KR102268654B1 - 딥러닝을 이용한 작물 질병 진단 기반 수확량 예측 시스템 및 방법 - Google Patents
딥러닝을 이용한 작물 질병 진단 기반 수확량 예측 시스템 및 방법 Download PDFInfo
- Publication number
- KR102268654B1 KR102268654B1 KR1020200000365A KR20200000365A KR102268654B1 KR 102268654 B1 KR102268654 B1 KR 102268654B1 KR 1020200000365 A KR1020200000365 A KR 1020200000365A KR 20200000365 A KR20200000365 A KR 20200000365A KR 102268654 B1 KR102268654 B1 KR 102268654B1
- Authority
- KR
- South Korea
- Prior art keywords
- crop
- image
- unit
- leaf
- disease
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
러닝을 이용한 작물 질병 기반 수확량 예측 시스템 및 방법이 개시된다. 리프 이미지(leaf image)를 수집하여 이미지 프로세싱을 수행하는 이미지 프로세싱 모듈(image processing module, IPM); 상기 이미지 프로세싱 모듈에서 이미지 프로세싱이 수행된 리프 이미지를 이용하여 작물 질병을 진단하는 작물 질병 진단 모듈(crop disease diagnosis module, CDDM); 상기 작물 질병 진단 모듈에서 진단된 작물 질병을 기반으로 딥러닝(deep learning)을 수행하여 작물 수확량을 예측하는 작물 수확량 예측 모듈(crop yield prediction module, CYPM)을 구성한다. 상술한 딥러닝을 이용한 작물 질병 기반 수확량 예측 시스템 및 방법에 의하면, 작물의 드론 촬영 이미지를 이용하여 작물의 질병 발병 여부를 파악하도록 구성됨으로써, 작물의 질병 진단과 대처를 신속하고 정확하게 수행할 수 있는 효과가 있다. 또한, 딥러닝을 이용하여 작물 별로 더 많은 종류의 질병을 진단할 수 있게 됨으로써, 질병에 대한 진단의 정확도를 높이고 그에 대한 신속하고 정확한 대처를 가능하게 하는 효과가 있다. 그리고 작물의 질병에 기반하여 수확량을 예측할 수 있도록 구성됨으로써, 기존의 센서 데이터에 기반한 수확량 예측보다 더 정확한 예측을 할 수 있는 효과가 있다.
Description
본 발명은 수확량 예측 시스템 및 방법에 관한 것으로서, 구체적으로는 딥러닝(deep learning)을 이용한 작물 질병 기반 수확량 예측 시스템 및 방법에 관한 것이다.
스마트 팜(smart farm)은 작물 재배와 관리를 자동화하고 체계화하여 수확량과 관리의 효율성을 높이는 데 크게 기여하고 있다.
스마트 팜에서는 각종 환경 센서를 이용하여 상시 재배 환경을 모니터링하고 작물을 관리할 수 있다.
하지만, 작물의 다양한 질병을 정확하게 진단하거나 조기에 발견하는 데에는 한계가 있다. 농지가 넓으면 넓을수록 질병 확인이 어렵고 일일이 육안으로 확인하는 것은 사실상 어렵다고 볼 수 있다. 기존 질병 진단 방식의 일례로 보쉬(Bosch)사의 경우 주로 공기 중의 센서만을 이용하여 예측하고 있기 때문에 정확도가 매우 낮다.
또한, 작물 별로 발생 가능한 질병의 종류도 다양하다. 이에, 작물 별로 어떠한 질병이 발생하는지도 신속하고 정확하게 파악하는 것이 어렵다.
작물의 수확량은 다양한 요인에 따라 달라질 수 있지만, 특히 질병에 따라 수확량이 크게 달라질 수 있다. 궁극적으로는 이러한 질병의 종류와 규모 등을 정확하게 파악하여 수확량을 미리 예측할 수 있는 수단이 요구된다.
본 발명의 목적은 딥러닝을 이용한 작물 질병 기반 수확량 예측 시스템 및 방법을 제공하는 데 있다.
상술한 본 발명의 목적에 따른 딥러닝을 이용한 작물 질병 기반 수확량 예측 시스템은, 리프 이미지(leaf image)를 수집하여 이미지 프로세싱을 수행하는 이미지 프로세싱 모듈(image processing module, IPM); 상기 이미지 프로세싱 모듈에서 이미지 프로세싱이 수행된 리프 이미지를 이용하여 작물 질병을 진단하는 작물 질병 진단 모듈(crop disease diagnosis module, CDDM); 상기 작물 질병 진단 모듈에서 진단된 작물 질병을 기반으로 딥러닝(deep learning)을 수행하여 작물 수확량을 예측하는 작물 수확량 예측 모듈(crop yield prediction module, CYPM)을 포함하도록 구성될 수 있다.
여기서, 상기 작물 수확량 예측 모듈은, 농장 환경 데이터를 추가적으로 이용하여 작물 수확량을 예측하도록 구성될 수 있다.
그리고 상기 작물 수확량 예측 모듈은, 날씨 데이터를 추가적으로 이용하여 작물 수확량을 예측하도록 구성될 수 있다.
그리고 상기 작물 수확량 예측 모듈은, 작물별 수확량 통계 데이터에 기반하여 작물 수확량을 예측하도록 구성될 수 있다.
상술한 본 발명의 목적에 따른 딥러닝을 이용한 작물 질병 기반 수확량 예측 시스템은, 인터넷 또는 AI 허브 이미지 네트워크(AI hub image network)에서 리프 이미지(leaf image)를 수집하여 이미지 프로세싱을 수행하는 이미지 프로세싱 모듈(image processing module, IPM); 상기 이미지 프로세싱 모듈에서 이미지 프로세싱이 수행된 리프 이미지를 이용하여 CNN(convolutional neural network) 모델을 생성하고, 생성된 CNN 모델을 이용하여 작물 질병을 진단하는 작물 질병 진단 모듈(crop disease diagnosis module, CDDM); 상기 작물 질병 진단 모듈에서 진단된 작물 질병을 기반으로 ANN(artificial neural network)을 이용하여 단위 면적당 작물 수확량을 예측하는 작물 수확량 예측 모듈(crop yield prediction module, CYPM)을 포함하도록 구성될 수 있다.
여기서, 상기 작물 수확량 예측 모듈은, 농장 환경 데이터를 추가적으로 이용하여 단위 면적당 작물 수확량을 예측하도록 구성될 수 있다.
그리고 상기 작물 수확량 예측 모듈은, 날씨 데이터를 추가적으로 이용하여 단위 면적당 작물 수확량을 예측하도록 구성될 수 있다.
그리고 상기 작물 수확량 예측 모듈은, 작물별 수확량 통계 데이터에 기반하여 단위 면적당 작물 수확량을 예측하도록 구성될 수 있다.
상술한 본 발명의 다른 목적에 따른 딥러닝을 이용한 작물 질병 기반 수확량 예측 방법은, 이미지 프로세싱 모듈(image processing module, IPM)이 리프 이미지(leaf image)를 수집하여 이미지 프로세싱을 수행하는 단계; 작물 질병 진단 모듈(crop disease diagnosis module, CDDM)이 상기 이미지 프로세싱 모듈에서 이미지 프로세싱이 수행된 리프 이미지를 이용하여 작물 질병을 진단하는 단계; 작물 수확량 예측 모듈(crop yield prediction module, CYPM)이 상기 작물 질병 진단 모듈에서 진단된 작물 질병을 기반으로 딥러닝(deep learning)을 수행하여 작물 수확량을 예측하는 단계를 포함하도록 구성될 수 있다.
여기서, 상기 작물 수확량 예측 모듈이 상기 작물 질병 진단 모듈에서 진단된 작물 질병을 기반으로 딥러닝을 수행하여 작물 수확량을 예측하는 단계는, 농장 환경 데이터를 추가적으로 이용하여 작물 수확량을 예측하도록 구성될 수 있다.
그리고 상기 작물 수확량 예측 모듈이 상기 작물 질병 진단 모듈에서 진단된 작물 질병을 기반으로 딥러닝을 수행하여 작물 수확량을 예측하는 단계는, 날씨 데이터를 추가적으로 이용하여 작물 수확량을 예측하도록 구성될 수 있다.
그리고 상기 작물 수확량 예측 모듈이 상기 작물 질병 진단 모듈에서 진단된 작물 질병을 기반으로 딥러닝을 수행하여 작물 수확량을 예측하는 단계는, 작물별 수확량 통계 데이터에 기반하여 작물 수확량을 예측하도록 구성될 수 있다.
상술한 본 발명의 다른 목적에 따른 딥러닝을 이용한 작물 질병 기반 수확량 예측 방법은, 이미지 프로세싱 모듈(image processing module, IPM)이 인터넷 또는 AI 허브 이미지 네트워크(AI hub image network)에서 리프 이미지(leaf image)를 수집하는 단계; 상기 이미지 프로세싱 모듈이 상기 수집된 리프 이미지에 대해 이미지 프로세싱을 수행하는 단계; 작물 질병 진단 모듈(crop disease diagnosis module, CDDM)이 상기 이미지 프로세싱이 수행된 리프 이미지를 이용하여 CNN(convolutional neural network) 모델을 생성하는 단계; 상기 작물 질병 진단 모듈이 상기 생성된 CNN 모델을 이용하여 작물 질병을 진단하는 단계; 작물 수확량 예측 모듈(crop yield prediction module, CYPM)이 상기 작물 질병 진단 모듈에서 진단된 작물 질병을 기반으로 ANN(artificial neural network)을 이용하여 단위 면적당 작물 수확량을 예측하는 단계를 포함하도록 구성될 수 있다.
여기서, 상기 작물 수확량 예측 모듈이 상기 작물 질병 진단 모듈에서 진단된 작물 질병을 기반으로 ANN을 이용하여 단위 면적당 작물 수확량을 예측하는 단계는, 농장 환경 데이터를 추가적으로 이용하여 작물 수확량을 예측하도록 구성될 수 있다.
그리고 상기 작물 수확량 예측 모듈이 상기 작물 질병 진단 모듈에서 진단된 작물 질병을 기반으로 ANN을 이용하여 단위 면적당 작물 수확량을 예측하는 단계는, 날씨 데이터를 추가적으로 이용하여 작물 수확량을 예측하도록 구성될 수 있다.
그리고 상기 작물 수확량 예측 모듈이 상기 작물 질병 진단 모듈에서 진단된 작물 질병을 기반으로 ANN을 이용하여 단위 면적당 작물 수확량을 예측하는 단계는, 작물별 수확량 통계 데이터에 기반하여 작물 수확량을 예측하도록 구성될 수 있다.
상술한 딥러닝을 이용한 작물 질병 기반 수확량 예측 시스템 및 방법에 의하면, 작물의 드론 촬영 이미지를 이용하여 작물의 질병 발병 여부를 파악하도록 구성됨으로써, 작물의 질병 진단과 대처를 신속하고 정확하게 수행할 수 있는 효과가 있다.
또한, 딥러닝을 이용하여 작물 별로 더 많은 종류의 질병을 진단할 수 있게 됨으로써, 질병에 대한 진단의 정확도를 높이고 그에 대한 신속하고 정확한 대처를 가능하게 하는 효과가 있다.
그리고 작물의 질병에 기반하여 수확량을 예측할 수 있도록 구성됨으로써, 기존의 센서 데이터에 기반한 수확량 예측보다 더 정확한 예측을 할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝을 이용한 작물 질병 기반 수확량 예측 시스템의 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 이미지 프로세싱 과정의 모식도이다.
도 3은 본 발명의 일 실시예에 따른 컨벌루션 과정 및 서브-샘플링 과정의 모식도이다.
도 4는 본 발명의 일 실시예에 따른 컨벌루션 특징 맵을 신경망 모델로 전환하여 계산하는 과정의 모식도이다.
도 5는 본 발명의 일 실시예에 따른 작물 수확량 예측 모듈의 입출력값을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 작물 수확량 예측을 위한 인공 신경망을 나타내는 예시도이다.
도 7은 본 발명의 일 실시예에 따른 딥러닝을 이용한 작물 질병 기반 수확량 예측 방법의 흐름도이다.
도 8은 본 발명의 다른 실시예에 따른 딥러닝을 이용한 작물 질병 기반 수확량 예측 방법의 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 이미지 프로세싱 과정의 모식도이다.
도 3은 본 발명의 일 실시예에 따른 컨벌루션 과정 및 서브-샘플링 과정의 모식도이다.
도 4는 본 발명의 일 실시예에 따른 컨벌루션 특징 맵을 신경망 모델로 전환하여 계산하는 과정의 모식도이다.
도 5는 본 발명의 일 실시예에 따른 작물 수확량 예측 모듈의 입출력값을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 작물 수확량 예측을 위한 인공 신경망을 나타내는 예시도이다.
도 7은 본 발명의 일 실시예에 따른 딥러닝을 이용한 작물 질병 기반 수확량 예측 방법의 흐름도이다.
도 8은 본 발명의 다른 실시예에 따른 딥러닝을 이용한 작물 질병 기반 수확량 예측 방법의 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 발명을 실시하기 위한 구체적인 내용에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝을 이용한 작물 질병 기반 수확량 예측 시스템의 블록 구성도이다. 도 2는 본 발명의 일 실시예에 따른 이미지 프로세싱 과정의 모식도이고, 도 3은 본 발명의 일 실시예에 따른 컨벌루션 과정 및 서브-샘플링 과정의 모식도이고, 도 4는 본 발명의 일 실시예에 따른 컨벌루션 특징 맵을 신경망 모델로 전환하여 계산하는 과정의 모식도이고, 도 5는 본 발명의 일 실시예에 따른 작물 수확량 예측 모듈의 입출력값을 나타내는 도면이고, 도 6은 본 발명의 일 실시예에 따른 작물 수확량 예측을 위한 인공 신경망을 나타내는 예시도이다.
먼저 도 1을 참조하면, 본 발명의 일 실시예에 따른 딥러닝을 이용한 작물 질병 기반 수확량 예측 시스템(100)은 이미지 프로세싱 모듈(image processing module, IPM)(110), 작물 질병 진단 모듈(crop disease diagnosis module, CDDM)(120), 작물 수확량 예측 모듈(crop yield prediction module, CYPM)(130)을 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
이미지 프로세싱 모듈(110)은 도 2의 이미지 프로세싱 과정에 따라 리프 이미지(leaf image)를 수집하거나 별도로 입력받아 이미지 프로세싱을 수행하도록 구성될 수 있다.
이미지 프로세싱 모듈(110)은 이미지 수집/입력부(111), 리프 이미지 정규화부(112), 리프 이미지 분류부(113), 리프 이미지 저장부(114), 3채널 이미지 출력부(115)를 포함하도록 구성될 수 있다. 이하, 세부적인 구성에 대하여 설명한다.
이미지 수집/입력부(111)는 리프 이미지 수집부(111a) 및 리프 이미지 입력부(111b)를 포함하도록 구성될 수 있다.
리프 이미지 수집부(111a)는 AI 허브(hub) 이미지 네트워크를 통해 검색하거나 인터넷 상에서 웹 크롤링(web crawling)을 하여 다양한 리프 이미지를 수집하도록 구성될 수 있다. 이렇게 수집되는 리프 이미지는 CNN(convolutional neural network) 모델을 생성하기 위한 훈련용 이미지로 활용될 수 있다.
리프 이미지 입력부(111b)는 질병 진단이나 수확량 예측을 위해 특정 농장에서 촬영되는 리프 이미지를 별도로 입력받도록 구성될 수 있다. 드론을 작물의 리프(leaf)를 촬영한 드론 촬영 이미지를 입력받도록 구성될 수 있다.
리프 이미지 정규화부(112)는 이미지 수집/입력부(111)에서 수집되거나 입력된 리프 이미지를 정규화하도록 구성될 수 있다. 리프 이미지 수집부(111a)에서는 하나의 잎사귀만 드러난 이미지뿐만 아니라 수많은 잎사귀들이 드러나 있는 이미지까지 매우 다양한 이미지가 수집된다. 질병 진단을 위해서는 하나의 단일 리프 이미지를 이용하여 진단하기 때문에, 하나의 단일 리프 이미지로 전환하여 정규화할 필요가 있다.
리프 이미지 정규화부(112)는 단일 리프 이미지 추출부(112a) 및 리프 이미지 리사이징부(resizing)(112b)를 포함하도록 구성될 수 있다.
단일 리프 이미지 추출부(112a)는 리프 이미지에서 리프 하나의 영역인 단일 리프 이미지를 추출하도록 구성될 수 있다. 구글(Goolge) 사의 비젼 API(vision API)를 이용하여 단일 리프 이미지를 추출할 수 있다. 비젼 API는 단일 리프 영역의 좌측 상단, 우측 상단, 좌측 하단, 우측 하단의 좌표를 각각 리턴(return)하여 준다.
리프 이미지 리사이징부(112b)는 단일 리프 이미지를 128*128 크기로 리사이징하여 정규화하도록 구성될 수 있다. 비젼 API에서 리턴한 좌표를 기준으로 리사이징을 수행하도록 구성될 수 있다.
리프 이미지 분류부(113)는 정규화된 리프 이미지에 대해 질병명이 확실하게 진단된 이미지는 훈련용 이미지(training image)로 분류하고, 질병명이 확실하게 진단되지 않은 이미지는 테스트용 이미지(test image)로 분류하도록 구성될 수 있다.
리프 이미지 저장부(114)는 리프 이미지 분류부(113)에서 분류된 리프 이미지를 저장하도록 구성될 수 있다.
리프 이미지 저장부(114)는 훈련용 리프 이미지 저장부(114a) 및 테스트용 리프 이미지 저장부(114b)를 포함하도록 구성될 수 있다.
훈련용 리프 이미지 저장부(114a)에는 리프 이미지 분류부(113)에서 훈련용 이미지로 분류된 리프 이미지가 저장될 수 있다.
테스트용 리프 이미지 저장부(114b)에는 리프 이미지 분류부(113)에서 테스트용 이미지로 분류된 리프 이미지가 저장될 수 있다.
3채널 이미지 출력부(115)는 리프 이미지 저장부(114)에 저장된 각 리프 이미지에 대해 R, G, B의 3채널 이미지로 변환하여 각각 출력하도록 구성될 수 있다. 즉, 128*12*3의 이미지를 출력할 수 있다.
작물 질병 진단 모듈(120)은 도 3 및 도 4와 같이 이미지 프로세싱 모듈(110)에서 이미지 프로세싱이 수행된 리프 이미지를 이용하여 작물 질병을 진단하도록 구성될 수 있다.
작물 질병 진단 모듈(120)은 3채널 이미지 입력부(121), CNN(convolutional neural network) 모델 생성부(122), CNN 모델 출력부(123)를 포함하도록 구성될 수 있다. 이하, 세부적인 구성에 대하여 설명한다.
3채널 이미지 입력부(121)는 3채널 이미지 출력부(115)에서 출력된 R, G, B의 3채널 이미지를 입력받도록 구성될 수 있다.
CNN 모델 생성부(122)는 각 작물별로 CNN 모델을 생성하도록 구성될 수 있다. 예를 들어, 벼에 대한 CNN 모델, 토마토에 대한 CNN 모델 등이 각각 생성될 수 있다.
CNN 모델 생성부(122)는 컨벌루션 수행부(122a) 및 서브-샘플링 수행부(122b), CNN 모델 변환부(122c)를 포함하도록 구성될 수 있다.
컨벌루션 수행부(122a)는 3채널 이미지에 대하여 각각 3회의 CNN 모델을 생성하도록 구성될 수 있다. 컨벌루션은 3채널 이미지를 스캔하여 이미지의 특징을 추출하고 그 결과물로서 컨벌루셔널 특징 맵(convolutional feature map)을 출력하도록 구성될 수 있다. 이 과정에서 n*n 정방 행렬을 이용하여 이미지를 스캔하고 필터와 필터의 이동 단위인 스트라이드(stride)가 사용될 수 있다. 여기서는 4*4 필터가 사용될 수 있다. 필터의 개수는 첫 연산에서는 20개, 두번째 연산에서는 40개, 3번째 연산에서는 60개가 사용될 수 있다. 3회의 컨벌루션 과정에서 스트라이드는 모두 1을 사용하고 이미지와 필터 사이에 ReLU 함수를 사용하여 컨벌루셔널 특징 맵을 산출할 수 있다.
서브-샘플링 수행부(122b)는 3채널 이미지에 대하여 각각 3회의 서브-샘플링을 수행하도록 구성될 수 있다. 서브-샘플링 수행부(122b)는 컨벌루션 수행부(122a)에서 출력된 컨벌루셔널 특징 맵을 서브-샘플링을 통해 간소화하도록 구성될 수 있다. 여기서, 서브-샘플링 기법 중 하나인 맥스 풀링(mas pooling)이 이용될 수 있다. 맥스 풀링은 일정 크기의 이미지 픽셀들 중 가장 특징이 강한 영역을 추출하여 하나의 픽셀로 만드는 기법이다. 여기서, 가장 특징이 강한 영역이 질병 관련 영역일 수 있다. 서브-샘플링 수행부(122b)는 2*2 맥스 풀링 기법을 사용하여 컨벌루셔널 특징 맵을 간소화하도록 구성될 수 있다.
도 3에는 3회의 컨벌루션과 서브-샘플링을 통해 컨벌루셔널 특징 맵을 산출하는 과정이 나타나 있다. 도 3에서는 최종적인 컨벌루셔널 특징 맵의 크기가 16*16이고 채널이 60개임을 알 수 있다. 이러한 컨벌루션과 서브-샘플링에 의해 질병의 특징을 추출할 수 있다.
CNN 모델 변환부(122c)는 컨벌루션 수행부(122a) 및 서브-샘플링 수행부(122b)에 의해 산출된 컨벌루셔널 특징 맵을 이용하여 도 4와 같이 신경망 모델로 바꾸어 계산하도록 구성될 수 있다.
CNN 모델 변환부(122c)는 도 3의 16*16*60의 컨벌루셔널 특징 맵을 배열로 전환하고, 풀리 커넥티드 신경망을 이용하여 작물의 질병의 수와 같은 크기의 배열을 생성하도록 구성될 수 있다. 도 4는 16*16*60의 컨벌루션널 특징 맵을 배열로 전환하고 n 개의 출력 배열로 연결하는 것을 나탄낸다. 여기서, n은 작물에서 발생할 수 있는 질병의 수에 해당한다.
풀리 커넥티드 신경망의 계산은 기존의 멀티-레이어 신경망(multi-layer neural network) 계산 방식과 동일하며, 풀리 커넥티드 신경망의 활성화 함수로서는 소프트맥스(softmax)를 사용할 수 있다. 소프트맥스의 손실 함수를 이용하여 신경망을 학습시킬 수 있다. 소프트맥스의 결과는 0~1의 값이 될 수 있다.
CNN 모델 출력부(123)는 CNN 모델 생성부(122)에 의한 작물 질병 진단 결과를 출력하도록 구성될 수 있다. CNN 모델 출력부(123)의 출력 노드는 각 작물이 가질 수 있는 질병의 수에 따라 구비될 수 있다. 예를 들어, 토마토가 가질 수 있는 질병이 11가지라면 정상 노드 1개와 질병 노드 11개인 총 12개의 출력 노드가 구비될 수 있다.
CNN 모델 변환부(122c)에 의해 출력되는 소프트맥스의 결과 0~1의 값은 CNN 모델 출력부(123)의 각 출력 노드마다 출력되며, 각 질병에 대한 소프트맥스의 결과가 0~1의 값으로 출력될 수 있다. 각 출력 노드의 소프트맥스의 결과값 중 가장 큰 값을 갖는 출력 노드에 상응하는 질병을 해당 작물의 질병으로 규정할 수 있다.
작물 수확량 예측 모듈(130)은 작물 질병 진단 모듈(120)에서 진단된 작물 질병을 기반으로 딥러닝(deep learning)을 수행하여 작물 수확량을 예측하도록 구성될 수 있다. 아울러 작물 수확량 예측 모듈(130)은 농장 환경 데이터 및 날씨 데이터를 추가적으로 이용하여 작물 수확량을 예측하도록 구성될 수 있다.
작물 수확량 예측 모듈(130)은 작물 질병 데이터 수신/입력부(131), 농장 환경 데이터 수신/입력부(132), 날씨 데이터 수신/입력부(133), 작물별 수확량 통계 데이터 수신/입력부(134), ANN(artificial neural network) 수확량 예측부(135), 수확량 예측 결과 출력부(136), 수확량 예측 결과 송신부(137)를 포함하도록 구성될 수 있다. 이하, 세부적인 구성에 대하여 설명한다.
작물 질병 데이터 수신/입력부(131)는 작물 질병 진단 모듈(120)에서 진단된 작물 질병 데이터를 수신하여 ANN 수확량 예측부(135)로 입력하도록 구성될 수 있다.
농장 환경 데이터 수신/입력부(132)는 농장 서버(20)로부터 농장 환경 데이터를 수신하여 ANN 수확량 예측부(135)로 입력하도록 구성될 수 있다.
날씨 데이터 수신/입력부(133)는 기상 정보 제공 서버(30)로부터 날씨 데이터를 수신하여 ANN 수확량 예측부(135)로 입력하도록 구성될 수 있다. 여기서, 날씨 데이터는 현재 날씨는 물론 재배/수확기의 예상되는 날씨에 대한 정보를 포함할 수 있다.
작물별 수확량 통계 데이터 수신/입력부(134)는 작물 수확 통계 서버(40)로부터 작물별 수확량 통계 데이터를 수신하여 ANN 수확량 예측부(135)로 입력하도록 구성될 수 있다.
ANN 수확량 예측부(135)는 위 구성들로부터 질병명, 작물 이름, 수확까지 남은 시간(일 단위), 해당 지역의 현재 기온, 현재 습도, 강수량(강설량), 일조량, 지면 온도, 현지 기압, 지면의 수분 증발량 등을 입력받아 ANN 수확량 예측에 활용할 수 있다. 현재 기온, 현재 습도, 강수량, 강수량(강설량), 일조량, 지면 온도, 현지 기압, 지면의 수분 증발량 등은 농장 환경 데이터 또는 날씨 데이터 등에서 추출될 수 있다. 수확까지 남은 시간은 농장 서버(20)로부터 수신될 수 있다. 질병명과 작물 이름은 작물 질병 데이터에 포함될 수 있다.
도 5에서는 앞서 언급한 작물 수확량 예측 모듈(130)의 10가지 입력값인 질병명, 작물 이름, 수확까지 남은 시간(일 단위), 해당 지역의 현재 기온, 현재 습도, 강수량(강설량), 일조량, 지면 온도, 현지 기압, 지면의 수분 증발량과 그 출력값을 나타내고 있다.
ANN 수확량 예측부(135)는 도 6의 ANN을 이용하여 수확량을 예측하도록 구성될 수 있다. ANN 수확량 예측부(135)는 작물 질병에 기반하여 수확량을 예측하며, 아울러 날씨나 농장 환경을 고려하여 수확량을 예측하도록 구성될 수 있다.
한편, 일반적으로 수확량은 면적에 따라 달라지므로 농장의 단위 면적을 기준으로 산출될 수 있다. ANN 수확량 예측부(135)는 작물별 수확량 통계 데이터에 기반하여 단위 면적당 수확량을 산출하도록 구성될 수 있다. 여기서, 농장의 작물 이름, 수확까지 남은 시간(일 단위), 농장의 면적, 형태 및 전체 위치 정보 등은 농장 환경 데이터 수신/입력부(132)가 농장 서버(20)로부터 수신하도록 구성될 수 있다.
한편, ANN 수확량 예측부(135)는 드론(10)이 촬영한 리프 이미지마다 그 촬영 시의 위치 정보를 농장 환경 데이터 수신/입력부(132)를 통해 제공받도록 구성될 수 있다. ANN 수확량 예측부(135)는 이를 통해 농장에서 질병이 퍼진 영역의 넓이를 가늠하고, 질병에 따른 수확량 예측에 활용할 수 있다.
수확량 예측 결과 출력부(136)는 ANN 수확량 예측부(135)에서 예측된 수확량 예측 결과를 출력하도록 구성될 수 있다.
수확량 예측 결과 송신부(137)는 수확량 예측 결과 출력부(136)에서 출력된 수확량 예측 결과를 농장 서버(20) 또는 농장주 단말(미도시)로 송신하도록 구성될 수 있다.
도 7은 본 발명의 일 실시예에 따른 딥러닝을 이용한 작물 질병 기반 수확량 예측 방법의 흐름도이다.
도 7을 참조하면, 이미지 프로세싱 모듈(110)이 리프 이미지(leaf image)를 수집하여 이미지 프로세싱을 수행한다(S101).
다음으로, 작물 질병 진단 모듈(120)이 이미지 프로세싱 모듈(110)에서 이미지 프로세싱이 수행된 리프 이미지를 이용하여 작물 질병을 진단한다(S102).
다음으로, 작물 수확량 예측 모듈(130)이 작물 질병 진단 모듈(120)에서 진단된 작물 질병을 기반으로 딥러닝(deep learning)을 이용하여 작물 수확량을 예측한다(S103).
여기서, 작물 수확량 예측 모듈(130)은 농장 환경 데이터 또는 날씨 데이터를 추가적으로 이용하여 작물 수확량을 예측하거나 또는 작물별 수확량 통계 데이터에 기반하여 작물 수확량을 예측하도록 구성될 수 있다.
도 8은 본 발명의 다른 실시예에 따른 딥러닝을 이용한 작물 질병 기반 수확량 예측 방법의 흐름도이다.
도 8을 참조하면, 이미지 프로세싱 모듈(110)이 인터넷 또는 AI 허브 이미지 네트워크(AI hub image network)에서 리프 이미지(leaf image)를 수집한다(S201).
다음으로, 이미지 프로세싱 모듈(110)이 수집된 리프 이미지에 대해 이미지 프로세싱을 수행한다(S202).
다음으로, 작물 질병 진단 모듈(120)이 이미지 프로세싱이 수행된 리프 이미지를 이용하여 CNN(convolutional neural network) 모델을 생성한다(S203).
다음으로, 작물 질병 진단 모듈(120)이 생성된 CNN 모델을 이용하여 작물 질병을 진단한다(S204).
다음으로, 작물 수확량 예측 모듈(130)이 작물 질병 진단 모듈(120)에서 진단된 작물 질병을 기반으로 ANN(artificial neural network)을 이용하여 단위 면적당 작물 수확량을 예측한다(S205).
여기서, 작물 수확량 예측 모듈(130)은 농장 환경 데이터 또는 날씨 데이터를 추가적으로 이용하여 단위 면적당 작물 수확량을 예측하거나 또는 작물별 수확량 통계 데이터에 기반하여 단위 면적당 작물 수확량을 예측하도록 구성될 수 있다.
이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
110: 이미지 프로세싱 모듈
111: 이미지 수집/입력부 111a: 리프 이미지 수집부
111b: 리프 이미지 입력부 112: 리프 이미지 정규화부
112a: 단일 리프 이미지 추출부 112b: 리프 이미지 리사이징부
113: 리프 이미지 분류부 114: 리프 이미지 저장부
114a: 훈련용 리프 이미지 저장부 114b: 테스트용 리프 이미지 저장부
115: 3채널 이미지 출력부
120: 작물 질병 진단 모듈
121: 3채널 이미지 입력부 122: CNN 모델 생성부
122a: 컨벌루션 수행부 122b: 서브-샘플링 수행부
122c: CNN 모델 변환부 123: CNN 모델 출력부
130: 작물 수확량 예측 모듈
131: 작물 질병 데이터 수신/입력부
132: 농장 환경 데이터 수신/입력부
133: 날씨 데이터 수신/입력부
134: 작물별 수확량 통계 데이터 수신/입력부
135: ANN 수확량 예측부 136: 수확량 예측 결과 출력부
137: 수확량 예측 결과 송신부
111: 이미지 수집/입력부 111a: 리프 이미지 수집부
111b: 리프 이미지 입력부 112: 리프 이미지 정규화부
112a: 단일 리프 이미지 추출부 112b: 리프 이미지 리사이징부
113: 리프 이미지 분류부 114: 리프 이미지 저장부
114a: 훈련용 리프 이미지 저장부 114b: 테스트용 리프 이미지 저장부
115: 3채널 이미지 출력부
120: 작물 질병 진단 모듈
121: 3채널 이미지 입력부 122: CNN 모델 생성부
122a: 컨벌루션 수행부 122b: 서브-샘플링 수행부
122c: CNN 모델 변환부 123: CNN 모델 출력부
130: 작물 수확량 예측 모듈
131: 작물 질병 데이터 수신/입력부
132: 농장 환경 데이터 수신/입력부
133: 날씨 데이터 수신/입력부
134: 작물별 수확량 통계 데이터 수신/입력부
135: ANN 수확량 예측부 136: 수확량 예측 결과 출력부
137: 수확량 예측 결과 송신부
Claims (16)
- 인터넷 또는 AI 허브 이미지 네트워크(AI hub image network)에서 리프 이미지(leaf image)를 수집하여 이미지 프로세싱을 수행하는 이미지 프로세싱 모듈(image processing module, IPM);
상기 이미지 프로세싱 모듈에서 이미지 프로세싱이 수행된 리프 이미지를 이용하여 CNN(convolutional neural network) 모델을 생성하고, 생성된 CNN 모델을 이용하여 작물 질병을 진단하는 작물 질병 진단 모듈(crop disease diagnosis module, CDDM);
상기 작물 질병 진단 모듈에서 진단된 작물 질병을 기반으로 ANN(artificial neural network)을 이용하여 단위 면적당 작물 수확량을 예측하는 작물 수확량 예측 모듈(crop yield prediction module, CYPM)을 포함하고,
상기 이미지 프로세싱 모듈은,
상기 리프 이미지를 수집하거나 별도로 입력받는 이미지 수집/입력부;
상기 이미지 수집/입력부에서 수집되거나 입력된 복수의 리프 이미지를 하나의 단일 리프 이미지로 전환하여 정규화하는 리프 이미지 정규화부;
상기 리프 이미지 정규화부에서 정규화된 리프 이미지에 대해 질병명이 확실하게 진단된 이미지는 훈련용 이미지(training image)로 분류하고, 질병명이 확실하게 진단되지 않은 이미지는 테스트용 이미지(test image)로 분류하는 리프 이미지 분류부;
상기 리프 이미지 분류부에서 분류된 리프 이미지가 저장되는 리프 이미지 저장부;
상기 리프 이미지 저장부에 저장된 각 리프 이미지에 대해 R, G, B의 3채널 이미지로 변환하여 각각 출력하는 3채널 이미지 출력부를 포함하도록 구성되고,
상기 이미지 수집/입력부는,
AI 허브(hub) 이미지 네트워크를 통해 검색하거나 인터넷 상에서 웹 크롤링(web crawling)을 하여 리프 이미지를 수집하는 리프 이미지 수집부;
질병 진단이나 수확량 예측을 위해 소정의 농장에서 드론을 통해 촬영되는 리프 이미지를 별도로 입력받는 리프 이미지 입력부를 포함하도록 구성되고,
상기 리프 이미지 정규화부는,
상기 복수의 리프 이미지에서 구글(Goolge) 사의 비젼 API(vision API)를 이용하여 단일 리프 영역의 좌측 상단, 우측 상단, 좌측 하단, 우측 하단의 좌표를 각각 리턴하여 하나의 영역인 단일 리프 이미지를 추출하는 단일 리프 이미지 추출부;
상기 비젼 API에서 리턴한 좌표를 기준으로 단일 리프 이미지를 128*128 크기로 리사이징하여 정규화하는 리프 이미지 리사이징부를 포함하도록 구성되고,
상기 리프 이미지 저장부는,
상기 리프 이미지 분류부에서 훈련용 이미지로 분류된 리프 이미지가 저장되는 훈련용 리프 이미지 저장부;
상기 리프 이미지 분류부에서 테스트용 이미지로 분류된 리프 이미지가 저장되는 테스트용 리프 이미지 저장부를 포함하도록 구성되고,
상기 작물 질병 진단 모듈은,
상기 3채널 이미지 출력부에서 출력된 R, G, B의 3채널 이미지를 입력받는 3채널 이미지 입력부;
각 작물별로 CNN 모델을 생성하는 CNN 모델 생성부;
상기 CNN 모델 생성부에 의해 생성된 CNN 모델에 따른 작물 질병 진단 결과를 출력하는 CNN 모델 출력부를 포함하도록 구성되고,
상기 CNN 모델 생성부는,
상기 3채널 이미지에 대하여 각각 3회의 CNN 모델을 생성하는 컨벌루션 수행부
상기 3채널 이미지에 대하여 각각 3회의 서브-샘플링을 수행하는 서브-샘플링 수행부
상기 컨벌루션 수행부 및 상기 서브-샘플링 수행부에 의해 산출된 컨벌루셔널 특징 맵을 이용하여 신경망 모델로 바꾸어 계산하는 CNN 모델 변환부를 포함하도록 구성되고,
상기 작물 수확량 예측 모듈은,
상기 작물 질병 진단 모듈에서 진단된 작물 질병 데이터를 수신하여 입력하는 작물 질병 데이터 수신/입력부;
농장 서버로부터 농장 환경 데이터를 수신하여 입력하는 농장 환경 데이터 수신/입력부;
기상 정보 제공 서버로부터 현재 날씨 및 재배/수확기의 예상 날씨를 포함하는 날씨 데이터를 수신하여 입력하는 날씨 데이터 수신/입력부;
작물 수확 통계 서버로부터 작물별 수확량 통계 데이터를 수신하여 입력하는 작물별 수확량 통계 데이터 수신/입력부;
상기 작물 질병 데이터 수신/입력부로부터 입력되는 작물 질병 데이터, 상기 농장 환경 데이터 수신/입력부로부터 입력되는 농장 환경 데이터, 상기 날씨 데이터 수신/입력부로부터 입력되는 날씨 데이터, 상기 작물별 수확량 통계 데이터 수신/입력부로부터 입력되는 통계 데이터에 기반하여 ANN을 이용하여 농장의 단위 면적당 수확량 및 농장의 면적에 따른 수확량을 산출하는 ANN 수확량 예측부;
상기 ANN 수확량 예측부에서 예측된 수확량 예측 결과를 출력하는 수확량 예측 결과 출력부;
상기 수확량 예측 결과 출력부에서 출력된 수확량 예측 결과를 상기 농장 서버 또는 농장주 단말로 송신하는 수확량 예측 결과 송신부를 포함하도록 구성되고,
상기 컨벌루션 수행부는,
상기 3채널 이미지를 n*n 정방 행렬을 이용하여 이미지를 스캔하여 이미지의 특징을 추출하고 그 결과물로서 컨벌루셔널 특징 맵(convolutional feature map)을 출력하며, 4*4 필터를 이용하여 이미지의 특징을 추출하되 첫 연산에서는 20개, 두번째 연산에서는 40개, 3번째 연산에서는 60개를 사용하여 총 3회의 컨벌루션 과정에서 스트라이드는 모두 1을 사용하고 이미지와 필터 사이에 ReLU 함수를 사용하여 컨벌루셔널 특징 맵을 산출하도록 구성되며,
상기 서브-샘플링 수행부는,
상기 컨벌루션 수행부에서 출력된 컨벌루셔널 특징 맵을 서브-샘플링을 통해 간소화하며, 소정 크기의 이미지 픽셀들 중 가장 특징이 강한 영역을 추출하여 하나의 픽셀로 만드는 2*2 맥스 풀링 기법을 이용하여 컨벌루셔널 특징 맵을 간소화하도록 구성되며,
상기 CNN 모델 변환부는,
16*16*60의 컨벌루셔널 특징 맵을 n 개의 출력 배열로 전환하되, 풀리 커넥티드 신경망을 이용하여 작물의 질병의 수와 같은 크기의 배열을 생성하며, 상기 n은 작물에서 발생할 수 있는 질병의 수로 구성되며,
상기 CNN 모델 출력부는,
각 작물의 정상 노드 1개와 각 작물이 가질 수 있는 질병의 수에 따른 n개의 질병 노드로 구성되는 출력 노드가 구비되며, 각 출력 노드를 통해 각 질병에 대한 0 내지 1의 값을 출력하고, 각 출력 노드의 값 중에서 가장 큰 값을 갖는 질병을 해당 작물의 질병으로 규정하도록 구성되는 것을 특징으로 하는 딥러닝을 이용한 작물 질병 진단 기반 수확량 예측 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200000365A KR102268654B1 (ko) | 2020-01-02 | 2020-01-02 | 딥러닝을 이용한 작물 질병 진단 기반 수확량 예측 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200000365A KR102268654B1 (ko) | 2020-01-02 | 2020-01-02 | 딥러닝을 이용한 작물 질병 진단 기반 수확량 예측 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102268654B1 true KR102268654B1 (ko) | 2021-06-22 |
Family
ID=76600760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200000365A KR102268654B1 (ko) | 2020-01-02 | 2020-01-02 | 딥러닝을 이용한 작물 질병 진단 기반 수확량 예측 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102268654B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230040765A (ko) * | 2021-09-16 | 2023-03-23 | 한국항공우주연구원 | 작물 생산량 예측 방법 및 장치 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150096103A (ko) | 2014-02-14 | 2015-08-24 | 한국전자통신연구원 | 농산물 수확량 예측 장치 및 방법 |
| KR20170071913A (ko) * | 2015-12-16 | 2017-06-26 | 순천대학교 산학협력단 | 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법 및 시스템 |
| KR101811640B1 (ko) * | 2016-08-03 | 2017-12-26 | 한국과학기술연구원 | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 |
| KR101885042B1 (ko) | 2017-12-07 | 2018-08-02 | 이숙천 | ＩｏＴ 기반의 농작물 재배정보 제공시스템 |
-
2020
- 2020-01-02 KR KR1020200000365A patent/KR102268654B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150096103A (ko) | 2014-02-14 | 2015-08-24 | 한국전자통신연구원 | 농산물 수확량 예측 장치 및 방법 |
| KR20170071913A (ko) * | 2015-12-16 | 2017-06-26 | 순천대학교 산학협력단 | 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법 및 시스템 |
| KR101811640B1 (ko) * | 2016-08-03 | 2017-12-26 | 한국과학기술연구원 | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 |
| KR101885042B1 (ko) | 2017-12-07 | 2018-08-02 | 이숙천 | ＩｏＴ 기반의 농작물 재배정보 제공시스템 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230040765A (ko) * | 2021-09-16 | 2023-03-23 | 한국항공우주연구원 | 작물 생산량 예측 방법 및 장치 |
| KR102653356B1 (ko) * | 2021-09-16 | 2024-04-02 | 한국항공우주연구원 | 작물 생산량 예측 방법 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | An effective automatic system deployed in agricultural Internet of Things using Multi-Context Fusion Network towards crop disease recognition in the wild | |
| CN110210434A (zh) | 病虫害识别方法及装置 | |
| CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
| CN115013298B (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
| Hamidisepehr et al. | Comparison of object detection methods for corn damage assessment using deep learning | |
| CN116630700A (zh) | 基于引入通道-空间注意力机制的遥感图像分类方法 | |
| CN114973024B (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
| CN117114913A (zh) | 一种基于大数据的智能化农业数据采集系统 | |
| KR102268654B1 (ko) | 딥러닝을 이용한 작물 질병 진단 기반 수확량 예측 시스템 및 방법 | |
| Chellasamy et al. | A multievidence approach for crop discrimination using multitemporal worldview-2 imagery | |
| Sagarika et al. | Paddy plant disease classification and prediction using convolutional neural network | |
| CN114494909B (zh) | 一种大豆生长季空间分布图的生成方法和系统 | |
| Sehree et al. | Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery | |
| CN115601585A (zh) | 基于图片分析的农业病虫害诊断方法及装置 | |
| Ashraf et al. | A Convolutional Neural Network Model for Wheat Crop Disease Prediction. | |
| Kumawat et al. | Time-Variant Satellite Vegetation Classification Enabled by Hybrid Metaheuristic-Based Adaptive Time-Weighted Dynamic Time Warping | |
| CN117392668A (zh) | 一种麦田小麦赤霉病状态评估方法、系统及电子设备 | |
| Nagila et al. | The effectiveness of machine learning and image processing in detecting plant leaf disease | |
| Abdulla et al. | Design a mobile application to detect tomato plant diseases based on deep learning | |
| CN115965875A (zh) | 一种农作物病虫害智能监控方法及系统 | |
| CN113642676B (zh) | 基于异构气象数据融合的区域电网负荷预测方法和装置 | |
| Ienco et al. | Generalized knowledge distillation for multi-sensor remote sensing classification: an application to land cover mapping | |
| Deepika et al. | Tomato Plant Disease Detection using Deep Learning Based Techniques: A Comparative study | |
| CN118035873B (zh) | 一种并行卷积改进三元组网络的故障诊断方法 | |
| Sivakumar et al. | Deep Convolution Network Analysis for Crop Growth Prediction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |