KR102489183B1 - Method And Apparatus for Providing Plant Growth Information Based on Plant Image - Google Patents
Method And Apparatus for Providing Plant Growth Information Based on Plant Image Download PDFInfo
- Publication number
- KR102489183B1 KR102489183B1 KR1020220015266A KR20220015266A KR102489183B1 KR 102489183 B1 KR102489183 B1 KR 102489183B1 KR 1020220015266 A KR1020220015266 A KR 1020220015266A KR 20220015266 A KR20220015266 A KR 20220015266A KR 102489183 B1 KR102489183 B1 KR 102489183B1
- Authority
- KR
- South Korea
- Prior art keywords
- plant
- learning
- image
- information
- growth
- Prior art date
Links
- 230000008635 plant growth Effects 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000013145 classification model Methods 0.000 claims abstract description 61
- 230000012010 growth Effects 0.000 claims description 100
- 241000607479 Yersinia pestis Species 0.000 claims description 51
- 238000007781 pre-processing Methods 0.000 claims description 46
- 239000000284 extract Substances 0.000 claims description 43
- 235000013399 edible fruits Nutrition 0.000 claims description 40
- 238000009423 ventilation Methods 0.000 claims description 26
- 229930002875 chlorophyll Natural products 0.000 claims description 22
- 235000019804 chlorophyll Nutrition 0.000 claims description 22
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 239000003102 growth factor Substances 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 description 301
- 244000178231 Rosmarinus officinalis Species 0.000 description 22
- 238000010586 diagram Methods 0.000 description 12
- 238000012706 support-vector machine Methods 0.000 description 12
- 238000003066 decision tree Methods 0.000 description 8
- 241000238876 Acari Species 0.000 description 7
- 241000218631 Coniferophyta Species 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 241000258937 Hemiptera Species 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 4
- 241000227166 Harrimanella hypnoides Species 0.000 description 3
- 241000218922 Magnoliophyta Species 0.000 description 3
- 241000985694 Polypodiopsida Species 0.000 description 3
- 241000206572 Rhodophyta Species 0.000 description 3
- 241000592344 Spermatophyta Species 0.000 description 3
- 241000592342 Tracheophyta Species 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 244000269261 Alocasia Species 0.000 description 2
- 241000218993 Begonia Species 0.000 description 2
- 244000003240 Caesalpinia gilliesii Species 0.000 description 2
- 235000014161 Caesalpinia gilliesii Nutrition 0.000 description 2
- 241000221785 Erysiphales Species 0.000 description 2
- 244000166124 Eucalyptus globulus Species 0.000 description 2
- 241000208152 Geranium Species 0.000 description 2
- 240000000987 Monstera deliciosa Species 0.000 description 2
- 235000002790 Monstera deliciosa Nutrition 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001124076 Aphididae Species 0.000 description 1
- 244000080767 Areca catechu Species 0.000 description 1
- 235000006226 Areca catechu Nutrition 0.000 description 1
- 235000005979 Citrus limon Nutrition 0.000 description 1
- 244000248349 Citrus limon Species 0.000 description 1
- 241000255925 Diptera Species 0.000 description 1
- 206010027146 Melanoderma Diseases 0.000 description 1
- 240000007817 Olea europaea Species 0.000 description 1
- 235000002725 Olea europaea Nutrition 0.000 description 1
- 241001414989 Thysanoptera Species 0.000 description 1
- 241000743038 Tillandsia Species 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- SESFRYSPDFLNCH-UHFFFAOYSA-N benzyl benzoate Chemical compound C=1C=CC=CC=1C(=O)OCC1=CC=CC=C1 SESFRYSPDFLNCH-UHFFFAOYSA-N 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Husbandry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Environmental Sciences (AREA)
- Forests & Forestry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Ecology (AREA)
- Mathematical Physics (AREA)
- Botany (AREA)
- Agronomy & Crop Science (AREA)
- Artificial Intelligence (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Biodiversity & Conservation Biology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
본 발명의 일 실시예는 식물 이미지 기반 식물 생육 정보 제공 방법 및 장치에 관한 것이다.An embodiment of the present invention relates to a method and apparatus for providing plant growth information based on plant images.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.The contents described below merely provide background information related to the present embodiment and do not constitute prior art.
스마트폰의 보급과 더불어 딥러닝 기반의 이미지 인식 기술 발전으로 인해 스마트폰에 구비된 카메라를 이용하여 다양한 객체를 인식한 후 정보를 획득할 수 있다. 식물 인식 분야는 다양한 기술 연구가 진행되고 있고, 식물 인식 분야 연구를 기반으로 한 서비스를 모바일 기기로 제공할 수 있다. With the spread of smart phones and the development of deep learning-based image recognition technology, it is possible to acquire information after recognizing various objects using a camera provided in a smart phone. In the field of plant recognition, various technological researches are being conducted, and services based on research in the field of plant recognition can be provided to mobile devices.
유럽, 미주의 경우, 다양한 비영리 기관에서 사용자의 자발적인 참여로 식물 데이터를 수집한 후 배포하여 식물 인식 분야의 기술 진보를 위한 토양을 제공한다. 데이터를 수집할 때, 데이터 기반으로 개발한 기술을 활용하여 기계가 분류한 식물을 사람이 선택하는 방식으로 데이터 수집의 효율성을 높이고 있다. In the case of Europe and the Americas, various non-profit organizations collect and distribute plant data with the voluntary participation of users, providing the soil for technological progress in the field of plant recognition. When collecting data, the efficiency of data collection is increased by using technology developed based on data to select plants classified by machines by humans.
국내의 경우 식물에 대한 대량의 이미지를 수집하고 배포하는 전문적인 단체가 기고를 찾아보기 어렵다. 식물의 경우, 대륙에 따라 서식하는 종의 분포가 다른 점을 고려시 국내에 서식하는 식물에 대한 데이터를 체계적으로 수집, 분류하고 배포하는 작업이 필요하다.In Korea, it is difficult to find contributions from professional organizations that collect and distribute large amounts of plant images. In the case of plants, it is necessary to systematically collect, classify, and distribute data on plants inhabiting Korea, considering that the distribution of species inhabiting each continent is different.
식물 이미지를 기반으로 식물을 판별하고 식물이 가진 병충해에 대한 판단을 위한 인공 지능 기반의 식물 이미지 판별 기술을 필요로 한다.It requires an artificial intelligence-based plant image discrimination technology for identifying plants based on plant images and determining pests and diseases of plants.
본 실시예는 식물을 촬영한 식물 이미지에 대해 사전 학습된 식물 분류 모델을 이용하여 신규 식물 이미지에 대한 식물 종류를 분류한 후 식물 종류에 대응하는 식물 생육 정보를 추출하여 제공하도록 하는 식물 이미지 기반 식물 생육 정보 제공 방법 및 장치를 제공하는 데 목적이 있다.This embodiment classifies plant types for new plant images by using a plant classification model pretrained on plant images of plant images, and then extracts and provides plant growth information corresponding to the plant type based on plant images. An object of the present invention is to provide a method and apparatus for providing growth information.
본 실시예의 일 측면에 의하면, 식물을 촬영한 신규 식물 이미지를 획득하는 식물 이미지 획득부; 사전 학습된 식물 분류 모델을 이용하여 상기 신규 식물 이미지에 대한 식물 종류를 분류하는 식물 종류 분류부; 및 상기 식물 종류에 대응하는 식물 생육 정보를 추출하는 식물 생육 정보 추출부를 포함하는 것을 특징으로 하는 식물 생육정보 제공장치를 제공한다.According to one aspect of this embodiment, the plant image acquisition unit for obtaining a new plant image photographed plants; a plant type classification unit for classifying a plant type for the new plant image using a pre-learned plant classification model; and a plant growth information extractor extracting plant growth information corresponding to the plant type.
본 실시예의 다른 측면에 의하면, 식물을 촬영한 신규 식물 이미지를 획득하는 과정; 사전 학습된 식물 분류 모델을 이용하여 상기 신규 식물 이미지에 대한 식물 종류를 분류하는 과정; 및 상기 식물 종류에 대응하는 식물 생육 정보를 추출하는 과정;을 포함하는 것을 특징으로 하는 식물 생육 정보 제공 방법을 제공한다.According to another aspect of this embodiment, the process of acquiring a new plant image photographed plants; Classifying a plant type for the new plant image using a pre-learned plant classification model; and extracting plant growth information corresponding to the plant type.
이상에서 설명한 바와 같이 본 실시예에 의하면, 식물을 촬영한 식물 이미지에 대해 사전 학습된 식물 분류 모델을 이용하여 신규 식물 이미지에 대한 식물 종류를 분류한 후 식물 종류에 대응하는 식물 생육 정보를 추출하여 제공할 수 있는 효과가 있다.As described above, according to the present embodiment, plant types for new plant images are classified using a plant classification model pre-learned for plant images photographed, and then plant growth information corresponding to the plant type is extracted. There are effects that can be provided.
도 1은 본 실시예에 따른 식물 생육정보 제공장치를 개략적으로 나타낸 도면이다.
도 2는 본 실시예에 따른 식물 종류별 생육 특성을 나타낸 도면이다.
도 3은 본 실시예에 따른 로즈마리의 생육에 대한 빛 관련 결정 트리를 나타낸 도면이다.
도 4는 본 실시예에 따른 로즈마리의 생육에 대한 물 관련 결정 트리를 나타낸 도면이다.
도 5는 본 실시예에 따른 식물의 줄기, 잎, 열매, 뿌리 인식을 나타낸 도면이다.
도 6은 본 실시예에 따른 식물 연관성 정보를 이용한 식물 종류 분류 방법을 설명하기 위한 순서도이다.
도 7은 본 실시예에 따른 잎, 줄기의 엽록소 함량을 기반으로 식물 종류 분류를 나타낸 도면이다.1 is a diagram schematically showing a plant growth information providing device according to an embodiment.
2 is a diagram showing growth characteristics for each plant type according to the present embodiment.
3 is a diagram showing a light-related decision tree for the growth of rosemary according to the present embodiment.
4 is a diagram showing a water-related decision tree for the growth of rosemary according to the present embodiment.
5 is a diagram illustrating recognition of a stem, leaf, fruit, and root of a plant according to the present embodiment.
6 is a flowchart illustrating a plant type classification method using plant correlation information according to an exemplary embodiment.
7 is a diagram showing classification of plant types based on the chlorophyll content of leaves and stems according to the present embodiment.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, this embodiment will be described in detail with reference to the accompanying drawings.
도 1은 본 실시예에 따른 식물 생육정보 제공장치를 개략적으로 나타낸 도면이다.1 is a diagram schematically showing a plant growth information providing device according to an embodiment.
본 실시예에 따른 식물 생육정보 제공장치(100)는 학습 이미지 획득부(110), 식물 정보 획득부(120), 학습 데이터 전처리부(130), 식물 분류 모델 생성부(140), 학습부(150), 식물 이미지 획득부(160), 식물 데이터 전처리부(170), 식물 종류 분류부(180), 식물 생육 정보 추출부(190), 설문 정보 획득부(192), 식물 생육 가이드 제공부(194)를 포함한다. 식물 생육정보 제공장치(100)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.The plant growth
식물 생육정보 제공장치(100)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신한다.Each component included in the plant growth
도 1에 도시된 식물 생육정보 제공장치(100)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.Each component of the plant growth
학습 이미지 획득부(110)는 식물을 촬영한 학습용 식물 이미지를 획득한다. 학습 이미지 획득부(110)는 식물에 대한 전체를 촬영한 식물 이미지를 획득한다.The learning
식물 정보 획득부(120)는 식물에 대한 레퍼런스 이미지와 추가 정보(촬영 시간, 촬영 날짜, 식물 부위, 지역 정보)를 획득한다.The plant
학습 데이터 전처리부(130)는 학습용 식물 이미지에 레퍼런스 이미지, 추가 정보를 매칭한다. 학습 데이터 전처리부(130)는 학습용 식물 이미지를 학습용 이미지 RGB 픽셀값으로 변환하고, 학습용 이미지 RGB 픽셀값에 레퍼런스 이미지, 추가 정보를 매칭한다.The learning data pre-processing
학습 데이터 전처리부(130)는 추가 정보로부터 촬영 시간, 촬영 날짜, 식물 부위, 지역 정보를 추출한다. 학습 데이터 전처리부(130)는 학습용 식물 이미지를 0 ~ 255의 값을 갖는 학습용 이미지 RGB 픽셀값으로 변환한다.The learning data pre-processing
학습 데이터 전처리부(130)는 학습용 이미지 RGB 픽셀값에 대한 평균값(Mean), 표준 편차값(STDV), 최소값(Min), 최대값(Max)을 산출하고, 평균값, 표준 편차값, 최소값, 최대값을 기반으로 정규화(Normalization)시킨다.The training data pre-processing
학습 데이터 전처리부(130)는 정규화된 학습용 이미지 RGB 픽셀값으로부터 0~1 사이의 값만을 추출한 후 이상치를 제거하는 전처리를 수행하여 학습용 전처리 데이터를 생성한다.The training data pre-processing
학습 데이터 전처리부(130)는 날짜별, 온도별로 복수의 전체 학습용 식물 이미지를 서로 비교하여 색깔 차이가 기 설정된 임계치 이상으로 발생하는 부분을 추출한다. 학습 데이터 전처리부(130)는 날짜별, 온도별로 각각 촬영된 전체 학습용 식물 이미지의 전체 영역을 기 설정된 영역으로 분할한다. 학습 데이터 전처리부(130)는 날짜별, 온도별로 각각 촬영된 전체 학습용 식물 이미지를 각 영역별로 RGB 값을 산출한다. 학습 데이터 전처리부(130)는 각 영역별 RGB 값을 서로 비교하여 기 설정된 임계치 이상으로 발생하는 영역을 추출한다.The learning data pre-processing
학습 데이터 전처리부(130)는 학습용 식물 이미지 내에 복수의 잎, 줄기, 열매, 뿌리가 인식되는 경우, 복수의 잎, 줄기, 열매, 뿌리마다 암부값을 추출한다. 학습 데이터 전처리부(130)는 암부값이 기 설정된 임계치 이상인 경우, 인식된 잎에 그림자로 가려진 암부 객체로 인식하여, 암부 객체를 학습 후보에서 제거시킨다. 학습 데이터 전처리부(130)는 복수의 잎, 줄기, 열매, 뿌리 중 암부 객체를 제외한 나머지 객체의 형상을 추출한다. 학습 데이터 전처리부(130)는 나머지 객체의 형상 중 전체 형상을 갖는 하나의 객체을 최종 학습용 객체로 선별한다. 학습 데이터 전처리부(130)는 최종 학습용 객체를 학습용 이미지 RGB 픽셀값으로 변환한다.When a plurality of leaves, stems, fruits, and roots are recognized in the learning plant image, the learning data pre-processing
학습 데이터 전처리부(130)는 학습용 식물 이미지 내에 잎의 모양을 인식한다. 학습 데이터 전처리부(130)는 잎의 모양에 따라 식물 종류를 결정한다. 학습 데이터 전처리부(130)는 학습용 식물 이미지 내에 잎의 개수를 판별한다. 학습 데이터 전처리부(130)는 식물 종류에 따른 계절별 따른 잎의 개수와 잎의 개수를 비교하여 현재 계절 정보를 결정한다. The learning data pre-processing
학습 데이터 전처리부(130)는 학습용 식물 이미지 내에 열매의 모양을 인식한다. 학습 데이터 전처리부(130)는 열매의 모양에 따라 식물 종류를 결정한다. 학습 데이터 전처리부(130)는 학습용 식물 이미지 내에 열매의 개수를 판별한다. 학습 데이터 전처리부(130)는 식물 종류에 따른 시기별 열매의 개수와 상기 열매의 개수를 비교하여 현재 시기 정보를 결정한다.The learning data pre-processing
식물 분류 모델 생성부(140)는 학습용 식물 이미지, 레퍼런스 이미지, 추가 정보의 상관관계를 모델링하여 식물 분류 모델을 생성한다. 식물 분류 모델 생성부(140)는 학습용 이미지 RGB 픽셀값에 전처리를 수행한 학습용 전처리 데이터, 레퍼런스 이미지, 추가 정보의 상관관계를 모델링하여 식물 분류 모델을 생성한다.The plant classification
식물 분류 모델 생성부(140)는 학습용 식물 이미지에 대한 학습용 전처리 데이터를 독립 변수로 설정하고, 레퍼런스 이미지와 추가 정보를 종속 변수로 설정하고, 독립 변수와 종속 변수의 상관관계(Correlation)를 모델링하여 식물 분류 모델을 생성한다.The plant classification
식물 분류 모델 생성부(140)는 학습용 식물 이미지를 잎 영역, 줄기 영역, 열매 영역, 뿌리 영역으로 구분한다. 이후 식물 분류 모델 생성부(140)는 레퍼런스 이미지에 포함된 식물의 잎 이미지, 줄기 이미지, 열매 이미지, 뿌리 이미지 및 추가 정보에 포함된 촬영 시간, 촬영 날짜, 식물 부위, 지역 정보를 매칭한 상관관계를 모델링하여 식물 분류 모델을 생성한다.The plant classification
식물 분류 모델 생성부(140)는 학습 데이터 전처리부(130)에서 결정된 계절 정보를 추가 정보에 반영하여 식물 분류 모델을 생성한다. 식물 분류 모델 생성부(140)는 학습 데이터 전처리부(130)에서 결정한 시기 정보를 추가 정보에 반영하여 식물 분류 모델을 생성한다.The plant classification
학습부(150)는 식물 분류 모델을 이용하여 학습용 식물 이미지에 대한 식물 종류를 분류한 분류 결과를 학습 데이터로 입력하여 학습을 수행한 결과를 식물 분류 모델에 반영한다.The
학습부(150)는 학습용 RGB 픽셀값, 레퍼런스 이미지, 추가 정보를 SVM(Support Vector Machine), KNN(K-Nearest Neighbor)을 이용하여 분류한 결과 클러스터를 형성하고, 해당 클러스터를 임계점으로 설정하여 해당 식물의 종류를 분류한다.The
학습부(150)는 식물 분류 모델을 이용하여 학습용 식물 이미지에 대한 식물 종류를 분류한 분류 결과를 학습 데이터로 입력하여 학습을 수행할 때, 계절(날짜)에 따른 잎의 개수, 잎의 엽록소 값, 열매 유무를 함께 학습한 결과를 식물 분류 모델에 반영한다.When the
식물 이미지 획득부(160)는 식물을 촬영한 신규 식물 이미지를 획득한다.The plant
식물 데이터 전처리부(170)는 신규 식물 이미지를 0 ~ 255의 값을 갖는 식물 이미지 RGB 픽셀값으로 변환한다. 식물 데이터 전처리부(170)는 신규 식물 이미지에 대한 식물 이미지 RGB 픽셀값에 대한 평균값(Mean), 표준 편차값(STDV), 최소값(Min), 최대값(Max)을 산출하고, 평균값, 표준 편차값, 최소값, 최대값을 기반으로 정규화(Normalization)시킨다.The plant
식물 데이터 전처리부(170)는 정규화된 식물 이미지 RGB 픽셀값으로부터 0~1 사이의 값만을 추출한 후 이상치를 제거하는 전처리를 수행하여 신규 전처리 데이터를 생성한다.The plant
식물 종류 분류부(180)는 사전 학습된 식물 분류 모델을 이용하여 신규 식물 이미지에 대한 식물 종류를 분류한다. 식물 종류 분류부(180)는 사전 학습된 식물 분류 모델을 이용하여 신규 전처리 데이터에 대한 식물 종류를 분류하고, 식물 종류에 대응하는 식물명을 추출한다.The plant
식물 종류 분류부(180)는 식물 이미지 RGB 픽셀값, 레퍼런스 이미지, 추가 정보를 SVM, KNN을 이용하여 분류할 때, SVM을 1차적으로 수행한 후 KNN을 2차적으로 수행하여 클러스터링을 수행한다. 식물 종류 분류부(180)는 클러스터링 결과를 기반으로 해당 식물의 식물 종류를 분류한다.When classifying plant image RGB pixel values, reference images, and additional information using SVM and KNN, the plant
식물 종류 분류부(180)는 식물 이미지 RGB 픽셀값, 레퍼런스 이미지, 추가 정보를 SVM, KNN을 이용하여 분류할 때, KNN을 1차적으로 수행한 후 SVM을 2차적으로 수행하여 클러스터링을 수행한다. 식물 종류 분류부(180)는 클러스터링 결과를 기반으로 해당 식물의 식물 종류를 분류한다.When classifying plant image RGB pixel values, reference images, and additional information using SVM and KNN, the plant
식물 종류 분류부(180)는 식물 분류 모델을 이용하여 획득한 신규 식물 이미지가 기 설정된 수치(예컨대, 70%) 이상으로 일치하는 식물 종류가 존재하는 경우, 해당 식물 종류를 속씨식물, 겉씨식물, 이끼식물, 관다발식물, 유배식물, 엽상식물, 양치식물, 선택식물, 구과식물, 홍조식물 중 어느 하나로 결정한다.The plant
식물 종류 분류부(180)는 식물 종류(식물명)에 대응하는 식물 생육 정보를 추출 시 정확도를 높이기 위해 신규 식물 이미지를 기반으로 식물 크기를 추정하고, 식물 크기를 기반으로 식물 종류가 맞는지의 여부를 추가로 인증한다.The plant
식물 종류 분류부(180)는 식물 종류(식물명)에 대응하는 식물 생육 정보를 추출 시 정확도를 높이기 위해 신규 식물 이미지를 기반으로 모양, 두께, 무늬, 색상을 추출하고, 모양, 두께, 무늬, 색상을 기반으로 식물 종류가 맞는지의 여부를 추가로 인증한다.The plant
식물 종류 분류부(180)는 식물 종류(식물명)에 대응하는 식물 생육 정보를 추출 시 정확도를 높이기 위해 신규 식물 이미지를 기반으로 잎의 모양을 추출한다. 식물 종류 분류부(180)는 잎의 모양과 유사한 형상을 갖는지의 여부를 추가로 인증한다.The plant
식물 종류 분류부(180)는 식물 종류(식물명)에 대응하는 식물 생육 정보를 추출 시 정확도를 높이기 위해 신규 식물 이미지를 기반으로 잎의 색상을 추출한다. 식물 종류 분류부(180)는 잎의 색상에 대한 픽셀값을 변환한다. 식물 종류 분류부(180)는 잎의 색상에 대한 픽셀값을 기반으로 엽록소의 상태를 파악한다. 식물 종류 분류부(180)는 엽록소의 상태를 기반으로 식물 종류가 맞는지의 여부를 추가로 인증한다.The plant
식물 종류 분류부(180)는 신규 식물 이미지를 잎 영역, 줄기 영역, 열매 영역, 뿌리 영역으로 구분한다. 이후 식물 종류 분류부(180)는 잎 영역에 대한 잎 영역 RGB 픽셀값을 기반으로 잎 영역 엽록소(chlorophyll) 함량을 확인한다. 식물 종류 분류부(180)는 줄기 영역에 대한 줄기 영역 RGB 픽셀값을 기반으로 줄기 영역 엽록소 함량을 확인한다. 식물 종류 분류부(180)는 식물 분류 모델을 이용하여 잎 영역 엽록소 함량, 줄기 영역 엽록소 함량을 추가 정보에 포함된 촬영 시간, 촬영 날짜, 지역 정보에 따라 매칭된 잎 영역 엽록소 함량과의 매칭율을 기반으로 식물 종류를 분류한다.The plant
식물 종류 분류부(180)는 추가 정보로부터 날짜 정보, 촬영 시간 및 촬영 위치(GPS 정보)를 추출한다. 식물 종류 분류부(180)는 식물 분류 모델을 이용하여 신규 식물 이미지로부터 제1 식물 이미지 특징을 추출한다. 식물 종류 분류부(180)는 촬영 시간, 촬영 위치(GPS 정보), 제1 식물 이미지 특징을 바탕으로 식물 연관성 정보를 생성한다. 식물 종류 분류부(180)는 식물 연관성 정보 및 제1 식물 이미지 특징을 결합하여 신규 식물 이미지에 대한 식물 종류를 분류한다.The plant
식물 종류 분류부(180)는 CNN(Convolutional Neural Network) 내 컨볼루션 계층(Convolution Layer)에 의해 신규 식물 이미지로부터 -1 내지 1 사이의 실수 값으로 정규화된 제1 식물 이미지 특징을 추출한다.The plant
식물 종류 분류부(180)는 식물 연관성 정보를 생성할 때, 촬영 시간 및 촬영 위치를 기반으로 촬영된 식물의 종(species) 분류 시 개화 시기 및 개화 장소 정보를 식물 종류를 분류하는 가중치로 반영한다.When plant
식물 생육 정보 추출부(190)는 식물 종류(식물명)에 대응하는 식물 생육 정보(빛 환경, 선호 생육 환경, 비선호 생육 환경, 생육 적정 온도, 통풍 또는 배수, 병충해, 병충해 종류)를 추출한다.The plant growth
설문 정보 획득부(192)는 식물 종류(식물명)에 대응하는 설문 정보를 추가로 획득한다. 설문 정보 획득부(192)는 키우는 장소(야외, 실내), 설문 수광 정보(양지, 반양지, 반음지, 음지), 물 주기(주3회, 주1회, 2주1회, 3주1회), 물을 주는 양을 포함하는 설문 정보를 획득한다.The survey
식물 생육 가이드 제공부(194)는 식물 생육 정보와 설문 정보를 기반으로 식물 생육 가이드를 제공한다. The plant growth
식물 생육 가이드 제공부(194)는 식물 종류(식물명)에 대응하는 식물 생육 정보로부터 빛 환경, 선호 생육 환경, 비선호 생육 환경, 생육 적정 온도, 통풍 또는 배수, 병충해, 병충해 종류에 대한 생육 팩터를 추출한다. 식물 생육 가이드 제공부(194)는 설문 정보로부터 키우는 장소, 수광 정보, 물 주기, 물을 주는 양에 대한 환경 팩터를 추출한다. 식물 생육 가이드 제공부(194)는 생육 팩터와 환경 팩터를 비교하여 비일치하는 정보를 기반으로 식물 생육 가이드를 생성한다.The plant growth
식물 생육 가이드 제공부(194)는 설문 정보로부터 추출한 키우는 장소(야외, 실내), 수광 정보(양지, 반양지, 반음지, 음지)에 대한 팩터를 식물 생육 정보로부터 추출한 빛 환경에 대한 팩터를 비교한다. 식물 생육 가이드 제공부(194)는 설문 정보로부터 추출한 물 주기(주3회, 주1회, 2주1회, 3주1회), 물을 주는 양에 대한 팩터를 식물 생육 정보로부터 추출한 선호 생육 환경에 대한 팩터와 비교하여 식물 생육 가이드를 생성한다.The plant growth
식물 생육 가이드 제공부(194)는 설문 정보에 포함된 키우는 장소(야외, 실내)와 설문 수광 정보(양지, 반양지, 반음지, 음지)를 기반으로 생육 환경이 양지, 반양지, 반음지, 음지 중 어느 하나로 판별한다. 식물 생육 가이드 제공부(194)는 설문 정보에 포함된 물 주기(주3회, 주1회, 2주1회, 3주1회)와 물을 주는 양을 기반으로 생육 환경이 다습한지 건조한지의 여부를 판별한다.The plant growth
식물 생육 가이드 제공부(194)는 생육 환경이 양지, 반양지, 반음지, 음지 중 어느 하나로 판별한 결과와 생육 환경이 다습한지 건조한지의 여부를 판별한 결과를 빛 환경, 선호 생육 환경, 비선호 생육 환경, 생육 적정 온도, 통풍 또는 배수와 각각 비교하여 비일치하는 정보를 추출한다. 식물 생육 가이드 제공부(194)는 비일치하는 정보에 대한 생육 가이드를 포함하는 식물 생육 가이드를 생성한다.The plant growth
식물 생육 가이드 제공부(194)는 생육 환경이 양지로 확인되나 빛 환경이 반양지인 경우, 키우는 장소를 이전하라는 생육 가이드를 생성한다. 식물 생육 가이드 제공부(194)는 생육 환경이 건조로 확인되나 선호 환경이 다습인 경우, 물을 양을 줄이라는 생육 가이드를 생성한다.The plant growth
도 2는 본 실시예에 따른 식물 종류별 생육 특성을 나타낸 도면이다.2 is a diagram showing growth characteristics for each plant type according to the present embodiment.
식물 생육정보 제공장치(100)는 데이터베이스 내에 식물 종류별 생육 특성을 저장한다.The plant growth
식물 생육정보 제공장치(100)는 식물종류로 ‘틸란드시아’, ‘디시디아’, ‘제라늄’, ‘몬스테라’, ‘올리브나무’, ‘유칼립투스’, ‘벵갈고무나무’, ‘레몬나무’, ‘금전수’, ‘알로카시아’, ‘베고니아’, ‘아레카야자’, ‘극락조’, ‘로즈마리’, ‘율마’, ‘목마가렛’, ‘스킨답서스’, ‘행운목’, ‘아이비’, ‘트리안’ 등을 포함한다.The plant growth
식물 생육정보 제공장치(100)는 ‘틸란드시아’에 대한 생육 특성으로 빛 환경(반양지, 반음지), 선호 생육 환경(고온다습), 비선호 생육 환경(직사광선), 생육 적정 온도(15 ~ 25℃), 고온(강함), 저온(-), 다습(강함), 건조(약함), 통풍 또는 배수(-), 병충해(드뭄), 병충해 종류(-), 기타(-) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘디시디아’에 대한 생육 특성으로 빛 환경(반양지, 반음지), 선호 생육 환경(고온다습), 비선호 생육 환경(직사광선), 생육 적정 온도(18 ~ 28℃), 고온(-), 저온(-), 다습(약함), 건조(-), 통풍 또는 배수(-), 병충해(드뭄), 병충해 종류(-), 기타(-) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘제라늄’에 대한 생육 특성으로 빛 환경(양지, 반양지), 선호 생육 환경(-), 비선호 생육 환경(고온다습), 생육 적정 온도(16 ~ 20℃), 고온(약함), 저온(-), 다습(매우약함), 건조(매우강함), 통풍 또는 배수(매우 중요), 병충해(잦음), 병충해 종류(잿빛곰팡이병), 기타(저온 다습한 경우 병충해 발생) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘몬스테라’에 대한 생육 특성으로 빛 환경(반음지), 선호 생육 환경(고온다습), 비선호 생육 환경(직사광선), 생육 적정 온도(20 ~ 25℃), 고온(강함), 저온(약함), 다습(강함), 건조(-), 통풍 또는 배수(-), 병충해(-), 병충해 종류(응애, 깍지벌레), 기타(-) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘올리브나무’에 대한 생육 특성으로 빛 환경(양지), 선호 생육 환경(고온건조), 비선호 생육 환경(빛 부족), 생육 적정 온도(18 ~ 23℃), 고온(-), 저온(-), 다습(약함), 건조(강함), 통풍 또는 배수(매우 중요), 병충해(-), 병충해 종류(-), 기타(-) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘유칼립투스’에 대한 생육 특성으로 빛 환경(양지, 반양지), 선호 생육 환경(빛과 건조), 비선호 생육 환경(-), 생육 적정 온도(18 ~ 23℃), 고온(-), 저온(-), 다습(-), 건조(-), 통풍 또는 배수(매우 중요), 병충해(드뭄), 병충해 종류(응애, 흰가루병), 기타(겨울철 수포현상) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘벵갈고무나무’에 대한 생육 특성으로 빛 환경(반양지), 선호 생육 환경(고온다습), 비선호 생육 환경(뿌리 과습에 취약), 생육 적정 온도(25 ~ 30℃), 고온(-), 저온(약함), 다습(-), 건조(약함), 통풍 또는 배수(배수 중요), 병충해(-), 병충해 종류(-), 기타(-) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘레몬나무’에 대한 생육 특성으로 빛 환경(양지), 선호 생육 환경(빛과 건조), 비선호 생육 환경(-), 생육 적정 온도(16 ~ 30℃), 고온(-), 저온(약함), 다습(약함), 건조(-), 통풍 또는 배수(-), 병충해(잦음), 병충해 종류(궤양병, 검은점무늬병), 기타(-) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘금전수’에 대한 생육 특성으로 빛 환경(반음지), 선호 생육 환경(고온다습), 비선호 생육 환경(저온다습), 생육 적정 온도(15 ~ 30℃), 고온(-), 저온(약함), 다습(-), 건조(강함), 통풍 또는 배수(매우 중요), 병충해(-), 병충해 종류(응애, 깍지벌레), 기타(-) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘알로카시아’에 대한 생육 특성으로 빛 환경(반양지), 선호 생육 환경(고온다습), 비선호 생육 환경(저온다습), 생육 적정 온도(15 ~ 25℃), 고온(-), 저온(약함), 다습(-), 건조(보통), 통풍 또는 배수(매우 강함), 병충해(-), 병충해 종류(무름병, 응애, 깍지벌레), 기타(-) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘베고니아’에 대한 생육 특성으로 빛 환경(반양지), 선호 생육 환경(조금 건조, 통풍), 비선호 생육 환경(직사광선, 고온 다습), 생육 적정 온도(10 ~ 20℃), 고온(약함), 저온(약함), 다습(약함), 건조(-), 통풍 또는 배수(매우 중요), 병충해(잦음), 병충해 종류(흰가루병, 시들음병, 잿빛곰팡이병), 기타(고온 다습할 경우 피해 증가) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘아레카야자’에 대한 생육 특성으로 빛 환경(반양지, 반음지), 선호 생육 환경(고온다습), 비선호 생육 환경(건조, 직사광선, 추위), 생육 적정 온도(18 ~ 25℃), 고온(-), 저온(약함), 다습(-), 건조(-), 통풍 또는 배수(매우 중요), 병충해(잦음), 병충해 종류(깍지벌레, 응애), 기타(건조할 경우 응애 발생) 정보를 매칭하여 저장한다.Plant growth
식물 생육정보 제공장치(100)는 ‘극락조’에 대한 생육 특성으로 빛 환경(양지, 반양지, 반음지), 선호 생육 환경(높은 습도, 햇빛), 비선호 생육 환경(직사광선, 어두움, 저온, 과습), 생육 적정 온도(15 ~ 25℃), 고온(-), 저온(-), 다습(-), 건조(강함), 통풍 또는 배수(매우 중요), 병충해(-), 병충해 종류(-), 기타(앞건조 많음, 공중습도 유지) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘로즈마리’에 대한 생육 특성으로 빛 환경(양지, 반양지, 반음지), 선호 생육 환경(건조), 비선호 생육 환경(고온다습), 생육 적정 온도(15 ~ 25℃), 고온(약함), 저온(강함), 다습(약함), 건조(강함), 통풍 또는 배수(매우 중요), 병충해(드뭄), 병충해 종류(흰가루병), 기타(-) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘율마’에 대한 생육 특성으로 빛 환경(양지, 반양지), 선호 생육 환경(햇빛, 저온, 통풍), 비선호 생육 환경(고온다습), 생육 적정 온도(15 ~ 20℃), 고온(-), 저온(약함), 다습(-), 건조(약함), 통풍 또는 배수(중요), 병충해(-), 병충해 종류(깍지벌레, 응애), 기타(-) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘목마가렛’에 대한 생육 특성으로 빛 환경(반양지), 선호 생육 환경(햇빛), 비선호 생육 환경(과습), 생육 적정 온도(15 ~ 23℃), 고온(-), 저온(강함), 다습(-), 건조(-), 통풍 또는 배수(매우 중요), 병충해(드뭄), 병충해 종류(-), 기타(-) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘스킨답서스’에 대한 생육 특성으로 빛 환경(반음지, 음지), 선호 생육 환경(높은 습도, 물), 비선호 생육 환경(-), 생육 적정 온도(20 ~ 25℃), 고온(-), 저온(-), 다습(-), 건조(강함), 통풍 또는 배수(매우 중요), 병충해(드뭄), 병충해 종류(깍지벌레, 응애, 총채벌레), 기타(뿌리과습 피해많음) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘행운목’에 대한 생육 특성으로 빛 환경(반음지), 선호 생육 환경(고온다습), 비선호 생육 환경(직사광선), 생육 적정 온도(21 ~ 25℃), 고온(-), 저온(-), 다습(약함), 건조(-), 통풍 또는 배수(-), 병충해(-), 병충해 종류(응애, 각지 벌레), 기타(-) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘아이비’에 대한 생육 특성으로 빛 환경(양지, 반양지, 반음지), 선호 생육 환경(다습), 비선호 생육 환경(직사광선, 과습주의), 생육 적정 온도(16 ~ 20℃), 고온(약함), 저온(-), 다습(-), 건조(약함), 통풍 또는 배수(매우 중요), 병충해(-), 병충해 종류(응애, 개각충), 기타(고온 건조시 병해충) 정보를 매칭하여 저장한다.The plant growth
식물 생육정보 제공장치(100)는 ‘트리안’에 대한 생육 특성으로 빛 환경(반양지), 선호 생육 환경(고온다습), 비선호 생육 환경(고온건조, 통풍불량), 생육 적정 온도(16 ~ 30℃), 고온(-), 저온(-), 다습(-), 건조(-), 통풍 또는 배수(매우 중요), 병충해(잦음), 병충해 종류(응애, 진딧물), 기타(겨울철 과습 주의) 정보를 매칭하여 저장한다.The plant growth
도 3은 본 실시예에 따른 로즈마리의 생육에 대한 빛 관련 결정 트리를 나타낸 도면이다. 3 is a diagram showing a light-related decision tree for the growth of rosemary according to the present embodiment.
식물 생육정보 제공장치(100)는 ‘로즈마리’를 선택한 경우, 키우는 장소가 ‘야외’인지 ‘실내’인지의 여부를 확인한다(S310).When 'rosemary' is selected, the plant growth
식물 생육정보 제공장치(100)는 ‘로즈마리’를 키우는 장소를 확인하기 위해 ‘야외’ 또는 ‘실내’를 화면상에 출력하고, ‘야외’ 또는 ‘실내’ 중 어느 하나를 입력받아서, ‘로즈마리’를 키우는 장소가 ‘야외’인 것을 확인한다(S320).The plant growth
식물 생육정보 제공장치(100)는 ‘로즈마리’를 키우는 장소가 ‘야외’인 것으로 확인되면, ‘로즈마리’가 빛을 받는 양이 ‘양지’, ‘반양지’, ‘반음지’, ‘음지’중 어느 것인지를 확인한다(S330).When the plant growth
식물 생육정보 제공장치(100)는 ‘로즈마리’가 빛을 받는 양을 확인하기 위해 ‘양지’, ‘반양지’, ‘반음지’, ‘음지’를 화면상에 출력하고, ‘양지’, ‘반양지’, ‘반음지’, ‘음지’ 중 어느 하나를 입력받아서, ‘로즈마리’가 빛을 받는 양이 ‘양지’인 것을 확인한다(S340). The plant growth
도 3에서는 단계 S310 내지 단계 S340을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 3에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 3은 시계열적인 순서로 한정되는 것은 아니다.Although it is described in FIG. 3 that steps S310 to S340 are sequentially executed, it is not necessarily limited thereto. In other words, since it will be applicable to changing and executing the steps described in FIG. 3 or executing one or more steps in parallel, FIG. 3 is not limited to a time-series sequence.
전술한 바와 같이 도 3에 기재된 본 실시예에 따른 로즈마리의 생육에 대한 빛 관련 결정 트리는 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 로즈마리의 생육에 대한 빛 관련 결정 트리를 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. As described above, the light-related decision tree for the growth of rosemary according to the present embodiment described in FIG. 3 can be implemented as a program and recorded on a computer-readable recording medium. The computer-readable recording medium on which the program for implementing the light-related decision tree for the growth of rosemary according to the present embodiment is recorded includes all kinds of recording devices storing data that can be read by a computer system.
도 4는 본 실시예에 따른 로즈마리의 생육에 대한 물 관련 결정 트리를 나타낸 도면이다. 4 is a diagram showing a water-related decision tree for the growth of rosemary according to the present embodiment.
식물 생육정보 제공장치(100)는 ‘로즈마리’에 물을 주는 주기를 확인한다(S410).The plant growth
식물 생육정보 제공장치(100)는 ‘로즈마리’에 물을 주는 주기를 확인하기 위해, ‘주3회’, ‘주1회’, ‘2주1회’, ‘3주1회’를 화면상에 출력하고, ‘주3회’, ‘주1회’, ‘2주1회’, ‘3주1회’ 중 어느 하나를 입력받아서, ‘로즈마리’에 물을 주는 양이 ‘주3회’인 것을 확인한다(S420). The plant growth
식물 생육정보 제공장치(100)는 ‘로즈마리’에 물을 주는 양을 확인하기 위해, 화분 밑으로 물이 나올만큼 듬뿍 주는지의 여부를 확인한다(S430).The plant growth
식물 생육정보 제공장치(100)는 ‘로즈마리’에 화분 밑으로 물을 주는 양이 화분 밑으로 나올 만큼의 물양인지를 확인하기 위해 ‘그렇다’, ‘그렇지 않다’, ‘그렇다’, ‘그렇지않다’를 화면상에 출력하고, ‘그렇다’, ‘그렇지 않다’, ‘그렇다’, ‘그렇지않다’ 중 어느 하나를 입력받아서, ‘로즈마리’에 가 빛을 받는 양이 ‘‘그렇지 않다’인 것을 확인한다(S440).The plant growth
도 4에서는 단계 S410 내지 단계 S440을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 4에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 4는 시계열적인 순서로 한정되는 것은 아니다.Although it is described in FIG. 4 that steps S410 to S440 are sequentially executed, it is not necessarily limited thereto. In other words, since it will be applicable to changing and executing the steps described in FIG. 4 or executing one or more steps in parallel, FIG. 4 is not limited to a time-series sequence.
전술한 바와 같이 도 4에 기재된 본 실시예에 따른 로즈마리의 생육에 대한 물 관련 결정 트리는 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 로즈마리의 생육에 대한 물 관련 결정 트리를 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. As described above, the water-related decision tree for the growth of rosemary according to the present embodiment described in FIG. 4 can be implemented as a program and recorded on a computer-readable recording medium. A computer-readable recording medium on which a program for implementing a water-related decision tree for the growth of rosemary according to the present embodiment is recorded includes all kinds of recording devices storing data readable by a computer system.
도 5는 본 실시예에 따른 식물의 줄기, 잎, 열매, 뿌리 인식을 나타낸 도면이다.5 is a diagram illustrating recognition of a stem, leaf, fruit, and root of a plant according to the present embodiment.
식물 생육정보 제공장치(100)는 식물 이미지를 획득한다. 식물 생육정보 제공장치(100)는 식물 이미지를 기반으로 식물 생육 정보를 제공한다. 식물 생육정보 제공장치(100)는 식물 이미지와 기 설정된 레퍼런스 이미지를 함께 획득한다.The plant growth
식물 생육정보 제공장치(100)는 레퍼런스 이미지를 기준으로 식물 이미지를 비교하여 해당 식물의 잎, 줄기, 열매, 뿌리를 인식한다. 식물 생육정보 제공장치(100)는 인식된 잎, 줄기, 열매, 뿌리를 기반으로 해당 식물 종류를 결정한다. 식물 생육정보 제공장치(100)는 결정된 식물 종류(식물명)에 대응하는 식물 생육 정보를 추출한다.The plant growth
식물 생육정보 제공장치(100)는 레퍼런스 이미지를 획득할 때, 레퍼런스 이미지에 대한 식물 부위, 년월일, 지역 정보를 포함하는 추가 정보를 획득할 수 있다. 식물 생육정보 제공장치(100)는 웹 또는 기 저장된 데이터베이스로부터 레퍼런스 이미지에 대응하는 식물 부위, 년월일, 지역 정보를 추출할 수 있다.When acquiring a reference image, the plant growth
식물 생육정보 제공장치(100)는 획득한 식물 이미지와 레퍼런스 이미지가 기 설정된 수치(예컨대, 70%) 이상 일치하는 경우, 식물 종류(속씨식물, 겉씨식물, 이끼식물, 관다발식물, 유배식물, 엽상식물, 양치식물, 선택식물, 구과식물, 홍조식물)를 결정한다.The plant growth
식물 생육정보 제공장치(100)는 정확도를 높이기 위해 식물 이미지를 기반으로 식물 크기를 추정하고, 식물 크기를 기반으로 식물 종류가 맞는지의 여부를 추가로 인증한다. 식물 생육정보 제공장치(100)는 정확도를 높이기 위해 식물 이미지를 기반으로 모양, 두께, 무늬, 색상을 추출하고, 모양, 두께, 무늬, 색상을 기반으로 식물 종류가 맞는지의 여부를 추가로 인증한다. 식물 생육정보 제공장치(100)는 정확도를 높이기 위해 식물 이미지를 기반으로 잎의 모양을 추출하고, 잎의 모양과 유사한 형상을 갖는지의 여부를 추가로 인증한다.The plant growth
식물 생육정보 제공장치(100)는 정확도를 높이기 위해 식물 이미지를 기반으로 잎의 색상을 추출하고, 잎의 색상에 대한 픽셀값을 변환하고, 잎의 색상에 대한 픽셀값을 기반으로 엽록소의 상태를 파악하고, 엽록소의 상태를 기반으로 식물 종류가 맞는지의 여부를 추가로 인증한다.The plant growth
식물 생육정보 제공장치(100)는 식물 이미지를 획득한다. 식물 생육정보 제공장치(100)는 레퍼런스 이미지, 추가 정보를 획득한다. 식물 생육정보 제공장치(100)는 식물 이미지를 기반으로 뿌리, 줄기, 잎, 열매를 각각 인식하여 식물을 판단한다.The plant growth
도 6은 본 실시예에 따른 식물 연관성 정보를 이용한 식물 종류 분류 방법을 설명하기 위한 순서도이다.6 is a flowchart illustrating a plant type classification method using plant correlation information according to an exemplary embodiment.
식물 생육정보 제공장치(100)는 외부 장치로부터 적어도 하나의 식물 이미지를 수신하여 저장할 수 있다(S610). The plant growth
식물 생육정보 제공장치(100)는 저장된 식물 이미지로부터 날짜 정보 및 위치 정보를 추가로 추출한다(S620). 식물 생육정보 제공장치(100)는 식물 이미지로부터 촬영 시간 및 촬영 위치를 수신한다. 단계 S620에서, 식물 생육정보 제공장치(100)는 식물 이미지로부터 날짜 정보 및 GPS 정보를 추출할 수 있다.The plant growth
식물 생육정보 제공장치(100)는 학습을 위해 딥러닝 알고리즘을 이용하여 수신된 식물 이미지로부터 적어도 하나의 이미지 특징을 추출할 수 있다(S630). 식물 생육정보 제공장치(100)는 획득한 식물 이미지 내에서 촬영 시간, 촬영 위치를 추출한다. 식물 생육정보 제공장치(100)는 사전 학습한 식물 분류 모델을 이용하여 식물 이미지로부터 제1 식물 이미지 특징을 추출한다. 식물 생육정보 제공장치(100)는 학습을 위해, 적어도 하나의 식물 이미지를 수신하여 이미지 특징을 추출한다. 식물 생육정보 제공장치(100)는 학습을 위해, 적어도 하나의 식물 이미지로부터 제1 식물 이미지 특징을 추출한다. 식물 생육정보 제공장치(100)는 학습을 위해, CNN(Convolutional Neural Network)에 의해, 식물 이미지를 입력값으로 하여 특징을 추출한다.The plant growth
단계 S630에서, 식물 생육정보 제공장치(100)는 학습을 위해 CNN 내 컨볼루션 계층(Convolution Layer)에 의해 식물 이미지로부터 제1 식물 이미지 특징을 추출한다. 식물 생육정보 제공장치(100)는 -1 내지 1 사이의 실수 값으로 정규화된 제1 식물 이미지 특징을 추출한다.In step S630, the plant growth
식물 생육정보 제공장치(100)는 입력값을 바탕으로 식물 연관성 정보를 생성한다(S640).The plant growth
식물 생육정보 제공장치(100)는 촬영 시간, 위치 및 제1 식물 이미지 특징을 기반으로 식물 연관성 정보를 생성한다. 식물 생육정보 제공장치(100)는 식물 연관성 정보, 제1 식물 이미지 특징을 결합하여, 식물 이미지에 대한 식물 종류를 결정한다.The plant growth
식물 생육정보 제공장치(100)는 식물 카테고리들 사이의 연관성을 표현한 값을 포함하는 식물 연관성 정보를 생성한다. 식물 생육정보 제공장치(100)는 제1 식물 이미지 특징과 촬영 시간 및 촬영 위치를 입력값으로 사용하는 고정된 저차원의 제2 식물 이미지 특징을 생성한다.The plant growth
식물 생육정보 제공장치(100)는 딥러닝 학습을 수행한다. 식물 생육정보 제공장치(100)는 제1 식물 이미지 특징과 촬영 시간 및 촬영 위치를 입력값으로 사용하여, 학습 모델에 의해 식물 연관성 정보를 생성한다. 식물 생육정보 제공장치(100)는 제1 식물 이미지 특징과 촬영 시간 및 촬영 위치를 입력값으로 사용하는 제2 식물 이미지 특징을 추출한다.The plant growth
식물 생육정보 제공장치(100)는 생성된 식물 연관성 정보, 제1 식물 이미지 특징을 결합한다(S650). 단계 S650에서, 식물 생육정보 제공장치(100)는 제2 식물 이미지 특징 및 제1 식물 이미지 특징을 결합할 수 있다. The plant growth
식물 생육정보 제공장치(100)는 산출된 확률 데이터를 바탕으로, 식물 이미지 내 촬영된 적어도 하나의 식물의 종류를 분류한다(S660). 식물 생육정보 제공장치(100)는 촬영 시간 및 촬영 위치를 반영함으로써, 촬영된 식물의 종(species) 분류 시 개화 시기 및 개화 장소 정보를 고려한 고정밀 및 고신뢰성의 식물 이미지를 분류한다.The plant growth
식물 생육정보 제공장치(100)는 식물의 종류에 대응하는 식물 생육 정보를 추출한다(S670).The plant growth
도 6에서는 단계 S610 내지 단계 S670을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 6에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 6은 시계열적인 순서로 한정되는 것은 아니다.Although it is described in FIG. 6 that steps S610 to S670 are sequentially executed, it is not necessarily limited thereto. In other words, since it will be applicable to changing and executing the steps described in FIG. 6 or executing one or more steps in parallel, FIG. 6 is not limited to a time-series sequence.
전술한 바와 같이 도 6에 기재된 본 실시예에 따른 식물 연관성 정보를 이용한 식물 종류 분류 방법은 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 식물 연관성 정보를 이용한 식물 종류 분류 방법을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. As described above, the plant type classification method using plant association information according to the present embodiment described in FIG. 6 is implemented as a program and may be recorded on a computer-readable recording medium. A computer-readable recording medium on which a program for implementing a plant type classification method using plant association information according to the present embodiment is recorded includes all types of recording devices storing data readable by a computer system.
도 7은 본 실시예에 따른 잎, 줄기의 엽록소 함량을 기반으로 식물 종류 분류를 나타낸 도면이다.7 is a diagram showing classification of plant types based on the chlorophyll content of leaves and stems according to the present embodiment.
식물 생육정보 제공장치(100)는 식물을 촬영한 식물 이미지를 획득한다. 식물 생육정보 제공장치(100)는 식물에 대한 레퍼런스 이미지, 추가 정보(촬영 시간, 촬영 날짜, 식물 부위, 지역 정보)를 획득한다.The plant growth
식물 생육정보 제공장치(100)는 식물 이미지에 레퍼런스 이미지, 추가 정보를 매칭한다. 식물 생육정보 제공장치(100)는 식물 이미지와 레퍼런스 이미지, 추가 정보의 상관관계를 모델링하여 식물 분류 모델을 생성한다.The plant growth
식물 생육정보 제공장치(100)는 식물 분류 모델을 이용하여 식물 이미지의 종류(속씨식물, 겉씨식물, 이끼식물, 관다발식물, 유배식물, 엽상식물, 양치식물, 선택식물, 구과식물, 홍조식물)를 결정한다.The plant growth
식물 생육정보 제공장치(100)는 식물 이미지를 복수의 영역을 분할한다. 식물 생육정보 제공장치(100)는 복수의 영역 중 잎, 중기, 열매 부분을 추출한다. 식물 생육정보 제공장치(100)는 잎, 중기, 열매 부분의 엽록소에 대응하는 색상을 확인하기 위해, RGB 픽셀값으로 변환한다. 식물 생육정보 제공장치(100)는 RGB 픽셀값에 레퍼런스 이미지, 추가 정보를 매칭한다.The plant growth
식물 생육정보 제공장치(100)는 RGB 픽셀값에 전처리를 수행한 전처리 데이터와 레퍼런스 이미지, 추가 정보의 상관관계를 모델링하여 식물 분류 모델을 생성한다. 식물 생육정보 제공장치(100)는 식물 이미지의 종류를 결정한 판단 결과를 학습 데이터로 입력하여 학습을 수행한 결과를 식물 분류 모델에 반영한다. 식물 생육정보 제공장치(100)는 복수의 식물 이미지 각각을 0 ~ 255의 값을 갖는 RGB 픽셀값으로 변환한다.The plant growth
식물 생육정보 제공장치(100)는 RGB 픽셀값에 대한 평균값(Mean), 표준 편차값(STDV), 최소값(Min), 최대값(Max)을 산출하고, 평균값, 표준 편차값, 최소값, 최대값을 기반으로 정규화(Normalization)시킨다.The plant growth
식물 생육정보 제공장치(100)는 정규화된 복수의 RGB 픽셀값으로부터 0~1 사이의 값만을 추출한 후 이상치를 제거하는 전처리를 수행하여 전처리 데이터를 생성한다.The plant growth
식물 생육정보 제공장치(100)는 식물 이미지에 대한 전처리 데이터를 독립 변수로 설정하고, 레퍼런스 이미지와 추가 정보를 종속 변수로 설정한다. 식물 생육정보 제공장치(100)는 독립 변수와 종속 변수의 상관관계(Correlation)를 모델링하여 식물 분류 모델을 생성한다.The plant growth
식물 생육정보 제공장치(100)는 RGB 픽셀값, 레퍼런스 이미지, 추가 정보를 SVM(Support Vector Machine), KNN(K-Nearest Neighbor)을 이용하여 분류한 결과 클러스터를 형성하고, 해당 클러스터를 임계점으로 설정하여 해당 식물의 종류를 분류한다.The plant growth
식물 생육정보 제공장치(100)는 식물을 촬영할 때, 식물 전체를 촬영한 전체 식물 이미지를 획득한다. 식물 생육정보 제공장치(100)는 촬영된 전체 식물 이미지를 복수의 영역으로 분류하고, 복수의 영역 중 잎, 줄기, 열매 부분을 추출한다. 식물 생육정보 제공장치(100)는 잎, 줄기, 열매 부분 각각에 대한 RGB 픽셀값을 산출한다.When a plant is photographed, the plant growth
식물 생육정보 제공장치(100)는 식물 종류(식물명)에 대응하는 식물 생육 정보를 추출 시 정확도를 높이기 위해 신규 식물 이미지를 기반으로 잎의 색상을 추출한다. 식물 생육정보 제공장치(100)는 잎의 색상에 대한 픽셀값을 변환한다. 식물 종류 분류부(180)는 잎의 색상에 대한 픽셀값을 기반으로 엽록소의 상태를 파악한다. 식물 종류 분류부(180)는 엽록소의 상태를 기반으로 식물 종류가 맞는지의 여부를 추가로 인증한다.The plant growth
식물 생육정보 제공장치(100)는 신규 식물 이미지를 잎 영역, 줄기 영역, 열매 영역, 뿌리 영역으로 구분한다. 이후 식물 생육정보 제공장치(100)는 잎 영역에 대한 잎 영역 RGB 픽셀값을 기반으로 잎 영역 엽록소(chlorophyll) 함량을 확인한다. 식물 생육정보 제공장치(100)는 줄기 영역에 대한 줄기 영역 RGB 픽셀값을 기반으로 줄기 영역 엽록소 함량을 확인한다. 식물 생육정보 제공장치(100)는 식물 분류 모델을 이용하여 잎 영역 엽록소 함량, 줄기 영역 엽록소 함량을 추가 정보에 포함된 촬영 시간, 촬영 날짜, 지역 정보에 따라 매칭된 잎 영역 엽록소 함량과의 매칭율을 기반으로 식물 종류를 분류한다.The plant growth
식물 생육정보 제공장치(100)는 RGB 픽셀값, 레퍼런스 이미지, 추가 정보를 SVM, KNN을 이용하여 분류할 때, SVM을 1차적으로 수행한 후 KNN을 2차적으로 수행하여 클러스터링을 수행하고, 클러스터링 결과를 기반으로 해당 식물의 종류를 분류한다.When classifying RGB pixel values, reference images, and additional information using SVM and KNN, the plant growth
식물 생육정보 제공장치(100)는 RGB 픽셀값, 레퍼런스 이미지, 추가 정보를 SVM, KNN을 이용하여 분류할 때, KNN을 1차적으로 수행한 후 SVM을 2차적으로 수행하여 클러스터링을 수행하고, 클러스터링 결과를 기반으로 해당 식물의 종류를 분류한다.When classifying RGB pixel values, reference images, and additional information using SVM and KNN, the plant growth
식물 생육정보 제공장치(100)는 식물 이미지에 대해 1차적으로 자체 식물 분류 모델을 이용하여 해당 식물의 종류를 분류한다. 식물 생육정보 제공장치(100)는 촬영된 식물 이미지에 대해 자체 식물 분류 모델을 이용하여 분류가 어려운 경우, 2차적으로 식물 이미지를 학습하는 과정을 거치고, 학습 결과를 반영한 식물 분류 모델을 이용하여 해당 식물의 종류를 분류한다. The plant growth
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely an example of the technical idea of the present embodiment, and various modifications and variations can be made to those skilled in the art without departing from the essential characteristics of the present embodiment. Therefore, the present embodiments are not intended to limit the technical idea of the present embodiment, but to explain, and the scope of the technical idea of the present embodiment is not limited by these embodiments. The scope of protection of this embodiment should be interpreted according to the claims below, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of rights of this embodiment.
100: 식물 생육정보 제공장치
110: 학습 이미지 획득부
120: 식물 정보 획득부
130: 학습 데이터 전처리부
140: 식물 분류 모델 생성부
150: 학습부
160: 식물 이미지 획득부
170: 식물 데이터 전처리부
180: 식물 종류 분류부
190: 식물 생육 정보 추출부
192: 설문 정보 획득부
194: 식물 생육 가이드 제공부100: plant growth information providing device
110: learning image acquisition unit
120: plant information acquisition unit
130: training data pre-processing unit
140: plant classification model generating unit
150: learning unit
160: plant image acquisition unit
170: plant data pre-processing unit
180: plant type classification unit
190: plant growth information extraction unit
192: survey information acquisition unit
194: plant growth guide providing unit
Claims (5)
사전 학습된 식물 분류 모델을 이용하여 상기 신규 식물 이미지에 대한 식물 종류를 분류하는 식물 종류 분류부;
상기 식물 종류에 대응하는 식물 생육 정보를 추출하는 식물 생육 정보 추출부;
상기 식물을 촬영한 학습용 식물 이미지를 획득하는 학습 이미지 획득부;
상기 식물에 대한 레퍼런스 이미지와 추가 정보를 획득하는 식물 정보 획득부;
상기 학습용 식물 이미지에 상기 레퍼런스 이미지, 상기 추가 정보를 매칭하는 학습 데이터 전처리부;
상기 학습용 식물 이미지와 상기 레퍼런스 이미지, 상기 추가 정보의 상관관계를 모델링하여 식물 분류 모델을 생성하는 식물 분류 모델 생성부;
상기 식물 분류 모델을 이용하여 상기 학습용 식물 이미지에 대한 식물 종류를 분류한 분류 결과를 학습 데이터로 입력하여 학습을 수행한 결과를 상기 식물 분류 모델에 반영하는 학습부;
를 포함하되, 상기 학습 데이터 전처리부는 상기 학습용 식물 이미지 내에 복수의 잎, 줄기, 열매, 뿌리가 인식되는 경우, 상기 복수의 잎, 줄기, 열매, 뿌리마다 암부값을 추출하고, 상기 암부값이 기 설정된 임계치 이상인 경우, 인식된 상기 잎에 그림자로 가려진 암부 객체로 인식하여, 상기 암부 객체를 학습 후보에서 제거시키며, 상기 복수의 잎, 줄기, 열매, 뿌리 중 상기 암부 객체를 제외한 나머지 객체의 형상을 추출하고, 상기 나머지 객체의 형상 중 객체 전체 형상을 갖는 하나의 객체를 최종 학습용 객체로 선별하며, 상기 학습용 식물 이미지 내에 잎 모양을 인식하고, 상기 잎 모양에 따라 식물 종류를 결정하고, 상기 학습용 식물 이미지 내에 잎 개수를 판별하고, 상기 식물 종류에 따른 계절별 잎 개수와 상기 잎 개수를 비교하여 현재 계절 정보를 결정하며, 상기 학습용 식물 이미지 내에 열매 모양을 인식하고, 상기 열매 모양에 따라 식물 종류를 결정하고, 상기 학습용 식물 이미지 내에 열매 개수를 판별하고, 상기 식물 종류에 따른 시기별 열매 개수와 상기 열매의 개수를 비교하여 현재 시기 정보를 결정하며, 상기 신규 식물 이미지를 식물 이미지 RGB 픽셀값으로 변환하고, 상기 최종 학습용 객체 및 상기 학습용 식물 이미지를 학습용 이미지 RGB 픽셀값으로 변환하며,
상기 식물 분류 모델 생성부는 상기 학습용 이미지 RGB 픽셀값에 전처리를 수행한 학습용 전처리 데이터와 상기 레퍼런스 이미지, 상기 추가 정보의 상관관계를 모델링하여 상기 식물 분류 모델을 생성하며, 상기 계절 정보를 상기 추가 정보에 반영하여 상기 식물 분류 모델을 생성하며, 상기 현재 시기 정보를 상기 추가 정보에 반영하여 상기 식물 분류 모델을 생성하며,
상기 학습부는 상기 식물 분류 모델을 이용하여 상기 학습용 식물 이미지에 대한 식물 종류를 분류한 분류 결과를 학습 데이터로 입력하여 학습을 수행할 때, 계절에 따른 잎의 개수, 상기 잎의 엽록소 값, 상기 열매의 유무를 함께 학습한 결과를 상기 식물 분류 모델에 반영하는 것을 특징으로 하는 식물 생육정보 제공장치.Plant image acquisition unit for obtaining a new plant image photographed plants;
a plant type classification unit for classifying a plant type for the new plant image using a pre-learned plant classification model;
a plant growth information extractor extracting plant growth information corresponding to the plant type;
a learning image acquiring unit acquiring a plant image for learning by photographing the plant;
a plant information acquisition unit acquiring a reference image and additional information about the plant;
a learning data pre-processor matching the reference image and the additional information to the learning plant image;
a plant classification model generation unit generating a plant classification model by modeling a correlation between the training plant image, the reference image, and the additional information;
a learning unit inputting a classification result obtained by classifying plant types for the plant image for learning using the plant classification model as learning data, and reflecting the result of learning to the plant classification model;
The learning data pre-processing unit extracts a dark value for each of the plurality of leaves, stems, fruits, and roots when a plurality of leaves, stems, fruits, and roots are recognized in the learning plant image, and the dark value is If it is greater than the set threshold, it is recognized as a shadow object hidden by the shadow of the recognized leaf, the shadow object is removed from the learning candidate, and the shape of the remaining objects excluding the shadow object among the plurality of leaves, stems, fruits, and roots is determined. extract, select one object having the shape of the entire object among the shapes of the remaining objects as the final learning object, recognize the leaf shape in the plant image for learning, determine the plant type according to the leaf shape, and determine the plant for learning Discriminate the number of leaves in the image, determine the current season information by comparing the number of leaves with the number of leaves for each season according to the plant type, recognize the fruit shape in the learning plant image, and determine the plant type according to the fruit shape determining the number of fruits in the learning plant image, comparing the number of fruits by season according to the plant type with the number of fruits to determine current time information, converting the new plant image into plant image RGB pixel values, , The final learning object and the plant image for learning are converted into RGB pixel values of the learning image,
The plant classification model generation unit creates the plant classification model by modeling a correlation between preprocessing data for learning obtained by performing preprocessing on RGB pixel values of the training image, the reference image, and the additional information, and converts the season information to the additional information. generating the plant classification model by reflecting the current time information to the additional information to generate the plant classification model;
When the learning unit performs learning by inputting the classification result of classifying the plant type for the plant image for learning using the plant classification model as learning data, the number of leaves according to the season, the chlorophyll value of the leaf, and the fruit A plant growth information providing device characterized in that the result of learning the presence or absence of is reflected in the plant classification model.
상기 식물 종류에 대응하는 설문 정보를 추가로 획득하는 설문 정보 획득부;
상기 식물 생육 정보와 상기 설문 정보를 기반으로 식물 생육 가이드를 제공하는 식물 생육 가이드 제공부
를 추가로 포함하는 것을 특징으로 하는 식물 생육정보 제공장치.According to claim 1,
a survey information acquisition unit that additionally obtains survey information corresponding to the plant type;
A plant growth guide providing unit providing a plant growth guide based on the plant growth information and the survey information.
Plant growth information providing device characterized in that it further comprises.
상기 식물 생육 가이드 제공부는,
상기 식물 생육 정보로부터 빛 환경, 선호 생육 환경, 비선호 생육 환경, 생육 적정 온도, 통풍 또는 배수, 병충해, 병충해 종류에 대한 생육 팩터를 추출하고, 상기 설문 정보로부터 키우는 장소, 수광 정보, 물 주기, 물을 주는 양에 대한 환경 팩터를 추출하고, 상기 생육 팩터와 상기 환경 팩터를 비교하여 비일치하는 정보를 기반으로 상기 식물 생육 가이드를 생성하는 것을 특징으로 하는 식물 생육정보 제공장치.According to claim 2,
The plant growth guide providing unit,
From the plant growth information, light environment, preferred growth environment, non-preferred growth environment, optimum temperature for growth, ventilation or drainage, pests and pests, and growth factors for pest types are extracted, and the growing place, light reception information, water cycle, and water are extracted from the survey information. An apparatus for providing plant growth information, characterized in that for extracting an environmental factor for an amount giving , and generating the plant growth guide based on information that does not match by comparing the growth factor and the environment factor.
상기 식물 생육 가이드 제공부는,
상기 설문 정보로부터 추출한 상기 키우는 장소, 상기 수광 정보에 대한 팩터를 상기 식물 생육 정보로부터 추출한 상기 빛 환경에 대한 팩터를 비교하고, 상기 설문 정보로부터 추출한 상기 물 주기, 상기 물을 주는 양에 대한 팩터를 상기 식물 생육 정보로부터 추출한 상기 선호 생육 환경에 대한 팩터와 비교하여 상기 식물 생육 가이드를 생성하는 것을 특징으로 하는 식물 생육정보 제공장치.According to claim 3,
The plant growth guide providing unit,
The factor for the growing place and the light reception information extracted from the survey information is compared with the factor for the light environment extracted from the plant growth information, and the factor for the watering cycle and the watering amount extracted from the survey information The plant growth information providing device characterized in that for generating the plant growth guide by comparing with the factor for the preferred growth environment extracted from the plant growth information.
식물 종류 분류부에서 사전 학습된 식물 분류 모델을 이용하여 상기 신규 식물 이미지에 대한 식물 종류를 분류하는 과정; 및
식물 생육 정보 추출부에서 상기 식물 종류에 대응하는 식물 생육 정보를 추출하는 과정;
학습 이미지 획득부에서 상기 식물을 촬영한 학습용 식물 이미지를 획득하는 과정;
식물 정보 획득부에서 상기 식물에 대한 레퍼런스 이미지와 추가 정보를 획득하는 과정;
학습 데이터 전처리부에서 상기 학습용 식물 이미지에 상기 레퍼런스 이미지, 상기 추가 정보를 매칭하는 과정;
식물 분류 모델 생성부에서 상기 학습용 식물 이미지와 상기 레퍼런스 이미지, 상기 추가 정보의 상관관계를 모델링하여 식물 분류 모델을 생성하는 과정;
학습부에서 상기 식물 분류 모델을 이용하여 상기 학습용 식물 이미지에 대한 식물 종류를 분류한 분류 결과를 학습 데이터로 입력하여 학습을 수행한 결과를 상기 식물 분류 모델에 반영하는 과정;
를 포함하되, 상기 학습 데이터 전처리부에서 상기 학습용 식물 이미지 내에 복수의 잎, 줄기, 열매, 뿌리가 인식되는 경우, 상기 복수의 잎, 줄기, 열매, 뿌리마다 암부값을 추출하고, 상기 암부값이 기 설정된 임계치 이상인 경우, 인식된 상기 잎에 그림자로 가려진 암부 객체로 인식하여, 상기 암부 객체를 학습 후보에서 제거시키며, 상기 복수의 잎, 줄기, 열매, 뿌리 중 상기 암부 객체를 제외한 나머지 객체의 형상을 추출하고, 상기 나머지 객체의 형상 중 객체 전체 형상을 갖는 하나의 객체를 최종 학습용 객체로 선별하며, 상기 학습용 식물 이미지 내에 잎 모양을 인식하고, 상기 잎 모양에 따라 식물 종류를 결정하고, 상기 학습용 식물 이미지 내에 잎 개수를 판별하고, 상기 식물 종류에 따른 계절별 잎 개수와 상기 잎 개수를 비교하여 현재 계절 정보를 결정하며, 상기 학습용 식물 이미지 내에 열매 모양을 인식하고, 상기 열매 모양에 따라 식물 종류를 결정하고, 상기 학습용 식물 이미지 내에 열매 개수를 판별하고, 상기 식물 종류에 따른 시기별 열매 개수와 상기 열매의 개수를 비교하여 현재 시기 정보를 결정하며, 상기 신규 식물 이미지를 식물 이미지 RGB 픽셀값으로 변환하고, 상기 최종 학습용 객체 및 상기 학습용 식물 이미지를 학습용 이미지 RGB 픽셀값으로 변환하며,
상기 식물 분류 모델 생성부에서 상기 학습용 이미지 RGB 픽셀값에 전처리를 수행한 학습용 전처리 데이터와 상기 레퍼런스 이미지, 상기 추가 정보의 상관관계를 모델링하여 상기 식물 분류 모델을 생성하며, 상기 계절 정보를 상기 추가 정보에 반영하여 상기 식물 분류 모델을 생성하며, 상기 현재 시기 정보를 상기 추가 정보에 반영하여 상기 식물 분류 모델을 생성하며,
상기 학습부에서 상기 식물 분류 모델을 이용하여 상기 학습용 식물 이미지에 대한 식물 종류를 분류한 분류 결과를 학습 데이터로 입력하여 학습을 수행할 때, 계절에 따른 잎의 개수, 상기 잎의 엽록소 값, 상기 열매의 유무를 함께 학습한 결과를 상기 식물 분류 모델에 반영하는 것을 특징으로 하는 식물 생육 정보 제공 방법.
Acquiring a new plant image photographed by the plant image acquisition unit;
Classifying a plant type for the new plant image using a plant classification model pretrained in a plant type classification unit; and
extracting plant growth information corresponding to the plant type in a plant growth information extraction unit;
Acquiring a plant image for learning in which the plant is photographed by a learning image acquiring unit;
Acquiring a reference image and additional information about the plant in a plant information acquisition unit;
matching the reference image and the additional information to the plant image for learning in a learning data pre-processing unit;
generating a plant classification model by modeling a correlation between the plant image for learning, the reference image, and the additional information in a plant classification model generating unit;
a step of inputting a classification result of classifying plant types for the plant image for learning using the plant classification model in a learning unit as learning data, and reflecting the learning result to the plant classification model;
Including, but, when a plurality of leaves, stems, fruits, and roots are recognized in the learning plant image in the learning data preprocessing unit, dark values are extracted for each of the plurality of leaves, stems, fruits, and roots, and the dark values are If it is greater than or equal to a preset threshold, it is recognized as a shadow object hidden by the shadow of the recognized leaf, the shadow object is removed from the learning candidates, and the shape of the remaining objects excluding the shadow object among the plurality of leaves, stems, fruits, and roots is extracted, one object having the shape of the entire object among the shapes of the remaining objects is selected as the final learning object, the leaf shape is recognized in the learning plant image, the plant type is determined according to the leaf shape, and the learning Determines the number of leaves in a plant image, determines current season information by comparing the number of leaves for each season with the number of leaves according to the plant type, recognizes the shape of a fruit in the plant image for learning, and determines the type of plant according to the shape of a fruit determine the number of fruits in the plant image for learning, compare the number of fruits by season according to the plant type with the number of fruits to determine current time information, and convert the new plant image into a plant image RGB pixel value And converting the final learning object and the plant image for learning into RGB pixel values of the learning image,
The plant classification model generating unit creates the plant classification model by modeling the correlation between preprocessing data for learning, the reference image, and the additional information, which is preprocessed on the RGB pixel values of the learning image, and converts the season information into the additional information. to create the plant classification model, and reflect the current time information to the additional information to create the plant classification model;
When learning is performed by inputting the classification result of classifying the plant type for the plant image for learning using the plant classification model in the learning unit as learning data, the number of leaves according to the season, the chlorophyll value of the leaf, the A method for providing plant growth information, characterized in that the result of learning the presence or absence of fruits is reflected in the plant classification model.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20210164071 | 2021-11-25 | ||
KR1020210164071 | 2021-11-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102489183B1 true KR102489183B1 (en) | 2023-01-17 |
Family
ID=85111403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220015266A KR102489183B1 (en) | 2021-11-25 | 2022-02-07 | Method And Apparatus for Providing Plant Growth Information Based on Plant Image |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102489183B1 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200087343A (en) * | 2018-12-31 | 2020-07-21 | 월드버텍 주식회사 | System for classifying plant using deep learning and method thereof |
KR20210004300A (en) * | 2019-07-04 | 2021-01-13 | 주식회사 아이티엠 | Cultivation guide system through evaluation of cultivation environment for smart pots |
-
2022
- 2022-02-07 KR KR1020220015266A patent/KR102489183B1/en active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200087343A (en) * | 2018-12-31 | 2020-07-21 | 월드버텍 주식회사 | System for classifying plant using deep learning and method thereof |
KR20210004300A (en) * | 2019-07-04 | 2021-01-13 | 주식회사 아이티엠 | Cultivation guide system through evaluation of cultivation environment for smart pots |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A high-precision detection method of hydroponic lettuce seedlings status based on improved Faster RCNN | |
Parvathi et al. | Detection of maturity stages of coconuts in complex background using Faster R-CNN model | |
RU2735151C2 (en) | Weeds identification in natural environment | |
Zhou et al. | Using colour features of cv.‘Gala’apple fruits in an orchard in image processing to predict yield | |
Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
CN111666815B (en) | Automatic garlic planting information extraction method based on Sentinel-2 remote sensing image | |
CN113591766B (en) | Multi-source remote sensing tree species identification method for unmanned aerial vehicle | |
CN114818909B (en) | Weed detection method and device based on crop growth characteristics | |
CN112733958B (en) | Greenhouse ozone concentration control method and system | |
CN116543316B (en) | Method for identifying turf in paddy field by utilizing multi-time-phase high-resolution satellite image | |
CN114821321A (en) | Blade hyperspectral image classification and regression method based on multi-scale cascade convolution neural network | |
CN109086823B (en) | Automatic statistical method for wheat scab ear disease rate | |
CN114140665A (en) | Dense small target detection method based on improved YOLOv5 | |
CN111950391A (en) | Fruit tree bud recognition method and device | |
CN111832448A (en) | Disease identification method and system for grape orchard | |
CN114519823A (en) | Crop mapping method using Sentinel-2 time series image data | |
CN112465038A (en) | Method and system for identifying disease and insect pest types of fruit trees | |
Lu et al. | Tobacco leaf grading based on deep convolutional neural networks and machine vision | |
CN116863452A (en) | Plant disease identification method, storage medium, and identification system | |
CN115292334A (en) | Intelligent planting method and system based on vision, electronic equipment and storage medium | |
CN115661647A (en) | Timed inspection method for tree planting growth conditions | |
Jahan et al. | Predicting fertilizer treatment of maize using decision tree algorithm | |
CN114898359A (en) | Litchi pest and disease detection method based on improved EfficientDet | |
Anitha | Disease prediction and knowledge extraction in banana crop cultivation using decision tree classifiers | |
KR102489183B1 (en) | Method And Apparatus for Providing Plant Growth Information Based on Plant Image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |