KR102467508B1 - 촬영 이미지 및 gps 분석 기반의 스마트 잔디 병충해 관리 시스템 - Google Patents

촬영 이미지 및 gps 분석 기반의 스마트 잔디 병충해 관리 시스템 Download PDF

Info

Publication number
KR102467508B1
KR102467508B1 KR1020200139323A KR20200139323A KR102467508B1 KR 102467508 B1 KR102467508 B1 KR 102467508B1 KR 1020200139323 A KR1020200139323 A KR 1020200139323A KR 20200139323 A KR20200139323 A KR 20200139323A KR 102467508 B1 KR102467508 B1 KR 102467508B1
Authority
KR
South Korea
Prior art keywords
data
grass
turf
analysis
server
Prior art date
Application number
KR1020200139323A
Other languages
English (en)
Other versions
KR20220055530A (ko
Inventor
이재홍
이은상
Original Assignee
주식회사 유비벨록스모바일
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 유비벨록스모바일 filed Critical 주식회사 유비벨록스모바일
Priority to KR1020200139323A priority Critical patent/KR102467508B1/ko
Publication of KR20220055530A publication Critical patent/KR20220055530A/ko
Application granted granted Critical
Publication of KR102467508B1 publication Critical patent/KR102467508B1/ko

Links

Images

Classifications

    • 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
    • A01G20/00—Cultivation of turf, lawn or the like; Apparatus or methods therefor
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C13/00—Pavings or foundations specially adapted for playgrounds or sports grounds; Drainage, irrigation or heating of sports grounds
    • E01C13/08—Surfaces simulating grass ; Grass-grown sports grounds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06K9/6267—
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration

Abstract

본 발명은 스마트 잔디 병충해 관리 시스템에 관한 것으로, 보다 구체적으로는 스마트 앱이 구동되는 단말기를 통해 수집되는 촬영 이미지와, 해당 촬영 이미지가 획득되는 장소의 GPS 위치정보를 기초로 머신러닝(Machine Learning)을 이용한 분석을 통해 도출되는 병충해 및 기타 훼손에 의해 케어가 필요한 잔디의 상태 및 위치에 따라 최적의 상태로 잔디 관리를 가능하도록 하기 위한 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템에 관한 것이다.
이를 위해 본 발명은, 잔디 관리 지역의 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 촬영 이미지와, 해당 촬영 이미지가 획득되는 위치정보를 수집하여 데이터로 관리하기 위한 데이터 관리서버와; 상기 데이터 관리서버로부터 데이터를 수신하여 머신러닝(Machine Learning)을 기반으로 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 감염 상태를 분석하여 관리하기 위한 잔디 분석서버와; 상기 잔디 분석서버로부터 분석된 감염 상태에 따른 잔디 상태 및 위치에 대한 모니터링을 하기 위한 모니터링 서버와; 상기 데이터 관리서버로 촬영 이미지를 전송하고 모니터링 서버가 모니터링 하는 잔디를 실시간으로 확인하기 위한 관리자 단말기;를 포함하는 것을 특징으로 한다.

Description

촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템{SMART GRASS INFESTATION MANAGEMENT SYSTEM BASED ON PHOTOGRAPHIC IMAGE AND GPS ANALYSIS}
본 발명은 스마트 잔디 병충해 관리 시스템에 관한 것으로, 보다 구체적으로는 스마트 앱이 구동되는 단말기를 통해 수집되는 촬영 이미지와, 해당 촬영 이미지가 획득되는 장소의 GPS 위치정보를 기초로 머신러닝(Machine Learning)을 이용한 분석을 통해 도출되는 병충해 및 기타 훼손에 의해 케어가 필요한 잔디의 상태 및 위치에 따라 최적의 상태로 잔디 관리를 가능하도록 하기 위한 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템에 관한 것이다.
일반적으로 잔디는 재생력이 강하고 식생교체(植生交替)가 일어나며 조경의 목적으로 이용되는 피복성(被覆性) 식물로, 공원이나 경기장 등 실생활에서 자주 접하게 되는 식물로 크게 한지형 잔디와 난지형 잔디로 나뉘며, 한지형 잔디의 경우 대부분 골프장이나 축구장, 야구장 등 면적이 넓고 스포츠 활동을 하는 곳에 많이 사용되며 영상 5도 이상이 되면 초록색을 유지하며, 자라는 속도가 빠르기 때문에 잔디를 자주 깎아줘야 하고 병충해도 약한 편이어서 자주 관리해야 하는 번거로움이 있다.
또한, 난지형 잔디는 국내에서 자생하는 잔디 종류로 전원주택의 마당이나 주택을 아름답게 꾸미는 조경에 많이 사용되는데, 공해에도 잘 견디며 국내에서 자생하는 종이라 더위는 물론 추위에도 잘 견디지만 재생력이 약해 한번 죽으면 다시 되돌리기 어려우며 한지형 잔디에 비해 초록색을 유지하는 기간이 짧으며, 특히 온도는 잔디에 직접적인 영향을 미치는 요인 중의 하나인데, 예로써 한지형 잔디는 지상부 생육을 위해서 18~24℃가 적절한 온도의 범위이며 10~18℃가 지하부 생육을 위해서 가장 적절한 온도 범위이고, 난지형 잔디는 지상부 생육을 위해서 27~35℃가 적절한 온도의 범위이며 24~29℃가 지하부 생육을 위해서 가장 적절한 온도 범위인데, 현재 기온 상승으로 인해 지온이 30℃ 이상까지 올라가면 잔디의 뿌리와 줄기의 성장이 급격히 저하되는 이상 증상이 나타나고 심하면 고사하게 되며, 저온으로 내려가는 경우 광합성량의 저하, 단백질 형성의 감소, 탄수화물 이동의 저해 등 여러 가지 문제가 발생하게 된다.
또한, 일반적으로 운동장과 골프장, 공원, 묘지 등에는 선수 등의 부상을 방지하고 경기력을 향상시키며 미관을 좋게 하기 위하여 잔디를 식재하지만, 해당 잔디는 항상 일정하고 양호한 상태를 유지하여야 잔디를 식재한 목적을 달성할 수가 있으므로 관리에 많은 주의가 요망되고, 잔디 생육이 불량한 경우에는 병발생 및 해충에 의한 피해가 쉽게 나타나므로 품질이 저하되고 부분적으로 고사하게 되어 잔디를 식재하지 않은 경우보다 더 나쁜 결과를 가져올 수 있다.
특히, 골프장 퍼팅그린에 사용되는 잔디는 주로 서늘한 지방에서 잘 자라는 대형 서양 잔디를 식재하므로 우리나라의 더운 여름철 생장환경이 맞지 않은 이유로 약해지고 병해충이 많이 발생하며, 추가적으로, 상기와 같은 특수목적을 가지고 관리되는 넓은 면적의 잔디를 개별적 인력만으로 병해충에 대한 관리 및 케어가 쉽지 않으며, 일부분이 감염되어 이에 대한 적절한 케어 시기를 놓치면 그 부분 전체에 대한 감염 속도가 빨라 감염된 잔디 주변 전체에 대해 나쁜 결과를 가져올 수 있다는 문제점 또한 내포되어 있다.
이에 따라, 넓은 면적의 잔디를 개별적 인력만으로 병해충에 대한 관리 및 케어되는 환경에서 벗어나, 잔디 관리 지역의 병충해 및 훼손된 잔디에 대한 촬영 이미지와, 해당 촬영 이미지가 획득되는 위치정보를 기초로 머신러닝을 이용한 분석을 통해 도출되는 병충해 및 기타 훼손에 의해 케어가 필요한 잔디의 상태 및 위치 정보를 모니터링하여 체계적이고 효율적인 자동화 시스템을 통해 잔디를 관리할 수 있도록 하는 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템으로서의 개발이 요구되고 있는 실정이다.
대한민국 공개특허공보 제10-2017-0024950호 대한민국 공개특허공보 제10-2020-0084156호
본 발명은 상기한 종래 기술의 문제점을 해결하기 위해 안출된 것으로서, 넓은 면적의 잔디를 개별적 인력만으로 병해충에 대한 관리 및 케어되는 환경에서 벗어나, 잔디 관리 지역의 병충해 및 훼손된 잔디에 대한 촬영 이미지와, 해당 촬영 이미지가 획득되는 위치정보를 기초로 머신러닝을 이용한 분석을 통해 도출되는 병충해 및 기타 훼손에 의해 케어가 필요한 잔디의 상태 및 위치 정보를 모니터링하여 체계적이고 효율적인 자동화 시스템을 통해 잔디를 관리할 수 있도록 하는 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템을 제공하는데 그 목적이 있다.
상기 목적을 달성하기 위하여, 본 발명은, 잔디 관리 지역의 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 촬영 이미지와, 해당 촬영 이미지가 획득되는 위치정보를 수집하여 데이터로 관리하기 위한 데이터 관리서버와; 상기 데이터 관리서버로부터 데이터를 수신하여 머신러닝(Machine Learning)을 기반으로 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 감염 상태를 분석하여 관리하기 위한 잔디 분석서버와; 상기 잔디 분석서버로부터 분석된 감염 상태에 따른 잔디 상태 및 위치에 대한 모니터링을 하기 위한 모니터링 서버와; 상기 데이터 관리서버로 촬영 이미지를 전송하고 모니터링 서버가 모니터링 하는 잔디를 실시간으로 확인하기 위한 관리자 단말기;를 포함하는 것을 특징으로 한다.
여기서, 상기 모니터링 서버는 분석된 감염 상태에 따른 잔디 영역을 셀(Cell) 별로 구분하여 해당 잔디 상태 및 위치에 대한 모니터링을 하기 위한 셀 모니터링 모듈을 구비하는 것을 특징으로 한다.
또한, 본 발명은, 상기 잔디 분석서버는 데이터 관리서버에서 수신되는 데이터를 분석에 적합한 형식의 데이터로 전처리하기 위한 전처리 모듈을 구비하고, 상기 전처리 모듈은 데이터 관리서버에서 수신되는 데이터를 데이터 라벨링 및 데이터 스케일링 중 적어도 어느 하나 이상의 방식으로 전처리 하는 것을 특징으로 한다.
또한, 상기 잔디 분석서버는 전처리된 데이터를 통해 단일 예측 알고리즘인 의사 결정 트리(Decision Tree)를 기반으로 분석에 기초가 되는 모델을 구성하기 위한 모델링 모듈을 구비하고, 상기 잔디 분석서버는 분석되어 관리되는 데이터를 통해 딥 러닝(Deep Learning)을 이용하여 잔디 병충해를 분류하기 위한 병충해 분류모듈을 구비하고, 상기 병충해 분류모듈은 잔디 병충해 분류를 AlexNet, ResNet 및 Iception 중 적어도 어느 하나 이상의 컨벌루션 신경망(CNN: Convolutional Neural Network) 기반 모델을 통한 딥 러닝(Deep Learning)을 이용하여 잔디 병충해를 분류하는 것을 특징으로 한다.
추가적으로, 본 발명은, 잔디 관리 지역의 날씨에 대한 외부 환경 데이터를 수집하기 위한 환경 데이터 수집기와; 잔디 관리 지역의 토양에 설치된 센서를 통해 토양 데이터를 수집하기 위한 토양 데이터 수집기;를 더 포함하고, 상기 잔디 분석서버는 데이터 관리서버로부터 수신된 데이터에 외부 환경 데이터 및 토양 상태 데이터를 추가하여 머신러닝(Machine Learning)에 반영하기 위한 데이터 추가모듈을 구비하고, 상기 잔디 분석서버는 회귀 분석을 기반으로 데이터 추가모듈을 통해 추가된 데이터 및 데이터 관리서버로부터 수신된 데이터에 대한 종속 변수 및 독립 변수 사이의 관계 분석을 수행하고, 상기 잔디 분석서버는 분류 분석을 기반으로 데이터 추가모듈을 통해 추가된 데이터 및 데이터 관리서버로부터 수신된 데이터에 대한 다수의 변수를 대상으로 특정 변수 값을 조건으로 하여 데이터를 분류하는 것을 특징으로 한다.
이상과 같은 본 발명에 따른 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템은 잔디 관리 지역의 병충해 및 훼손된 잔디에 대한 촬영 이미지와, 해당 촬영 이미지가 획득되는 위치정보를 기초로 머신러닝(Machine Learning)을 이용한 분석을 통해 도출되는 병충해 및 기타 훼손에 의해 케어가 필요한 잔디의 상태 및 위치 정보 모니터링을 기반으로 하는 체계적이고 효율적인 자동화 체계를 이용하여 관리자에게 통보되는 시스템으로서 병충해 및 훼손된 잔디에 대한 신속한 대응이 가능하게 할 수 있다.
도 1은 본 발명에 따른 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템을 개략적으로 도시한 도면
도 2는 본 발명에 따른 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템 중 데이터 관리서버, 잔디 분석서버 및 모니터링 서버를 도시한 도면
도 3은 본 발명에 따른 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 방법을 개략적으로 도시한 도면
도 4는 본 발명에 따른 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템에 의한 병충해 잔디 관리 과정의 일례를 나타낸 도면
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
이하, 도면을 참조로 하여 본 발명에 따른 웹 영상 기반 위생 등급에 따른 배달주문 관리 시스템을 설명하기로 한다.
도 1은 본 발명에 따른 따른 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템을 개략적으로 도시한 도면이다.
본 발명에 따른 웹 영상 기반 위생 등급에 따른 배달주문 관리 시스템은 기본적으로 데이터 관리서버, 잔디 분석서버, 모니터링 서버 및 관리자 단말기를 포함하여 구성된다.
도 1을 참조로 하면, 보다 구체적으로 본 발명은 잔디 관리 지역의 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 촬영 이미지와, 해당 촬영 이미지가 획득되는 위치정보를 수집하여 데이터로 관리하기 위한 데이터 관리서버와, 상기 데이터 관리서버로부터 데이터를 수신하여 머신러닝(Machine Learning)을 기반으로 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 감염 상태를 분석하여 관리하기 위한 잔디 분석서버와, 상기 잔디 분석서버로부터 분석된 감염 상태에 따른 잔디 상태 및 위치에 대한 모니터링을 하기 위한 모니터링 서버와, 상기 데이터 관리서버로 촬영 이미지를 전송하고 모니터링 서버가 모니터링 하는 잔디를 실시간으로 확인하기 위한 관리자 단말기를 포함하며, 추가로 잔디 관리 지역의 날씨에 대한 외부 환경 데이터를 수집하기 위한 환경 데이터 수집기와, 잔디 관리 지역의 토양에 설치된 센서를 통해 토양 데이터를 수집하기 위한 토양 데이터 수집기를 더 포함할 수도 있다.
상기 관리자 단말기는 온라인 네트워크를 통해 데이터 관리서버, 잔디 분석서버 및 모니터링 서버에 접속하여, 촬영 이미지 및 해당 촬영 이미지가 획득되는 위치정보를 전송하고 분석된 감염 상태에 따른 잔디 상태 및 위치를 실시간으로 모니터링 하도록 통신하기 위한 것으로, 태블릿, 넷북, PDA(personal digital assistant), PMP(portable multimedia player), 스마트폰, 웨어러블 스마트 기기, POS(point of sales) 등의 다양한 통신 수단을 포함하는 것으로 해석되어야 하며, 제조사 서버 및 클라우드 서버에서 제공하는 각종 기능을 실행하기 위한 소프트웨어, 애플리케이션 등을 구비할 수 있다.
상기 데이터 관리서버, 잔디 분석서버 및 모니터링 서버는 일종의 웹서버, 데이터베이스 서버, 모바일 서버로서 역할을 하도록 구축될 수 있는데, 예를 들어 처리된 결과를 온라인 네트워크를 통해 웹페이지 상에서 보여주거나 필요한 입력 데이터를 웹페이지를 통해 전송받을 수 있고, 여기서 웹페이지는 같은 특정 작업을 수행하기 위한 소프트웨어를 포함하는 것으로 해석되어야 하며, 또한 데스크탑, 노트북, 스마트폰, 태블릿 PC, POS 등에 설치되는 애플리케이션과 인터페이스를 제공하도록 구축될 수도 있다.
추가적으로, 상기 데이터 관리서버 및 잔디 분석서버는 클라우드 컴퓨팅(Cloud Computing) 역활을 하도록 구축될 수도 있으며, 예를 들어 구성 가능한 컴퓨팅 자원(예: 컴퓨터 네트워크, 데이터 베이스, 서버, 스토리지, 애플리케이션, 인텔리전스 등)에 대해 어디서나 접근할 수 있는, 주문형 접근(on-demand availability of computer system resources)을 가능케하며, 온라인 네트워크를 통해 데이터 관리서버 및 잔디 분석서버에 저장된 데이터 등이 효율적으로 관리될 수도 있다.
또한, 본 발명에서 언급하는 온라인 네트워크라 함은 유선 공중망, 무선 이동 통신망, 또는 휴대 인터넷 등과 통합된 코어 망일 수도 있고, TCP/IP 프로토콜 및 그 상위 계층에 존재하는 여러 서비스, 즉 HTTP(Hyper Text Transfer Protocol), HTTPS(Hyper Text Transfer Protocol Secure), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol) 등을 제공하는 전 세계적인 개방형 컴퓨터 네트워크 구조를 의미할 수 있으며, 이러한 예에 한정하지 않고 다양한 형태로 데이터를 송수신할 수 있는 데이터 통신망을 포괄적으로 의미하는 것이다.
추가적으로, 상기 환경 데이터 수집기는 기상청 서버, 검색 포털 사이트 등과 같은 외부채널을 통해 필요에 따라 수집 가능한 과거, 현재, 미래의 잔디 관리 지역별 날씨(온도, 풍향, 풍속, 강우량, 강설량 등)와 관련한 외부 환경 데이터를 수집하여 데이터 관리서버 및 잔디 분석서버로 전달할 수도 있다.
또한, 상기 토양 데이터 수집기는 잔디 식생 지역, 즉 잔디 관리 지역에서 잔디가 식생하는 토양에 설치되어 토양의 온도, 습도, 비료성분을 측정하기 위한 센서를 통해 토양 데이터를 실시간으로 수집하게 되는데, 최근에는 토양 수분 및 지중 온도를 측정하기 위한 센서나 토양 중 잔디 생육에 필요한 질소, 인산, 칼슘, 황, 규산과 같은 비료 성분을 측정하기 위한 센서가 공지되어 있는 바, 이를 통해 해당 토양 데이터를 용이하게 측정할 수 있으며, 이러한 토양 데이터를 기준으로 물이나 비료의 살포에 대한 필요 여부를 확인하여 투입 시기를 결정할 수도 있게 된다.
이하에서는 상기 관리자 단말기와 관련된 구체적인 사항에 대해 살펴보기로 한다.
<관리자 단말기의 주요 구성요소, 기능 및 효과>
* 입력 모듈
- 관리자 단말기는 문자입력 방식, 터치입력 방식 및 음성입력 방식 중 적어도 어느 하나 이상의 입력 방식을 통해 모니터링 서버가 실시간으로 모니터링 하는 잔디에 대응되는 내용을 입력할 수도 있음
- 상기 입력 모듈은 숫자 또는 문자 정보를 입력 받고 각종 기능들을 설정하기 위한 다수의 입력키 및 기능키들을 포함할 수 있는데, 기능키들은 특정 기능을 수행하도록 설정된 방향키, 사이드 키 및 단축키 등을 포함하고, 입력 모듈은 관리자 단말기의 기능 제어와 관련한 키 신호를 생성하여 다시 관리자 단말기 내로 전달할 수도 있음
- 쿼티 키패드, 3*4 키패드, 4*3 키패드, 볼 조이스틱(Ball Joystick), 옵티컬 조이스틱(Optical Joystick), 휠 키(Wheel Key), 터치 키(Touch key), 터치 패드(Touch Pad) 및 터치스크린(Touch-screen) 등과 같은 입력 수단들 중 어느 하나 또는 이들의 조합으로 형성할 수도 있음
- 일례로, 관리자 단말기가 풀 터치스크린을 지원하는 경우, 해당 단말기의 케이스 측면에 형성되는 볼륨 조절을 위한 볼륨 키, 화면 온/오프 및 휴대단말기 온/오프를 위한 전원 키 만을 포함할 수도 있고, 특히, 데이터 관리서버, 잔디 분석서버 및 모니터링 서버 접속을 지시하는 입력 신호, 인증 정보입력에 해당하는 입력 신호, 특정 샌드 박스 선택을 지시하는 입력 신호, 콘텐츠의 색상, 투명도 변경을 지시하는 입력 신호 등과 같은 다양한 입력 신호 등을 생성하고, 이를 데이터 관리서버, 잔디 분석서버 및 모니터링 서버에 전달할 수도 있음
* 단말기 제어모듈
- 관리자 단말기의 전송받고자 하는 스마트 잔디 병충해 관리 시스템의 전반적인 동작 및 관리자 단말기의 내부 블록들 간 신호 흐름을 제어하고, 데이터를 처리하는 데이터 처리 기능을 수행할 수도 있음
- 예를 들어, 단말기 제어모듈은 중앙 처리 장치(Central Processing Unit: CPU), 애플리케이션 프로세서(Application Processor) 등 및 관리자 단말기의 실시간 위치 정보를 생성하기 위한 GPS(Global Positioning System) 기반의 측정 센서가 구비될 수도 있고, 추가로, 잔디 관리 지역의 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 촬영 이미지를 획득하기 위한 이미지 획득 수단도 구비될 수도 있음
도 2는 본 발명에 따른 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템 중 데이터 관리서버, 잔디 분석서버 및 모니터링 서버를 도시한 도면이다.
이하에서는 데이터 관리서버, 잔디 분석서버 및 모니터링 서버와 관련된 구체적인 사항에 대해 살펴보기로 한다.
<데이터 관리서버의 주요 구성요소, 기능 및 효과>
* 위치정보 설정모듈
- 관리자 단말기를 통해 촬영된 이미지가 획득되는 위치정보를 관리자 단말기 GPS을 이용하여 획득하여 데이터 관리서버로 저장되도록 지원될 수도 있음
- 또한, 관리자 단말기를 통해 촬영된 이미지가 획득되는 순간 관리자 단말기랑 연결되어 통신되는 복수 개의 통신 중계기 네트워크 내 AP(Access Point)가 갖는 좌표에 기초하여 삼각 측량 방식에 따라 측정한 위치 좌표로 위치정보가 산출되어 설정될 수도 있음
- 여기서, 통신 중계기는 복수의 관리자 단말기 상호 간 연결되어 통신이 가능하도록 하기 위해 통신사에 의해 일정한 거리간격 사이에 설치되거나 제공되는 중계기임
- 참고로 관리자 단말기를 통해 촬영된 이미지가 획득되는 순간 통신 중계기 네트워크에 의해 도출되는 관리자 단말기의 위치 좌표를 산출하는 과정은 아래와 같음
- 통신 중계기 네트워크 환경에서 각각의 AP를 AP1, AP2, AP3라 하고, AP1, AP2, AP3가 갖는 좌표를 (x1, y1), (x2, y2), (x3, y3)라 하고, 관리자 단말기의 위치를 (x, y)라 하였을 경우, 위치정보 설정모듈로부터 AP1, AP2, AP3 간 거리를 d1, d2, d3는 아래의 수학식 1 내지 수학식 3과 같음
수학식 1: d12 = (x - x1)2 + (y - y1)2
수학식 2: d22 = (x - x2)2 + (y - y2)2
수학식 3: d32 = (x - x3)2 + (y - y3)2
- 상기 관리자 단말기 위치에서 측정된 AP1, AP2, AP3의 RSSI(Received Signal Strength Indicator) 값을 이용하여 관리자 단말기 및 AP간 거리(d)를 구할 수 있는데, 이는 아래와 같이 관리자 단말기가 송신한 신호의 손실(L)을 거리 d에 관한 식으로 변환하여 나타낼 수도 있음
수학식 4:
Figure 112020113404278-pat00001
수학식 5:
Figure 112020113404278-pat00002
- 위 수학식 4 및 수학식 5에서 L은 AP의 신호 전송 세기와 관리자 단말기에서 수신한 AP 신호 세기의 차를 통해 구할 수 있고, 전파의 파장을 의미하는 λ는 d와 동일 단위를 사용하며, 아래 수학식 6 및 수학식 7을 활용하여 광속과 주파수로 나타낼 수도 있음
수학식 6: C = f ㆍλ(광속 C = 3 x 108[m/sec], f = 주파수, λ = 파장)
수학식 7: λ = C / f
- 위 식을 두 점 사이의 거리 d로 나타내면 아래와 같음
수학식 8:
Figure 112020113404278-pat00003
따라서, AP1, AP2, AP3와 관리자 단말기 사이 거리인 d1, d2, d3를 위 수학식 8을 통해 구해 수학식 1 내지 수학식 3에 대입하면 관리자 단말기를 통해 촬영된 이미지가 획득되는 순간의 관리자 단말기의 위치 좌표값을 산출할 수도 있음
- 관리자 단말기 GPS를 통해 촬영된 이미지가 획득되는 위치정보(제1 위치정보)와 관리자 단말기를 통해 촬영된 이미지가 획득되는 순간 통신 중계기 네트워크에 의해 도출되는 관리자 단말기의 위치 좌표로 위치정보가 산출되어 설정된 정보(제2 위치정보)를 비교하여 제1/제2 위치정보가 동일하지 않을 경우, 해당 동일하지 않은 각각의 정보를 촬영된 이미지가 획득되는 위치정보로서 개별로 저장되어 관리될 수도 있음
- 또한, 상기 개별로 저장되어 관리되는 정보 각각에 대해 관리자 단말기로 제1/제2 위치정보로 구분지어 안내되도록 지원될 수도 있으며, 관리자 단말기에 의해 최종 촬영된 이미지가 획득되는 하나의 위치정보로서 선택될 수도 있음
* 이미지 DB 모듈
- 관리자 단말기를 통해 촬영된 전체 이미지를 분류하여 별도로 저장 및 관리할 수도 있음에 따라 촬영된 이미지를 체계적으로 관리할 수 있음
- 여기서, 일례로, 분류되는 기준은 잔디 관리 지역(예: 1m x 1m, 2m x 2m, 3m x 3m, 4m x 4m 등에 따른 정사각 셀에 포함되는 지역)에 따른 이미지 분류, 병충해가 포함된 이미지 분류, 물리적으로 훼손된 잔디가 포함된 이미지 분류(예: 잔디 자체의 생물학적 원인이 아닌 물리적인 도구에 의한 훼손된 잔디 등), 고사된 잔디가 포함된 이미지 분류(예: 생물학적 원인으로 훼손된 잔디 등) 등이 따를 수도 있음
- 또한, 상기 데이터 관리서버가 관리자 단말기로부터 전송받아 이미지 DB 모듈에 의해 관리되는 잔디종류 데이터로는 한지형 잔디(예: 벤트그래스, 페스큐, 블루그래스, 라이그래스 등), 난지형 잔디(세인트 오거스틴 그래스, 센티피드 그래스, 바하아 그래스, 버팔로 그래스, 한국형 잔디류, 버뮤다 그래스 등)와 같은 것들이 있고, 보통 한지형 잔디의 경우 18~24℃가 지상부 생육을 위한 적정 온도의 범위이고 10~18℃가 지하부 생육 적정 온도 범위이며, 난지형 잔디의 경우 지상부 27~35℃ 지하부 24~29℃가 적정 온도 범위인 한편, 잔디 종류별로 면적당 요구되는 물, 비료성분량이 상이할 수도 있음
<잔디 분석서버의 주요 구성요소, 기능 및 효과>
* 전처리 모듈
- 데이터 관리서버에서 수신되는 데이터를 분석에 적합한 형식의 데이터로 전처리함
- 데이터 관리서버에서 수신되는 데이터를 데이터 라벨링 및 데이터 스케일링 중 적어도 어느 하나 이상의 방식으로 전처리함
* 모델링 모듈
- 전처리된 데이터를 통해 단일 예측 알고리즘인 의사 결정 트리(Decision Tree)를 기반으로 분석에 기초가 되는 모델을 구성함
* 병충해 분류모듈
- 분석되어 관리되는 데이터를 통해 딥 러닝(Deep Learning)을 이용하여 잔디 병충해를 분류함
- 잔디 병충해 분류를 AlexNet, ResNet 및 Iception 중 적어도 어느 하나 이상의 컨벌루션 신경망(CNN: Convolutional Neural Network) 기반 모델을 통한 딥 러닝(Deep Learning)을 이용하여 잔디 병충해를 분류함
* 데이터 추가모듈
- 데이터 관리서버로부터 수신된 데이터에 외부 환경 데이터 및 토양 상태 데이터를 추가하여 머신러닝(Machine Learning)에 반영함
- 일례로, 상기 외부 환경 데이터는 기상청 서버, 검색 포털 사이트 등과 같은 외부채널을 통해 필요에 따라 수집 가능한 과거, 현재, 미래의 잔디 관리 지역별 날씨(온도, 풍향, 풍속, 강우량, 강설량 등)와 관련한 외부 환경 정보 등이 될 수도 있음
- 상기 토양 데이터는 잔디 식생 지역, 즉 잔디 관리 지역에서 잔디가 식생하는 토양에 설치되어 토양의 온도, 습도, 비료성분(질소, 인산, 칼슘, 황, 규산 등)과 관련한 토양 정보 등이 될 수도 있음
또한, 본 발명에서의 잔디 분석서버에 대해 더욱 구체적으로 살펴보면, 잔디 분석서버에서 행하여 지는 분석은 각종 데이터(예: 잔디 관리 지역의 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 촬영 이미지, 해당 촬영 이미지가 획득되는 위치정보(관리자 단말기 GPS를 통해 촬영된 이미지가 획득되는 위치정보, 관리자 단말기를 통해 촬영된 이미지가 획득되는 순간 통신 중계기 네트워크에 의해 도출되는 관리자 단말기의 위치 좌표로 위치정보가 산출되어 설정된 정보), 이미지 DB 모듈에 의해 분류되어 관리되는 이미지(분류되는 기준은 잔디 관리 지역(예: 1m x 1m, 2m x 2m, 3m x 3m, 4m x 4m 등에 따른 정사각 셀에 포함되는 지역)에 따른 이미지, 병충해가 포함된 이미지, 물리적으로 훼손된 잔디가 포함된 이미지(예: 잔디 자체의 생물학적 원인이 아닌 물리적인 도구에 의한 훼손된 잔디 등), 고사된 잔디가 포함된 이미지 (예: 생물학적 원인으로 훼손된 잔디 등)), 잔디종류 데이터로 한지영 잔디(예: 벤트그래스, 페스큐, 블루그래스, 라이그래스 등), 난지형 잔디(세인트 오거스틴 그래스, 센티피드 그래스, 바하아 그래스, 버팔로 그래스, 한국형 잔디류, 버뮤다 그래스 등) 정보, 환경 데이터 수집기에 의해 수집된 과거, 현재, 미래의 잔디 관리 지역별 날씨(온도, 풍향, 풍속, 강우량, 강설량 등) 정보, 토양 데이터 수집기에 의해 수집된 토양의 온도, 습도, 비료성분(토양 중 잔디 생육에 필요한 질소, 인산, 칼슘, 황, 규산) 등)를 전처리하여, 전처리된 데이터를 기반으로 한 머신러닝(Machine Learning) 방식을 이용하여 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 분석 등을 통한 감염 상태 데이터 도출이 행하여 진다.
상기 잔디 분석서버 중 전치리 모듈에서 데이터 전처리는 잔디 관리 지역의 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 촬영 이미지, 해당 촬영 이미지가 획득되는 위치정보로서, 관리자 단말기 GPS를 통해 촬영된 이미지가 획득되는 위치정보, 관리자 단말기를 통해 촬영된 이미지가 획득되는 순간 통신 중계기 네트워크에 의해 도출되는 관리자 단말기의 위치 좌표로 위치정보가 산출되어 설정된 정보, 이미지 DB 모듈에 의해 분류되어 관리되는 이미지로서, 잔디 관리 지역(예: 1m x 1m, 2m x 2m, 3m x 3m, 4m x 4m 등에 따른 정사각 셀에 포함되는 지역)에 따라 분류되어 관리되는 이미지, 병충해가 포함된 이미지, 물리적으로 훼손된 잔디가 포함된 이미지(예: 잔디 자체의 생물학적 원인이 아닌 물리적인 도구에 의한 훼손된 잔디 등), 고사된 잔디가 포함된 이미지 (예: 생물학적 원인으로 훼손된 잔디 등), 잔디종류 데이터(예: 한지형 잔디(벤트그래스, 페스큐, 블루그래스, 라이그래스 등), 난지형 잔디(세인트 오거스틴 그래스, 센티피드 그래스, 바하아 그래스, 버팔로 그래스, 한국형 잔디류, 버뮤다 그래스 등)), 환경 데이터 수집기에 의해 수집된 과거, 현재, 미래의 잔디 관리 지역별 날씨로서, 온도, 풍향, 풍속, 강우량, 강설량 등 정보, 토양 데이터 수집기에 의해 수집된 정보로서, 토양의 온도, 습도, 비료성분(토양 중 잔디 생육에 필요한 질소, 인산, 칼슘, 황, 규산) 등의 정보에 대한 데이터를 가공하여, 분석에 더 도움이 되는 정보를 이끌어 내고, 더욱 상세하게는 가공된 데이터를 기반으로 경향성 및 변화 추이 반영, 주기함수의 결합 변환을 통한 연속적 데이터의 패턴을 분석, 시계열 데이터를 문자열 형태로 변환하여 패턴을 분석하는 과정 등을 포함할 수도 있다.
추가적으로, 전치리 모듈에서 데이터 전처리는 상기 데이터 중 적어도 어느 하나 이상의 데이터를 가공하고, 가공된 데이터를 알고리즘에 활용할 수 있는 형태로 데이터를 변환하며, 더욱 상세하게는 해당 데이터의 노이즈를 제거하는 평활화(Smoothing), 해당 데이터를 더 작은 범위에 들어가게 하기 위해 다듬는 정규화(Normalization), 해당 데이터 값을 다른 범위나 상위 레벨의 개념으로 대체하는 이산화(Discretization) 등과 같은 데이터 스케일링(Data Scaling), 해당 데이터의 객체에 라벨을 달아 주는 데이터 라벨링(Data Labelling) 등을 포함할 수도 있다.
상기 잔디 분석서버 중 모델링 모듈은 전처리된 데이터를 통해 단일 분석 알고리즘인 의사 결정 트리(Decision Tree)를 기반으로 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 감염 상태를 분석하기 위한 모델을 구성한 다음, 상이한 단일 분석 알고리즘을 병렬로 배치하여, 복수의 단일 분석 알고리즘의 결합 조합 형태인 부스팅(Boosting) 기법을 활용하여, 부스티드 트리(Boosted Tree) 형태로 분석 모델을 업데이트한다. 더욱이, 단일 분석 알고리즘 중 불량 단일 분석 알고리즘이 반복되어 발생되는 패턴을 분석하여, 복수의 단일 분석 알고리즘 형태로 분석 모델 업데이트 시 불량 단일 분석 알고리즘을 제외할 수도 있다.
구체적으로, 분석 모델의 형태에서 부스팅(Boosting)이란 단순하고 약한 학습기(Weak Learner)를 결합해서 보다 정확하고 강력한 학습기(Strong Learner)를 만드는 방식을 의미한다. 정확도가 낮더라도 일단 모델을 만들고, 드러난 약점(분석 오류)은 두 번째 모델이 보완한다. 이 둘을 합치면 처음보다는 정확한 모델이 만들어지고, 그럼에도 여전히 남아 있는 문제는 다음 모델과의 업데이트를 통한 보완을 계속 더하는 과정을 반복하는 원리다.
또한, 부스팅에서 어떤 학습기 M에 대하여 Y를 분석할 확률이 Y=M(x)+error 라고 하면 여기서 'error'에 대하여 조금 더 상세히 분류할 수 있는 모델 G가 있다면 error=G(x)+error2 로 표현할 수 있고, 여기에 'error2'를 더 세밀하게 분리할 수 있는 모델 H가 있다면(단,error2 > error 3) error2=H(x)+error3 로 표현 할 수 있다. 여기서 Y의 확률을 분석하는 식에 모델 G, H를 적용하면 Y=M(x)+G(x)+H(x)+error3으로 표현이 가능하다. 이는 학습기 M을 단독으로 사용했을 때보다 정확도가 높지만 Y=M(x)+G(x)+H(x)+error3은 M, G, H 각각 성능이 다른데 모두 같은 비중(Weight) 파라미터를 두고 있기 때문에 임의의 x에 대하여 서로 간섭하여 오류를 높이는 결과를 낼 수가 있다.
이를 보완하고자 부스티드 트리(Boosted Tree)는 기본적으로 부스팅이라 불리는 기술을 기반으로 탐욕 알고리즘(Greedy algorithm)을 사용하여 상기 M, G, H를 발견하고 분산처리를 사용하여 빠른 속도로 적합한 비중 파라미터를 찾는 알고리즘이다. 더욱이, 학습기는 회귀분석을 사용하여 정확도 스코어(Accuracy Score)를 측정한 다음 각 순서에 따라 강력한 학습기부터 단순하고 약한 학습기까지 랜덤하게 생성한다. 이렇게 만들어진 학습기를 트리(Tree)라고 하고, 부스티드 트리 (Boosted Tree)를 만들 때 CART(Classification And Regression Trees)라 불리는 모델을 사용한다. 이후 트리 부스팅을 사용하여 각 분류 기간 비중을 최적화한다. 여기서 CART 모델은 일반적인 의사결정 트리(Decision Tree)와는 조금 다르다. 노드 하나에 대해서만 의사결정 값을 갖는 의사결정 트리와는 달리 CART 모델은 모든 노드들이 최종 결과에 연관되어 있어서 일반적인 의사결정 트리가 분류를 제대로 했는지에 대해서만 초점을 맞추는 반면에 CART 모델은 같은 분류 결과를 갖는 모델 간에도 모델의 우위를 비교할 수 있다.
또한, 부스티드 트리(Boosted Tree)는 여러 개의 서로 다른 특성을 가진 단일 의사결정 트리를 병렬 처리를 이용하여 학습하여, 각각의 단일 의사결정 트리의 결과를 종합하여 분석하고 다양한 파라미터를 활용하여 학습에 활용이 가능하게 한다.
여기서, 상기 잔디 분석서버는 전처리된 데이터를 기반으로 상기 분석 모델에 머신러닝 방식 중 하나인 경사 하강법(Gradient Descent)을 이용하여 최종적으로 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 분석할 수도 있는데, 머신러닝은 기본적으로 에이전트가 어떤 행위를 선택하여 얻게 되는 시행착오를 통해 주어진 환경(state)을 학습하고, 정해진 정책에 따라 행동(action)을 결정하고 실행하여 행동에 따라 얻게 되는 보상(reward)을 기초로 행동정책을 수정해가면서 학습하는 기계학습의 일종이다.
또한, 상기 잔디 분석서버는 전처리된 데이터를 기반으로 상기 분석 모델에 외부 환경 데이터 및 토양 상태 데이터를 추가하여, 머신러닝 방식 중 하나인 경사 하강법(Gradient Descent)을 이용하여 최종적으로 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 분석할 수도 있으며, 여기서 추가된 데이터는 별도로 데이터 전처리되고, 모델이 구성되어 머신러닝에 반영될 수도 있다.
구체적으로, 경사 하강법에 대해 살펴보면 경사 하강법은 우선적으로 머신러닝 회귀 분석으로부터 설명되는 방식으로 머신러닝 회귀 분석은 주어진 데이터가 어떤 함수로부터 생성되었는가를 알아보는 '함수 관계'를 추측하는 것으로, 다시 말해서 데이터 세트(x, y)로부터 학습 알고리즘을 이용하여 가설을 생성하고 생성된 가설에 데이터를 입력하여 분석 값 데이터를 얻고, 이러한 가설에 해당하는 식이 어떤 방정식인지, 계수는 어떤 것을 의미하는지 알아가는 과정이라고 할 수 있다.
또한, 머신러닝 회귀 분석에서 방정식의 계수가 선형인 경우 선형 회귀 분석(Linear Regression Analysis)이라 하고, 방정식의 계수가 여러 개이면 다중 선형 회귀 분석(Multiple Linear Regression Analysis)이라 하며, 테스트 데이터는 y=x 그래프에 약간의 오차를 섞어 만든 데이터로 학습을 통해 데이터에 맞는 가중치 값(w)과 편향 값(b)을 찾아 수행한 결과를 나타내어 y = wx + b 과 같은 정의에 따라 결과값과의 오차를 경사 하강법(Gradient Descent)을 통해 알맞은 함수를 찾을 수 있다.
또한, 데이터에 대한 가설을 학습할 때 그려진 선과 각 데이터의 분포의 차이를 계산하여 차이가 가장 적은 것이 이 모델에 적합한 선이라는 것을 알 수 있고, 이를 비용함수(Cost Function)라 하며, 비용함수를 이용하여 실제 세운 가설과 나타내는 값이 얼마나 다른 지를 유추해 볼 수 있다.
구체적으로, 비용함수(오차함수)는 두 개의 매개변수(w, b) 로 구성되어 있으므로 이를 2차원 공간에 표현할 수 있음에 따라, 각 점에서 오차함수의 높이는 직선에 대한 오차이고, 어떤 직선들은 다른 직선들보다 더 작은 오차를 가지게 되며, 가령 텐서 플로우에서 경사 하강법 알고리즘을 수행할 때 이 평면의 한 지점에서 시작하여 더 작은 오차를 갖는 직선을 찾아 이동해 나간다.
또한, 오차함수의 기울기를 계산하기 위하여 오차함수를 미분하는 과정을 거치게 되고, 직선을 찾아가는 과정의 반복이 있을 때마다 움직일 방향을 알아가기 위해 w와 b에 대한 편미분 방정식 계산이 필요하다.
다중 회귀 분석은 단일 회귀 분석에서 쓰였던 입력 데이터 x가 2개 이상이 되고, 일례로 두 개의 변수(x1, x2)를 갖는 다중 회귀 분석의 경우 y = w1*x1 + x2*x2 + b 와 같이 정의하고 학습을 통해 데이터에 맞는 평면을 찾을 수 있다.
위와 같은 단일, 다중 선형 회귀 분석을 통하여 어떠한 데이터가 존재하면 그 데이터를 표현하는 함수를 학습할 수 있다는 것을 알 수 있다.
추가적으로, 경사 하강법은 cost 비용을 최소화하기 위한 최적화 알고리즘으로, 최적화란 여러 가지 허용되는 값들 중에서 주어진 기준을 가장 잘 만족하는 것을 선택하는 것이고, 해당 함수의 최소값 위치를 찾기 위해 비용함수의 기울기 반대 방향으로 정의한 스텝 사이즈(Step Size)를 가지고 조금씩 움직이면서 최적의 파라미터를 찾는 과정이라고 할 수 있으며, 간략하게는 기울기로 함수의 최소값을 찾는 방법이다.
상기 내용을 참고하면, 본 발명의 상기 잔디 분석서버는 회귀 분석을 기반으로 데이터 추가모듈을 통해 추가된 데이터 및 데이터 관리서버로부터 수신된 데이터에 대한 종속 변수 및 독립 변수 사이의 관계 분석을 수행하고, 상기 잔디 분석서버는 분류 분석을 기반으로 데이터 추가모듈을 통해 추가된 데이터 및 데이터 관리서버로부터 수신된 데이터에 대한 다수의 변수를 대상으로 특정 변수 값을 조건으로 하여 데이터를 분류할 수 있다.
또한, 상기 잔디 분석서버는 회귀 분석을 통해 데이터 추가모듈을 통해 추가된 데이터 및 데이터 관리서버로부터 수신된 데이터에 대한 독립 변수(예: 관리자 단말기 GPS를 통해 촬영된 이미지가 획득되는 위치정보, 이미지 DB 모듈에 의해 분류되어 관리되는 이미지로서, 잔디 관리 지역(예: 1m x 1m, 2m x 2m, 3m x 3m, 4m x 4m 등에 따른 정사각 셀에 포함되는 지역)에 따라 분류되어 관리되는 이미지, 환경 데이터 수집기에 의해 수집된 과거, 현재, 미래의 잔디 관리 지역별 날씨로서, 온도, 풍향, 풍속, 강우량, 강설량 등 정보, 토양 데이터 수집기에 의해 수집된 정보로서, 토양의 온도, 습도, 비료성분(토양 중 잔디 생육에 필요한 질소, 인산, 칼슘, 황, 규산) 등의 정보 등) 및 종속 변수(예: 관리자 단말기를 통해 촬영된 이미지가 획득되는 순간 통신 중계기 네트워크에 의해 도출되는 관리자 단말기의 위치 좌표로 위치정보가 산출되어 설정된 정보 등) 사이의 관계 분석을 수행하고, 분류 분석을 통해 데이터 추가모듈을 통해 추가된 데이터 및 데이터 관리서버로부터 수신된 데이터에 대한 다수의 변수를 대상으로 특정 변수 값을 조건으로 하여 데이터를 분류하며, 회귀 분석 및 분류 분석을 동시에 수행하기 위해 XGBoost 알고리즘을 채택하게 된다.
참고로, XGBoost(eXtreme Gradient Boosting)는 트리 기반 알고리즘의 앙상블 학습에 적합한 알고리즘으로 GBM에 기반하지만 뛰어난 분석 성능, GBM 대비 빠른 수행 시간, 과적합 규제 해소, 긍정 이득이 없는 분할의 가지치기에 의한 분할 수 절감, 자체 내장된 교차 검증, 결손값 자체 처리 등과 같은 장점을 갖는다.
추가적으로, 상기 잔디 분석서버 중 병충해 분류모듈은 전처리된 데이터 및 분석된 데이터 중 적어도 어느 하나 이상의 데이터에 근거한 딥 러닝(Deep Learning) 방식을 통해 잔디 병충해를 분류하는데, 여기서 딥 러닝 방식의 알고리즘에 대해 살펴보면, 딥러닝 알고리즘 중 일부는 컨벌루션 신경망(CNN: convolution neural network) 알고리즘으로 구현될 수 있고, 컨벌루션 신경망 알고리즘은 하나 이상의 컨벌루션 레이어, 하나 이상의 활성 함수, 및 하나 이상의 풀링(pooling) 레이어를 포함할 수도 있고, 이때 각각의 컨벌루션 레이어는 하나 이상의 컨벌루션 필터로 구성되는 것으로 해석되어야 하며, AlexNet, ResNet 및 Iception 중 적어도 어느 하나 이상의 컨벌루션 신경망(CNN: Convolutional Neural Network) 기반 모델을 통한 딥 러닝(Deep Learning)될 수도 있으며, 이러한 컨벌루션 신경망의 구조는 본 발명의 구체적 실시 형태에 따라 달라질 수도 있다.
여기서, 컨벌루션 신경망(CNN: convolution neural network)은 신경망 처리로 인간이 뇌를 통해 문제를 처리하는 방법과 비슷한 방법으로 문제를 해결하기 위해 컴퓨터에서 채택하고 있는 구조로 인간은 뇌의 기본 구조 조직인 뉴런(neuron)과 뉴런이 연결되어 일을 처리하는 것처럼, 수학적 모델로서의 뉴런이 상호 연결되어 네트워크를 형성할 때 이를 신경망이라 한다. 이를 생물학적 신경망과 구별하여 특히 인공 신경망(artificial neural network)이라 하는데 신경망은 각 뉴런이 독립적으로 동작하는 처리기의 역할을 하기 때문에 병렬성(parallellism)이 뛰어나고, 많은 연결선에 정보가 분산되어 있기 때문에 몇몇 뉴런에 문제가 발생하더라도 전체 시스템에 큰 영향을 주지 않으므로 결함 허용(fault tolerance) 능력이 있으며, 주어진 환경에 대한 학습 능력이 있다. 인공지능(AI)의 핵심인 딥러닝(스스로 학습하는 것) 알고리즘 실행에 최적화되어 있고, 비정형적인 데이터를 빠르게 처리하며, 상기 CNN 기반의 AlexNet, ResNet 및 Iception 등은 일반적으로 알려진 기술임에 따라 이에 대한 구체적인 언급은 생략하기로 한다.
<모니터링 서버의 주요 구성요소, 기능 및 효과>
* 셀 모니터링 모듈
- 분석된 감염 상태에 따른 잔디 영역을 셀(Cell) 별로 구분하여 해당 잔디 상태 및 위치에 대한 모니터링함으로써, 감염 상태에 따른 잔디영역을 직관적으로 파악할 수도 있으며, 감염 상태에 따른 잔디영역을 세부적으로 케어 가능하도록 함
- 여기서, 일례로, 상기 셀별로 구분은 0.1m x 0.1m, 0.2m x 0.2m, 0.3m x 0.3m, 0.4m x 0.4m, 0.5m x 0.5m, 0.6m x 0.6m, 0.7m x 0.7m 등과 같이 0.1m 단위로서 셀 설정이 가능하도록 지원될 수도 있음
* 잔디상태 점검모듈
- 잔디 분석서버로부터 분석된 감염 상태에 따른 잔디 상태가 미리 설정된 범위를 벗어나는 경우, 해당 벗어나는 범위의 차이를 관리자 단말기로 전송하여 확인 가능하도록 지원될 수도 있음
- 일례로, 상기 미리 설정된 범위는 잔디의 감염과 관련한 병충해 감염 정도에 대한 기준치를 설정하고 그 기준치로부터 상하한 범위를 자체 설정한 이후로, 잔디 분석서버로부터 분석된 감염 상태에 따른 잔디 상태가 설정된 범위를 벗어난 잔디 상태일 경우, 설정된 범위가 벗어난다는 알림을 관리자 단말기로 전송될 수도 있으며, 더 나아가, 해당 벗어나는 범위의 차이로서 잔디 분석서버로부터 분석된 감염 상태에 따른 잔디 상태 및 설정된 기준치 범위 모두를 관리자 단말기로 전송하여 확인되도록 지원될 수도 있음
- 잔디 상태의 기준치, 상하한 범위는 상식적은 수준에서 임의적으로 설정하거나 별도의 잔디 생육 실험을 통해서도 도출할 수도 있음
도 3은 본 발명에 따른 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 방법을 개략적으로 도시한 도면이다.
한편으로, 본 발명에 따른 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 방법은 기본적으로 이미지 획득단계, 데이터 관리단계, 잔디 분석단계, 잔디 모니터링 단계 및 잔디 확인단계를 포함하여 구성된다.
상기 관리자 단말기가 잔디 관리 지역의 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 촬영 이미지를 획득하는 이미지 획득단계와, 상기 데이터 관리서버가 잔디 관리 지역의 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 촬영 이미지와, 해당 촬영 이미지가 획득되는 위치정보를 수집하여 데이터로 관리하는 데이터 관리단계와, 상기 잔디 분석서버가 데이터 관리서버로부터 데이터를 수신하여 머신러닝(Machine Learning)을 기반으로 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 감염 상태를 분석하여 관리하는 잔디 분석단계와, 상기 모니터링 서버가 잔디 분석서버로부터 분석된 감염 상태에 따른 잔디 상태 및 위치에 대한 모니터링을 하는 잔디 모니터링 단계와, 상기 관리자 단말기가 모니터링 서버가 모니터링을 하는 잔디를 실시간으로 확인하는 잔디 확인단계를 포함하여 이루어진다.
도 4는 본 발명에 따른 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템에 의한 병충해 잔디 관리 과정의 일례를 나타낸 도면이다.
아래에서는 본 발명에 따른 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템에 의한 병충해 잔디 관리 과정의 일례를 살펴보기로 한다.
1. 잔디 관리 지역의 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 촬영 이미지를 획득
2. 잔디 관리 지역의 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 촬영 이미지와, 해당 촬영 이미지가 획득되는 위치정보를 수집하여 데이터로 관리
3. 데이터 관리서버로부터 데이터를 수신하여 머신러닝(Machine Learning)을 기반으로 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 감염 상태를 분석하여 관리
4. 서버가 잔디 분석서버로부터 분석된 감염 상태에 따른 잔디 상태 및 위치에 대한 모니터링
5. 모니터링 서버가 모니터링을 하는 잔디를 실시간으로 확인
이상에서 첨부된 도면을 참조하여 본 발명을 설명함에 있어 특정형상 및 방향을 위주로 설명하였으나, 본 발명은 그 발명에 속하는 기술분야에서 통상의 지식을 가진 사람에 의하여 다양한 변형 및 변경이 가능하고, 이러한 변형 및 변경은 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다.

Claims (10)

  1. 잔디 관리 지역의 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 촬영 이미지와, 해당 촬영 이미지가 획득되는 위치정보를 수집하여 데이터로 관리하기 위한 데이터 관리서버와;
    상기 데이터 관리서버로부터 데이터를 수신하여 머신러닝(Machine Learning)을 기반으로 병충해 및 훼손된 잔디 중 적어도 어느 하나 이상에 대한 감염 상태를 분석하여 관리하기 위한 잔디 분석서버와;
    상기 잔디 분석서버로부터 분석된 감염 상태에 따른 잔디 상태 및 위치에 대한 모니터링을 하기 위한 모니터링 서버와;
    상기 데이터 관리서버로 촬영 이미지를 전송하고 모니터링 서버가 모니터링 하는 잔디를 실시간으로 확인하기 위한 관리자 단말기와;
    기상청 서버 및 검색 포털 사이트 중 적어도 어느 하나 이상의 외부 채널을 통해 과거, 현재 및 미래에 해당하는 잔디 관리 지역의 온도, 풍향, 풍속, 강우량 및 강설량 중 적어도 어느 둘 이상의 날씨에 대한 외부 환경 데이터를 수집하기 위한 환경 데이터 수집기와;
    잔디 관리 지역의 토양에 설치된 센서를 통해 토양의 온도 및 습도와 질소, 인산, 칼슘, 황 및 규산 중 적어도 어느 둘 이상의 비료 성분에 해당하는 토양 데이터를 수집하기 위한 토양 데이터 수집기;를 더 포함하고,
    상기 데이터 관리서버는,
    상기 관리자 단말기를 통해 촬영된 정사각 셀에 포함되는 잔디 관리 지역에 따른 이미지, 병충해가 포함된 이미지, 물리적으로 훼손된 잔디가 포함된 이미지 및 고사된 잔디가 포함된 이미지 중 적어도 어느 하나 이상을 분류하여 별도로 저장 및 관리하기 위한 이미지 DB 모듈과;
    상기 관리자 단말기로부터 전송받아 이미지 DB 모듈에 의해 관리되는 잔디종류 데이터로는 벤트 그래스, 페스큐, 블루그래스, 라이그래스 중 적어도 어느 하나 이상의 한지형 잔디와, 세인트 오거스틴 그래스, 센티피드 그래스, 바하아 그래스, 버팔로 그래스, 한국형 잔디류, 버뮤다 그래스 중 적어도 어느 하나 이상의 난지형 잔디를 포함하며,
    상기 잔디 분석서버는,
    상기 데이터 관리서버에서 수신되는 데이터를 분석에 적합한 형식의 데이터로 전처리 하기 위한 전처리 모듈과;
    상기 전처리 모듈은 데이터 관리서버에서 수신되는 데이터를 데이터 라벨링 및 데이터 스케일링 중 적어도 어느 하나 이상의 방식으로 전처리 하며,
    상기 데이터 관리서버로부터 수신된 데이터에 외부 환경 데이터 및 토양 상태 데이터를 추가하여 머신러닝(Machine Learning)에 반영하기 위한 데이터 추가모듈을 포함하며,
    회귀 분석을 기반으로 데이터 추가모듈을 통해 추가된 데이터 및 관리자 단말기를 통해 촬영된 이미지가 데이터 관리서버로 획득되는 순간 통신 중계기 네트워크에 의해 도출되는 관리자 단말기의 위치 좌표로 위치정보가 산출되어 설정된 정보에 해당하는 종속변수 및 관리자 단말기 GPS를 통해 촬영된 이미지가 획득되는 위치정보 및 이미지 DB 모듈에 의해 분류되어 관리되는 1m x 1m, 2m x 2m, 3m x 3m 및 4m x 4m에 따른 정사각 셀에 포함되는 잔디 관리 지역의 이미지에 해당하는 독립 변수 사이의 관계 분석을 수행하며,
    분류 분석을 기반으로 데이터 추가모듈을 통해 추가된 데이터 및 데이터 관리서버로부터 수신된 데이터에 대한 다수의 변수를 대상으로 특정 변수 값을 조건으로 하여 데이터를 분류하며,
    상기 회귀 분석 및 분류 분석을 동시에 수행하기 위해 XGBoost(eXtreme Gradient Boosting) 알고리즘을 채택하며,
    상기 모니터링 서버는,
    분석된 감염 상태에 따른 잔디 영역을 0.1m 단위의 셀(Cell) 별로 구분하여 해당 잔디 상태 및 위치에 대한 모니터링을 하기 위한 셀 모니터링 모듈과,
    잔디의 감염과 관련한 병충해 감염 정도에 대한 기준치를 설정하고 그 기준치로부터 상하한 범위를 자체 설정한 이후로, 잔디 분석서버로부터 분석된 감염 상태에 따른 잔디 상태가 설정된 범위를 벗어난 잔디 상태일 경우, 설정된 범위가 벗어난다는 알림을 관리자 단말기로 전송하기 위한 잔디상태 점검모듈을 구비하는 것을 특징으로 하는 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 청구항 1에 있어서,
    상기 잔디 분석서버는 전처리된 데이터를 통해 단일 예측 알고리즘인 의사 결정 트리(Decision Tree)를 기반으로 분석에 기초가 되는 모델을 구성하기 위한 모델링 모듈을 구비하는 것을 특징으로 하는 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템.
  6. 청구항 1에 있어서,
    상기 잔디 분석서버는 분석되어 관리되는 데이터를 통해 딥 러닝(Deep Learning)을 이용하여 잔디 병충해를 분류하기 위한 병충해 분류모듈을 구비하는 것을 특징으로 하는 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템.
  7. 청구항 6에 있어서,
    상기 병충해 분류모듈은 잔디 병충해 분류를 AlexNet, ResNet 및 Iception 중 적어도 어느 하나 이상의 컨벌루션 신경망(CNN: Convolutional Neural Network) 기반 모델을 통한 딥 러닝(Deep Learning)을 이용하여 잔디 병충해를 분류하는 것을 특징으로 하는 촬영 이미지 및 GPS 분석 기반의 스마트 잔디 병충해 관리 시스템.
  8. 삭제
  9. 삭제
  10. 삭제
KR1020200139323A 2020-10-26 2020-10-26 촬영 이미지 및 gps 분석 기반의 스마트 잔디 병충해 관리 시스템 KR102467508B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200139323A KR102467508B1 (ko) 2020-10-26 2020-10-26 촬영 이미지 및 gps 분석 기반의 스마트 잔디 병충해 관리 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200139323A KR102467508B1 (ko) 2020-10-26 2020-10-26 촬영 이미지 및 gps 분석 기반의 스마트 잔디 병충해 관리 시스템

Publications (2)

Publication Number Publication Date
KR20220055530A KR20220055530A (ko) 2022-05-04
KR102467508B1 true KR102467508B1 (ko) 2022-11-16

Family

ID=81583782

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200139323A KR102467508B1 (ko) 2020-10-26 2020-10-26 촬영 이미지 및 gps 분석 기반의 스마트 잔디 병충해 관리 시스템

Country Status (1)

Country Link
KR (1) KR102467508B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115482128A (zh) * 2022-08-18 2022-12-16 江苏牛掌柜科技有限公司 一种酒店布草的智慧管理方法及系统
CN117291291B (zh) * 2023-08-12 2024-04-23 江苏信实环境工程有限公司 一种基于物联网的虫情智能监控系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101633710B1 (ko) * 2015-02-02 2016-06-27 안동과학대학교 산학협력단 영상처리 및 센서 기반의 스마트 잔디관리 시스템 및 그 방법
KR101830056B1 (ko) * 2017-07-05 2018-02-19 (주)이지팜 딥러닝 기반의 병해 진단 시스템 및 그 이용방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101773848B1 (ko) 2015-08-27 2017-09-01 강철규 병충해의 확산을 방지하고 기후를 극복할 수 있도록 하는 수경 재배 시스템
KR102211881B1 (ko) 2019-01-02 2021-02-02 이용구 농작물 병충해 관리 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101633710B1 (ko) * 2015-02-02 2016-06-27 안동과학대학교 산학협력단 영상처리 및 센서 기반의 스마트 잔디관리 시스템 및 그 방법
KR101830056B1 (ko) * 2017-07-05 2018-02-19 (주)이지팜 딥러닝 기반의 병해 진단 시스템 및 그 이용방법

Also Published As

Publication number Publication date
KR20220055530A (ko) 2022-05-04

Similar Documents

Publication Publication Date Title
Chamara et al. Ag-IoT for crop and environment monitoring: Past, present, and future
Abbasi et al. The digitization of agricultural industry–a systematic literature review on agriculture 4.0
Charania et al. Smart farming: Agriculture's shift from a labor intensive to technology native industry
Kour et al. Recent developments of the internet of things in agriculture: a survey
Sharma et al. Technological revolutions in smart farming: Current trends, challenges & future directions
dos Santos et al. AgriPrediction: A proactive internet of things model to anticipate problems and improve production in agricultural crops
Channe et al. Multidisciplinary model for smart agriculture using internet-of-things (IoT), sensors, cloud-computing, mobile-computing & big-data analysis
Dahane et al. An IoT based smart farming system using machine learning
CA3078904A1 (en) System and method for managing and operating an agricultural-origin-product manufacturing supply chain
Maduranga et al. Machine learning applications in IoT based agriculture and smart farming: A review
KR102467508B1 (ko) 촬영 이미지 및 gps 분석 기반의 스마트 잔디 병충해 관리 시스템
Sharma et al. IoFT-FIS: Internet of farm things based prediction for crop pest infestation using optimized fuzzy inference system
Pawar et al. IoT-based smart agriculture: an exhaustive study
Jagyasi et al. Event based experiential computing in agro-advisory system for rural farmers
Martinez et al. Feasibility analysis proposal for an iot infrastructure for the efficient processing of data in agriculture, case study on cocoa
Vinueza-Naranjo et al. IoT-Based smart agriculture and Poultry farms for environmental sustainability and development
Helfer et al. Ubiquitous computing in precision agriculture: A systematic review
Sharma et al. Crop yield prediction using hybrid deep learning algorithm for smart agriculture
Kanna et al. A maize crop yield optimization and healthcare monitoring framework using firefly algorithm through iot
Chatterjee et al. Green sense: A smart assistant for agriculture management using IoT and deep learning
Saha et al. ML-based smart farming using LSTM
Khan et al. Harnessing 5G Networks for Enhanced Precision Agriculture: Challenges and potential Solutions
Thi et al. Computing Infrastructure Of IoT Applications In Smart Agriculture: A Systematical Review
Konde et al. Internet of things (IoT) based technologies in smart agriculture
Tageldin Integration of machine learning and predictive analytics in agriculture to optimize plant disease detection and treatment in Egypt

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant