KR102670525B1 - 다종의 농산물 재배가 가능한 스마트팜 시스템 - Google Patents

다종의 농산물 재배가 가능한 스마트팜 시스템 Download PDF

Info

Publication number
KR102670525B1
KR102670525B1 KR1020230121577A KR20230121577A KR102670525B1 KR 102670525 B1 KR102670525 B1 KR 102670525B1 KR 1020230121577 A KR1020230121577 A KR 1020230121577A KR 20230121577 A KR20230121577 A KR 20230121577A KR 102670525 B1 KR102670525 B1 KR 102670525B1
Authority
KR
South Korea
Prior art keywords
smart farm
pesticide
sensing data
data
smart
Prior art date
Application number
KR1020230121577A
Other languages
English (en)
Inventor
고완기
Original Assignee
농업회사 법인 (주)바른농산
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 농업회사 법인 (주)바른농산 filed Critical 농업회사 법인 (주)바른농산
Application granted granted Critical
Publication of KR102670525B1 publication Critical patent/KR102670525B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • 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
    • 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
    • G06Q50/06—Energy or water supply
    • 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
    • G06Q50/10—Services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Botany (AREA)
  • Ecology (AREA)
  • Forests & Forestry (AREA)
  • Agronomy & Crop Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mining & Mineral Resources (AREA)

Abstract

본 발명은 스마트팜 운용 과정에서 발생되는 데이터를 분석하여 생육환경을 자동으로 제어하는 다종의 농산물 재배가 가능한 스마트팜 시스템에 관한 것이다.

Description

다종의 농산물 재배가 가능한 스마트팜 시스템{Smart farm system capable of growing a variety of agricultural products}
본 발명은 다종의 농산물 재배가 가능한 스마트팜 시스템에 관한 것으로, 더욱 상세하게는 스마트팜 운용 과정에서 발생되는 데이터를 분석하여 생육환경을 자동으로 제어하는 다종의 농산물 재배가 가능한 스마트팜 시스템에 관한 것이다.
최근 들어 통신 인프라가 확장되고 센싱기술이 고도화됨에 따라 각종 현장의 시설물들을 모니터링 및 장애예방을 위한 목적으로 유비쿼터스 센서 네트워크(USN, Ubiquitous Sensor Network) 또는 센서 네트워크 시스템 기반의 시설물 관리 기술들이 보급화 되고 있는 추세이다.
특히 농업은 먹거리를 생산하는 인류 생존에 필수적인 산업이지만, 전통적인 농업기술이 유지되고 있어 가장 현신이 느린 산업임과 더불어 현재 농업 생산인구의 감소와 고령화로 인해 미래 먹거리 생산에 대한 불안이 증대되고 있다.
이에 따라 ICT(Information and Communication Technology)를 농업에 접목시켜 농작물의 생육환경을 관리하며, 생산효율성을 높이기 위한 스마트 팜(Smart farm)에 대한 다양한 연구가 이루어지고 있다.
종래 기술에 따른 스마트팜 관리시스템은 IoT 디바이스, 빅데이터 플랫폼, 사용자 단말기 및 재배환경 제어장치로 이루어진다.
IoT 디바이스는 작물 재배환경 및 생육상태를 측정하는 센서들로 이루어지고, 상세하게로는 작물 재배환경의 온도, 습도, 일사량, 토양수분, pH 및 CO2농도를 포함한 재배환경을 측정하는 재배환경측정 IoT 디바이스와, 작물의 생장상태를 측정하는 작물상태측정 IoT 디바이스로 이루어진다.
또한 IoT 디바이스는 IoT 게이트웨이를 경유하여 측정된 재배환경 및 작물상태에 대한 측정 IoT 데이터를 빅데이터 플랫폼으로 전송한다.
빅데이터 플랫폼은 복수의 IoT 디바이스와 통신하여, 복수의 IoT 디바이스로부터 작물 재배환경 및 생육상태에 대한 측정 IoT 데이터를 수신한 후, 수집된 IoT 데이터에 기초한 빅데이터를 분석 및 가공하여 작물의 생장환경을 분석하며, 분석된 작물의 생장환경 분석데이터를 기초로 재배 작물에 대한 재배환경 제어데이터를 생성한다.
또한 빅데이터 플랫폼은 수집된 IoT 데이터를 시각화하는 시각화 정보를 생성한 후, 생성된 시각화 정보를 사용자 단말기로 전송한다.
사용자 단말기는 빅데이터 플랫폼과 네트워크를 통하여 연결되어 빅데이터 플랫폼으로부터 공급받은 시각화된 IoT 데이터정보를 디스플레이 한다.
재배환경 제어장치는 빅데이터 플랫폼으로부터 전송받은 재배환경 제어데이터에 따라 작물의 재배환경을 제어한다.
이와 같이 구성되는 종래기술에 따른 스마트팜 시스템은 원격지에서 사용자 단말기를 통해 재배 작물의 생장환경 분석데이터를 확인할 수 있을 뿐만 아니라, 빅데이터를 기반으로 작물의 재배환경을 최적의 상태로 제어할 수 있는 장점을 갖는다.
일반적으로 종래기술의 재배환경측정 IoT 디바이스들은 온도, 습도, 일사량, 토양수분, pH 및 CO2농도 등을 측정하도록 분류되고, 이에 따라 빅데이터 플랫폼은 측정 IoT 데이터를 분석할 때, 해당 카테고리의 특성에 적합한 머신러닝 알고리즘을 사용하는 것이 유용하나, 종래기술은 빅데이터 플랫폼은 측정 IoT 데이터들의 카테고리에 따라 최적의 머신러닝 알고리즘이 적용되도록 하는 구성이 기재되어 있지 않기 때문에 작물의 재배환경을 최적으로 제어하지 못하는 구조적 한계를 갖는다.
또한, 종래기술은 IoT 디바이스가 측정 IoT 데이터를 빅데이터 플랫폼으로 전송 시, 일시적인 통신장애 또는 부하로 인해 데이터누락, 손실이 발생하더라도, 이를 대처하지 못하는 단점을 갖는다.
또한 스마트팜을 구성하는 다수의 정보 통신 관련 장비들은 시설원예 시설(온실)내부의 높은 온도와 습도, 외부에 노출에 열악한 환경, 안정적 전원 공급의 부족 등으로 인해 고장성이 높고, 재배현장에서 고장의 유무를 판단하는 데 어려우며, 원격 제어시 카메라를 통한 시각적 확인 외에 동작 유무를 알 수 있는 방법이 없어, 스마트팜이 보급되는 데 걸림돌이 되고 있다.
한편, 전술한 배경 기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
한국등록특허 제10-2369167호
본 발명의 일측면은 스마트팜 운용 과정에서 발생되는 데이터를 분석하여 생육환경을 자동으로 제어하는 다종의 농산물 재배가 가능한 스마트팜 시스템을 제공한다.
본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 다종의 농산물 재배가 가능한 스마트팜 시스템은 스마트팜 운용 과정에서 발생되는 데이터를 분석하여 생육환경을 자동으로 제어한다.
본 발명의 일 실시예에 따른 다종의 농산물 재배가 가능한 스마트팜 시스템은,
스마트팜을 통해 재배되는 작물의 재배환경 및 생육상태를 측정하여 센싱 데이터를 생성하는 센서 모듈;
스마트팜을 통해 재배되는 작물의 생육환경을 제어하는 제어 모듈; 및
상기 센서 모듈로부터 수신되는 센싱 데이터에 기초하여 작물의 생육환경을 분석하여 분석데이터를 생성하며, 생성된 상기 분석데이터를 기초로 제어신호를 생성하여 상기 제어 모듈로 전송하는 스마트팜 관리서버를 포함한다.
또한, 본 발명의 일 실시예에 따른 다종의 농산물 재배가 가능한 스마트팜 시스템은 스마트팜 운용 과정에서 발생되는 데이터를 분석하여 생육환경을 자동으로 제어하며, 스마트팜을 통해 재배되는 작물의 재배환경 및 생육상태를 측정하는 센서 모듈로부터 수신되는 센싱 데이터를 가변 수집 시구간동안 수집한 후, 가변 수집 시구간동안 수집된 복수의 센싱 데이터를 스마트팜 관리서버로 전송하는 중계 노드를 포함한다.
상기 중계 노드는, 하기 수학식을 이용하여 상기 가변 수집 시구간을 산출한다.
[수학식]
여기서, CT는 가변 수집 시구간(초), d_s는 미리 설정된 기준 온도, d_t는 센싱 데이터에 포함된 측정 온도, l_a는 분석 시간 동안 수집된 평균 조도, h_s는 미리 설정된 기준 습도, h_t는 센싱 데이터에 포함된 측정 습도, g는 스마트팜의 고도(m), w는 스마트팜을 통해 재배되는 작물별로 설정되는 가중치, u는 사용자 단말과 스마트팜 간의 거리(km), f는 스마트팜의 면적(km2), k는 중계 노드와 스마트팜 관리서버 간의 이격 거리(km)이다.
상기 센싱 데이터는,
온도정보, 습도정보, 조도정보, 풍향정보, 풍량정보 및 강수정보를 포함한다.
또한, 본 발명에 따른 스마트팜 운용 방법은,
스마트팜을 통해 재배되는 작물의 재배환경 및 생육상태를 측정한 센싱 데이터를 수집하는 단계; 및
센싱 데이터에 기초하여 작물의 생육환경을 분석하여 분석데이터를 생성하며, 생성된 상기 분석데이터를 기초로 제어신호를 생성하여 제어 모듈로 전송하는 단계를 포함한다.
상기 센싱 데이터를 수집하는 단계는,
스마트팜을 통해 재배되는 작물의 재배환경 및 생육상태를 측정하는 센서 모듈로부터 수신되는 센싱 데이터를 가변 수집 시구간동안 수집한 후, 가변 수집 시구간동안 수집된 복수의 센싱 데이터를 스마트팜 관리서버로 전송하는 것을 특징으로 하는, 스마트팜 운용 방법.
상기 가변 수집 시구간은,
하기 수학식에 의해 산출되는 것을 특징으로 한다.
[수학식]
여기서, CT는 가변 수집 시구간(초), d_s는 미리 설정된 기준 온도, d_t는 센싱 데이터에 포함된 측정 온도, l_a는 분석 시간 동안 수집된 평균 조도, h_s는 미리 설정된 기준 습도, h_t는 센싱 데이터에 포함된 측정 습도, g는 스마트팜의 고도(m), w는 스마트팜을 통해 재배되는 작물별로 설정되는 가중치, u는 사용자 단말과 스마트팜 간의 거리(km), f는 스마트팜의 면적(km2), k는 중계 노드와 스마트팜 관리서버 간의 이격 거리(km)이다.
상술한 본 발명의 일측면에 따르면 스마트팜 운용 과정에서 발생되는 데이터를 분석하여 생육환경을 자동으로 제어할 수 있으며, 스마트팜 운용 과정에서 발생되는 데이터를 주기적으로 취합하여 전송함으로써 데이터 통신에 소요되는 에너지를 절감할 수 있을 뿐만 아니라 스마트팜의 생육 환경에 따라 전송 시점을 가변하여 전송함으로써 데이터 분석의 신뢰성이 향상될 수 잇다.
또한, 스마트팜의 생육환경을 제어하는 제어 모듈의 고장여부를 실시간으로 진단하여 사용자 단말로 전송함으로써 생육환경을 일관성 있게 유지할 수 있다.
도 1은 본 발명의 일 실시예에 따른 다종의 농산물 재배가 가능한 스마트팜 시스템의 개략적인 구성이 도시된 도면이다.
도 2는 도 1에 도시된 본 발명에 따른 스마트팜 관리서버의 구체적인 구성이 도시된 도면이다.
도 3은 본 발명의 일 실시예에 따른 스마트팜 운용 방법의 개략적인 흐름이 도시된 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 다종의 농산물 재배가 가능한 스마트팜 시스템의 개략적인 구성이 도시된 도면이다.
본 발명에 따른 다종의 농산물 재배가 가능한 스마트팜 시스템은 스마트팜 운용 과정에서 발생되는 데이터를 분석하여 생육환경을 자동으로 제어하는 것을 목적으로 한다.
구체적으로, 본 발명에 따른 다종의 농산물 재배가 가능한 스마트팜 시스템은 센서 모듈(100), 제어 모듈(200), 중계 노드(300), 스마트팜 관리서버(400) 및 사용자 단말(500)을 포함한다.
센서 모듈(100)은 스마트팜을 통해 재배되는 작물의 재배환경 및 생육상태를 측정하여 센싱 데이터를 생성한다.
센서 모듈(100)은 온도 센서, 습도 센서, 조도 센서, 압력 센서, 고도 센서, 유량 센서 등과 같은 센서 모듈을 포함할 수 있으며, 센서 모듈(100)에 의해 생성되는 센싱 데이터에는 온도정보, 습도정보, 조도정보, 풍향정보, 풍량정보 및 강수정보를 포함할 수 있으나, 이에 한정되는 것은 아니며 스마트팜의 생육환경을 측정하기 위한 다양한 종류의 데이터를 더 포함할 수 있다.
제어 모듈(200)은 스마트팜을 통해 재배되는 작물의 생육환경을 제어하는 장치로, 예컨대 온도 조절 장치, 배수 시설, 습도 조절 장치, 광량 조절 장치, 비료 살포 장치 등과 같은 설비들을 포함할 수 있다.
중계 노드(300)는 스마트팜 내에 배치된 복수의 센서 모듈로부터 수신되는 복수의 센싱 데이터를 수집하여 스마트팜 관리서버(400)로 전달한다.
일 실시예에서, 중계 노드(300)는 미리 정해진 일정한 전송 주기마다 센싱 데이터를 스마트팜 관리서버(400)로 전달한다.
일 실시예에서, 중계 노드(300)는 센싱 데이터의 특징에 기초하여 전송 주기를 가변하여 설정할 수 있다. 이와 관련된 구체적인 내용은 후술하기로 한다.
스마트팜 관리서버(400)는 상기 센서 모듈로부터 수신되는 센싱 데이터에 기초하여 작물의 생육환경을 분석하여 분석데이터를 생성하며, 생성된 상기 분석데이터를 기초로 생육환경을 제어하기 위한 제어신호를 생성하여 상기 제어 모듈로 전송한다.
사용자 단말(500)은 스마트팜을 운용하는 관리자가 소지한 전자장치로, 외부기기와 유무선 통신이 가능하며 정보의 입출력 및 처리가 가능한 스마트폰, PC, 랩탑PC, 태블릿 PC, 웨어러블 디바이스 등과 같은 형태일 수 있다.
사용자 단말(500)은 스마트팜 관리서버(400)에 접속하여 스마트팜의 생육환경과 관련된 센싱 데이터를 실시간으로 모니터링 할 수 있으며, 스마트팜의 이상 발생 시 스마트팜 관리서버(400)로부터 안내 메시지를 수신할 수 있다.
도 2는 이러한 스마트팜 관리서버(400)의 구체적인 구성이 도시된 도면이다.
도시된 바와 같이, 스마트팜 관리서버(400)는 데이터 수집 관리부(410), 데이터 분석부(420), 제어신호 생성부(430) 및 시설 점검부(440)를 포함한다.
데이터 수집 관리부(410)는 중계 노드(300)로부터 수신되는 센싱 데이터를 항목별(예컨대 온도, 습도 등)로 분류하여 저장한다.
데이터 분석부(420)는 수신된 센싱 데이터를 분석하여 분석 데이터를 생성한다.
이를 위해, 데이터 분석부(420)는 Word2Vec 알고리즘으로 학습 데이터를 학습하여 입력 데이터에 대하여 문맥 정보를 추출하는 신경망을 구축할 수 있다.
Word2Vec 알고리즘은 신경망 언어 모델(NNLM : Neural Network Language Model)을 포함할 수 있다. 신경망 언어 모델은 기본적으로 Input Layer, Projection Layer, Hidden Layer, Output Layer로 이루어진 Neural Network이다. 신경망 언어 모델은 단어를 벡터화하는 방법에 사용되는 것이다. 신경망 언어 모델은 공지된 기술이므로 보다 자세한 설명은 생략하기로 한다.
Word2vec 알고리즘은, 텍스트마이닝을 위한 것으로, 각 단어 간의 앞, 뒤 관계를 보고 근접도를 정하는 알고리즘이다. Word2vec 알고리즘은 비지도 학습 알고리즘이다. Word2vec 알고리즘은 이름이 나타내는 바와 같이 단어의 의미를 벡터형태로 표현하는 계량기법일 수 있다. Word2vec 알고리즘은 각 단어를 200차원 정도의 공간에서 백터로 표현할 수 있다. Word2vec 알고리즘을 이용하면, 각 단어마다 단어에 해당하는 벡터를 구할 수 있다.
Word2vec 알고리즘은 종래의 다른 알고리즘에 비해 자연어 처리 분야에서 비약적인 정밀도 향상을 가능하게 할 수 있다. Word2vec은 입력한 말뭉치의 문장에 있는 단어와 인접 단어의 관계를 이용해 단어의 의미를 학습할 수 있다. Word2vec 알고리즘은 인공 신경망에 근거한 것으로, 같은 맥락을 지닌 단어는 가까운 의미를 지니고 있다는 전제에서 출발한다. Word2vec 알고리즘은 텍스트 문서를 통해 학습을 진행하며, 한 단어에 대해 근처(전후 5 내지 10 단어 정도)에 출현하는 다른 단어들을 관련 단어로서 인공 신경망에 학습시킨다. 연관된 의미의 단어들은 문서상에서 가까운 곳에 출현할 가능성이 높기 때문에 학습을 반복해 나가는 과정에서 두 단어는 점차 가까운 벡터를 지닐 수 있다.
Word2vec 알고리즘의 학습 방법은 CBOW(Continuous Bag Of Words) 방식과 skip-gram 방식이 있다. CBOW 방식은 주변 단어가 만드는 맥락을 이용해 타겟 단어를 예측하는 것이다. skip-gram 방식은 한 단어를 기준으로 주변에 올 수 있는 단어를 예측하는 것이다. 대규모 데이터셋에서는 skip-gram 방식이 더 정확한 것으로 알려져 있다.
따라서, 본 발명의 실시 예에서는 skip-gram 방식을 이용한 Word2vec 알고리즘을 사용한다. 예컨대, Word2vec 알고리즘을 통해 학습이 잘 완료되면, 고차원 공간에서 비슷한 단어는 근처에 위치할 수 있다. 상술한 바와 같은 Word2vec 알고리즘에 따르면 학습 문서 내 주위 단어의 분포가 가까운 단어일수록 산출되는 벡터값은 유사해질 수 있으며, 산출된 벡터값이 비슷한 단어는 유사한 것으로 간주할 수 있다. Word2vec 알고리즘은 공지된 기술이므로 벡터값 계산과 관련한 보다 상세한 설명은 생략하기로 한다.
데이터 분석부(420)는 수신된 센싱 데이터를 기준 데이터와 비교한 결과를 인공 신경망의 입력값으로 입력하여 문맥 정보를 나타내는 분석 결과 벡터 값을 추출할 수 있다.
데이터 분석부(420)는 평가 결과 벡터 값과 복수의 기준 벡터 값 각각의 유사도를 산출하고, 복수의 기준벡터 값 중 평가 결과 벡터 값과의 유사도가 가장 높은 기준 벡터 값을 추출할 수 있다. 이때, 유사도 산출 방법에는 유클리디안 거리(Euclidean distance), 코사인 유사도(Cosine similarity), 타니모토 계수(Tanimoto coeffieient) 등이 채택될 수 있다.
데이터 분석부(420)는 평가 결과 벡터 값과의 유사도가 가장 높은 기준 벡터 값에 해당하는 단어를 분석 결과를 나타내는 단어로 추출할 수 있다.
또한, 데이터 분석부(420)는 인공 신경망을 학습시킬 수 있고, 학습이 완료된 인공 신경망을 이용할 수도 있다. 프로세서는 메모리에 저장된 인공 신경망을 학습시키거나 실행할 수 있고, 메모리는 학습 완료된 인공 신경망을 저장할 수 있다. 인공 신경망을 학습시키는 전자 장치와 이용하는 전자 장치는 동일할 수 있지만 별개일 수도 있다. 인공지능은 인간의 뇌의 기능을 일부 구현한 컴퓨터 시스템으로, 스스로 학습하고 추측하고 판단할 수 있다. 학습을 진행할수록 답을 추출할 확률이 높아질 수 있다. 인공지능은 학습과 그것을 이용한 요소 기술들로 구성될 수 있다. 인공지능의 학습은 입력 데이터를 바탕으로 특징을 분류와 학습을 하는 알고리즘 기술이고, 요소 기술들은 학습 알고리즘을 이용하여 인간의 뇌의 기능을 일부 구현하는 기술일 수 있다.
인공지능은 확률적으로 여러 답이 나올 수 있는 문제에 접근하기 쉬운 기술로써 어떠한 입력 데이터에 따르는 최적의 주기와 방법, 계획 등을 논리적이고 확률적으로 추론할 수 있다. 인공지능의 추론 기술은 입력 데이터를 판단하고 최적화 예측, 지식과 확률 기반 추론, 선호 기반 계획 등을 포함할 수 있다.
인공신경망은 기계학습 분야의 학습 알고리즘 중 하나로 뇌의 뉴런과 시냅스의 연결을 프로그램으로 구현한 것이다. 인공신경망은 프로그램으로 신경망의 구조를 만든 다음 학습시켜 원하는 기능을 가지게 할 수 있다. 오차가 존재할 수 있지만 거대한 데이터를 바탕으로 학습하여 입력 데이터를 가지고 적절한 출력 데이터를 출력할 수 있다. 통계적으로 좋은 결과를 얻었던 출력 데이터를 획득할 수 있고 인간의 추론과 유사하다는 장점이 있다.
데이터 분석부(420)는 빅데이터를 기반으로 구축된 인공지능 알고리즘을 이용하여 학습에 요구되는 질의/메트릭 데이터셋을 구축할 수 있고, 이를 위해 미리 학습된 다수의 인공 신경망을 포함할 수 있다.
본 실시예에서 서버는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.
본 실시예에서 인공 신경망은 텍스트로 인식된 객체의 형태, 길이, 개수, 고저차 중 적어도 하나 이상의 특징 데이터로부터 텍스트 데이터를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na
Figure 112023101184149-pat00003
ve Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.
인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다. 인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.
이와 같이, 데이터 분석부(420)는 빅데이터 및 인공 신경망을 이용하여 센싱 데이터를 분석하여 스마트팜이 정상 상태에서 운용중인지 혹은 생육환경의 조절이 필요한 상태인지에 대한 분석 데이터를 생성할 수 있다.
제어신호 생성부(430)는 상기 분석데이터를 기초로 제어신호를 생성하여 상기 제어 모듈로 전송한다.
예를 들어, 제어신호 생성부(430)는 분석 결과 내부 온도를 낮출 필요가 있는 것으로 판단되면, 스마트팜에 설치된 냉방시설을 구동시키기 위한 제어신호를 생성하여 냉방시설로 전송한다.
한편, 상술한 바와 같이 중계 노드는 센서 모듈로부터 수신되는 센싱 데이터를 곧바로 스마트팜 관리서버로 전송하는 것이 아니라, 가변 수집 시구간동안 수집한 후 수집된 복수의 센싱 데이터를 일괄적으로 스마트팜 관리서버로 전송하는 것을 특징으로 한다.
이때, 중계 노드는 스마트팜의 현재 상태에 기초하여 전송 주기를 가변하여 센싱 데이터를 전송하는 것을 특징으로 한다.
이를 위해, 중계 노드는 하기 수학식 1을 이용하여 상기 가변 수집 시구간을 산출한다.
[수학식 1]
여기서, CT는 가변 수집 시구간(초), d_s는 미리 설정된 기준 온도, d_t는 센싱 데이터에 포함된 측정 온도, l_a는 분석 시간 동안 수집된 평균 조도, h_s는 미리 설정된 기준 습도, h_t는 센싱 데이터에 포함된 측정 습도, g는 스마트팜의 고도(m), w는 스마트팜을 통해 재배되는 작물별로 설정되는 가중치, u는 사용자 단말과 스마트팜 간의 거리(km), f는 스마트팜의 면적(km2), k는 중계 노드와 스마트팜 관리서버 간의 이격 거리(km)이다.
예를 들어, 분석 대상 시간(n) 10초동안 수집된 센싱 데이터에 기초하여, ∑d_s-d_t가 15, l_a가 500, ∑h_s-h_t가 20, g가 300, w가 5, u가 1, f가 1000, k가 3인 경우, CT는 가변 수집 시구간은 약 18.6초로 산출되며, 이러한 경우 중계 노드는 소수점 이하를 반올림한 19초를 가변 수집 시구간으로 설정할 수 있다.
따라서, 중계 노드는 19초 동안에는 센싱 데이터를 수집하기만 하다가, 19초가 경과하는 시점에 그동안 수집한 데이터를 일괄적으로 관리서버로 전송한다.
이후, 중계노드는 데이터 전송 시점으로부터 10초 이전에 수집된 센싱 데이터들을 이용하여 가변 수집 시구간을 재설정하고, 재설정된 가변 수집 시구간동안 다시 데이터를 수집하기 시작한다.
이와 같이, 중계 노드는 스마트팜의 현태 상태에 기초하여 가변 수집 시구간을 지속적으로 변경 설정함으로써 데이터 통신에 소요되는 에너지를 절감할 수 있을 뿐만 아니라 스마트팜의 생육 환경에 따라 전송 시점을 가변하여 전송함으로써 데이터 분석의 신뢰성이 향상될 수 있다.
시설 점검부는 센서 모듈(100) 및 제어 모듈(200)의 동작을 주기적으로 점검하여 고장여부를 진단함으로써 스마트팜이 항상 일정한 생육환경을 유지하도록 한다.
몇몇 다른 실시예에서, 제어신호 생성부(430)는 농산물에 대하여 등록되지 않은 농약에 대하여 원칙적으로 사용을 금지하는 허용물질목록관리제도(PLS: Positive List System)에 기초하여 농약 살포량을 설정할 수 있다.
이를 위해, 제어신호 생성부(430)는 하기 수학식 2를 이용하여 농약 살포량을 산출한다.
[수학식 2]
여기서, S는 농약 살포량(ppm), g는 고도, p_i는 농약허용물질목록관리제도에 등록된 농약 종류별로 설정된 가중치, c_i는 허용량, n은 스마트팜에서 재배하는 작물에 살포하고자 하는 농약 종류의 수, x_k는 농약허용물질목록관리제도에 미등록된 농약 종류별로 설정된 가중치, b는 희석농도이다.
예를 들어, g가 300, p_i가 1.5, c_i가 0.1, n이 5, x_k가 2.7, b가 0.7인 경우, S는 약 0.04ppm로 산출된다.
이와 같이, 제어신호 생성부(430)는 상술한 수학식을 이용하여 농약 살포량을 설정함으로써 농약허용물질목록관리제도의 기준에 충족한 농약 살포량을 설정할 수 있다.
도 3은 본 발명의 일 실시예에 따른 스마트팜 운용 방법의 개략적인 흐름이 도시된 순서도이다.
도시된 바와 같이, 본 발명에 따른 스마트팜 운용 방법은 스마트팜을 통해 재배되는 작물의 재배환경 및 생육상태를 측정한 센싱 데이터를 수집하는 단계 및 센싱 데이터에 기초하여 작물의 생육환경을 분석하여 분석데이터를 생성하며, 생성된 상기 분석데이터를 기초로 제어신호를 생성하여 제어 모듈로 전송하는 단계를 포함하며, 이와 관련된 구체적인 설명은 상술하였으므로, 반복되는 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 다종의 농산물 재배가 가능한 스마트팜 시스템의 개략적인 구성이 도시된 도면이다.
본 발명에 따른 다종의 농산물 재배가 가능한 스마트팜 시스템은 스마트팜 운용 과정에서 발생되는 데이터를 분석하여 생육환경을 자동으로 제어하는 것을 목적으로 한다.
구체적으로, 본 발명에 따른 다종의 농산물 재배가 가능한 스마트팜 시스템은 센서 모듈(100), 제어 모듈(200), 중계 노드(300), 스마트팜 관리서버(400) 및 사용자 단말(500)을 포함한다.
센서 모듈(100)은 스마트팜을 통해 재배되는 작물의 재배환경 및 생육상태를 측정하여 센싱 데이터를 생성한다.
센서 모듈(100)은 온도 센서, 습도 센서, 조도 센서, 압력 센서, 고도 센서, 유량 센서 등과 같은 센서 모듈을 포함할 수 있으며, 센서 모듈(100)에 의해 생성되는 센싱 데이터에는 온도정보, 습도정보, 조도정보, 풍향정보, 풍량정보 및 강수정보를 포함할 수 있으나, 이에 한정되는 것은 아니며 스마트팜의 생육환경을 측정하기 위한 다양한 종류의 데이터를 더 포함할 수 있다.
제어 모듈(200)은 스마트팜을 통해 재배되는 작물의 생육환경을 제어하는 장치로, 예컨대 온도 조절 장치, 배수 시설, 습도 조절 장치, 광량 조절 장치, 비료 살포 장치 등과 같은 설비들을 포함할 수 있다.
중계 노드(300)는 스마트팜 내에 배치된 복수의 센서 모듈로부터 수신되는 복수의 센싱 데이터를 수집하여 스마트팜 관리서버(400)로 전달한다.
일 실시예에서, 중계 노드(300)는 미리 정해진 일정한 전송 주기마다 센싱 데이터를 스마트팜 관리서버(400)로 전달한다.
일 실시예에서, 중계 노드(300)는 센싱 데이터의 특징에 기초하여 전송 주기를 가변하여 설정할 수 있다. 이와 관련된 구체적인 내용은 후술하기로 한다.
스마트팜 관리서버(400)는 상기 센서 모듈로부터 수신되는 센싱 데이터에 기초하여 작물의 생육환경을 분석하여 분석데이터를 생성하며, 생성된 상기 분석데이터를 기초로 생육환경을 제어하기 위한 제어신호를 생성하여 상기 제어 모듈로 전송한다.
사용자 단말(500)은 스마트팜을 운용하는 관리자가 소지한 전자장치로, 외부기기와 유무선 통신이 가능하며 정보의 입출력 및 처리가 가능한 스마트폰, PC, 랩탑PC, 태블릿 PC, 웨어러블 디바이스 등과 같은 형태일 수 있다.
사용자 단말(500)은 스마트팜 관리서버(400)에 접속하여 스마트팜의 생육환경과 관련된 센싱 데이터를 실시간으로 모니터링 할 수 있으며, 스마트팜의 이상 발생 시 스마트팜 관리서버(400)로부터 안내 메시지를 수신할 수 있다.
도 2는 이러한 스마트팜 관리서버(400)의 구체적인 구성이 도시된 도면이다.
도시된 바와 같이, 스마트팜 관리서버(400)는 데이터 수집 관리부(410), 데이터 분석부(420), 제어신호 생성부(430) 및 시설 점검부(440)를 포함한다.
데이터 수집 관리부(410)는 중계 노드(300)로부터 수신되는 센싱 데이터를 항목별(예컨대 온도, 습도 등)로 분류하여 저장한다.
데이터 분석부(420)는 수신된 센싱 데이터를 분석하여 분석 데이터를 생성한다.
이를 위해, 데이터 분석부(420)는 Word2Vec 알고리즘으로 학습 데이터를 학습하여 입력 데이터에 대하여 문맥 정보를 추출하는 신경망을 구축할 수 있다.
Word2Vec 알고리즘은 신경망 언어 모델(NNLM : Neural Network Language Model)을 포함할 수 있다. 신경망 언어 모델은 기본적으로 Input Layer, Projection Layer, Hidden Layer, Output Layer로 이루어진 Neural Network이다. 신경망 언어 모델은 단어를 벡터화하는 방법에 사용되는 것이다. 신경망 언어 모델은 공지된 기술이므로 보다 자세한 설명은 생략하기로 한다.
Word2vec 알고리즘은, 텍스트마이닝을 위한 것으로, 각 단어 간의 앞, 뒤 관계를 보고 근접도를 정하는 알고리즘이다. Word2vec 알고리즘은 비지도 학습 알고리즘이다. Word2vec 알고리즘은 이름이 나타내는 바와 같이 단어의 의미를 벡터형태로 표현하는 계량기법일 수 있다. Word2vec 알고리즘은 각 단어를 200차원 정도의 공간에서 백터로 표현할 수 있다. Word2vec 알고리즘을 이용하면, 각 단어마다 단어에 해당하는 벡터를 구할 수 있다.
Word2vec 알고리즘은 종래의 다른 알고리즘에 비해 자연어 처리 분야에서 비약적인 정밀도 향상을 가능하게 할 수 있다. Word2vec은 입력한 말뭉치의 문장에 있는 단어와 인접 단어의 관계를 이용해 단어의 의미를 학습할 수 있다. Word2vec 알고리즘은 인공 신경망에 근거한 것으로, 같은 맥락을 지닌 단어는 가까운 의미를 지니고 있다는 전제에서 출발한다. Word2vec 알고리즘은 텍스트 문서를 통해 학습을 진행하며, 한 단어에 대해 근처(전후 5 내지 10 단어 정도)에 출현하는 다른 단어들을 관련 단어로서 인공 신경망에 학습시킨다. 연관된 의미의 단어들은 문서상에서 가까운 곳에 출현할 가능성이 높기 때문에 학습을 반복해 나가는 과정에서 두 단어는 점차 가까운 벡터를 지닐 수 있다.
Word2vec 알고리즘의 학습 방법은 CBOW(Continuous Bag Of Words) 방식과 skip-gram 방식이 있다. CBOW 방식은 주변 단어가 만드는 맥락을 이용해 타겟 단어를 예측하는 것이다. skip-gram 방식은 한 단어를 기준으로 주변에 올 수 있는 단어를 예측하는 것이다. 대규모 데이터셋에서는 skip-gram 방식이 더 정확한 것으로 알려져 있다.
따라서, 본 발명의 실시 예에서는 skip-gram 방식을 이용한 Word2vec 알고리즘을 사용한다. 예컨대, Word2vec 알고리즘을 통해 학습이 잘 완료되면, 고차원 공간에서 비슷한 단어는 근처에 위치할 수 있다. 상술한 바와 같은 Word2vec 알고리즘에 따르면 학습 문서 내 주위 단어의 분포가 가까운 단어일수록 산출되는 벡터값은 유사해질 수 있으며, 산출된 벡터값이 비슷한 단어는 유사한 것으로 간주할 수 있다. Word2vec 알고리즘은 공지된 기술이므로 벡터값 계산과 관련한 보다 상세한 설명은 생략하기로 한다.
데이터 분석부(420)는 수신된 센싱 데이터를 기준 데이터와 비교한 결과를 인공 신경망의 입력값으로 입력하여 문맥 정보를 나타내는 분석 결과 벡터 값을 추출할 수 있다.
데이터 분석부(420)는 평가 결과 벡터 값과 복수의 기준 벡터 값 각각의 유사도를 산출하고, 복수의 기준벡터 값 중 평가 결과 벡터 값과의 유사도가 가장 높은 기준 벡터 값을 추출할 수 있다. 이때, 유사도 산출 방법에는 유클리디안 거리(Euclidean distance), 코사인 유사도(Cosine similarity), 타니모토 계수(Tanimoto coeffieient) 등이 채택될 수 있다.
데이터 분석부(420)는 평가 결과 벡터 값과의 유사도가 가장 높은 기준 벡터 값에 해당하는 단어를 분석 결과를 나타내는 단어로 추출할 수 있다.
또한, 데이터 분석부(420)는 인공 신경망을 학습시킬 수 있고, 학습이 완료된 인공 신경망을 이용할 수도 있다. 프로세서는 메모리에 저장된 인공 신경망을 학습시키거나 실행할 수 있고, 메모리는 학습 완료된 인공 신경망을 저장할 수 있다. 인공 신경망을 학습시키는 전자 장치와 이용하는 전자 장치는 동일할 수 있지만 별개일 수도 있다. 인공지능은 인간의 뇌의 기능을 일부 구현한 컴퓨터 시스템으로, 스스로 학습하고 추측하고 판단할 수 있다. 학습을 진행할수록 답을 추출할 확률이 높아질 수 있다. 인공지능은 학습과 그것을 이용한 요소 기술들로 구성될 수 있다. 인공지능의 학습은 입력 데이터를 바탕으로 특징을 분류와 학습을 하는 알고리즘 기술이고, 요소 기술들은 학습 알고리즘을 이용하여 인간의 뇌의 기능을 일부 구현하는 기술일 수 있다.
인공지능은 확률적으로 여러 답이 나올 수 있는 문제에 접근하기 쉬운 기술로써 어떠한 입력 데이터에 따르는 최적의 주기와 방법, 계획 등을 논리적이고 확률적으로 추론할 수 있다. 인공지능의 추론 기술은 입력 데이터를 판단하고 최적화 예측, 지식과 확률 기반 추론, 선호 기반 계획 등을 포함할 수 있다.
인공신경망은 기계학습 분야의 학습 알고리즘 중 하나로 뇌의 뉴런과 시냅스의 연결을 프로그램으로 구현한 것이다. 인공신경망은 프로그램으로 신경망의 구조를 만든 다음 학습시켜 원하는 기능을 가지게 할 수 있다. 오차가 존재할 수 있지만 거대한 데이터를 바탕으로 학습하여 입력 데이터를 가지고 적절한 출력 데이터를 출력할 수 있다. 통계적으로 좋은 결과를 얻었던 출력 데이터를 획득할 수 있고 인간의 추론과 유사하다는 장점이 있다.
데이터 분석부(420)는 빅데이터를 기반으로 구축된 인공지능 알고리즘을 이용하여 학습에 요구되는 질의/메트릭 데이터셋을 구축할 수 있고, 이를 위해 미리 학습된 다수의 인공 신경망을 포함할 수 있다.
본 실시예에서 서버는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.
본 실시예에서 인공 신경망은 텍스트로 인식된 객체의 형태, 길이, 개수, 고저차 중 적어도 하나 이상의 특징 데이터로부터 텍스트 데이터를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na
Figure 112023101184149-pat00006
ve Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.
인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다. 인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.
이와 같이, 데이터 분석부(420)는 빅데이터 및 인공 신경망을 이용하여 센싱 데이터를 분석하여 스마트팜이 정상 상태에서 운용중인지 혹은 생육환경의 조절이 필요한 상태인지에 대한 분석 데이터를 생성할 수 있다.
제어신호 생성부(430)는 상기 분석데이터를 기초로 제어신호를 생성하여 상기 제어 모듈로 전송한다.
예를 들어, 제어신호 생성부(430)는 분석 결과 내부 온도를 낮출 필요가 있는 것으로 판단되면, 스마트팜에 설치된 냉방시설을 구동시키기 위한 제어신호를 생성하여 냉방시설로 전송한다.
한편, 상술한 바와 같이 중계 노드는 센서 모듈로부터 수신되는 센싱 데이터를 곧바로 스마트팜 관리서버로 전송하는 것이 아니라, 가변 수집 시구간동안 수집한 후 수집된 복수의 센싱 데이터를 일괄적으로 스마트팜 관리서버로 전송하는 것을 특징으로 한다.
이때, 중계 노드는 스마트팜의 현재 상태에 기초하여 전송 주기를 가변하여 센싱 데이터를 전송하는 것을 특징으로 한다.
이를 위해, 중계 노드는 하기 수학식 1을 이용하여 상기 가변 수집 시구간을 산출한다.
[수학식 1]
여기서, CT는 가변 수집 시구간(초), d_s는 미리 설정된 기준 온도, d_t는 센싱 데이터에 포함된 측정 온도, l_a는 분석 시간 동안 수집된 평균 조도, h_s는 미리 설정된 기준 습도, h_t는 센싱 데이터에 포함된 측정 습도, g는 스마트팜의 고도(m), w는 스마트팜을 통해 재배되는 작물별로 설정되는 가중치, u는 사용자 단말과 스마트팜 간의 거리(km), f는 스마트팜의 면적(km2), k는 중계 노드와 스마트팜 관리서버 간의 이격 거리(km)이다.
예를 들어, 분석 대상 시간(n) 10초동안 수집된 센싱 데이터에 기초하여, ∑d_s-d_t가 15, l_a가 500, ∑h_s-h_t가 20, g가 300, w가 5, u가 1, f가 1000, k가 3인 경우, CT는 가변 수집 시구간은 약 18.6초로 산출되며, 이러한 경우 중계 노드는 소수점 이하를 반올림한 19초를 가변 수집 시구간으로 설정할 수 있다.
따라서, 중계 노드는 19초 동안에는 센싱 데이터를 수집하기만 하다가, 19초가 경과하는 시점에 그동안 수집한 데이터를 일괄적으로 관리서버로 전송한다.
이후, 중계노드는 데이터 전송 시점으로부터 10초 이전에 수집된 센싱 데이터들을 이용하여 가변 수집 시구간을 재설정하고, 재설정된 가변 수집 시구간동안 다시 데이터를 수집하기 시작한다.
이와 같이, 중계 노드는 스마트팜의 현태 상태에 기초하여 가변 수집 시구간을 지속적으로 변경 설정함으로써 데이터 통신에 소요되는 에너지를 절감할 수 있을 뿐만 아니라 스마트팜의 생육 환경에 따라 전송 시점을 가변하여 전송함으로써 데이터 분석의 신뢰성이 향상될 수 있다.
시설 점검부는 센서 모듈(100) 및 제어 모듈(200)의 동작을 주기적으로 점검하여 고장여부를 진단함으로써 스마트팜이 항상 일정한 생육환경을 유지하도록 한다.
몇몇 다른 실시예에서, 제어신호 생성부(430)는 농산물에 대하여 등록되지 않은 농약에 대하여 원칙적으로 사용을 금지하는 허용물질목록관리제도(PLS: Positive List System)에 기초하여 농약 살포량을 설정할 수 있다.
이를 위해, 제어신호 생성부(430)는 하기 수학식 2를 이용하여 농약 살포량을 산출한다.
[수학식 2]
여기서, S는 농약 살포량(ppm), g는 고도, p_i는 농약허용물질목록관리제도에 등록된 농약 종류별로 설정된 가중치, c_i는 허용량, n은 스마트팜에서 재배하는 작물에 살포하고자 하는 농약 종류의 수, x_k는 농약허용물질목록관리제도에 미등록된 농약 종류별로 설정된 가중치, b는 희석농도이다.
예를 들어, g가 300, p_i가 1.5, c_i가 0.1, n이 5, x_k가 2.7, b가 0.7인 경우, S는 약 0.04ppm로 산출된다.
이와 같이, 제어신호 생성부(430)는 상술한 수학식을 이용하여 농약 살포량을 설정함으로써 농약허용물질목록관리제도의 기준에 충족한 농약 살포량을 설정할 수 있다.
도 3은 본 발명의 일 실시예에 따른 스마트팜 운용 방법의 개략적인 흐름이 도시된 순서도이다.
도시된 바와 같이, 본 발명에 따른 스마트팜 운용 방법은 스마트팜을 통해 재배되는 작물의 재배환경 및 생육상태를 측정한 센싱 데이터를 수집하는 단계 및 센싱 데이터에 기초하여 작물의 생육환경을 분석하여 분석데이터를 생성하며, 생성된 상기 분석데이터를 기초로 제어신호를 생성하여 제어 모듈로 전송하는 단계를 포함하며, 이와 관련된 구체적인 설명은 상술하였으므로, 반복되는 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 다종의 농산물 재배가 가능한 스마트팜 시스템의 개략적인 구성이 도시된 도면이다.
본 발명에 따른 다종의 농산물 재배가 가능한 스마트팜 시스템은 스마트팜 운용 과정에서 발생되는 데이터를 분석하여 생육환경을 자동으로 제어하는 것을 목적으로 한다.
구체적으로, 본 발명에 따른 다종의 농산물 재배가 가능한 스마트팜 시스템은 센서 모듈(100), 제어 모듈(200), 중계 노드(300), 스마트팜 관리서버(400) 및 사용자 단말(500)을 포함한다.
센서 모듈(100)은 스마트팜을 통해 재배되는 작물의 재배환경 및 생육상태를 측정하여 센싱 데이터를 생성한다.
센서 모듈(100)은 온도 센서, 습도 센서, 조도 센서, 압력 센서, 고도 센서, 유량 센서 등과 같은 센서 모듈을 포함할 수 있으며, 센서 모듈(100)에 의해 생성되는 센싱 데이터에는 온도정보, 습도정보, 조도정보, 풍향정보, 풍량정보 및 강수정보를 포함할 수 있으나, 이에 한정되는 것은 아니며 스마트팜의 생육환경을 측정하기 위한 다양한 종류의 데이터를 더 포함할 수 있다.
제어 모듈(200)은 스마트팜을 통해 재배되는 작물의 생육환경을 제어하는 장치로, 예컨대 온도 조절 장치, 배수 시설, 습도 조절 장치, 광량 조절 장치, 비료 살포 장치 등과 같은 설비들을 포함할 수 있다.
중계 노드(300)는 스마트팜 내에 배치된 복수의 센서 모듈로부터 수신되는 복수의 센싱 데이터를 수집하여 스마트팜 관리서버(400)로 전달한다.
일 실시예에서, 중계 노드(300)는 미리 정해진 일정한 전송 주기마다 센싱 데이터를 스마트팜 관리서버(400)로 전달한다.
일 실시예에서, 중계 노드(300)는 센싱 데이터의 특징에 기초하여 전송 주기를 가변하여 설정할 수 있다. 이와 관련된 구체적인 내용은 후술하기로 한다.
스마트팜 관리서버(400)는 상기 센서 모듈로부터 수신되는 센싱 데이터에 기초하여 작물의 생육환경을 분석하여 분석데이터를 생성하며, 생성된 상기 분석데이터를 기초로 생육환경을 제어하기 위한 제어신호를 생성하여 상기 제어 모듈로 전송한다.
사용자 단말(500)은 스마트팜을 운용하는 관리자가 소지한 전자장치로, 외부기기와 유무선 통신이 가능하며 정보의 입출력 및 처리가 가능한 스마트폰, PC, 랩탑PC, 태블릿 PC, 웨어러블 디바이스 등과 같은 형태일 수 있다.
사용자 단말(500)은 스마트팜 관리서버(400)에 접속하여 스마트팜의 생육환경과 관련된 센싱 데이터를 실시간으로 모니터링 할 수 있으며, 스마트팜의 이상 발생 시 스마트팜 관리서버(400)로부터 안내 메시지를 수신할 수 있다.
도 2는 이러한 스마트팜 관리서버(400)의 구체적인 구성이 도시된 도면이다.
도시된 바와 같이, 스마트팜 관리서버(400)는 데이터 수집 관리부(410), 데이터 분석부(420), 제어신호 생성부(430) 및 시설 점검부(440)를 포함한다.
데이터 수집 관리부(410)는 중계 노드(300)로부터 수신되는 센싱 데이터를 항목별(예컨대 온도, 습도 등)로 분류하여 저장한다.
데이터 분석부(420)는 수신된 센싱 데이터를 분석하여 분석 데이터를 생성한다.
이를 위해, 데이터 분석부(420)는 Word2Vec 알고리즘으로 학습 데이터를 학습하여 입력 데이터에 대하여 문맥 정보를 추출하는 신경망을 구축할 수 있다.
Word2Vec 알고리즘은 신경망 언어 모델(NNLM : Neural Network Language Model)을 포함할 수 있다. 신경망 언어 모델은 기본적으로 Input Layer, Projection Layer, Hidden Layer, Output Layer로 이루어진 Neural Network이다. 신경망 언어 모델은 단어를 벡터화하는 방법에 사용되는 것이다. 신경망 언어 모델은 공지된 기술이므로 보다 자세한 설명은 생략하기로 한다.
Word2vec 알고리즘은, 텍스트마이닝을 위한 것으로, 각 단어 간의 앞, 뒤 관계를 보고 근접도를 정하는 알고리즘이다. Word2vec 알고리즘은 비지도 학습 알고리즘이다. Word2vec 알고리즘은 이름이 나타내는 바와 같이 단어의 의미를 벡터형태로 표현하는 계량기법일 수 있다. Word2vec 알고리즘은 각 단어를 200차원 정도의 공간에서 백터로 표현할 수 있다. Word2vec 알고리즘을 이용하면, 각 단어마다 단어에 해당하는 벡터를 구할 수 있다.
Word2vec 알고리즘은 종래의 다른 알고리즘에 비해 자연어 처리 분야에서 비약적인 정밀도 향상을 가능하게 할 수 있다. Word2vec은 입력한 말뭉치의 문장에 있는 단어와 인접 단어의 관계를 이용해 단어의 의미를 학습할 수 있다. Word2vec 알고리즘은 인공 신경망에 근거한 것으로, 같은 맥락을 지닌 단어는 가까운 의미를 지니고 있다는 전제에서 출발한다. Word2vec 알고리즘은 텍스트 문서를 통해 학습을 진행하며, 한 단어에 대해 근처(전후 5 내지 10 단어 정도)에 출현하는 다른 단어들을 관련 단어로서 인공 신경망에 학습시킨다. 연관된 의미의 단어들은 문서상에서 가까운 곳에 출현할 가능성이 높기 때문에 학습을 반복해 나가는 과정에서 두 단어는 점차 가까운 벡터를 지닐 수 있다.
Word2vec 알고리즘의 학습 방법은 CBOW(Continuous Bag Of Words) 방식과 skip-gram 방식이 있다. CBOW 방식은 주변 단어가 만드는 맥락을 이용해 타겟 단어를 예측하는 것이다. skip-gram 방식은 한 단어를 기준으로 주변에 올 수 있는 단어를 예측하는 것이다. 대규모 데이터셋에서는 skip-gram 방식이 더 정확한 것으로 알려져 있다.
따라서, 본 발명의 실시 예에서는 skip-gram 방식을 이용한 Word2vec 알고리즘을 사용한다. 예컨대, Word2vec 알고리즘을 통해 학습이 잘 완료되면, 고차원 공간에서 비슷한 단어는 근처에 위치할 수 있다. 상술한 바와 같은 Word2vec 알고리즘에 따르면 학습 문서 내 주위 단어의 분포가 가까운 단어일수록 산출되는 벡터값은 유사해질 수 있으며, 산출된 벡터값이 비슷한 단어는 유사한 것으로 간주할 수 있다. Word2vec 알고리즘은 공지된 기술이므로 벡터값 계산과 관련한 보다 상세한 설명은 생략하기로 한다.
데이터 분석부(420)는 수신된 센싱 데이터를 기준 데이터와 비교한 결과를 인공 신경망의 입력값으로 입력하여 문맥 정보를 나타내는 분석 결과 벡터 값을 추출할 수 있다.
데이터 분석부(420)는 평가 결과 벡터 값과 복수의 기준 벡터 값 각각의 유사도를 산출하고, 복수의 기준벡터 값 중 평가 결과 벡터 값과의 유사도가 가장 높은 기준 벡터 값을 추출할 수 있다. 이때, 유사도 산출 방법에는 유클리디안 거리(Euclidean distance), 코사인 유사도(Cosine similarity), 타니모토 계수(Tanimoto coeffieient) 등이 채택될 수 있다.
데이터 분석부(420)는 평가 결과 벡터 값과의 유사도가 가장 높은 기준 벡터 값에 해당하는 단어를 분석 결과를 나타내는 단어로 추출할 수 있다.
또한, 데이터 분석부(420)는 인공 신경망을 학습시킬 수 있고, 학습이 완료된 인공 신경망을 이용할 수도 있다. 프로세서는 메모리에 저장된 인공 신경망을 학습시키거나 실행할 수 있고, 메모리는 학습 완료된 인공 신경망을 저장할 수 있다. 인공 신경망을 학습시키는 전자 장치와 이용하는 전자 장치는 동일할 수 있지만 별개일 수도 있다. 인공지능은 인간의 뇌의 기능을 일부 구현한 컴퓨터 시스템으로, 스스로 학습하고 추측하고 판단할 수 있다. 학습을 진행할수록 답을 추출할 확률이 높아질 수 있다. 인공지능은 학습과 그것을 이용한 요소 기술들로 구성될 수 있다. 인공지능의 학습은 입력 데이터를 바탕으로 특징을 분류와 학습을 하는 알고리즘 기술이고, 요소 기술들은 학습 알고리즘을 이용하여 인간의 뇌의 기능을 일부 구현하는 기술일 수 있다.
인공지능은 확률적으로 여러 답이 나올 수 있는 문제에 접근하기 쉬운 기술로써 어떠한 입력 데이터에 따르는 최적의 주기와 방법, 계획 등을 논리적이고 확률적으로 추론할 수 있다. 인공지능의 추론 기술은 입력 데이터를 판단하고 최적화 예측, 지식과 확률 기반 추론, 선호 기반 계획 등을 포함할 수 있다.
인공신경망은 기계학습 분야의 학습 알고리즘 중 하나로 뇌의 뉴런과 시냅스의 연결을 프로그램으로 구현한 것이다. 인공신경망은 프로그램으로 신경망의 구조를 만든 다음 학습시켜 원하는 기능을 가지게 할 수 있다. 오차가 존재할 수 있지만 거대한 데이터를 바탕으로 학습하여 입력 데이터를 가지고 적절한 출력 데이터를 출력할 수 있다. 통계적으로 좋은 결과를 얻었던 출력 데이터를 획득할 수 있고 인간의 추론과 유사하다는 장점이 있다.
데이터 분석부(420)는 빅데이터를 기반으로 구축된 인공지능 알고리즘을 이용하여 학습에 요구되는 질의/메트릭 데이터셋을 구축할 수 있고, 이를 위해 미리 학습된 다수의 인공 신경망을 포함할 수 있다.
본 실시예에서 서버는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.
본 실시예에서 인공 신경망은 텍스트로 인식된 객체의 형태, 길이, 개수, 고저차 중 적어도 하나 이상의 특징 데이터로부터 텍스트 데이터를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na
Figure 112023101184149-pat00009
ve Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.
인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다. 인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.
이와 같이, 데이터 분석부(420)는 빅데이터 및 인공 신경망을 이용하여 센싱 데이터를 분석하여 스마트팜이 정상 상태에서 운용중인지 혹은 생육환경의 조절이 필요한 상태인지에 대한 분석 데이터를 생성할 수 있다.
제어신호 생성부(430)는 상기 분석데이터를 기초로 제어신호를 생성하여 상기 제어 모듈로 전송한다.
예를 들어, 제어신호 생성부(430)는 분석 결과 내부 온도를 낮출 필요가 있는 것으로 판단되면, 스마트팜에 설치된 냉방시설을 구동시키기 위한 제어신호를 생성하여 냉방시설로 전송한다.
한편, 상술한 바와 같이 중계 노드는 센서 모듈로부터 수신되는 센싱 데이터를 곧바로 스마트팜 관리서버로 전송하는 것이 아니라, 가변 수집 시구간동안 수집한 후 수집된 복수의 센싱 데이터를 일괄적으로 스마트팜 관리서버로 전송하는 것을 특징으로 한다.
이때, 중계 노드는 스마트팜의 현재 상태에 기초하여 전송 주기를 가변하여 센싱 데이터를 전송하는 것을 특징으로 한다.
이를 위해, 중계 노드는 하기 수학식 1을 이용하여 상기 가변 수집 시구간을 산출한다.
[수학식 1]
여기서, CT는 가변 수집 시구간(초), d_s는 미리 설정된 기준 온도, d_t는 센싱 데이터에 포함된 측정 온도, l_a는 분석 시간 동안 수집된 평균 조도, h_s는 미리 설정된 기준 습도, h_t는 센싱 데이터에 포함된 측정 습도, g는 스마트팜의 고도(m), w는 스마트팜을 통해 재배되는 작물별로 설정되는 가중치, u는 사용자 단말과 스마트팜 간의 거리(km), f는 스마트팜의 면적(km2), k는 중계 노드와 스마트팜 관리서버 간의 이격 거리(km)이다.
예를 들어, 분석 대상 시간(n) 10초동안 수집된 센싱 데이터에 기초하여, ∑d_s-d_t가 15, l_a가 500, ∑h_s-h_t가 20, g가 300, w가 5, u가 1, f가 1000, k가 3인 경우, CT는 가변 수집 시구간은 약 18.6초로 산출되며, 이러한 경우 중계 노드는 소수점 이하를 반올림한 19초를 가변 수집 시구간으로 설정할 수 있다.
따라서, 중계 노드는 19초 동안에는 센싱 데이터를 수집하기만 하다가, 19초가 경과하는 시점에 그동안 수집한 데이터를 일괄적으로 관리서버로 전송한다.
이후, 중계노드는 데이터 전송 시점으로부터 10초 이전에 수집된 센싱 데이터들을 이용하여 가변 수집 시구간을 재설정하고, 재설정된 가변 수집 시구간동안 다시 데이터를 수집하기 시작한다.
이와 같이, 중계 노드는 스마트팜의 현태 상태에 기초하여 가변 수집 시구간을 지속적으로 변경 설정함으로써 데이터 통신에 소요되는 에너지를 절감할 수 있을 뿐만 아니라 스마트팜의 생육 환경에 따라 전송 시점을 가변하여 전송함으로써 데이터 분석의 신뢰성이 향상될 수 있다.
시설 점검부는 센서 모듈(100) 및 제어 모듈(200)의 동작을 주기적으로 점검하여 고장여부를 진단함으로써 스마트팜이 항상 일정한 생육환경을 유지하도록 한다.
몇몇 다른 실시예에서, 제어신호 생성부(430)는 농산물에 대하여 등록되지 않은 농약에 대하여 원칙적으로 사용을 금지하는 허용물질목록관리제도(PLS: Positive List System)에 기초하여 농약 살포량을 설정할 수 있다.
이를 위해, 제어신호 생성부(430)는 하기 수학식 2를 이용하여 농약 살포량을 산출한다.
[수학식 2]
여기서, S는 농약 살포량(ppm), g는 고도, p_i는 농약허용물질목록관리제도에 등록된 농약 종류별로 설정된 가중치, c_i는 허용량, n은 스마트팜에서 재배하는 작물에 살포하고자 하는 농약 종류의 수, x_k는 농약허용물질목록관리제도에 미등록된 농약 종류별로 설정된 가중치, b는 희석농도이다.
예를 들어, g가 300, p_i가 1.5, c_i가 0.1, n이 5, x_k가 2.7, b가 0.7인 경우, S는 약 0.04ppm로 산출된다.
이와 같이, 제어신호 생성부(430)는 상술한 수학식을 이용하여 농약 살포량을 설정함으로써 농약허용물질목록관리제도의 기준에 충족한 농약 살포량을 설정할 수 있다.
도 3은 본 발명의 일 실시예에 따른 스마트팜 운용 방법의 개략적인 흐름이 도시된 순서도이다.
도시된 바와 같이, 본 발명에 따른 스마트팜 운용 방법은 스마트팜을 통해 재배되는 작물의 재배환경 및 생육상태를 측정한 센싱 데이터를 수집하는 단계 및 센싱 데이터에 기초하여 작물의 생육환경을 분석하여 분석데이터를 생성하며, 생성된 상기 분석데이터를 기초로 제어신호를 생성하여 제어 모듈로 전송하는 단계를 포함하며, 이와 관련된 구체적인 설명은 상술하였으므로, 반복되는 설명은 생략하기로 한다.
이와 같은, 본 발명에 따른 기술은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 공간으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 센서 모듈
200: 제어 모듈
300: 중계 노드
400: 스마트팜 관리서버
500: 사용자 단말

Claims (10)

  1. 스마트팜 운용 과정에서 발생되는 데이터를 분석하여 생육환경을 자동으로 제어하는, 다종의 농산물 재배가 가능한 스마트팜 시스템에 있어서,
    상기 다종의 농산물 재배가 가능한 스마트팜 시스템은,
    스마트팜을 통해 재배되는 작물의 재배환경 및 생육상태를 측정하여 센싱 데이터를 생성하는 센서 모듈;
    상기 센서 모듈로부터 수신되는 센싱 데이터에 기초하여 작물의 생육환경을 분석하여 분석데이터를 생성하며, 생성된 상기 분석데이터를 기초로 제어신호를 생성하여 스마트팜을 통해 재배되는 작물의 생육환경을 제어하는 제어 모듈로 전송하는 스마트팜 관리서버; 및
    상기 센서 모듈로부터 수신되는 센싱 데이터를 가변 수집 시구간동안 수집한 후, 가변 수집 시구간동안 수집된 복수의 센싱 데이터를 스마트팜 관리서버로 전송하는 중계 노드를 포함하고,
    상기 중계 노드는,
    하기 수학식 1을 이용하여 상기 가변 수집 시구간을 산출하고,
    상기 스마트팜 관리서버는,
    하기 수학식 2를 이용하여 농약 허용물질목록관리제도(PLS: Positive List System) 기준을 만족하는 농약 살포량을 산출하는, 다종의 농산물 재배가 가능한 스마트팜 시스템.

    [수학식 1]

    여기서, CT는 가변 수집 시구간(초), d_s는 미리 설정된 기준 온도, d_t는 센싱 데이터에 포함된 측정 온도, l_a는 분석 시간 동안 수집된 평균 조도, h_s는 미리 설정된 기준 습도, h_t는 센싱 데이터에 포함된 측정 습도, g는 스마트팜의 고도(m), w는 스마트팜을 통해 재배되는 작물별로 설정되는 가중치, u는 사용자 단말과 스마트팜 간의 거리(km), f는 스마트팜의 면적(km2), k는 중계 노드와 스마트팜 관리서버 간의 이격 거리(km)이다.

    [수학식 2]

    여기서, S는 농약 살포량(ppm), g는 고도, p_i는 농약 허용물질목록관리제도에 등록된 농약 종류별로 설정된 가중치, c_i는 허용량, n은 스마트팜에서 재배하는 작물에 살포하고자 하는 농약 종류의 수, x_k는 농약 허용물질목록관리제도에 미등록된 농약 종류별로 설정된 가중치, b는 희석농도이다.
  2. 스마트팜을 통해 재배되는 작물의 재배환경 및 생육상태를 측정하여 센싱 데이터를 생성하는 센서 모듈;
    스마트팜을 통해 재배되는 작물의 생육환경을 제어하는 제어 모듈; 및
    상기 센서 모듈로부터 수신되는 센싱 데이터에 기초하여 작물의 생육환경을 분석하여 분석데이터를 생성하며, 생성된 상기 분석데이터를 기초로 제어신호를 생성하여 상기 제어 모듈로 전송하는 스마트팜 관리서버; 및
    상기 센서 모듈로부터 수신되는 센싱 데이터를 가변 수집 시구간동안 수집한 후, 가변 수집 시구간동안 수집된 복수의 센싱 데이터를 스마트팜 관리서버로 전송하는 중계 노드를 포함하고,
    상기 스마트팜 관리서버는,
    상기 중계 노드로부터 수신된 센싱 데이터를 분석하는 데이터 분석부;
    상기 데이터 분석부의 분석 결과에 기초하여 제어신호를 생성하여 상기 제어 모듈로 전송하는 제어신호 생성부를 포함하고,
    상기 제어신호 생성부는, 하기 수학식을 이용하여 농약 허용물질목록관리제도(PLS: Positive List System) 기준을 만족하는 농약 살포량을 산출하는, 다종의 농산물 재배가 가능한 스마트팜 시스템.

    [수학식]

    여기서, S는 농약 살포량(ppm), g는 고도, p_i는 농약 허용물질목록관리제도에 등록된 농약 종류별로 설정된 가중치, c_i는 허용량, n은 스마트팜에서 재배하는 작물에 살포하고자 하는 농약 종류의 수, x_k는 농약 허용물질목록관리제도에 미등록된 농약 종류별로 설정된 가중치, b는 희석농도이다.
  3. 스마트팜 운용 과정에서 발생되는 데이터를 분석하여 생육환경을 자동으로 제어하는 다종의 농산물 재배가 가능한 스마트팜 시스템에 있어서,
    스마트팜을 통해 재배되는 작물의 재배환경 및 생육상태를 측정하는 센서 모듈로부터 수신되는 센싱 데이터를 가변 수집 시구간동안 수집한 후, 가변 수집 시구간동안 수집된 복수의 센싱 데이터를 스마트팜 관리서버로 전송하는 중계 노드를 포함하고,
    상기 스마트팜 관리서버는,
    하기 수학식을 이용하여 농약 허용물질목록관리제도(PLS: Positive List System) 기준을 만족하는 농약 살포량을 산출하는, 다종의 농산물 재배가 가능한 스마트팜 시스템.

    [수학식]

    여기서, S는 농약 살포량(ppm), g는 고도, p_i는 농약 허용물질목록관리제도에 등록된 농약 종류별로 설정된 가중치, c_i는 허용량, n은 스마트팜에서 재배하는 작물에 살포하고자 하는 농약 종류의 수, x_k는 농약 허용물질목록관리제도에 미등록된 농약 종류별로 설정된 가중치, b는 희석농도이다.
  4. 제3항에 있어서,
    상기 중계 노드는,
    하기 수학식을 이용하여 상기 가변 수집 시구간을 산출하는, 다종의 농산물 재배가 가능한 스마트팜 시스템.

    [수학식]

    여기서, CT는 가변 수집 시구간(초), d_s는 미리 설정된 기준 온도, d_t는 센싱 데이터에 포함된 측정 온도, l_a는 분석 시간 동안 수집된 평균 조도, h_s는 미리 설정된 기준 습도, h_t는 센싱 데이터에 포함된 측정 습도, g는 스마트팜의 고도(m), w는 스마트팜을 통해 재배되는 작물별로 설정되는 가중치, u는 사용자 단말과 스마트팜 간의 거리(km), f는 스마트팜의 면적(km2), k는 중계 노드와 스마트팜 관리서버 간의 이격 거리(km)이다.
  5. 제3항에 있어서,
    상기 센싱 데이터는,
    온도정보, 습도정보, 조도정보, 풍향정보, 풍량정보 및 강수정보를 포함하는, 다종의 농산물 재배가 가능한 스마트팜 시스템.
  6. 제3항에 있어서,
    상기 스마트팜 관리서버는,
    인공 신경망을 이용하여 상기 센싱 데이터를 분석하는, 다종의 농산물 재배가 가능한 스마트팜 시스템.
  7. 스마트팜을 통해 재배되는 작물의 재배환경 및 생육상태를 측정한 센싱 데이터를 수집하는 단계; 및
    센싱 데이터에 기초하여 작물의 생육환경을 분석하여 분석데이터를 생성하며, 생성된 상기 분석데이터를 기초로 제어신호를 생성하여 제어 모듈로 전송하는 단계를 포함하는, 스마트팜 운용 방법에 있어서,
    상기 센싱 데이터를 수집하는 것은,
    스마트팜을 통해 재배되는 작물의 재배환경 및 생육상태를 측정하는 센서 모듈로부터 수신되는 센싱 데이터를 하기 수학식 1에 의해 산출된 가변 수집 시구간동안 수집한 후, 가변 수집 시구간동안 수집된 복수의 센싱 데이터를 일괄적으로 스마트팜 관리서버로 전송하는 것을 특징으로 하고,
    상기 분석데이터를 기초로 제어신호를 생성하는 것은,
    하기 수학식 2를 이용하여 농약 허용물질목록관리제도(PLS: Positive List System) 기준을 만족하는 농약 살포량을 산출하는 것을 특징으로 하는, 스마트팜 운용 방법.

    [수학식 1]

    여기서, CT는 가변 수집 시구간(초), d_s는 미리 설정된 기준 온도, d_t는 센싱 데이터에 포함된 측정 온도, l_a는 분석 시간 동안 수집된 평균 조도, h_s는 미리 설정된 기준 습도, h_t는 센싱 데이터에 포함된 측정 습도, g는 스마트팜의 고도(m), w는 스마트팜을 통해 재배되는 작물별로 설정되는 가중치, u는 사용자 단말과 스마트팜 간의 거리(km), f는 스마트팜의 면적(km2), k는 중계 노드와 스마트팜 관리서버 간의 이격 거리(km)이다.

    [수학식 2]

    여기서, S는 농약 살포량(ppm), g는 고도, p_i는 농약 허용물질목록관리제도에 등록된 농약 종류별로 설정된 가중치, c_i는 허용량, n은 스마트팜에서 재배하는 작물에 살포하고자 하는 농약 종류의 수, x_k는 농약 허용물질목록관리제도에 미등록된 농약 종류별로 설정된 가중치, b는 희석농도이다.
  8. 제7항에 있어서,
    상기 가변 수집 시구간은, 스마트팜 내에 배치된 복수의 센서 모듈로부터 센싱 데이터를 수집하여 스마트팜 관리서버로 전달하는 중계 노드에서 산출되는 것을 특징으로 하는, 스마트팜 운용 방법.
  9. 제7항에 있어서,
    상기 센싱 데이터는,
    온도정보, 습도정보, 조도정보, 풍향정보, 풍량정보 및 강수정보를 포함하는, 스마트팜 운용 방법.
  10. 제7항에 있어서,
    상기 센싱 데이터에 기초하여 작물의 생육환경을 분석하는 것은,
    인공 신경망을 이용하여 상기 센싱 데이터를 분석하는 것을 특징으로 하는, 스마트팜 운용 방법.
KR1020230121577A 2023-06-23 2023-09-13 다종의 농산물 재배가 가능한 스마트팜 시스템 KR102670525B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20230081397 2023-06-23
KR1020230081397 2023-06-23

Publications (1)

Publication Number Publication Date
KR102670525B1 true KR102670525B1 (ko) 2024-05-30

Family

ID=91275426

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230121577A KR102670525B1 (ko) 2023-06-23 2023-09-13 다종의 농산물 재배가 가능한 스마트팜 시스템

Country Status (1)

Country Link
KR (1) KR102670525B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102369167B1 (ko) 2020-01-10 2022-03-03 (주)알파랩에이아이 머신러닝을 이용한 지능형 스마트팜 운영 시스템
KR102494406B1 (ko) * 2022-06-16 2023-02-06 주식회사 에버비젼 Ict 스마트 팜 융합 제어 시스템
KR102537688B1 (ko) * 2022-10-25 2023-05-30 주식회사 세주아이씨티 스마트팜 환경 제어시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102369167B1 (ko) 2020-01-10 2022-03-03 (주)알파랩에이아이 머신러닝을 이용한 지능형 스마트팜 운영 시스템
KR102494406B1 (ko) * 2022-06-16 2023-02-06 주식회사 에버비젼 Ict 스마트 팜 융합 제어 시스템
KR102537688B1 (ko) * 2022-10-25 2023-05-30 주식회사 세주아이씨티 스마트팜 환경 제어시스템

Similar Documents

Publication Publication Date Title
Escamilla-García et al. Applications of artificial neural networks in greenhouse technology and overview for smart agriculture development
Nabavi-Pelesaraei et al. Artificial neural networks and adaptive neuro-fuzzy inference system in energy modeling of agricultural products
Rahman et al. IoT enabled mushroom farm automation with Machine Learning to classify toxic mushrooms in Bangladesh
Shinde et al. Review paper on prediction of crop disease using IoT and machine learning
Qaddoum et al. Yield prediction for tomato greenhouse using EFuNN
Adidrana et al. Hydroponic nutrient control system based on internet of things and K-nearest neighbors
Photphanloet et al. PM10 concentration forecast using modified depth-first search and supervised learning neural network
Tangwannawit et al. An optimization clustering and classification based on artificial intelligence approach for internet of things in agriculture
Karuniawati et al. Optimization of grow lights control in IoT-based aeroponic systems with sensor fusion and random forest classification
Rokade et al. IOT‐Based Medical Informatics Farming System with Predictive Data Analytics Using Supervised Machine Learning Algorithms
Oubehar et al. Design and real time implementation of ANFIS controller for greenhouse climate
Kaur et al. Developing a Hybrid Irrigation System for Smart Agriculture Using IoT Sensors and Machine Learning in Sri Ganganagar, Rajasthan
Putrada et al. Recurrent neural network architectures comparison in time-series binary classification on iot-based smart lighting control
KR102670525B1 (ko) 다종의 농산물 재배가 가능한 스마트팜 시스템
Wang et al. WeChat mini program for wheat diseases recognition based on VGG-16 convolutional neural network
El Bekri Dynamic Inertia Weight Particle Swarm Optimization for Anomaly Detection: A Case of Precision Irrigation.
CN116863410B (zh) 基于有害生物防治的数据采集处理方法及系统
Jiang et al. Hybrid PSO and GA for neural network evolutionary in monthly rainfall forecasting
Ashok et al. Crop prediction based on environmental factors using machine learning ensemble algorithms
Araneta et al. Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning
Rajendiran et al. Smart Aeroponic Farming System: Using IoT with LCGM-Boost Regression Model for Monitoring and Predicting Lettuce Crop Yield.
CN109828623B (zh) 温室作物情景感知的生产管理方法及装置
CN115115167A (zh) 校园安全系统及其运行方法
Rajkumar et al. IoT-Enabled Smart Irrigation with Machine Learning Models for Precision Farming
Ayuningsih et al. Fuzzy rule-based systems for controlling plant growth parameters in greenhouses using fog networks

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant