KR102347535B1 - Apparatus and method for environmental data interpolation of smart farm - Google Patents

Apparatus and method for environmental data interpolation of smart farm Download PDF

Info

Publication number
KR102347535B1
KR102347535B1 KR1020190092032A KR20190092032A KR102347535B1 KR 102347535 B1 KR102347535 B1 KR 102347535B1 KR 1020190092032 A KR1020190092032 A KR 1020190092032A KR 20190092032 A KR20190092032 A KR 20190092032A KR 102347535 B1 KR102347535 B1 KR 102347535B1
Authority
KR
South Korea
Prior art keywords
interpolation
data
model
learning
environmental
Prior art date
Application number
KR1020190092032A
Other languages
Korean (ko)
Other versions
KR20210014027A (en
Inventor
손정익
문태원
김현태
Original Assignee
서울대학교산학협력단
경상국립대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교산학협력단, 경상국립대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020190092032A priority Critical patent/KR102347535B1/en
Publication of KR20210014027A publication Critical patent/KR20210014027A/en
Application granted granted Critical
Publication of KR102347535B1 publication Critical patent/KR102347535B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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

Landscapes

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

Abstract

본 발명은 스마트 팜의 환경 데이터 보간 장치 및 그 방법에 관한 것으로, 스마트 팜의 환경 데이터 보간 장치는 스마트 팜과 네트워크로 연결되어 스마트 팜으로부터 복수의 환경 인자에 대응한 환경 데이터들을 수집하는 수집부, 환경 데이터에서 오류 또는 누락 여부를 확인하면 오류 또는 누락된 환경 데이터의 환경 인자 종류와 오류 또는 누락 기간에 기초하여 대응되는 선형 보간 모델 또는 미리 학습된 신경망 보간 모델 중에서 하나 이상의 보간 모델을 선택하는 제어부, 그리고 선택된 데이터 보간 모델을 이용하여 환경 데이터를 보간하여 저장하는 데이터 보간부를 포함한다. The present invention relates to a smart farm environment data interpolation apparatus and method, wherein the smart farm environment data interpolation apparatus is connected to the smart farm through a network and collects environmental data corresponding to a plurality of environmental factors from the smart farm; A control unit that selects one or more interpolation models from among a linear interpolation model or a pre-trained neural network interpolation model that corresponds to an error or omission period based on an environmental factor type and an error or omission period of the erroneous or missing environmental data when determining whether there is an error or omission in the environmental data; And it includes a data interpolation unit for interpolating and storing the environment data using the selected data interpolation model.

Figure 112019077878416-pat00001
Figure 112019077878416-pat00001

Description

스마트 팜 환경 데이터의 보간 장치 및 그 방법{APPARATUS AND METHOD FOR ENVIRONMENTAL DATA INTERPOLATION OF SMART FARM}Smart farm environment data interpolation device and method

스마트 팜의 환경 데이터 보간 장치 및 그 방법이 제공된다. A smart farm environment data interpolation apparatus and method are provided.

스마트 팜은 사물 인터넷(IoT)등을 통해 수집한 빅데이터를 기반으로 최적의 생육 환경을 자동으로 제어하는 농장을 나타낸다. 스마트 팜에서는 최적화된 생육 환경이 유지되므로, 단위 면적당 생산량이 높아지고, 통제된 시설에서 안정적인 생산이 가능하다. Smart farm refers to a farm that automatically controls the optimal growth environment based on big data collected through the Internet of Things (IoT). In a smart farm, an optimized growth environment is maintained, so the production per unit area is increased, and stable production is possible in a controlled facility.

특히, 스마트 팜은 빅데이터를 기반으로 생육 환경을 제어하기 때문에 손실이나 오류를 최소화한 측정 데이터를 지속적으로 수집하여 빅데이터를 구축해야 한다. In particular, since the smart farm controls the growth environment based on big data, it is necessary to build big data by continuously collecting measurement data that minimizes losses or errors.

하지만, 스마트 팜을 구성하는 환경은 작물의 생육 환경에 가장 적합한 공간에서 조성되기 때문에 전기 센서에 부적합한 환경으로 형성될 가능성이 높다. 그러므로 스마트 팜에 형성되는 센서 또는 제어 장치간의 네트워킹, 센서의 오류 등에 의한 내부적인 영향뿐 아니라 정전 등과 같은 외부적인 영향에 의해 데이터의 손실 가능성이 크다. However, since the environment constituting the smart farm is created in the most suitable space for the growing environment of crops, there is a high possibility that it will be formed as an environment unsuitable for the electric sensor. Therefore, there is a high possibility of data loss due to external influences such as power failure as well as internal influences due to networking between sensors or control devices formed in the smart farm, sensor errors, and the like.

이러한 스마트 팜에서 데이터 손실은 전반적인 데이터 해석에 편향을 추가하여 결과적으로 비효율적인 제어로 조성되는 생육 환경 및 그로 인한 생산량이 저하될 수 있다. In these smart farms, data loss can add bias to the overall data interpretation, resulting in a growing environment created by inefficient controls and consequently lower yields.

따라서, 데이터의 손실의 위험을 최소화하기 위한 다양한 데이터 보간 기술이 연구되어 왔지만, 스마트 팜에서의 데이터의 종류 및 손실 기간 등 다양한 조건에 대응하여 데이터 손실의 위험을 최소화하기 위한 Therefore, various data interpolation techniques have been studied to minimize the risk of data loss, but in order to minimize the risk of data loss in response to various conditions such as the type of data and the loss period in the smart farm

따라서, 데이터를 정확하게 분석하기 위해 데이터 손실의 위험을 최소화하기 위한 데이터 보간 기술이 요구된다. Therefore, in order to accurately analyze data, a data interpolation technique for minimizing the risk of data loss is required.

본 발명의 하나의 실시예는 스마트 팜에서 수집된 데이터 손실 또는 오류에 따른 데이터의 완결성 문제를 해결하기 위한 것이다. One embodiment of the present invention is to solve the problem of data integrity due to data loss or error collected in a smart farm.

상기 과제 이외에도 구체적으로 언급되지 않은 다른 과제를 달성하는 데 사용될 수 있다.In addition to the above tasks, it may be used to achieve other tasks not specifically mentioned.

본 발명의 하나의 실시예에 따른 스마트 팜의 환경 데이터 보간 장치는 스마트 팜과 네트워크로 연결되어 스마트 팜으로부터 복수의 환경 인자에 대응한 환경 데이터들을 수집하는 수집부, 환경 데이터에서 오류 또는 누락 여부를 확인하면 오류 또는 누락된 환경 데이터의 환경 인자 종류와 오류 또는 누락 기간에 기초하여 대응되는 선형 보간 모델 또는 미리 학습된 신경망 보간 모델 중에서 하나 이상의 보간 모델을 선택하는 제어부, 그리고 선택된 데이터 보간 모델을 이용하여 환경 데이터를 보간하여 저장하는 데이터 보간부를 포함한다.A smart farm environmental data interpolation device according to an embodiment of the present invention is connected to the smart farm through a network and collects environmental data corresponding to a plurality of environmental factors from the smart farm. Upon confirmation, the control unit selects one or more interpolation models from the corresponding linear interpolation model or the pre-trained neural network interpolation model based on the type of the environmental factor of the error or missing environmental data and the error or omission period, and using the selected data interpolation model and a data interpolator for interpolating and storing environment data.

미리 저장된 스마트 팜의 환경 데이터를 이용하여 학습 데이터의 보간 조건을 설정하고, 보간 조건에 기초하여 오류 또는 누락된 학습 데이터를 보간하도록 인공 신경망 보간 모델 또는 순환 신경망 보간 모델을 학습하는 보간 모델 학습부를 더 포함할 수 있다. An interpolation model learning unit that learns an artificial neural network interpolation model or a recurrent neural network interpolation model to set the interpolation conditions of the training data using the environment data of the smart farm stored in advance, and to interpolate the erroneous or missing training data based on the interpolation conditions may include

보간 모델 학습부는, 학습 데이터의 종류와 오류 또는 누락된 기간에 기초하여 선형 보간 모델, 인공 신경망 보간 모델 또는 순환 신경망 보간 모델 중에서 하나 이상의 학습 모델을 선택하는 학습 모델 선택부, 관련된 복수 개의 환경 인자에 대응한 환경 데이터를 이용하여 선택된 학습 모델을 통해 학습 데이터의 보간을 수행하는 학습 모델 보간부, 보간된 학습 데이터와 미리 저장된 환경 데이터를 비교하여 정확도를 측정하고, 측정된 정확도에 따라 학습 모델을 평가하는 학습 모델 평가부, 그리고 정확도가 미리 설정된 임계치보다 낮으면 미리 저장된 환경 데이터 값이 도출되도록 학습 모델에 포함된 레이어의 가중치를 재조정하는 학습 모델 제어부를 포함할 수 있다. The interpolation model learning unit, a learning model selection unit that selects one or more learning models from among a linear interpolation model, an artificial neural network interpolation model, or a recurrent neural network interpolation model, based on the type of training data and an error or missing period, a plurality of related environmental factors A learning model interpolator that interpolates learning data through a selected learning model using the corresponding environmental data, compares the interpolated learning data with pre-stored environmental data to measure the accuracy, and evaluates the learning model according to the measured accuracy and a learning model control unit that readjusts the weights of the layers included in the learning model so that a pre-stored environmental data value is derived when the accuracy is lower than a preset threshold.

학습 모델 제어부는, 정확도가 미리 설정된 임계치보다 높으면, 학습 데이터의 종류와 오류 또는 누락된 기간에 대응하여 학습 모델을 보간 모델로 설정할 수 있다. When the accuracy is higher than a preset threshold, the learning model controller may set the learning model as an interpolation model in response to the type of learning data and an error or missing period.

데이터 보간부는, 미리 학습된 신경망 보간 모델을 선택하면, 오류 또는 누락된 환경 데이터와 임계치 이상의 관계도를 가지는 환경 인자의 환경 데이터들을 수집하고 수집된 환경 데이터들을 이용하여 환경 데이터를 보간할 수 있다. When the pre-trained neural network interpolation model is selected, the data interpolation unit may collect environmental data of an environment factor having a relationship of greater than or equal to a threshold value with error or missing environment data, and may interpolate the environment data using the collected environment data.

제어부는, 환경 데이터의 오류 또는 누락된 기간을 단기, 중장기 또는 완전 손실의 단계 중에서 하나의 단계로 구분하고, 단기에는 선형 보간 모델을 선택하고, 중장기에는 인공 신경망 보간 모델을 선택하며, 완전 손실에는 순환 신경망 보간 모델을 선택할 수 있다. The control unit divides the error or omission period of the environmental data into one stage among short-term, mid-long-term, or complete loss stages, selects a linear interpolation model in the short term, selects an artificial neural network interpolation model in the mid-long term, and complete loss A recurrent neural network interpolation model can be selected.

본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치의 보간 방법은 스마트 팜과 네트워크로 연결되어 스마트 팜으로부터 환경 데이터를 수집하는 단계, 환경 데이터의 오류 또는 누락 여부를 분석하고, 분석된 결과에 따라 선형 보간 모델 또는 미리 학습된 신경망 보간 모델 중에서 하나 이상의 보간 모델을 선택하는 단계, 그리고 선택된 보간 모델을 이용하여 오류 또는 누락된 환경 데이터의 보간을 수행하여 저장하는 단계를 포함한다. The interpolation method of the environmental data interpolation apparatus according to an embodiment of the present invention is connected to a smart farm through a network to collect environmental data from the smart farm, analyzes whether the environmental data is error or omission, and according to the analyzed result selecting one or more interpolation models from a linear interpolation model or a pre-trained neural network interpolation model, and performing interpolation of erroneous or missing environmental data using the selected interpolation model and storing the interpolated data.

본 발명의 하나의 실시예에 따르면, 데이터 누락 및 오류의 상황에 따라 가장 적합한 보간 모델을 선택하여 적용함으로써, 데이터 보간의 정확성이 향상되며, 스마트 팜의 빅데이터 활용성을 높일 수 있다. According to one embodiment of the present invention, by selecting and applying the most suitable interpolation model according to the situation of data omission and error, the accuracy of data interpolation is improved and the utility of big data of the smart farm can be increased.

본 발명의 하나의 실시예에 따르면, 스마트 팜의 데이터 보간을 위해 선형 보간 모델, 인공 신경망 보간 모델, 순환 신경망 보간 모델 등을 이용한 복합 모델의 상호 보안적인 역할을 통해 데이터 보간에 대한 신뢰도를 향상시킬 수 있다. According to one embodiment of the present invention, the reliability of data interpolation can be improved through the mutual security role of a complex model using a linear interpolation model, an artificial neural network interpolation model, a recurrent neural network interpolation model, etc. for data interpolation of a smart farm. can

도 1은 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치를 포함하는 네트워크를 도시한 예시도이다.
도 2는 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치를 나타낸 구성도이다.
도 3은 본 발명의 하나의 실시예에 따른 복합 모델 학습부를 나타낸 구성도이다.
도 4는 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치의 데이터 보간 방법을 나타낸 순서도이다.
도 5는 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치의 모델 선택 방법을 나타낸 도면이다.
도 6은 상이한 손실 간격을 가지는 환경 데이터와 본 발명의 하나의 실시예에 따른 데이터 보간을 수행한 값을 비교하기 위한 그래프이다. 1 is an exemplary diagram illustrating a network including an environment data interpolation apparatus according to an embodiment of the present invention.
2 is a block diagram illustrating an environment data interpolation apparatus according to an embodiment of the present invention.
3 is a block diagram illustrating a complex model learning unit according to an embodiment of the present invention.
4 is a flowchart illustrating a data interpolation method of an environment data interpolation apparatus according to an embodiment of the present invention.
5 is a diagram illustrating a model selection method of an environment data interpolation apparatus according to an embodiment of the present invention.
6 is a graph for comparing environmental data having different loss intervals and data interpolation according to an embodiment of the present invention.

첨부한 도면을 참고로 하여 본 발명의 실시예에 대해 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 도면부호가 사용되었다. 또한 널리 알려져 있는 공지기술의 경우 그 구체적인 설명은 생략한다. With reference to the accompanying drawings, the embodiments of the present invention will be described in detail so that those of ordinary skill in the art to which the present invention pertains can easily implement them. The present invention may be embodied in many different forms and is not limited to the embodiments described herein. In order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and the same reference numerals are used for the same or similar components throughout the specification. In addition, in the case of a well-known known technology, a detailed description thereof will be omitted.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. Throughout the specification, when a part "includes" a certain element, it means that other elements may be further included, rather than excluding other elements, unless otherwise stated.

도 1은 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치를 포함하는 네트워크를 도시한 예시도이다. 1 is an exemplary diagram illustrating a network including an environment data interpolation apparatus according to an embodiment of the present invention.

도 1에 도시한 바와 같이, 환경 데이터 보간 장치(200)는 스마트 팜(100) 그리고 사용자 단말(300)과 서로 네트워크로 연결되어 데이터를 송수신한다. As shown in FIG. 1 , the environment data interpolation apparatus 200 is connected to the smart farm 100 and the user terminal 300 through a network to transmit and receive data.

여기서 네트워크는 유선 통신 네트워크, 근거리 또는 원거리 무선 통신 네트워크, 이들이 혼합된 네트워크 등 데이터를 전달하는 모든 형태의 통신 네트워크를 포함할 수 있다. Here, the network may include any type of communication network that transmits data, such as a wired communication network, a short-distance or long-distance wireless communication network, and a mixed network thereof.

스마트 팜(100)은 최적의 생육 환경으로 온실을 제어하기 위해 다양한 센서를 통해 작물의 환경 데이터를 수집하고, 빅데이터를 구축한다. The smart farm 100 collects environmental data of crops through various sensors to control the greenhouse as an optimal growth environment, and builds big data.

예를 들어, 스마트 팜(100)은 산소(O2), 이산화탄소(CO2), 보온 채광커튼, 관수 제어, 토양 정보 센서, 온도, 습도, CCTV, 웹카메라 등 작물의 환경을 측정하기 위한 센서들을 통해 데이터를 측정하며, 이를 데이터베이스에 저장한다. For example, the smart farm 100 uses sensors for measuring the environment of crops such as oxygen (O2), carbon dioxide (CO2), thermal light curtain, irrigation control, soil information sensor, temperature, humidity, CCTV, web camera, etc. Measure the data and store it in the database.

환경 데이터 보간 장치(200)는 스마트 팜(100)에 연결되어 일정 주기 간격으로 다양한 환경 데이터의 오류 또는 누락 여부를 감지한다. 그리고 오류 또는 누락된 환경 데이터가 감지되면, 해당 환경 데이터를 분석하여 가장 적합한 보간 모델을 선택한다. 이때, 환경 데이터 보간 장치(200)는 각 데이터의 종류, 오류 또는 누락된 기간에 대응하여 가장 적합한 보간 모델을 미리 선정하여 저장할 수도 있다. The environmental data interpolation device 200 is connected to the smart farm 100 to detect errors or omissions of various environmental data at regular intervals. And when an error or missing environmental data is detected, the most appropriate interpolation model is selected by analyzing the corresponding environmental data. In this case, the environment data interpolation apparatus 200 may select and store the most suitable interpolation model in advance in response to each data type, error, or missing period.

이처럼 환경 데이터 보간 장치(200)는 오류 또는 누락된 환경 데이터에 대해 보간 모델을 통해 보간 작업을 진행하며, 보간된 환경 데이터를 저장할 수 있다. As such, the environment data interpolation apparatus 200 may perform an interpolation operation on the error or missing environment data through an interpolation model, and store the interpolated environment data.

이때, 보간 모델은 선형 보간 모델, 인공 신경망 보간 모델, 순환 신경망 보간 모델 등 다양한 보간 모델을 포함하지만, 이에 한정되는 것은 아니다. In this case, the interpolation model includes, but is not limited to, various interpolation models such as a linear interpolation model, an artificial neural network interpolation model, and a recurrent neural network interpolation model.

한편, 환경 데이터 보간 장치(200)는 미리 저장된 환경 데이터를 학습 데이터로 이용하여 보간 모델을 반복 학습시킬 수 있다. 상세하게, 환경 데이터 보간 장치(200)는 학습 데이터의 센서 위치, 종류, 작물의 특징, 작물의 성장 정도, 작물의 종류, 오류 또는 누락된 기간 정도 등과 같이 다양한 보간 기준을 설정하고, 보간 기준에 대응하여 다양한 보간 모델을 반복 학습시킬 수 있다. Meanwhile, the environment data interpolation apparatus 200 may repeatedly learn the interpolation model by using pre-stored environment data as training data. In detail, the environmental data interpolation apparatus 200 sets various interpolation criteria such as sensor location, type, crop characteristics, crop growth degree, crop type, error or omission period, etc. of the learning data, and uses the interpolation criteria In response, various interpolation models can be repeatedly trained.

또한, 환경 데이터 보간 장치(200)는 미리 설정된 기간마다 학습된 보간 모델을 재 학습하여 각각 보간 모델에 포함되는 레이어들의 가중치를 재조정할 수 있다. Also, the environment data interpolation apparatus 200 may re-learn the learned interpolation model every preset period to readjust weights of layers included in each interpolation model.

한편, 도 1에서는 스마트 팜(100)과 환경 데이터 보간 장치(200)를 별도로 도시하였지만, 추후 관리자에 의해 스마트 팜(100)에 환경 데이터 보간 장치(200)가 포함되도록 구성될 수 있다. Meanwhile, although the smart farm 100 and the environment data interpolation apparatus 200 are separately illustrated in FIG. 1 , the environment data interpolation apparatus 200 may be configured to be included in the smart farm 100 by an administrator later.

사용자 단말(300)은 스마트 팜(100) 또는 환경 데이터 보간 장치(200)와 연동되는 관리자의 단말을 나타낸다. The user terminal 300 represents a terminal of an administrator interworking with the smart farm 100 or the environment data interpolation apparatus 200 .

그리고 사용자 단말(300)은 스마트 팜(100)에 위치하는 센서 또는 각 장치들의 측정 값을 확인할 수도 있고, 환경 데이터 보간 장치(200)의 보간 내역을 확인할 수 있다. 이때, 사용자 단말(300)은 해당 환경 데이터의 오류 또는 누락된 기간, 보간된 환경 데이터 등을 확인할 수 있으며, 사용자로부터 해당 정보 제공에 대한 피드백을 수신할 수 있다. In addition, the user terminal 300 may check the measurement values of sensors or devices located in the smart farm 100 , and may check the interpolation details of the environment data interpolation device 200 . In this case, the user terminal 300 may check an error or omission period of the corresponding environment data, interpolated environment data, and the like, and may receive feedback for providing the corresponding information from the user.

사용자 단말(300)은 예를 들어, 퍼스널 컴퓨터(personal computer), 핸드헬드 컴퓨터(handheld computer), PDA(personal digital assistant), 휴대폰, 스마트 기기, 태블릿(tablet) 등이 있다. The user terminal 300 includes, for example, a personal computer, a handheld computer, a personal digital assistant (PDA), a mobile phone, a smart device, a tablet, and the like.

도 2는 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치를 나타낸 구성도이고, 도 3은 본 발명의 하나의 실시예에 따른 보간 모델 학습부를 나타낸 구성도이다. 2 is a block diagram illustrating an environment data interpolation apparatus according to an embodiment of the present invention, and FIG. 3 is a block diagram illustrating an interpolation model learning unit according to an embodiment of the present invention.

도 2에 도시한 바와 같이 환경 데이터 보간 장치(200)는 수집부(210), 제어부(220), 데이터 보간부(230) 그리고 보간 모델 학습부(240)를 포함한다. As shown in FIG. 2 , the environment data interpolation apparatus 200 includes a collection unit 210 , a control unit 220 , a data interpolation unit 230 , and an interpolation model learning unit 240 .

먼저, 수집부(210)는 스마트 팜과 네트워크로 연결되어 스마트 팜으로부터 환경 데이터를 수집한다. 이때, 수집부(210)는 스마트 팜의 내부 또는 외부에 위치하는 센서로부터 직접 연결하거나 스마트 팜의 데이터베이스와 연결되어 환경 데이터들을 수집할 수 있다. First, the collection unit 210 is connected to the smart farm through a network to collect environmental data from the smart farm. In this case, the collection unit 210 may collect environmental data by direct connection from a sensor located inside or outside the smart farm or connected to a database of the smart farm.

여기서, 환경 데이터는 스마트 팜의 센서로부터 측정된 값 이외에도 센서의 종류, 위치, 측정된 시간 정보 등을 포함할 수 있으며 이에 한정되는 것은 아니다. Here, the environmental data may include, but is not limited to, the type, location, and time information of the sensor in addition to the value measured by the sensor of the smart farm.

제어부(220)는 수집된 환경 데이터에서 오류 또는 누락 여부를 확인한다. 그리고 제어부(220)는 오류 또는 누락 여부가 확인되면, 오류 또는 누락된 환경 데이터의 종류와 기간에 기초하여 보간 모델을 선택한다. The control unit 220 checks whether there is an error or omission in the collected environment data. Then, when an error or omission is confirmed, the controller 220 selects an interpolation model based on the type and period of the error or omission of environmental data.

그리고 제어부(220)는 오류 또는 누락된 환경 데이터에 종류와 기간에 따라 관련도가 높은 복수 개의 환경 인자를 수집할 수 있다. In addition, the control unit 220 may collect a plurality of environmental factors having a high degree of relevance to the error or missing environment data according to the type and period.

여기서, 환경 인자는 스마트 팜으로부터 수집한 환경 데이터의 종류에 대응되는 의미로, 종류가 다른 환경 데이터를 나타낸다. 예를 들어, 오류 또는 누락된 환경 데이터가 대기압이면, 제어부(220)는 대기압의 환경 데이터와 관련도가 높은 시간, 대기 온도, 상대 습도(RH)에 대한 환경 데이터를 더 선택할 수 있다. Here, the environmental factor has a meaning corresponding to the type of environmental data collected from the smart farm, and indicates different types of environmental data. For example, if the error or missing environmental data is atmospheric pressure, the controller 220 may further select environmental data for time, atmospheric temperature, and relative humidity (RH) that are highly related to the environmental data of atmospheric pressure.

이때, 보간 모델은 선형 보간 모델, 학습된 인공 신경망 보간 모델 그리고 학습된 순환 신경망 보간 모델 등을 포함하며, 제어부(220)는 오류 또는 누락된 환경 데이터의 특징에 따라 하나 이상의 보간 모델을 선택할 수 있다. In this case, the interpolation model includes a linear interpolation model, a trained artificial neural network interpolation model, and a learned recurrent neural network interpolation model, and the controller 220 may select one or more interpolation models according to the characteristics of the error or missing environmental data. .

그리고 데이터 보간부(230)는 선택된 보간 모델을 이용하여 오류 또는 누락된 환경 데이터에 대한 보간을 수행한다. In addition, the data interpolation unit 230 interpolates the erroneous or missing environment data using the selected interpolation model.

이때, 데이터 보간부(230)는 하나 이상의 보간 모델이 선택되면, 각각의 보간 모델을 통한 보간 데이터를 상호 보완적으로 활용할 수 있다. 상세하게는, 해당 환경 데이터를 상이한 둘 이상의 보간 모델에 적합하도록 분할하거나 재구성하여 둘 이상의 보간 모델을 통해 환경 데이터를 보간할 수 있다. In this case, when one or more interpolation models are selected, the data interpolation unit 230 may complementarily utilize interpolation data through each interpolation model. In detail, the environment data may be interpolated through two or more interpolation models by dividing or reconstructing the corresponding environment data to fit two or more different interpolation models.

또한 데이터 보간부(230)는 하나의 보간 모델을 통해 보간된 환경 데이터를 상이한 보간 모델에 적용하여 환경 데이터를 보간할 수 있다. Also, the data interpolator 230 may interpolate the environment data by applying the environment data interpolated through one interpolation model to different interpolation models.

한편, 보간 모델 학습부(240)는 미리 저장된 환경 데이터로 이뤄진 학습 데이터로 인공 신경망 보간 모델 또는 순환 신경망 보간 모델을 학습한다. On the other hand, the interpolation model learning unit 240 learns the artificial neural network interpolation model or the recurrent neural network interpolation model with learning data made of pre-stored environmental data.

보다 상세하게 도 3을 이용하여 보간 모델 학습부(240)에 대해서 설명한다. In more detail, the interpolation model learning unit 240 will be described with reference to FIG. 3 .

도 3에 도시한 바와 같이, 보간 모델 학습부(240)는 학습 모델 선택부(241), 학습 모델 보간부(242), 학습 모델 평가부(243), 그리고 학습 모델 제어부(244)을 포함한다. As shown in FIG. 3 , the interpolation model learning unit 240 includes a learning model selection unit 241 , a learning model interpolation unit 242 , a learning model evaluation unit 243 , and a learning model control unit 244 . .

먼저, 학습 모델 선택부(241)는 미리 저장된 환경 데이터를 학습 데이터로 선택하고, 학습 데이터의 보간 조건을 설정한다. 여기서, 보간 조건은 데이터의 종류와 오류 또는 누락된 기간등과 같이, 실제 스마트 팜의 환경 데이터에서 보간이 요구되는 데이터의 손실 조건을 의미한다. First, the learning model selection unit 241 selects pre-stored environmental data as learning data, and sets an interpolation condition of the learning data. Here, the interpolation condition refers to a data loss condition that requires interpolation in the actual environment data of the smart farm, such as the type of data and an error or missing period.

이때, 연동되는 스마트 팜(100)에 생육되는 작물의 조건, 환경 조건 등이 함께 보간 기준으로 입력되거나 사용자 단말(300)을 통해 보간 기준을 직접 입력받을 수 있다. In this case, the conditions of crops grown in the interlocking smart farm 100 , environmental conditions, etc. may be input together as interpolation standards or the interpolation standards may be directly input through the user terminal 300 .

또한, 학습 모델 선택부(241)는 다음 표 1과 같이, 학습 모델의 학습을 위한 누락된 환경 데이터를 산정하기 위해 관련된 다른 환경 데이터들의 다양한 조합을 사용할 수 있다. In addition, as shown in Table 1 below, the learning model selector 241 may use various combinations of other related environmental data to calculate the missing environmental data for learning the learning model.

환경 데이터environmental data 관련 환경 데이터 특징Relevant environmental data characteristics 대기 온도air temperature 시간, RH, 대기압, PPFD, 이산화탄소 농도Time, RH, Atmospheric Pressure, PPFD, Carbon Dioxide Concentration 상대 습도 (RH)Relative Humidity (RH) 시간, 대기 온도, 토양 온도, MC, PPFDTime, Air Temperature, Soil Temperature, MC, PPFD 토양 온도soil temperature 시간, 대기 온도, RH, MC, PPFDTime, Ambient Temperature, RH, MC, PPFD 토양 수분 함량 (MC)Soil moisture content (MC) 시간, 대기 온도, RH, 토양 온도time, air temperature, RH, soil temperature 대기압atmospheric pressure 시간, 대기 온도, RHTime, ambient temperature, RH 광합성 광자 자속 밀도(PPFD)Photosynthetic Photon Flux Density (PPFD) 시간, 대기 온도, RH, 대기압Time, Ambient Temperature, RH, Atmospheric Pressure 이산화탄소 농도(CO2)Carbon Dioxide Concentration (CO2) 시간, 대기 온도, RH, 대기압, PPFDTime, Ambient Temperature, RH, Atmospheric Pressure, PPFD

예를 들어, 학습 모델 선택부(241)는 오류 또는 누락된 대기 온도를 보간하기 위해 시간, 상대 습도(RH), 대기압, 광합성 광자 자속 밀도(PPFD), 이산화탄소 농도(CO2)를 관련 환경 인자로 선택할 수 있다. 그리고 학습 모델 선택부(241)는 선택된 환경 인자를 수집하여, 상기 환경 인자와 환경 데이터간의 관계성을 분석하기 위해 학습 모델의 입력 값으로 선택할 수 있다. For example, the learning model selector 241 uses time, relative humidity (RH), atmospheric pressure, photosynthetic photon flux density (PPFD), and carbon dioxide concentration (CO2) as related environmental factors to interpolate an error or missing atmospheric temperature. You can choose. In addition, the learning model selector 241 may collect the selected environmental factors and select them as input values of the learning model in order to analyze the relationship between the environmental factors and the environmental data.

학습 모델 선택부(241)는 환경 데이터의 종류와 기간에 기초하여 대응되는 보간 모델을 선택한다. 상세하게는 학습 모델 선택부(241)는 선형 보간 모델, 인공 신경망 보간 모델 또는 순환 신경망 보간 모델 중에서 하나 이상을 선택할 수 있다. The learning model selection unit 241 selects a corresponding interpolation model based on the type and period of the environmental data. In detail, the learning model selector 241 may select one or more of a linear interpolation model, an artificial neural network interpolation model, or a recurrent neural network interpolation model.

이때, 선형 보간 모델은 직접적인 학습을 수행하는 보간 모델은 아니지만, 신경망 보간 모델과 함께 보간 모델이 선택되면, 해당 선형 보간 모델과 상호 보완적으로 신경망 보간 모델을 학습시키기 위해 선택될 수 있다. In this case, the linear interpolation model is not an interpolation model that performs direct learning, but when the interpolation model is selected together with the neural network interpolation model, it may be selected to learn the neural network interpolation model complementary to the corresponding linear interpolation model.

그리고 학습 모델 보간부(242)는 선택된 보간 모델을 통해 오류 또는 누락된 환경 데이터의 보간을 수행한다. 학습 모델 보간부(242)는 환경 데이터의 보간을 수행하면서 선택된 환경 인자들과 상기 학습 데이터간의 일반화된 관계성을 추출할 수 있다. In addition, the learning model interpolation unit 242 interpolates the erroneous or missing environmental data through the selected interpolation model. The learning model interpolator 242 may extract a generalized relationship between the selected environment factors and the learning data while interpolating the environment data.

학습 모델 평가부(243)는 보간된 환경 데이터와 학습 데이터와 비교하여 정확도를 산출하고 산출된 정확도에 기초하여 해당 보간 모델을 평가한다. The learning model evaluation unit 243 calculates accuracy by comparing the interpolated environment data and the learning data, and evaluates the interpolation model based on the calculated accuracy.

학습 모델 제어부(244)는 산출된 정확도가 미리 설정된 임계치보다 낮으면 미리 저장된 환경 데이터 값이 도출되도록 학습 모델에 포함된 레이어의 가중치를 재조정하여 학습을 반복하도록 한다. When the calculated accuracy is lower than a preset threshold, the learning model control unit 244 readjusts the weights of the layers included in the learning model to derive the previously stored environmental data values to repeat learning.

그리고 학습 모델 제어부(244)는 정확도가 미리 설정된 임계치보다 높으면, 학습 데이터의 종류와 오류 또는 누락된 기간에 대응하여 학습 모델을 학습된 보간 모델로 설정할 수 있다. In addition, when the accuracy is higher than a preset threshold, the learning model controller 244 may set the learning model as a learned interpolation model in response to the type of learning data and an error or missing period.

한편, 하나의 보간 조건에 기초하여 학습 데이터를 보간하는 과정에서 서로 상이한 보간 모델이 선택된 둘 이상의 보간 프로세스를 학습하여 비교하고, 가장 정확도가 높은 하나의 보간 프로세스를 선정할 수 있다. Meanwhile, in a process of interpolating training data based on one interpolation condition, two or more interpolation processes in which different interpolation models are selected may be learned and compared, and one interpolation process having the highest accuracy may be selected.

예를 들어, 하나의 학습 데이터의 보간 작업을 수행할 때 선형 보간 모델만을 사용하는 제1 보간 프로세스와 선형 보간 모델과 인공 신경망 보간 보델을 선택하여 보간하는 제2 보간 프로세스를 각각 비교하여, 정확도가 높은 보간 프로세스를 선정할 수 있다. For example, when performing interpolation of one training data, the first interpolation process using only the linear interpolation model and the second interpolation process of selecting and interpolating the linear interpolation model and the artificial neural network interpolation model are compared, respectively, and the accuracy is improved A high interpolation process can be selected.

이처럼, 보간 모델 학습부(240)는 미리 저장된 환경 데이터를 이용하여 보간 보델을 반복 학습시키며 각각 환경 데이터의 종류와 오류 또는 누락된 기간에 대응하여 정확도가 임계치 이상의 보간 모델을 설정할 수 있다. In this way, the interpolation model learning unit 240 repeatedly learns the interpolation model using pre-stored environment data, and may set an interpolation model having an accuracy greater than or equal to a threshold value in response to the type of environment data and an error or missing period, respectively.

또한, 보간 모델 학습부(240)는 추후에 미리 설정된 기간에 마다 새로 저장된 환경 데이터를 이용하여 각각의 보간 모델을 재학습시킬 수 있다. In addition, the interpolation model learning unit 240 may re-learn each interpolation model later by using newly stored environment data for each preset period.

한편, 환경 데이터 보간 장치(200)는 서버, 단말, 또는 이들이 결합된 형태일 수 있다. Meanwhile, the environment data interpolation apparatus 200 may be a server, a terminal, or a combination thereof.

단말은 각각 메모리(memory), 프로세서(processor)를 구비함으로써 연산 처리 능력을 갖춘 장치를 통칭하는 것이다. 예를 들어, 퍼스널 컴퓨터(personal computer), 핸드헬드 컴퓨터(handheld computer), PDA(personal digital assistant), 휴대폰, 스마트 기기, 태블릿(tablet) 등이 있다.A terminal is a generic term for a device having an arithmetic processing capability by having a memory and a processor, respectively. For example, there is a personal computer, a handheld computer, a personal digital assistant (PDA), a mobile phone, a smart device, a tablet, and the like.

서버는 복수개의 모듈(module)이 저장되어 있는 메모리, 그리고 메모리에 연결되어 있고 복수개의 모듈에 반응하며, 단말에 제공하는 서비스 정보 또는 서비스 정보를 제어하는 액션(action) 정보를 처리하는 프로세서, 통신 수단, 그리고 UI(user interface) 표시 수단을 포함할 수 있다.A server is a memory in which a plurality of modules are stored, and a processor that is connected to the memory and responds to the plurality of modules, and processes service information provided to the terminal or action information to control the service information, communication means, and may include a user interface (UI) display means.

메모리는 정보를 저장하는 장치로, 고속 랜덤 액세스 메모리(high-speed random access memory, 자기 디스크 저장 장치, 플래시 메모리 장치, 기타 비휘발성 고체 상태 메모리 장치(non-volatile solid-state memory device) 등의 비휘발성 메모리 등 다양한 종류의 메모리를 포함할 수 있다.Memory is a device that stores information, and is a non-volatile solid-state memory device such as high-speed random access memory (magnetic disk storage device), flash memory device, and other non-volatile solid-state memory devices. It may include various types of memory such as volatile memory.

통신 수단은 단말과 서비스 정보 또는 액션 정보를 실시간으로 송수신한다.The communication means transmits and receives service information or action information with the terminal in real time.

UI 표시 수단은 장치의 서비스 정보 또는 액션 정보를 실시간으로 출력한다. UI 표시 수단은 UI를 직접적 또는 간접적으로 출력하거나 표시하는 독립된 장치일 수도 있으며, 또는 장치의 일부분일 수도 있다.The UI display means outputs service information or action information of the device in real time. The UI display means may be an independent device that directly or indirectly outputs or displays the UI, or may be a part of the device.

이하에서는 도 4 내지 도 5을 이용하여 환경 데이터 보간 장치의 스마트 팜의 환경 데이터를 보간하는 방법을 상세하게 설명한다. 이때, 환경 데이터 보간 방법은 하나의 보간 모델을 선택하여 환경 데이터의 누락 또는 오류에 대한 보간을 수행하는 것으로 가정하여 설명하지만 이에 한정되는 것은 아니다. Hereinafter, a method of interpolating the environmental data of the smart farm of the environmental data interpolation apparatus using FIGS. 4 to 5 will be described in detail. In this case, the environmental data interpolation method is described on the assumption that one interpolation model is selected and interpolation is performed for omission or error of environmental data, but is not limited thereto.

도 4는 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치의 데이터 보간 방법을 나타낸 순서도이고, 도 5는 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치의 모델 선택 방법을 나타낸 도면이다. 4 is a flowchart illustrating a data interpolation method of an environment data interpolation apparatus according to an embodiment of the present invention, and FIG. 5 is a diagram illustrating a model selection method of an environment data interpolation apparatus according to an embodiment of the present invention.

먼저, 환경 데이터 보간 장치(200)는 수집된 데이터에서 데이터의 누락 또는 오류를 감지한다(S410). First, the environment data interpolation apparatus 200 detects data omission or error in the collected data (S410).

환경 데이터 보간 장치(200)는 수집된 환경 데이터에서 해당 센서 또는 스마트 팜(100)에서 설정된 시간 간격마다 환경 데이터의 존재 여부를 확인할 수 있다. 또한 환경 데이터 보간 장치(200)는 수집된 환경 데이터를 시계열적으로 분석하여 비정상적인 데이터의 존재 여부를 확인하여 환경 데이터의 오류를 확인할 수 있다. The environment data interpolation apparatus 200 may check whether the environment data exists in the collected environment data at every time interval set by the corresponding sensor or the smart farm 100 . In addition, the environment data interpolation apparatus 200 may time-series analysis of the collected environment data to check the existence of abnormal data to check an error in the environment data.

다음으로 환경 데이터 보간 장치(200)는 데이터의 누락 또는 오류의 분석 결과에 따라 선형 보간 모델 또는 미리 학습된 신경망 보간 모델 중에서 하나 이상의 보간 모델을 선택한다(S420). Next, the environmental data interpolation apparatus 200 selects one or more interpolation models from among a linear interpolation model or a pre-trained neural network interpolation model according to the analysis result of omission or error of data ( S420 ).

환경 데이터 보간 장치(200)는 환경 데이터의 누락 또는 오류의 분석 결과에 따라 해당 환경 데이터를 보간하기 위해 입력 값으로 동일한 환경 요인에 해당하는 상이한 종류의 환경 데이터를 더 수집할 수 있다.The environmental data interpolation apparatus 200 may further collect different types of environmental data corresponding to the same environmental factor as an input value in order to interpolate the corresponding environmental data according to an analysis result of omission or error of the environmental data.

그리고 이하에서의 신경망 보간 모델들은 각 환경 데이터의 종류, 오류 또는 누락된 기간에 따라 미리 학습된 신경망 보간 모델을 나타낸다. In addition, the neural network interpolation models below represent neural network interpolation models trained in advance according to the type, error, or missing period of each environmental data.

도 5에 도시한 바와 같이, 환경 데이터 보간 장치(200)는 데이터 누락 또는 오류 정보를 분석한다(S421). 환경 데이터 보간 장치(200)는 해당 환경 데이터의 종류 그리고 오류 또는 누락된 기간을 추출하여 분석할 수 있다. As shown in FIG. 5 , the environment data interpolation apparatus 200 analyzes data omission or error information ( S421 ). The environment data interpolation apparatus 200 may extract and analyze the type of the corresponding environment data and an error or missing period.

그리고 환경 데이터 보간 장치(200)는 해당 환경 데이터의 완전 손실 여부를 확인한다(S422). 이때, 환경 데이터가 완전 손실된 경우, 환경 데이터 보간 장치(200)는 BiLSTM 모델을 선택한다(S423). Then, the environment data interpolation apparatus 200 checks whether the corresponding environment data is completely lost (S422). In this case, when the environment data is completely lost, the environment data interpolation apparatus 200 selects a BiLSTM model ( S423 ).

여기서, BiLSTM (Bidirectional Long Short-Term Memory) 모델은 순환 신경망 보간 모델로, 이전 정보를 현재의 작업으로 연결하여 활용하는 장점을 가진다. 따라서, 완전 손실된 데이터를 보간하기 위해 시계열적으로 실제 환경 요인이 서로 어떻게 영향을 미치는지 분석하여 학습된 BiLSTM 모델을 선택할 수 있다. Here, the BiLSTM (Bidirectional Long Short-Term Memory) model is a recurrent neural network interpolation model, and has the advantage of connecting and utilizing previous information to the current task. Therefore, it is possible to select a BiLSTM model trained by analyzing how real environmental factors affect each other in time series to interpolate completely lost data.

한편, 환경 데이터가 완전 손실되지 않은 경우, 환경 데이터 보간 장치(200)는 손실 기간이 미리 설정한 기간인 N 보다 큰 값인 지 확인한다(S424). Meanwhile, when the environmental data is not completely lost, the environmental data interpolation apparatus 200 checks whether the loss period is a value greater than N, which is a preset period ( S424 ).

손실 기간이 미리 설정한 기간인 N 보다 큰 값인 경우, 환경 데이터 보간 장치(200)는 MLP 모델을 선택한다(S425). When the loss period is a value greater than N, which is a preset period, the environment data interpolation apparatus 200 selects the MLP model (S425).

여기서, MLP (Multilayer Perceptron) 모델은 인공 신경망 알고리즘의 하나로, 온실 환경의 변화를 학습하고, 손실된 환경 데이터와 다른 환경 요인과의 일반화된 관계를 추출한다. Here, the Multilayer Perceptron (MLP) model is one of the artificial neural network algorithms, which learns changes in the greenhouse environment and extracts generalized relationships between lost environmental data and other environmental factors.

이처럼, 학습된 신경망 보간 모델은 해당 환경 데이터 이외에 다른 환경 요인을 사용하여 예측하기 때문에 정확도가 손실 기간과 함께 낮아지지 않도록 할 수 있다. As such, since the trained neural network interpolation model predicts using environmental factors other than the corresponding environmental data, it is possible to prevent the accuracy from decreasing along with the loss period.

반면, 손실 기간이 미리 설정한 기간인 N 보다 작은 값인 경우, 환경 데이터 보간 장치(200)는 선형 보간 모델을 선택한다(S426).On the other hand, when the loss period is a value smaller than the preset period N, the environmental data interpolation apparatus 200 selects a linear interpolation model (S426).

선형 보간 모델은 일종의 통계적 방법으로 누락된 데이터 순서의 앞면과 뒷면에 가까운 데이터를 사용하여 공백 데이터를 보간할 수 있다. A linear interpolation model is a kind of statistical method that can interpolate blank data using data close to the front and back of the missing data sequence.

다음으로 환경 데이터 보간 장치(200)는 선택된 보간 모델을 통해 환경 데이터의 누락 또는 오류에 대한 보간을 수행한다(S430). Next, the environment data interpolation apparatus 200 interpolates the omission or error of the environment data through the selected interpolation model (S430).

환경 데이터 보간 장치(200)는 선택된 보간 모델을 통해 해당 환경 데이터의 보간된 데이터를 저장할 수 있으며, 이를 스마트 팜(100) 또는 사용자 단말(300)에 전송할 수 있다. The environment data interpolation apparatus 200 may store interpolated data of the corresponding environment data through the selected interpolation model, and may transmit it to the smart farm 100 or the user terminal 300 .

실제 스마트 팜에서 환경 데이터는 단기와 장기가 섞여 있기 때문에, 환경 데이터 보간 장치(200)는 복합적인 보간 모델을 선택하여 환경 데이터를 보간할 수 있다. Since the short-term and long-term environmental data are mixed in an actual smart farm, the environmental data interpolation apparatus 200 may interpolate the environmental data by selecting a complex interpolation model.

도 6은 상이한 손실 간격을 가지는 환경 데이터와 본 발명의 하나의 실시예에 따른 데이터 보간을 수행한 값을 비교하기 위한 그래프이다. 6 is a graph for comparing environmental data having different loss intervals and data interpolation according to an embodiment of the present invention.

도 6의 A는 대기 온도, 상대 습도, 광합성 광자 자속 밀도 (PPFD) 그리고 이산화탄소(CO2)에 대해서, 정상적인 측정값, 2시간, 4시간, 6시간 12시간 24시간의 데이터 손실 간격을 가지는 측정값을 나타낸다. 6A is a measurement with normal measurement values, data loss intervals of 2 hours, 4 hours, 6 hours, 12 hours and 24 hours for atmospheric temperature, relative humidity, photosynthetic photon flux density (PPFD) and carbon dioxide (CO 2 ) represents a value.

정상적인 측정값은 회색의 그래프로, 2시간의 데이터 손실을 갖는 빨간색 측정값에서부터 최대 24시간을 가지는 하늘색 측정값을 보면, 데이터 손실의 구간이 커짐을 알 수 있다. The normal measured value is a gray graph. If you look at the red measured value with 2 hours of data loss and the sky blue measured value with a maximum of 24 hours, it can be seen that the data loss section is larger.

이에, 환경 데이터 보간 장치(200)는 도 6의 A의 환경 데이터들을 이용하여 환경 데이터 보간을 수행하면, 다음 B 그래프와 같다. Accordingly, when the environment data interpolation apparatus 200 performs environmental data interpolation using the environment data of A of FIG. 6 , the following graph B is shown.

환경 데이터 보간 장치(200)는 2시간의 데이터 손실의 경우 선형 보간 모델을 선택하고, 4시간과 6시간의 데이터 손실인 경우에는 인공 신경망 보간 모델을 선택하며, 24시간의 데이터 손실에는 순환 신경망 보간 모델을 선택하여 각각 손실된 데이터를 보간하여 표시하였다. The environmental data interpolation device 200 selects a linear interpolation model in case of data loss of 2 hours, selects an artificial neural network interpolation model in case of data loss of 4 hours and 6 hours, and recurrent neural network interpolation in case of data loss of 24 hours A model was selected and each lost data was interpolated and displayed.

도 6의 B에 도시한 바와 같이, 대기 온도, 상대 습도, 광합성 광자 자속 밀도 (PPFD) 그리고 이산화탄소(CO2)에 대해서, 각각 상이한 시간의 데이터 손실에 대해서 정상적인 측정값인 회색 그래프의 측정값들과 근사 값으로 손실 데이터가 보간되었음을 알 수 있다. As shown in FIG. 6B , for atmospheric temperature, relative humidity, photosynthetic photon flux density (PPFD) and carbon dioxide (CO 2 ), the measured values of the gray graph, which are normal measured values for data loss at different times, respectively It can be seen that the loss data is interpolated with an approximate value of .

이와 같이, 환경 데이터 보간 장치(200)는 데이터 누락 및 오류의 상황에 따라 가장 적합한 보간 모델을 선택하여 적용함으로써, 데이터 보간의 정확성이 향상되며, 스마트 팜의 빅데이터 활용성을 높일 수 있다. As such, the environmental data interpolation apparatus 200 selects and applies the most suitable interpolation model according to the situation of data omission and error, thereby improving data interpolation accuracy and enhancing the utility of big data in the smart farm.

본 발명의 하나의 실시예에 따른 방법을 실행시키기 위한 프로그램은 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다.A program for executing the method according to an embodiment of the present invention may be recorded in a computer-readable recording medium.

컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크와 같은 자기-광 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 여기서 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드가 포함된다. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The medium may be specially designed and configured, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include hard disks, magnetic media such as floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, magneto-optical media such as floppy disks, and ROMs, RAMs, flash memories, and the like. Hardware devices specially configured to store and execute such program instructions are included. Here, the medium may be a transmission medium such as an optical or metal wire or a waveguide including a carrier wave for transmitting a signal designating a program command, a data structure, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.

이상에서 본 발명의 바람직한 하나의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.Although one preferred embodiment of the present invention has been described in detail above, the scope of the present invention is not limited thereto, and various modifications and improvements by those skilled in the art using the basic concept of the present invention as defined in the following claims. It belongs to the scope of the present invention.

100: 스마트 팜 200: 환경 데이터 보간 장치
210: 수집부 220: 제어부
230: 데이터 보간부 240: 보간 모델 학습부
241: 학습 모델 선택부 242: 학습 모델 보간부
243: 학습 모델 평가부 244: 학습 모델 제어부
300: 사용자 단말100: smart farm 200: environment data interpolator
210: collection unit 220: control unit
230: data interpolation unit 240: interpolation model learning unit
241: learning model selection unit 242: learning model interpolation unit
243: learning model evaluation unit 244: learning model control unit
300: user terminal

Claims (10)

스마트 팜과 네트워크로 연결되어 상기 스마트 팜으로부터 복수의 환경 인자에 대응한 환경 데이터들을 수집하는 수집부,
상기 환경 데이터에서 오류 또는 누락 여부를 확인하면 오류 또는 누락된 상기 환경 데이터의 환경 인자 종류와 오류 또는 누락 기간에 기초하여 대응되는 선형 보간 모델과 미리 학습된 신경망 보간 모델들 중에서 하나 이상의 보간 모델을 선택하는 제어부, 그리고
오류 또는 누락된 환경 데이터의 환경 인자와 관련도가 임계치 이상인 상이한 환경 인자들에 대한 관련 환경 데이터들을 선택하고, 상기 관련 환경 데이터들과 선택된 상기 보간 모델을 이용하여 상기 환경 데이터를 보간하여 저장하는 데이터 보간부를 포함하고,
상기 데이터 보간부는,
상기 보간 모델이 둘 이상 선택되는 경우, 각각의 보간 모델에서 도출된 데이터들을 상호보완적으로 적용하여 상기 누락된 환경 데이터를 보간하는 스마트 팜의 환경 데이터 보간 장치.
A collection unit that is connected to the smart farm through a network and collects environmental data corresponding to a plurality of environmental factors from the smart farm;
If an error or omission is confirmed in the environmental data, one or more interpolation models are selected from among the corresponding linear interpolation model and the pre-trained neural network interpolation model based on the type of the environmental factor of the error or missing environmental data and the error or omission period. control unit, and
Data for selecting related environmental data for different environmental factors whose relevance to the error or missing environmental data is greater than or equal to a threshold, and interpolating and storing the environmental data using the related environmental data and the selected interpolation model including an interpolator,
The data interpolation unit,
When two or more interpolation models are selected, an environment data interpolation device for a smart farm interpolates the missing environment data by complementary application of data derived from each interpolation model.
 제1항에서,
미리 저장된 상기 스마트 팜의 상기 환경 데이터를 이용하여 학습 데이터의 보간 조건을 설정하고, 상기 보간 조건에 기초하여 오류 또는 누락된 상기 학습 데이터를 보간하도록 인공 신경망 보간 모델 또는 순환 신경망 보간 모델을 학습하는 보간 모델 학습부를 더 포함하는 스마트 팜의 환경 데이터 보간 장치.
In claim 1,
Interpolation for learning an artificial neural network interpolation model or a recurrent neural network interpolation model to set an interpolation condition for training data using the environment data of the smart farm stored in advance, and to interpolate the erroneous or missing training data based on the interpolation condition The smart farm's environment data interpolation device further comprising a model learning unit.
 제2항에서,
상기 보간 모델 학습부는,
상기 학습 데이터의 종류와 오류 또는 누락된 기간에 기초하여 설정된 보간 조건에 따라 선형 보간 모델, 인공 신경망 보간 모델 또는 순환 신경망 보간 모델 중에서 하나 이상의 학습 모델을 선택하는 학습 모델 선택부,
상기 학습 데이터의 환경 인자와 관련된 복수 개의 환경 인자에 대응한 관련 환경 데이터들을 이용하여 선택된 학습 모델을 통해 상기 학습 데이터의 보간을 수행하는 학습 모델 보간부,
보간된 학습 데이터와 미리 저장된 환경 데이터를 비교하여 정확도를 측정하고, 측정된 정확도에 따라 상기 학습 모델을 평가하는 학습 모델 평가부, 그리고
상기 정확도가 미리 설정된 임계치보다 낮으면 미리 저장된 상기 환경 데이터 값이 도출되도록 상기 학습 모델에 포함된 레이어의 가중치를 재조정하는 학습 모델 제어부를 포함하는 스마트 팜의 환경 데이터 보간 장치.
In claim 2,
The interpolation model learning unit,
A learning model selection unit for selecting one or more learning models from among a linear interpolation model, an artificial neural network interpolation model, or a recurrent neural network interpolation model according to an interpolation condition set based on the type of the training data and an error or missing period;
a learning model interpolation unit that interpolates the learning data through a selected learning model using related environmental data corresponding to a plurality of environmental factors related to the environmental factors of the learning data;
A learning model evaluation unit that compares the interpolated learning data with pre-stored environmental data to measure the accuracy, and evaluates the learning model according to the measured accuracy, and
and a learning model controller that readjusts the weights of the layers included in the learning model so that the previously stored environmental data values are derived when the accuracy is lower than a preset threshold.
 제3항에서,
상기 학습 모델 제어부는,
상기 정확도가 미리 설정된 임계치보다 높으면, 상기 학습 데이터의 종류와 오류 또는 누락된 기간에 대응하여 상기 학습 모델을 학습된 신경망 보간 모델로 설정하는 스마트 팜의 환경 데이터 보간 장치.
In claim 3,
The learning model control unit,
If the accuracy is higher than a preset threshold, the smart farm environment data interpolation apparatus for setting the learning model as a learned neural network interpolation model in response to the type of the training data and an error or missing period.
 제3항에서,
상기 학습 모델 보간부는,
환경 데이터의 보간을 수행하면서 선택된 환경 인자들의 관련 환경 데이터와 상기 학습 데이터간의 일반화된 관계성을 추출하는 스마트 팜의 환경 데이터 보간 장치.
In claim 3,
The learning model interpolation unit,
An environment data interpolation device for a smart farm that performs interpolation of environment data and extracts a generalized relationship between related environment data of selected environmental factors and the learning data.
 제1항 또는 제4항에서,
상기 제어부는,
상기 환경 데이터의 오류 또는 누락된 기간을 단기, 중장기 또는 완전 손실의 단계 중에서 하나의 단계로 구분하고, 단기에는 선형 보간 모델을 선택하고, 중장기에는 인공 신경망 보간 모델을 선택하며, 완전 손실에는 순환 신경망 보간 모델을 선택하는 스마트 팜의 환경 데이터 보간 장치.
In claim 1 or 4,
The control unit is
The error or missing period of the environmental data is divided into one stage among short-term, mid-long-term, or complete loss, a linear interpolation model is selected in the short-term, an artificial neural network interpolation model is selected in the mid-to-long term, and a recurrent neural network is selected for complete loss. The smart farm's environmental data interpolator to select the interpolation model.
 수집부가 스마트 팜과 네트워크로 연결되어 상기 스마트 팜으로부터 환경 데이터를 수집하는 단계,
제어부가 상기 환경 데이터의 오류 또는 누락 여부를 분석하고, 분석된 결과에 따라 선형 보간 모델과 미리 학습된 신경망 보간 모델들 중에서 하나 이상의 보간 모델을 선택하는 단계, 그리고
데이터 보간부가 오류 또는 누락된 환경 데이터의 환경 인자와 관련도가 임계치 이상인 상이한 환경 인자들에 대한 관련 환경 데이터들을 선택하고, 상기 관련 환경 데이터들과 선택된 보간 모델을 이용하여 오류 또는 누락된 상기 환경 데이터의 보간을 수행하여 저장하는 단계를 포함하고,
상기 환경 데이터의 보간을 수행하여 저장하는 단계는,
상기 보간 모델이 둘 이상 선택되는 경우, 각각의 보간 모델에서 도출된 데이터들을 상호보완적으로 적용하여 누락된 환경 데이터를 보간하는 환경 데이터 보간 장치의 보간 방법.
The collecting unit is connected to the smart farm through a network to collect environmental data from the smart farm;
The control unit analyzes whether the environmental data is error or omission, and selects one or more interpolation models from among a linear interpolation model and a pre-trained neural network interpolation model according to the analyzed result, and
The data interpolation unit selects related environmental data for different environmental factors whose relevance to the environmental factor of the erroneous or missing environmental data is equal to or greater than a threshold, and uses the related environmental data and the selected interpolation model to select the erroneous or missing environmental data and storing the interpolation of
The step of interpolating and storing the environment data comprises:
When two or more interpolation models are selected, an interpolation method of an environment data interpolation apparatus for interpolating missing environment data by applying complementary data derived from each interpolation model.
 제7항에서,
상기 환경 데이터의 보간을 수행하여 저장하는 단계는,
상기 보간 모델에서 도출된 데이터들과 상기 관련 환경 데이터들을 선택된 둘 이상의 보간 모델에 적합하도록 분할하거나 재구성하여 상기 환경 데이터를 보간하거나 하나의 보간 모델을 통해 보간된 환경 데이터를 상이한 보간 모델에 적용하여 상기 환경 데이터를 보간하는 환경 데이터 보간 장치의 보간 방법.
In claim 7,
The step of interpolating and storing the environment data comprises:
Interpolating the environment data by dividing or reconstructing the data derived from the interpolation model and the related environmental data to fit two or more selected interpolation models, or applying the environmental data interpolated through one interpolation model to a different interpolation model. An interpolation method of an environmental data interpolator that interpolates environmental data.
 제7항에서,
학습부가 미리 저장된 상기 스마트 팜의 상기 환경 데이터를 이용하여 학습 데이터의 보간 조건을 설정하고, 상기 보간 조건에 기초하여 오류 또는 누락된 상기 학습 데이터의 보간 작업을 수행하고, 보간된 학습 데이터가 미리 저장된 상기 환경 데이터로 도출되도록 상기 신경망 보간 모델을 학습시키는 단계를 더 포함하는 환경 데이터 보간 장치의 보간 방법.
In claim 7,
A learning unit sets an interpolation condition of the learning data using the environment data of the smart farm stored in advance, performs an interpolation operation of the error or missing learning data based on the interpolation condition, and the interpolated learning data is stored in advance The interpolation method of the environment data interpolation apparatus further comprising the step of learning the neural network interpolation model to be derived from the environment data.
 제9항에서,
상기 신경망 보간 모델을 학습시키는 단계는,
상기 환경 데이터의 오류 또는 누락된 기간을 단기, 중장기 또는 완전 손실의 단계 중에서 하나의 단계로 구분하고, 단기에는 선형 보간 모델을 선택하고, 중장기에는 인공 신경망 보간 모델을 선택하며, 완전 손실에는 순환 신경망 보간 모델을 선택하는 환경 데이터 보간 장치의 보간 방법.
In claim 9,
The step of training the neural network interpolation model includes:
The error or missing period of the environmental data is divided into one stage among short-term, mid-long-term, or complete loss, a linear interpolation model is selected in the short-term, an artificial neural network interpolation model is selected in the mid-to-long term, and a recurrent neural network is selected for complete loss. Interpolation method of environment data interpolator to select interpolation model.
KR1020190092032A 2019-07-29 2019-07-29 Apparatus and method for environmental data interpolation of smart farm KR102347535B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190092032A KR102347535B1 (en) 2019-07-29 2019-07-29 Apparatus and method for environmental data interpolation of smart farm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190092032A KR102347535B1 (en) 2019-07-29 2019-07-29 Apparatus and method for environmental data interpolation of smart farm

Publications (2)

Publication Number Publication Date
KR20210014027A KR20210014027A (en) 2021-02-08
KR102347535B1 true KR102347535B1 (en) 2022-01-04

Family

ID=74560373

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190092032A KR102347535B1 (en) 2019-07-29 2019-07-29 Apparatus and method for environmental data interpolation of smart farm

Country Status (1)

Country Link
KR (1) KR102347535B1 (en)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023080365A1 (en) * 2021-11-08 2023-05-11 (주) 위세아이텍 Missing value interpolation system for time series data using recurrent neural network-based double deep learning model
KR20230075260A (en) * 2021-11-22 2023-05-31 에스케이플래닛 주식회사 Apparatus for Context-Aware-based Missing Value Interpolation of Sensors and method therefor
KR102699126B1 (en) * 2021-12-03 2024-08-27 한국전자기술연구원 Data error correction system through time series-based sensing data for aquaculture
KR102705703B1 (en) * 2022-07-22 2024-09-11 (주)더모우스트 Method of applying weight to mid- and long-term market index forecasting results to improve short-term market index prediction

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101478146B1 (en) * 2011-12-15 2015-01-02 한국전자통신연구원 Apparatus and method for recognizing speech based on speaker group
KR102145795B1 (en) * 2016-09-07 2020-08-19 한국전자통신연구원 Method and apparatus for analyzing and processing data stream in environment where worker nodes are distributed, and method and apparatus for managing task

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
박소우 외 2인. 표준기상데이터 작성 시 누락된 풍속 데이터의 보간 방법 제안. 한국태양에너지학회 논문집. 한국태양에너지학회. 2017년 12월, 제37권, 제6호, pp.79-91 (2017.12.) 1부.*

Also Published As

Publication number Publication date
KR20210014027A (en) 2021-02-08

Similar Documents

Publication Publication Date Title
KR102347535B1 (en) Apparatus and method for environmental data interpolation of smart farm
US10986789B1 (en) System and method for sensor-assisted indoor gardening
US9757861B2 (en) User interface device of remote control system for robot device and method using the same
KR20210090394A (en) management system for smart-farm machine learning
CN105872477A (en) Video monitoring method and system
CN111339074B (en) Threshold generation method, device, equipment and storage medium
CN111782491B (en) Disk failure prediction method, device, equipment and storage medium
KR102543064B1 (en) System for providing manufacturing environment monitoring service based on robotic process automation
Magistri et al. Contrastive 3D shape completion and reconstruction for agricultural robots using RGB-D frames
CN118363316B (en) Intelligent scene adaptation method and equipment for household monitoring system based on scene recognition
KR20120075559A (en) Method of observating crops growth and apparatus for the same
US20080126274A1 (en) Auto-adaptive network
US20230389474A1 (en) Method for determining a fruit to be harvested and a device for harvesting a fruit
Nelson et al. Use of ordinal conversion for radiometric normalization and change detection
KR20210015508A (en) Vertical environment control system in greenhouse using artificial neural network and method thereof
US11470248B2 (en) Data compression apparatus, model generation apparatus, data compression method, model generation method and program recording medium
US11580609B2 (en) Crop monitoring to determine and control crop yield
KR102522341B1 (en) Automatic crop growth measurement system using artificial intelligence
KR101959886B1 (en) Server and method for determining actuator parameter of greenhouse
CN116760033A (en) Real-time power demand prediction system based on artificial intelligence
Tóth et al. Possibilities of IoT based management system in greenhouses
KR102604041B1 (en) Method, device and program of recommending cultivation conditions for increase the content active ingredients in crop
Kong et al. Strawberry plant alive status detection and relative pixel based plant localization
Jrondi et al. Exploring End-to-End object detection with transformers versus YOLOv8 for enhanced citrus fruit detection within trees
KR102590772B1 (en) Apparatus and method for measuring length of leaf stem

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant