KR102525542B1 - 인공지능 기반으로 농산물에 대한 수요, 공급 데이터 기반의 가격을 예측하는 서버, 방법 및 프로그램 - Google Patents
인공지능 기반으로 농산물에 대한 수요, 공급 데이터 기반의 가격을 예측하는 서버, 방법 및 프로그램 Download PDFInfo
- Publication number
- KR102525542B1 KR102525542B1 KR1020220189596A KR20220189596A KR102525542B1 KR 102525542 B1 KR102525542 B1 KR 102525542B1 KR 1020220189596 A KR1020220189596 A KR 1020220189596A KR 20220189596 A KR20220189596 A KR 20220189596A KR 102525542 B1 KR102525542 B1 KR 102525542B1
- Authority
- KR
- South Korea
- Prior art keywords
- agricultural products
- information
- agricultural product
- agricultural
- user
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 31
- 238000009826 distribution Methods 0.000 claims abstract description 59
- 238000004891 communication Methods 0.000 claims abstract description 48
- 230000015654 memory Effects 0.000 claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 claims description 44
- 230000007547 defect Effects 0.000 claims description 42
- 238000012937 correction Methods 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 8
- 230000001932 seasonal effect Effects 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 208000034656 Contusions Diseases 0.000 claims description 3
- 241000238631 Hexapoda Species 0.000 claims description 3
- 238000004040 coloring Methods 0.000 claims description 3
- 208000032544 Cicatrix Diseases 0.000 claims 2
- 231100000241 scar Toxicity 0.000 claims 2
- 230000037387 scars Effects 0.000 claims 2
- 238000013277 forecasting method Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 35
- 238000010586 diagram Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 14
- 238000003306 harvesting Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 241000220225 Malus Species 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 240000008790 Musa x paradisiaca Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 235000021016 apples Nutrition 0.000 description 3
- 235000021015 bananas Nutrition 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009331 sowing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001500847 Allium praecox Species 0.000 description 1
- 235000000832 Ayote Nutrition 0.000 description 1
- 241000167854 Bourreria succulenta Species 0.000 description 1
- 241000219122 Cucurbita Species 0.000 description 1
- 235000009854 Cucurbita moschata Nutrition 0.000 description 1
- 235000009804 Cucurbita pepo subsp pepo Nutrition 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 101100009348 Mus musculus Depp1 gene Proteins 0.000 description 1
- 101100009350 Rattus norvegicus Depp gene Proteins 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 241000219094 Vitaceae Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 241001247821 Ziziphus Species 0.000 description 1
- 229930002877 anthocyanin Natural products 0.000 description 1
- 235000010208 anthocyanin Nutrition 0.000 description 1
- 239000004410 anthocyanin Substances 0.000 description 1
- 150000004636 anthocyanins Chemical class 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000019693 cherries Nutrition 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- -1 hydrogen ions Chemical class 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 235000015136 pumpkin Nutrition 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 235000021012 strawberries Nutrition 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000000714 time series forecasting Methods 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Animal Husbandry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 개시는 인공지능 기반으로 농산물에 대한 수요, 공급 데이터 기반의 가격을 예측하는 서버에 관한 것으로, 농산물의 유통채널에 대한 정보가 저장된 메모리, 농산물의 출하 정보 및 품질 정보를 제공하는 제1 서버와 통신하는 통신 모듈 및 상기 출하 정보 및 상기 품질 정보가 반영되도록 상기 농산물의 품종별로 기 설정된 복수의 서로 다른 시점에 대한 예상 가격을 산출하는 프로세서를 포함한다.
Description
본 개시는 농산물의 가격을 예측하는 서버에 관한 것으로, 보다 상세하게는 인공지능 기반으로 농산물에 대한 수요, 공급 데이터 기반의 가격 예측 서버에 관한 것이다.
농산물은 가격 결정을 위해 표준화된 데이터나 객관적인 데이터가 이용되지 못하고 있으며, 이러한 문제점을 인하여 농산물의 품질을 판단하는데 큰 어려움이 있다.
또한, 이러한 문제점으로 인하여 농산물의 가격을 예측하는데도 큰 어려움이 있었다.
이에, 객관적인 지표들과 농산물의 품질에 대한 표준 데이터를 활용하여 가격을 예측하는 경우 보다 정확하게 농산물의 가격을 예측할 수 있을 것으로 기대되지만, 현재로서는 이러한 기술이 공개되어 있지 않은 실정이다.
본 개시에 개시된 실시예는 농산물에 대한 수요, 공급 데이터 기반의 가격 예측 서버를 제공하는데 그 목적이 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 개시의 일 실시예에 따른 농산물에 대한 수요, 공급 데이터 기반의 가격 예측 서버는, 농산물의 유통채널에 대한 정보가 저장된 메모리; 농산물의 출하 정보 및 품질 정보를 제공하는 제1 서버와 통신하는 통신 모듈; 및 상기 출하 정보 및 상기 품질 정보가 반영되도록 상기 농산물의 품종별로 기 설정된 복수의 서로 다른 시점에 대한 예상 가격을 산출하는 프로세서를 포함하며, 상기 프로세서는, 상기 제1 서버로부터 수신된 상기 농산물의 산지, 출하지 및 유통 경로를 기반으로, 상기 농산물의 산지에 대한 표기 오류를 검출하고, 상기 산지에 대한 표기 오류가 검출된 경우 상기 유통 경로를 기반으로 상기 표기 오류를 정정하고, 상기 농산물의 품종별 유통 시즌 및 기간별 거래 비중을 기반으로 상기 기 설정된 복수의 시점에 대한 예상 가격을 산출할 수 있다.
또한, 상기 프로세서는, 상기 농산물의 유통 채널별 및 유통 단계별 예상 가격을 산출할 수 있다.
또한, 상기 프로세서는, 상기 농산물의 품종별로 기간별 반입량을 산출하고, 상기 산출된 기간별 반입량을 기반으로, 상기 농산물의 품종별 기간별 거래 활발도를 산출하고, 상기 산출된 거래 활발도를 기반으로, 상기 농산물의 품종별 거래 활발 기간(메인 유통 시즌)을 결정할 수 있다.
또한, 상기 프로세서는, 기 설정된 거래 활발도를 갖는 기간을 상기 거래 활발 기간(메인 유통 시즌)으로 결정하되, 상기 농산물의 품종별로 기 설정된 기간만큼 상기 거래 활발 기간(메인 유통 시즌)의 이전과 이후 중 적어도 하나에 포함하여 상기 농산물의 품종별 거래 활발 기간(메인 유통 시즌)을 결정할 수 있다.
또한, 상기 프로세서는, 기 설정된 영향 조건을 기반으로 상기 농산물의 품종별 예상 가격을 산출하며, 상기 영향 조건은, 상기 농산물의 품종별 재배 면적, 재배 비용, 상기 농산물의 재배 기간 동안의 기상 정보 중 적어도 하나를 포함하고, 상기 농산물의 품종별 특성을 기반으로 각 영향 조건에 가중치가 설정된 것을 특징으로 한다.
또한, 상기 프로세서는, 상기 농산물을 재배하는 사용자의 단말로부터 적어도 하나의 제1 농산물이 촬영된 제1 농산물 이미지가 수신된 경우, 상기 제1 농산물 이미지를 인공지능 모델을 기반으로 분석하여 상기 제1 농산물의 결함 정보 및 제1 색상 정보를 산출하고, 상기 산출된 결함 정보 및 상기 제1 색상 정보를 기반으로, 상기 제1 농산물의 품질을 나타내는 제1 품질 정보를 생성하고,
상기 출하 정보 및 상기 제1 품질 정보를 기반으로 상기 농산물의 품종별로 기 설정된 복수의 서로 다른 시점에 대한 예상 가격을 산출할 수 있다.
또한, 상기 프로세서는, 상기 제1 농산물의 종류에 따라 상기 제1 농산물의 촬영 거리, 촬영 각도 및 촬영 이미지 개수 중 적어도 하나를 포함하는 촬영 조건을 도출하고, 상기 도출된 촬영 조건은 상기 사용자 단말로 제공하고, 상기 사용자가 재배하는 농산물의 종류 및 재배량에 대한 정보가 수신되면, 상기 농산물의 종류 및 재배량을 기반으로, 상기 제1 품질 정보의 생성을 위해 필요한 샘플의 개수를 산출하고, 상기 산출된 샘플의 개수를 상기 사용자 단말로 제공하여 상기 제1 농산물의 이미지 촬영이 진행되도록 요청할 수 있다.
또한, 상기 통신 모듈은, 상기 적어도 하나의 제1 농산물에 대하여 상기 사용자의 당도 측정기를 통해 직접 측정된 제1 당도의 값을 수신하고, 상기 제1 농산물의 종류, 상기 수신된 제1 당도의 값, 상기 제1 농산물의 제철 정보 및 상기 산출된 색상 정보를 기반으로 상기 제1 농산물의 당도 등급을 산출할 수 있다.
또한, 상술한 과제를 해결하기 위한 본 개시의 일 실시예에 따른 농산물에 대한 수요, 공급 데이터 기반의 가격 예측 방법은, 서버에 의해 수행되는 방법으로, 제1 서버로부터 농산물의 출하 정보 및 품질 정보를 수신하는 단계; 상기 출하 정보 및 상기 품질 정보를 기반으로 상기 농산물의 품종별로 기 설정된 복수의 서로 다른 시점에 대한 예상 가격을 산출하는 단계; 상기 제1 서버로부터 수신된 상기 농산물의 산지, 출하지 및 유통 경로를 기반으로, 상기 농산물의 산지에 대한 표기 오류를 검출하는 단계; 및 상기 산지에 대한 표기 오류가 검출된 경우 상기 유통 경로를 기반으로 상기 표기 오류를 정정하는 단계를 포함하며, 상기 예상 가격 산출 단계는, 상기 농산물의 품종별 유통 시즌 및 기간별 거래 비중을 기반으로 상기 기 설정된 복수의 시점에 대한 예상 가격을 산출할 수 있다.
이 외에도, 본 개시를 구현하기 위한 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 농산물에 대한 수요, 공급 데이터 기반의 가격 예측할 수 있는 효과를 제공한다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1 및 도 2는 본 개시의 실시예에 따른 농산물에 대한 수요, 공급 데이터 기반의 가격 예측 시스템의 개략도이다.
도 3은 본 개시의 실시예에 따른 농산물에 대한 수요, 공급 데이터 기반의 가격 예측 서버의 블록도이다.
도 4는 본 개시의 실시예에 따른 농산물에 대한 수요, 공급 데이터 기반의 가격 예측 방법의 흐름도이다.
도 5 및 도 6은 기 설정된 복수의 서로 다른 시점에 대한 농산물의 예상 가격을 산출한 것을 예시한 도면이다.
도 7은 농산물의 유통 채널별 가격을 예시한 도면이다.
도 8은 농산물의 유통 채널과 유통 단계별 예상 가격을 산출한 것을 예시한 도면이다.
도 9는 농산물의 재배력과 계약시기, 농산물의 품종별 유통 시즌과 월별 거래 비중에 대한 예시 도면이다.
도 10은 농산물을 재배하는 사용자로부터 수신된 농산물 이미지를 분석하여 보다 정확한 농산물 품질을 산출하고, 사용자에게 맞춤형 정보를 제공하는 것을 예시한 도면이다.
도 11은 사용자가 재배하고 있는 농산물의 종류, 재배량 및 재배기간에 대한 입력을 요청하는 것을 예시한 도면이다.
도 12는 도 11의 정보 입력에 따라 촬영 방법을 제공하는 것을 예시한 도면이다.
도 13은 농산물에 대하여 촬영된 이미지 업로드를 요청하는 것을 예시한 도면이다.
도 14는 농산물의 색상 정보 중 균일도 산출을 위해 농산물의 전체 영역을 복수 개의 영역으로 구획한 것을 예시한 도면이다.
도 15는 인공지능 모델이 농산물의 이미지 분석에 따라 농산물의 현재 재배기간을 판단하고, 이에 따라 예상 수확시기와 농산물을 재배하는데 필요한 재배 콘텐츠를 추출하는 것을 예시한 도면이다.
도 16 및 도 17은 농산물 자동 촬영 장치를 예시한 도면이다.
도 3은 본 개시의 실시예에 따른 농산물에 대한 수요, 공급 데이터 기반의 가격 예측 서버의 블록도이다.
도 4는 본 개시의 실시예에 따른 농산물에 대한 수요, 공급 데이터 기반의 가격 예측 방법의 흐름도이다.
도 5 및 도 6은 기 설정된 복수의 서로 다른 시점에 대한 농산물의 예상 가격을 산출한 것을 예시한 도면이다.
도 7은 농산물의 유통 채널별 가격을 예시한 도면이다.
도 8은 농산물의 유통 채널과 유통 단계별 예상 가격을 산출한 것을 예시한 도면이다.
도 9는 농산물의 재배력과 계약시기, 농산물의 품종별 유통 시즌과 월별 거래 비중에 대한 예시 도면이다.
도 10은 농산물을 재배하는 사용자로부터 수신된 농산물 이미지를 분석하여 보다 정확한 농산물 품질을 산출하고, 사용자에게 맞춤형 정보를 제공하는 것을 예시한 도면이다.
도 11은 사용자가 재배하고 있는 농산물의 종류, 재배량 및 재배기간에 대한 입력을 요청하는 것을 예시한 도면이다.
도 12는 도 11의 정보 입력에 따라 촬영 방법을 제공하는 것을 예시한 도면이다.
도 13은 농산물에 대하여 촬영된 이미지 업로드를 요청하는 것을 예시한 도면이다.
도 14는 농산물의 색상 정보 중 균일도 산출을 위해 농산물의 전체 영역을 복수 개의 영역으로 구획한 것을 예시한 도면이다.
도 15는 인공지능 모델이 농산물의 이미지 분석에 따라 농산물의 현재 재배기간을 판단하고, 이에 따라 예상 수확시기와 농산물을 재배하는데 필요한 재배 콘텐츠를 추출하는 것을 예시한 도면이다.
도 16 및 도 17은 농산물 자동 촬영 장치를 예시한 도면이다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 ‘부, 모듈, 부재, 블록’이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.
본 명세서에서 '본 개시에 따른 농산물 가격 예측 서버'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 농산물 가격 예측 서버는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 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(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/ 또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도 형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들 (weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경 망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
본 개시의 예시적인 실시예에 따르면, 프로세서는 인공지능을 구현할 수 있다. 인공지능이란 사람의 신경세포(biological neuron)를 모사하여 기계가 학습하도록 하는 인공신경망(Artificial Neural Network) 기반의 기계 학습법을 의미한다. 인공지능의 방법론에는 학습 방식에 따라 훈련데이터로서 입력데이터와 출력데이터가 같이 제공됨으로써 문제(입력데이터)의 해답(출력데이터)이 정해져 있는 지도학습(supervised learning), 및 출력데이터 없이 입력데이터만 제공되어 문제(입력데이터)의 해답(출력데이터)이 정해지지 않는 비지도학습(unsupervised learning), 및 현재의 상태(State)에서 어떤 행동(Action)을 취할 때마다 외부 환경에서 보상(Reward)이 주어지는데, 이러한 보상을 최대화하는 방향으로 학습을 진행하는 강화학습(reinforcement learning)으로 구분될 수 있다. 또한, 인공지능의 방법론은 학습 모델의 구조인 아키텍처에 따라 구분될 수도 있는데, 널리 이용되는 딥러닝 기술의 아키텍처는, 합성곱신경망(CNN; Convolutional Neural Network), 순환신경망(RNN; Recurrent Neural Network), 트랜스포머(Transformer), 생성적 대립 신경망(GAN; generative adversarial networks) 등으로 구분될 수 있다.
본 장치는 인공지능 모델을 포함할 수 있다. 인공지능 모델은 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 인공지능 모델은 뉴럴 네트워크(또는 인공 신경망)로 구성될 수 있으며, 기계학습과 인지과학에서 생물학의 신경을 모방한 통계학적 학습 알고리즘을 포함할 수 있다. 뉴럴 네트워크는 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 뉴럴 네트워크의 뉴런은 가중치 또는 바이어스의 조합을 포함할 수 있다. 뉴럴 네트워크는 하나 이상의 뉴런 또는 노드로 구성된 하나 이상의 레이어(layer)를 포함할 수 있다. 예시적으로, 장치는 input layer, hidden layer, output layer를 포함할 수 있다. 장치를 구성하는 뉴럴 네트워크는 뉴런의 가중치를 학습을 통해 변화시킴으로써 임의의 입력(input)으로부터 예측하고자 하는 결과(output)를 추론할 수 있다.
프로세서는 뉴럴 네트워크를 생성하거나, 뉴럴 네트워크를 훈련(train, 또는 학습(learn)하거나, 수신되는 입력 데이터를 기초로 연산을 수행하고, 수행 결과를 기초로 정보 신호(information signal)를 생성하거나, 뉴럴 네트워크를 재훈련(retrain)할 수 있다. 뉴럴 네트워크의 모델들은 GoogleNet, AlexNet, VGG Network 등과 같은 CNN(Convolution Neural Network), R-CNN(Region with Convolution Neural Network), RPN(Region Proposal Network), RNN(Recurrent Neural Network), S-DNN(Stacking-based deep Neural Network), S-SDNN(State-Space Dynamic Neural Network), Deconvolution Network, DBN(Deep Belief Network), RBM(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network 등 다양한 종류의 모델들을 포함할 수 있으나 이에 제한되지는 않는다. 프로세서는 뉴럴 네트워크의 모델들에 따른 연산을 수행하기 위한 하나 이상의 프로세서를 포함할 수 있다. 예를 들어 뉴럴 네트워크는 심층 뉴럴 네트워크 (Deep Neural Network)를 포함할 수 있다.
뉴럴 네트워크는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), 퍼셉트론(perceptron), 다층 퍼셉트론(multilayer perceptron), FF(Feed Forward), RBF(Radial Basis Network), DFF(Deep Feed Forward), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), AE(Auto Encoder), VAE(Variational Auto Encoder), DAE(Denoising Auto Encoder), SAE(Sparse Auto Encoder), MC(Markov Chain), HN(Hopfield Network), BM(Boltzmann Machine), RBM(Restricted Boltzmann Machine), DBN(Depp Belief Network), DCN(Deep Convolutional Network), DN(Deconvolutional Network), DCIGN(Deep Convolutional Inverse Graphics Network), GAN(Generative Adversarial Network), LSM(Liquid State Machine), ELM(Extreme Learning Machine), ESN(Echo State Network), DRN(Deep Residual Network), DNC(Differentiable Neural Computer), NTM(Neural Turning Machine), CN(Capsule Network), KN(Kohonen Network) 및 AN(Attention Network)를 포함할 수 있으나 이에 한정되는 것이 아닌 임의의 뉴럴 네트워크를 포함할 수 있음은 통상의 기술자가 이해할 것이다.
본 개시의 예시적인 실시예에 따르면, 프로세서는 GoogleNet, AlexNet, VGG Network 등과 같은 CNN(Convolution Neural Network), R-CNN(Region with Convolution Neural Network), RPN(Region Proposal Network), RNN(Recurrent Neural Network), S-DNN(Stacking-based deep Neural Network), S-SDNN(State-Space Dynamic Neural Network), Deconvolution Network, DBN(Deep Belief Network), RBM(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network, Generative Modeling, eXplainable AI, Continual AI, Representation Learning, AI for Material Design, 자연어 처리를 위한 BERT, SP-BERT, MRC/QA, Text Analysis, Dialog System, GPT-3, GPT-4, 비전 처리를 위한 Visual Analytics, Visual Understanding, Video Synthesis, ResNet 데이터 지능을 위한 Anomaly Detection, Prediction, Time-Series Forecasting, Optimization, Recommendation, Data Creation 등 다양한 인공지능 구조 및 알고리즘을 이용할 수 있으며, 이에 제한되지 않는다. 이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.
도 1 및 도 2는 본 개시의 실시예에 따른 농산물에 대한 수요, 공급 데이터 기반의 가격 예측 시스템(10)의 개략도이다.
도 1을 참조하면, 서버(100)는 통신망을 통해 사용자 단말(200), 관리자 단말(300), 제1 서버(500) 및 제2 서버(600) 중 적어도 하나와 통신한다.
본 개시의 실시예에서 제1 서버(500)는 농산물의 출하 정보 및 품질 정보를 제공한다. 구체적으로, 제1 서버(500)는 농산물을 재배하는 사용자로부터 재배 현황을 수집/수신할 수 있다.
본 개시의 실시예에서 제2 서버(600)는 기상 정보를 제공하는 서버라면 무엇이든 적용이 가능하며, 기상청과 같이 공공데이터를 제공하는 서버 등이 적용 가능하다.
도 2를 참조하면, 제1 서버(500)는 농산물을 생산/재배하는 사용자로부터 재배 현황에 대한 정보를 수신하고, 서버(100)는 제1 서버(500)로부터 수신된 농산물 출하 정보와 농산물 품질 정보를 기반으로 농산물의 품종별로 기 설정된 복수의 서로 다른 시점에 대한 예상 가격을 산출할 수 있다.
아래에서는 다른 도면들을 참조하여 본 개시의 실시예에 따른 농산물에 대한 수요, 공급 데이터 기반의 가격 예측 서버(100), 방법 및 프로그램에 관하여 보다 상세하게 설명하도록 한다.
도 3은 본 개시의 실시예에 따른 농산물에 대한 수요, 공급 데이터 기반의 가격 예측 서버(100)의 블록도이다.
도 4는 본 개시의 실시예에 따른 농산물에 대한 수요, 공급 데이터 기반의 가격 예측 방법의 흐름도이다.
도 3을 참조하면, 본 개시의 실시예에 따른 농산물에 대한 수요, 공급 데이터 기반의 가격 예측 서버(100)는 프로세서(110), 통신 모듈(130) 및 메모리(150)를 포함하며, 프로세서(110)는 적어도 하나의 인공지능 모델(111)과 인공지능 모델(111)의 처리 결과를 처리할 수 있는 처리 모듈(116)을 포함한다.
다만, 몇몇 실시예에서 서버(100)는 도 3에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수도 있다.
프로세서(110)는 제1 서로부터 수신된 농산물의 산지, 출하지 및 유통 경로를 기반으로 농산물의 산지에 대한 표기 오류를 검출하고, 산지에 대한 표기 오류가 검출된 경우 유통 경로를 기반으로 표기 오류를 정정할 수 있다.
프로세서(110)는 농산물의 품종별 유통 시즌 및 기간별 거래 비중을 기반으로 농산물의 품종별로 기 설정된 복수의 시점에 대한 예상 가격을 산출할 수 있다.
이때, 프로세서(110)는 농산물의 유통 채널별 및 유통 단계별로 예상 가격을 산출할 수 있다.
프로세서(110)는 본 장치 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리(150), 및 메모리(150)에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(110)로 구현될 수 있다. 이때, 메모리(150)와 프로세서(110)는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리(150)와 프로세서(110)는 단일 칩으로 구현될 수도 있다.
또한, 프로세서(110)는 이하의 도면에서 설명되는 본 개시에 따른 다양한 실시 예들을 본 장치 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.
프로세서(110)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 본 장치의 전반적인 동작을 제어할 수 있다. 프로세서(110)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(150)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 프로세서(110)는 메모리(150)에 저장된 응용 프로그램을 구동하기 위하여, 본 장치의 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(110)는 상기 응용 프로그램의 구동을 위하여, 본 장치에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작 시킬 수 있다.
통신 모듈(130)은 농산물 가격 예측 서버(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.
통신 모듈(130)은 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어, 방송 수신 모듈, 유선통신 모듈(130), 무선통신 모듈(130), 근거리 통신 모듈(130), 위치정보 모듈 중 적어도 하나를 포함할 수 있다.
유선 통신 모듈(130)은, 지역 통신(Local Area Network; LAN) 모듈, 광역 통신(Wide Area Network; WAN) 모듈 또는 부가가치 통신(Value Added Network; VAN) 모듈 등 다양한 유선 통신 모듈(130)뿐만 아니라, USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), DVI(Digital Visual Interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 다양한 케이블 통신 모듈(130)을 포함할 수 있다.
무선 통신 모듈(130)은 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈(130)을 포함할 수 있다.
무선 통신 모듈(130)은 신호를 송신하는 안테나 및 송신기(Transmitter)를 포함하는 무선 통신 인터페이스를 포함할 수 있다. 또한, 무선 통신 모듈(130)은 프로세서(110)의 제어에 따라 무선 통신 인터페이스를 통해 프로세서(110)로부터 출력된 디지털 제어 신호를 아날로그 형태의 무선 신호로 변조하는 신호 변환 모듈을 더 포함할 수 있다.
근거리 통신 모듈(130)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra-Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
메모리(150)는 본 장치의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 메모리(150)는 본 장치에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 장치의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 본 장치의 기본적인 기능을 위하여 존재할 수 있다. 한편, 응용 프로그램은, 메모리(150)에 저장되고, 장치에 설치되어, 프로세서(110)에 의하여 동작(또는 기능)을 수행하도록 구동될 수 있다.
메모리(150)는 본 장치의 다양한 기능을 지원하는 데이터와, 프로세서(110)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 음악 파일, 정지영상, 동영상 등)이 저장될 수 있고, 본 장치에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 장치의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버(100)로부터 다운로드 될 수 있다.
이러한, 메모리(150)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(150)(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리(150), 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(150)는 본 장치와는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스가 될 수도 있다.
또한, 메모리(150)는 농산물의 가격 예측 서버(100)를 위한 복수의 프로세스를 구비할 수 있다.
서버(100)가 제1 서버(500)로부터 농산물의 출하 정보 및 품질 정보를 수신한다. (S100)
프로세서(110)가 농산물의 품종별로 기 설정된 복수의 서로 다른 시점에 대한 예상 가격을 산출한다. (S200)
프로세서(110)가 농산물의 산지에 대한 표기 오류를 검출한다. (S300)
S300에서 산지에 대한 표기 오류가 검출된 경우, 프로세서(110)가 유통 경로에 대한 정보를 기반으로 산지 표기 오류를 정정한다. (S400)
도 5 및 도 6은 기 설정된 복수의 서로 다른 시점에 대한 농산물의 예상 가격을 산출한 것을 예시한 도면이다.
도 7은 농산물의 유통 채널별 가격을 예시한 도면이다.
농산물의 유통 채널과 유통 단계별 예상 가격을 산출한 것을 예시한 도면이다.
도 5를 참조하면, 프로세서(110)는 농산물의 품종별, 농산물의 크기별로 복수의 서로 다른 시점에 대한 예상 가격을 산출할 수 있으며, 산출된 예상 가격을 기반으로 농산물을 구매/소비하는 사용자에게 구매 제안 가격을 도출하여 제공할 수 있다.
도 6을 참조하면, 프로세서(110)는 농산물의 품종별, 농산물의 크기별로 복수의 서로 다른 시점에 대한 예상 가격을 산출할 수 있으며, 산출된 예상 가격을 기반으로 농산물을 재배/판매하는 사용자에게 판매 제안 가격을 도출하여 제공할 수 있다.
도 7을 참조하면, 농산물의 품종별로 주요 출하 산지 경매 가격, 주요 도매 시장 경매 가격을 획득하여 출력/제공할 수 있다.
프로세서(110)는 인공지능 모델(111)을 이용하여 농산물의 품종별 예상 가격을 산출할 수 있으며, 도면에 도시된 바와 같이 현재 예상 가격, 이번주 예상 가격, 1주후 예상 가격 등과 같이 기간별 예상 가격을 산출할 수 있다.
이때, 프로세서(110)는 농산물의 유통 채널, 유통 경로에 대한 정보를 기반으로 예상 유통 비용을 산출할 수 있으며, 이를 고려하여 농산물의 품종별로 유통 채널별 유통 단계별 예상 가격을 산출할 수 있게 된다.
도 8은 농산물의 유통 채널과 유통 단계별 예상 가격을 산출한 것을 예시한 도면이다.
도 9는 농산물의 재배력과 계약시기, 농산물의 품종별 유통 시즌과 월별 거래 비중에 대한 예시 도면이다.
도 8 및 도 9를 참조하면, 프로세서(110)는 농산물의 품종별로 기간별 반입량을 산출하고, 산출된 기간별 반입량을 기반으로 농산물의 품종별 기간별 거래 활발도를 산출하고, 산출된 거래 활발도를 기반으로 농산물의 품종별 거래 활발 기간(메인 유통 시즌)을 결정할 수 있다.
이때, 프로세서(110)는 기 설정된 거래 활발도를 갖는 기간을 거래 활발 기간(메인 유통 시즌)으로 결정하되, 농산물의 품종별로 기 설정된 기간만큼 거래 활발 기간(메인 유통 시즌)의 이전과 이후 중 적어도 하나에 포함하여 농산물의 품종별 거래 활발 기간(메인 유통 시즌)을 결정할 수 있다.
예를 들어, 조생양파는 월별 반입량을 기반으로 4월과 5월이 거래 활발 기간(메인 유통 시즌)으로 산출되었으나, 프로세서(110)는 3월과 6월을 거래 활발 기간(메인 유통 시즌)으로 더 포함하도록 결정할 수 있다.
일 실시예로, 프로세서(110)는 기 설정된 영향 조건을 기반으로 농산물의 품종별 예상 가격을 산출할 수 있다.
영향 조건은 가격에 영향을 미치는 조건, 수요에 영향을 미치는 조건, 공급에 영향을 미치는 조건, 재배 조건에 영향을 미치는 조건, 품질에 영향을 미치는 조건으로 각각 분류되어 있을 수 있다.
농산물 시장에서 가격에 영향을 미치는 조건은 수요와 공급이며, 둘 중에서 공급의 영향을 더 많이 받는다.
농산물의 수요는 가격에 비하여 비탄력적으로 반응할 수 있다.
농산물의 공급에 영향을 주는 조건은 농산물의 재배 면적, 기상, 병해충, 수입량 등이 적용될 수 있다.
농산물의 재배 비용에 영향을 주는 조건은 기름값(겨울철 하우스 작물), 인건비, 포장재비 등과 같은 원자재 가격이 적용될 수 있다.
농산물의 품질에 영향을 주는 조건은 농산물의 크기, 당도, 신선함, 친환경 인증 정보 등이 적용될 수 있다.
구체적으로, 영향 조건은 농산물의 품종별 재배 면적, 재배 비용, 농산물의 재배 기간 동안의 기상 정보 중 적어도 하나를 포함하며, 농산물의 품종별 특성을 기반으로 각 영향 조건에 가중치가 설정되어 있다.
예를 들어, 바나나의 경우 기상 조건에 더 많은 가중치가 설정될 수 있으며, 이에 따라 기상 조건이 최적 기상 조건과 많은 차이가 발생할수록 바나나의 예상 재배량이 더 많이 감소하게 되며, 바나나의 예상 가격 상승으로 이어질 수 있다.
본 개시의 실시예에서 영향 조건은 복수의 서로 다른 기상 조건을 포함할 수 있으며, 농산물의 품종별로 각 기상 조건별 가중치가 설정되어 있을 수 있다.
따라서, 프로세서(110)는 기상 조건이 입력되면 농산물의 품종별 영향 조건에 의한 품종별 예상 가격을 산출할 수 있다.
프로세서(110)는 각 농산물별로 과거의 시계열 데이터를 기초로 구매가 가장 활발한 시즌을 예측할 수 있다. 이때, 프로세서(110)는 농산물의 공급량을 기초로 유통 시즌의 활발도를 산출할 수 있다.
농산물의 경우 가격을 예측하는데 있어서 수요보다 공급량이 더 정확할 수 있으므로, 본 개시의 실시예에서 서버(100)는 농산물의 품종별 공급량을 기초로 하여 농산물의 품종별 예상 가격을 산출할 수 있다.
프로세서(110)는 일차적으로 최대값을 예측할 수 있으며, 변화량(dt/dt)이 작게 유지되는 기간을 시즌으로 판단할 수 있다.
프로세서(110)는 상세하게는 변화량이 증가한 후 작게 유지되는 경우, 해당 기간 동안 높은 공급량이 유지되는 것으로 판단하여 거래가 활발한 시즌으로 판단할 수 있다.
프로세서(110)는 거래량이 활발한 기간에 추가적으로 변화량(dt/dt)이 커지는 시점과 농산물의 품종별로 미리 결정된 기간을 거래 활발 기간(메인 유통 시즌)으로 판단할 수 있다.
일 실시예로, 프로세서(110)는 기 설정된 거래 활발도를 갖는 기간을 거래 활발 기간(메인 유통 시즌)으로 결정하되, 농산물의 품종별로 거래 활발 기간(메인 유통 시즌)의 이전과 이후 중 적어도 하나에 기 설정된 기간을 포함하여 농산물의 품종별 거래 활발 기간(메인 유통 시즌)을 결정할 수 있다.
이때, 거래 활발 기간(메인 유통 시즌)의 이전과 이후 중에서 적어도 하나에 기 설정된 기간을 포함하는 것은 농산물의 품종별로 다르며, 기간의 길이 또한 농산물의 품종별로 상이할 수 있다.
도 9를 참조하면, 조샙양파의 경우 4월과 5월이 거래가 활발한 기간으로 산출되었으며, 프로세서(110)는 기 설정된 기간(6월)을 더 포함하여 조샙양파의 거래 활발 기간(메인 유통 시즌)을 4월, 5월 및 6월로 결정하게 된다.
이때, 본 개시의 실시예에 따른 농산물에 대한 수요, 공급 데이터 기반의 가격 예측 서버(100)는 농산물에 대한 품질 정보를 반영하여 보다 정확하게 농산물의 예상 가격을 산출할 수 있게 된다.
따라서, 서버(100)는 농산물의 품종별 과거의 시계열 데이터를 기초로 거래 활발 기간(메인 유통 시즌)을 산출하고, 농산물에 대하여 획득된 객관적인 품질 정보를 이용하여 보다 정확하게 예상 가격을 산출할 수 있게 된다.
프로세서(110)는 상기 산출된 결과들을 기반으로, 농산물의 품종별 거래 활발 기간(메인 유통 시즌)을 결정하고, 결정된 내역을 서버(100)에 개시하거나 서비스를 이용하는 사용자 단말(200)로 제공할 수 있다.
일 실시예로, 프로세서(110)는 농산물의 품종별 거래 활발 기간(메인 유통 시즌)을 더 고려하여 농산물의 품종별로 기 설정된 복수의 서로 다른 시점에 대한 예상 가격을 산출할 수 있다.
도 10은 농산물을 재배하는 사용자로부터 수신된 농산물 이미지를 분석하여 보다 정확한 농산물 품질을 산출하고, 사용자에게 맞춤형 정보를 제공하는 것을 예시한 도면이다.
도 10을 참조하면, 서버(100)는 농산물의 품질 관리 서비스를 제공할 수 있으며, 사용자는 농가에서 농산물을 재배하는 사람, 관리자는 농가에 직접 방문하여 농산물을 직접 체크하는 사람을 의미할 수 있다.
농가에서 농산물을 재배하는 사용자는 단말(200)을 통해 재배 중인 농산물을 촬영하여 서버(100)로 전송하고, 서버(100)는 수신된 농산물 이미지를 분석하여 재배 중인 농산물의 예상 수확시기를 산출하고, 농산물의 재배를 위한 재배 콘텐츠를 추출하여 사용자에게 제공할 수 있다.
또한, 농가에서 농산물을 재배하는 사용자는 단말(200)을 통해 재배가 완료되어 수확된 농산물을 촬영하여 서버(100)로 전송하고, 서버(100)는 수신된 농산물 이미지를 분석하여 농산물의 결함 정보, 색상 정보 및 품질 정보를 생성할 수 있다.
본 개시의 실시예에서, 서버(100)는 농산물을 재배하는 사용자의 단말(200)로부터 재배 중인 농산물 또는 수확된 농산물에 대하여 촬영된 이미지를 수신하고, 이를 기반으로 농산물에 대한 품질 정보를 생성할 수 있기 때문에, 보다 정확하게 농산물의 품종별로 기 설정된 복수의 서로 다른 시점에 대한 예상 가격을 산출할 수 있게 된다.
또한, 서비스를 이용하는 사용자에게 농산물을 촬영하는 방법을 가이드함으로써 표준화된 촬영 방법을 이용하게 하고, 수신된 농산물 이미지를 표준화된 분석 방법으로 분석하여 품질 정보를 생성하기 때문에, 보다 객관적인 기준으로 각 농산물에 대한 품질 정보를 생성할 수 있게 되는 효과가 있다.
이와 같은 플랫폼을 통해서 본 개시의 실시예에 따른 농산물의 품질 관리 서비스 제공 서버(100)는 재배 중인 농산물의 품질이 향상될 수 있도록 각종 유용한 정보를 제공하고, 수확된 후에는 품질 정보를 생성함으로써, 해당 품질의 농산물을 원하는 소비자를 연결할 수 있게 된다.
메모리(150)에 저장된 인공지능 모델(111)은 농산물에 대한 품질 산출 방법이 학습되어 있다.
인공지능 모델(111)은 복수의 농산물 이미지 각각에 해당 농산물의 품질 정보가 라벨링된 학습 데이터셋을 기반으로 학습되어 있다.
인공지능 모델(111)은 CNN 모델이 적용될 수 있으며, CNN 학습 시 농산물 이미지의 바운딩 박스를 형성할 수 있다.
프로세서(110)는 농산물의 종류별로 농산물 이미지에서 바운딩 박스를 형성하는 기준이 설정되어 있을 수 있으며, 인식 정확도와 처리 프로세를 위해서 미리 결정된 비율의 바운딩 박스를 통해서 이미지 인식을 진행할 수 있다.
예를 들어, 농산물의 종류별 바운딩 박스의 크기는 아래 수학식과 같이 설정될 수 있다.
H < S1/S2 < K, (H, K: 농산물의 종류별 바운딩 박스 최소, 최대 범위)
본 개시의 실시예에서, 인공지능 모델(111)은 이미지 내에서 적어도 하나의 농산물을 식별할 수 있으며, 식별된 농산물의 종류를 판단할 수 있다.
인공지능 모델(111)은 농산물의 종류가 식별되면, 농산물의 이미지를 분석하여 결함 정보를 생성할 수 있다.
본 개시의 실시예에서 결함 정보는 농산물에 포함된 결함의 정도를 의미할 수 있으며, 농산물이 이미지 상으로 결함이 존재하지 않는 경우 결함의 정도는 0이 될 수 있다.
본 개시의 실시예에서 농산물의 결함은 특정 결함으로 한정되는 것은 아니며, 착색불량, 상처, 멍, 열과, 병해, 충해, 찍힘, 등과 같이 농산물의 품질을 저하할 수 있는 결함이라면 무엇이든 적용이 가능하다.
또한, 인공지능 모델(111)은 농산물은 농산물의 이미지를 분석하여 농산물에 대한 색상 정보를 산출/생성할 수 있다.
농산물을 고르는 과정에서 농산물의 외부 색상은 농산물 선택에 있어서 매우 중요한 조건이다. 특히, 과일의 색상을 보면 과일 속 영양소를 유추할 수도 있다. 예를 들어, 포도나 체리, 딸기, 사과 등과 같은 과일은 수소 이온 농도에 따라 빨간색, 보라색, 파란색 등을 띠는 안토사이아닌이 많이 함유되어 있다.
또한, 농산물의 종류에 따라 하나의 농산물 내 외부 전체 면적의 색상이 균일한 정도(균일도)가 농산물의 품질과 직결될 수 있으며, 이때 품질은 농산물의 맛, 영양소 등을 포함할 수 있다.
도 11은 사용자가 재배하고 있는 농산물의 종류, 재배량 및 재배기간에 대한 입력을 요청하는 것을 예시한 도면이다.
도 12는 도 11의 정보 입력에 따라 촬영 방법을 제공하는 것을 예시한 도면이다.
본 개시의 실시예에서, 서버(100)가 농산물의 품질 관리 서비스를 제공하기 위해서는 사용자가 재배 중 또는 수확한 농산물의 이미지를 서버(100)로 전송하고, 서버(100)에서 수신된 농산물 이미지를 인공지능 모델(111)을 기반으로 분석하는 과정을 거쳐야 한다.
이때, 사용자가 재배 중 또는 수확한 농산물의 전체를 분석하는 것보다 사용자의 재배량, 재배 규모에 따라 필요한 샘플 개수를 요청하는 것이 효과적이기 때문에, 서버(100)는 도 11, 도 12와 같은 프로세스를 수행하게 된다.
본 개시의 실시예에서 제1 품질 정보 생성을 위해 필요한 샘플을 제1 농산물로 지칭하도록 한다.
일 실시예로, 서버(100)는 사용자가 재배하고 있는 농산물의 종류, 재배량 및 재배기간 중 적어도 하나에 대한 입력을 요청한다.
이때, 재배량은 파종량, 수확량 또는 재배 면적과 같이 재배량을 추정 가능한 수치라면 무엇이든 적용이 가능하다.
재배기간은 파종부터 현재까지의 기간을 의미하며, 인공지능 모델(111)이 제1 농산물 이미지를 분석하여 현재 재배기간을 판단/산출하는 과정에서 이용될 수 있으나, 재배기간에 대한 정보가 반드시 필요한 것은 아니다.
도 12를 참조하면, 프로세서(110)는 제1 농산물의 종류에 따라 제1 농산물의 촬영 거리, 촬영 각도 및 촬영 이미지 개수 중 적어도 하나를 포함하는 촬영 조건을 도출한다.
프로세서(110)는 도출된 촬영 조건을 사용자 단말(200)로 제공한다.
프로세서(110)는 제1 품질 정보의 생성을 위해서 필요한 샘플(제1 농산물)의 개수를 산출하였으며, S300에서 도출하는 촬영 이미지 개수는 1개의 제1 농산물에 대하여 몇 개의 이미지를 촬영해야 하는지를 의미한다.
농산물을 정확하게 분석하기 위해서는 농산물의 전체 면적에 대한 이미지가 필요하기 때문에 이러한 과정을 거치게 되며, 농산물의 크기에 따라서 촬영 거리, 촬영 각도와 촬영 이미지 개수가 필요하게 된다.
일 실시예로, 프로세서(110)는 아래 수학식을 기반으로 농산물의 종류별로 필요한 촬영 이미지 개수를 산출할 수 있다.
(L / N) x P
L: 제1 농산물의 전체 표면적
N: 제1 농산물의 종류에 따른 기준 면적
P: 농산물의 종류별 이미지 중요도 가중치
몇몇 실시예에서, 프로세서(110)는 농산물로부터 특정 거리에서 해당 농산물의 전체 면적이 포함되도록 촬영을 요청할 수 있으며, 촬영 각도는 별도로 요청되지 않을 수 있다.
몇몇 실시예에서, 프로세서(110)는 촬영 이미지의 개수를 도출하지 않고, 농산물의 전체가 촬영된 촬영 영상을 요청할 수 있다.
일 실시예로, 프로세서(110)는 사용자 단말(200)로부터 농산물의 종류에 대한 정보가 수신되면, 촬영 조건을 도출할 수 있다. 하지만, 이에 한정되는 것은 아니며 프로세서(110)는 서비스 애플리케이션이 작동되면 사용자 단말(200)의 실시간 촬영 영상에서 농산물의 종류를 인식하고, 인식된 농산물의 종류와 크기를 기반으로 촬영 조건을 도출할 수 있다.
일 실시예로, 프로세서(110)는 촬영 조건이 사용자 단말(200)로 제공된 후에도 촬영 조건을 수정할 수 있다. 예를 들어, 농산물의 종류를 기반으로 농산물의 크기를 추정하고 필요한 촬영 거리를 산출하였으나, 사용자 단말(200)의 실시간 촬영 영상을 분석한 결과 실제 농산물의 크기가 다른 경우, 프로세서(110)는 실시간 촬영 영상 내 농산물의 크기를 기반으로 촬영 조건을 수정할 수 있다.
프로세서(110)는 사용자 단말(200)로부터 제1 농산물이 촬영된 적어도 하나의 제1 농산물 이미지를 수신할 수 있다.
도 13은 농산물에 대하여 촬영된 이미지 업로드를 요청하는 것을 예시한 도면이다.
프로세서(110)가 제1 농산물 이미지를 기반으로 제1 농산물의 결함 정보 및 제1 색상 정보를 산출할 수 있다.
프로세서(110)가 제1 농산물의 결함 정보 및 제1 색상 정보를 기반으로 제1 농산물의 품질을 나타내는 제1 품질 정보를 생성할 수 있다.
본 개시의 실시예에서, 품질 정보는 농산물의 크기를 포함하거나, 농산물의 크기를 고려하여 생성될 수 있다.
결함 정보는 제1 농산물에 대한 결함의 정도 또는 결함의 점수로 구성될 수 있으나, 결함에 대한 다양한 정보가 포함되도록 구성될 수도 있다.
예를 들어, 결함 정보는 농산물에 존재하는 적어도 하나의 결함에 대한 결함 종류, 결함 크기, 결함의 심각도에 따른 결함 점수, 농산물의 전체 면적 대비 결함의 크기 중 적어도 하나를 포함할 수 있다.
관리자는 사용자의 농가 현장을 방문하여 적어도 하나의 제2 농산물에 대하여 직접 체크하여 제2 품질 정보를 생성할 수 있다.
일 실시예로, 서버(100)는 관리자가 사용자의 농가 현장에서 적어도 하나의 제2 농산물에 대하여 직접 체크/측정한 제2 색상 정보 및 제2 당도의 값 중 적어도 하나를 수신할 수 있다.
프로세서(110)는, 관리자 단말(300)로부터 수신된 제2 색상 정보 및 제2 당도의 값 중 적어도 하나를 기반으로, 적어도 하나의 제2 농산물의 품질을 나타내는 제2 품질 정보를 생성할 수 있다.
사용자가 직접 측정한 데이터를 토대로 생성한 제1 품질 정보와 관리자가 방문하여 직접 측정한 데이터를 토대로 생성한 제2 품질 정보가 상이할 수 있기 때문에, 플랫폼을 운영하는 서버(100)는 1회 이상 또는 주기적으로 관리자를 파견하여 제2 품질 정보를 생성하도록 할 수 있다.
일 실시예로, 프로세서(110)는 적어도 1회 이상의 제2 품질 정보를 기반으로 상기 사용자의 농산물에 대한 보정 계수를 산출할 수 있다.
이와 같은 보정 계수는 플랫폼 서비스를 이용하는 사용자가 재배하는 농산물의 품질 측정을 표준화하기 위한 것일 수 있다.
프로세서(110)는, 보정 계수가 산출된 후 생성되는 제1 품질 정보에 보정 계수를 적용하여 최종 품질 정보를 생성할 수 있다.
일 실시예로, 제2 품질 정보는 사용자의 농가 현장에서 적어도 하나의 제2 농산물에 대하여 직접 측정된 제2 당도의 값을 포함할 수 있다.
본 개시의 실시예에서, 당도의 값은 제1 당도의 값, 제2 당도의 값 중 적어도 하나를 포함하며, 제1 당도의 값은 사용자 보유한 당도 측정기를 이용하여 사용자가 직접 측정한 것이고, 제2 당도의 값은 관리자가 사용자의 농가를 방문하여 당도 측정기를 이용하여 관리자가 직접 측정한 것이다.
일 실시예로, 통신 모듈(120)는 상기 적어도 하나의 제1 농산물에 대하여 사용자의 당도 측정기를 통해 직접 측정된 제1 당도의 값을 수신할 수 있다.
이때, 당도 측정을 반드시 제1 농산물에 대하여 진행해야 되는 것은 아니지만, 품질 정보의 일관성을 위해서 제1 농산물에 대하여 당도를 측정하도록 권장될 수 있다. 몇몇 실시예에서, 프로세서(110)는 사용자가 재배하는 농산물 중 기 설정된 개수의 농산물에 대하여 당도를 측정하도록 요청할 수 있다.
프로세서(110)는 제1 농산물의 종류, 수신된 제1 당도의 값, 제1 농산물의 제철 정보 및 산출된 제1 색상 정보를 기반으로 제1 농산물의 당도 등급을 산출할 수 있다.
일 실시예로, 제1 농산물이 수확된 농산물인 경우, 프로세서(110)는 제1 농산물의 종류, 상기 수신된 제1 당도의 값, 상기 산출된 제1 색상 정보를 기반으로 제1 농산물의 예상 당도 등급을 산출할 수 있다.
일 실시예로, 제1 농산물이 재배 중인 농산물인 경우, 프로세서(110)는 제1 농산물의 종류, 상기 수신된 제1 당도의 값, 제1 농산물의 제철 정보, 상기 제1 농산물의 현재까지의 재배기간 및 상기 산출된 제1 색상 정보 중 적어도 하나를 기반으로 제1 농산물의 예상 당도 등급을 산출할 수 있다.
제1 농산물이 수확된 농산물인 경우, 당도가 거의 확정된 상태일 수 있으므로, 위와 같은 프로세스로 진행되며, 제1 농산물이 현재 재배 중인 농산물인 경우 수확기 때 실제 당도가 달라질 수 있으므로, 제철 정보와 현재까지의 재배기간을 더하여 예상 당도 등급을 산출하게 된다.
프로세서(110)는 제1 당도의 값과 제2 당도의 값이 임계값 이상 차이나는 경우, 제2 당도의 값을 기반으로 사용자의 당도 측정기에 대한 보정 계수를 산출할 수 있다.
프로세서(110)는 사용자의 당도 측정기에 대한 보정 계수가 산출된 후 수신되는 제1 당도의 값에 보정 계수를 적용하여 제1 당도의 값을 보정할 수 있다.
당도 측정기의 종류에 따라 측정되는 당도의 값이 다를 수 있으므로, 서버(100)는 위와 같은 실시예를 통해서 당도 측정을 표준화할 수 있다.
일 실시예로, 프로세서(110)는 사용자 단말(200)로부터 사용자가 사용하는 당도 측정기에 대한 정보(예: 브랜드, 제품명 등)가 수신되면 수신된 정보를 기반으로 사용자의 당도 측정기에 대한 보정 계수를 산출할 수 있다.
일 실시예로, 프로세서(110)는 재배 중인 제1 농산물에 대하여 예상 당도 등급이 산출된 후 수확된 제1 농산물에 대하여 예상 당도 등급이 산출되면, 재배기간 동안의 기상 조건과 예상 당도 등급의 변화량을 인공지능 모델(111)에 입력하여 학습시킬 수 있다.
이러한 학습이 반복됨에 따라서 인공지능 모델(111)은 재배 중인 농산물에 대하여 보다 정확하게 예상 당도 등급을 산출할 수 있게 된다. 일 실시예로, 프로세서(110)는 재배 중인 농산물에 대한 예상 당도 등급을 산출할 때 예상 기상 조건을 함께 입력할 수 있다.
본 개시의 실시예에서, 메모리(150)는 농산물의 종류별로 색상 정보에 따른 색상 등급이 저장되어 있을 수 있다.
프로세서(110)는 산출된 제1 색상 정보를 기반으로, 제1 농산물의 색상 등급을 판단할 수 있으며, 결함 정보, 색상 등급 및 제1 당도의 값 중 적어도 하나를 기반으로 제1 품질 정보를 생성할 수 있다.
일 실시예로, 프로세서(110)는 사용자 단말(200)로부터 제1 농산물에 대한 산도 정보를 수신할 수 있으며, 결함 정보, 색상 등급, 산도 정보 및 제1 당도의 값 중 적어도 하나를 기반으로 제1 품질 정보를 생성할 수 있다.
일 실시예로, 프로세서(110)는 서버(100)에 접속하여 농산물을 필요로 하는 바이어(소비자)로부터 구매를 원하는 품질 정보에 대한 입력을 요청할 수 있다.
이때, 소비자로부터 입력받는 정보는 수요 농산물 종류, 농산물의 품질 등급, 농산물의 크기 등을 포함할 수 있다.
일 실시예로, 프로세서(110)는 산출된 제1 품질 정보를 서버(100)에 등록된 소비자로부터 설정된 품질 정보에 매칭하여 생산자(사용자)와 소비자(바이어)를 매칭할 수 있다.
프로세서(110)는 제1 농산물이 수확된 농산물인 경우 소비자(바이어)에게 즉시 구매 기능을 제공할 수 있으며, 제1 농산물이 재배 중인 농산물인 경우 소비자(바이어)에게 구매 예약 기능을 제공할 수 있다.
프로세서(110)는 구매 예약 기능을 제공할 때, 제1 농산물에 대하여 산출된 예상 수확시기를 안내할 수 있다.
도 14는 농산물의 색상 정보 중 균일도 산출을 위해 농산물의 전체 영역을 복수 개의 영역으로 구획한 것을 예시한 도면이다.
메모리(150)는 농산물의 종류별로 색상 정보의 중요도가 저장되어 있으며, 추가적인 실시예로 농산물의 종류별로 색상에 대한 균일도의 중요도가 저장되어 있다.
일 예로, 농산물의 종류별로 색상 정보, 색상 균일도에 따라 당도 가중치가 설정될 수 있으며, 산출된 당도 등급을 보정할 수 있다.
일 예로, 농산물의 색상이 농산물의 맛과 크게 직결되지 않는다 하여도, 색상에 따라 미관상 보기 좋을 수 있고 소비자의 기호를 충족할 수 있으므로, 적어도 일부의 농산물은 농산물의 종류별로 색상 정보, 색상 균일도에 따라 품질 정보 가중치가 설정될 수 있다.
예를 들어, 아주 빨간색과 아주 노란색이 섞여 있는 사과와 보통의 빨간색 사과가 평균적인 색상 정보는 동일하게 산출될 수 있지만, 색상의 균일도는 현저하게 차이나게 되고, 소비자가 보기에 균일도가 좋은 보통의 빨간색 사과를 선호할 수 있기 때문이다.
예를 들어, 사과, 대추, 토마토, 호박과 같은 농산물은 색상에 대한 균일도의 중요도가 다른 농산물보다 높을 수 있다.
프로세서(110)는 제1 농산물의 이미지를 기반으로 제1 농산물의 전체면에 대한 평균 색상값을 산출할 수 있으며, 예를 들어 RGB 값을 이용하여 제1 평균 색상값을 산출할 수 있다.
프로세서(110)는 제1 농산물의 이미지를 기반으로 제1 농산물의 전체면을 복수 개의 영역으로 분할할 수 있으며, 분할된 복수 개의 영역 각각에 대한 제2 평균 색상값을 산출할 수 있다.
프로세서(110)는 제1 평균 색상값으로부터 제2 평균 색상값의 분포를 기반으로 제1 농산물에 대한 색상 균일도를 산출할 수 있다.
도 15는 인공지능 모델(111)이 농산물의 이미지 분석에 따라 농산물의 현재 재배기간을 판단하고, 이에 따라 예상 수확시기와 농산물을 재배하는데 필요한 재배 콘텐츠를 추출하는 것을 예시한 도면이다.
도 15를 참조하면, 참조하면, 서버(100)는 인공지능 모델(111)에 제1 농산물의 이미지를 입력하여 예상 수확시기를 산출하고, 농산물의 재배를 위한 콘텐츠를 추출하여 사용자에게 제공할 수 있다.
일 실시예로, 프로세서(110)는 제1 농산물이 재배 중인 농산물인 경우, 제1 농산물에 대한 색상 균일도를 산출하고, 제1 농산물의 종류와 상기 산출된 제1 색상 정보 및 상기 산출된 색상 균일도를 기반으로 농산물의 예상 수확시기를 산출할 수 있다.
인공지능 모델(111)은 농산물의 종류별로 재배기간에 따른 농산물 이미지가 입력되어 미리 학습되어 있다. 따라서, 인공지능 모델(111)은 농산물의 종류, 색상 정보, 색상 균일도가 입력되면, 예상 수확시기를 산출할 수 있다.
그리고, 프로세서(110)는 산출된 예상 수확시기를 사용자 단말(200)로 제공하여 정보를 제공할 수 있다.
이 과정에서, 서버(100)는 사용자가 직접 입력한 재배기간에 대한 정보를 이용할 수도 있다.
일 실시예로, 메모리(150)는 농산물의 종류별로 분류된 재배기간 별로 농산물의 재배를 위해 필요한 적어도 하나의 농산물 재배 콘텐트가 저장되어 있다.
프로세서(110)는 제1 농산물의 종류와 상기 산출된 제1 색상 정보 및 상기 산출된 색상 균일도를 기반으로, 제1 농산물이 해당하는 재배기간을 판단할 수 있다.
본 개시의 실시예에서, 프로세서(110)가 판단하는 재배기간은 제1 농산물이 파종된 후 여태까지의 실제 재배기간을 의미할 수도 있지만, 서버(100)에서 농산물의 표준화 작업을 위한 재배기간일 수도 있다. 즉, 프로세서(110)가 판단/산출하는 재배기간이 반드시 실제 재배일수를 의미하는 것은 아니다.
본 개시의 실시예에서, 재배기간은 재배구간을 의미할 수도 있으며, 파종부터 수확까지의 기간이 복수의 구간으로 구획되고, 프로세서(110)는 제1 농산물이 현재 어느 재배구간에 해당하는지 판단할 수 있다.
일 실시예로, 사용자 단말(200)로부터 실제 재배기간이 입력된 경우, 프로세서(110)는 산출된 재배기간과 실제 재배기간의 차이를 기반으로 제1 농산물에 대한 미숙도를 산출할 수 있다.
프로세서(110)는 실제 재배기간과 산출된 재배기간이 기 설정된 기준 이상 차이나거나, 미숙도가 임계치를 초과하는 경우, 미숙도를 해결할 수 있는 적어도 하나의 콘텐트를 추출하여 사용자 단말(200)로 제공하고, 예상 수확시기를 재산출할 수 있다.
메모리(150)는 농산물의 종류별로 재배기간별로 재배하는데 필요한 적어도 하나의 농산물 재배 콘텐트가 저장되어 있으며, 각각의 콘텐트는 검색의 용이성을 위해서 적어도 하나의 태그가 저장되어 있을 수 있다.
농산물을 재배하는 사용자의 경험, 경력, 실력, 장비 등에 따라서 필요한 농산물 재배 콘텐트가 다를 수 있으므로, 사용자의 정보를 기반으로 태그를 검색하여 사용자에게 맞춤형 콘텐트를 추출하여 제공할 수 있다.
일 실시예로, 프로세서(110)는 아래와 같은 알고리즘을 이용하여 제1 농산물에 대한 결함 점수를 산출할 수 있다.
농산물의 결함 점수 = ( B x C / A ) x D
A: 농산물의 전체 표면적
B: 농산물의 결함 종류별 면적
C: 농산물의 결함 종류별 가중치
D: 농산물의 종류별 결함 중요도 가중치
일 실시예로, 농산물 종류에 따라 결함 종류별로 심각도가 상이할 수 있다.
해당 케이스에서, 적어도 하나의 특정 농산물은 특정 결함이 전체 표면적 대비 일정 비율 이상 포함되어 있는 경우, 해당 농산물의 결함 점수가 0점 처리될 수 있다.
일 실시예로, 농산물의 종류에 따라 결함 자체의 심각도가 상이할 수 있다.
특정 농산물은 결함에 민감하고, 특정 농산물은 다른 농산물에 비하여 결함에 대한 민감도가 떨어질 수 있다.
도 16 및 도 17은 농산물 자동 촬영 장치를 예시한 도면이다.
도 16 및 도 17을 참조하면, 본 개시의 실시예에서 농산물 품질 관리 서비스 제공 시스템(10)은 제1 농산물 이미지를 자동으로 촬영할 수 있는 농산물 자동 촬영 장치(400)를 더 포함할 수 있다.
농산물 자동 촬영 장치(400)는 작동을 위한 프로세서, 단말(200)과 통신 연결되기 위한 통신 모듈, 농산물 자동 촬영 장치(400)의 작동 알고리즘이 저장된 메모리, 농산물이 올려놓아지는 선반(420), 선반(420)에 놓아진 농산물을 회전시키는 롤러(430), 일단이 선반(420)에 결합되고 타단에 단말(200)이 장착되는 거치대형 암(410, arm)을 포함할 수 있다.
농산물 자동 촬영 장치(400)의 프로세서, 통신 모듈 및 메모리는 선반 내부에 구비될 수 있다.
단말(200)과 농산물 자동 촬영 장치(400)를 근거리 통신으로 연결하고, 선반(420)에 제1 농산물을 놓은 다음 단말(200)의 서비스 애플리케이션을 작동시키면, 프로세서는 단말(200)의 촬영 화면 상의 제1 농산물을 인식할 수 있다.
프로세서는 단말(200)의 촬영 화면 상의 제1 농산물의 종류와 크기를 인식하고, 제1 품질 정보 생성을 위해 필요한 샘플의 개수를 산출하고, 제1 농산물의 촬영을 위한 촬영 조건(촬영 거리, 촬영 이미지 개수 등)을 도출할 수 있다.
프로세서는 선반(420)의 제1 농산물과 단말(200)의 카메라의 거리가 도출된 촬영 거리만큼 이격되도록 암(410, arm)을 제어할 수 있다.
프로세서는 촬영 거리만큼 암(410, arm)이 조정되면, 기 설정된 속도로 롤러(430)를 회전시켜 선반(420)의 농산물이 회전되도록 하고, 단말(200)의 카메라를 작동하여 제1 농산물 이미지를 획득할 수 있다.
프로세서는 통신 모듈을 제어하여 촬영된 제1 농산물 이미지를 서버(100)로 전송할 수 있다.
몇몇 실시예에서, 프로세서는 농산물 이미지의 표준화를 위해서 카메라의 배율과 밝기, 색상 등을 함께 조절할 수도 있다.
이와 같은 농산물 자동 촬영 장치(400)를 이용하게 되면, 사용자가 별도의 촬영 가이드를 숙지하고, 촬영 조건에 따라 촬영하지 않아도 자동으로 제1 농산물에 대한 이미지를 촬영하여 서버(100)로 전송할 수 있는 효과를 발휘하게 된다.
몇몇 실시예에서, 서버(100)는 제1 서버(500)로부터 수신된 사용자(생산자)의 재배 현황 정보와 제2 서버(600)로부터 수신된 기상 정보를 이용하여 농산물의 예상 시세를 산출하며, 사용자(생산자, 판매자)를 위한 농산물 판매 전략, 재배 추천 정보를 제공하고, 사용자(소비자, 구매자)를 위한 농산물 구매 전략을 제공할 수 있다.
이상에서 전술한 본 개시의 일 실시예에 따른 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
본 개시의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 개시의 실시예를 설명하였지만, 본 개시가 속하는 기술분야의 통상의 기술자는 본 개시가 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
10: 농산물의 가격 예측 시스템
100: 농산물의 가격 예측 서버
110: 프로세서
111: 인공지능 모델
116: 처리 모듈
130: 통신 모듈
150: 메모리
200: 사용자 단말
300: 관리자 단말
400: 농산물 자동 촬영 장치
500: 제1 서버
600: 제2 서버
100: 농산물의 가격 예측 서버
110: 프로세서
111: 인공지능 모델
116: 처리 모듈
130: 통신 모듈
150: 메모리
200: 사용자 단말
300: 관리자 단말
400: 농산물 자동 촬영 장치
500: 제1 서버
600: 제2 서버
Claims (10)
- 농산물의 유통채널에 대한 정보가 저장된 메모리;
농산물의 출하 정보 및 품질 정보를 제공하는 제1 서버와 통신하는 통신 모듈; 및
상기 출하 정보 및 상기 품질 정보가 반영되도록 상기 농산물의 품종별로 기 설정된 복수의 서로 다른 시점에 대한 예상 가격을 산출하는 프로세서를 포함하며,
상기 프로세서는,
상기 제1 서버로부터 수신된 상기 농산물의 산지, 출하지 및 유통 경로를 기반으로, 상기 농산물의 산지에 대한 표기 오류를 검출하고, 상기 산지에 대한 표기 오류가 검출된 경우 상기 유통 경로를 기반으로 상기 표기 오류를 정정하고,
상기 농산물의 품종별 유통 시즌 및 기간별 거래 비중을 기반으로 상기 기 설정된 복수의 시점에 대한 예상 가격을 산출하고,
상기 농산물을 재배하는 사용자의 단말로부터 상기 사용자가 재배하는 사용자 농산물에 대한 농산물 이미지가 수신되는 경우, 상기 농산물 이미지를 인공지능 모델을 기반으로 분석하여 상기 농산물 이미지에 포함된 농산물의 품질을 나타내는 제1 품질 정보를 생성하되, 상기 제1 품질 정보는 상기 농산물의 당도, 결함 정보 및 색상 정보를 포함하고, 상기 결함 정보는 상기 농산물의 착색불량, 상처, 멍, 열과, 병해, 충해 및 찍힘 중 적어도 하나에 대한 결함을 나타내는 정보이고,
상기 출하 정보 및 상기 제1 품질 정보를 기반으로 상기 농산물의 품종별로 기 설정된 복수의 서로 다른 시점에 대한 예상 가격을 산출하고,
상기 사용자의 당도 측정기에 의해 측정된 상기 사용자 농산물의 제1 당도값에 대한 제1 정보가 상기 통신 모듈을 통해 수신된 경우, 상기 사용자 농산물의 종류, 상기 제1 당도값, 상기 사용자 농산물의 제철 정보 및 상기 색상 정보를 기반으로 상기 사용자 농산물의 당도 등급을 산출하고,
상기 사용자의 농가 현장에서 파견된 관리자의 당도 측정기에 의해 측정된 상기 사용자 농산물의 제2 당도값에 대한 제2 정보 및 상기 관리자에 의해 직접 체크되어 생성된 상기 사용자 농산물에 대한 제2 품질 정보가 상기 통신 모듈을 통해 수신된 경우, 상기 제2 품질 정보를 기반으로 상기 사용자 농산물의 품질 측정 표준화를 위한 제1 보정 계수를 산출하고,
상기 제1 보정 계수가 산출된 후 생성되는 상기 제1 품질 정보에 상기 제1 보정 계수를 적용하여 최종 품질 정보를 생성하고,
상기 제1 당도값 및 상기 제2 당도값이 임계값 이상 차이나는 경우, 상기 제2 당도값을 기반으로 상기 사용자의 당도 측정기에 대한 제2 보정 계수를 산출하고,
상기 제2 보정 계수가 산출된 후 수신되는 상기 제1 당도값에 상기 제2 보정 계수를 적용하여 상기 제1 당도값을 보정하고,
과거의 기 설정된 기간 동안의 상기 농산물의 공급량과 관련된 데이터를 기반으로 상기 농산물의 품종별 거래 활발 시즌을 예측하며,
상기 농산물의 거래량에 대한 변화량이 증가한 후 상기 변화량이 적은 상태로 유지되는 기간을 거래 활발 기간으로 판단하되, 상기 농산물의 품종별로 상기 거래 활발 기간의 이전과 이후 중 적어도 하나에 기 설정된 기간을 포함하여 상기 거래 활발 기간을 결정하는,
농산물에 대한 수요, 공급 데이터 기반의 가격 예측 서버.
- 제1항에 있어서,
상기 프로세서는,
상기 농산물의 유통 채널별 및 유통 단계별 예상 가격을 산출하는 것을 특징으로 하는,
농산물에 대한 수요, 공급 데이터 기반의 가격 예측 서버.
- 삭제
- 삭제
- 제1항에 있어서,
상기 프로세서는,
기 설정된 영향 조건을 기반으로 상기 농산물의 품종별 예상 가격을 산출하며,
상기 영향 조건은, 상기 농산물의 품종별 재배 면적, 재배 비용, 상기 농산물의 재배 기간 동안의 기상 정보 중 적어도 하나를 포함하고,
상기 농산물의 품종별 특성을 기반으로 각 영향 조건에 가중치가 설정된 것을 특징으로 하는,
농산물에 대한 수요, 공급 데이터 기반의 가격 예측 서버.
- 삭제
- 제1항에 있어서,
상기 프로세서는,
상기 통신 모듈을 통해 상기 사용자가 재배 중이거나 또는 수확한 농산물의 종류 및 재배량에 대한 제3 정보가 수신되면, 상기 제3 정보를 기반으로, 상기 제1 품질 정보의 생성을 위해 필요한 샘플의 개수를 산출하고,
상기 통신 모듈을 통해 상기 산출된 샘플 개수에 대한 제4 정보를 상기 사용자의 단말로 송신하여, 상기 제4 정보를 기반으로 상기 산출된 샘플 개수만큼의 농산물의 이미지를 촬영하고, 상기 촬영된 농산물 이미지를 상기 통신 모듈로 전송하도록 요청하는,
농산물에 대한 수요, 공급 데이터 기반의 가격 예측 서버.
- 삭제
- 서버에 의해 수행되는 방법으로,
제1 서버로부터 농산물의 출하 정보 및 품질 정보를 수신하는 단계;
상기 출하 정보 및 상기 품질 정보를 기반으로 상기 농산물의 품종별로 기 설정된 복수의 서로 다른 시점에 대한 예상 가격을 산출하는 단계;
상기 제1 서버로부터 수신된 상기 농산물의 산지, 출하지 및 유통 경로를 기반으로, 상기 농산물의 산지에 대한 표기 오류를 검출하는 단계; 및
상기 산지에 대한 표기 오류가 검출된 경우 상기 유통 경로를 기반으로 상기 표기 오류를 정정하는 단계를 포함하며,
상기 예상 가격을 산출하는 단계는,
상기 농산물의 품종별 유통 시즌 및 기간별 거래 비중을 기반으로 상기 기 설정된 복수의 시점에 대한 예상 가격을 산출하고,
상기 서버는,
상기 농산물을 재배하는 사용자의 단말로부터 상기 사용자가 재배하는 사용자 농산물에 대한 농산물 이미지가 수신되는 경우, 상기 농산물 이미지를 인공지능 모델을 기반으로 분석하여 상기 농산물 이미지에 포함된 농산물의 품질을 나타내는 제1 품질 정보를 생성하되, 상기 제1 품질 정보는 상기 농산물의 당도, 결함 정보 및 색상 정보를 포함하고, 상기 결함 정보는 상기 농산물의 착색불량, 상처, 멍, 열과, 병해, 충해 및 찍힘 중 적어도 하나에 대한 결함을 나타내는 정보이고,
상기 출하 정보 및 상기 제1 품질 정보를 기반으로 상기 농산물의 품종별로 기 설정된 복수의 서로 다른 시점에 대한 예상 가격을 산출하고,
상기 사용자의 당도 측정기에 의해 측정된 상기 사용자 농산물의 제1 당도값에 대한 제1 정보가 통신 모듈을 통해 수신된 경우, 상기 사용자 농산물의 종류, 상기 제1 당도값, 상기 사용자 농산물의 제철 정보 및 상기 색상 정보를 기반으로 상기 사용자 농산물의 당도 등급을 산출하고,
상기 사용자의 농가 현장에서 파견된 관리자의 당도 측정기에 의해 측정된 상기 사용자 농산물의 제2 당도값에 대한 제2 정보 및 상기 관리자에 의해 직접 체크되어 생성된 상기 사용자 농산물에 대한 제2 품질 정보가 상기 통신 모듈을 통해 수신된 경우, 상기 제2 품질 정보를 기반으로 상기 사용자 농산물의 품질 측정 표준화를 위한 제1 보정 계수를 산출하고,
상기 제1 보정 계수가 산출된 후 생성되는 상기 제1 품질 정보에 상기 제1 보정 계수를 적용하여 최종 품질 정보를 생성하고,
상기 제1 당도값 및 상기 제2 당도값이 임계값 이상 차이나는 경우, 상기 제2 당도값을 기반으로 상기 사용자의 당도 측정기에 대한 제2 보정 계수를 산출하고,
상기 제2 보정 계수가 산출된 후 수신되는 상기 제1 당도값에 상기 제2 보정 계수를 적용하여 상기 제1 당도값을 보정하고,
과거의 기 설정된 기간 동안의 상기 농산물의 공급량과 관련된 데이터를 기반으로 상기 농산물의 품종별 거래 활발 시즌을 예측하며,
상기 농산물의 거래량에 대한 변화량이 증가한 후 상기 변화량이 적은 상태로 유지되는 기간을 거래 활발 기간으로 판단하되, 상기 농산물의 품종별로 상기 거래 활발 기간의 이전과 이후 중 적어도 하나에 기 설정된 기간을 포함하여 상기 거래 활발 기간을 결정하는,
농산물에 대한 수요, 공급 데이터 기반의 가격 예측 방법.
- 하드웨어인 컴퓨터와 결합되어, 제9항의 방법을 실행시키기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220189596A KR102525542B1 (ko) | 2022-12-29 | 2022-12-29 | 인공지능 기반으로 농산물에 대한 수요, 공급 데이터 기반의 가격을 예측하는 서버, 방법 및 프로그램 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220189596A KR102525542B1 (ko) | 2022-12-29 | 2022-12-29 | 인공지능 기반으로 농산물에 대한 수요, 공급 데이터 기반의 가격을 예측하는 서버, 방법 및 프로그램 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102525542B1 true KR102525542B1 (ko) | 2023-04-26 |
Family
ID=86099626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220189596A KR102525542B1 (ko) | 2022-12-29 | 2022-12-29 | 인공지능 기반으로 농산물에 대한 수요, 공급 데이터 기반의 가격을 예측하는 서버, 방법 및 프로그램 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102525542B1 (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777306A (zh) * | 2023-08-21 | 2023-09-19 | 山东青鸟工业互联网有限公司 | 一种基于大数据的质量管理系统、方法、设备及介质 |
KR102586532B1 (ko) * | 2023-06-30 | 2023-10-10 | (주)에이치케이소아 | 가격 변동성의 예측 기반 농수산 식품 온라인 판매플랫폼 서비스 제공 방법, 장치 및 시스템 |
KR102698000B1 (ko) * | 2023-10-05 | 2024-08-22 | 김동우 | 수산자원 물동량 기반 수산물 시세 예측 장치 및 방법 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150030811A (ko) * | 2013-09-12 | 2015-03-23 | 이민경 | 원산지 인증 및 구매 방법 |
KR20160037290A (ko) * | 2014-09-26 | 2016-04-06 | 한국교통대학교산학협력단 | 온라인 농산물 가격 예측 방법 및 시스템 |
KR20200080156A (ko) | 2018-12-26 | 2020-07-06 | 인제대학교 산학협력단 | 농작물의 소득 예측시스템 및 그의 예측방법 |
KR102254772B1 (ko) * | 2020-07-21 | 2021-05-20 | 장세훈 | 농산물 매매가격 제시 방법 및 시스템 |
KR102448123B1 (ko) * | 2022-01-14 | 2022-09-27 | 그린데이터랩 주식회사 | 농산물 신선도 예측 방법 및 장치 |
-
2022
- 2022-12-29 KR KR1020220189596A patent/KR102525542B1/ko active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150030811A (ko) * | 2013-09-12 | 2015-03-23 | 이민경 | 원산지 인증 및 구매 방법 |
KR20160037290A (ko) * | 2014-09-26 | 2016-04-06 | 한국교통대학교산학협력단 | 온라인 농산물 가격 예측 방법 및 시스템 |
KR20200080156A (ko) | 2018-12-26 | 2020-07-06 | 인제대학교 산학협력단 | 농작물의 소득 예측시스템 및 그의 예측방법 |
KR102254772B1 (ko) * | 2020-07-21 | 2021-05-20 | 장세훈 | 농산물 매매가격 제시 방법 및 시스템 |
KR102448123B1 (ko) * | 2022-01-14 | 2022-09-27 | 그린데이터랩 주식회사 | 농산물 신선도 예측 방법 및 장치 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102586532B1 (ko) * | 2023-06-30 | 2023-10-10 | (주)에이치케이소아 | 가격 변동성의 예측 기반 농수산 식품 온라인 판매플랫폼 서비스 제공 방법, 장치 및 시스템 |
CN116777306A (zh) * | 2023-08-21 | 2023-09-19 | 山东青鸟工业互联网有限公司 | 一种基于大数据的质量管理系统、方法、设备及介质 |
CN116777306B (zh) * | 2023-08-21 | 2023-11-07 | 山东青鸟工业互联网有限公司 | 一种基于大数据的质量管理系统、方法、设备及介质 |
KR102698000B1 (ko) * | 2023-10-05 | 2024-08-22 | 김동우 | 수산자원 물동량 기반 수산물 시세 예측 장치 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102525542B1 (ko) | 인공지능 기반으로 농산물에 대한 수요, 공급 데이터 기반의 가격을 예측하는 서버, 방법 및 프로그램 | |
KR102547465B1 (ko) | 인공지능 기반의 농산물의 품종별 수확기 시세 예측 서비스 제공 서버, 방법 및 프로그램 | |
US20210209705A1 (en) | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain | |
KR102474909B1 (ko) | 컴퓨팅 장치가 인공 신경망에 기반한 예측 모델을 이용하여 친환경 작물 관련 정보를 출력하는 방법 및 이를 위한 장치 | |
US20220309595A1 (en) | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain | |
CN108596657A (zh) | 树木价值预测方法、装置、电子设备及存储介质 | |
KR102562844B1 (ko) | 농산물의 구매자와 판매자 간의 정방향 및 역방향 경매 서비스를 제공하는 서버, 방법 및 프로그램 | |
US20210256631A1 (en) | System And Method For Digital Crop Lifecycle Modeling | |
Yang et al. | Assessment of grain harvest moisture content using machine learning on smartphone images for optimal harvest timing | |
WO2021081428A1 (en) | Agricultural systems and platforms | |
Morales-García et al. | A multi-model deep learning approach to address prediction imbalances in smart greenhouses | |
Morales-García et al. | Evaluation of synthetic data generation for intelligent climate control in greenhouses | |
KR102525537B1 (ko) | 인공지능 기반으로 농산물 이미지를 분석하여 농산물의 품질 관리 서비스를 제공하는 서버, 방법 및 프로그램 | |
KR102535399B1 (ko) | 농산물의 속성 데이터를 기반으로 판매자와 구매자 매칭 서비스를 제공하는 서버, 방법 및 프로그램 | |
Asy'ari et al. | Growth predictions of lettuce in hydroponic farm using autoregressive integrated moving average model | |
Newlands | Artificial intelligence and Big Data analytics in vineyards: A review | |
Sahoo et al. | Predictive Farmland Optimization and Crop Monitoring Using Artificial Intelligence Techniques | |
Vidanapathirana et al. | Pomegranate Farming Monitoring System | |
Chen et al. | Dynamic comprehensive quality assessment of post-harvest grape in different transportation chains using SAHP–CatBoost machine learning | |
Singh et al. | A tool for climate smart crop insurance: Combining farmers’ pictures with dynamic crop modelling for accurate yield estimation prior to harvest | |
Fondaj et al. | PROPOSAL OF MODEL FOR PREDICTION OF GRAPE PROCESSING AND SPRAYING TIME BY USING IOT SMART AGRICULTURE SENSOR DATA. | |
KR102656289B1 (ko) | 공병 수거 및 교환 시스템 및 서버 | |
Bester | Development of a toolkit for the evaluation and improvement of commercial citrus supply prediction methods | |
Ngandee et al. | Improved information dissemination services for the agricultural sector in Thailand: development and evaluation of a machine learning based rice crop yield prediction system | |
KR102620199B1 (ko) | 인공지능 기반 노지 농작물 유통 가격 예측 정보 플랫폼운영 서버 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |