KR102499269B1 - Ai-based micro-pest collection and automatic diagnosis system - Google Patents
Ai-based micro-pest collection and automatic diagnosis system Download PDFInfo
- Publication number
- KR102499269B1 KR102499269B1 KR1020220003967A KR20220003967A KR102499269B1 KR 102499269 B1 KR102499269 B1 KR 102499269B1 KR 1020220003967 A KR1020220003967 A KR 1020220003967A KR 20220003967 A KR20220003967 A KR 20220003967A KR 102499269 B1 KR102499269 B1 KR 102499269B1
- Authority
- KR
- South Korea
- Prior art keywords
- pests
- micro
- pest
- artificial intelligence
- control
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 42
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 239000000853 adhesive Substances 0.000 claims abstract description 3
- 230000001070 adhesive effect Effects 0.000 claims abstract description 3
- 241000607479 Yersinia pestis Species 0.000 claims description 57
- 239000003814 drug Substances 0.000 claims description 16
- 229940079593 drug Drugs 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 10
- 230000007423 decrease Effects 0.000 claims description 9
- 201000010099 disease Diseases 0.000 claims description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 238000011109 contamination Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 206010059866 Drug resistance Diseases 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 235000013601 eggs Nutrition 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 2
- 238000013501 data transformation Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 229910052709 silver Inorganic materials 0.000 claims 1
- 239000004332 silver Substances 0.000 claims 1
- 240000007651 Rubus glaucus Species 0.000 abstract description 3
- 235000011034 Rubus glaucus Nutrition 0.000 abstract description 3
- 235000009122 Rubus idaeus Nutrition 0.000 abstract description 3
- 239000000575 pesticide Substances 0.000 description 16
- 230000006378 damage Effects 0.000 description 6
- 239000002917 insecticide Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 241001414989 Thysanoptera Species 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- KXDHJXZQYSOELW-UHFFFAOYSA-M Carbamate Chemical compound NC([O-])=O KXDHJXZQYSOELW-UHFFFAOYSA-M 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000927584 Frankliniella occidentalis Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000831652 Salinivibrio sharmensis Species 0.000 description 1
- 241000365762 Scirtothrips Species 0.000 description 1
- 241000365769 Thrips flavus Species 0.000 description 1
- 241000339373 Thrips palmi Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012364 cultivation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000002728 pyrethroid Substances 0.000 description 1
- 230000000384 rearing effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 125000000391 vinyl group Chemical group [H]C([*])=C([H])[H] 0.000 description 1
- 229920002554 vinyl polymer Polymers 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M1/00—Stationary means for catching or killing insects
- A01M1/14—Catching by adhesive surfaces
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M2200/00—Kind of animal
- A01M2200/01—Insects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pest Control & Pesticides (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Zoology (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Wood Science & Technology (AREA)
- Insects & Arthropods (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Environmental Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Catching Or Destruction (AREA)
Abstract
Description
본 개시는 미소해충 포집 및 자동 진단시스템에 관한 것으로 구체적으로, 인공지능 기반의 미소해충 포집 및 자동 진단시스템에 관한 것이다.The present disclosure relates to a system for collecting and automatically diagnosing micro-pests, and more specifically, to a system for collecting and diagnosing micro-pests based on artificial intelligence.
본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.Unless otherwise indicated herein, material described in this section is not prior art to the claims in this application, and inclusion in this section is not an admission that it is prior art.
작물은 사람의 보호 및 관리 하에서 군락을 이루고 생육하는 식물을 의미하는데, 각종 채소류와 식용작물 외에 꽃 등의 관상작물도 포함된다. 작물은 노지뿐만 아니라 출하시기를 조절하기 위하여 비닐 하우스 또는 유리온실과 같은 시설에서 재배하게 된다. 작물의 재배 시 해충의 방제를 위하여 살충제를 사용하게 되는데, 카바메이트계 살충제, 유기인계 살충제, 피레스로이드계 살충제와 같이 주로 미소해충의 신경계에 작용으로 살충에 이르는 각종 농약을 사용함으로써 작물의 미소해충을 방제하는 방법이 적용되고 있다.Crops refer to plants that form colonies and grow under human protection and management, and include ornamental crops such as flowers in addition to various vegetables and edible crops. Crops are grown not only in the open field but also in facilities such as vinyl houses or glass greenhouses to control the shipping time. Insecticides are used to control pests during crop cultivation, and various pesticides such as carbamate-based insecticides, organophosphate-based insecticides, and pyrethroid-based insecticides mainly act on the nervous system of micropests to kill micropests by using various pesticides. Prevention methods are being applied.
작물의 생산량 증대 및 품질 향상을 위하여 점점 살충제의 사용이 증가하고 있는데, 이와 같은 살충제의 사용증가는 미소해충의 살충제에 대한 저항력을 증가시키고 있으며 총채벌레와 같은 난방제 해충의 경우 살충제로는 방제가 어려운 실정이다. 총채벌레류 해충으로는 꽃노랑총채벌레(Frankliniella occidentalis), 오이총채벌레(Thrips palmi), 볼록총채벌레(Scirtothrips dosalis) 등이 있는데, 작물의 어린잎이나 잎맥의 잎 조직 내에 한 개씩 알을 낳아 방제가 어려울 뿐만 아니라 부화된 애벌레 및 어미벌레는 작물의 즙액을 통해 영양분을 흡수하므로 작물의 가치가 떨어져 그 피해가 심각하다.The use of insecticides is gradually increasing to increase production and improve quality of crops. This increase in the use of pesticides increases the resistance of micropests to pesticides, and in the case of heating pests such as thrips, pesticides are It is a difficult situation. Thrips pests include yellow flower thrips (Frankliniella occidentalis), cucumber thrips (Thrips palmi), and convex thrips (Scirtothrips dosalis), which are controlled by laying eggs one by one in the leaf tissue of young leaves or leaf veins of crops. Not only is it difficult to grow, but hatched larvae and mother worms absorb nutrients through the sap of crops, so the value of crops decreases and the damage is serious.
또한, 미소해충의 약제 저항성이 심각하다는 지적이 심각하게 대두되고 있어, 지역별, 약제별 관리가 절실하다는 지적이다. 동일계통의 약제를 연속해서 살포하면 해충이 저항성을 갖게 된다는 것은 도시농업인들도 알만한 기본 상식이 된 지 오래다. 국내 농작물의 재배패턴, 사용약제 연용 등으로 해마다 신규로 출시되는 제품도 이듬해에 곧바로 저항성 논란이 일 정도로 문제의 심각성이 대두되고 있다. In addition, it has been pointed out that the resistance of micropests to drugs is serious, and it is pointed out that management by region and drug is urgently needed. It has been a long time since it has become a basic common sense that even urban farmers know that pests develop resistance when the same system of chemicals is continuously sprayed. The seriousness of the problem is emerging to such an extent that even new products released every year due to the cultivation patterns of domestic crops and the continuous use of drugs are controversial about resistance immediately the following year.
우리나라는 작물의 주산지 등 지역별로 같은 작물을 오랫동안 재배하는 경향이 강하다. 더구나 하우스에서 재배하는 작물들은 연중 계속해서 해충이 발생하는 만큼 살충제 살포를 중단하기 어려운 구조적 문제를 가지고 있다. 그만큼 작물을 전환하는 것 마저도 쉽지 않다. 새로운 작물을 재배하기 위해서는 재배법을 다시 습득해야 하는가 하면 명확한 가격 예측이 수반되지 않고서는 섣불리 결정할 수 없는 구조적 한계로 인해 소득이 유지되지 않는 한계가 있기 때문이다. 이러한 농업환경에 따라 살충제 연용으로 인한 해충의 저항성 획득 속도가 계속 빨라지고 있다. 특히 유기인계 등 고독성 농약 등록취소 후 문제 해충이 늘어나는 경향이 두드러지고 있다는 것이 전문가들의 설명이다. 또한, 복합저항성이라는 것이 더더욱 신규 살충제의 살포 가능 연수를 줄이고 있어 심각하다는 지적이다. 복합저항성이란 A계통에 저항성을 보이는 해충이 B계통을 처음 살포했는데도 이미 저항성을 나타내는 것을 말한다.In Korea, there is a strong tendency to grow the same crop for a long time in each region, such as the main production area of the crop. Moreover, crops grown in houses have structural problems that make it difficult to stop spraying pesticides as pests occur throughout the year. Even changing crops is not that easy. In order to grow new crops, it is necessary to learn the cultivation method again, and there is a limit in that income cannot be maintained due to structural limitations that cannot be determined hastily without a clear price forecast. In accordance with these agricultural environments, the rate of acquiring resistance to pests due to continuous use of pesticides continues to increase. In particular, experts explain that the trend of increasing problem pests after the cancellation of registration of highly toxic pesticides such as organophosphorus is remarkable. In addition, it is pointed out that compound resistance is more serious as it reduces the number of years that new pesticides can be sprayed. Combined resistance means that pests that are resistant to strain A already show resistance even after first spraying with strain B.
최근, 해충의 방제에 효과를 갖는 살충제들이 개발된 바 있으나 강한 독성으로 인해 인체 및 환경에 상당한 해를 끼치는 것으로 보고된 바 있다. 이에 친환경적으로 해충을 방제할 수 있는 기술의 개발이 절실히 요구되고 있다.Recently, pesticides effective in controlling pests have been developed, but have been reported to cause considerable harm to the human body and the environment due to their strong toxicity. Accordingly, there is an urgent need to develop a technology capable of controlling pests in an environmentally friendly manner.
실시예에서는 미소해충을 제거할 수 있는 인공지능 기반의 미소해충 포집 및 자동 진단시스템을 제공한다. 또한, 실시예에 따른 인공지능 기반의 미소해충 포집 및 자동 진단시스템 은 미세 그물망안으로 들어온 미소해충은 끈끈이와 미세 그물망으로 포집하고, 포집된 미소해충은 라즈베리 카메라로 촬영하여 클라우드 서버로 자동 전송한다. 실시예에서는 전송된 영상을 인공지능으로 분석하여 미소해충을 자동식별하고, 개체 증가수를 파악한다. 또한, 실시예에서는 농가 관리자의 스마트 단말로 영상정보 분석 정보인 미소해충 방제시기 및 방제종류 알림 서비스를 제공한다. In the embodiment, an artificial intelligence-based micropest collection and automatic diagnosis system capable of removing micropests is provided. In addition, the artificial intelligence-based micro-pest collection and automatic diagnosis system according to the embodiment collects micro-pests that have entered the micro-net with sticky and micro-nets, and captures the micro-pests with a raspberry camera and automatically transmits them to the cloud server. In the embodiment, the transmitted image is analyzed by artificial intelligence to automatically identify micropests and determine the number of increased objects. In addition, in the embodiment, a micro-pest control time and control type notification service, which is image information analysis information, is provided to a farm manager's smart terminal.
실시예에 따른 인공지능 기반의 미소해충 포집 및 자동 진단시스템은 끈끈이를 통해 미소해충을 포집하고, 상하로 이동가능한 카메라를 통해 미소해충 영상을 촬영하는 미소해충포집기; 미소해충 영상을 미리 학습된 인공지능 모델에 입력하여 영상을 분석하고 분석결과에 따라 방제시기, 방제약물 및 병해진단을 포함하는 방제정보를 추출하는 미소해충 인공지능 자동진단 서버; 및 방제정보를 수신하여 사용자에게 웹페이지 또는 어플리케이션을 통해 제공하는 사용자 단말; 을 포함한다.The artificial intelligence-based micro-pest collection and automatic diagnosis system according to the embodiment includes a micro-pest collector that collects micro-pests through sticky tape and captures micro-pest images through a vertically movable camera; Micro-pest artificial intelligence automatic diagnosis server that inputs micro-pest images into a pre-learned artificial intelligence model, analyzes the images, and extracts control information including control time, control drugs, and disease diagnosis according to the analysis results; And a user terminal that receives control information and provides it to the user through a web page or application; includes
실시예에 따른 미소해충 인공지능 자동진단 서버; 는 영상에 포함된 해충 이미지를 분석하여, 미소해충의 종류 및 개체 수를 파악하는 영상 분석모듈; 분석된 미소해충의 종류 및 개체 수에 따라 방제시기, 방제약물 및 병해진단을 포함하는 방제정보를 추출하는 방제정보 추출모듈; 방제과정에 의한 미소해충 개체수 증감을 파악하고, 농작물 상태를 진단하는 진단모듈; 및 방제정보, 미소해충 개체수 증감, 농작물 상태정보 및 실시간 촬영 영상을 농장 관리자의 스마트 단말로 전송하는 통신모듈; 을 포함한다.Micropest artificial intelligence automatic diagnosis server according to an embodiment; An image analysis module for analyzing the pest image included in the image and determining the type and number of micro-pests; A control information extraction module that extracts control information including control time, control drugs, and disease diagnosis according to the type and number of analyzed micro-pests; A diagnostic module for determining the increase or decrease in the number of micro-pests due to the control process and diagnosing the state of crops; And a communication module for transmitting control information, increase and decrease in the number of micro-pests, crop status information, and real-time photographed images to a smart terminal of a farm manager; includes
이상에서와 같은 인공지능 기반의 미소해충 포집 및 자동 진단시스템 은 살충제 없이 미소해충을 제거할 수 있도록 한다. 이로써, 미소해충의 살충제 약제 저항성을 낮추어 미소해충을 쉽게 제거할 수 있도록 하고, 살충제 약제로 인한 농작물의 오염 가능성을 경감할 수 있다. 또한, 미소해충으로 인한 농작물 피해를 최소화함으로써, 농작물 생산성을 향상시켜 농가의 소득 증가에 기여할 수 있다. The artificial intelligence-based micropest collection and automatic diagnosis system as described above allows micropests to be removed without pesticides. This makes it possible to easily remove micropests by lowering the pesticide resistance of micropests and reduce the possibility of contamination of crops due to the pesticides. In addition, by minimizing damage to crops caused by micro-pests, it can contribute to increasing farm household income by improving crop productivity.
또한, 실시예를 통해 인공지능 학습을 고려한 이미지 확보 설계 및 인공지능 기술을 통한 정제, 가공 작업의 효율을 높이고 품질을 향상시킨다. 또한, 작물 해충 진단 인공지능 학습 데이터를 생성하고 활용할 수 있도록 한다.In addition, through the embodiment, the image acquisition design considering artificial intelligence learning and the refinement and processing work efficiency and quality are improved through artificial intelligence technology. In addition, it enables the creation and utilization of crop pest diagnosis artificial intelligence learning data.
또한, 학습된 인공지능은 농가 내 설치된 고해상도 카메라를 통해 수집된 각종 작물의 상태를 분석하고, 분석 결과를 기반으로 해충 예찰 및 진단을 수행함으로써, 농가의 예찰 노동력을 절감하고, 상황 발생 시 즉각적인 방제를 수행하여 작물 생산성을 보호하고, 이를 통해 농가 경제 경쟁력을 향상시킬 수 있다.In addition, learned artificial intelligence analyzes the conditions of various crops collected through high-resolution cameras installed in farmhouses, and performs pest surveillance and diagnosis based on the analysis results, thereby reducing farmhouse surveillance labor and immediate control in the event of a situation. to protect crop productivity, thereby improving farm economic competitiveness.
아울러, 이와 같은 기재된 본 발명의 효과는 발명자가 인지하는지 여부와 무관하게 기재된 내용의 구성에 의해 당연히 발휘되게 되는 것이므로 상술한 효과는 기재된 내용에 따른 몇 가지 효과일 뿐 발명자가 파악 또는 실재하는 모든 효과를 기재한 것이라 인정되어서는 안 된다.In addition, since the effects of the present invention described as described above are naturally exhibited by the configuration of the described contents regardless of whether the inventor recognizes them, the above-described effects are only a few effects according to the described contents, and all the effects that the inventor grasps or realizes should not be accepted as written.
또한, 본 발명의 효과는 명세서의 전체적인 기재에 의해서 추가로 파악되어야 할 것이며, 설사 명시적인 문장으로 기재되어 있지 않더라도 기재된 내용이 속하는 기술분야에서 통상의 지식을 가진 자가 본 명세서를 통해 그러한 효과가 있는 것으로 인정할 수 있는 효과라면 본 명세서에 기재된 효과로 보아야 할 것이다.In addition, the effect of the present invention should be additionally grasped by the overall description of the specification, and even if it is not described in an explicit sentence, those skilled in the art to which the described contents belong will have such an effect through this specification. If the effect can be recognized as such, it should be regarded as the effect described in this specification.
도 1은 실시예에 따른 인공지능 기반의 미소해충 포집 및 자동 진단시스템 구성을 나타낸 도면
도 2는 실시예에 따른 미소해충 인공지능 자동진단 서버의 데이터 처리 구성을 나타낸 도면
도 3은 실시예에 따른 미소해충 포집기 구성 나타낸 도면
도 4는 실시예에 따른 미소해충 포집기를 나타낸 도면
도 5는 실시예에 따른 미소해충 포집기가 스마트 온실에 설치된 것을 나타낸 도면
도 6은 실시예에 따른 해충에 대한 경계 박스(bounding box)를 나타낸 도면
도 7은 미소해충의 어노테이션 및 라벨링 실시예를 나타낸 도면1 is a view showing the configuration of an artificial intelligence-based micro-pest collection and automatic diagnosis system according to an embodiment
2 is a diagram showing a data processing configuration of a micro-pest artificial intelligence automatic diagnosis server according to an embodiment
3 is a view showing the configuration of a micro-pest collector according to an embodiment
4 is a view showing a micro-pest collector according to an embodiment
5 is a view showing that the micro-pest collector according to the embodiment is installed in a smart greenhouse
6 is a view showing a bounding box for pests according to an embodiment;
7 is a view showing an embodiment of annotation and labeling of micropests
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.Advantages and features of the present invention, and methods for achieving them, will become clear with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various different forms, and only the present embodiments make the disclosure of the present invention complete, and common knowledge in the art to which the present invention belongs It is provided to fully inform the holder of the scope of the invention, and the present invention is only defined by the scope of the claims. Like reference numerals designate like elements throughout the specification.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In describing the embodiments of the present invention, if it is determined that a detailed description of a known function or configuration may unnecessarily obscure the subject matter of the present invention, the detailed description will be omitted. In addition, terms to be described below are terms defined in consideration of functions in the embodiments of the present invention, which may vary according to the intention or custom of a user or operator. Therefore, the definition should be made based on the contents throughout this specification.
도 1은 실시예에 따른 인공지능 기반의 미소해충 포집 및 자동 진단시스템 구성을 나타낸 도면이다.1 is a diagram showing the configuration of an artificial intelligence-based micro-pest collection and automatic diagnosis system according to an embodiment.
도 1을 참조하면, 실시예에 따른 인공지능 기반의 미소해충 포집 및 자동 진단시스템은 미소해충포집기(100), 미소해충 인공지능 자동진단 서버(200) 및 사용자 단말(300)을 포함하여 구성될 수 있다. 미소해충 포집기(100)은 끈끈이를 통해 미소해충을 포집하고, 상하로 이동가능한 카메라를 통해 미소해충 영상을 촬영한다. 미소해충 인공지능 자동진단 서버(200)은 미소해충 영상을 미리 학습된 인공지능 모델에 입력하여 영상을 분석하고 분석결과에 따라 방제시기, 방제약물 및 병해진단을 포함하는 방제정보를 추출한다.Referring to FIG. 1, an artificial intelligence-based micropest collection and automatic diagnosis system according to an embodiment may include a
사용자 단말(300)은 방제시기, 방제약물 및 병해진단을 포함하는 방제정보를 수신하여 사용자에게 웹페이지 또는 어플리케이션을 통해 제공한다. 여기서, 적어도 하나의 사용자 단말(300)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 사용자 단말(300)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 사용자 단말(300)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(smartphone), 스마트 패드(smartpad), 태블릿 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. The
실시예에서는 미소해충을 제거할 수 있는 미소해충 하는 것을 인공지능 기반의 미소해충 포집 및 자동 진단시스템을 제공한다. 또한, 실시예에 따른 인공지능 기반의 미소해충 포집 및 자동 진단시스템 은 미세 그물망안으로 들어온 미소해충은 끈끈이로 포집하고, 포집된 미소해충은 라즈베리 카메라로 촬영하여 클라우드 서버로 자동 전송한다. 아울러, 실시예에서는 전송된 영상을 인공지능으로 분석하여 미소해충을 자동식별하고, 개체 증가수를 파악하여 농가 관리자의 스마트 단말로 영상정보 분석 정보인 미소해충 방제시기 및 방제종류 알림 서비스를 제공한다. In the embodiment, an artificial intelligence-based micropest collection and automatic diagnosis system for micropests capable of removing micropests is provided. In addition, the artificial intelligence-based micropest collection and automatic diagnosis system according to the embodiment collects micropests that have entered the micronet with sticky tape, and captures the micropests with a raspberry camera and automatically transmits them to the cloud server. In addition, in the embodiment, the transmitted video is analyzed by artificial intelligence to automatically identify micro-pests, and the number of increased objects is grasped to provide a notification service of micro-pest control time and control type, which is image information analysis information, to the smart terminal of the farm manager. .
도 2는 실시예에 따른 미소해충 인공지능 자동진단 서버의 데이터 처리 구성을 나타낸 도면이다.2 is a diagram showing a data processing configuration of a micro-pest artificial intelligence automatic diagnosis server according to an embodiment.
도 2를 참조하면, 실시예에 따른 미소해충 인공지능 자동진단 서버는 영상 분석모듈(210), 방제정보 추출모듈(230), 진단모듈(250) 및 통신모듈(270)을 포함하여 구성될 수 있다. 본 명세서에서 사용되는 '모듈' 이라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.Referring to FIG. 2, the micro-pest artificial intelligence automatic diagnosis server according to the embodiment may include an
영상 분석모듈(210)은 영상에 포함된 해충 이미지를 분석하여, 미소해충의 종류 및 개체 수를 파악한다. 실시예에서 영상 분석모듈(210)은 정상 작물 영상이터, 해충 영상 데이터 및 병해 작물 영상데이터를 포함하는 실제 촬영 영상 데이터를 활용하여, 각각 정상 작물 이미지, 해충 원본 이미지, 해충 증강 이미지를 통해, 작물과 작물없이 해충만 있는 경우에 대해 작물 해충 학습 데이터 도출한다. 이후, 도 6에 도시된 바와 같이, 촬영영상에 포함된 이미지 내에서 관찰 대상인 해충에 대한 경계 박스 어노테이션(bounding box annotation)과정을 수행하고, 해당 해충에 대한 클래스 번호(class number)를 할당한다. 이후, 해충으로 분류된 이미지를 바탕으로 각종 변환(transform) 기법으로 변환된 증강 데이터를 생성한다. The
실시예에서는 어노테이션 및 라벨링 기준으로 데이터 작성(Annotation) 항목을 포함한다. 도 7은 미소해충의 어노테이션 및 라벨링 실시예를 나타낸 도면이다. 도 7을 참조하면, 실시예에서는 원천 데이터 이름, 원천 데이터 해상도, 원천 데이터 증강(augmentation) 및 색상, 기울기, 배경, 노이즈 등을 포함하는 변형 및 속성, 단일 촬영, 복수촬영 여부, 분류 코드, 상품 분류 값에 따라 경계 박스 어노테이션을 수행할 수 있다. 또한, 어노테이션 및 라벨링 과정에서 획득한 해충 이미지를 알, 유충(약충), 성충으로 구분하고, 특징이 나타나도록 박싱과 라이닝(lining) 작업을 통해 어노테이션을 수행할 수 있다. 또한, 실시예에서 어노테이션은 해충 및 충해가 있는 곳을 사각형 박스안에 위치시키고 해충 및 충해 이미지의 가장자리를 따라 점선으로 윤곽을 표시한다. 어노테이션은 해충 및 충해의 모든 부분이 포함되도록 수행할 수 있다. In the embodiment, a data creation (Annotation) item is included as a basis for annotation and labeling. 7 is a view showing an example of annotation and labeling of micropests. Referring to FIG. 7, in an embodiment, source data name, source data resolution, source data augmentation, transformation and properties including color, gradient, background, noise, etc., single shot or multiple shot, classification code, product Bounding box annotation can be performed according to the classification value. In addition, pest images acquired in the process of annotation and labeling may be classified into eggs, larvae (nymphs), and adults, and annotation may be performed through boxing and lining operations to reveal characteristics. In addition, in the embodiment, the annotation locates pests and pests in a rectangular box and outlines them with dotted lines along the edges of the pests and pests image. Annotations can be performed to include all parts of pests and pests.
방제정보 추출모듈(230)은 분석된 미소해충의 종류 및 개체 수에 따라 방제시기, 방제약물 및 병해진단을 포함하는 방제정보를 추출한다. 실시예에서 방제정보 추출모듈(230)은 방제과정 이후, 미소해충 개체수가 증가하거나 다른 미소해충이 발생한 것으로 파악되는 경우, 방제시기 및 방제 약물을 재 추출한다.The control
진단모듈(250)은 방제과정에 의한 미소해충 개체수 증감을 파악하고, 농작물 상태를 진단한다. 실시예에서는 촬영영상의 이미지에 포함된 일정 넓이의 기준 프레임에 포함된 미소해충 수를 파악하여 방제 활동 전후의 기준 프레임에 포함된 미소해충 수를 비교하여 미소해충 개체수 증감을 파악할 수 있다. 또한, 해충에 의해 병해진단을 받은 농작물 이미지를 기간에 따라 분석하여 농작물의 양육상태를 모니터링하고, 농작물 상태 정보를 관리자의 스마트 단말로 전달할 수 있다.The
또한, 실시예에서 진단모듈(250)은 방제과정에서 사용된 약물의 종류와 양에 따라 발생가능한 미소해충의 약물 내성을 산출하고, 농작물의 오염도를 산출한다. 또한, 산출된 미소해충의 약물 내성 및 농작물의 오염도가 설정된 수치를 초과하는 경우, 방제 시기를 조정하고, 방제약물을 재 추출할 수 있다. 통신모듈(270)은 방제정보, 미소해충 개체수 증감, 농작물 상태정보 및 실시간 촬영 영상을 농장 관리자의 스마트 단말로 전송한다. In addition, in the embodiment, the
실시예에서 미소해충 인공지능 자동진단 서버는 노지 재배 작물로 분류되는 작물에서 자주 발생하는 해충을 선별하고, 각 해충에 의한 충해를 포함하는 비정상 이미지 및 대응 부위의 정상 이미지를 포함한 인공지능 학습용 데이터를 구축한다. 또한, 국내 해충 발생 사례를 기반으로 우선순위를 인공지능 학습 데이터를 구축하고, 재사용에 제한이 없도록 저작권 문제를 완전히 해결한 원천 데이터를 취급한다. 또한, 이미지 전체에 대해 해충 유무 태깅 뿐만 아니라, 촬영 부위와 해충 위치, 피해 정도, 발생 부위의 위치 정보를 모두 파악할 수 있도록 한다. 또한, 실시예에서는 인공지능 모델 학습 시나리오를 고려한 이미지 수집 및 가공 가이드라인을 제공하고, 이에 따라 객체 감지(object Detection) 기반 작물 해충 진단 학습 데이터를 구축한다. 또한, 인공지능 기술을 활용하여 체계적인 품질 검증 절차를 기반으로 양질의 데이터 품질을 확보하고 TTA 인증을 획득할 수 있도록 한다.In the embodiment, the micro-pest artificial intelligence automatic diagnosis server selects pests that frequently occur in crops classified as outdoor crops, and provides artificial intelligence learning data including abnormal images including insect damage caused by each pest and normal images of corresponding parts. build In addition, it builds artificial intelligence learning data based on priorities based on cases of domestic pest outbreaks, and handles source data that completely solves copyright issues so that there is no limit to reuse. In addition, it is possible to grasp not only pest presence/absence tagging for the entire image, but also information on the location of the photographed site, pest location, degree of damage, and location of occurrence. In addition, in the embodiment, image collection and processing guidelines are provided considering artificial intelligence model learning scenarios, and object detection-based crop pest diagnosis learning data is constructed accordingly. In addition, it utilizes artificial intelligence technology to secure high-quality data quality based on systematic quality verification procedures and to obtain TTA certification.
도 3및 도 4는 실시예에 따른 미소해충 포집기를 나타낸 도면이다.3 and 4 are views showing a micro-pest collector according to an embodiment.
도 3을 참조하면, 실시예에 따른 미소해충 포집기; 는 메모리, CPU 및 USB 포트를 포함하는 라즈베리파이, 미소해충과 농작물을 촬영하는 카메라; 미소해충을 제거하는 끈끈이; 및 미소해충을 포집하는 미세그물; 을 포함하여 구성될 수 있다. 도 5는 실시예에 따른 미소해충 포집기가 스마트 온실에 설치된 것을 나타낸 도면으로, 실시예에서는 미소해충 포집기를 농작물 각각의 근접 위치에 설치하여 농작물 영상 및 미소해충 영상을 실시간으로 촬영할 수 있도록 하고, 농작물 주변의 미소해충을 끈끈이 및 미세그물을 통해 제거할 수 있도록 한다.Referring to Figure 3, a micro-pest collector according to an embodiment; Raspberry Pi with memory, CPU and USB port, a camera for photographing micro-pests and crops; Sticky to remove micro-pests; and micro-nets for trapping micro-pests; It can be configured including. 5 is a view showing that a micro-pest collector according to an embodiment is installed in a smart greenhouse. In the embodiment, the micro-pest collector is installed in close proximity to each crop so that crop images and micro-pest images can be captured in real time, and crops Allows to remove surrounding micro-pests through sticky and fine nets.
이상에서와 같은 인공지능 기반의 미소해충 포집 및 자동 진단시스템 은 살충제 없이 미소해충을 제거할 수 있도록 한다. 이로써, 미소해충의 살충제 약제 저항성을 낮추어 미소해충을 쉽게 제거할 수 있도록 하고, 살충제 약제로 인한 농작물의 오염 가능성을 경감할 수 있다. 또한, 미소해충으로 인한 농작물 피해를 최소화함으로써, 농작물 생산성을 향상시켜 농가의 소득 증가에 기여할 수 있다. The artificial intelligence-based micropest collection and automatic diagnosis system as described above allows micropests to be removed without pesticides. This makes it possible to easily remove micropests by lowering the pesticide resistance of micropests and reduce the possibility of contamination of crops due to the pesticides. In addition, by minimizing damage to crops caused by micro-pests, it can contribute to increasing farm household income by improving crop productivity.
또한, 실시예를 통해 인공지능 학습을 고려한 이미지 확보 설계 및 인공지능 기술을 통한 정제, 가공 작업의 효율을 높이고 품질을 향상시킨다. 또한, 작물 해충 진단 인공지능 학습 데이터를 생성하고 활용할 수 있도록 한다.In addition, through the embodiment, the image acquisition design considering artificial intelligence learning and the refinement and processing work efficiency and quality are improved through artificial intelligence technology. In addition, it enables the creation and utilization of crop pest diagnosis artificial intelligence learning data.
또한, 학습된 인공지능은 농가 내 설치된 고해상도 카메라를 통해 수집된 각종 작물의 상태를 분석하고, 분석 결과를 기반으로 해충 예찰 및 진단을 수행함으로써, 농가의 예찰 노동력을 절감하고, 상황 발생 시 즉각적인 방제를 수행하여 작물 생산성을 보호하고, 이를 통해 농가 경제 경쟁력을 향상시킬 수 있다.In addition, learned artificial intelligence analyzes the conditions of various crops collected through high-resolution cameras installed in farmhouses, and performs pest surveillance and diagnosis based on the analysis results, thereby reducing farmhouse surveillance labor and immediate control in the event of a situation. to protect crop productivity, thereby improving farm economic competitiveness.
개시된 내용은 예시에 불과하며, 특허청구범위에서 청구하는 청구의 요지를 벗어나지 않고 당해 기술분야에서 통상의 지식을 가진 자에 의하여 다양하게 변경 실시될 수 있으므로, 개시된 내용의 보호범위는 상술한 특정의 실시예에 한정되지 않는다.The disclosed content is only an example, and can be variously modified and implemented by those skilled in the art without departing from the subject matter of the claim claimed in the claims, so the protection scope of the disclosed content is limited to the specific It is not limited to the examples.
Claims (6)
끈끈이를 통해 미소해충을 포집하고, 상하로 이동가능한 카메라를 통해 미소해충 영상을 촬영하는 미소해충포집기;
상기 미소해충 영상을 미리 학습된 인공지능 모델에 입력하여 영상을 분석하고 분석결과에 따라 방제시기, 방제약물 및 병해진단을 포함하는 방제정보를 추출하는 미소해충 인공지능 자동진단 서버; 및
상기 방제정보를 수신하여 사용자에게 웹페이지 또는 어플리케이션을 통해 제공하는 사용자 단말; 을 포함하고
상기 미소해충 인공지능 자동진단 서버; 는
영상에 포함된 해충 이미지를 분석하여, 미소해충의 종류 및 개체 수를 파악하는 영상 분석모듈;
분석된 미소해충의 종류 및 개체 수에 따라 방제시기, 방제약물 및 병해진단을 포함하는 방제정보를 추출하는 방제정보 추출모듈;
방제과정에 의한 미소해충 개체수 증감을 파악하고, 농작물 상태를 진단하는 진단모듈; 및
상기 방제정보, 미소해충 개체수 증감, 농작물 상태정보 및 실시간 촬영 영상을 농장 관리자의 스마트 단말로 전송하는 통신모듈; 을 포함하고,
상기 미소해충 포집기; 는
메모리, CPU 및 USB 포트를 포함하는 라즈베리파이;
미소해충과 농작물을 촬영하는 카메라;
미소해충을 제거하는 끈끈이; 및
미소해충을 포집하는 미세그물; 을 포함하고
상기 미소해충 인공지능 자동진단 서버; 는
방제과정 이후, 미소해충 개체수가 증가하거나 다른 미소해충이 발생한 것으로 파악되는 경우, 방제시기 및 방제 약물을 재 추출하고
상기 미소해충 인공지능 자동진단 서버; 는
방제과정에서 사용된 약물의 종류와 양에 따라 발생가능한 미소해충의 약물 내성을 산출하고, 농작물의 오염도를 산출하고
상기 미소해충 인공지능 자동진단 서버; 는
산출된 미소해충의 약물 내성 및 농작물의 오염도가 설정된 수치를 초과하는 경우, 방제 시기를 조정하고, 방제약물을 재 추출하고
상기 영상 분석모듈은
정상 작물 영상이터, 해충 영상 데이터 및 병해 작물 영상데이터를 포함하는 실제 촬영 영상 데이터를 활용하여, 정상 작물 이미지, 해충 원본 이미지, 해충 증강 이미지를 통해, 작물과 작물없이 해충만 있는 경우에 대해 작물 해충 학습 데이터 도출하고, 촬영영상에 포함된 이미지 내에서 관찰 대상인 해충에 대한 경계 박스 어노테이션(bounding box annotation)과정을 수행하고, 해충에 대한 클래스 번호(class number)를 할당하고, 해충으로 분류된 이미지를 변환하여 증강 데이터를 생성하고
상기 경계 박스 어노테이션(bounding box annotation)과정은
원천 데이터 이름, 원천 데이터 해상도, 원천 데이터 증강(augmentation) 및 색상, 기울기, 배경, 노이즈를 포함하는 변형 및 속성정보, 단일 촬영, 복수촬영 여부, 분류 코드, 상품 분류 값에 따라 경계 박스 어노테이션을 수행하고,
어노테이션 및 라벨링 과정에서 획득한 해충 이미지를 알, 유충, 성충으로 구분하고, 구분된 이미지의 특징이 나타나도록 박싱과 라이닝(lining) 작업을 통해 어노테이션을 수행하고,
상기 어노테이션은 해충 및 충해가 있는 곳을 사각형 박스안에 위치시키고 해충 및 충해 이미지의 가장자리를 따라 점선으로 윤곽을 표시하는 것으로, 상기 어노테이션은 해충 및 충해의 모든 부분이 포함되도록 하고,
상기 진단 모듈; 은
촬영영상의 이미지에 포함된 일정 넓이의 기준 프레임에 포함된 미소해충 수를 파악하여 방제 활동 전후의 기준 프레임에 포함된 미소해충 수를 비교하여 미소해충 개체수 증감을 파악하고, 해충에 의해 병해진단을 받은 농작물 이미지를 기간에 따라 분석하여 농작물의 양육상태를 모니터링하고, 농작물 상태 정보를 관리자의 스마트 단말로 전달하는 것을 특징으로 하는 인공지능 기반의 미소해충 포집 및 자동 진단시스템.
In the artificial intelligence-based micropest collection and automatic diagnosis system,
A micro-pest collector that collects micro-pests through the adhesive and captures micro-pest images through a vertically movable camera;
A micro-pest artificial intelligence automatic diagnosis server that inputs the micro-pest image into a pre-learned artificial intelligence model, analyzes the image, and extracts control information including control time, control drug, and disease diagnosis according to the analysis result; and
A user terminal that receives the control information and provides it to the user through a web page or application; contains
The micro-pest artificial intelligence automatic diagnosis server; Is
An image analysis module that analyzes the pest image included in the image and identifies the type and number of micro-pests;
A control information extraction module that extracts control information including control time, control drugs, and disease diagnosis according to the type and number of analyzed micro-pests;
A diagnostic module for determining the increase or decrease in the number of micro-pests due to the control process and diagnosing the state of crops; and
A communication module for transmitting the control information, increase or decrease in the number of micro-pests, crop status information, and real-time captured images to a smart terminal of a farm manager; including,
The micro-pest collector; Is
Raspberry Pi with memory, CPU and USB port;
Cameras that photograph micro-pests and crops;
Sticky to remove micro-pests; and
Micronets that trap microscopic pests; contains
The micro-pest artificial intelligence automatic diagnosis server; Is
After the control process, if the number of micropests increases or other micropests are found to have occurred, the control period and control drugs are re-extracted.
The micro-pest artificial intelligence automatic diagnosis server; Is
Calculate the drug resistance of micropests that can occur according to the type and amount of drugs used in the control process, calculate the contamination level of crops,
The micro-pest artificial intelligence automatic diagnosis server; Is
If the calculated drug resistance of micropests and contamination of crops exceed the set values, the control period is adjusted, the control drug is re-extracted,
The video analysis module
Using actual image data including image data of normal crops, image data of pests, and image data of diseased crops, through normal crop images, original pest images, and pest augmented images, for the case of only pests without crops and crops, crop pests Deriving learning data, performing a bounding box annotation process on the pests to be observed within the images included in the captured images, assigning class numbers to the pests, and generating images classified as pests. Transform to generate augmented data and
The bounding box annotation process
Bounding box annotation is performed according to source data name, source data resolution, source data augmentation, transformation and attribute information including color, gradient, background, and noise, single shot or multiple shot, classification code, and product classification value. do,
The pest images acquired in the annotation and labeling process are classified into eggs, larvae, and adults, and annotation is performed through boxing and lining work so that the characteristics of the separated images appear,
The annotation is to locate pests and pests in a rectangular box and outline them with dotted lines along the edges of pests and pests images. The annotation ensures that all parts of pests and pests are included,
the diagnostic module; silver
By identifying the number of micro-pests included in the standard frame of a certain area included in the image of the photographed video, by comparing the number of micro-pests included in the standard frame before and after control activities, the increase or decrease in the number of micro-pests is identified, and disease diagnosis by pests is made. An artificial intelligence-based micro-pest collection and automatic diagnosis system characterized by analyzing the received crop image according to the period to monitor the raising status of the crop and delivering the crop status information to the manager's smart terminal.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210181556 | 2021-12-17 | ||
| KR20210181556 | 2021-12-17 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102499269B1 true KR102499269B1 (en) | 2023-02-14 |
Family
ID=85220992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220003967A KR102499269B1 (en) | 2021-12-17 | 2022-01-11 | Ai-based micro-pest collection and automatic diagnosis system |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102499269B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118097535A (en) * | 2023-12-26 | 2024-05-28 | 重庆市农业科学院 | Intelligent monitoring method for lygus lucorum in tea garden |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012019697A (en) * | 2010-07-12 | 2012-02-02 | Ikari Shodoku Kk | Insect trap and remote browsing system |
| KR101163990B1 (en) | 2012-01-30 | 2012-07-16 | (주)세영통신 | The method and device of trapping for protecting communication equipment from insect in railway tunnel |
| KR101953746B1 (en) | 2017-09-13 | 2019-03-04 | 주식회사 이티엔디 | Portable apparatus for capturing insects |
| KR20200068052A (en) * | 2018-11-26 | 2020-06-15 | 대한민국(농촌진흥청장) | Method for diagnosis and control of diseases and insect pests using multiple camera module |
| KR20200079365A (en) * | 2018-12-24 | 2020-07-03 | 순천대학교 산학협력단 | IoT based Ground farm pest control system and method |
| JP2021192176A (en) * | 2020-06-05 | 2021-12-16 | アシストシステムズ株式会社 | Drug candidate search system and drug candidate search program used therefor |
-
2022
- 2022-01-11 KR KR1020220003967A patent/KR102499269B1/en active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012019697A (en) * | 2010-07-12 | 2012-02-02 | Ikari Shodoku Kk | Insect trap and remote browsing system |
| KR101163990B1 (en) | 2012-01-30 | 2012-07-16 | (주)세영통신 | The method and device of trapping for protecting communication equipment from insect in railway tunnel |
| KR101953746B1 (en) | 2017-09-13 | 2019-03-04 | 주식회사 이티엔디 | Portable apparatus for capturing insects |
| KR20200068052A (en) * | 2018-11-26 | 2020-06-15 | 대한민국(농촌진흥청장) | Method for diagnosis and control of diseases and insect pests using multiple camera module |
| KR20200079365A (en) * | 2018-12-24 | 2020-07-03 | 순천대학교 산학협력단 | IoT based Ground farm pest control system and method |
| JP2021192176A (en) * | 2020-06-05 | 2021-12-16 | アシストシステムズ株式会社 | Drug candidate search system and drug candidate search program used therefor |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118097535A (en) * | 2023-12-26 | 2024-05-28 | 重庆市农业科学院 | Intelligent monitoring method for lygus lucorum in tea garden |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11849705B2 (en) | Systems and methods for measuring beehive strength | |
| WO2018184014A1 (en) | Communication and control systems and methods for monitoring information about a plurality of beehives | |
| Lee et al. | Human activities attract harmful mosquitoes in a tropical urban landscape | |
| Jhatial et al. | Deep learning-based rice leaf diseases detection using Yolov5 | |
| KR102499269B1 (en) | Ai-based micro-pest collection and automatic diagnosis system | |
| EP3516580A1 (en) | Control of harmful organisms | |
| Talla et al. | Statistical modeling of the abundance of vectors of West African Rift Valley fever in Barkédji, Senegal | |
| Demirel et al. | Artificial intelligence in integrated pest management | |
| Diller et al. | A real-time remote surveillance system for fruit flies of economic importance: sensitivity and image analysis | |
| CN109784239A (en) | The recognition methods of winged insect quantity and device | |
| Ioannou et al. | Development and field testing of a Spatial Decision Support System to control populations of the European Cherry fruit fly, Rhagoletis cerasi, in commercial orchards | |
| Bhusal et al. | Bird deterrence in a vineyard using an unmanned aerial system (uas) | |
| Kumar et al. | AI-Equipped IoT Applications in High-Tech Agriculture Using Machine Learning | |
| Potamitis | ChatGPT in the context of precision agriculture data analytics | |
| López et al. | Traceable Ecosystem and strategic framework for the creation of an integrated pest management system for intensive farming | |
| Petrov et al. | Computer vision technology in the development of an ultrasonic repeller | |
| Chougule et al. | Decision support for grape crop protection using ontology | |
| Raju et al. | An iot solutions for ungulates attacks in farmland | |
| Rahman et al. | Role of artificial intelligence in pest management | |
| DE102019131858A1 (en) | System for the automatic detection and determination of moving objects | |
| Gupta et al. | Artificial intelligence in agriculture | |
| Khan et al. | Activity and flight trajectory monitoring of mosquito colonies for automated behaviour analysis | |
| Anitha et al. | Peacock Repellant Technique for Crop Protection in the Agricultural Land | |
| Aguirre-Zapata et al. | Forecasting Lobesia botrana flight activity: A new semi-physical model | |
| Lee et al. | Development of Smart Livestock Disease Control Strategies and Policy Priorities |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |