KR102646109B1 - 인공지능 기반 시설 원예 시스템 및 이의 작물 판매 수익 최대화 방법 - Google Patents
인공지능 기반 시설 원예 시스템 및 이의 작물 판매 수익 최대화 방법 Download PDFInfo
- Publication number
- KR102646109B1 KR102646109B1 KR1020230108354A KR20230108354A KR102646109B1 KR 102646109 B1 KR102646109 B1 KR 102646109B1 KR 1020230108354 A KR1020230108354 A KR 1020230108354A KR 20230108354 A KR20230108354 A KR 20230108354A KR 102646109 B1 KR102646109 B1 KR 102646109B1
- Authority
- KR
- South Korea
- Prior art keywords
- zone
- cultivation
- nutrient solution
- crop
- optimal
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 16
- 235000015097 nutrients Nutrition 0.000 claims abstract description 290
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 206
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 103
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 103
- 238000010413 gardening Methods 0.000 claims abstract description 20
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 62
- 229910052760 oxygen Inorganic materials 0.000 claims description 62
- 239000001301 oxygen Substances 0.000 claims description 62
- 230000005855 radiation Effects 0.000 claims description 28
- 238000003898 horticulture Methods 0.000 claims description 27
- 238000009795 derivation Methods 0.000 claims description 15
- 239000013589 supplement Substances 0.000 claims description 8
- 239000007921 spray Substances 0.000 claims description 5
- 238000005507 spraying Methods 0.000 claims 1
- 241000208822 Lactuca Species 0.000 description 13
- 235000003228 Lactuca sativa Nutrition 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000005338 heat storage Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C23/00—Distributing devices specially adapted for liquid manure or other fertilising liquid, including ammonia, e.g. transport tanks or sprinkling wagons
- A01C23/007—Metering or regulating systems
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C23/00—Distributing devices specially adapted for liquid manure or other fertilising liquid, including ammonia, e.g. transport tanks or sprinkling wagons
- A01C23/008—Tanks, chassis or related parts
-
- 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
- A01G7/06—Treatment of growing trees or plants, e.g. for preventing decay of wood, for tingeing flowers or wood, for prolonging the life of plants
-
- 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
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/18—Greenhouses for treating plants with carbon dioxide or the like
-
- 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
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
- A01G9/246—Air-conditioning systems
-
- 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
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
- A01G9/249—Lighting means
-
- 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
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Environmental Sciences (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Forests & Forestry (AREA)
- Water Supply & Treatment (AREA)
- Soil Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Botany (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Wood Science & Technology (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
Abstract
본 발명에 따른 인공지능 기반 시설 원예 시스템 및 이의 작물 판매 수익 최대화 방법은, 판매 시기별 작물의 판매 단가를 예측할 수 있는 단가 추이 데이터를 이용하여 판매 단가가 높은 판매 시기를 작물의 출하 시기로 설정하고, 상기 출하 시기에 맞추어 작물을 성장시키기 위한 작물의 목표 성장률을 도출하여, 미리 학습된 인공지능모델로부터 상기 작물의 성장률이 상기 목표 성장률이 되는 재배 조건 최적값들을 도출하고, 상기 재배 조건 최적값에 따라 재배 조건을 제어함으로써, 판매 단가가 가장 높은 시기에 출하할 수 있게 되어 판매 수익을 최대화시킬 수 있다. 또한, 시설물을 복수의 재배 구역들로 구획하고, 시설물의 실내 온도, 실내 습도 및 재배 시기를 포함한 시설물 재배 조건들과, 각 재배 구역들의 작물의 종류, 양액 온도, 작물의 성장단계, 일조량 및 이산화탄소 공급량을 포함한 재배 구역별 재배 조건들을 입력 변수로 하여 인공지능 학습함으로써, 각 재배 구역들마다 재배 조건 최적값들을 각각 도출할 수 있으므로, 일조량 등과 같이 서로 다른 재배 조건을 가지는 재배 구역들의 특성이 반영되어, 보다 효율적으로 작물을 성장시킬 수 있다.
Description
본 발명은 인공지능 기반 시설 원예 시스템 및 이의 작물 판매 수익 최대화 방법에 관한 것으로서, 보다 상세하게는 판매 시기별 단가 추이 데이터를 이용하여 작물의 판매 단가가 높은 판매 시기에 맞추어 출하가능하도록 목표 성장률을 설정하고, 인공지능을 이용하여 상기 목표 성장률에 적합한 최적의 재배 조건을 도출함으로써, 최대 수익을 창출할 수 있는 인공지능 기반 시설 원예 시스템 및 이의 작물 판매 수익 최대화 방법에 관한 것이다.
일반적으로 시설 원예는 온실이나 비닐하우스를 이용하여 채소, 꽃, 과수 등의 작물을 재배하는 것을 의미한다. 이러한 시설 원예는 온실이나 비닐하우스 등과 같은 시설물을 건축하고 작물 재배 환경을 인위적으로 조절해야 하므로 자본 집약적인 면이 있으나, 작물 재배에 중요한 수분, 온도, 영양분 등을 조절할 수 있으므로 출하 시기를 조절하고 생육기간을 연중으로 연장할 수도 있는 장점이 있다.
종래의 시설 원예에서는 작물의 재배 조건을 일정하게 제어함으로써, 작물의 상품성을 높게 유지하여 판매 수익을 높이고자 하였으나, 작물의 판매 수익은 작물의 상품성 뿐만 아니라 시장성의 영향을 많이 받기 때문에, 출하 시기에 따라 작물의 상품성이 높더라도 판매 수익이 오히려 낮아지는 문제점이 있다.
본 발명의 목적은, 인공지능을 이용하여 단가가 높은 판매 시기에 출하가 가능하도록 작물의 성장률을 제어할 수 있는 인공지능 기반 시설 원예 시스템 및 이의 작물 판매 수익 최대화 방법을 제공하는 데 있다.
본 발명에 따른 인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법은, 시설물의 내부를 복수의 재배 구역들로 구획하여 관리하는 인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법에 있어서, 인공지능부가 상기 재배 구역별로 미리 수집된 학습 데이터를 입력받고, 상기 학습 데이터 중에서 상기 각 재배 구역들의 작물의 종류, 양액 온도, 작물의 성장단계, 일조량 및 이산화탄소 공급량 중 적어도 일부를 포함한 재배 구역별 재배 조건과, 상기 시설물의 실내 온도, 실내 습도 및 재배 시기 중 적어도 일부를 포함한 시설물 재배 조건들을 입력 변수로 하고, 상기 학습 데이터 중에서 상기 각 재배 구역들의 작물 성장률을 출력 변수로 학습하여 인공지능모델을 생성하는 학습단계와; 출하 시기 설정부가 판매 시기별 작물의 판매 단가를 예측할 수 있는 단가 추이 데이터를 이용하여 판매 단가가 상대적으로 높은 판매 시기 또는 관리자가 원하는 판매 단가가 예측되는 판매 시기를 출하 시기로 설정하는 출하 시기 설정단계와; 목표 성장률 도출부가 작물의 현재 성장 상태와 상기 출하 시기를 고려하여 상기 작물이 상기 출하 시기에 출하가 가능하도록 성장시키기 위한 작물의 목표 성장률을 도출하는 목표 성장률 도출단계와; 상기 인공지능부는, 상기 인공지능모델로부터 상기 재배 구역들마다 상기 작물의 성장률이 상기 목표 성장률이 되는 상기 시설물의 실내 온도 최적값과 실내 습도 최적값, 상기 재배 구역의 양액 온도 최적값, 일조량 최적값 및 이산화탄소 공급량 최적값 중 적어도 일부를 포함하는 재배 조건 최적값을 각각 도출하는 재배 조건 도출단계와; 제어부는 상기 시설물의 실내 온도가 상기 실내 온도 최적값이 되고, 상기 재배 구역의 양액 온도가 상기 양액 온도 최적값이 되고, 상기 재배 구역의 일조량이 상기 일조량 최적값이 되고, 상기 재배 구역의 이산화탄소 공급량이 상기 이산화탄소 공급량 최적값이 되도록 제어하는 제어단계를 포함한다.
상기 시설 원예 시스템은, 양액이 저장된 양액 탱크와, 상기 양액 탱크와 상기 복수의 재배 구역들을 각각 연결하여, 상기 양액 탱크에서 나온 양액을 상기 재배 구역들로 분배하는 복수의 구역별 양액 공급 유로들과, 상기 구역별 양액 공급 유로들에 설치되어, 상기 재배 구역들마다 공급되는 양액의 온도를 각각 측정하는 복수의 구역별 양액 온도 센서들과, 상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 양액의 유량을 제어하는 복수의 구역별 양액 공급 밸브들과, 상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 양액의 온도를 각각 조절하기 위한 복수의 구역별 양액 보조 히터들을 포함하고, 상기 제어부는, 상기 구역별 양액 온도 센서에서 측정한 양액 온도가 해당 재배 구역의 상기 양액 온도 최적값이 되도록 상기 구역별 양액 공급 밸브와 상기 구역별 양액 보조 히터 중 적어도 하나의 작동을 제어한다.
상기 시설 원예 시스템은, 상기 재배 구역들마다 각각 설치되어 상기 재배 구역의 일조량을 측정하는 복수의 구역별 일조량 센서들과, 상기 재배 구역들마다 각각 설치되어, 상기 재배 구역들의 일조량을 보충해주기 위한 복수의 구역별 조명들을 포함하고, 상기 제어부는, 상기 구역별 일조량 센서에서 측정한 일조량이 해당 재배 구역의 상기 일조량 최적값이 되도록 상기 구역별 조명의 작동을 제어한다.
상기 시설 원예 시스템은, 상기 재배 구역들마다 각각 연결되어, 상기 재배 구역들로 이산화탄소를 공급하기 위한 복수의 구역별 이산화탄소 공급 유로들과, 상기 구역별 이산화탄소 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 이산화탄소 공급량을 조절하기 위한 복수의 구역별 이산화탄소 공급 밸브들을 포함하고, 상기 제어부는, 상기 재배 구역들마다 상기 이산화탄소 공급량이 해당 재배 구역의 상기 이산화탄소 공급량 최적값이 되도록 상기 구역별 이산화탄소 공급 밸브의 작동을 제어한다.
상기 입력 변수는, 상기 각 재배 구역들로 공급되는 양액의 산소 농도를 더 포함하고, 상기 인공지능부는, 상기 인공지능모델로부터 상기 재배 구역들마다 상기 작물의 성장률이 상기 목표 성장률이 되는 양액 산소 농도 최적값을 도출한다.
상기 시설 원예시스템은, 양액이 저장된 양액 탱크와, 상기 양액 탱크와 상기 복수의 재배 구역들을 각각 연결하여, 상기 양액 탱크에서 나온 양액을 상기 재배 구역들로 분배하는 복수의 구역별 양액 공급 유로들과, 상기 구역별 양액 공급 유로들마다 설치되어, 양액을 주 유동으로 분출하고 산소를 포함한 공기를 부 유동으로 흡인하여 양액에 공기를 혼합시켜 분사하는 복수의 구역별 이젝터들과, 상기 구역별 이젝터들에 연결된 공기 유로들에 설치되어, 상기 구역별 이젝터로 흡인되는 공기의 유량을 단속하는 복수의 구역별 공기 밸브들과, 상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들로 공급되는 양액의 산소 농도를 측정하는 복수의 구역별 양액 산소 센서들을 포함하고, 상기 제어부는, 상기 구역별 양액 산소 센서에서 측정한 양액 산소 농도가 해당 재배 구역의 상기 양액 산소 농도 최적값이 되도록 상기 구역별 공기 밸브의 작동을 제어한다.
상기 시설 원예 시스템은, 상기 시설물의 실내 온도와 실내 습도를 조절하기 위한 공기조화기와, 상기 시설물의 실내 온도를 측정하는 실내 온도 센서와, 상기 시설물의 실내 습도를 측정하는 실내 습도 센서를 더 포함하고, 상기 제어부는, 상기 실내 온도 센서가 측정한 실내 온도가 상기 실내 온도 최적값이 되고, 상기 실내 습도 센서가 측정한 실내 습도가 상기 실내 습도 최적값이 되도록 상기 공기조화기의 작동을 제어한다.
상기 인공지능부는, 상기 재배 조건 최적값을 도출하고자 하는 재배 구역의 식별 번호, 작물의 종류, 재배 시기 및 상기 목표 성장률을 입력받으면, 상기 인공지능모델로부터 상기 식별 번호에 해당하는 해당 재배 구역에서 상기 작물의 성장률이 상기 목표 성장률이 되는 상기 재배 조건 최적값을 한다.
본 발명의 다른 측면에 따른 인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법은, 시설물의 내부를 복수의 재배 구역들로 구획하여 관리하는 인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법에 있어서, 인공지능부가 상기 재배 구역별로 미리 수집된 학습 데이터를 입력받고, 상기 학습 데이터 중에서 상기 각 재배 구역들의 작물의 종류, 양액 온도, 작물의 성장단계, 일조량 및 이산화탄소 공급량 중 적어도 일부를 포함한 재배 구역별 재배 조건과, 상기 시설물의 실내 온도, 실내 습도 및 재배 시기 중 적어도 일부를 포함한 시설물 재배 조건들을 입력 변수로 하고, 상기 학습 데이터 중에서 상기 각 재배 구역들의 작물 성장률을 출력 변수로 학습하여 인공지능모델을 생성하는 학습단계와; 출하 시기 설정부가 판매 시기별 작물의 판매 단가를 예측할 수 있는 단가 추이 데이터를 이용하여 판매 단가가 상대적으로 높은 판매 시기 또는 관리자가 원하는 판매 단가가 예측되는 판매 시기를 출하 시기로 설정하는 출하 시기 설정단계와; 목표 성장률 도출부가 작물의 현재 성장 상태와 상기 출하 시기를 고려하여 상기 작물이 상기 출하 시기에 출하가 가능하도록 성장시키기 위한 작물의 목표 성장률을 도출하는 목표 성장률 도출단계와; 상기 인공지능부는, 상기 재배 조건 최적값을 도출하고자 하는 재배 구역의 식별 번호, 작물의 종류, 재배 시기 및 상기 목표 성장률을 입력받고, 상기 인공지능모델로부터 상기 재배 구역들마다 상기 작물의 성장률이 상기 목표 성장률이 되는 상기 시설물의 실내 온도 최적값과 실내 습도 최적값, 상기 재배 구역의 양액 온도 최적값, 일조량 최적값 및 이산화탄소 공급량 최적값 중 적어도 일부를 포함하는 재배 조건 최적값을 각각 도출하는 재배 조건 도출단계와; 제어부는 상기 시설물의 실내 온도가 상기 실내 온도 최적값이 되고, 상기 재배 구역의 양액 온도가 상기 양액 온도 최적값이 되고, 상기 재배 구역의 일조량이 상기 일조량 최적값이 되고, 상기 재배 구역의 이산화탄소 공급량이 상기 이산화탄소 공급량 최적값이 되도록 제어하는 제어단계를 포함하고, 상기 시설 원예 시스템은, 양액이 저장된 양액 탱크와, 상기 양액 탱크와 상기 복수의 재배 구역들을 각각 연결하여, 상기 양액 탱크에서 나온 양액을 상기 재배 구역들로 분배하는 복수의 구역별 양액 공급 유로들과, 상기 구역별 양액 공급 유로들에 설치되어, 상기 재배 구역들마다 공급되는 양액의 온도를 각각 측정하는 복수의 구역별 양액 온도 센서들과, 상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 양액의 유량을 제어하는 복수의 구역별 양액 공급 밸브들과, 상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 양액의 온도를 각각 조절하기 위한 복수의 구역별 양액 보조 히터들과, 상기 재배 구역들마다 각각 설치되어 상기 재배 구역의 일조량을 측정하는 복수의 구역별 일조량 센서들과, 상기 재배 구역들마다 각각 설치되어, 상기 재배 구역들의 일조량을 보충해주기 위한 복수의 구역별 조명들과, 상기 재배 구역들마다 각각 연결되어, 상기 재배 구역들로 이산화탄소를 공급하기 위한 복수의 구역별 이산화탄소 공급 유로들과, 상기 구역별 이산화탄소 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 이산화탄소 공급량을 조절하기 위한 복수의 구역별 이산화탄소 공급 밸브들을 포함하고, 상기 제어부는, 상기 구역별 양액 온도 센서에서 측정한 양액 온도가 해당 재배 구역의 상기 양액 온도 최적값이 되도록 상기 구역별 양액 공급 밸브와 상기 구역별 양액 보조 히터 중 적어도 하나의 작동을 제어하고, 상기 구역별 일조량 센서에서 측정한 일조량이 해당 재배 구역의 상기 일조량 최적값이 되도록 상기 구역별 조명의 작동을 제어하고, 상기 재배 구역들마다 상기 이산화탄소 공급량이 해당 재배 구역의 상기 이산화탄소 공급량 최적값이 되도록 상기 구역별 이산화탄소 공급 밸브의 작동을 제어한다.
본 발명에 따른 인공지능 기반 시설 원예 시스템은, 시설물의 내부를 복수의 재배 구역들로 구획하여 관리하는 인공지능 기반 시설 원예 시스템에 있어서, 양액이 저장된 양액 탱크와; 상기 복수의 재배 구역들을 각각 연결하여, 상기 양액 탱크에서 나온 양액을 상기 재배 구역들로 분배하는 복수의 구역별 양액 공급 유로들과; 상기 구역별 양액 공급 유로들에 설치되어, 상기 재배 구역들마다 공급되는 양액의 온도를 각각 측정하는 복수의 구역별 양액 온도 센서들과; 상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 양액의 유량을 제어하는 복수의 구역별 양액 공급 밸브들과; 상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 양액의 온도를 각각 조절하기 위한 복수의 구역별 양액 보조 히터들과; 상기 재배 구역들마다 각각 설치되어 상기 재배 구역의 일조량을 측정하는 복수의 구역별 일조량 센서들과; 상기 재배 구역들마다 각각 설치되어, 상기 재배 구역들의 일조량을 보충해주기 위한 복수의 구역별 조명들과; 상기 재배 구역들마다 각각 설치되어, 상기 재배 구역들로 이산화탄소를 공급하기 위한 복수의 구역별 이산화탄소 공급 유로들과; 상기 구역별 이산화탄소 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 이산화탄소 공급량을 조절하기 위한 복수의 구역별 이산화탄소 공급 밸브들과; 판매 시기별 작물의 판매 단가를 예측할 수 있는 단가 추이 데이터를 이용하여 상기 작물의 판매 단가가 상대적으로 높은 판매 시기 또는 관리자가 원하는 판매 단가가 예측되는 판매 시기를 출하 시기로 설정하는 출하 시기 설정부와; 작물의 현재 성장 상태와 상기 출하 시기를 고려하여 상기 작물이 상기 출하 시기에 출하가 가능하도록 성장시키기 위한 작물의 목표 성장률을 도출하는 목표 성장률 도출부와; 상기 재배 구역별로 미리 수집된 학습 데이터를 입력받고, 상기 학습 데이터 중에서 상기 각 재배 구역들의 작물의 종류, 양액 온도, 작물의 성장단계, 일조량 및 이산화탄소 공급량 중 적어도 일부를 포함한 재배 구역별 재배 조건과, 상기 시설물의 실내 온도, 실내 습도 및 재배 시기 중 적어도 일부를 포함한 시설물 재배 조건들을 입력 변수로 하고, 상기 학습 데이터 중에서 상기 각 재배 구역들의 작물 성장률을 출력 변수로 학습하여 인공지능모델을 생성하고, 상기 인공지능모델로부터 상기 재배 구역들마다 상기 작물의 성장률이 상기 목표 성장률이 되는 상기 시설물의 실내 온도 최적값과 실내 습도 최적값, 상기 재배 구역의 양액 온도 최적값, 일조량 최적값 및 이산화탄소 공급량 최적값 중 적어도 일부를 포함하는 재배 조건 최적값을 각각 도출하는 인공지능부와; 상기 시설물의 실내 온도가 상기 실내 온도 최적값이 되고, 상기 재배 구역의 양액 온도가 상기 양액 온도 최적값이 되고, 상기 재배 구역의 일조량이 상기 일조량 최적값이 되고, 상기 재배 구역의 이산화탄소 공급량이 상기 이산화탄소 공급량 최적값이 되도록 제어하는 제어부를 포함한다.
본 발명에 따른 인공지능 기반 시설 원예 시스템 및 이의 작물 판매 수익 최대화 방법은, 판매 시기별 작물의 판매 단가를 예측할 수 있는 단가 추이 데이터를 이용하여 판매 단가가 높은 판매 시기를 작물의 출하 시기로 설정하고, 상기 출하 시기에 맞추어 작물을 성장시키기 위한 작물의 목표 성장률을 도출하여, 미리 학습된 인공지능모델로부터 상기 작물의 성장률이 상기 목표 성장률이 되는 재배 조건 최적값들을 도출하고, 상기 재배 조건 최적값에 따라 재배 조건을 제어함으로써, 판매 단가가 가장 높은 시기에 출하할 수 있게 되어 판매 수익을 최대화시킬 수 있다.
또한, 시설물을 복수의 재배 구역들로 구획하고, 시설물의 실내 온도, 실내 습도 및 재배 시기를 포함한 시설물 재배 조건들과, 각 재배 구역들의 작물의 종류, 양액 온도, 작물의 성장단계, 일조량 및 이산화탄소 공급량을 포함한 재배 구역별 재배 조건들을 입력 변수로 하여 인공지능 학습함으로써, 각 재배 구역들마다 재배 조건 최적값들을 각각 도출할 수 있으므로, 일조량 등과 같이 서로 다른 재배 조건을 가지는 재배 구역들의 특성이 반영되어, 보다 효율적으로 작물을 성장시킬 수 있다.
도 1은 본 발명의 실시예에 따른 인공지능 기반 시설 원예 시스템의 개략적인 구성도이다.
도 2는 본 발명의 실시예에 따른 인공지능 기반 시설 원예 시스템의 제어 구성을 개략적으로 나타낸 블록도이다.
도 3은 본 발명의 실시예에 따른 인공지능 기반 시설 원예 시스템에서 인공지능모델을 생성하는 방법을 개략적으로 나타낸 도면이다.
도 4는 도 3에서 생성된 인공지능모델로부터 작물의 성장률이 목표 성장률이 되는 재배 조건 최적값들을 도출하는 방법을 개략적으로 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법을 개략적으로 나타낸 순서도이다.
도 2는 본 발명의 실시예에 따른 인공지능 기반 시설 원예 시스템의 제어 구성을 개략적으로 나타낸 블록도이다.
도 3은 본 발명의 실시예에 따른 인공지능 기반 시설 원예 시스템에서 인공지능모델을 생성하는 방법을 개략적으로 나타낸 도면이다.
도 4는 도 3에서 생성된 인공지능모델로부터 작물의 성장률이 목표 성장률이 되는 재배 조건 최적값들을 도출하는 방법을 개략적으로 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법을 개략적으로 나타낸 순서도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 따른 인공지능 기반 시설 원예 시스템을 설명하면 다음과 같다.
도 1은 본 발명의 실시예에 따른 인공지능 기반 시설 원예 시스템의 개략적인 구성도이다.
본 발명에 따른 인공지능 기반 시설 원예 시스템은, 시설물(10)의 내부를 복수의 재배 구역들로 구획하여 관리하는 시스템이다.
상기 시설물(10)은, 작물 재배를 위한 공간을 형성하는 곳이며, 온실이나 비닐하우스 등을 포함한다.
도 1을 참조하면, 상기 시설물(10)의 내부가 n개의 재배 구역들(A, A1~An)로 구획된 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고, 상기 재배 구역들(A1~An)의 크기, 형상, 개수는 다양하게 변경하여 적용 가능하다.
상기 시설 원예 시스템은, 양액 탱크(20), 복수의 구역별 양액 공급 유로들(21), 복수의 구역별 양액 온도 센서들(22), 복수의 구역별 양액 공급 밸브들(23), 복수의 구역별 양액 보조 히터들(24), 복수의 구역별 일조량 센서들(30), 복수의 구역별 조명들(31), 이산화탄소 공급부(40), 복수의 구역별 이산화탄소 공급 유로들(41), 복수의 구역별 이산화탄소 공급 밸브들(42), 공기조화기(60), 실내 온도 센서(61), 실내 습도 센서(62), 인공지능부(미도시), 출하 시기 설정부(미도시), 목표 성장률 도출부(미도시) 및 제어부(100)를 포함한다.
상기 양액 탱크(20)는, 외부의 열원에 의해 온도가 조절된 양액이 저장된 탱크이다.
여기서, 상기 시설 원예 시스템은, 히트펌프(미도시), 축열조(미도시) 및 양액 열교환기(미도시)를 더 포함하고, 상기 히트펌프(미도시)에서 생성된 냉온수가 상기 축열조(미도시)에 저장되고, 상기 양액 열교환기(미도시)는 상기 축열조(미도시)에서 나온 냉온수와 상기 양액 탱크(20)에서 나온 양액을 열교환시켜 상기 양액 탱크(20)내의 양액의 온도를 조절하는 것으로 예를 들어 설명한다.
상기 복수의 구역별 양액 공급 유로들(21)은, 상기 양액 탱크(20)와 상기 복수의 재배구역들(A1~An)을 각각 연결하여, 상기 양액 탱크(20)에서 나온 양액을 상기 재배 구역들(A1~An)로 분배하여 공급하는 유로이다. 여기서, 상기 재배 구역들(A1~An)이 n개인 것으로 예를 들어 설명하므로, 상기 구역별 양액 공급 유로들(21)도 n개로 분기되어 형성된다.
상기 복수의 구역별 양액 온도 센서들(22)은, 상기 구역별 양액 공급 유로들(21)에 설치되어, 상기 재배 구역들(A1~An)마다 공급되는 양액의 온도를 각각 측정한다.
상기 복수의 구역별 양액 공급 밸브들(23)은, 상기 구역별 양액 공급 유로들(21)에 설치되어, 상기 재배 구역들(A1~An)마다 공급되는 양액의 유량을 제어한다.
상기 복수의 구역별 양액 보조 히터들(24)은, 상기 구역별 양액 공급 유로들(21)에 설치되어, 상기 재배 구역들(A1~An)마다 공급되는 양액을 개별적으로 가열시켜 양액의 온도를 개별 제어하기 위한 가열장치이다.
상기 복수의 구역별 일조량 센서들(30)은, 상기 재배 구역들(A1~An)마다 설치되어 상기 재배 구역들(A1~An)의 일조량을 각각 측정한다.
상기 복수의 구역별 조명들(31)은, 상기 재배 구역들(A1~An)마다 설치되어 상기 재배 구역들(A1~An)의 일조량을 보충해주기 위한 장치이다. 상기 구역별 조명들(31)은 일조량을 보충할 수 있는 led 조명을 사용하는 것으로 예를 들어 설명한다.
상기 이산화탄소 공급부(40)는 상기 재배 구역들(A1~An)로 공급하기 위한 이산화탄소가 일시 저장되는 탱크인 것으로 예를 들어 설명한다.
상기 복수의 구역별 이산화탄소 공급 유로들(41)은, 상기 이산화탄소 공급부(40)와 상기 재배 구역들(A1~An)을 각각 연결하여, 상기 재배 구역들(A1~An)에 이산화탄소를 분배하여 공급하는 유로이다.
상기 복수의 구역별 이산화탄소 공급 밸브들(42)은, 상기 구역별 이산화탄소 공급 유로들(41)마다 각각 설치되어, 상기 재배 구역들(A1~An)마다 공급되는 이산화탄소 공급량을 조절하기 위한 밸브이다.
상기 공기조화기(60)는, 상기 시설물(10)에 설치되어, 상기 시설물(10)의 실내 온도와 실내 습도를 조절하여 상기 시설물(10)의 내부를 냉난방시키기 위한 냉난방 장치이다.
상기 실내 온도 센서(61)는, 상기 시설물(10)의 내부에 설치되어, 실내 온도를 측정하는 센서이다.
상기 실내 습도 센서(62)는, 상기 시설물(10)의 내부에 설치되어 실내 습도를 측정하는 센서이다.
한편, 상기 인공지능부(미도시)는, 미리 수집된 학습 데이터를 입력받고, 상기 학습 데이터로 기계학습하여, 작물의 성장률이 미리 설정된 목표 성장률이 되는 재배 조건 최적값을 도출하기 위한 인공지능모델(M)을 생성한다. 상기 인공지능모델(M)은 인공신경망 모델을 적용할 수 있다.
상기 학습 데이터는, 실험이나 시뮬레이션 등을 통해 저장된 데이터를 이용하는 것도 가능하고, 상기 시설물(10)에 대해 실시간으로 수집된 데이터를 이용하는 것도 가능하다.
상기 학습 데이터는, 상기 재배 구역별(A1~An)로 작물의 종류, 양액 온도, 작물의 성장단계, 일조량 및 이산화탄소 공급량, 상기 시설물(10)의 실내 온도, 실내 습도 및 재배 시기 중 적어도 일부를 포함한다.
도 3을 참조하면, 상기 기계학습을 위한 입력 변수는, 상기 학습 데이터 중에서 상기 재배 구역별로 작물의 종류, 양액 온도, 작물의 성장단계, 일조량 및 이산화탄소 공급량을 포함한 재배 구역별 재배 조건(I1)과, 상기 시설물(10)의 실내 온도, 실내 습도 및 재배 시기 중 적어도 일부를 포함한 시설물 재배 조건들(I2)을 포함한다.
상기 기계학습을 위한 출력 변수는, 상기 학습 데이터 중에서 상기 재배 구역별로 작물 성장률을 포함한다.
본 실시예에서는, 상기 시설물(10)의 내부를 복수의 재배 구역들(A1~An)로 구획하는 바, 상기 재배 구역들별 재배 조건과 시설물 재배 조건을 구분하여 입력변수로 사용한다.
따라서, 상기 인공지능모델(M)로부터 상기 재배 구역들(A1~An)에 따라 작물의 성장률이 상기 목표 성장률이 되는 재배 조건 최적값들이 다르게 도출될 수 있다.
상기 인공지능부(미도시)는, 상기 재배 구역들(A1~An) 중에서 재배 조건 최적값을 도출하고자 하는 적어도 하나의 재배 구역의 식별 번호, 해당 재배 구역에서 재배하고자 하는 작물의 종류, 재배 시기 및 상기 목표 성장률을 입력받으면, 상기 인공지능모델(M)로부터 해당 재배 구역에서 상기 작물의 성장률이 상기 목표 성장률이 되는 재배 조건 최적값들을 도출한다. 상기 재배 조건 최적값들은, 상기 시설물의 실내 온도 최적값, 실내 습도 최적값, 상기 재배 구역의 양액 온도 최적값, 일조량 최적값 및 이산화탄소 공급량 최적값을 포함한다.
상기 인공지능부(미도시)는, 상기 제어부(100)와 별도로 구비되고 상기 제어부(100)와 유,무선 통신이 가능한 서버(미도시)에 구비된 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고 상기 인공지능부(미도시)와 상기 제어부(100)는 동일한 프로세서인 것도 물론 가능하다.
상기 출하 시기 설정부(미도시)는, 판매 시기별 작물의 판매 단가를 예측할 수 있는 단가 추이 데이터를 이용하여, 작물의 판매 단가가 가장 높은 판매 시기 또는 관리자가 원하는 판매 단가가 예측되는 판매 시기를 해당 작물의 출하 시기로 설정한다. 이하, 본 실시예에서는 상기 출하 시기는 판매 단가가 가장 높은 판매 시기로 설정되는 것으로 예를 들어 설명한다.
상기 출하 시기 설정부(미도시)는 상기 서버(미도시)에 구비되어, 상기 단가 추이 데이터가 입력되면 상기 출하 시기가 자동으로 설정될 수 있다. 또한, 상기 출하 시기 설정부(미도시)는 관리자가 소지하고 있는 관리자 단말기와 유,무선 통신이 가능하도록 구비되어, 관리자가 상기 관리자 단말기를 통해 상기 단가 추이 데이터를 확인 후 원하는 출하 시기를 선택하여 입력하면, 상기 관리자 단말기로부터 상기 출하 시기를 입력받아서 설정하는 것도 물론 가능하다.
상기 단가 추이 데이터는, 판매 시기에 따른 판매 단가를 미리 예측하여 나타낸 데이터이다. 즉, 상기 단가 추이 데이터로부터 특정 기간 경과 후, 예를 들어 한달 후 판매시 예상 단가를 확인할 수 있다. 상기 단가 추이 데이터는 최근 작물의 생산량, 소비량 뿐만 아니라 예년 판매 기록 등을 고려하여 생성될 수 있다. 상기 단가 추이 데이터는, 외부 기관 등으로부터 제공받을 수 있다.
상기 목표 성장률 도출부(미도시)는, 작물의 현재 성장 상태와 상기 출하 시기를 고려하여 상기 작물이 상기 출하 시기에 출하가 가능하도록 성장시키기 위한 작물의 목표 성장률을 도출한다.
상기 작물의 현재 성장 상태는, 상기 성장률 센서(70)에서 측정한 작물의 키 또는 볼륨으로부터 알 수 있다. 예를 들어, 작물이 상추이고, 상추의 현재 키가 10cm이고, 상추의 판매 가능한 키는 20cm일 때, 상기 출하 시기가 10일 후로 설정되면, 상기 목표 성장률은 10일동안 상추의 키를 10cm 더 키우는 것으로 설정된다. 즉, 상기 목표 성장률은 현 시점으로부터 상기 출하 시기까지 남은 기간 동안 키 또는 볼륨의 증가량 등으로 설정된다.
상기 목표 성장률 도출부(미도시)는, 상기 서버(미도시)에 구비된 것으로 예를 들어 설명하나, 이에 한정되지 않고 상기 목표 성장률 도출부(미도시)와 상기 제어부(100)는 동일한 프로세서인 것도 물론 가능하다.
상기 제어부(100)는, 상기 인공지능모델(M)로부터 도출된 재배 조건 최적값들에 따라 상기 시설 원예 시스템의 설비들의 작동을 제어하여, 상기 재배 구역별로 각각 작물의 성장률이 상기 목표 성장률에 도달하도록 최대화시키도록 제어한다.
상기 제어부(100)는, 상기 구역별 양액 온도 센서(22), 상기 구역별 일조량 센서(30), 후술하는 구역별 양액 산소 센서(53), 상기 실내 온도 센서(61) 및 상기 실내 습도 센서(62)에서 각각 측정된 값에 따라 상기 구역별 양액 공급 밸브(23), 상기 구역별 양액 보조 히터(24), 상기 구역별 조명(31), 상기 구역별 이산화탄소 공급 밸브(42), 후술하는 구역별 공기 밸브(52), 상기 공기 조화기(60)의 작동을 각각 제어한다.
한편, 상기 시설 원예 시스템은, 상기 구역별 양액 공급 유로들(21)마다 설치되어 상기 재배 구역들(A1~An)에 각각 공급되는 양액에 산소를 공급하기 위한 산소 공급부를 더 포함한다.
본 실시예에서는, 상기 산소 공급부는, 복수의 구역별 이젝터들(51), 복수의 구역별 공기 밸브들(52), 복수의 구역별 양액 산소 센서들(53)을 포함하는 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고, 상기 양액에 산소를 공급할 수 있는 장치라면 다양하게 적용 가능하다.
상기 복수의 구역별 이젝터들(51)은, 상기 구역별 양액 공급 유로들(21)마다 설치되어, 양액을 주 유동으로 분출하고 산소를 포함한 공기를 부 유동으로 흡인하여 양액에 공기를 혼합시켜 분사한다.
상기 복수의 구역별 공기 밸브들(52)은, 상기 구역별 이젝터들(51)에 각각 설치되어, 상기 구역별 이젝터들(51)로 흡인되는 공기의 유량을 단속하는 밸브이다.
상기 복수의 구역별 양액 산소 센서들(53)은, 상기 구역별 양액 공급 유로들(21)에서 상기 구역별 이젝터들(51)보다 후류측에 설치되어, 상기 재배 구역들(A1~An)로 공급되는 양액 내 산소 농도를 측정한다.
상기와 같이 구성된 본 발명의 실시예에 따른 인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법을 설명하면, 다음과 같다.
도 3 내지 도 5를 참조하면, 본 발명의 실시예에 따른 인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법은, 데이터 수집단계(S1), 인공지능모델 학습단계(S2), 출하 시기 설정단계(S3), 목표 성장률 도출단계(S4), 재배 조건 도출단계(S5) 및 제어단계(S6)를 포함한다.
상기 데이터 수집단계(S1), 상기 인공지능모델 학습단계(S2) 및 상기 재배 조건 도출단계(S5)는 상기 제어부(100)와 별도로 구비되어 유,무선 통신이 가능한 서버(미도시)에 구비된 상기 인공지능부(미도시)에 의해 수행되는 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고, 상기 데이터 수집단계(S1), 상기 인공지능모델 학습단계(S2) 및 상기 재배 조건 도출단계(S5)는 상기 제어부(100)에 의해 수행되는 것도 물론 가능하다.
상기 데이터 수집단계(S1)에서는, 상기 재배 구역들(A1~An)별로 미리 설정된 설정 기간 동안 학습 데이터를 수집한다. 상기 학습 데이터는, 실험이나 시뮬레이션 등을 통해 저장된 데이터를 이용하는 것도 가능하고, 상기 시설물(10)에 대해 실시간으로 수집된 데이터를 이용하는 것도 가능하다.
상기 학습 데이터는, 상기 재배 구역별 작물의 종류, 양액 온도, 작물의 성장단계, 일조량, 이산화탄소 공급량 및 양액 산소 농도를 포함한 재배 구역별 재배 조건(I1)과, 상기 시설물(10)의 실내 온도, 실내 습도 및 재배 시기 중 적어도 일부를 포함한 시설물 재배 조건들(I2), 상기 재배 구역별(A1~An) 작물 성장률 중 적어도 일부를 포함한다.
상기 작물의 종류는, 상기 재배 구역들(A1~An)에서 각각 재배하는 작물의 종류에 대한 데이터이다. 즉, 상기 재배 구역들(A1~An) 중 적어도 일부가 서로 다른 작물이 재배될 수 있으므로, 상기 재배 구역들(A1~An)에 따라 수집된다.
상기 양액 온도는, 상기 재배 구역들(A1~An)에 각각 공급되는 양액의 온도에 대한 데이터이다. 상기 재배 구역들(A1~An)마다 개별적으로 양액이 공급되므로, 상기 재배 구역들(A1~An)에 따라 수집된다. 상기 양액 온도는 상기 재배 구역들(A1~An)마다 설치된 상기 구역별 양액 온도 센서(22)에서 측정될 수 있다.
상기 작물의 성장 단계는, 상기 재배 구역들(A1~An)에서 각각 재배하는 작물의 성장 단계에 대한 데이터이다. 상기 작물의 성장 단계는, 상기 재배 구역들(A1~An)마다 설치된 성장률 센서(70)에서 측정된 작물의 성장률에 따라 설정된 단계인 것으로 예를 들어 설명한다. 즉, 상기 작물의 성장 단계는, 초기 성장 단계, 중기 성장 단계 및 성숙 성장 단계 등과 같이 구분될 수 있다.
상기 일조량은, 상기 재배 구역들(A1~An)마다 태양광으로부터 받는 일조량과 상기 구역별 조명(31)의 일조량을 포함한 데이터이다. 상기 일조량은, 상기 재배 구역들(A1~An)마다 설치된 상기 구역별 일조량 센서(30)에서 측정될 수 있다.
상기 이산화탄소 공급량은, 상기 재배 구역들(A1~An)에 각각 공급되는 이산화탄소 공급량에 대한 데이터이다. 상기 이산화탄소 공급량은, 상기 구역별 이산화탄소 공급 밸브(42)의 개도율에 따라 산출될 수도 있고, 이산화탄소 센서를 별도로 설치하여 측정하는 것도 가능하다.
상기 양액 산소 농도는, 상기 재배 구역들(A1~An)에 각각 공급되는 양액 내 산소 농도에 대한 데이터이다. 상기 양액 산소 농도는, 상기 구역별 양액 산소 센서들(53)에서 측정될 수 있다.
상기 실내 온도는, 상기 실내 온도 센서(61)에 의해 측정된다.
상기 실내 습도는, 상기 실내 습도 센서(62)에 의해 측정된다.
상기 재배 시기는, 관리자 등에 의해 입력받을 수 있으며, 재배 날짜, 재배 기간, 재배 계절 중 적어도 일부를 포함할 수 있다.
상기 작물의 성장률은, 상기 성장률 센서들(70)에서 미리 설정된 설정 기간동안 측정된 작물의 성장 속도이다. 상기 성장률 센서(70)는, 작물의 특성에 따라 작물의 키와 볼륨 중 적어도 하나를 촬영하는 비전식 센서인 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고, 상기 작물의 성장 정도를 측정할 수 있는 것이라면 다양하게 적용 가능하다. 상기 설정 기간은 시간, 일간, 주간 및 월간 중 적어도 하나로 설정될 수 있다.
상기 인공지능모델 학습단계(S2)에서는, 상기 인공지부(미도시)가 상기 학습 데이터를 이용하여 기계학습하여 상기 작물의 성장률이 상기 목표 성장률이 되는 재배 조건 최적값을 도출할 수 있는 인공지능모델(M)을 생성한다.
도 3을 참조하면, 상기 인공지능부(미도시)는, 상기 학습 데이터 중에서 상기 재배 구역별 작물의 종류, 양액 온도, 작물의 성장단계, 일조량, 이산화탄소 공급량 및 양액 산소 농도, 상기 시설물(10)의 실내 온도, 실내 습도 및 재배 시기를 입력 변수로 하고, 상기 작물의 성장률을 출력 변수로 하고 학습한다.
상기 출하 시기 설정단계(S3)에서는, 상기 출하 시기 설정부(미도시)가 판매 시기별 작물의 판매 단가를 예측할 수 있는 단가 추이 데이터를 이용하여, 상기 재배 구역들마다 작물의 판매 단가가 가장 높은 판매 시기를 해당 작물의 출하 시기로 설정한다.
예를 들어, 작물이 상추이고, 상기 단가 추이 데이터에서 상추의 판매 단가가 가장 높은 판매 시기가 5월 1일인 경우, 5월 1일을 상추의 출하 시기로 설정한다. 다만, 이에 한정되지 않고, 상기 출하 시기는 5월 1일 전후의 소정의 범위로 설정되는 것도 물론 가능하다.
즉, 상기 출하 시기 설정단계(S3)에서는 판매 단가가 가장 높은 판매 시기를 작물의 출하 시기로 설정함으로써, 작물의 출하시 판매 수익을 최대화시킬 수 있다.
상기 목표 성장률 도출단계(S4)에서는, 상기 출하 시기에 작물의 출하가 가능하도록 작물의 출하 가능한 성장 상태로 성장시키기 위한 목표 성장률을 도출한다.
예를 들어, 작물이 상추이고, 상추의 상품성이 좋아서 판매 가능한 상태는 키가 20cm인 경우, 상추의 현재 성장 상태는 10cm이고, 상기 출하 시기가 현재로부터 10일 후로 설정되면, 상추의 상기 목표 성장률은 10일 동안 상추의 키를 10cm 더 키우는 것으로 설정된다. 즉, 상추의 목표 성장률은 1cm/일로 도출될 수 있다.
상기와 같이 목표 성장률이 도출되면, 상기 목표 성장률에 따른 상기 재배 조건 최적값을 도출하기 위한 상기 재배 조건 도출단계(S5)가 수행된다.
상기 재배 조건 도출단계(S5)에서는, 상기 인공지능부(미도시)가 상기 학습단계(S2)에서 생성된 인공지능모델(M)을 이용하여, 상기 작물의 성장률이 상기 목표 성장률이 되는 재배 조건 최적값들을 도출한다.
상기 재배 조건 도출단계(S5)에서는, 상기 인공지능모델(M)에 상기 재배 구역들(A1~An) 중에서 재배 조건 최적값을 도출하고자 하는 재배 구역의 식별 번호, 해당 재배 구역에서 재배하고자 하는 작물의 종류, 재배 시기를 포함한 기본 정보와 상기 목표 성장률을 입력하면, 상기 인공지능모델(M)로부터 상기 기본 정보와 상기 목표 성장률에 따라 상기 작물의 성장률이 상기 목표 성장률이 되는 재배 조건 최적값들을 도출한다. 상기 재배 조건 최적값들은, 상기 시설물의 실내 온도 최적값, 실내 습도 최적값, 상기 재배 구역의 양액 온도 최적값, 상기 재배 구역의 일조량 최적값, 상기 재배 구역의 이산화탄소 공급량 최적값 및 상기 재배 구역의 양액 양액 산소 농도 최적값을 포함한다.
상기 제어단계(S6)에서는, 상기 재배 조건 도출단계(S5)에서 도출된 재배 조건 최적값들에 따라 제어한다.
상기 제어부(100)는, 상기 시설물(10)의 실내 온도가 상기 실내 온도 최적값이 되고, 상기 시설물(10)의 실내 습도가 상기 실내 습도 최적값이 되도록 상기 공기조화기(미도시)를 제어한다.
또한, 상기 제어부(100)는, 상기 재배 구역의 양액 온도가 상기 인공지능모델(M)로부터 도출된 상기 양액 온도 최적값이 되도록 제어한다.
즉, 상기 제어부(100)는, 해당 재배 구역의 구역별 양액 온도 센서(22)에서 측정한 양액 온도가 상기 양액 온도 최적값이 되도록 상기 구역별 양액 공급 밸브(23)와 상기 구역별 양액 보조 히터(24)의 작동을 제어한다. 예를 들어, 상기 제1재배 구역(A1)의 상기 구역별 양액 온도 센서(22)에서 측정한 양액 온도가 상기 제1재배 구역(A1)의 상기 양액 온도 최적값 미만이면, 상기 제1재배 구역(A1)의 상기 구역별 양액 보조 히터(24)를 작동시키거나 가열량을 증가시켜, 상기 제1재배 구역(A1)으로 공급되는 양액 온도가 상기 제1재배 구역(A1)의 상기 양액 온도 최적값이 되도록 제어할 수 있다. 한편, 상기 제1재배 구역(A1)의 상기 구역별 양액 온도 센서(22)에서 측정한 양액 온도가 상기 제1재배 구역(A1)의 상기 양액 온도 최적값을 초과하면, 상기 제1재배 구역(A1)의 상기 구역별 양액 보조 히터(24)의 작동을 중지시키거나 가열량을 감소시켜, 상기 제1재배 구역(A1)으로 공급되는 양액 온도가 상기 제1재배 구역(A1)의 상기 양액 온도 최적값이 되도록 제어할 수 있다. 상기 구역별 양액 보조 히터(24)의 가열량 증감율은 상기 구역별 양액 온도 센서(22)에서 측정한 양액 온도가 상기 양액 온도 최적값의 차이에 따라 미리 설정될 수 있다.
또한, 상기 제어부(100)는, 상기 재배 구역의 일조량이 상기 인공지능모델(M)로부터 도출된 상기 일조량 최적값이 되도록 제어한다.
즉, 상기 제어부(100)는, 해당 재배 구역의 구역별 일조량 센서(30)에서 측정한 일조량이 상기 일조량 최적값이 되도록 상기 구역별 조명(31)의 작동을 제어한다. 예를 들어, 상기 제1재배 구역(A1)의 상기 구역별 일조량 센서(30)에서 측정한 일조량이 상기 제1재배 구역(A1)의 상기 일조량 최적값 미만이면, 상기 제1재배 구역(A1)의 상기 구역별 조명(31)의 조도를 증가시킨다. 한편, 상기 제1재배 구역(A1)의 상기 구역별 일조량 센서(30)에서 측정한 일조량이 상기 제1재배 구역(A1)의 상기 일조량 최적값을 초과하면, 상기 제1재배 구역(A1)의 상기 구역별 조명(31)의 조도를 감소시킬 수 있다. 상기 구역별 일조량 센서(30)의 조도 증감율은, 상기 구역별 일조량 센서(30)에서 측정한 일조량과 상기 일조량 최적값의 차이에 따라 미리 설정될 수 있다.
또한, 상기 제어부(100)는, 상기 재배 구역의 이산화탄소 공급량이 상기 인공지능모델(M)로부터 도출된 상기 이산화탄소 공급량 최적값이 되도록 제어한다.
즉, 상기 제어부(100)는, 해당 재배 구역의 이산화탄소 공급량이 상기 이산화탄소 공급량 최적값이 되도록 상기 구역별 이산화탄소 공급 밸브(42)의 개도율을 증감시킨다. 상기 구역별 이산화탄소 공급 밸브(42)의 개도율에 따라 이산화탄소 공급량이 달라진다.
또한, 상기 제어부(100)는, 상기 재배 구역의 양액 산소 농도가 상기 인공지능모델(M)로부터 도출된 상기 양액 산소 농도 최적값이 되도록 제어한다.
즉, 상기 제어부(100)는, 해당 재배 구역의 상기 구역별 양액 산소 센서들(53)에서 측정된 양액 산소 농도가 상기 양액 산소 농도 최적값이 되도록 상기 구역별 공기 밸브(52)의 작동을 제어한다. 예를 들어, 예를 들어, 상기 제1재배 구역(A1)의 상기 구역별 양액 산소 센서(53)에서 측정한 양액 산소 농도가 상기 제1재배 구역(A1)의 상기 양액 산소 농도 최적값 미만이면, 상기 제1재배 구역(A1)의 상기 구역별 공기 밸브(52)의 개도율을 증가시킨다. 한편, 상기 제1재배 구역(A1)의 상기 구역별 양액 산소 센서(53)에서 측정한 양액 산소 농도가 상기 제1재배 구역(A1)의 상기 양액 산소 농도 최적값을 초과하면, 상기 제1재배 구역(A1)의 상기 구역별 공기 밸브(52)의 개도율을 감소시킨다. 상기 구역별 공기 밸브(52)의 개도율은, 상기 구역별 양액 산소 센서(53)에서 측정한 양액 산소 농도와 상기 양액 산소 농도 최적값의 차이에 따라 미리 설정될 수 있다.
상기와 같이, 상기 제어부(100)가 상기 재배 조건 최적값들에 따라 제어하면, 상기 작물의 성장률이 상기 목표 성장률에 맞게 성장하게 되므로, 상기 작물은 상기 출하 시기에 맞추어 판매 가능한 목표만큼 성장하게 된다.
따라서, 작물을 판매 단가가 가장 높은 출하 시기에 맞추어 출하할 수 있으므로, 판매 수익이 최대화될 수 있다.
상기와 같이, 본 발명에서는 인공지능을 이용하여 작물의 성장률이 목표 성장률이 되는 재배 조건 최적값들을 도출하고, 상기 재배 조건 최적값들에 따라 최적의 생육 환경으로 제어함으로써, 작물을 판매 단가가 가장 높은 출하 시기에 맞추어 성장시킬 수 있다.
예를 들어, 판매 단가가 지속적으로 높아지고 있는 추세인 경우, 작물의 성장률을 늦추어서 판매 단가가 보다 높은 시점에 출하시킬 수 있다. 또한, 판매 단가가 지속적으로 낮아지고 있는 추세인 경우, 작물의 성장률을 가속시켜 판매 단가가 더 이상 낮아지기 전에 최대한 빨리 출하시킬 수도 있다.
또한, 상기 시설물(10)을 복수의 재배 구역들로 구획하고, 각 재배 구역들마다 재배 조건 최적값들을 각각 도출하여, 각 재배 구역들마다 다르게 제어함으로써, 서로 다른 재배 조건을 가지는 재배 구역들의 특성이 반영되어, 보다 효율적으로 작물을 성장시킬 수 있다. 즉, 동일한 시설물(10)의 내부에서도 재배 구역들마다 작물의 종류, 일조량 등이 다를 수 있기 때문에, 재배 구역들마다 다른 재배 조건으로 제어함으로써 모든 재배 구역들에서 생장효율을 보다 향상시킬 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
10: 시설물 20: 양액 탱크
21: 구역별 양액 공급 유로 22: 구역별 양액 온도 센서
23: 구역별 양액 공급 밸브 24: 구역별 양액 보조 히터
30: 구역별 일조량 센서 31: 구역별 조명
40: 이산화탄소 공급부 41: 구역별 이산화탄소 공급 유로
42: 구역별 이산화탄소 공급 밸브 51: 구역별 이젝터
52: 구역별 공기 밸브 53: 구역별 양액 산소 센서
60: 공기조화기 61: 실내 온도 센서
62: 실내 습도 센서 70: 성장률 센서
100: 제어부
21: 구역별 양액 공급 유로 22: 구역별 양액 온도 센서
23: 구역별 양액 공급 밸브 24: 구역별 양액 보조 히터
30: 구역별 일조량 센서 31: 구역별 조명
40: 이산화탄소 공급부 41: 구역별 이산화탄소 공급 유로
42: 구역별 이산화탄소 공급 밸브 51: 구역별 이젝터
52: 구역별 공기 밸브 53: 구역별 양액 산소 센서
60: 공기조화기 61: 실내 온도 센서
62: 실내 습도 센서 70: 성장률 센서
100: 제어부
Claims (10)
- 시설물의 내부를 복수의 재배 구역들로 구획하여 관리하는 인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법에 있어서,
인공지능부가 상기 재배 구역별로 미리 수집된 학습 데이터를 입력받고, 상기 학습 데이터 중에서 상기 각 재배 구역들의 작물의 종류, 양액 온도, 작물의 성장단계, 일조량 및 이산화탄소 공급량 중 적어도 일부를 포함한 재배 구역별 재배 조건과, 상기 시설물의 실내 온도, 실내 습도 및 재배 시기 중 적어도 일부를 포함한 시설물 재배 조건들을 입력 변수로 하고, 상기 학습 데이터 중에서 상기 각 재배 구역들의 작물 성장률을 출력 변수로 학습하여 인공지능모델을 생성하는 학습단계와;
출하 시기 설정부가 판매 시기별 작물의 판매 단가를 예측할 수 있는 단가 추이 데이터를 이용하여 판매 단가가 상대적으로 높은 판매 시기 또는 관리자가 원하는 판매 단가가 예측되는 판매 시기를 출하 시기로 설정하는 출하 시기 설정단계와;
목표 성장률 도출부가 작물의 현재 성장 상태와 상기 출하 시기를 고려하여 상기 작물이 상기 출하 시기에 출하가 가능하도록 성장시키기 위한 작물의 목표 성장률을 도출하는 목표 성장률 도출단계와;
상기 인공지능부는, 상기 복수의 재배 구역들 중에서 재배 조건 최적값을 도출하고자 하는 재배 구역의 식별 번호, 상기 식별 번호에 해당하는 해당 재배 구역에서 재배하고자 하는 작물의 종류, 재배 시기를 포함한 기본 정보, 상기 목표 성장률 도출단계에서 도출된 상기 목표 성장률을 입력받으면, 상기 인공지능모델로부터 상기 해당 재배 구역에서 상기 작물의 성장률이 상기 목표 성장률이 되는 상기 시설물의 실내 온도 최적값, 실내 습도 최적값, 상기 재배 구역의 양액 온도 최적값, 일조량 최적값 및 이산화탄소 공급량 최적값 중 적어도 일부를 포함하는 재배 조건 최적값을 각각 도출하는 재배 조건 도출단계와;
제어부는 상기 시설물의 실내 온도가 상기 실내 온도 최적값이 되고, 상기 재배 구역의 양액 온도가 상기 양액 온도 최적값이 되고, 상기 재배 구역의 일조량이 상기 일조량 최적값이 되고, 상기 재배 구역의 이산화탄소 공급량이 상기 이산화탄소 공급량 최적값이 되도록 제어하는 제어단계를 포함하고,
상기 입력 변수는, 상기 각 재배 구역들로 공급되는 양액의 산소 농도를 더 포함하고,
상기 인공지능부는, 상기 인공지능모델로부터 상기 재배 구역들마다 상기 작물의 성장률이 상기 목표 성장률이 되는 양액 산소 농도 최적값을 도출하고,
상기 시설 원예시스템은,
양액이 저장된 양액 탱크와, 상기 양액 탱크와 상기 복수의 재배 구역들을 각각 연결하여, 상기 양액 탱크에서 나온 양액을 상기 재배 구역들로 분배하는 복수의 구역별 양액 공급 유로들과, 상기 구역별 양액 공급 유로들마다 설치되어, 양액을 주 유동으로 분출하고 산소를 포함한 공기를 부 유동으로 흡인하여 양액에 공기를 혼합시켜 분사하는 복수의 구역별 이젝터들과, 상기 구역별 이젝터들에 연결된 공기 유로들에 설치되어, 상기 구역별 이젝터로 흡인되는 공기의 유량을 단속하는 복수의 구역별 공기 밸브들과, 상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들로 공급되는 양액의 산소 농도를 측정하는 복수의 구역별 양액 산소 센서들을 포함하고,
상기 제어부는,
상기 구역별 양액 산소 센서에서 측정한 양액의 산소 농도가 해당 재배 구역의 상기 양액 산소 농도 최적값이 되도록 상기 구역별 공기 밸브의 작동을 제어하는,
인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법. - 청구항 1에 있어서,
상기 시설 원예 시스템은,
상기 구역별 양액 공급 유로들에 설치되어, 상기 재배 구역들마다 공급되는 양액의 온도를 각각 측정하는 복수의 구역별 양액 온도 센서들과, 상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 양액의 유량을 제어하는 복수의 구역별 양액 공급 밸브들과, 상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 양액의 온도를 각각 조절하기 위한 복수의 구역별 양액 보조 히터들을 더 포함하고,
상기 제어부는,
상기 구역별 양액 온도 센서에서 측정한 양액 온도가 해당 재배 구역의 상기 양액 온도 최적값이 되도록 상기 구역별 양액 공급 밸브와 상기 구역별 양액 보조 히터 중 적어도 하나의 작동을 제어하는,
인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법. - 청구항 1에 있어서,
상기 시설 원예 시스템은,
상기 재배 구역들마다 각각 설치되어 상기 재배 구역의 일조량을 측정하는 복수의 구역별 일조량 센서들과, 상기 재배 구역들마다 각각 설치되어, 상기 재배 구역들의 일조량을 보충해주기 위한 복수의 구역별 조명들을 포함하고,
상기 제어부는,
상기 구역별 일조량 센서에서 측정한 일조량이 해당 재배 구역의 상기 일조량 최적값이 되도록 상기 구역별 조명의 작동을 제어하는,
인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법. - 청구항 1에 있어서,
상기 시설 원예 시스템은,
상기 재배 구역들마다 각각 연결되어, 상기 재배 구역들로 이산화탄소를 공급하기 위한 복수의 구역별 이산화탄소 공급 유로들과, 상기 구역별 이산화탄소 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 이산화탄소 공급량을 조절하기 위한 복수의 구역별 이산화탄소 공급 밸브들을 포함하고,
상기 제어부는,
상기 재배 구역들마다 상기 이산화탄소 공급량이 해당 재배 구역의 상기 이산화탄소 공급량 최적값이 되도록 상기 구역별 이산화탄소 공급 밸브의 작동을 제어하는,
인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법. - 삭제
- 삭제
- 청구항 1에 있어서,
상기 시설 원예 시스템은,
상기 시설물의 실내 온도와 실내 습도를 조절하기 위한 공기조화기와, 상기 시설물의 실내 온도를 측정하는 실내 온도 센서와, 상기 시설물의 실내 습도를 측정하는 실내 습도 센서를 더 포함하고,
상기 제어부는,
상기 실내 온도 센서가 측정한 실내 온도가 상기 실내 온도 최적값이 되고,
상기 실내 습도 센서가 측정한 실내 습도가 상기 실내 습도 최적값이 되도록 상기 공기조화기의 작동을 제어하는,
인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법. - 삭제
- 시설물의 내부를 복수의 재배 구역들로 구획하여 관리하는 인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법에 있어서,
인공지능부가 상기 재배 구역별로 미리 수집된 학습 데이터를 입력받고, 상기 학습 데이터 중에서 상기 각 재배 구역들의 작물의 종류, 양액 온도, 작물의 성장단계, 일조량, 이산화탄소 공급량 및 양액의 산소 농도 중 적어도 일부를 포함한 재배 구역별 재배 조건과, 상기 시설물의 실내 온도, 실내 습도 및 재배 시기 중 적어도 일부를 포함한 시설물 재배 조건들을 입력 변수로 하고, 상기 학습 데이터 중에서 상기 각 재배 구역들의 작물 성장률을 출력 변수로 학습하여 인공지능모델을 생성하는 학습단계와;
출하 시기 설정부가 판매 시기별 작물의 판매 단가를 예측할 수 있는 단가 추이 데이터를 이용하여 판매 단가가 상대적으로 높은 판매 시기 또는 관리자가 원하는 판매 단가가 예측되는 판매 시기를 출하 시기로 설정하는 출하 시기 설정단계와;
목표 성장률 도출부가 작물의 현재 성장 상태와 상기 출하 시기를 고려하여 상기 작물이 상기 출하 시기에 출하가 가능하도록 성장시키기 위한 작물의 목표 성장률을 도출하는 목표 성장률 도출단계와;
상기 인공지능부는, 상기 재배 조건 최적값을 도출하고자 하는 재배 구역의 식별 번호, 작물의 종류, 재배 시기 및 상기 목표 성장률을 입력받고, 상기 인공지능모델로부터 상기 재배 구역들마다 상기 작물의 성장률이 상기 목표 성장률이 되는 상기 시설물의 실내 온도 최적값과 실내 습도 최적값, 상기 재배 구역의 양액 온도 최적값, 일조량 최적값, 이산화탄소 공급량 최적값 및 양액 산소 농도 최적값 중 적어도 일부를 포함하는 재배 조건 최적값을 각각 도출하는 재배 조건 도출단계와;
제어부는 상기 시설물의 실내 온도가 상기 실내 온도 최적값이 되고, 상기 재배 구역의 양액 온도가 상기 양액 온도 최적값이 되고, 상기 재배 구역의 일조량이 상기 일조량 최적값이 되고, 상기 재배 구역의 이산화탄소 공급량이 상기 이산화탄소 공급량 최적값이 되도록 제어하는 제어단계를 포함하고,
상기 시설 원예 시스템은,
양액이 저장된 양액 탱크와, 상기 양액 탱크와 상기 복수의 재배 구역들을 각각 연결하여, 상기 양액 탱크에서 나온 양액을 상기 재배 구역들로 분배하는 복수의 구역별 양액 공급 유로들과, 상기 구역별 양액 공급 유로들에 설치되어, 상기 재배 구역들마다 공급되는 양액의 온도를 각각 측정하는 복수의 구역별 양액 온도 센서들과, 상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 양액의 유량을 제어하는 복수의 구역별 양액 공급 밸브들과, 상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 양액의 온도를 각각 조절하기 위한 복수의 구역별 양액 보조 히터들과, 상기 재배 구역들마다 각각 설치되어 상기 재배 구역의 일조량을 측정하는 복수의 구역별 일조량 센서들과, 상기 재배 구역들마다 각각 설치되어, 상기 재배 구역들의 일조량을 보충해주기 위한 복수의 구역별 조명들과, 상기 재배 구역들마다 각각 연결되어, 상기 재배 구역들로 이산화탄소를 공급하기 위한 복수의 구역별 이산화탄소 공급 유로들과, 상기 구역별 이산화탄소 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 이산화탄소 공급량을 조절하기 위한 복수의 구역별 이산화탄소 공급 밸브들과, 상기 구역별 양액 공급 유로들마다 설치되어, 양액을 주 유동으로 분출하고 산소를 포함한 공기를 부 유동으로 흡인하여 양액에 공기를 혼합시켜 분사하는 복수의 구역별 이젝터들과, 상기 구역별 이젝터들에 연결된 공기 유로들에 설치되어, 상기 구역별 이젝터로 흡인되는 공기의 유량을 단속하는 복수의 구역별 공기 밸브들과, 상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들로 공급되는 양액의 산소 농도를 측정하는 복수의 구역별 양액 산소 센서들을 포함하고,
상기 제어부는,
상기 구역별 양액 온도 센서에서 측정한 양액 온도가 해당 재배 구역의 상기 양액 온도 최적값이 되도록 상기 구역별 양액 공급 밸브와 상기 구역별 양액 보조 히터 중 적어도 하나의 작동을 제어하고,
상기 구역별 일조량 센서에서 측정한 일조량이 해당 재배 구역의 상기 일조량 최적값이 되도록 상기 구역별 조명의 작동을 제어하고,
상기 재배 구역들마다 상기 이산화탄소 공급량이 해당 재배 구역의 상기 이산화탄소 공급량 최적값이 되도록 상기 구역별 이산화탄소 공급 밸브의 작동을 제어하고,
상기 구역별 양액 산소 센서에서 측정한 양액의 산소 농도가 해당 재배 구역의 상기 양액 산소 농도 최적값이 되도록 상기 구역별 공기 밸브의 작동을 제어하는,
인공지능 기반 시설 원예 시스템의 작물 판매 수익 최대화 방법. - 시설물의 내부를 복수의 재배 구역들로 구획하여 관리하는 인공지능 기반 시설 원예 시스템에 있어서,
양액이 저장된 양액 탱크와;
상기 복수의 재배 구역들을 각각 연결하여, 상기 양액 탱크에서 나온 양액을 상기 재배 구역들로 분배하는 복수의 구역별 양액 공급 유로들과;
상기 구역별 양액 공급 유로들에 설치되어, 상기 재배 구역들마다 공급되는 양액의 온도를 각각 측정하는 복수의 구역별 양액 온도 센서들과;
상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 양액의 유량을 제어하는 복수의 구역별 양액 공급 밸브들과;
상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 양액의 온도를 각각 조절하기 위한 복수의 구역별 양액 보조 히터들과;
상기 재배 구역들마다 각각 설치되어 상기 재배 구역의 일조량을 측정하는 복수의 구역별 일조량 센서들과;
상기 재배 구역들마다 각각 설치되어, 상기 재배 구역들의 일조량을 보충해주기 위한 복수의 구역별 조명들과;
상기 재배 구역들마다 각각 설치되어, 상기 재배 구역들로 이산화탄소를 공급하기 위한 복수의 구역별 이산화탄소 공급 유로들과;
상기 구역별 이산화탄소 공급 유로들에 각각 설치되어, 상기 재배 구역들마다 공급되는 이산화탄소 공급량을 조절하기 위한 복수의 구역별 이산화탄소 공급 밸브들과;
상기 구역별 양액 공급 유로들마다 설치되어, 양액을 주 유동으로 분출하고 산소를 포함한 공기를 부 유동으로 흡인하여 양액에 공기를 혼합시켜 분사하는 복수의 구역별 이젝터들과;
상기 구역별 이젝터들에 연결된 공기 유로들에 설치되어, 상기 구역별 이젝터로 흡인되는 공기의 유량을 단속하는 복수의 구역별 공기 밸브들과;
상기 구역별 양액 공급 유로들에 각각 설치되어, 상기 재배 구역들로 공급되는 양액의 산소 농도를 측정하는 복수의 구역별 양액 산소 센서들과;
판매 시기별 작물의 판매 단가를 예측할 수 있는 단가 추이 데이터를 이용하여 상기 작물의 판매 단가가 상대적으로 높은 판매 시기 또는 관리자가 원하는 판매 단가가 예측되는 판매 시기를 출하 시기로 설정하는 출하 시기 설정부와;
작물의 현재 성장 상태와 상기 출하 시기를 고려하여 상기 작물이 상기 출하 시기에 출하가 가능하도록 성장시키기 위한 작물의 목표 성장률을 도출하는 목표 성장률 도출부와;
상기 재배 구역별로 미리 수집된 학습 데이터를 입력받고, 상기 학습 데이터 중에서 상기 각 재배 구역들의 작물의 종류, 양액 온도, 작물의 성장단계, 일조량, 이산화탄소 공급량 및 양액의 산소 농도 중 적어도 일부를 포함한 재배 구역별 재배 조건과, 상기 시설물의 실내 온도, 실내 습도 및 재배 시기 중 적어도 일부를 포함한 시설물 재배 조건들을 입력 변수로 하고, 상기 학습 데이터 중에서 상기 각 재배 구역들의 작물 성장률을 출력 변수로 학습하여 인공지능모델을 생성하고,
상기 복수의 재배 구역들 중에서 재배 조건 최적값을 도출하고자 하는 재배 구역의 식별 번호, 상기 식별 번호에 해당하는 해당 재배 구역에서 재배하고자 하는 작물의 종류, 재배 시기를 포함한 기본 정보, 상기 목표 성장률 도출부에서 도출된 상기 목표 성장률을 입력받으면, 상기 인공지능모델로부터 상기 재배 구역들마다 상기 작물의 성장률이 상기 목표 성장률이 되는 상기 시설물의 실내 온도 최적값과 실내 습도 최적값, 상기 재배 구역의 양액 온도 최적값, 일조량 최적값, 이산화탄소 공급량 최적값 및 양액 산소 농도 최적값 중 적어도 일부를 포함하는 재배 조건 최적값을 각각 도출하는 인공지능부와;
상기 시설물의 실내 온도가 상기 실내 온도 최적값이 되고, 상기 재배 구역의 양액 온도가 상기 양액 온도 최적값이 되고, 상기 재배 구역의 일조량이 상기 일조량 최적값이 되고, 상기 재배 구역의 이산화탄소 공급량이 상기 이산화탄소 공급량 최적값이 되고, 상기 재배 구역의 양액의 산소 농도가 상기 양액 산소 농도 최적값이 되도록 제어하는 제어부를 포함하는,
인공지능 기반 시설 원예 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230108354A KR102646109B1 (ko) | 2023-08-18 | 2023-08-18 | 인공지능 기반 시설 원예 시스템 및 이의 작물 판매 수익 최대화 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230108354A KR102646109B1 (ko) | 2023-08-18 | 2023-08-18 | 인공지능 기반 시설 원예 시스템 및 이의 작물 판매 수익 최대화 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102646109B1 true KR102646109B1 (ko) | 2024-03-13 |
Family
ID=90299104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230108354A KR102646109B1 (ko) | 2023-08-18 | 2023-08-18 | 인공지능 기반 시설 원예 시스템 및 이의 작물 판매 수익 최대화 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102646109B1 (ko) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100407075B1 (ko) | 2001-07-02 | 2003-11-28 | 대한민국 | 히트펌프를 이용한 양액재배용 배지 냉각 및 가온 시스템 |
| JP2011244697A (ja) * | 2010-05-21 | 2011-12-08 | Idemitsu Kosan Co Ltd | 植物環境管理システム |
| KR20140143272A (ko) * | 2013-06-05 | 2014-12-16 | 순천대학교 산학협력단 | 시설재배 최적 생장 환경 제공 시스템 및 그 방법 |
| KR20210076449A (ko) * | 2019-12-16 | 2021-06-24 | 이호경 | 모듈형 양액 공급제어 시스템 |
| KR20220094538A (ko) * | 2020-12-29 | 2022-07-06 | 주식회사 애그유니 | 적어도 하나의 하우스를 관리하기 위한 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체 |
| KR20220117100A (ko) * | 2021-02-15 | 2022-08-23 | 동신대학교산학협력단 | 수경 재배 시스템 및 이를 수행하기 위한 컴퓨팅 장치 |
-
2023
- 2023-08-18 KR KR1020230108354A patent/KR102646109B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100407075B1 (ko) | 2001-07-02 | 2003-11-28 | 대한민국 | 히트펌프를 이용한 양액재배용 배지 냉각 및 가온 시스템 |
| JP2011244697A (ja) * | 2010-05-21 | 2011-12-08 | Idemitsu Kosan Co Ltd | 植物環境管理システム |
| KR20140143272A (ko) * | 2013-06-05 | 2014-12-16 | 순천대학교 산학협력단 | 시설재배 최적 생장 환경 제공 시스템 및 그 방법 |
| KR20210076449A (ko) * | 2019-12-16 | 2021-06-24 | 이호경 | 모듈형 양액 공급제어 시스템 |
| KR20220094538A (ko) * | 2020-12-29 | 2022-07-06 | 주식회사 애그유니 | 적어도 하나의 하우스를 관리하기 위한 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체 |
| KR20220117100A (ko) * | 2021-02-15 | 2022-08-23 | 동신대학교산학협력단 | 수경 재배 시스템 및 이를 수행하기 위한 컴퓨팅 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7370051B2 (ja) | 農業管理システム | |
| US20160212954A1 (en) | Indoor Hydroponics Systems | |
| US20140324490A1 (en) | Distributed Farm Optimization System | |
| US20140344099A1 (en) | Produce production system and process | |
| KR20110073010A (ko) | 태양광 파장 제어를 이용한 온실 식물 성장 조절 장치 및 그것의 제어 방법 | |
| CN203748378U (zh) | 家用智能植物种植箱 | |
| JP2015223118A (ja) | 植物生育環境の制御方法、制御装置および制御用プログラム | |
| WO2020133669A1 (zh) | 一种植物工厂 | |
| JP5965668B2 (ja) | 植物栽培システム、植物栽培方法及びプログラム | |
| AU716472B2 (en) | Air culture system comprising a management system | |
| Challa et al. | Optimal diurnal climate control in greenhouses as related to greenhouse management and crop requirements | |
| JP2013172700A (ja) | 植物栽培システム、植物栽培方法及びプログラム | |
| US20240138327A1 (en) | System and method for plant indexing in a hydroponic farming environment and a hydroponic farming environment | |
| KR20140143272A (ko) | 시설재배 최적 생장 환경 제공 시스템 및 그 방법 | |
| WO2013126023A1 (en) | A plant growth system and monitoring method | |
| KR102450980B1 (ko) | 식물재배기 | |
| KR102646109B1 (ko) | 인공지능 기반 시설 원예 시스템 및 이의 작물 판매 수익 최대화 방법 | |
| JP6262929B2 (ja) | 植物栽培システム、植物栽培方法及びプログラム | |
| KR102145499B1 (ko) | 스마트 자립형 모종 배양 시스템 및 이를 이용한 모종 배양 방법 | |
| Challa et al. | Reflections about optimal climate control in greenhouse cultivation | |
| Caplan | Optimizing carbon dioxide concentration and daily light integral combination in a multi-level electrically lighted lettuce production system | |
| KR102627523B1 (ko) | 인공지능 기반 시설 원예 시스템 및 이의 작물 성장률의최적화 방법 | |
| US11612110B2 (en) | Environmental parameters for growing crops under high intensity lighting | |
| TW202213249A (zh) | 農業場域的智慧環控方法 | |
| Mattson et al. | Top misconceptions about CEA |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |