KR102371433B1 - 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템 및 방법 - Google Patents

인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템 및 방법 Download PDF

Info

Publication number
KR102371433B1
KR102371433B1 KR1020200076978A KR20200076978A KR102371433B1 KR 102371433 B1 KR102371433 B1 KR 102371433B1 KR 1020200076978 A KR1020200076978 A KR 1020200076978A KR 20200076978 A KR20200076978 A KR 20200076978A KR 102371433 B1 KR102371433 B1 KR 102371433B1
Authority
KR
South Korea
Prior art keywords
cultivation
robot
farmland
map
artificial intelligence
Prior art date
Application number
KR1020200076978A
Other languages
English (en)
Other versions
KR20210158538A (ko
Inventor
변계섭
Original Assignee
농업회사법인 주식회사 루이팜
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 농업회사법인 주식회사 루이팜 filed Critical 농업회사법인 주식회사 루이팜
Priority to KR1020200076978A priority Critical patent/KR102371433B1/ko
Publication of KR20210158538A publication Critical patent/KR20210158538A/ko
Application granted granted Critical
Publication of KR102371433B1 publication Critical patent/KR102371433B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/003—Maps
    • G09B29/004—Map manufacture or repair; Tear or ink or water resistant maps; Long-life maps
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B69/00—Steering of agricultural machines or implements; Guiding agricultural machines or implements on a desired track
    • A01B69/007—Steering or guiding of agricultural vehicles, e.g. steering of the tractor to keep the plough in the furrow
    • A01B69/008—Steering or guiding of agricultural vehicles, e.g. steering of the tractor to keep the plough in the furrow automatic
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering
    • B64C2201/127—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Business, Economics & Management (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Soil Sciences (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템 및 방법에 관한 것으로, 더욱 구체적으로는 항공 촬영 이미지를 이용하여 폴리곤 렌더링을 수행한 후 경작지 간의 경계면을 파악하고, 작물을 종류에 따른 실제 경작 가능 공간을 파악하여 경작 지도를 생성한 후 로봇 농기계에 제공함으로써 경작지 간의 경계면 근처의 경작 가능 영역에도 정확하게 경작 작업이 수행되도록 하여 효율적으로 경작 작업이 이루어지도록 할 수 있는 기술에 대한 것이다.

Description

인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템 및 방법{SYSTEM AND METHOD FOR GENERATING FARMING MAP OF AGRICULTURAL ROBOT BASED ON ARTIFICIAL INTELLIGENCE}
본 발명은 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템 및 방법에 관한 것으로, 더욱 구체적으로는 항공 촬영 이미지를 이용하여 폴리곤 렌더링을 수행한 후 경작지 간의 경계면을 파악하고, 작물을 종류에 따른 실제 경작 가능 공간을 파악하여 경작 지도를 생성한 후 로봇 농기계에 제공함으로써 경작지 간의 경계면 근처의 경작 가능 영역에도 정확하게 경작 작업이 수행되도록 하여 효율적으로 경작 작업이 이루어지도록 할 수 있는 기술에 대한 것이다.
농업은 우리의 먹거리를 책임지는 매우 중요한 산업분야이다. 농업은 파종이후, 제초, 수확 등 수많은 노동력을 필요로 한다. 과거에는 수작업에 의해 진행되어 많은 노동력을 필요로 하였으나, 점차 기계화되면서 수동의 농기계 조작이 아니라, 스스로 주행해가면서 작업할 수 있는 다양한 농업용 로봇에 대한 기술들이 개발되어 지고 있어 노동력이 많이 절감되었다.
이러한 농업용 로봇으로 경작지 내에 농작물을 경작 및 관리하기 위해서는 농업용 로봇을 위한 전자지도(경작지도)가 필요한데, 종래에는 전자지도(경작지도)의 정확성이 떨어져 농업용 로봇이 경작지 간의 경계면 근처의 경작 가능 영역을 경작하지 않는 등 농경지를 정밀한 수준으로 경작하지 못하는 문제점이 있었다.
한편, 농업 로봇용 경작지도에 관한 종래기술은 대한민국등록특허 제10-1374802호 등이 있다.
항공 촬영 이미지를 이용하여 폴리곤 렌더링을 수행한 후 경작지 간의 경계면을 파악하고, 작물을 종류에 따른 실제 경작 가능 공간을 파악하여 경작 지도를 생성한 후 로봇 농기계에 제공함으로써 경작지 간의 경계면 근처의 경작 가능 영역에도 정확하게 경작 작업이 수행되도록 하여 효율적으로 경작 작업이 이루어지도록 할 수 있는 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템 및 방법을 제공하는 데 그 목적이 있다.
본 발명이 해결하려는 과제는 전술한 과제로 제한되지 아니하며, 언급되지 아니한 또 다른 기술적 과제들은 후술할 내용으로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 목적을 달성하기 위한 본 발명에 따른 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템은 경작지도를 생성하기 위한 항공 촬영을 수행하는 무인드론; 상기 무인드론으로부터 전송 받은 항공 촬영 이미지를 이용하여 경작지도를 생성하는 운용서버; 및 상기 운용서버로부터 전송 받은 경작지도를 바탕으로 농경지에 작물을 경작하는 로봇 농기계;를 포함하는 것을 특징으로 한다.
이때, 상기 운용서버는,상기 무인드론 및 로봇 농기계와 정보 송수신을 위한 통신채널을 연결하기 위해 마련되는 통신처리부; 상기 무인드론으로부터 전송 받은 항공 촬영 이미지를 이용하여 폴리곤 렌더링을 수행한 후 농경지의 경계선을 파악하여 경작지도를 생성하고, 생성된 경작지도를 상기 로봇 농기계로 제공하기 위해 마련되는 인공지능 경작지도 생성부; 생성된 경작지도 데이터를 상기 로봇 농기계로 전송할 수 있는 전송 표준 포맷으로 변환하기 위해 마련되는 데이터 처리부; 및 경작지도 데이터와 상기 로봇 농기계로부터 수신된 토양 상태 정보를 저장하기 위해 마련되는 데이터베이스;를 포함하며, 상기 인공지능 경작지도 생성부는 딥러닝 기반의 인공지능으로 구성되어 상기 로봇 농기계로부터 전송된 토양의 각종 상태 정보와 폴리곤의 밀도 정보를 매칭 하여 농경지에 경작될 농작물의 종류를 자동으로 파악할 수 있는 것을 특징으로 한다.
또한, 상기 로봇 농기계는, 상기 운용서버와 정보 송수신을 위한 통신 채널을 연결하기 위해 마련되는 통신부; 상기 로봇 농기계의 각 구성을 제어하기 위해 마련되는 제어부; 상기 로봇 농기계의 경작 과정에서 해당 토양에 관한 각종 상태 정보를 측정하기 위해 마련되는 센서부; 및 상기 운용서버로부터 전송받은 경작지도 데이터를 저장하기 위해 마련되는 저장부;를 포함하는 것을 특징으로 한다.
한편, 상기 목적을 달성하기 위한 본 발명에 따른 인공지능 기반 농업 로봇용 농경지 경작지도 생성 방법은 무인드론을 이용하여 경작을 하기 위한 농경지의 항공 촬영을 수행하는 (a)단계; 상기 무인드론이 항공 촬영 이미지를 운용서버의 인공지능 경작지도 생성부로 전송하는 (b)단계; 상기 인공지능 경작지도 생성부에서 상기 무인드론으로부터 전송 받은 항공 촬영 이미지를 이용하여 폴리곤 렌더링을 수행한 후 농경지 간의 경계면을 파악하여 경작지도를 생성하는 (c)단계; 생성된 경작지도를 상기 운용서버의 데이터베이스에 저장함과 동시에 상기 운용서버의 데이터 처리부에서 생성된 경작지도 데이터를 로봇 농기계로 전송할 수 있는 전송 표준 포맷으로 변환하여 상기 로봇 농기계로 전송하는 (d)단계; 상기 로봇 농기계가 전송받은 경작지도를 기반으로 농경지에 경작 활동을 함과 동시에 상기 로봇 농기계의 센서부를 통해 해당 농경지 토양의 각종 상태 정보를 수집하는 (e)단계; 및 상기 로봇 농기계의 센서부를 통해 수집된 농경지 토양의 각종 상태 정보를 상기 운용서버로 전송하는 (f)단계;를 포함하는 것을 특징으로 한다.
이때, 상기 운용서버의 인공지능 경작지도 생성부를 통해 수행되는 상기 (c)단계는, 폴리곤 렌더링이 수행된 이미지에서 각각의 폴리곤이 만나는 꼭지점의 개수를 이용하여 경계면 점의 좌표를 파악 하는 단계; 각각의 경계면 점을 선으로 연결하여 정리하는 단계; GPS 또는 GLONASS 좌표와 연동하여 지상좌표계로 변환하는 단계; 및 상기 로봇 농기계로부터 수신된 토양의 각종 상태 정보와 폴리곤의 밀도 정보를 매칭 하여 농경지에 경작될 농작물의 종류를 변별하여 농경지에서 실제 경작 가능한 공간을 파악하는 단계;를 포함하는 것을 특징으로 한다.
본 발명에 따르면 항공 촬영 이미지를 이용하여 폴리곤 렌더링을 수행한 후 폴리곤의 밀도 차이를 통해 경작지 간의 경계면을 정확히 파악한 경작지도를 생성한 후 로봇 농기계에 전송함으로써 로봇 농기계를 통해 정확한 위치에 농작물을 경작하는 것이 가능한 효과가 있다.
또한, 로봇 농기계의 센서부에서 측정된 각종 토양 상태 정보와 폴리곤의 밀도 정보를 누적하여 저장하고, 딥러닝 기반의 인공지능 경작지도 생성부에서 저장된 정보를 바탕으로 폴리곤의 밀도 범위에 따른 농작물의 종류를 매칭시킴으로써 농작물의 종류를 파악하고, 농작물의 종류에 따른 실제 경작 가능 공간을 정확하게 파악하여 경작 지도를 생성한 후 로봇 농기계에 제공함으로써 로봇 농기계의 경작 작업 시 경작지 사이의 논두렁, 밭두렁이 무너지는 것을 방지하고 효율적으로 경작 작업이 이루어지도록 할 수 있는 효과가 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템의 구성을 설명하기 위한 블록도이다.
도 2 및 도 3은 본 발명의 실시예에 따른 인공지능 기반 농업 로봇용 농경지 경작지도 생성 방법을 통한 경작지도 생성 과정을 설명하기 위한 흐름도이다.
도 4는 무인드론을 통해 촬영된 항공 촬영 이미지를 보여주는 도면이다.
도 5는 항공 촬영 이미지를 바탕으로 폴리곤 렌더링을 수행한 이미지를 보여주는 도면이다.
도 6은 폴리곤 렌더링이 수행된 이미지에서 경계면을 확대한 도면이다.
도 7은 경작지에서 실제 경작이 가능한 공간을 파악하는 과정을 설명하기 위한 도면이다.
이하에서는 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명한다. 다만 발명의 요지와 무관한 일부 구성은 생략 또는 압축할 것이나, 생략된 구성이라고 하여 반드시 본 발명에서 필요가 없는 구성은 아니며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 결합되어 사용될 수 있다.
더불어 이하에서 설명하게 되는 각 구성부와 서버 및 시스템은 반드시 각각의 기능을 수행하는 독립적인 구성부나 서버로 이루어져야 하는 것은 아니며, 하나 이상의 프로그램 또는 하나 이상의 서버 또는 하나 이상의 시스템의 집합으로 구현되거나 일부가 공유될 수도 있음을 밝히는 바이다.
도 1은 본 발명의 실시예에 따른 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템의 구성을 설명하기 위한 블록도이고, 도 2 및 도 3은 본 발명의 실시예에 따른 인공지능 기반 농업 로봇용 농경지 경작지도 생성 방법을 통한 경작지도 생성 과정을 설명하기 위한 흐름도이고, 도 4는 무인드론을 통해 촬영된 항공 촬영 이미지를 보여주는 도면이고, 도 5는 항공 촬영 이미지를 바탕으로 폴리곤 렌더링을 수행한 이미지를 보여주는 도면이고, 도 6은 폴리곤 렌더링이 수행된 이미지에서 경계면을 확대한 도면이고, 도 7은 경작지에서 실제 경작이 가능한 공간을 파악하는 과정을 설명하기 위한 도면이다.
도 1에 도시된 바와 같이 본 발명의 실시예에 따른 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템은 운용서버(100), 무인드론(200) 및 로봇 농기계(300)를 포함하여 구성된다.
운용서버(100)는 통신처리부(110), 인공지능 경작지도 생성부(120), 데이터 처리부(120) 및 데이터베이스(140)를 포함한다.
통신처리부(110)는 무인드론(200) 및 로봇 농기계(300)와 정보 송수신을 위한 통신채널을 연결하기 위해 마련된다.
인공지능 경작지도 생성부(120)는 후술할 무인드론(200)으로부터 수신 받은 항공 촬영 이미지를 이용하여 폴리곤 렌더링을 수행한 후 논, 밭 등의 농경지의 경계선을 파악하여 경작지도를 생성한 후 후술할 로봇 농기계(300)로 제공하기 위해 마련된다. 이러한 인공지능 경작지도 생성부(120)는 딥러닝 기반의 인공지능으로 구성되어 후술할 로봇 농기계(300)로부터 수신된 자갈, 모래 및 미사의 비율, 토양의 수분량, 산도 등을 포함하는 토양의 각종 상태 정보와 폴리곤의 밀도 정보를 매칭하여 농경지에 실제로 경작된 농작물의 종류를 자동으로 파악할 수 있다. 또한, 파악된 농작물의 종류에 따라 해당 농경지에 실제로 경작이 이루어질 수 있는 공간을 파악할 수 있다. 이에 대한 구체적인 설명은 후술하도록 한다.
데이터 처리부(130)는 생성된 경작지도 데이터를 후술할 로봇 농기계(300)로 전송할 수 있는 전송 표준 포맷으로 변환하기 위해 마련된다.
데이터베이스(140)는 농경지 간의 경계선, 인접 농경지와의 거리, 농경지의 폴리곤 밀도, 농경지 내부에서 실제 경작 가능한 공간 정보 등을 포함하는 경작지도 데이터와 후술할 로봇 농기계(300)로부터 수신된 토양 상태 정보(자갈, 모래 및 미사의 비율, 토양의 수분량, 산도 등)를 저장하기 위해 마련된다.
무인드론(200)은 경작지도를 생성하기 위한 항공 촬영을 수행하는 역할을 하며, 통신부(210), 촬영부(220) 및 제어부(230)를 포함하여 구성된다.
통신부(210)는 운용서버(100)와 정보 송수신을 위한 통신 채널을 연결하고, 사용자가 원격 컨트롤러(미도시)를 통해 입력하는 무인드론(200) 제어 신호를 수신하기 위해 마련된다.
촬영부(220)는 경작지도 생성을 위한 항공 촬영을 수행하기 위해 마련된다.
제어부(230)는 무인드론(200)의 원격 컨트롤러(미도시)로부터 수신되는 제어 신호에 따라 무인드론(200)의 각 구성을 제어하기 위해 마련된다.
한편, 도면에는 도시되지 않았지만 무인드론(200)에 라이다(LiDAR, Light Detection And Ranging) 장치를 별도로 장착하여 농경지의 고도를 측정하여 운용서버(100)에 전송할 수 있으며, 구동을 위한 전력을 제공하기 위한 배터리(미도시)가 별도로 구비될 수 있다.
한편 운용서버(100)와 연계되는 로봇 농기계(300)는 운용서버(100)로부터 전송받은 경작지도 데이터를 바탕으로 농경지에 작물을 경작하는 역할을 하며, 이러한 로봇 농기계(300)는 통신부(310), 제어부(320), 센서부(330) 및 저장부(340)를 포함한다.
통신부(310)는 운용서버(100)와 정보 송수신을 위한 통신 채널을 연결하기 위해 마련된다.
제어부(320)는 로봇 농기계(300)의 각 구성을 제어하기 위해 마련된다.
센서부(330)는 로봇 농기계(300)의 경작 과정에서 해당 토양에 관한 각종 상태 정보(자갈, 모래 및 미사의 비율, 토양의 수분량, 산도 등)를 측정하기 위해 마련되며, 센서부(330)에서 측정된 토양에 관한 정보는 이후 통신부(310)를 통해 운용서버(100)에 전송된다.
저장부(340)는 운용서버(100)로부터 전송받은 경작지도 데이터를 저장하기 위해 마련된다.
이하에서는 도 2 내지 도 7을 통해 도 1에 도시된 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템을 통한 경작지도 생성 과정에 대하여 설명토록 한다.
먼저, 도 2에 도시된 바와 같이 무인드론(200)을 이용하여 경작을 하기 위한 농경지의 항공 촬영을 수행(S400)한다. 이때, 무인드론(200)에 라이다(LiDAR, Light Detection And Ranging) 장치를 별도로 장착하여 농경지의 고도를 측정하는 것도 가능하다.
무인드론(200)이 항공 촬영 이미지(도 4 참조) 및 농경지의 고도 정보를 운용서버(100)의 인공지능 경작지도 생성부(120)로 전송(S410)하면, 인공지능 경작지도 생성부(120)는 무인드론(200)으로부터 전송 받은 항공 촬영 이미지를 이용하여 도 5에 도시된 바와 같이 폴리곤 렌더링을 수행(S420)한 후, 농경지 간의 경계면을 파악하여 경작지도를 생성(S430)하고, 생성된 경작지도를 데이터베이스(140)에 저장함과 동시에 데이터 처리부(130)에서 생성된 경작지도 데이터를 로봇 농기계(300)로 전송할 수 있는 전송 표준 포맷으로 변환하여 로봇 농기계(300)로 전송(S440)한다. 이후, 로봇 농기계(300)는 전송받은 경작지도를 기반으로 농경지에 경작 활동을 함과 동시에 센서부(330)를 통해 해당 농경지 토양의 각종 정보를 수집(S450)하여 수집된 농경지 토양의 정보를 운용서버(100)로 전송(S460)한다.
이때, 상기 농경지 간의 경계면을 파악하여 경작지도를 생성(S430)하는 단계는 도 3에 도시된 바와 같이 폴리곤 렌더링이 수행된 이미지에서 각각의 폴리곤이 만나는 꼭지점의 개수를 이용하여 경계면 점의 좌표를 파악(S431)하는 단계, 각각의 경계면 점을 선으로 연결하여 정리(S432)하는 단계, GPS 또는 GLONASS 좌표와 연동하여 지상좌표계로 변환(S433)하는 단계 및 로봇 농기계(300)로부터 수신된 토양의 각종 상태 정보를 바탕으로 작물의 종류를 변별하여 실제 경작 가능 공간을 파악하여 경작지도를 완성(S434)하는 단계를 포함한다.
구체적으로, 도 4 및 도 5에 도시된 바와 같이 항공 촬영 이미지를 바탕으로 폴리곤 렌더링이 수행된 이미지를 보면 농작물이 실제로 재배되는 공간인 농경지의 경우 농작물이 재배되지 않는 공간인 농경지 사이의 길, 논두렁, 밭두렁 등에 비해 폴리곤의 밀도가 높다. 즉, 농경지의 경우 길, 논두렁, 밭두렁 등에 비해 일정 면적 내에 폴리곤의 개수가 더 많으며, 이에 따라 각각의 폴리곤들이 만나는 꼭지점의 수가 상대적으로 많게 된다. 따라서, 폴리곤들이 만나는 꼭지점의 개수가 확연히 줄어드는 지점의 좌표를 구함으로써 경계면 점의 좌표를 구할 수 있고(S431), 각각 구한 경계면 좌표를 선으로 연결(S432)하여 실제로 경작이 수행되는 농경지와 경작이 수행되지 않는 길, 논두렁, 밭두렁 등과의 경계면을 파악할 수 있다. 이때, 농작물의 생장이 크게 이루어지면 잎사귀가 많아지는 등 폴리곤 밀도가 더 조밀해지므로 더 쉽게 경계면 파악이 가능하다.
또한, 도 6에 도시된 바와 같이 농경지와 길, 논두렁, 밭두렁 등과의 경계면은 폴리곤을 구성하는 선들의 각도가 거의 180도에 가까운 것을 알 수 있으며 이를 활용하여 경계면을 더욱 정확하게 파악할 수 있다. 이때, 상기와 같은 폴리곤 렌더링 이미지를 활용한 경계선 파악 과정에서 라이다(LiDAR, Light Detection And Ranging) 장치를 통해 측정된 농경지의 고도 정보를 부가적인 데이터로 사용할 수 있으며, 이러한 고도 정보를 폴리곤 밀도 정보와 비교 분석함으로써 더욱 정확하게 농경지의 경계면을 파악할 수 있다. 예를 들어, 논두렁의 고도가 논, 밭 등의 고도보다 높기 때문에 라이다 측정 데이터로 논두렁과 논, 밭 등의 경계 구분이 가능하다.
이후, 상기와 같이 경계면이 파악되어 정리된 전자지도를 GPS 또는 GLONASS 좌표와 연동하여 지상좌표계로 변환(S433)한 후 로봇 농기계(300)로부터 수신된 토양의 각종 상태 정보를 바탕으로 작물의 종류를 변별하여 실제 경작 가능 공간을 파악하여 경작지도를 완성(S434)한다. 구체적으로, 운용서버(100)의 데이터베이스(140)는 농경지의 폴리곤 밀도 정보와 로봇 농기계(300)로부터 수신된 자갈, 모래 및 미사의 비율, 토양의 수분량, 산도 등을 포함하는 토양의 각종 상태 정보를 누적하여 저장하고 있으며, 딥러닝 기반의 인공지능 경작지도 생성부(120)는 데이터베이스(140)에 누적된 정보를 바탕으로 한 반복 학습을 통해 폴리곤의 밀도 범위에 따른 농작물의 종류를 매칭시킴으로써(예를 들어 해당 농경지의 단위 면적당 폴리곤의 개수가 30~50일 때에는 감자, 해당 농경지의 단위 면적당 폴리곤의 개수가 50~100일 때에는 벼 등으로 분류) 해당 농경지에 실제로 경작된 농작물의 종류를 파악할 수 있다. 즉, 로봇 농기계(300)로부터 수신된 자갈, 모래 및 미사의 비율, 토양의 수분량, 산도 등을 포함하는 토양의 각종 상태 정보를 통해 해당 농경지에 경작하기 적합한 농작물을 파악할 수 있으며, 이렇게 파악된 농작물을 해당 농경지의 폴리곤 밀도 정보와 매칭 하는 과정을 반복하고, 데이터를 누적하여 패턴을 학습함으로써 폴리곤 밀도 범위에 따른 농작물의 종류를 변별할 수 있게 되는 것이다.
또한, 이러한 농작물들은 종류별로 각각의 농작물 간의 경작 간격이 모두 다르기 때문에(예를 들어 벼는 서로 간격이 가깝도록 경작되고 감자는 벼에 비해 더 넓은 간격으로 경작됨) 도 7에 도시된 바와 같이 인공지능 경작지도 생성부(120)를 통해 파악된 농작물의 종류에 따라 해당 농경지에서 실제로 경작될 수 있는 공간을 파악할 수 있다. 도 7을 참고하면, 1번은 A와 B 농경지 간의 간격이며, 이 간격은 길이나 논두렁, 밭두렁이 될 수 있고, 2번은 A 농경지 내에서 경작될 수 없는 공간, 즉 로봇 농기계(300)가 접근할 수 없는 공간이 된다. 즉, 각각의 농작물 마다 경작 간격이 다르기 때문에 일정 면적 내에 경작할 수 있는 농작물의 수가 서로 다르며 또한 로봇 농기계(300)가 길이나 논두렁, 밭두렁을 무너뜨리는 것을 방지하기 위해 길이나 논두렁, 밭두렁에 인접한 일정 면적은 경작을 할 수 없는 여유 공간이 되어야 한다. 따라서, 경작물의 종류가 파악되면 해당 경작물의 경작 간격이 파악되기 때문에 이를 바탕으로 농경지 내에서 해당 경작물을 실제로 경작할 수 있는 공간, 즉, 길이나 논두렁, 밭두렁에 인접한 여유 면적을 제외한 나머지 공간을 파악할 수 있는 것이다.
이에 더하여, 해당 농경지 내에서 농경지의 토양 상태 정보를 바탕으로 서로 다른 경작물을 경작하기 위한 공간을 분리하여 파악하는 것도 가능하다.(예를 들어 A공간은 벼농사를 목적으로 하는 공간, A`공간은 보리 경작을 위한 공간)
한편, 상기와 같이 생성되는 경작지도는 로봇 농기계(300)가 경작을 하기 전에 최신 측량 정보를 우선으로 하여 주기적으로 업데이트 되도록 한다.
이상에서 상세히 설명한 바와 같이 본 발명에 따르면 항공 촬영 이미지를 이용하여 폴리곤 렌더링을 수행한 후 폴리곤의 밀도 차이를 통해 경작지 간의 경계면을 정확히 파악한 경작지도를 생성한 후 로봇 농기계에 전송함으로써 로봇 농기계를 통해 정확한 위치에 농작물을 경작하는 것이 가능한 효과가 있다.
또한, 로봇 농기계의 센서부에서 측정된 각종 토양 관련 정보와 폴리곤의 밀도 정보를 누적하여 저장하고, 딥러닝 기반의 인공지능 경작지도 생성부에서 상기 저장된 정보를 바탕으로 폴리곤의 밀도 범위에 따른 농작물의 종류를 매칭시킴으로써 농작물의 종류를 파악하고, 농작물의 종류에 따른 실제 경작 가능 공간을 정확하게 파악하여 경작 지도를 생성한 후 로봇 농기계에 제공함으로써 로봇 농기계의 경작 작업 시 경작지 사이의 논두렁, 밭두렁이 무너지는 것을 방지하고 효율적으로 경작 작업이 이루어지도록 할 수 있는 효과가 있다.
상기한 본 발명의 바람직한 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면, 본 발명의 사상과 범위 안에서 다양한 수정, 변경 및 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 본 발명의 특허청구 범위에 속하는 것으로 보아야 할 것이다.
100 : 운용서버
110 : 통신처리부
120 : 인공지능 경작지도 생성부
130 : 데이터처리부
140 : 데이터베이스
200 : 무인드론
210 : 통신부
220 : 촬영부
230 : 제어부
300 : 로봇 농기계
310 : 통신부
320 : 제어부
330 : 센서부
340 : 저장부

Claims (5)

  1. 경작지도를 생성하기 위한 항공 촬영을 수행하는 무인드론;
    상기 무인드론으로부터 전송 받은 항공 촬영 이미지를 이용하여 경작지도를 생성하는 운용서버; 및
    상기 운용서버로부터 전송 받은 경작지도를 바탕으로 농경지에 작물을 경작하는 로봇 농기계;를 포함하며,
    상기 운용서버는,
    상기 무인드론 및 로봇 농기계와 정보 송수신을 위한 통신채널을 연결하기 위해 마련되는 통신처리부;
    상기 무인드론으로부터 전송 받은 항공 촬영 이미지를 이용하여 폴리곤 렌더링을 수행한 후 농경지의 경계선을 파악하여 경작지도를 생성하고, 성된 경작지도를 상기 로봇 농기계로 제공하기 위해 마련되는 인공지능 경작지도 생성부;
    생성된 경작지도 데이터를 상기 로봇 농기계로 전송할 수 있는 전송 표준 포맷으로 변환하기 위해 마련되는 데이터 처리부; 및
    경작지도 데이터와 상기 로봇 농기계로부터 수신된 토양 상태 정보를 저장하기 위해 마련되는 데이터베이스;를 포함하며,
    상기 인공지능 경작지도 생성부는 딥러닝 기반의 인공지능으로 구성되어 상기 로봇 농기계로부터 전송된 토양의 각종 상태 정보와 폴리곤의 밀도 정보를 매칭 하여 농경지에 경작될 농작물의 종류를 자동으로 파악할 수 있는 것을 특징으로 하는 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템.
  2. 삭제
  3. 제1항에 있어서,
    상기 로봇 농기계는,
    상기 운용서버와 정보 송수신을 위한 통신 채널을 연결하기 위해 마련되는 통신부;
    상기 로봇 농기계의 각 구성을 제어하기 위해 마련되는 제어부;
    상기 로봇 농기계의 경작 과정에서 해당 토양에 관한 각종 상태 정보를 측정하기 위해 마련되는 센서부; 및
    상기 운용서버로부터 전송받은 경작지도 데이터를 저장하기 위해 마련되는 저장부;를 포함하는 것을 특징으로 하는 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템.
  4. 무인드론을 이용하여 경작을 하기 위한 농경지의 항공 촬영을 수행하는 (a)단계;
    상기 무인드론이 항공 촬영 이미지를 운용서버의 인공지능 경작지도 생성부로 전송하는 (b)단계;
    상기 인공지능 경작지도 생성부에서 상기 무인드론으로부터 전송 받은 항공 촬영 이미지를 이용하여 폴리곤 렌더링을 수행한 후 농경지 간의 경계면을 파악하여 경작지도를 생성하는 (c)단계;
    생성된 경작지도를 상기 운용서버의 데이터베이스에 저장함과 동시에 상기 운용서버의 데이터 처리부에서 생성된 경작지도 데이터를 로봇 농기계로 전송할 수 있는 전송 표준 포맷으로 변환하여 상기 로봇 농기계로 전송하는 (d)단계;
    상기 로봇 농기계가 전송받은 경작지도를 기반으로 농경지에 경작 활동을 함과 동시에 상기 로봇 농기계의 센서부를 통해 해당 농경지 토양의 각종 상태 정보를 수집하는 (e)단계; 및
    상기 로봇 농기계의 센서부를 통해 수집된 농경지 토양의 각종 상태 정보를 상기 운용서버로 전송하는 (f)단계;를 포함하는 것을 특징으로 하는 인공지능 기반 농업 로봇용 농경지 경작지도 생성 방법.
  5. 제4항에 있어서,
    상기 운용서버의 인공지능 경작지도 생성부를 통해 수행되는 상기 (c)단계는,
    폴리곤 렌더링이 수행된 이미지에서 각각의 폴리곤이 만나는 꼭지점의 개수를 이용하여 경계면 점의 좌표를 파악 하는 단계;
    각각의 경계면 점을 선으로 연결하여 정리하는 단계;
    GPS 또는 GLONASS 좌표와 연동하여 지상좌표계로 변환하는 단계; 및
    상기 로봇 농기계로부터 수신된 토양의 각종 상태 정보와 폴리곤의 밀도 정보를 매칭 하여 농경지에 경작될 농작물의 종류를 변별하여 농경지에서 실제 경작 가능한 공간을 파악하는 단계;를 포함하는 것을 특징으로 하는 인공지능 기반 농업 로봇용 농경지 경작지도 생성 방법.
KR1020200076978A 2020-06-24 2020-06-24 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템 및 방법 KR102371433B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200076978A KR102371433B1 (ko) 2020-06-24 2020-06-24 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200076978A KR102371433B1 (ko) 2020-06-24 2020-06-24 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20210158538A KR20210158538A (ko) 2021-12-31
KR102371433B1 true KR102371433B1 (ko) 2022-03-07

Family

ID=79177730

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200076978A KR102371433B1 (ko) 2020-06-24 2020-06-24 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102371433B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018029517A (ja) 2016-08-24 2018-03-01 シャープ株式会社 作物栽培支援システム及び土壌改良装置
WO2018178468A1 (es) 2017-03-31 2018-10-04 Hemav Technology, S.L. Procedimiento de tratamiento de cultivos
JP2018164420A (ja) * 2017-03-28 2018-10-25 井関農機株式会社 作業車両の作業管理システム
KR102053582B1 (ko) 2019-05-28 2019-12-06 (주) 지오아이티 딥러닝 기반 영상패턴학습을 이용한 토지피복 분류 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018029517A (ja) 2016-08-24 2018-03-01 シャープ株式会社 作物栽培支援システム及び土壌改良装置
JP2018164420A (ja) * 2017-03-28 2018-10-25 井関農機株式会社 作業車両の作業管理システム
WO2018178468A1 (es) 2017-03-31 2018-10-04 Hemav Technology, S.L. Procedimiento de tratamiento de cultivos
KR102053582B1 (ko) 2019-05-28 2019-12-06 (주) 지오아이티 딥러닝 기반 영상패턴학습을 이용한 토지피복 분류 방법

Also Published As

Publication number Publication date
KR20210158538A (ko) 2021-12-31

Similar Documents

Publication Publication Date Title
US20200242358A1 (en) Generation of digital cultivation maps
US11765542B2 (en) Hybrid vision system for crop land navigation
EP2697670B1 (en) Visual information system and computer mobility application for field personnel
US9076105B2 (en) Automated plant problem resolution
JP5821970B2 (ja) 算出方法、算出プログラムおよび算出装置
JP2021516060A (ja) 植物体耕作データ測定方法、作業経路計画方法及び装置、システム
US11716985B2 (en) Method for remediating developmentally delayed plants
JP6836385B2 (ja) 位置特定装置、位置特定方法およびプログラム
Reiser et al. Iterative individual plant clustering in maize with assembled 2D LiDAR data
WO2021122962A1 (en) Computer implemented method for providing test design and test instruction data for comparative tests on yield, gross margin, efficacy or vegetation indices for at least two products or different application timings of the same product
CN110622949B (zh) 除草方法及装置
Negrete Precision agriculture in Mexico; Current status and perspectives
KR102371433B1 (ko) 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템 및 방법
Goense et al. An information model to describe systems for spatially variable field operations
CN114667552A (zh) 用于自动缓冲区管理的方法
Kaivosoja Role of spatial data uncertainty in executions of precision farming operations
Shahbazi Use of Light Detection and Ranging (LiDAR) to detect and map weeds that grow taller than crops at harvest
Escolà et al. Agricultural Robotic Sensors for Crop and Environmental Modelling
Norzahari et al. Spatially smart wine–testing geospatial technologies for sustainable wine production
McGahee Image-based mapping system for transplanted seedlings
JP2019135623A (ja) 植物情報作成システム
Cujbescu et al. Adaptation of phytosanitary treatments correlated with the analysis of vegetation maps obtained through the means of an agricultural drone.
WO2023230186A1 (en) Systems and methods for use in identifying trials in fields
Murdoch et al. Final report on research project PS2010, proof of concept of automated mapping of weeds in arable fields
WHITE et al. Spatially Smart Wine–Testing Geospatial Technologies for Sustainable Wine Production

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant