동영상을 인공지능 모델로 분석하여 대상 작물의 병충해 여부를 판단할 수 있다.
관리 지원부는 재배 시설의 고장 여부 또는 교체 시기, 재배 시설 내에 있는 스마트 팜 디바이스의 고장 여부 또는 교체시기를 판단하고, 고장 여부를 알리거나 조치할 수 있는 매뉴얼에 대한 스마트 팜의 의사 결정 정보를 생성할 수 있다. 예컨대, 관리 지원부(350)는 대상 작물이 병충해로 판단되거나, 재배 시설 또는 스마트 팜 디바이스(100)가 고장으로 판단되는 경우, 병충해의 발생과 고장을 알리는 메시지, 진동 또는 소리 형태 등의 경고 정보를 단말 장치(200)에 전송함으로써 단말 장치(200)의 사용자가 병충해나 고장에 대하여 신속하게 조치할 수 있도록 한다.
이와 같이, 관리 지원부는 현재 지역의 토양 정보, 환경 정보 등의 데이터에 기반한 작물 추천 모델, 작물별 생육 정보를 지원하기 위한 생육 정보를 지원하는 스마트 팜의 의사 결정 정보를 생성할 수 있는데, 병충해의 판단은 기존의 공개된 데이터로 학습시킨 신경망(CNN 계열) 모델로 판단이 가능하며, 병충해의 예측은 운영 중 데이터가 충분히 누적되면, 데이터 기반의 트렌드 예측, 통계적인 인공지능 방법 또는 농업진흥청에서 제공되는 예측 모델을 사용하여 예측할 수도 있다. 또한, 스마트 팜 디바이스 또는 재배 시설의 고장에 대한 판단이나 예측은 인공지능 신경망(RNN 계열)의 시계열 데이터의 처리 방법으로 판단 및 예측이 가능하며, 실시간 확보되는 데이터를 기반으로 최신의 모델을 업데이트할 수 있다. 이러한 장치 고장, 병충해 또는 관리 정보 등의 경우는 실제 인공지능으로 학습된 부분도 있으며, 실시간 데이터 기반으로 각 증상에 대한 고장 예측 및 판단이 가능하며, 병충해 판단과 예측, 조치 방법에 대한 매뉴얼을 외부의 데이터 세트 형태로 제공될 수 있다.
이와 같이, 관리 서버는 스마트 팜 디바이스, 단말 장치 또는 농업 기관 서버 등에서 제공되는 수많은 데이터를 수집하여 인공지능 학습의 정확도를 높이고 나아가서는 농업에 대한 효과적인 의사 결정이 가능하도록 지원할 수 있다.
도 6은 단말 장치를 통해 농업 지원 서비스를 이용하는 과정을 보여주는 예시도로서, 도 6을 참조하면, 단말 장치의 사용자가 농업 지원 서비스를 이용하는 일련의 과정을 나타낸다.
사용자의 단말 장치에 농업 지원 서비스 어플리케이션이나 프로그램이 설치되고, 농업 지원 서비스 어플리케이션이나 프로그램이 실행(S600)되면, 사용자의 인증 여부를 판단할 수 있다(S610). 이때, 인증이 완료되면(S610-Y), 회원 가입 절차를 수행할 수 있다(S620).
그리고 대상 작물의 병충해 피해를 확인할 수 있도록 대상 작물의 사진이나 동영상 등을 업로드하여 스마트 팜의 관리를 요청하기 위한 정보를 관리 서버로 전송할 수 있다(S630). 그러면 관리 서버에서는 인공지능 모델을 이용하여 병충해 정보를 검출 및 확인하는 과정과 이에 대한 조치 방법에 대한 매뉴얼 정보인 스마트 팜의 의사 결정 정보를 문서, 음성, 동영상 등의 형태로 제공받을 수 있다(S640).
만약, 스마트 팜의 의사 결정 정보가 부족할 경우, 농업 지원 서비스를 제공하는 담당자가 추가적으로 지원하는 방식으로 이루어질 수 있다.
본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
1: 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템
100: 스마트 팜 디바이스
200: 단말 장치
300: 관리 서버
310: 인터페이스부
330: 통합 제어부
350: 관리 지원부
400: 데이터베이스
100: 스마트 팜 디바이스
200: 단말 장치
300: 관리 서버
310: 인터페이스부
330: 통합 제어부
350: 관리 지원부
400: 데이터베이스
Claims (12)
- 대상 작물의 생육 정보, 환경 정보, 재배 시설 정보, 영농 정보 및 경영 정보 중 적어도 하나를 포함하는 스마트 팜 데이터를 수집하는 인터페이스부;
상기 수집된 스마트 팜 데이터와 미리 제공된 데이터를 분석하여 인공지능 모델을 생성하는 통합 제어부; 및
스마트 팜의 관리 요청 정보가 수신되면, 상기 수신된 스마트 팜의 관리 요청 정보를 상기 생성된 인공지능 모델에 따라 분석하여 스마트 팜의 의사 결정 정보를 생성하는 관리 지원부를 포함하는 관리 서버;
를 포함하는 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템.
- 제 1 항에서,
상기 관리 지원부는,
대상 작물의 병충해 여부, 병충해의 조치를 위한 매뉴얼 정보, 대상 작물별 생육 상태에 따른 재배 관리 정보 및 재배 시설의 고장 및 교체 정보 중 적어도 하나를 포함하는 상기 스마트 팜의 의사 결정 정보를 생성하여 단말 장치로 전송하는 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템.
- 제 1 항에서,
상기 스마트 팜의 관리 요청 정보는,
사용자의 요청에 따라 단말 장치를 통해 수신되거나, 스마트 팜 디바이스로부터 미리 정해진 주기마다 수신되는 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템.
- 제 3 항에서,
상기 스마트 팜 디바이스는,
대상 작물의 생육, 재배 현장의 환경과 재배 시설의 상태 중 적어도 하나를 측정하는 센서 및 상기 대상 작물의 생육, 재배 현장과 재배 시설 중 적어도 하나를 촬영하는 촬영 장치를 포함하는 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템.
- 제 4 항에서,
상기 관리 지원부는,
상기 대상 작물이 병충해로 판단되는 경우, 상기 재배 시설 또는 상기 스마트 팜 디바이스가 고장으로 판단되는 경우, 병충해의 발생과 고장을 알리는 경고 정보를 생성하여 상기 단말 장치로 전송하는 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템.
- 제 1 항에서,
상기 인공지능 모델은,
상기 미리 제공된 데이터를 보완하기 위해 제작된 페이크 데이터를 이용하여 생성되는 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템.
- 스마트 팜 디바이스 및 단말 장치와의 통신을 통해 농업 지원 서비스를 지원하는 관리 서버가 수행하는 스마트 팜의 빅 데이터를 이용한 농업 지원 방법에 있어서,
대상 작물의 생육 정보, 환경 정보, 재배 시설 정보, 영농 정보 및 경영 정보 중 적어도 하나를 포함하는 스마트 팜 데이터를 수집하는 단계;
상기 수집된 스마트 팜 데이터와 미리 제공된 데이터를 분석하여 인공지능 모델을 생성하는 단계; 및
스마트 팜의 관리 요청 정보가 수신되면, 상기 수신된 스마트 팜의 관리 요청 정보를 상기 생성된 인공지능 모델에 따라 분석하여 스마트 팜의 의사 결정 정보를 생성하는 단계;
를 포함하는 스마트 팜의 빅 데이터를 이용한 농업 지원 방법.
- 제 7 항에서,
상기 스마트 팜의 의사 결정 정보는,
대상 작물의 병충해 여부, 병충해의 조치를 위한 매뉴얼 정보, 대상 작물별 생육 상태에 따른 재배 관리 정보 및 재배 시설의 고장 및 교체 정보 중 적어도 하나를 포함하는 스마트 팜의 빅 데이터를 이용한 농업 지원 방법.
- 제 7 항에서,
상기 스마트 팜의 관리 요청 정보는,
사용자의 요청에 따라 단말 장치를 통해 수신되거나, 스마트 팜 디바이스로부터 미리 정해진 주기마다 수신되는 스마트 팜의 빅 데이터를 이용한 농업 지원 방법.
- 제 9 항에서,
상기 스마트 팜 디바이스는,
대상 작물의 생육, 재배 현장의 환경과 재배 시설의 상태 중 적어도 하나를 측정하는 센서 및 상기 대상 작물의 생육, 재배 현장과 재배 시설 중 적어도 하나를 촬영하는 촬영 장치를 포함하는 스마트 팜의 빅 데이터를 이용한 농업 지원 방법.
- 제 10 항에서,
상기 스마트 팜의 의사 결정 정보는,
상기 대상 작물이 병충해로 판단되는 경우와, 상기 재배 시설 또는 상기 스마트 팜 디바이스가 고장으로 판단되는 경우, 병충해의 발생과 고장을 알리는 경고 정보가 포함되는 스마트 팜의 빅 데이터를 이용한 농업 지원 방법.
- 제 7 항에서,
상기 인공지능 모델은,
상기 미리 제공된 데이터를 보완하기 위해 제작된 페이크 데이터를 이용하여 생성되는 스마트 팜의 빅 데이터를 이용한 농업 지원 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200158461A KR20220071405A (ko) | 2020-11-24 | 2020-11-24 | 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200158461A KR20220071405A (ko) | 2020-11-24 | 2020-11-24 | 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220071405A true KR20220071405A (ko) | 2022-05-31 |
Family
ID=81780231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200158461A KR20220071405A (ko) | 2020-11-24 | 2020-11-24 | 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220071405A (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115004994A (zh) * | 2022-06-16 | 2022-09-06 | 广西鸣鸣水果有限公司 | 一种基于数字地图的果树病虫害防控*** |
| KR102540853B1 (ko) * | 2022-11-11 | 2023-06-07 | 제레스팜 주식회사 | 다수의 스마트팜 인공지능형 통합관리 시스템 |
| CN116976671A (zh) * | 2023-08-01 | 2023-10-31 | 哈尔滨市大地勘察测绘有限公司 | 一种无人农场综合信息化管理方法及*** |
| CN116993302A (zh) * | 2023-09-26 | 2023-11-03 | 济南天楚科技有限公司 | 基于大数据的农业信息智能管理方法及*** |
| WO2023243914A1 (ko) | 2022-06-13 | 2023-12-21 | 주식회사 엘지화학 | 다층 소재의 강도 예측 시스템 및 방법 |
| WO2024106722A1 (ko) * | 2022-11-15 | 2024-05-23 | 순천대학교 산학협력단 | Gan을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120028191A (ko) | 2009-12-31 | 2012-03-22 | 농업회사법인 아이팜 주식회사 | 유비쿼터스 인삼 재배 공장 환경조절 시스템 |
| KR101871468B1 (ko) | 2017-08-02 | 2018-06-26 | 조진한 | 블록체인 기반의 농수축산물 통합 이력관리 시스템 |
-
2020
- 2020-11-24 KR KR1020200158461A patent/KR20220071405A/ko not_active Application Discontinuation
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120028191A (ko) | 2009-12-31 | 2012-03-22 | 농업회사법인 아이팜 주식회사 | 유비쿼터스 인삼 재배 공장 환경조절 시스템 |
| KR101871468B1 (ko) | 2017-08-02 | 2018-06-26 | 조진한 | 블록체인 기반의 농수축산물 통합 이력관리 시스템 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023243914A1 (ko) | 2022-06-13 | 2023-12-21 | 주식회사 엘지화학 | 다층 소재의 강도 예측 시스템 및 방법 |
| CN115004994A (zh) * | 2022-06-16 | 2022-09-06 | 广西鸣鸣水果有限公司 | 一种基于数字地图的果树病虫害防控*** |
| CN115004994B (zh) * | 2022-06-16 | 2023-12-08 | 广西鸣鸣水果有限公司 | 一种基于数字地图的果树病虫害防控*** |
| KR102540853B1 (ko) * | 2022-11-11 | 2023-06-07 | 제레스팜 주식회사 | 다수의 스마트팜 인공지능형 통합관리 시스템 |
| WO2024106722A1 (ko) * | 2022-11-15 | 2024-05-23 | 순천대학교 산학협력단 | Gan을 이용한 작물 이미지 생성 및 작물 병해충 분류 모델 학습 시스템 |
| CN116976671A (zh) * | 2023-08-01 | 2023-10-31 | 哈尔滨市大地勘察测绘有限公司 | 一种无人农场综合信息化管理方法及*** |
| CN116976671B (zh) * | 2023-08-01 | 2024-04-16 | 哈尔滨市大地勘察测绘有限公司 | 一种无人农场综合信息化管理方法及*** |
| CN116993302A (zh) * | 2023-09-26 | 2023-11-03 | 济南天楚科技有限公司 | 基于大数据的农业信息智能管理方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20220071405A (ko) | 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법 | |
| Gsangaya et al. | Portable, wireless, and effective internet of things-based sensors for precision agriculture | |
| WO2018101848A1 (en) | Predictive dynamic cloud based system for environmental sensing and actuation and respective method of operation | |
| CN107219759B (zh) | 一种温室环境控制方法及装置 | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| EP3917315A1 (en) | Systems and methods for measuring beehive strength | |
| CN111476149A (zh) | 一种植物培育控制方法和*** | |
| CN113273449A (zh) | 用于日光温室精准监测的数字孪生体构造方法 | |
| CN112465109A (zh) | 一种基于云边协同的农业大棚控制装置 | |
| WO2021237333A1 (en) | Real-time projections and estimated distributions of agricultural pests, diseases, and biocontrol agents | |
| CN113191914A (zh) | 用于日光温室精准监测的数字孪生体构造*** | |
| CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
| KR20190136774A (ko) | 작물의 수확시기 예측시스템 및 그 방법 | |
| CN115390504A (zh) | 一种基于5g物联网的智慧农业种植*** | |
| Jain et al. | Ubiquitous sensor based intelligent system for net houses | |
| Singh | Sustainable and Smart Agriculture: A Holistic Approach | |
| Guragain et al. | A low-cost centralized IoT ecosystem for enhancing oyster mushroom cultivation | |
| KR102377963B1 (ko) | 육묘장 관리 시스템 및 방법 | |
| Tiple et al. | Hybrid Approach for Weather Prediction in IoT Network | |
| WO2021039465A1 (ja) | 病害予測システム、病害予測方法及びプログラム | |
| Liu et al. | A system architecture for intelligent agriculture based on edge computing | |
| KR102132324B1 (ko) | 농장 운영정보 제공 시스템 | |
| Dogiwal et al. | An Automated Optimize Utilization of Water and Crop Monitoring in Agriculture Using IoT | |
| FAISAL | A pest monitoring system for agriculture using deep learning | |
| CN116295662B (zh) | 作物生长状态的监测方法、装置、电子设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |