KR102631597B1 - 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출방법 및 재배관리 시스템 - Google Patents
엽록소 형광값을 이용한 딸기의 스트레스 지수 산출방법 및 재배관리 시스템 Download PDFInfo
- Publication number
- KR102631597B1 KR102631597B1 KR1020230084281A KR20230084281A KR102631597B1 KR 102631597 B1 KR102631597 B1 KR 102631597B1 KR 1020230084281 A KR1020230084281 A KR 1020230084281A KR 20230084281 A KR20230084281 A KR 20230084281A KR 102631597 B1 KR102631597 B1 KR 102631597B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- strawberry
- growth
- chlorophyll fluorescence
- cultivation environment
- Prior art date
Links
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 141
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 141
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 title claims abstract description 141
- 235000016623 Fragaria vesca Nutrition 0.000 title claims abstract description 89
- 235000011363 Fragaria x ananassa Nutrition 0.000 title claims abstract description 89
- 238000004364 calculation method Methods 0.000 title description 54
- 244000307700 Fragaria vesca Species 0.000 title 1
- 241000220223 Fragaria Species 0.000 claims abstract description 163
- 230000012010 growth Effects 0.000 claims abstract description 126
- 238000012921 fluorescence analysis Methods 0.000 claims abstract description 92
- 235000021012 strawberries Nutrition 0.000 claims abstract description 75
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000013480 data collection Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 20
- 235000015097 nutrients Nutrition 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000003973 irrigation Methods 0.000 claims description 4
- 230000002262 irrigation Effects 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 2
- 230000035882 stress Effects 0.000 description 155
- 241000196324 Embryophyta Species 0.000 description 22
- 238000007726 management method Methods 0.000 description 21
- 230000015654 memory Effects 0.000 description 13
- 230000007613 environmental effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 108010060806 Photosystem II Protein Complex Proteins 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- FKUYMLZIRPABFK-UHFFFAOYSA-N Plastoquinone 9 Natural products CC(C)=CCCC(C)=CCCC(C)=CCCC(C)=CCCC(C)=CCCC(C)=CCCC(C)=CCCC(C)=CCCC(C)=CCC1=CC(=O)C(C)=C(C)C1=O FKUYMLZIRPABFK-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- FKUYMLZIRPABFK-IQSNHBBHSA-N plastoquinone-9 Chemical compound CC(C)=CCC\C(C)=C\CC\C(C)=C\CC\C(C)=C\CC\C(C)=C\CC\C(C)=C\CC\C(C)=C\CC\C(C)=C\CC\C(C)=C\CC1=CC(=O)C(C)=C(C)C1=O FKUYMLZIRPABFK-IQSNHBBHSA-N 0.000 description 2
- 238000006862 quantum yield reaction Methods 0.000 description 2
- 238000006722 reduction reaction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 244000153517 Fragaria chiloensis Species 0.000 description 1
- 235000012652 Fragaria chiloensis Nutrition 0.000 description 1
- 240000006251 Fragaria virginiana Species 0.000 description 1
- 235000012660 Fragaria virginiana Nutrition 0.000 description 1
- 235000004789 Rosa xanthina Nutrition 0.000 description 1
- 241000220222 Rosaceae Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000002073 fluorescence micrograph Methods 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000027756 respiratory electron transport chain Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000002786 root growth Effects 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
- A01G22/05—Fruit crops, e.g. strawberries, tomatoes or cucumbers
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/645—Specially adapted constructive features of fluorimeters
- G01N21/6456—Spatial resolved fluorescence measurements; Imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/025—Fruits or vegetables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Botany (AREA)
- Environmental Sciences (AREA)
- Business, Economics & Management (AREA)
- Food Science & Technology (AREA)
- Biomedical Technology (AREA)
- Optics & Photonics (AREA)
- Ecology (AREA)
- Medicinal Chemistry (AREA)
- Artificial Intelligence (AREA)
- Biodiversity & Conservation Biology (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)
- Forests & Forestry (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
Abstract
본 발명은 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 방법 및 재배관리 시스템에 관한 것으로, 상기 방법은 데이터 수집부를 통해, 엽록소 형광분석 기기와 연동하여 딸기에 대한 형광분석 이미지를 포함하는 엽록소 형광분석 데이터를 수집하는 단계; 상기 데이터 수집부를 통해, 상기 딸기의 생육 이미지를 포함하고 상기 엽록소 형광분석 데이터와 매칭되는 상기 딸기의 생육 단계에 관한 생육 데이터를 지상부 및 지하부 각각으로 구분하여 수집하는 단계; 상기 데이터 수집부를 통해, 상기 딸기의 생육 과정에서 상기 지상부 및 지하부 각각의 재배환경 조건에 관한 재배환경 데이터를 수집하는 단계; 모델 구축부를 통해, 상기 딸기와 연관된 엽록소 형광분석 데이터와 함께 상기 지상부 및 지하부로 구분된 생육 데이터 및 상기 재배환경 데이터를 학습하여 상기 지상부 및 지하부 각각의 생육 단계와 재배환경 조건에 따른 상기 딸기의 스트레스 지수를 예측하는 인공지능(AI) 모델을 구축하는 단계; 및 스트레스 지수 예측부를 통해, 상기 인공지능 모델을 이용하여 현재 재배 중인 딸기의 생육 단계 및 재배환경 조건에 따른 스트레스 지수를 예측하는 단계;를 포함한다.
Description
본 발명은 스트레스 관리 기술에 관한 것으로, 보다 상세하게는 스트레스에 민감한 딸기의 특성을 고려하여 딸기 스트레스의 객관적인 정량지표를 식물체의 엽록소 형광분석과 생육 데이터 및 이미지, 그리고 재배환경 데이터를 기반으로 도출하여 활용하는 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 방법 및 재배관리 시스템에 관한 것이다.
딸기는 장미과에 속하는 다년생 식물에 해당하며, 현재 세계에서 재배되고 있는 딸기는 남아메리카 야생종인 프라가리아 칠로엔시스(Fragaria chiloensis)와 북아메리카 야생종인 프라가리아 버지니아나(Fragaria virginiana)가 우연히 교잡되어 생기게 된 것으로 알려져 있다. 딸기는 재배 기간이 길고 노동력이 많이 드는 작물이지만 저온에서도 생육이 양호하여 겨울철 재배 기간 동안 난방비가 거의 들지 않고 수확과 선별에 드는 노동력을 제외하면 경영비가 비교적 적게 들어가는 장점이 있다.
특히, 딸기는 육묘나 수확, 선별에 들어가는 악성 노동과 농업 인력의 노령화 및 감소 등으로 재배 면적이 점차 줄어드는 추세이나, 다수확 품종의 보급과 수경재배의 확대 등으로 단위 면적당 수확량은 꾸준히 증가하고 있다. 앞으로도 재배 면적은 다소 감소될 것으로 예상되고 있으며, 지속적인 다수성 품종의 개발과 함께 작업의 생력화와 시설의 현대화를 통해 생산성 향상이 필요할 수 있다.
한편, 딸기를 수경재배하는 경우, 효율적인 양액 재배를 통해 비료사용이 효율화되고 경감되어 운영비용이 절감될 뿐 아니라 환경에 대한 부담도 줄일 수 있으며, 토양을 통해 유입되는 병해충 및 토양에서 발생하는 문제를 원천적으로 막아 농약 사용을 예방할 수 있어 무농약의 더욱 건강하고 친환경적인 딸기 생산이 가능하며, 환경제어 기술과 시너지 효과를 내는 수경재배를 통해 수직농장, 실내농업, 도시농업에 적극적으로 활용 가능할 수 있다.
무엇보다도, 딸기는 스트레스에 매우 민감한 작물이기 때문에 딸기를 수경재배하기 위해서는 식물체의 스트레스 관리가 매우 중요하며, 이를 위한 기술이 필수적으로 요구될 수 있다.
본 발명의 일 실시예는 재배환경에 따른 식물의 직접적인 반응과 스트레스 정도를 엽록소 형광분석을 통하여 측정하기 위한 것으로, 더욱 상세하게는 식물체의 스트레스를 객관적으로 측정하기 위하여 엽록소 형광 분석기를 이용하여 F값을 정밀하게 측정하고 엽록소 형광 AI모델을 통해 여러 환경 변수 중 스트레스의 요인이 어떤 부분에서 발생한 것인지 분석함으로써 식물 재배에 있어 실시간으로 스트레스 컨트롤을 가능케 하는 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 방법 및 재배관리 시스템을 제공하고자 한다.
실시예들 중에서, 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 방법은 데이터 수집부를 통해, 엽록소 형광분석 기기와 연동하여 딸기에 대한 형광분석 이미지를 포함하는 엽록소 형광분석 데이터를 수집하는 단계; 상기 데이터 수집부를 통해, 상기 딸기의 생육 이미지를 포함하고 상기 엽록소 형광분석 데이터와 매칭되는 상기 딸기의 지상부 및 지하부 각각의 생육 단계에 관한 생육 데이터를 수집하는 단계; 상기 데이터 수집부를 통해, 상기 딸기의 생육 과정에서 상기 지상부 및 지하부 각각의 재배환경 조건에 관한 재배환경 데이터를 수집하는 단계; 모델 구축부를 통해, 상기 딸기와 연관된 엽록소 형광분석 데이터와 함께 상기 지상부 및 지하부로 구분된 생육 데이터 및 상기 재배환경 데이터를 학습하여 상기 지상부 및 지하부 각각의 생육 단계와 재배환경 조건에 따른 상기 딸기의 스트레스 지수를 예측하는 인공지능(AI) 모델을 구축하는 단계; 및 스트레스 지수 예측부를 통해, 상기 인공지능 모델을 이용하여 현재 재배 중인 딸기의 생육 단계 및 재배환경 조건에 따른 스트레스 지수를 예측하는 단계;를 포함한다.
상기 엽록소 형광분석 데이터를 수집하는 단계는 상기 딸기의 본엽에 관한 상기 형광분석 이미지로부터 복수의 엽록소 형광 매개변수들을 추출하는 단계를 포함할 수 있다.
상기 생육 데이터를 구분하여 수집하는 단계는 상기 지상부를 기준으로 상기 딸기의 생체중, 엽면적, 엽장, 엽폭 및 엽수를 포함하는 지상부 생육 데이터와, 상기 지하부를 기준으로 상기 딸기의 생체중, 주근의 길이와 직경 및 잔뿌리의 비율을 포함하는 지하부 생육 데이터를 구분하여 수집하는 단계를 포함할 수 있다.
상기 재배환경 데이터를 수집하는 단계는 상기 지상부의 재배환경 조건으로서 온도, 습도, VPD, 광량 및 광스펙트럼을 포함하는 제1 재배환경 데이터와, 상기 지하부의 재배환경 조건으로서 양액의 비율과 농도, EC, pH, 상기 양액의 온도 및 관수 주기를 포함하는 제2 재배환경 데이터를 수집하는 단계를 포함할 수 있다.
상기 인공지능 모델을 구축하는 단계는 상기 엽록소 형광분석 데이터와, 상기 지상부 생육 데이터와 상기 지하부 생육 데이터 사이의 제1 조합, 그리고 상기 제1 재배환경 데이터와 상기 제2 재배환경 데이터 사이의 제2 조합을 포함하는 데이터셋의 적어도 일부를 학습하여 상기 인공지능 모델을 구축하는 단계를 포함하고, 상기 인공지능 모델은 상기 학습 과정에서 사용된 상기 데이터셋의 데이터 구성에 따라 상기 스트레스 지수와 함께 상기 딸기의 생육 단계 및 상기 재배환경 조건 중 스트레스 요인을 예측하여 출력하도록 학습될 수 있다.
실시예들 중에서, 스트레스 지수를 이용한 딸기의 재배관리 시스템은 엽록소 형광분석 기기와 연동하여 딸기에 대한 형광분석 이미지를 포함하는 엽록소 형광분석 데이터와, 상기 딸기의 생육 이미지를 포함하고 상기 엽록소 형광분석 데이터와 매칭되는 상기 딸기의 지상부 및 지하부 각각의 생육 단계에 관한 생육 데이터와, 그리고 상기 딸기의 생육 과정에서 상기 지상부 및 지하부 각각의 재배환경 조건에 관한 재배환경 데이터를 수집하는 데이터 수집부; 상기 딸기와 연관된 엽록소 형광분석 데이터와 함께 상기 지상부 및 지하부로 구분된 생육 데이터 및 상기 재배환경 데이터를 학습하여 상기 지상부 및 지하부 각각의 생육 단계와 재배환경 조건에 따른 상기 딸기의 스트레스 지수를 예측하는 인공지능(AI) 모델을 구축하는 모델 구축부; 상기 인공지능 모델을 이용하여 현재 재배 중인 딸기의 생육 단계에 따른 스트레스 지수를 예측하는 스트레스 지수 예측부; 및 상기 스트레스 지수를 기초로 상기 현재 재배 중인 딸기의 재배환경을 능동적으로 제어하는 재배환경 제어부;를 포함한다.
상기 재배환경 제어부는 상기 스트레스 지수를 기초로 상기 딸기의 뿌리 활착 및 생장 구간 동안 상기 딸기의 전체 스트레스를 경감하는 방향으로 상기 재배환경을 조절하거나 또는 상기 딸기의 화아분화 구간 동안 상기 딸기의 특정 스트레스를 강화하는 방향으로 상기 재배환경을 조절할 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 방법 및 재배관리 시스템은 온도, 습도, 광량, 광질 등의 환경 데이터 뿐만 아니라 식물체의 Phenotype을 이미지 데이터를 통해 형광분석 데이터와 매칭시키고 매칭된 데이터를 인공지능 학습시켜 엽록소 형광 AI모델을 생성하고 이를 활용하여 식물체의 스트레스가 어느 정도인지, 어떤 요인에서 발생하였는지를 분석하며 엽록소 형광 AI모델을 활용하여 실시간으로 식물체의 스트레스를 분석하고 AI예측을 통해 선제적인 스트레스 컨트롤을 함으로써 식물 재배를 효과적으로 할 수 있다.
또한, 본 발명은 생산량과 품질 증대 뿐만 아니라 현재 실시간 스트레스 관리를 하지 못해 재배하기 어려웠던 식물들의 최적 조건을 찾아내고 스트레스 관리를 가능케 함으로써 고부가 식물의 재배가 가능하게 할 수 있다. 본 발명은 향후 전이학습 기술을 적용하여 딸기 이외의 고부가 식물들의 스트레스 관리 AI모델 생성에 있어 더 적은 데이터만으로도 효과적으로 최적화하는 데 활용하여 새로운 고부가 식물의 스트레스 재배 실험에 들어가는 시간과 노력을 줄일 수 있으며, 환경조건과 이미지 데이터를 통해 식물의 스트레스 정도를 역으로 예측할 수 있을 뿐만 아니라 어떤 형태로 자라게 될 것인지 시뮬레이션 가능하게 만들어 디지털 트윈 기술에 적용할 수 있으며 디지털 트윈을 이용한다면 직접 재배 실험을 하지 않고도 시뮬레이션을 통해 수십년 이상의 반복적인 재배 과정이 필요했던 연구를 단시간에 디지털 트윈의 시뮬레이션을 통해 수행하고 예측하여 연구 기간을 효과적으로 줄일 수 있다.
도 1은 본 발명에 따른 재배관리 시스템을 설명하는 도면이다.
도 2는 도 1의 스트레스 지수 산출 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 스트레스 지수 산출 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 방법을 설명하는 순서도이다.
도 5는 본 발명에 따른 딸기의 형광분석 이미지의 일 실시예를 설명하는 도면이다.
도 6은 본 발명에 따른 인공지능 모델의 일 실시예를 설명하는 도면이다.
도 2는 도 1의 스트레스 지수 산출 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 스트레스 지수 산출 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 방법을 설명하는 순서도이다.
도 5는 본 발명에 따른 딸기의 형광분석 이미지의 일 실시예를 설명하는 도면이다.
도 6은 본 발명에 따른 인공지능 모델의 일 실시예를 설명하는 도면이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명에 따른 재배관리 시스템을 설명하는 도면이다.
도 1을 참조하면, 재배관리 시스템(100)은 엽록소 형광분석 기기(110), 스트레스 지수 산출 장치(130) 및 데이터베이스(150)를 포함할 수 있다.
엽록소 형광분석 기기(110)는 사용자에 의해 운용되는 단말 장치에 해당할 수 있다. 본 발명의 실시예에서 사용자는 하나 이상의 사용자로 이해될 수 있으며, 하나 이상의 사용자들 각각은 하나 이상의 엽록소 형광분석 기기(110)에 대응될 수 있다. 즉, 도 1에서는 하나의 엽록소 형광분석 기기(110)로 표현되어 있으나, 필요에 따라 복수의 사용자들에 의해 독립적으로 운용되는 복수의 엽록소 형광분석 기기들에 각각 대응될 수 있다.
또한, 엽록소 형광분석 기기(110)는 본 발명에 따른 재배관리 시스템(100)을 구성하는 하나의 장치로서 구현될 수 있으며, 재배관리 시스템(100)은 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 목적에 따라 다양한 형태로 변형되어 구현될 수 있다.
또한, 엽록소 형광분석 기기(110)는 스트레스 지수 산출 장치(130)와 연결되어 동작 가능하도록 구현될 수 있다. 구체적으로, 엽록소 형광분석 기기(110)는 엽록소의 형광을 측정하기 위한 스펙트럼의 광원, 반사광으로부터 식물체의 엽록소 형광만 여과시키는 필터, 여과된 엽록소 형광을 촬영하는 카메라 및 획득한 영상정보를 처리하는 영상처리기기를 포함할 수 있다.
이때, 광원은 특정 스펙트럼의 광원으로 구현될 수 있다. 예를 들어, 광원은 딸기의 엽록소 형광을 측정하기 위하여 청색 광원이 사용될 수 있으며, 청색 광원은 LED 광원으로 구현될 수 있으나, 반드시 이에 한정되지 않음은 물론이다. 또한, 필터는 대역통과 필터(bandpass filter) 또는 IR 필터로 구현될 수 있다.
또한, 엽록소 형광분석 기기(110)는 엽록소 형광분석의 결과로서 다양한 파리미터 값들을 출력할 수 있다. 즉, 스트레스 지수 산출 장치(130)는 엽록소 형광분석 기기(110)로부터 엽록소 형광분석 데이터를 수신하여 데이터베이스(150)에 저장할 수 있다.
한편, 엽록소 형광분석 기기(110)는 스트레스 지수 산출 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 엽록소 형광분석 기기(110)들은 스트레스 지수 산출 장치(130)와 동시에 연결될 수도 있다.
스트레스 지수 산출 장치(130)는 본 발명에 따른 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 방법을 수행하는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 또한, 스트레스 지수 산출 장치(130)는 엽록소 형광분석 기기(110)와 유선 네트워크 또는 블루투스, WiFi, LTE 등과 같은 무선 네트워크로 연결될 수 있고, 네트워크를 통해 엽록소 형광분석 기기(110)와 데이터를 송·수신할 수 있다. 또한, 스트레스 지수 산출 장치(130)는 독립된 외부 시스템(도 1에 미도시함)과 연결되어 동작하도록 구현될 수 있다.
데이터베이스(150)는 스트레스 지수 산출 장치(130)의 동작 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 예를 들어, 데이터베이스(150)는 모델 구축을 위한 학습 데이터와 데이터 전처리 동작을 위한 정보를 저장하거나 또는 모델 구축을 위한 학습 알고리즘에 관한 정보를 저장할 수 있으며, 반드시 이에 한정되지 않고, 스트레스 지수 산출 장치(130)가 본 발명에 따른 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 방법을 수행하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.
또한, 도 1에서, 데이터베이스(150)는 스트레스 지수 산출 장치(130)와 독립적인 장치로서 도시되어 있으나, 반드시 이에 한정되지 않고, 논리적인 저장장치로서 스트레스 지수 산출 장치(130)에 포함되어 구현될 수 있음은 물론이다.
도 2는 도 1의 스트레스 지수 산출 장치의 시스템 구성을 설명하는 도면이다.
도 2를 참조하면, 스트레스 지수 산출 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함할 수 있다.
프로세서(210)는 본 발명의 실시예에 따른 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 프로시저를 실행할 수 있고, 이러한 과정에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄 할 수 있다. 프로세서(210)는 스트레스 지수 산출 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 스트레스 지수 산출 장치(130)의 CPU(Central Processing Unit) 또는 GPU(Graphics Processing Unit)로 구현될 수 있다.
메모리(230)는 SSD(Solid State Disk) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 스트레스 지수 산출 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다. 또한, 메모리(230)는 전기적으로 연결된 프로세서(210)에 의해 실행됨으로써 본 발명에 따른 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 방법을 실행하는 명령어들의 집합을 저장할 수 있다.
사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함하고, 예를 들어, 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치 스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 스트레스 지수 산출 장치(130)는 독립적인 서버로서 수행될 수 있다.
네트워크 입출력부(270)는 네트워크를 통해 엽록소 형광분석 기기(110)와 연결되기 위한 통신 환경을 제공하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다. 또한, 네트워크 입출력부(270)는 데이터의 무선 전송을 위해 WiFi, 블루투스 등의 근거리 통신 기능이나 4G 이상의 무선 통신 기능을 제공하도록 구현될 수 있다.
도 3은 도 1의 스트레스 지수 산출 장치의 기능적 구성을 설명하는 도면이다.
도 3을 참조하면, 스트레스 지수 산출 장치(130)는 본 발명에 따른 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 방법을 수행할 수 있다. 이를 위하여, 스트레스 지수 산출 장치(130)는 데이터 수집부(310), 모델 구축부(330), 스트레스 지수 예측부(350), 재배환경 제어부(370) 및 제어부(도 3에 미도시함)를 포함할 수 있다.
이때, 본 발명의 실시예는 상기의 구성들을 동시에 모두 포함해야 하는 것은 아니며, 각각의 실시예에 따라 상기의 구성들 중 일부를 생략하거나, 상기의 구성들 중 일부 또는 전부를 선택적으로 포함하여 구현될 수도 있다. 이하, 각 구성들의 동작을 구체적으로 설명한다.
데이터 수집부(310)는 엽록소 형광분석 기기(110)와 연동하여 딸기에 대한 형광분석 이미지를 포함하는 엽록소 형광분석 데이터와, 딸기의 생육 이미지를 포함하고 엽록소 형광분석 데이터와 매칭되는 딸기의 지상부 및 지하부 각각의 생육 단계에 관한 생육 데이터와, 그리고 딸기의 생육 과정에서 지상부 및 지하부 각각의 재배환경 조건에 관한 재배환경 데이터를 수집할 수 있다.
일 실시예에서, 데이터 수집부(310)는 딸기의 본엽에 관한 형광분석 이미지로부터 복수의 엽록소 형광 매개변수(Chlorophyll fluorescence parameter)들을 추출할 수 있다. 여기에서, 본엽이란 딸기의 잎들 중에서 발아 후 어린잎이 나오고 난 후 다음번에 나오는 잎에 해당할 수 있다. 데이터 수집부(310)는 엽록소 형광분석 기기(110)에 의해 수행된 엽록소 형광분석 결과를 수신할 수 있다. 예를 들어, 복수의 엽록소 형광 매개변수들은 엽록소 형광분석의 정량화된 수치로서 표현된 값들에 해당할 수 있으며, Fm, Fv, Fo, Ft, Fq, Qmax, Fv/Fm, NPQ, qN, qP, qL, Rfd 값 등이 포함될 수 있다. 또한, 데이터 수집부(310)는 복수의 엽록소 형광 매개변수들의 조합을 통한 함수식을 사용할 수도 있다. 이를 통해, 딸기의 광계II(photosystem II, PS II)에서 방출하는 엽록소 형광값은 다양한 엽록소 형광 매개변수로 표현될 수 있다.
일 실시예에서, 데이터 수집부(310)는 딸기의 지상부를 기준으로 딸기의 생체중, 엽면적, 엽장, 엽폭 및 엽수를 포함하는 지상부 생육 데이터를 수집하고, 딸기의 지하부를 기준으로 딸기의 생체중, 주근의 길이와 직경 및 잔뿌리의 비율을 포함하는 지하부 생육 데이터를 수집할 수 있다. 데이터 수집부(310)는 딸기의 생육 조사를 통해 생육 데이터를 수집할 수 있으며, 딸기의 지상부와 지하부를 구분하여 생육 데이터를 독립적으로 수집할 수 있다.
즉, 지상부 생육 데이터는 지상부에 노출되는 딸기의 줄기, 잎 및 과실 등에서 수집되는 생육 데이터에 해당하고, 지하부 생육 데이터는 지하부에 매장된 줄기 및 뿌리 등에서 수집되는 생육 데이터에 해당할 수 있다. 이에 따라, 스트레스 지수 예측에 사용되는 생육 데이터는 지상부 또는 지하부로 구분되어 적용될 수 있으며, 인공지능 모델 구축 과정에서 사용되는 학습 데이터 역시 지상부 생육 데이터와 지하부 생육 데이터로 구분되어 적용될 수 있다. 특히, 데이터 수집부(310)는 주근의 생육이나 잔뿌리(실뿌리)의 비율 등 딸기 뿌리의 생장 데이터를 중점적으로 수집할 수 있고, 딸기의 실질적인 활착 및 생장을 위해 활용할 수 있다.
한편, 딸기의 생체중(fresh weight)은 식물의 무게에 해당하고, 엽면적(leaf area)은 딸기 잎의 한쪽 면의 면적에 해당하며, 엽장은 잎의 길이에 해당하고, 옆폭은 잎의 너비에 해당하며, 엽수는 잎의 개수에 해당할 수 있다. 딸기의 주근(main root)은 주가 되는 뿌리에 해당할 수 있다. 데이터 수집부(310)는 사용자 단말과 연동하여 사용자에 의해 측정된 딸기의 생육 데이터를 사용자 단말로부터 주기적으로 수신한 후 데이터베이스(150)에 저장할 수 있다.
일 실시예에서, 데이터 수집부(310)는 딸기에 대한 엽록소 형광분석 데이터와 생육 데이터를 서로 매칭한 다음 데이터베이스(150)에 저장할 수 있다. 데이터 수집부(310)는 엽록소 형광분석 데이터의 형광분석 이미지와 생육 데이터의 생육 이미지 간의 유사도를 산출할 수 있고, 이미지 간의 유사도를 기준으로 형광분석 데이터와 생육 데이터를 매칭할 수 있다. 또한, 데이터 수집부(310)는 다양한 방법을 통해 형광분석 데이터와 생육 데이터를 매칭할 수 있다.
일 실시예에서, 데이터 수집부(310)는 지상부의 재배환경으로서 온도, 습도, VPD(수증기압포차, Vapor Pressure Deficit), 광량 및 광스펙트럼을 포함하는 제1 재배환경 데이터를 수집하고, 지하부의 재배환경으로서 양액의 비율과 농도, EC(전기전도도, Electric Conductivity), pH(수소이온농도), 양액의 온도 및 관수 주기를 포함하는 제2 재배환경 데이터를 수집할 수 있다. 이를 위하여, 데이터 수집부(310)는 사용자 단말과 연동하여 재배환경 데이터를 수집한 후 데이터베이스(150)에 저장할 수 있다. 데이터 수집부(310)는 지상부에서 수집 가능한 재배환경 데이터와 지하부에서 수집 가능한 재배환경 데이터를 구분하여 수집할 수 있다. 이에 따라, 스트레스 지수 예측에 사용되는 재배환경 데이터는 지상부 또는 지하부로 구분되어 적용될 수 있으며, 인공지능 모델 구축 과정에서 사용되는 학습 데이터 역시 지상부 재배환경 데이터와 지하부 재배환경 데이터로 구분되어 적용될 수 있다.
또한, 데이터 수집부(310)는 재배환경 조건에 관한 재배환경 데이터를 직접 수집하기 위하여 재배공간의 지상 또는 지하에 설치된 다양한 센서들과 연동하여 동작할 수 있다. 예를 들어, 데이터 수집부(310)는 온도 센서, 습도 센서, EC 센서, pH 센서, 용존산소 센서, 이온 센서, 광 센서 등을 통해 재배환경 데이터를 수집할 수 있다.
모델 구축부(330)는 딸기와 연관된 엽록소 형광분석 데이터와 함께 지상부 및 지하부로 구분된 생육 데이터 및 재배환경 데이터를 학습하여 지상부 및 지하부 각각의 생육 단계와 재배환경 조건에 따른 딸기의 스트레스 지수를 예측하는 인공지능(AI) 모델을 구축할 수 있다. 모델 구축부(330)는 엽록소 형광분석 데이터, 딸기의 생육 데이터(예를 들어, 생육 조사 및 생육 이미지 포함), 그리고 재배환경 데이터의 매칭된 데이터를 통해 각 데이터 간의 상관관계를 객관화하고 학습 데이터로 사용하여 모델 구축 과정을 수행할 수 있다. 이때, 인공지능 모델은 딸기의 엽록소 형광분석 데이터를 기초로 지상부 및 지하부로 구분된 생육 단계 또는 재배환경 조건을 통해 딸기가 받는 스트레스의 정도를 예측하도록 학습된 모델에 해당할 수 있다.
즉, 인공지능 모델은 생육 데이터 및 재배환경 데이터의 조합으로 구성된 특징 벡터를 입력으로 수신하고 딸기의 스트레스 지수에 관한 벡터를 출력으로 생성할 수 있다. 만약 생육 데이터 또는 재배환경 데이터가 지상부 및 지하부로 구분되어 수집된 경우 인공지능 모델은 학습된 입력 데이터에 따라 지상부 또는 지하부의 데이터만을 이용하여 딸기의 스트레스 지수를 예측할 수 있다.
예를 들어, 인공지능 모델의 학습을 위한 학습 데이터는 특정 크기의 특징 벡터로 표현될 수 있으며, 입력 데이터와 출력 데이터의 쌍으로 구성될 수 있다. 입력 벡터는 생육 데이터와 재배환경 데이터에서 추출된 특징 정보를 포함하여 구성될 수 있고, 필요에 따라 지상부와 지하부로 구분된 특징 정보를 포함할 수 있다. 이 경우, 입력 벡터는 지상부와 지하부에 독립된 가중치를 적용한 결과로서 생성될 수 있다. 또한, 입력 벡터는 지상부와 지하부의 각 특징 정보를 동일한 벡터 공간에 정렬한 결과로서 생성된 임베딩 벡터들 간의 연산을 통해 생성될 수 있다. 임베딩 기법을 통해 생성된 임베딩 벡터는 생육 단계 또는 재배환경 조건이 유사할수록 벡터 간 거리(또는 유사도)가 가까울 수 있으며, 지상부 또는 지하부의 분류 결과에 따라 동일한 클러스터군을 형성할 수 있다.
인공지능 모델의 구축을 위하여, 입력 데이터 중 시계열에 따른 정형 데이터의 경우 RNN(Recurrent Neural Network), LSTM(Long Short Term Memory) 등을 통해 특징 벡터로 변환될 수 있으며, 이미지 등의 비정형 데이터의 경우 CNN(Convolutional Neural Network) 등을 통해 특징 정보가 피처링(featuring)될 수 있다. 이때, 각 데이터로부터 추출된 특징 정보들은 인공지능 모델의 구조에 따라 상호 연결되어 입력 데이터로서 학습될 수 있다.
일 실시예에서, 모델 구축부(330)는 딸기와 연관된 엽록소 형광분석 데이터, 생육 데이터 및 재배환경 데이터 사이의 기본적인 단순상관관계 분석 및 다중상관관계 분석 뿐만 아니라 식물체의 생육 데이터를 통한 생육 모델링을 통해 데이터 분석을 수행할 수 있다. 예를 들어, 모델 구축부(330)는 생육 모델링을 통해 딸기의 생육 데이터의 시계열에 따른 변화를 추적할 수 있으며, 엽록소 형광분석에 따른 다양한 수치값과 매칭한 후 스트레스 지수 산출 과정에 활용할 수 있다.
일 실시예에서, 모델 구축부(330)는 엽록소 형광분석 데이터와, 지상부 생육 데이터와 지하부 생육 데이터 사이의 제1 조합, 그리고 제1 재배환경 데이터와 제2 재배환경 데이터 사이의 제2 조합을 포함하는 데이터셋의 적어도 일부를 학습하여 인공지능 모델을 구축할 수 있다. 이때, 인공지능 모델은 모델 학습 과정에서 사용된 데이터셋의 데이터 구성에 따라 스트레스 지수와 함께 딸기의 생육 단계 및 재배환경 조건 중 스트레스 요인을 예측하여 출력하도록 학습될 수 있다.
예를 들어, 인공지능 모델의 구축에 사용되는 데이터셋은 다양한 데이터 구성의 학습 데이터들을 포함할 수 있다. 데이터셋은 엽록소 형광분석 데이터와 지상부 또는 지하부로 분류되는 데이터만을 포함하여 구성될 수 있고, 엽록소 형광분석 데이터와 생육 데이터 또는 재배환경 데이터를 포함하여 구성될 수 있으며, 모든 데이터를 포함하여 구성될 수도 있다. 또한, 학습 데이터의 데이터 구성에 따라 인공지능 모델의 입력과 출력이 달라질 수 있다. 즉, 생육 데이터와 재배환경 데이터 중 적어도 하나를 입력으로 하여 딸기의 스트레스 지수가 출력으로 예측될 수 있고, 생육 데이터와 재배환경 데이터 중 지상부 또는 지하부 데이터만을 입력으로 수신하여 딸기의 스트레스 지수가 출력으로 예측될 수도 있다.
다른 예로서, 인공지능 모델은 생육 데이터와 재배환경 데이터를 입력으로 수신하여 딸기의 스트레스 지수와 함께 현재 재배중인 딸기의 생육 단계를 예측하여 출력할 수 있다. 또한, 인공지능 모델은 생육 데이터와 재배환경 데이터를 입력으로 수신하여 스트레스 지수, 생육 단계 및 재배환경 조건 중 스트레스 요인을 예측하여 출력할 수 있다. 이때, 스트레스 요인은 복수의 재배환경 조건들에 해당할 수 있으며, 복수의 재배환경 조건들은 우선순위에 따라 정렬될 수 있다. 이에 따라, 스트레스 지수 산출 장치(130)는 딸기의 스트레스 지수를 예측한 후 스트레스 요인이 되는 재배환경 조건을 타겟팅하여 능동적으로 제어함으로써 딸기의 스트레스를 효과적으로 줄일 수 있다.
스트레스 지수 예측부(350)는 인공지능 모델을 이용하여 현재 재배 중인 딸기의 생육 단계 및 재배환경 조건에 따른 스트레스 지수를 예측할 수 있다. 예를 들어, 딸기의 생육 단계는 런너의 발생, 포기의 발육, 꽃눈의 형성, 휴면, 개화결실의 과정으로 진행될 수 있다. 스트레스 지수 예측부(350)는 인공지능 모델을 통해 딸기의 현재 생육 단계와 재배환경 조건에 따른 스트레스 지수를 객관화된 정량지표로서 생성할 수 있다. 예를 들어, 스트레스 지수 예측부(350)는 딸기의 스트레스 지수로서 Fm, Fv, Fo, Ft, Fq, Qmax, Fv/Fm, NPQ, qN, qP, qL, Rfd 값 등을 예측할 수 있으며, 해당 지표들의 조합으로 정의되는 함수식의 함수값을 예측할 수도 있다.
특히, 스트레스 지수 예측부(350)는 현재의 생육 단계와 재배환경 조건을 지상부와 지하부로 각각 구분하여 인공지능 모델에 입력할 수 있으며, 이를 통해 딸기의 스트레스 지수를 보다 정확하게 예측할 수 있다. 만약 생육 단계와 재배환경 조건 중 지상부 또는 지하부의 데이터가 존재하지 않거나 충분하지 않은 경우, 스트레스 지수 예측부(350)는 지하부 또는 지상부의 데이터로 나머지 부분의 데이터를 추정하여 보충할 수 있고, 인공지능 모델에 입력하여 딸기의 스트레스 지수를 예측할 수 있다.
재배환경 제어부(370)는 스트레스 지수를 기초로 현재 재배 중인 딸기의 재배환경을 능동적으로 제어할 수 있다. 여기에서, 딸기의 재배환경은 지상부 환경 조건으로서 온도, 습도, VPD, 광량 및 광스펙트럼 등을 포함할 수 있고, 지하부 환경 조건으로서 수경재배시 사용되는 양액(즉, 이온화된 영양성분의 비율과 농도 등), EC, pH, 양액의 온도 및 관수 주기 등을 포함할 수 있다. 즉, 스트레스 지수 예측부(350)에 의해 예측된 스트레스 지수는 딸기의 수경재배를 위한 식물체 스트레스 관리를 위해 사용될 수 있다.
예를 들어, 재배환경 제어부(370)는 스트레스 지수를 수경재배에서 필수적인 딸기의 뿌리 스트레스에 대한 지표로 사용할 수 있으며, 특히 뿌리 활착 및 초기 생장에 적합한 스트레스 관리 환경 조절에 사용할 수 있다. 다른 예로서, 재배환경 제어부(370)는 스트레스 지수에 따라 딸기의 지상부 또는 지하부를 선택적으로 제어하여 재배환경을 조절할 수 있다.
일 실시예에서, 재배환경 제어부(370)는 스트레스 지수를 기초로 딸기의 뿌리 활착 및 생장 구간 동안 딸기의 전체 스트레스를 경감하는 방향으로 재배환경을 조절(예를 들어, 지상부와 지하부 모두를 제어)하거나 또는 딸기의 화아분화 구간 동안 딸기의 특정 스트레스를 강화하는 방향으로 재배환경을 조절(예를 들어, 지상부를 중점적으로 제어)할 수 있다. 재배환경 제어부(370)는 객관적이고 정량화된 딸기 스트레스 지수를 통해 재배관리를 능동적으로 수행할 수 있다. 예를 들어, 재배환경 제어부(370)는 스트레스가 적어야 유리한 활착과 생장 구간에서는 스트레스를 경감할 수 있는 조건으로 환경을 조절하고, 특정한 스트레스가 필요할 수 있는 화아분아 등과 같은 구간에서는 특정 스트레스를 강화하는 방식으로 딸기의 생육 단계에 따른 능동적인 환경 조절을 수행할 수 있다.
제어부(도 3에 미도시함)는 스트레스 지수 산출 장치(130)의 전체적인 동작을 제어하고, 데이터 수집부(310), 모델 구축부(330), 스트레스 지수 예측부(350) 및 재배환경 제어부(370) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 4는 본 발명에 따른 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 방법을 설명하는 순서도이다.
도 4를 참조하면, 스트레스 지수 산출 장치(130)는 데이터 수집부(310)를 통해 엽록소 형광분석 기기(110)와 연동하여 딸기에 대한 형광분석 이미지를 포함하는 엽록소 형광분석 데이터를 수집할 수 있다(단계 S410). 스트레스 지수 산출 장치(130)는 데이터 수집부(310)를 통해 딸기의 생육 이미지를 포함하고 엽록소 형광분석 데이터와 매칭되는 딸기의 생육 데이터를 수집할 수 있다(단계 S420). 스트레스 지수 산출 장치(130)는 데이터 수집부(310)를 통해 딸기의 생육 과정에서 지상부 및 지하부 각각의 재배환경 데이터를 수집할 수 있다(단계 S430).
즉, 스트레스 지수 산출 장치(130)는 정밀한 환경 컨트롤과 센서를 통해 데이터 수집이 가능한 식물 재배 시스템(예를 들어, 수직농장 등)에서 온도, 습도, 광량, 광질 등의 환경조건을 변화시킴으로써 다양한 변화(variation) 상태에서 식물의 재배 동안 데이터를 수집할 수 있으며, 해당 과정에서 이미지를 통해 표현형(Phenotype)의 데이터를 수집할 수 있다.
또한, 스트레스 지수 산출 장치(130)는 수집된 데이터와 매칭할 수 있는 엽록소 형광 측정의 데이터를 수집할 수 있다. 이때, 엽록소 형광 측정 데이터는 2가지 형태로 수집될 수 있다. 예를 들어, 엽록소 형광 측정 데이터는 F값으로 표현되는 Numeric 정형 데이터와 조사 파장에 따라 이미지화된 2차원 비정형 데이터를 포함할 수 있다. 스트레스 지수 산출 장치(130)는 정형 데이터인 환경 데이터와 F값에 대해 가중치를 적용하여 표준화할 수 있으며, 비정형 데이터인 Phenotype 이미지 데이터와 엽록소 형광 이미지 데이터는 CNN을 통해 특징값을 추출하여 데이터를 전처리할 수 있다.
또한, 스트레스 지수 산출 장치(130)는 모델 구축부(330)를 통해 딸기와 연관된 엽록소 형광분석 데이터와 함께 생육 데이터 및 재배환경 데이터 중 적어도 하나를 학습하여 딸기의 스트레스 지수를 예측하는 인공지능(AI) 모델을 구축할 수 있다(단계 S440). 한편, 스트레스 지수 산출 장치(130)는 다양한 모델 구조를 적용하여 인공지능 모델을 구축할 수 있다.
또한, 스트레스 지수 산출 장치(130)는 스트레스 지수 예측부(350)를 통해 인공지능 모델을 이용하여 딸기의 생육 단계에 따른 스트레스 지수를 예측할 수 있다(단계 S450). 스트레스 지수 산출 장치(130)는 다양한 모델 구조의 인공지능 모델을 구축하여 다양한 조건에서 딸기의 스트레스 지수를 예측할 수 있다. 예를 들어, 스트레스 지수 산출 장치(130)는 수집된 생육 데이터를 기반으로 현재의 딸기 스트레스를 추정하거나, 또는 엽록소 형광분석 데이터를 바탕으로 현재의 스트레스 요인을 찾는데 인공지능 모델을 활용할 수 있다.
또한, 스트레스 지수 산출 장치(130)는 인공지능 모델을 통해 현재의 스트레스 수치 및 인과요인을 측정할 뿐만 아니라 재배 시간이 경과함에 따라 변화되는 양상 및 조건이 변화할 때 예측되는 값을 시뮬레이션할 수도 있다. 한편, 스트레스 지수 산출 장치(130)는 인공지능 모델을 통한 스트레스 지수 산출 방법을 상관분석 기법이나 생육 모델링 기법에도 동일하게 적용할 수 있으며, 이를 통해 재배관리를 수행할 수 있다.
도 5는 본 발명에 따른 딸기의 형광분석 이미지의 일 실시예를 설명하는 도면이다.
도 5를 참조하면, 스트레스 지수 산출 장치(130)는 딸기의 본엽에 대한 형광분석 이미지로부터 엽록소 형광분석 데이터를 수집할 수 있다. 이를 위하여, 스트레스 지수 산출 장치(130)는 엽록소 형광분석 기기(110)와 연동하여 동작할 수 있다.
이때, 광합성은 식물에 의해 빛에너지를 화학에너지로 전환하는 과정에 해당할 수 있으며, 에너지 전환 과정에는 여러 화학적, 물리학적 기작과 여러 요소가 관여할 수 있다. 예를 들어, 엽록소에 의해 흡수된 빛 에너지는 반응중심에 모여 유용한 화학적인 일을 수행할 수 있으며, 그 중 광계 II에서 플라스토퀴논(plastoquinone, PQ)의 전자 전달 과정에서 열로 방출되거나, 형광으로 방출될 수 있다. 따라서, 엽록소 형광의 변화는 열의 방출과 광합성의 변화를 반영할 수 있다.
또한, 엽록소에 순간적인 포화광을 비추면 엽록소 형광은 Fo에서 최대 형광(Fm)까지 증가할 수 있으며, 이러한 조건에서 광계 II의 첫 번째 전자 수용체인 QA가 완전히 환원되면 광계 II의 최대 양자수율(Fv/Fm = (Fm-Fo)/Fm)을 측정할 수 있다. 이 경우, 건강한 고등식물의 잎은 Fv/Fm 값이 항상 0.8정도에서 유지될 수 있다. 이보다 낮은 값을 가지는 경우는 광계의 반응 중심이 손상된 경우이거나 스트레스 환경에 있는 경우에 해당할 수 있으며, 이를 통해 식물의 재배과정에서 객관적인 스트레스 정도를 비파괴적으로 측정할 수 있다.
즉, 스트레스 지수 산출 장치(130)는 딸기의 본엽에 대한 형광분석 이미지로부터 엽록소 형광분석 데이터로서 다양한 엽록소 형광 매개변수들을 수집할 수 있다. 예를 들어, 엽록소 형광 매개변수들은 엽록소 형광분석의 정량화된 수치로서 표현된 값들에 해당할 수 있으며, Fm, FV, FO, FT, Fq, Qmax, FV/Fm, NPQ, qN, qP, qL, Rfd 값 등이 포함될 수 있다.
또한, 스트레스 지수 산출 장치(130)는 복수의 엽록소 형광 매개변수들의 조합을 통한 함수식을 사용할 수도 있다. 예를 들어, 엽록소 형광 변수(VariableChlfluorescence) Vv=FT-FO이고, 엽록소 형광 최대 변수(MaximumvariableChlfluorescence) FV=Fm-FO이며, 엽록소 형광 상대 변수(RelativevariableChlfluorescence) VT=(FTFO)/(Fm-FO)이고, 최대 광화학적 활성율(MaximumphotochemicalactivityofPSII) FV/Fm=(1-FO/Fm)이다. 여기에서, Fm은 최대 형광(maximum fluorescence)이고, FO는 기저 형광(ground fluorescenece)이며, FT는 정상 상태값(steady state value)이다
또한, 스트레스 지수 산출 장치(130)는 복수의 엽록소 형광 매개변수들과 연관된 RC/ABS 등을 매개변수로 사용할 수 있다. RC/ABS는 QB 환원에 대한 광계II 안테나 엽록소당 QA 환원 반응 중심 수이다. 이때, ABS=TR+DI이고, ABS는 전체 광계II 안테나에 의한 광자 흡수율(Rate of photon absorption)이다. TR은 광계II 반응 중심에 의한 엑시톤 포획률(Rate of exciton trapping)이고, DI는 포획 이외의 과정에서 모든 광계II의 에너지 소실률(Rate of energy dissipation)이다. 또한, 스트레스 지수 산출 장치(130)는 주요 광계II 광화학적 최대 양자수율(quantum yield)를 매개변수로 사용할 수 있으며, 'PO =TRO/ABS=1-(FO/Fm)=FV/Fm=PSII'와 같이 표현될 수 있다.
스트레스 지수 산출 장치(130)는 딸기의 생육 단계에 따라 딸기에 대한 형광분석 이미지를 포함하는 엽록소 형광분석 데이터를 수집하고 엽록소 형광분석 데이터에 매칭되는 딸기의 생육 데이터를 수집할 수 있다. 이때, 엽록소 형광분석 데이터와 생육 데이터는 이미지 데이터를 기준으로 매칭될 수 있다.
도 6은 본 발명에 따른 인공지능 모델의 일 실시예를 설명하는 도면이다.
도 6을 참조하면, 스트레스 지수 산출 장치(130)는 복잡계 분석을 위한 인공 신경망을 통한 모델링을 통해 엽록소 형광 AI모델(630)을 구축할 수 있다. 엽록소 형광 AI모델(630)은 딸기의 생육 단계에 따라 수집된 엽록소 형광분석 데이터, 생육 데이터 및 재배환경 데이터 간의 상관관계를 학습하여 객관화된 정량지표로서 스트레스 지수를 도출할 수 있다. 이때, 엽록소 형광 AI모델(630)은 다양한 구조로 구축될 수 있으며, 구축된 모델 구조에 따라 데이터 간의 연관성에 기초한 데이터값 예측에 활용되거나 또는 생육 단계에 따른 스트레스 지수 예측에 활용될 수 있다.
도 6의 경우, 데이터 수집 과정에서 수집된 생육 데이터(610) 및 재배환경 데이터(620)가 엽록소 형광 AI모델(630)에 입력 데이터로서 제공될 수 있고, 엽록소 형광 AI모델(630)은 이들 간의 연관관계를 분석하여 해당 생육 단계에서 딸기의 스트레스 지수(640)를 출력으로 생성할 수 있다. 이때, 엽록소 형광 AI모델(630)의 입력 데이터는 벡터 형태로 정의될 수 있으며, 각 데이터로부터 추출된 특징 벡터들을 기초로 엽록소 형광 AI모델(630)의 입력 벡터가 생성될 수 있다. 예를 들어, 생육 데이터(610) 및 재배환경 데이터(620)로부터 추출된 제1 및 제2 특징 벡터들은 순차적으로 연결됨으로써 엽록소 형광 AI모델(630)의 입력 벡터로 생성될 수 있다.
또한, 엽록소 형광 AI모델(630)은 딸기의 스트레스 지수(640)를 집적 출력하거나 또는 스트레스 지수(640)에 관한 정량지표로서 엽록소 형광 매개변수들을 출력할 수 있다. 스트레스 지수 산출 장치(130)는 엽록소 형광 AI모델(630)이 출력하는 엽록소 형광 매개변수들을 이용하여 딸기의 스트레스 지수(640)를 최종 산출할 수 있으며, 산출된 스트레스 지수(640)에 따라 스트레스 관리를 위한 재배환경을 조절할 수 있다. 이를 위하여, 스트레스 지수 산출 장치(130)는 자동화된 딸기 재배 시스템과 연동하도록 구현될 수 있으며, 스트레스 관리를 위하여 딸기 재배 시스템의 환경 컨트롤과 센서를 직접 제어할 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 재배관리 시스템
110: 엽록소 형광분석 기기 130: 스트레스 지수 산출 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 데이터 수집부 330: 모델 구축부
350: 스트레스 지수 예측부 370: 재배환경 제어부
110: 엽록소 형광분석 기기 130: 스트레스 지수 산출 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 데이터 수집부 330: 모델 구축부
350: 스트레스 지수 예측부 370: 재배환경 제어부
Claims (6)
- 데이터 수집부를 통해, 엽록소 형광분석 기기와 연동하여 딸기에 대한 형광분석 이미지를 포함하는 엽록소 형광분석 데이터를 수집하고, 상기 딸기의 본엽에 관한 상기 형광분석 이미지로부터 복수의 엽록소 형광 매개변수들을 추출하며, 상기 딸기의 본엽에서 방출되는 엽록소 형광값을 상기 복수의 엽록소 형광 매개변수들로 표현하는 단계;
상기 데이터 수집부를 통해, 상기 딸기의 생육 이미지를 포함하고 상기 엽록소 형광분석 데이터와 매칭되는 상기 딸기의 생육 단계에 관한 생육 데이터를 지상부 및 지하부 각각으로 구분하여 수집하는 단계;
상기 데이터 수집부를 통해, 상기 딸기의 생육 과정에서 상기 지상부 및 지하부 각각의 재배환경 조건에 관한 재배환경 데이터를 수집하는 단계;
모델 구축부를 통해, 상기 딸기와 연관된 엽록소 형광분석 데이터와 함께 상기 지상부 및 지하부로 구분된 생육 데이터 및 상기 재배환경 데이터를 학습하여 상기 지상부 및 지하부 각각의 생육 단계와 재배환경 조건에 따른 상기 딸기의 스트레스 지수를 예측하는 인공지능(AI) 모델을 구축하고, 상기 인공지능 모델은 학습 과정에서 사용된 데이터셋의 데이터 구성에 따라 상기 스트레스 지수와 함께 상기 딸기의 생육 단계 및 상기 재배환경 조건 중 스트레스 요인을 예측하여 출력하도록 학습되는 단계; 및
스트레스 지수 예측부를 통해, 상기 인공지능 모델을 이용하여 현재 재배 중인 딸기의 생육 단계 및 재배환경 조건에 따른 스트레스 지수를 예측하는 단계;를 포함하되,
상기 인공지능(AI) 모델을 구축하는 단계는 상기 생육 데이터 및 상기 재배환경 데이터로부터 추출된 특징 벡터들에 관한 입력 벡터를 입력으로 수신하여 상기 스트레스 지수에 관한 엽록소 형광 매개변수들을 출력으로 생성하는 엽록소 형광 AI모델을 구축하는 단계를 포함하는 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 방법.
- 삭제
- 제1항에 있어서,
상기 생육 데이터를 구분하여 수집하는 단계는
상기 지상부를 기준으로 상기 딸기의 생체중, 엽면적, 엽장, 엽폭 및 엽수를 포함하는 지상부 생육 데이터와, 상기 지하부를 기준으로 상기 딸기의 생체중, 주근의 길이와 직경 및 잔뿌리의 비율을 포함하는 지하부 생육 데이터를 구분하여 수집하는 단계를 포함하고,
상기 재배환경 데이터를 수집하는 단계는
상기 지상부의 재배환경 조건으로서 온도, 습도, VPD, 광량 및 광스펙트럼을 포함하는 제1 재배환경 데이터와, 상기 지하부의 재배환경 조건으로서 양액의 비율과 농도, EC, pH, 상기 양액의 온도 및 관수 주기를 포함하는 제2 재배환경 데이터를 각각 수집하는 단계를 포함하는 것을 특징으로 하는 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 방법.
- 제3항에 있어서, 상기 인공지능 모델을 구축하는 단계는
상기 엽록소 형광분석 데이터와, 상기 지상부 생육 데이터와 상기 지하부 생육 데이터 사이의 제1 조합, 그리고 상기 제1 재배환경 데이터와 상기 제2 재배환경 데이터 사이의 제2 조합을 포함하는 데이터셋의 적어도 일부를 학습하여 상기 인공지능 모델을 구축하는 단계를 포함하는 것을 특징으로 하는 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출 방법.
- 엽록소 형광분석 기기와 연동하여 딸기에 대한 형광분석 이미지를 포함하는 엽록소 형광분석 데이터와, 상기 딸기의 생육 이미지를 포함하고 상기 엽록소 형광분석 데이터와 매칭되는 상기 딸기의 지상부 및 지하부 각각의 생육 단계에 관한 생육 데이터와, 그리고 상기 딸기의 생육 과정에서 상기 지상부 및 지하부 각각의 재배환경 조건에 관한 재배환경 데이터를 수집하고, 상기 딸기의 본엽에 관한 상기 형광분석 이미지로부터 복수의 엽록소 형광 매개변수들을 추출하며, 상기 딸기의 본엽에서 방출되는 엽록소 형광값을 상기 복수의 엽록소 형광 매개변수들로 표현하는 데이터 수집부;
상기 딸기와 연관된 엽록소 형광분석 데이터와 함께 상기 지상부 및 지하부로 구분된 생육 데이터 및 상기 재배환경 데이터를 학습하여 상기 지상부 및 지하부 각각의 생육 단계와 재배환경 조건에 따른 상기 딸기의 스트레스 지수를 예측하는 인공지능(AI) 모델을 구축하고, 상기 인공지능 모델은 학습 과정에서 사용된 데이터셋의 데이터 구성에 따라 상기 스트레스 지수와 함께 상기 딸기의 생육 단계 및 상기 재배환경 조건 중 스트레스 요인을 예측하여 출력하도록 학습되는 모델 구축부;
상기 인공지능 모델을 이용하여 현재 재배 중인 딸기의 생육 단계 및 재배환경 조건에 따른 스트레스 지수를 예측하는 스트레스 지수 예측부; 및
상기 스트레스 지수를 기초로 상기 현재 재배 중인 딸기의 재배환경을 능동적으로 제어하는 재배환경 제어부;를 포함하되,
상기 모델 구축부는 상기 생육 데이터 및 상기 재배환경 데이터로부터 추출된 특징 벡터들에 관한 입력 벡터를 입력으로 수신하여 상기 스트레스 지수에 관한 엽록소 형광 매개변수들을 출력으로 생성하는 엽록소 형광 AI모델을 구축하는 것을 특징으로 하는 스트레스 지수를 이용한 딸기의 재배관리 시스템.
- 제5항에 있어서, 상기 재배환경 제어부는
상기 스트레스 지수를 기초로 상기 딸기의 뿌리 활착 및 생장 구간 동안 상기 딸기의 전체 스트레스를 경감하는 방향으로 상기 재배환경을 조절하거나 또는 상기 딸기의 화아분화 구간 동안 상기 딸기의 특정 스트레스를 강화하는 방향으로 상기 재배환경을 조절하는 것을 특징으로 하는 스트레스 지수를 이용한 딸기의 재배관리 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230084281A KR102631597B1 (ko) | 2023-06-29 | 2023-06-29 | 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출방법 및 재배관리 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230084281A KR102631597B1 (ko) | 2023-06-29 | 2023-06-29 | 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출방법 및 재배관리 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102631597B1 true KR102631597B1 (ko) | 2024-02-02 |
Family
ID=89900308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230084281A KR102631597B1 (ko) | 2023-06-29 | 2023-06-29 | 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출방법 및 재배관리 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102631597B1 (ko) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6151663B2 (ko) * | 1981-05-06 | 1986-11-10 | Man B & W Diesel As | |
| KR20160052367A (ko) | 2014-10-29 | 2016-05-12 | 서울대학교산학협력단 | 엽록소 형광영상을 이용한 식물의 비생물적 스트레스 또는 제초제 반응의 진단방법 |
| KR101811640B1 (ko) * | 2016-08-03 | 2017-12-26 | 한국과학기술연구원 | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 |
| KR20180086738A (ko) * | 2017-01-23 | 2018-08-01 | 한국과학기술연구원 | 작물 재배 가이드 정보 제공 장치, 및 그 방법 |
| KR20200029657A (ko) * | 2018-09-06 | 2020-03-19 | 장성식 | 작물 이미지 빅데이터를 이용한 영농 자동화 시스템 |
| WO2021229248A1 (en) * | 2020-05-12 | 2021-11-18 | Fevgas Georgios | Method for detection and classification of biotic - abiotic stress in crops from thermal photographs using artificial intelligence |
| KR102387765B1 (ko) * | 2020-03-11 | 2022-04-18 | 서울대학교산학협력단 | 작물의 생육량 예측 방법 및 장치 |
| KR102433570B1 (ko) * | 2021-03-29 | 2022-08-19 | 전북대학교산학협력단 | 상추 유전자원의 건조 스트레스 지수 제공 방법 |
| JP7172605B2 (ja) * | 2017-02-15 | 2022-11-16 | ソニーグループ株式会社 | 情報生成方法、情報生成装置、プログラム |
| KR20230061034A (ko) * | 2021-10-28 | 2023-05-08 | (주)카탈로닉스 | 작물의 엽록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 엽록소 함량 예측 방법 및 식물 생육 시스템 |
-
2023
- 2023-06-29 KR KR1020230084281A patent/KR102631597B1/ko active IP Right Grant
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6151663B2 (ko) * | 1981-05-06 | 1986-11-10 | Man B & W Diesel As | |
| KR20160052367A (ko) | 2014-10-29 | 2016-05-12 | 서울대학교산학협력단 | 엽록소 형광영상을 이용한 식물의 비생물적 스트레스 또는 제초제 반응의 진단방법 |
| KR101811640B1 (ko) * | 2016-08-03 | 2017-12-26 | 한국과학기술연구원 | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 |
| KR20180086738A (ko) * | 2017-01-23 | 2018-08-01 | 한국과학기술연구원 | 작물 재배 가이드 정보 제공 장치, 및 그 방법 |
| JP7172605B2 (ja) * | 2017-02-15 | 2022-11-16 | ソニーグループ株式会社 | 情報生成方法、情報生成装置、プログラム |
| KR20200029657A (ko) * | 2018-09-06 | 2020-03-19 | 장성식 | 작물 이미지 빅데이터를 이용한 영농 자동화 시스템 |
| KR102387765B1 (ko) * | 2020-03-11 | 2022-04-18 | 서울대학교산학협력단 | 작물의 생육량 예측 방법 및 장치 |
| WO2021229248A1 (en) * | 2020-05-12 | 2021-11-18 | Fevgas Georgios | Method for detection and classification of biotic - abiotic stress in crops from thermal photographs using artificial intelligence |
| KR102433570B1 (ko) * | 2021-03-29 | 2022-08-19 | 전북대학교산학협력단 | 상추 유전자원의 건조 스트레스 지수 제공 방법 |
| KR20230061034A (ko) * | 2021-10-28 | 2023-05-08 | (주)카탈로닉스 | 작물의 엽록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 엽록소 함량 예측 방법 및 식물 생육 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101811640B1 (ko) | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 | |
| US20220075344A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
| Langstroff et al. | Opportunities and limits of controlled-environment plant phenotyping for climate response traits | |
| CN107783522A (zh) | 一种基于物联网的农作物病虫害智能防治系统 | |
| CN107329511B (zh) | 基于适宜根温区间的水培蔬菜光环境高效调控方法与系统 | |
| Swaminathan et al. | IoT-driven artificial intelligence technique for fertilizer recommendation model | |
| Villordon et al. | Development of a prototype Bayesian network model representing the relationship between fresh market yield and some agroclimatic variables known to influence storage root initiation in sweetpotato | |
| CN112906298A (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
| Kaitaniemi et al. | Power-law estimation of branch growth | |
| Park et al. | A layered features analysis in smart farm environments | |
| Costa et al. | Greenhouses within the Agricultura 4.0 interface | |
| Ohana-Levi et al. | Grapevine stem water potential estimation based on sensor fusion | |
| CN106803209B (zh) | 实时数据库和先进控制算法的作物培育模式分析优化方法 | |
| Sultana et al. | The consequences of plant architecture and spatial distribution of light interception on cotton growth and yield. | |
| KR102631597B1 (ko) | 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출방법 및 재배관리 시스템 | |
| Körner et al. | An on-line tool for optimising greenhouse crop production | |
| Lin et al. | Data-driven modeling for crop growth in plant factories | |
| Mezouari et al. | Towards Smart Farming through Machine Learning-Based Automatic Irrigation Planning | |
| Gong et al. | Studies of evolutionary algorithms for the reduced Tomgro model calibration for modelling tomato yields | |
| Revathi et al. | Categorize the quality of cotton seeds based on the different germination of the cotton using machine knowledge approach | |
| Dutta et al. | Bibliometric Analysis on Herbaceous Plants using Smart Precision Farming | |
| Wang | Data driven explanation of temporal and spatial variability of maize yield in the United States | |
| Zhou et al. | Present situation and development prospect of the digital orchard technology | |
| Yao et al. | Integrating microweather forecasts and crop physiological indicators for greenhouse environmental control | |
| Patil et al. | AI-Driven Hydroponic Systems for Lemon Basil |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |