KR102460814B1 - 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법 및 시스템 - Google Patents

뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법 및 시스템 Download PDF

Info

Publication number
KR102460814B1
KR102460814B1 KR1020210152573A KR20210152573A KR102460814B1 KR 102460814 B1 KR102460814 B1 KR 102460814B1 KR 1020210152573 A KR1020210152573 A KR 1020210152573A KR 20210152573 A KR20210152573 A KR 20210152573A KR 102460814 B1 KR102460814 B1 KR 102460814B1
Authority
KR
South Korea
Prior art keywords
cultivation
image
plant
root
learning
Prior art date
Application number
KR1020210152573A
Other languages
English (en)
Inventor
박해영
Original Assignee
주식회사 미드바르
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 주식회사 미드바르 filed Critical 주식회사 미드바르
Priority to PCT/KR2022/011982 priority Critical patent/WO2023022433A1/ko
Application granted granted Critical
Publication of KR102460814B1 publication Critical patent/KR102460814B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Animal Husbandry (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법에 관한 것이며, 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법은, 기 훈련된 학습 모델의 의사 결정에 의해 변화하는 뿌리 형태 이미지를 획득하고, 상기 뿌리 형태 이미지를 고려하여 상기 학습 모델의 의사 결정과 뿌리 형태학에 대한 상관 관계를 학습하는 단계, 사용자 단말부터 식물의 재배 과정과 관련하여 제공받은 재배 이미지 태그 정보와 식물의 이미지를 연계하여 생육재배 정보를 생성하고, 상기 생육재배 정보를 고려하여 식물의 현재 상태와 식물의 재배 목표 상태에 대한 학습을 수행하는 단계, 학습된 상관 관계 및 상기 생육재배 정보를 고려하여 뿌리 이미지 변화 관계를 학습하는 교육 알고리즘을 생성하는 단계 및 생성된 교육 알고리즘을 참고하되, 이미지 입력 장치로부터 획득된 지상부의 식물 이미지 및 뿌리 형태 이미지를 입력으로하고 식물 재배 시스템을 제어하기 위한 제어 신호를 출력으로하는 재배 학습 모델을 구축하는 단계를 포함할 수 있다.

Description

뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법 및 시스템{METHOD AND SYSTEM FOR GENERATING ARTIFICIAL INTELLIGENCE MODEL BASED ON ROOT MORPHOLOGY DATA}
본원은 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법 및 시스템에 관한 것이다.
뿌리 형태학은 식물 형태학의 한 분야로 뿌리의 형태학에 대한 연구이다. 뿌리 형태학은 식물 뿌리를 시각적으로 동정할 때 유용하다. 뿌리 형태학 선행 연구 자료에 의하면 뿌리의 건물량(the dry matter mass)과 식물 지상부의 건물량은 상 관 관계(correlation analysis)가 있다.
이러한, 현대 농업 인공지능(AI)은 토양이나 양액의 EC, pH, 온도, 습도, 영양 성분 조성 비율, 공기의 습도, 온도, 이산화탄소의 농도, 광량 등 다양한 센서를 통해 획득된 빅데이터를 기반으로 만들어진다.
한편, 현대 농업 인공지능(AI)에 사용되는 데이터의 질은 센서의 정밀도에 의해 좌우되며 정밀 농업을 추구할수록 센서의 수는 늘어나고 질은 고도화 되어야 하며 이에 따라 시스템 비용은 증가한다는 문제점이 있다.
본원의 배경이 되는 기술은 한국등록특허공보 제10-2282826호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 다양한 센서로부터 획득되는 데이터를 이용하여 만들어지는 빅데이터 기반의 농업 인공지능(AI)의 한계의 단점 및 고비용의 농업 센서를 사용해야하는 기존 인공지능(AI) 패러다임을 벗어나 뿌리 형태학 데이터(뿌리 이미지 데이터)만을 이용하여 식물을 재배할 수 있는 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법 및 시스템을 제공하려는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법은, (a) 기 훈련된 학습 모델의 의사 결정에 의해 변화하는 뿌리 형태 이미지를 획득하고, 상기 뿌리 형태 이미지를 고려하여 상기 학습 모델의 의사 결정과 뿌리 형태학에 대한 상관 관계를 학습하는 단계, (b) 사용자 단말로부터 식물의 재배 과정과 관련하여 제공받은 재배 이미지 태그 정보와 식물의 이미지를 연계하여 생육재배 정보를 생성하고, 상기 생육재배 정보를 고려하여 식물의 현재 상태와 식물의 재배 목표 상태에 대한 학습을 수행하는 단계, (c) 학습된 상관 관계 및 상기 생육재배 정보를 고려하여 뿌리 이미지 변화 관계를 학습하는 교육 알고리즘을 생성하는 단계 및 (d) 생성된 교육 알고리즘을 참고하되, 이미지 입력 장치로부터 획득된 지상부의 식물 이미지 및 뿌리 형태 이미지를 입력으로하고 식물 재배 시스템을 제어하기 위한 제어 신호를 출력으로하는 재배 학습 모델을 구축하는 단계를 포함할 수 있다.
또한, 상기 (a)단계는, 복수의 센서로부터 식물의 상태 정보 및 식물의 환경 정보를 포함하는 센싱 정보를 제공받는 단계, 상기 센싱 정보를 입력으로하고 상기 식물 재배 시스템을 제어하기 위한 제어 신호를 출력으로하는 학습 모델을 구축하는 단계 및 상기 학습 모델의 출력 결과에 의해 시계열적으로 변화하는 식물의 뿌리 형태를 모니터링하는 단계를 포함하되, 상기 기 훈련된 학습 모델은, 상기 학습 모델을 구축하는 단계에 의해 훈련된 인공지능 모델일 수 있다.
또한, 상기 (b)단계는, 상기 센싱 정보, 상기 식물 이미지 및 상기 뿌리 형태 이미지를 상기 사용자 단말로 제공하는 단계, 상기 사용자 단말로부터 식물 상태 정보와 관련한 복수의 아이콘 항목 중 적어도 어느 하나를 선택한 사용자 입력 정보를 재배 이미지 태그 정보로서 수신하는 단계, 상기 재배 이미지 태그 정보와 가상의 식물 이미지를 연계하여 상기 재배 학습 모델의 학습을 위한 생육재배 정보를 생성하는 단계 및 상기 생육재배 정보를 고려하여 식물의 현재 상태와 식물의 재배 목표 상태에 대한 학습을 수행하는 단계를 포함할 수 있다.
또한, 재배 학습 모델은, 식물의 성장 단계별 목표 이미지 및 뿌리 형태학 지표를 고려하여 상기 식물 재배 시스템을 제어하기 위한 제어 신호를 생성할 수 있다.
본원의 일 실시예에 따르면, 뿌리 형태학 데이터 기반의 인공지능 모델 생성 시스템은, 복수의 이미지 입력 장치를 이용하여 지상부의 식물 이미지 및 뿌리 형태의 다원적 및 다각적 이미지를 제공하는 이미지 입력 장치, 기 훈련된 학습 모델의 의사 결정과 뿌리 형태학에 대한 상관 관계에 대한 학습을 수행하는 교육 알고리즘을 참고하되, 이미지 입력 장치로부터 획득된 지상부의 식물 이미지 및 뿌리 형태 이미지를 입력으로하고 식물 재배 시스템을 제어하기 위한 제어 신호를 출력으로하는 재배 학습 모델을 구축하는 인공지능 모델, 상기 인공지능 모델의 출력 결과를 고려하여 복수의 식물 재배 장치 중 적어도 어느 하나를 제어하는 식물 재배 시스템 및 식물의 재배 과정과 관련하여 재배 이미지 태그 정보를 상기 인공지능 모델로 제공하는 사용자 단말을 포함할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 뿌리 형태학 이미지 데이터를 이용하여 식물의 생장 조건 설정을 위한 학습 모델을 구축함으로써, 다양한 센서로부터 획득되는 데이터를 이용하여 만들어지는 빅데이터 기반의 농업 인공지능(AI)의 한계의 단점 및 고비용의 농업 센서를 사용해야하는 기존 인공지능(AI) 패러다임을 벗어나 뿌리 형태학 데이터(뿌리 이미지 데이터)만을 이용하여 식물을 재배할 수 있는 효과가 있다.
전술한 본원의 과제 해결 수단에 의하면, 인공지능(AI)의 학습과정과 결과 도출 과정을 수치화된 데이터가 아닌 직관적으로 해석 가능한 영상 데이터를 기반으로 제공함으로써, 인공지능(AI)의 학습 과정과 의사 결정 과정을 사용자(사람 마스터)가 이해하기 쉽다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도 1은 본원의 일 실시예에 따른 뿌리 형태학 데이터 기반의 인공지능 모델 생성 시스템의 개략적인 구성도이다.
도 2는 본원의 일 실시예에 따른 이미지 입력 장치를 예시적으로 나타낸 도면이다.
도 3은 본원의 일 실시예에 따른 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법에 대한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
본원은 식물의 뿌리 형태학 데이터를 이용하여 인공지능 학습을 수행함으로써, 센서를 이용하여 획득되는 재배 환경 정보 및 작물 정보 없이 그 값들을 역산하여 식물을 재배할 수 있는 식물 재배 인공지능(AI)을 제작할 수 있다.
본원은 뿌리 형태학 이미지 데이터와 작물 생산성에 대한 상관관계를 학습 데이터로하는 식물 재매 인공지능(AI) 교육 알고리즘(소프트웨어)을 통해 구현되며 인공지능 학습에 필요한 뿌리 형태학 이미지 데이터를 생성(형성)하기 위해 뿌리의 발달 과정과 특성을 2D와 3D 이미지 정보 입력 장치(하드웨어로)로부터 제공받을 수 있다.
본원은 인공지능(AI)의 학습과정과 결과 도출 과정을 수치화된 데이터가 아닌 직관적으로 해석 가능한 영상데이터로 제공하기 때문에 인공지능(AI)의 학습 과정과 의사 결정 과정을 사용자(사람 마스터)가 이해하기 쉽다는 장점이 있다.
도 1은 본원의 일 실시예에 따른 뿌리 형태학 데이터 기반의 인공지능 모델 생성 시스템의 개략적인 구성도이다.
이하에서는 설명의 편의상 뿌리 형태학 데이터 기반의 인공지능 모델 생성 시스템(1)을 본 시스템(1)이라 하기로 한다.
도 1을 참조하면 본 시스템(1)은 인공지능 모델(10), 식물 재배 시스템(20), 이미지 입력 장치(30), 사용자 단말(40)을 포함할 수 있다. 다만, 본 시스템(1)의 구성이 이에 한정되는 것은 아니다.
본 시스템(1)은 기존 작물 형태학 연구 성과를 기본으로 기초 교육 알고리즘을 구성하고, 재배 작물의 뿌리 발달 과정 및 형태 이미지를 학습 데이터로 하여 식물의 재배 환경과 식물의 상태를 해석하고 재배 환경과 시스템을 제어하여 목표 생산성과 관리하는 방식의 식물 재배 인공지능(AI)에 관한 것이다.
본원의 일 실시예에 따르면, 인공지능 모델(10)은 센싱 정보 기반의 기 학습된 학습 모델의 의사 결정과 뿌리 이미지 변화 관계의 학습을 수행할 수 있다. 또한, 인공지능 모델(10)은 사용자 단말(40)로부터 제공받은 재배 과정을 통해 형성되는 재배 정보가 포함된 이미지 태그로 현재 상태와 목표 상태에 대한 이미지 학습을 수행할 수 있다. 또한, 인공지능 모델(10)은 교육 알고리즘을 형성하면 앞서 학습이 수행된 채널과 분리하여 이미지 정보만으로 목표를 달성하는 재배 학습 모델을 훈련시킬 수 있다. 즉, 인공지능 모델(10)은 식물의 지상부의 이미지와 뿌리 형태학 정보만으로 식물 재배 시스템(20)을 제어하는 인공지능 기반의 학습 모델일 수 있다.
본원의 일 실시예에 따르면, 식물 재배 시스템(20)은 인공지능 모델의 출력 결과를 고려하여 복수의 식물 재배 장치 중 적어도 어느 하나를 제어할 수 있다. 복수의 식물 재배 장치는, 물과 양분 또는 약제를 공급하기 위한 공급부, 빛을 발산하는 광원부, 온도 조절부, 습도 조절부, Co2조절부, 환기 장치 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 식물 재배 시스템(20)은 빛, 온도, 습도, 이산화탄소 배양액 따위를 인위적으로 제어하는 스마트 팜(Smart Farm)일 수 있다.
도 2는 본원의 일 실시예에 따른 이미지 입력 장치를 예시적으로 나타낸 도면이다.
도 2를 참조하면 이미지 입력 장치(30)는 식물의 지상부 촬영을 위한 광학 카메라(31) 및 뿌리부 촬영을 위한 스캐너(32) 등을 포함할 수 있다. 이미지 입력 장치(30)로부터 획득되는 이미지는 3차원, 2차원, 적외선, 자외선 이미지 등의 이미지가 포함될 수 있다. .
예시적으로 스캐너(32)는 상하로 이동하며 뿌리를 3D, 2D로 전체 이미지를 고해상도로 스캔할 수 있다. 스캐너(32)는 원형 또는 회전형으로 형성될 수 있으나, 이에 한정되는 것은 아니다.
또한, 도면에 도시하진 않았으나, 이미지 입력 장치(30)는 뿌리 골무를 관찰할 수 있는 디지털 현미경, 전체 이미지를 24시간 모니터할 수 있는 뿌리부 광학 카메라를 포함할 수 있다. 여기서, 이미지 입력 장치(30)에 포함된 복수의 광학 장치는 방수 기능이 있어야하며 광학 정보를 입력 받는 랜들은 초소수성 코팅을 통해 물방울 맺힘을 방지하거나 와이퍼 기능이 포함되어야 한다.
본원의 일 실시예에 따르면, 인공지능 모델(10)은 사용자 단말(40)로 식물 관리 메뉴를 제공할 수 있다. 예를 들어, 인공지능 모델(10)이 제공하는 어플리케이션 프로그램을 사용자 단말(40)이 다운로드하여 설치하고, 설치된 어플리케이션을 통해 식물 관리 메뉴가 제공될 수 있다.
인공지능 모델(10)은 식물 재배 시스템(20), 이미지 입력 장치(30) 및 사용자 단말(40)과 데이터, 콘텐츠, 각종 통신 신호를 네트워크를 통해 송수신하고, 데이터 저장 및 처리의 기능을 가지는 모든 종류의 서버, 단말, 또는 디바이스를 포함할 수 있다.
사용자 단말(40)은 네트워크를 통해 인공지능 모델(10)과 연동되는 디바이스로서, 예를 들면, 스마트폰(Smartphone), 스마트패드(Smart Pad), 태블릿 PC, 웨어러블 디바이스 등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치 및 데스크탑 컴퓨터, 스마트 TV와 같은 고정용 단말기일 수도 있다.
인공지능 모델(10), 식물 재배 시스템(20), 이미지 입력 장치(30) 및 사용자 단말(40) 간의 정보 공유를 위한 네트워크의 일 예로는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 유무선 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, Wifi 네트워크, NFC(Near Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함될 수 있으며, 이에 한정된 것은 아니다.
이하에서는 상기에 간단히 설명된 내용을 기반으로, 본원의 동작 흐름을 자세히 살펴보기로 한다.
도3는 본원의 일 실시예에 따른 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법에 대한 동작 흐름도이다.
도 3에 도시된 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법은 앞서 설명된 인공지능 모델(10)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 인공지능 모델(10)에 대하여 설명된 내용은 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법에 대한 설명에도 동일하게 적용될 수 있다.
도 3을 참조하면, 단계 S10에서, 인공지능 모델(10)은 복수의 센서(100)로부터 센싱 정보를 제공받을 수 있다.
본원의 일 실시예에 따르면, 인공지능 모델(10)은 복수의 센서(100)로부터 식물의 상태 정보 및 식물의 환경 정보를 포함하는 센싱 정보를 제공받을 수 있다. 일예로, 복수의 센서(100)는 식물의 상태 정보를 획득하기 위한 토양 센서, 잎의 색, 식물의 크기, 열매의 색을 획득하기 위한 이미지 센서, 광량을 감지하기 위한 광 센서, 식물의 성장 높이를 센싱하기 위한 성장감지 센서 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 식물의 환경 정보를 감지하는 센서는 온도, 습도, 산소, 이산화탄소 등을 감지할 수 있는 복수의 센서를 포함할 수 있다.
계 S11에서, 인공지능 모델(10)은 복수의 센서(100)로부터 제공받은 센싱 정보를 입력으로하고, 식물 재배 시스템(20)을 제어하기 위한 제어 신호를 출력으로 하는 제1학습을 수행할 수 있다. 일예로, 제1학습은 딥러닝 학습일 수 있으나, 이에 한정되는 것은 아니며, 기 개발되었거나 향후 개발되는 다양한 신경망 체계를 적용할 수 있다.
또한, 인공지능 모델(10)은 센싱 정보를 입력으로하고 식물 재배 시스템(20)을 제어하기 위한 제어 신호를 출력으로 하는 학습 모델(제1학습)을 구축할 수 있다. 여기서, 학습 모델은 인공지능 모델일 수 있다. 일예로, 식물 재배 시스템(20)을 제어하기 위한 제어 신호는, 광, 온도, 습도, 이산화탄소(CO2), 양분, 환기와 관련된 복수의 식물 재배 장치 중 적어도 어느 하나의 구동을 제어하기 위한 제어 신호를 포함할 수 있다.
인공지능 모델(10)은 복수의 센서(100)에서 소정의 시간 간격(예를 들어, 1시간) 단위로 획득되는 시계열 센싱 정보를 인공지능 기반의 학습 모델에 적용하여 학습시킨 뒤 식물의 성장 상태를 판독하고 이를 통해 식물 재배 시스템(20)을 제어하기 위한 제어 신호를 생성할 수 있다.
단계 S12에서, 인공지능 모델(10)은 제1학습의 수행 결과인 제어 신호를 식물 재배 시스템(20)으로 제공할 수 있다. 식물 재배 시스템(20)은 제1학습의 수행 결과인 제어 신호를 기반으로 복수의 식물 재배 장치 중 적어도 어느 하나를 제어할 수 있다. 일예로, 제1학습의 수행 결과가 물 부족인 경우, 식물 재배 시스템(20)은 복수의 식물 재배 장치에 포함된 물 공급부의 구동을 제어할 수 있다. 따른 일예로, 제1학습의 수행 결과가 영양분 부족인 경우, 식물 재배 시스템(20)은 복수의 식물 재배 장치에 포함된 양액 공급부의 구동을 제어할 수 있다.
단계 S13에서, 인공지능 모델(10)은 이미지 입력 장치(30)로부터 뿌리 형태 이미지를 제공받을 수 있다. 이미지 입력 장치(30)로부터 제공받은 뿌리 형태 이미지는, 3차원 이미지 및 2차원 이미지 정보를 포함할 수 있다.
예시적으로, 인공지능 모델(10)은 이미지 입력 장치(30)로부터 소정의 시간 간격에 따라 획득되는 3차원, 2차원, 적외선, 자외선 뿌리 형태 이미지를 제공받을 수 있다. 일예로, 소정의 시간 간격은 이미지 입력 장치(30)가 변화를 인식할 수 있는 능력에 따라 조정될 수 있다.
또한, 인공지능 모델(10)은 학습 모델의 출력 결과에 의해 시계열적으로 변화하는 식물의 뿌리 형태를 모니터링할 수 있다. 일예로, 인공지능 모델(10)은 제1학습을 통해 각각의 환경 값이 바뀔 때 뿌리 형태학적 특징 이미지를 24시간 관찰할 수 있다. 이를 통해 인공지능 학습 모델이 스스로 상관 관계에 대한 알고리즘을 형성할 수 있다.
또한, 인공지능 모델(10)은 센싱 정보와 제1학습의 출력 값에 따라 뿌리가 어떻게 변화하는지 뿌리의 변화 과정을 시간별로 만들어 모니터링하는 것이, 추후 뿌리 형태 이미지 정보를 기반으로 수행되는 재배 학습 모델의 재배 제어 목표 값으로 사용될 수 있다.
단계 S14에서, 인공지능 모델(10)은 제2학습을 수행할 수 있다. 일예로, 제2학습은 제1학습의 수행 결과 즉, 제1학습의 의사 결정 및 단계 S13에서 이미지 입력 장치(30)로부터 제공받은 뿌리 형태 이미지를 기반으로 뿌리 이미지 변화 관계에 대해 수행되는 인공지능 기반의 학습일 수 있다. 일예로, 제2학습은 딥러닝 학습일 수 있으나, 이에 한정되는 것은 아니며, 기 개발되었거나 향후 개발되는 다양한 신경망 체계를 적용할 수 있다.
본원의 일 실시예에 따르면, 인공지능 모델(10)은 기 훈련된 학습 모델의 의사 결정에 의해 변화하는 뿌리 형태 이미지를 획득할 수 있다. 또한, 인공지능 모델(10)은 뿌리 형태 이미지를 고려하여 학습 모델의 의사 결정과 뿌리 형태학에 대한 상관 관계를 학습할 수 있다. 여기서, 기 훈련된 학습 모델은 앞서 설명된 인공지능 모델일 수 있다.
단계 S15에서, 인공지능 모델(10)은 사용자 단말(40)로부터 이미지 태그 정보를 제공받을 수 있다. 일예로, 단계 S15에서 수행되는 과정은 사용자(관리자)가 실제 이미지를 보고 싱크로율이 떨어지면 상태 이미지를 조정하여 인공지능을 교정하는 것일 수 있다. 즉, 인공지능 모델(10)은 이미지를 통한 재배 관리 과정 자체를 통해 인공지능 교육을 위한 생육재배 정보가 포함된 이미지 태그를 형성할 수 있다.
본원의 일 실시예에 따르면, 인공지능 모델(10)은 복수의 센서(100)로부터 획득되는 센싱 정보, 이미지 입력 장치(30)로부터 획득되는 식물 이미지 및 뿌리 형태 이미지를 사용자 단말(40)로 제공할 수 있다. 또한, 인공지능 모델(10)은 식물 재배 시스템(20)에서 획득되는 복수의 정보를 사용자 단말(40)로 제공할 수 있다.
또한, 인공지능 모델(10)은 사용자 단말(40)로부터 식물 상태 정보와 관련한 복수의 아이콘 항목 중 적어도 어느 하나를 선택한 사용자 입력 정보를 재배 이미지 태그 정보로서 수신할 수 있다. 사용자(사람 마스터)는 초 단위나 분 단위가 보는 것이 아니라 경험과 직관을 통해 추이 데이터를 통해 사용자 단말(40)을 이용하여 식물 상태 정보와 관련한 복수의 아이콘 중 적어도 어느 하나를 선택하는 사용자 입력 정보를 통해 식물의 생장 과정을 리뷰할 수 있다.
예시적으로, 복수의 아이콘 항목은 현재 식물의 상태를 판단할 수 있는 건강한 상태(제1항목), 시든 상태(제2항목), 웃자란 상태(제3항목)등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
인공지능 모델(10)은 사용자 단말(40)로부터 제공받은 입력 정보를 고려하여 사용자(사람 마스터)가 어떤 점들을 주목하는지 어떤 데이터를 활용하는지 그리고 어떤 이미지를 통해 어떤 출력 결정을 수행하는지 등을 통해 학습을 수행할 수 있다.
단계 S16에서, 인공지능 모델(10)은 이미지 태그 정보를 고려하여 제3학습을 수행할 수 있다. 이때, 제 3학습은 이미지 태그 정보를 고려하여 수행되는 인공지능 기반의 이미지 학습일 수 있다. 달리 말해, 제3학습은 다수의 사람 마스트의 재배 과정을 통해 형성되는 재배 정보가 포함된 이미지 태그로 현재 상태와 목표 상태에 대한 이미지 학습일 수 있다. 일예로, 제3학습은 합성곱신경망(Convolution Neural Network)일 수 있으나, 이에 한정되는 것은 아니며, 기 개발되었거나 향후 개발되는 다양한 신경망 체계를 적용할 수 있다.
본원의 일 실시예예 따르면, 인공지능 모델(10)은 사용자 단말(40)로부터 식물의 재배 과정과 관련하여 제공받은 재배 이미지 태그 정보와 식물의 이미지를 연계하여 생육재배 정보를 생성할 수 있다.
또한, 인공지능 모델(10)은 재배 이미지 태그 정보와 가상의 식물 이미지를 연계하여 재배 학습 모델의 학습을 위한 생육재배 정보를 생성할 수 있다.
또한, 인공지능 모델(10)은 생육재배 정보를 고려하여 식물의 현재 상태와 식물의 재배 목표 상태에 대한 학습을 수행할 수 있다.
단계 S17에서, 인공지능 모델(10)은 교육 알고리즘을 형성할 수 있다. 형성된 교육 알고리즘은 앞서 설명된 제2학습 및 제3학습을 포함할 수 있다.
본원의 일 실시예에 따르면, 인공지능 모델(10)은 학습된 상관 관계 및 생육재배 정보를 고려하여 뿌리 이미지 변화 관계를 학습하는 교육 알고리즘을 생성할 수 있다.
단계 S18에서, 인공지능 모델(10)은 이미지 입력 장치(30)로부터 지상부 식물 이미지 및 뿌리 형태 이미지를 제공받을 수 있다.
단계 S19에서, 인공지능 모델(10)은 재배 학습 모델을 구축할 수 있다. 재배 학습 모델은 제2학습 및 제3학습의 채널과 분리하여 이미지 정보만으로 목표를 달성하는 훈련을 수행하는 인공지능 기반의 학습 모델일 수 있다.
즉, 재배 학습 모델은 인공지능 모델(10)은 식물의 지상부의 이미지와 뿌리 형태학 정보만으로 식물 재배 시스템(20)을 제어하는 인공지능 기반의 학습 모델일 수 있다.
본원의 일 실시예에 따르면, 인공지능 모델(10)은 앞서 생성된 교육 알고리즘을 참고하되, 이미지 입력 장치(30)로부터 획득된 지상부의 식물 이미지 및 뿌리 형태 이미지를 입력으로하고, 식물 재배 시스템(20)을 제어하기 위한 제어 신호를 출력으로하는 재배 학습 모델을 구축할 수 있다.
예시적으로, 인공지능 모델(10)은 재배 학습 모델을 통해 잎이 처지는 각도와 속도를 통해 수분 부족과 온도를 예측할 수 있다. 또한, 인공지능 모델(10)은 재배 학습 모델을 통해 지상부의 식물 이미지 및 뿌리 형태 이미지를 이용하여 광도, 강우 상태, 그림자로 시간과 계절까지 모두 분석을 수행할 수 있다.
예시적으로, 재배 학습 모델은, 식물의 성장 단계별 목표 이미지 및 뿌리 형태학 지표를 고려하여 식물 재배 시스템을 제어하기 위한 제어 신호를 생성할 수 있다.
또한, 인공지능 모델(10)은 단계 S19를 통해 구축된 재배 학습 모델은 식물 성장 단계별 목표 이미지(지상부 성과 지표)와 그 성과 지표를 만들기 위한 초 단위 뿌리 발전 목표치가 있고 그 목표를 제어하기 위한 출력을 스스로 판단하여 생성할 수 있다.
일예로, 목표 달성을 위한 뿌리 형태학 지표는, 뿌리의 시간별 발달 속도 지표를 포함할 수 있다. 발달 속도는 주뿌리의 발달과 잔뿌리를 정량적으로 모니터링하는 것일 수 있다.
또한, 인공지능 모델(10)은 이미지 입력 장치(30)로 획득된 디지털 광학 현미경 이미지로 전체 형태 뿐만 아니라 뿌리 골무의 건강 상태를 판단할 수 있다. 인공지능 모델(10)은 재배 학습 모델을 통해 이미지 입력 장치(30)로 획득된 뿌리 골무(root cap)의 상태 이미지를 통해 식물 최적 pH가 유지되는지 영상 상태 등을 판단할 수 있다.
사람(관리자)이 전체 재배기간 24시간 모니터링하는 것은 물리적으로 불가능하다, 더욱이 실시간으로 500배율 또는 1000 배율로 뿌리를 관찰 할 수 없는 한계를 인공지능 모델(10)은 미리 설정된 시간 단위로 스캔하여 이미지 입력 장치(30)로부터 획득되는 복수의 이미지 정보를 이용하여 이미지 빅데이터를 형성하고 이미지 데이터의 변화와 학습된 환경변화에 따른 출력 제어 알고리즘(재배 학습 모델의 출력 결과)에 따라 뿌리 형태 목표 이미지 달성을 해가는 과정을 통해 식물을 재배할 수 있다.
단계 S20에서, 인공지능 모델(10)은 앞서 구축된 재배 학습 모델의 출력 결과인 제어 신호를 식물 재배 시스템(20)으로 제공할 수 있다. 식물 재배 시스템(20)은 재배 학습 모델의 출력 결과를 고려하여 조도 또는 양액의 공급량 등을 조절할 수 있다. 인공지능 모델(10)은 재배 학습 모델의 출력 결과인 제어 신호를 통해 식물 재배 시스템(20)의 구동을 제어함으로써, 식물의 최적생장환경 조성할 수 있다.
앞서 설명된 단계 S10 내지 단계 S20을 통해 인공지능 모델(10)은 기타 센서 정보 및 사용자 단말(40)에서 제공되는 입력 정보에 의존하지 않고 식물의 지상부 이미지 및 뿌리형태학 정보만으로 식물 재배 시스템(20)을 제어할 수 있는 인공지능 모델을 구축(형성)할 수 있다.
본원의 일 실시예에 따르면, 인공지능 모델(10)은 뿌리 전체에 대한 이미지를 획득하고 이를 기초로 학습 모델을 고도화하여 작물의 상태를 정확히 파악하고 이에 대응하여 조도 또는 양액의 공급량을 조절할 수 있다.
상술한 설명에서, 단계 S10 내지 S20은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시 예에 따른 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 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(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
1: 뿌리 형태학 데이터 기반의 인공지능 모델 생성 시스템
10: 인공지능 모델
20: 식물 재배 시스템
30: 이미지 입력 장치
40: 사용자 단말

Claims (5)

  1. 컴퓨팅 시스템에 의해 각 단계가 수행되는 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법으로서,
    (a) 기 훈련된 학습 모델의 의사 결정에 의해 변화하는 뿌리 형태 이미지를 획득하고, 상기 뿌리 형태 이미지를 고려하여 상기 학습 모델의 의사 결정과 뿌리 형태학에 대한 상관 관계를 학습하는 단계;
    (b) 사용자 단말로부터 식물의 재배 과정과 관련하여 제공받은 재배 이미지 태그 정보와 식물의 이미지를 연계하여 생육재배 정보를 생성하고, 상기 생육재배 정보를 고려하여 식물의 현재 상태와 식물의 재배 목표 상태에 대한 학습을 수행하는 단계;
    (c) 학습된 상관 관계 및 상기 생육재배 정보를 고려하여 뿌리 이미지 변화 관계를 학습하는 교육 알고리즘을 생성하는 단계; 및
    (d) 생성된 교육 알고리즘을 참고하되, 이미지 입력 장치로부터 획득된 지상부의 식물 이미지 및 뿌리 형태 이미지를 입력으로하고 식물 재배 시스템을 제어하기 위한 제어 신호를 출력으로하는 재배 학습 모델을 구축하는 단계를 포함하고,
    상기 (b)단계는,
    센싱 정보, 상기 식물 이미지 및 상기 뿌리 형태 이미지를 상기 사용자 단말로 제공하는 단계;
    상기 사용자 단말로부터 식물 상태 정보와 관련한 복수의 아이콘 항목 중 적어도 어느 하나를 선택한 사용자 입력 정보를 재배 이미지 태그 정보로서 수신하는 단계 ;
    상기 재배 이미지 태그 정보와 가상의 식물 이미지를 연계하여 상기 재배 학습 모델의 학습을 위한 생육재배 정보를 생성하는 단계; 및
    상기 생육재배 정보를 고려하여 식물의 현재 상태와 식물의 재배 목표 상태에 대한 학습을 수행하는 단계를 포함하고,
    상기 (b) 단계에서 인공지능 모델은 이미지 태그 정보를 고려하여 제3학습을 수행할 수 있으며, 제3학습은 이미지 태그 정보를 고려하여 수행되는 인공지능 기반의 이미지 학습이고,
    상기 (d) 단계를 통해 구축된 재배 학습 모델은,
    식물 성장 단계별 목표 이미지(지상부 성과 지표)와 그 성과 지표를 만들기 위한 초 단위 뿌리 발전 목표치가 있고 그 목표를 제어하기 위한 출력을 스스로 판단하여 생성할 수 있고,
    이미지 입력 장치로 획득한 디지털 광학 현미경 이미지로 전체 형태 뿐만 아니라 뿌리 골무의 건강 상태를 판단할 수 있는 것을 특징으로 하는 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법.
  2. 제1항에 있어서,
    상기 (a)단계는,
    복수의 센서로부터 식물의 상태 정보 및 식물의 환경 정보를 포함하는 센싱 정보를 제공받는 단계;
    상기 센싱 정보를 입력으로하고 상기 식물 재배 시스템을 제어하기 위한 제어 신호를 출력으로하는 학습 모델을 구축하는 단계; 및
    상기 학습 모델의 출력 결과에 의해 시계열적으로 변화하는 식물의 뿌리 형태를 모니터링하는 단계,
    를 포함하되,
    상기 기 훈련된 학습 모델은, 상기 학습 모델을 구축하는 단계에 의해 훈련된 인공지능 모델인 것인, 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 재배 학습 모델은,
    식물의 성장 단계별 목표 이미지 및 뿌리 형태학 지표를 고려하여 상기 식물 재배 시스템을 제어하기 위한 제어 신호를 생성하는 것인, 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법.
  5. 뿌리 형태학 데이터 기반의 인공지능 모델 생성 시스템으로서,
    복수의 이미지 입력 장치를 이용하여 지상부의 식물 이미지 및 뿌리 형태 이미지의 다원적 및 다각적 이미지를 제공하는 이미지 입력 장치;
    기 훈련된 학습 모델의 의사 결정과 뿌리 형태학에 대한 상관 관계에 대한 학습을 수행하는 교육 알고리즘을 참고하되, 이미지 입력 장치로부터 획득된 지상부의 식물 이미지 및 뿌리 형태 이미지를 입력으로하고 식물 재배 시스템을 제어하기 위한 제어 신호를 출력으로하는 재배 학습 모델을 구축하는 인공지능 모델;
    상기 인공지능 모델의 출력 결과를 고려하여 복수의 식물 재배 장치 중 적어도 어느 하나를 제어하는 식물 재배 시스템; 및
    식물의 재배 과정과 관련하여 재배 이미지 태그 정보를 상기 인공지능 모델로 제공하는 사용자 단말을 포함하고,
    상기 이미지 입력 장치는 식물의 지상부 촬영을 위한 광학 카메라 및 뿌리부 촬영을 위한 스캐너 등을 포함하며, 이미지 입력 장치로부터 획득되는 이미지는 3차원, 2차원, 적외선, 자외선 이미지 등의 이미지가 포함되고, 뿌리 골무를 관찰할 수 있는 디지털 현미경, 전체 이미지를 24시간 모니터할 수 있는 뿌리부 광학 카메라를 포함하는 것을 특징으로 하는 뿌리 형태학 데이터 기반의 인공지능 모델 생성 시스템.
KR1020210152573A 2021-08-17 2021-11-08 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법 및 시스템 KR102460814B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2022/011982 WO2023022433A1 (ko) 2021-08-17 2022-08-11 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법 및 시스템

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210107782 2021-08-17
KR1020210107782 2021-08-17

Publications (1)

Publication Number Publication Date
KR102460814B1 true KR102460814B1 (ko) 2022-10-31

Family

ID=83803300

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210152573A KR102460814B1 (ko) 2021-08-17 2021-11-08 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법 및 시스템

Country Status (2)

Country Link
KR (1) KR102460814B1 (ko)
WO (1) WO2023022433A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152155A (zh) * 2023-10-31 2023-12-01 海杰亚（北京）医疗器械有限公司 一种多针消融规划方法、装置、存储介质及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101887503B1 (ko) * 2017-06-13 2018-08-10 (주)다온정보 인공지능기술을 이용한 시설하우스 제어장치
JP2019054779A (ja) * 2017-09-22 2019-04-11 富士通株式会社 生育管理プログラム、生育管理方法及び生育管理装置
KR20200029657A (ko) * 2018-09-06 2020-03-19 장성식 작물 이미지 빅데이터를 이용한 영농 자동화 시스템
KR20210035948A (ko) * 2019-09-24 2021-04-02 (주)다울 머신러닝 기반의 생장 분석 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210096439A (ko) * 2020-01-28 2021-08-05 목포대학교산학협력단 딥러닝 학습을 이용한 병충해 검출 및 발병가능성을 판단하기 위한 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101887503B1 (ko) * 2017-06-13 2018-08-10 (주)다온정보 인공지능기술을 이용한 시설하우스 제어장치
JP2019054779A (ja) * 2017-09-22 2019-04-11 富士通株式会社 生育管理プログラム、生育管理方法及び生育管理装置
KR20200029657A (ko) * 2018-09-06 2020-03-19 장성식 작물 이미지 빅데이터를 이용한 영농 자동화 시스템
KR20210035948A (ko) * 2019-09-24 2021-04-02 (주)다울 머신러닝 기반의 생장 분석 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152155A (zh) * 2023-10-31 2023-12-01 海杰亚（北京）医疗器械有限公司 一种多针消融规划方法、装置、存储介质及电子设备
CN117152155B (zh) * 2023-10-31 2024-02-13 海杰亚（北京）医疗器械有限公司 一种多针消融规划方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
WO2023022433A1 (ko) 2023-02-23

Similar Documents

Publication Publication Date Title
Alipio et al. A smart hydroponics farming system using exact inference in Bayesian network
Mehra et al. IoT based hydroponics system using Deep Neural Networks
Popović et al. Architecting an IoT-enabled platform for precision agriculture and ecological monitoring: A case study
Suganya et al. IoT in agriculture investigation on plant diseases and nutrient level using image analysis techniques
KR102460814B1 (ko) 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법 및 시스템
Costa et al. Greenhouses within the Agricultura 4.0 interface
Pandey et al. Subsuming AI, IoT and Big Data in Smart Farm Practices
KR20210149623A (ko) Vr 기반의 실감형 스마트팜 연구 시스템
Cheng et al. A real and novel smart agriculture implementation with IoT technology
AU2021100930A4 (en) The controlling irrigation and pesticides in agricultural using method of artificial intelligence
KR102377963B1 (ko) 육묘장 관리 시스템 및 방법
Raturi et al. Growing plants, raising animals, and feeding communities through connected agriculture: an IoT challenge
Voutos et al. An IoT-based insular monitoring architecture for smart viticulture
Saha et al. ML-based smart farming using LSTM
Aminuddin et al. Smart irrigation system for urban gardening using logistic regression algorithm and Raspberry Pi
Verma et al. Image Processing Applications in Agriculture With the Help of AI
Jagadeeswari et al. Artificial intelligence based crop recommendation system
KR20140014965A (ko) 공간정보를 활용한 원격 식물 관리 시스템 및 그 방법
Kishor et al. Cloud computing-based smart agriculture
Zulu et al. Climate Smart Agricultural Prediction for Rural Small-Scale Farmers Using Internet of Things
US11783577B2 (en) Machine learning methods and systems for variety profile index crop characterization
Sugan et al. Analyzing real time farming using internet of things in agriculture
Tripathi et al. 2 Food security and farming through IoT and machine learning
Kumar et al. Monitoring and accelerating plant growth using IoT and Hydroponics
Tripathy et al. An IoT Assisted Fog Enabled Framework for Smart Green House

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant