KR20140125229A - 과수의 생산량 예측 시스템 및 그것의 구동 방법 - Google Patents

과수의 생산량 예측 시스템 및 그것의 구동 방법 Download PDF

Info

Publication number
KR20140125229A
KR20140125229A KR20130043139A KR20130043139A KR20140125229A KR 20140125229 A KR20140125229 A KR 20140125229A KR 20130043139 A KR20130043139 A KR 20130043139A KR 20130043139 A KR20130043139 A KR 20130043139A KR 20140125229 A KR20140125229 A KR 20140125229A
Authority
KR
South Korea
Prior art keywords
fruit
information
branch
image
unit
Prior art date
Application number
KR20130043139A
Other languages
English (en)
Inventor
이상호
김규형
이수인
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR20130043139A priority Critical patent/KR20140125229A/ko
Priority to US14/222,084 priority patent/US9228990B2/en
Publication of KR20140125229A publication Critical patent/KR20140125229A/ko

Links

Images

Classifications

    • 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
    • G01N33/0098—Plants or trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/38—Outdoor scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Wood Science & Technology (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Botany (AREA)
  • Animal Husbandry (AREA)
  • Primary Health Care (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Processing (AREA)

Abstract

본 발명의 실시 예에 따른 생산량 예측 시스템은 과수의 영상을 수집하고, 상기 수집된 과수의 식별 정보를 확인하는 작물 영상 획득부, 상기 식별 정보가 파악된 과수의 영상을 수신하고, 상기 식별 정보가 파악된 과수의 가지 종류들 중 열매 가지를 추출하는 가지 패턴 인식부, 상기 추출된 열매 가지의 영상을 수신하고, 상기 열매 가지에 포함된 눈들 중 과실이 실제 열리는 눈의 정보를 추출하는 상기 과수 눈 인식부, 상기 수집된 과수의 이전 생산량 예측 정보를 저장하는 메타 DB, 상기 추출된 눈의 정보와, 상기 과수의 이전 생산량 예측 정보를 수신하고, 상기 수신된 눈의 정보와 상기 이전의 생산량 예측 정보를 비교함으로써, 상기 과수의 생산량을 예측하는 상기 생산량 추정부를 포함한다.

Description

과수의 생산량 예측 시스템 및 그것의 구동 방법{PRODUCT MEASURING SYSTEM OF FRUIT TREE AND OPERATION METHOD THEREOF}
본 발명은 생산량 예측 시스템에 관한 것으로, 더 상세하게는 영상 장치를 이용한 과수의 생산량 예측 시스템에 관한 것이다.
과수의 생산량 예측 시스템은 다음해 과수의 생산량을 미리 예측하는데 사용된다. 과수의 생산량 예측 시스템으로부터 예측된 생산량 정보에 기반하여, 다음해 과수의 전반적인 가격 및 공급량이 조절될 수 있다.
최근 들어, 전자 기술의 발달과 함께 영상 장치를 이용한 과수의 생산량 예측 시스템이 개발되고 있다. 생산량 예측 시스템은 영상 장치로부터 과수의 영상 정보를 수집하고, 수집된 영상 정보를 분석함으로써, 다음해 과수의 생산량을 예측할 수 있다.
또한, 일반적으로 과수의 영상 촬영은, 과실이 실제 열리는 시기에 수행된다. 그러나, 과실이 실제 열리는 시기는 과실 주변의 많은 잎들로 인해, 정확한 영상 정보를 얻는데 어려움을 갖는 문제점이 있다.
따라서, 본 발명은 과실의 수확이 완료된 휴면기 상태에서, 과수의 영상을 수집함으로써, 생산량을 예측하는 생산량 예측 시스템을 제공하는 데 있다.
상기 목적을 달성하기 위한 본 발명에 따른 생산량 예측 시스템은 과수의 영상을 수집하고, 상기 수집된 과수의 식별 정보를 확인하는 작물 영상 획득부, 상기 식별 정보가 파악된 과수의 영상을 수신하고, 상기 식별 정보가 파악된 과수의 가지 종류들 중 열매 가지를 추출하는 가지 패턴 인식부, 상기 추출된 열매 가지의 영상을 수신하고, 상기 열매 가지에 포함된 눈들 중 과실이 실제 열리는 눈의 정보를 추출하는 상기 과수 눈 인식부, 상기 수집된 과수의 이전 생산량 예측 정보를 저장하는 메타 DB, 상기 추출된 눈의 정보와, 상기 과수의 이전 생산량 예측 정보를 수신하고, 상기 수신된 눈의 정보와 상기 이전의 생산량 예측 정보를 비교함으로써, 상기 과수의 생산량을 예측하는 상기 생산량 추정부를 포함한다.
상기 목적을 달성하기 위한 본 발명에 따른 생산량 예측 방법은 과수의 영상을 수집하는 단계, 상기 수집된 과수의 식별 정보를 확인하는 단계, 상기 식별 정보가 확인된 과수의 영상 정보에 기반하여, 상기 과수에 포함된 가지 패턴을 추출하는 단계, 상기 추출된 가지 패턴에 기반하여, 과실이 실제 열리는 눈의 정보를 추출하는 단계, 상기 추출된 눈의 정보와 이전 과수의 생산량 예측 정보를 비교하는 단계, 상기 비교 결과에 기반하여, 상기 과수의 생산량을 예측하는 단계를 포함하되, 상기 가지 패턴을 추출하는 단계는, 상기 수집된 과수의 영상 정보에 포함된 가지의 종류를 분석하고, 상기 분석된 가지의 종류들 중 열매 가지의 정보를 추출하고, 상기 추출된 열매 가지의 년 수를 판단한다.
본 발명의 실시 예에 따르면, 생산량 예측 시스템은 과실의 수확이 완료된 과수의 영상 정보를 이용하여, 다음해 과수의 생산량을 예측한다. 따라서, 과수의 정확한 생산량이 예측됨으로써, 농업 분야에 효율적으로 사용될 수 있다.
도 1은 본 발명의 실시 예에 따른 생산량 예측 시스템을 보여주는 블록도이다.
도 2는 도 1에 도시된 작물 영상 획득부를 보여주는 블록도이다.
도 3은 도 1에 도시된 가지 패턴 인식부의 동작을 보여주는 순서도이다.
도 4는 도 1에 도시된 과수 눈 인식부의 동작을 보여주는 순서도이다.
도 5는 본 발명의 실시 예에 따른 생산량 예측 시스템의 동작을 보여주는 순서도이다.
이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여, 본 발명의 실시 예를 첨부된 도면을 참조하여 설명하기로 한다. 동일한 구성 요소들은 동일한 참조번호를 이용하여 인용될 것이다. 유사한 구성 요소들은 유사한 참조번호들을 이용하여 인용될 것이다. 아래에서 설명될 본 발명에 따른 생산량 예측 시스템의 구성과, 그것에 의해 수행되는 동작은 예를 들어 설명한 것에 불과하며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 변화 및 변경이 가능하다.
도 1은 본 발명의 실시 예에 따른 생산량 예측 시스템을 보여주는 블록도이다. 도 1을 참조하면, 생산량 예측 시스템(100)은 작물 영상 처리부(110), 가지 패턴 인식부(120), 과수 눈 인식부(130), 생산량 추정부(140), 및 메타 DB(150)를 포함한다. 본 발명에 따른 생산량 예측 시스템(100)은 과실의 수확이 완료된 후에, 생산량을 예측하는 것으로서 설명된다.
작물 영상 획득부(110)는 영상 장치로부터 생산량을 예측할 과수의 영상을 수집한다. 영상 장치로는 카메라(Camera) 종류의 전자 기기가 사용될 수 있다. 작물 영상 획득부(110)는 카메라를 통해 촬영되는 과수의 영상 정보를 수집하여, 과수의 식별 정보를 확인한다. 예를 들어, 과수의 식별 정보 방법에는 GPS 정보, RF 태그 방식 등이 사용될 수 있다.
작물 영상 획득부(110)는 과수의 식별 정보를 확인하고, 식별 정보가 확인된 과수의 영상 정보를 저장한다. 저장된 과수의 영상 정보는 다음 생산량 예측 과정에서, 과수의 식별 정보로서 사용될 수 있다. 작물 영상 획득부(110)는 식별 정보가 확인된 과수의 영상 정보를 가지 패턴 인식부(120)로 전달한다.
가지 패턴 인식부(120)는 작물 영상 획득부(110)로부터 식별 정보가 확인된 과수의 영상 정보를 수신한다. 가지 패턴 인식부(120)는 수신된 과수의 영상 정보에 기반하여 가지의 종류 및 년 수를 분석한다. 가지의 종류는 원줄기, 원가지, 덧원가지, 곁가지, 결과 모지, 열매 가지로 분류될 수 있다.
가지 패턴 인식부(120)는 과수의 영상에서 가지를 추출함으로써, 가지의 종류를 판단한다. 과수의 영상에서 가지를 추출하는 방식으로는 다양한 영상 처리 기법들이 사용될 수 있다. 예시적으로, 소벨 에지 추출 방식, 프리윗 에지 추출 방식, 로버츠 에지 추출 방식 등이 이용될 수 있다. 가지 패턴 인식부(120)는 판단된 가지의 종류들 중 열매 가지의 영상을 추출한다. 가지의 종류들 중 열매 가지에 생긴 눈의 종류에 따라 수확량이 예측될 수 있기 때문이다.
또한, 가지 패턴 인식부(120)는 가지의 종류가 분석되면, 분석된 정보에 기반하여 가지의 년 수를 판단한다. 가지의 년 수를 판단하는 것은, 년 수에 따라 가지에 과실이 생기는 경우가 다르기 때문이다. 예시적으로, 1년생 가지에 과실이 생기는 경우가 있는 반면, 3년이 지나야 가지에 과실이 생기는 경우도 있다.
가지 패턴 인식부(120)는 이전의 영상 정보들 및 현재의 영상 정보를 비교하는 방식을 통해, 가지의 년 수를 판단할 수 있다. 또한, 가지 패턴 인식부(120)는 가지의 년 수가 판단되면, 판단된 데이터 정보를 저장한다. 저장된 데이터 정보는 다음에 수행되는 가지의 영상 정보와 비교될 수 있다. 가지 패턴 인식부(120)는 년 수가 판단된 열매 가지의 영상 정보를 과수 눈 인식부(130)로 전달한다.
과수 눈 인식부(130)는 가지 패턴 인식부(120)로부터 년 수가 판단된 열매 가지의 영상 정보를 수신한다. 과수 눈 인식부(130)는 수신된 열매 가지의 영상 정보에 기반하여, 눈의 종류를 판단한다. 눈의 종류는 잎눈, 꽃눈, 혼합눈, 중간눈, 순정꽃눈으로 분류될 수 있다.
과수 눈 인식부(130)는 눈의 종류를 판단하고, 판단된 눈의 정보에 기반하여 꽃의 발아 여부를 확인한다. 꽃의 발아된 개수에 기반하여, 과실의 수확량이 예측될 수 있다. 특히, 과수 눈 인식부(130)는 눈의 종류들 중 꽃눈 및 혼합눈의 정보를 추출함으로써, 꽃의 발아 개수를 예측한다. 일반적으로, 눈의 종류 중 꽃눈 및 혼합눈이 최종적으로 과실로 발아된다. 예시적으로, 과수 눈 인식부(130)는 눈의 모양, 크기 등의 비교를 통해, 꽃눈 및 혼합눈의 발아 개수를 예측할 수 있다.
또한, 과수 눈 인식부(130)는 눈의 발아 여부를 확인하기 위해, 기존의 데이터 정보를 이용한다. 기존의 데이터 정보는 이전의 생산량 예측 과정에서 저장된 눈의 정보를 의미한다. 자세하게, 과수 눈 인식부(130)는 현재 수신된 열매 가지의 눈 정보와, 이전에 저장된 눈의 데이터 정보를 비교함으로써, 꽃눈 및 혼합눈의 발아 개수를 예측할 수 있다. 두 데이터 정보를 비교하는 방식으로는 영상 패턴 매치 방식의 다양한 알고리즘들이 사용될 수 있다.
또한, 과수 눈 인식부(130)는 비교 과정이 완료된 눈의 정보를 저장한다. 저장된 정보는 다음의 눈의 정보를 비교하는데 사용될 수 있다. 과수 눈 인식부(130)는 눈의 발아 개수가 예측된 눈의 정보를 생산량 추정부(140)로 전달한다.
생산량 추정부(140)는 과수 눈 인식부(130)로부터 눈의 발아 개수가 예측된 눈의 정보를 수신한다. 생산량 추정부(140)는 생산량을 예측하는 방식으로서, 현재 측정된 눈의 정보와 기존의 눈의 정보를 비교하는 방식을 이용한다.
생산량 추정부(140)는 기존의 생산량 데이터 정보를 메타 DB(150)로부터 수신하여, 현재 예측된 눈의 정보와 비교한다. 기존 데이터 정보에는, 매해 예측된 생산량 정보와 비교하여, 다음해 실제 과실이 수확된 값이 저장된다.
생산량 추정부(140)는 비교된 결과에 따라 실제 과실이 열릴 생산량을 예측할 수 있다. 생산량 추정부(140)는 기존에 수행된 생산량 예측의 통계치에 기반하여, 실질적으로 몇 퍼센트의 과실이 열리는지 예측할 수 있다. 또한, 생산량 추정부(140)는 과실의 수확량을 예측하면, 예측된 정보를 메타 DB(150)에 저장한다.
메타 DB(150)에는 생산량 예측에 대한 데이터가 저장된다. 메타 DB(150)에 저장된 데이터 정보는 생산량 예측을 수행할 시, 비교 데이터로서 사용된다.
상술된 바와 같이, 생산량 예측 시스템(100)은 과실의 수확이 완료된, 휴면기 상태에서 과수의 생산량을 예측한다. 또한, 생산량 예측 시스템(100)은 예측된 과수의 생산량과 실제 수확된 과수의 생산량을 비교한다. 따라서, 생산량 예측 시스템(100)은 과실이 실제 열리는 시기에, 생산량 예측 시스템을 다시 수행함으로써, 예측량과 실제량의 차이를 비교한다.
도 2는 도 1에 도시된 작물 영상 획득부를 보여주는 블록도이다. 도 2를 참조하면, 작물 영상 획득부(110)는 카메라부(111), 영상 처리부(112), 및 저장부(113)를 포함한다.
카메라부(111)는 생산량을 예측할 과수를 촬영함으로써, 영상 정보를 획득한다. 카메라부(111)는 복수의 카메라들로 구성될 수 있으며, 다양한 각도에서 촬영을 수행할 수 있다. 카메라부(111)는 지면으로부터 과수의 높이 및 가지의 모양을 촬영한다.
특히, 가지가 성장하는 모습에 따라, 눈의 발아 여부가 달라질 수 있다. 일반적으로, 가지가 중력의 반대반향, 즉 종방향으로 성장하는 가지의 눈은 잎으로 발아될 확률이 높다. 이와 반대로, 가지가 중력의 횡방향, 즉 지면 방향으로 성장하는 가지의 눈은 과실로 발아될 확률이 높다. 따라서, 카메라부(111)는 가지의 모양을 다양한 각도에서 촬영하여, 영상 정보를 획득한다. 카메라부(111)로부터 촬영된 과수의 영상 정보는 영상 처리부(112)로 전달한다.
영상 처리부(112)는 카메라부(111)로부터 촬영된 영상 정보를 수신한다. 영상 처리부(112)는 수신된 영상 정보에 기반하여, 과수의 식별 정보를 확인한다. 예시적으로, GPS 정보를 이용하는 경우, 영상 처리부(112)는 GPS를 통해 과수의 위치를 파악하고, 파악된 정보에 기반하여 과수의 식별 정보를 확인할 수 있다.
저장부(113)는 과수의 식별 정보가 확인된 영상 정보를 저장한다. 저장부(113)에 저장된 영상 정보에는 과수의 식별 정보가 포함되어, 다음해 같은 과수의 영상을 촬영할 시, 효율적으로 이용될 수 있다. 예를 들어, 카메라부(111)는 촬영을 수행할 과수의 영상 정보가 저장부(113)에 저장된 경우, 저장된 영상 정보에 기반하여 과수의 가지 및 눈의 위치를 효율적으로 찾을 수 있다. 따라서, 카메라부(111)는 새로운 과수를 촬영할 때보다 과수의 영상을 정확하게 촬영할 수 있다.
도 3은 도 1에 도시된 가지 패턴 인식부의 동작을 보여주는 순서도이다. 도 1 및 도 3을 참조하면, S110 단계에서, 가지 패턴 인식부(120)는 작물 영상 획득부(110)로부터 촬영된 과수의 영상 정보에 기반하여, 가지의 종류를 분석한다. 특히, 가지 패턴 인식부(120)는 가지의 종류들 중 눈의 정보가 포함된 열매 가지의 영상을 파악한다.
S120 단계에서, 가지 패턴 인식부(120)는 파악된 열매 가지의 년 수를 파악한다. 가지 패턴 인식부(120)는 열매 가지의 년 수를 참조함으로써, 열매 가지에 생성되는 꽃눈 또는 혼합눈의 시기를 판단할 수 있다. 가지 패턴 인식부(120)는 기존의 열매 가지 정보와 현재의 열매 가지의 영상 정보를 서로 비교함으로써, 열매 가지에 생기는 꽃눈 또는 혼합눈의 시기를 확인할 수 있다. 또한, 기존의 열매 가지는 현재의 열매 가지와 동일하거나, 같은 과수에 포함된 다른 열매 가지일 수 있다.
S130, 단계에서, 가지 패턴 인식부(120)는 S120 단계에서 파악된, 열매 가지의 년 수 정보를 저장한다. 년 수 정보에는 해당 열매 가지의 꽃눈 또는 혼합눈 생성 시기가 포함된다. 저장된 열매 가지의 년 수 정보는, 다음해 열매 가지의 년 수 비교 과정에서 사용될 수 있다.
도 4는 도 1에 도시된 과수 눈 인식부의 동작을 보여주는 순서도이다. 도 1 및 도 4를 참조하면, S210 단계에서, 과수 눈 인식부(130)는 가지 패턴 인식부(120)로부터 파악된 열매 가지의 정보를 수신하여, 눈의 정보를 체크한다. 눈의 종류에 따라, 눈이 잎으로 발아하는 지 과실로 발아하는 지 여부가 판단될 수 있다.
S220 단계에서, 과수 눈 인식부(130)는 열매 가지에 포함된 눈의 정보 및 기존의 눈의 정보를 서로 비교함으로써, 체크된 눈의 정보를 분석한다. 예를 들어, 과수 눈 인식부(130)는 눈의 모양, 위치, 크기 등의 비교를 통해, 체크된 열매 가지에서, 꽃눈 또는 혼합눈을 파악할 수 있다. 또한, 기존의 눈의 정보는 체크된 열매 가지와 동일하거나, 같은 과수에 포함된 다른 열매 가지일 수 있다.
S230 단계에서, 과수 눈 인식부(130)는 꽃눈 또는 혼합눈의 파악이 완료된 열매 가지의 정보를 저장한다. 열매 가지의 정보에는 눈의 모양, 위치, 크기 등이 저장될 수 있다. 저장된 열매 가지의 눈의 정보는, 다음해 열매 가지의 눈의 비교 과정에서 사용될 수 있다.
도 5는 본 발명의 실시 예에 따른 생산량 예측 시스템의 동작을 보여주는 순서도이다. 도 1 및 도 5를 참조하면, S310 단계에서, 생산량 예측 시스템(100)은 과실의 수확량을 예측할 과수의 영상을 수집한다.
S320 단계에서, 생산량 예측 시스템(100)은 수집된 과수의 식별 정보를 확인한다. 생산량 예측 시스템(100)은 과수의 식별 정보에 기반하여, 기존의 영상 정보와 현재 과수의 영상 정보를 서로 비교할 수 있다.
S330 단계에서, 생산량 예측 시스템(100)은 식별 정보가 파악된 과수의 가지 패턴 및 눈의 정보를 분석한다. 생산량 예측 시스템(100)은 과수에 포함된 가지들의 패턴을 조사하고, 조사된 가지 패턴에 기반하여 눈의 정보를 분석한다. 가지의 패턴 정보에는 과수의 종류 및 년 수가 포함될 수 있다. 생산량 예측 시스템(100)은 해당 가지의 눈 정보 중 꽃눈 또는 혼합눈을 추출한다.
S340 단계에서, 생산량 예측 시스템(100)은 S330 단계로부터 추출된 과수의 꽃눈 또는 혼합눈의 개수와, 기존의 생산량 예측 정보로부터 파악된 눈의 개수를 비교한다. 기존의 생산량 예측 정보에는 과실의 생산량 예측 및 실제 과실이 수확된 정보를 비교한 데이터가 포함될 수 있다. 생산량 예측 시스템(100)은 기존의 생산량 예측 정보에 기반하여, 과실의 생산량을 예측할 수 있다.
S350 단계에서, 생산량 예측 시스템(100)은 S340 단계로부터 예측된 과수의 수확량 정보를 저장한다. 또한, 생산량 예측 시스템(100)은 과수에서 실제 열린 과실의 데이터를 수집한다. 생산량 예측 시스템(100)은 과수의 예측 정보와 실제 수확된 정보를 서로 비교하고, 비교된 정보를 저장한다. 저장된 정보는 다음 생산량 예측 과정에서 사용될 수 있다. 과수의 예측 정보 및 실제 수확된 정보를 비교한 데이터는 년도별 통계 수치로서 표현되어, 매해 생산량 예측 과정에서 사용될 수 있다.
상술된 바와 같이, 생산량 예측 시스템(100)은 과실의 추수기가 끝난, 휴면기 상태에서 과수의 생산량 예측을 수행한다. 휴면기 상태에서의 생산량 예측 조사는 추수기에 비해 과수의 잎들이 존재하지 않아, 보다 정확하게 가지의 패턴 및 눈의 정보를 파악할 수 있다. 또한, 생산량 예측 시스템(100)은 기존 과수들의 생산량 정보에 기반하여, 과수의 생산량을 예측함으로써, 정확한 생산량을 판단할 수 있다.
이상에서와 같이 도면과 명세서에서 실시 예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허 청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허 청구범위의 기술적 사상에 의해 정해져야 할 것이다.
110: 작물 영상 획득부
120: 가지 패턴 인식부
130: 과수 눈 인식부
140: 생산량 추정부
150: 메타 DB

Claims (10)

  1. 과수의 영상을 수집하고, 상기 수집된 과수의 식별 정보를 확인하는 작물 영상 획득부;
    상기 식별 정보가 파악된 과수의 영상을 수신하고, 상기 식별 정보가 파악된 과수의 가지 종류들 중 열매 가지를 추출하는 가지 패턴 인식부;
    상기 추출된 열매 가지의 영상을 수신하고, 상기 열매 가지에 포함된 눈들 중 과실이 실제 열리는 눈의 정보를 추출하는 과수 눈 인식부;
    상기 수집된 과수의 이전 생산량 예측 정보를 저장하는 메타 DB; 및
    상기 추출된 눈의 정보와, 상기 과수의 이전 생산량 예측 정보를 수신하고, 상기 수신된 눈의 정보와 상기 이전의 생산량 예측 정보를 비교함으로써, 상기 과수의 생산량을 예측하는 생산량 추정부를 포함하는 과수의 생산량 예측 시스템.
  2. 제 1 항에 있어서,
    상기 과수의 생산량 예측은 과실의 추수기가 끝난 휴면기 상태에서 수행되는 과수의 생산량 예측 시스템.
  3. 제 1 항에 있어서,
    상기 작물 영상 획득부는,
    상기 과수의 영상을 촬영하는 카메라부;
    상기 촬영된 과수의 영상을 수집하여 식별 정보를 확인하는 영상 처리부; 및
    상기 식별 정보가 확인된 과수의 영상을 저장하는 저장부를 포함하되,
    상기 영상 처리부는 상기 저장부에 저장된 이전의 과수 정보에 기반하여, 상기 촬영된 과수의 식별 정보를 확인하는 과수의 생산량 예측 시스템.
  4. 제 3 항에 있어서,
    상기 영상 처리부는 상기 촬영된 과수의 위치 정보 및 RF 태그 정보에 기반하여 상기 과수의 식별 정보를 확인하는 과수의 생산량 예측 시스템.
  5. 제 1 항에 있어서,
    상기 메타 DB는, 상기 생산량 추정부로부터 상기 과수의 예측 생산량 정보를 수신하고, 상기 수신된 정보를 저장하는 과수의 생산량 예측 시스템.
  6. 과수의 생산량 예측 방법에 있어서,
    과수의 영상을 수집하는 단계;
    상기 수집된 과수의 식별 정보를 확인하는 단계;
    상기 식별 정보가 확인된 과수의 영상 정보에 기반하여, 상기 과수에 포함된 가지 패턴을 추출하는 단계;
    상기 추출된 가지 패턴에 기반하여, 과실이 실제 열리는 눈의 정보를 추출하는 단계;
    상기 추출된 눈의 정보와 이전 과수의 생산량 예측 정보를 비교하는 단계; 및
    상기 비교 결과에 기반하여, 상기 과수의 생산량을 예측하는 단계를 포함하되,
    상기 가지 패턴을 추출하는 단계는, 상기 수집된 과수의 영상 정보에 포함된 가지의 종류를 분석하고, 상기 분석된 가지의 종류들 중 열매 가지의 정보를 추출하고, 상기 추출된 열매 가지의 년 수를 판단하는 생산량 예측 방법.
  7. 제 6 항에 있어서,
    상기 예측된 과수의 생산량 정보를 저장하는 단계를 더 포함하는 생산량 예측 방법.
  8. 제 6 항에 있어서,
    상기 판단된 열매 가지의 년 수를 저장하는 단계를 더 포함하는 생산량 예측 방법.
  9. 제 6 항에 있어서,
    상기 추출된 열매 가지의 년 수는 이전에 저장된 열매 가지의 년 수와 비교하여 판단되는 생산량 예측 방법.
  10. 제 6 항에 있어서,
    상기 눈의 정보를 추출하는 단계는,
    상기 열매 가지에 포함된 눈의 정보를 체크하는 단계;
    상기 체크된 눈의 정보 중 실제 과실이 열리는 눈의 정보를 추출하는 단계; 및
    상기 추출된 눈의 정보를 저장하는 단계를 포함하는 생산량 예측 방법.


KR20130043139A 2013-04-18 2013-04-18 과수의 생산량 예측 시스템 및 그것의 구동 방법 KR20140125229A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR20130043139A KR20140125229A (ko) 2013-04-18 2013-04-18 과수의 생산량 예측 시스템 및 그것의 구동 방법
US14/222,084 US9228990B2 (en) 2013-04-18 2014-03-21 System for predicting production of fruit tree and driving method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR20130043139A KR20140125229A (ko) 2013-04-18 2013-04-18 과수의 생산량 예측 시스템 및 그것의 구동 방법

Publications (1)

Publication Number Publication Date
KR20140125229A true KR20140125229A (ko) 2014-10-28

Family

ID=51729026

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20130043139A KR20140125229A (ko) 2013-04-18 2013-04-18 과수의 생산량 예측 시스템 및 그것의 구동 방법

Country Status (2)

Country Link
US (1) US9228990B2 (ko)
KR (1) KR20140125229A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190105164A (ko) * 2018-02-21 2019-09-16 주식회사 유비샘 농축산물 생산지 영상 제공 서버 및 그 방법
RU2769288C2 (ru) * 2016-10-19 2022-03-30 Басф Агро Трейдмаркс Гмбх Прогнозирование урожайности зернового поля

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201501882D0 (en) * 2015-02-05 2015-03-25 Technology Res Ct The Ltd Apparatus and method for analysis of growing items
US9462749B1 (en) * 2015-04-24 2016-10-11 Harvest Moon Automation Inc. Selectively harvesting fruits
US9532508B1 (en) * 2015-04-27 2017-01-03 X Development Llc Tagging of fruit-producing flowers for robotic selective harvesting
US9468152B1 (en) 2015-06-09 2016-10-18 Harvest Moon Automation Inc. Plant pruning and husbandry
US9928584B2 (en) 2016-07-11 2018-03-27 Harvest Moon Automation Inc. Inspecting plants for contamination
US9965845B2 (en) 2016-07-11 2018-05-08 Harvest Moon Automation Inc. Methods and systems for inspecting plants for contamination
AU2019373840A1 (en) * 2018-10-29 2021-05-13 Ffrobotics Ltd. Robotic fruit harvesting machine with fruit-pair picking and hybrid motorized-pneumatic robot arms
US11285612B2 (en) * 2019-08-20 2022-03-29 X Development Llc Coordinating agricultural robots
CN111950391A (zh) * 2020-07-23 2020-11-17 中国农业科学院农业信息研究所 果树芽体的识别方法及装置
EP4018816A1 (en) 2020-12-23 2022-06-29 Kubota Corporation Method for determining output data from crop plant characteristics for a crop plant, method for controlling operation of an agricultural machine, agricultural machine, and computer program product

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8563805B2 (en) * 2008-02-27 2013-10-22 Okanagan Specialty Fruits Inc. Genetically modified reduced-browning fruit-producing plant and produced fruit thereof, and method of obtaining such
US8633354B2 (en) * 2009-04-16 2014-01-21 The United States Of America, As Represented By The Secretary Of Agriculture Development of very early flowering and normal fruiting plum with fertile seeds
KR101271074B1 (ko) 2011-07-06 2013-06-04 부산대학교 산학협력단 온실 작물 모니터링 방법 및 영상 감지형 온실 작물 모니터링 시스템
WO2013181558A1 (en) * 2012-06-01 2013-12-05 Agerpoint, Inc. Systems and methods for monitoring agricultural products

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2769288C2 (ru) * 2016-10-19 2022-03-30 Басф Агро Трейдмаркс Гмбх Прогнозирование урожайности зернового поля
KR20190105164A (ko) * 2018-02-21 2019-09-16 주식회사 유비샘 농축산물 생산지 영상 제공 서버 및 그 방법

Also Published As

Publication number Publication date
US20140314280A1 (en) 2014-10-23
US9228990B2 (en) 2016-01-05

Similar Documents

Publication Publication Date Title
KR20140125229A (ko) 과수의 생산량 예측 시스템 및 그것의 구동 방법
CN108647652B (zh) 一种基于图像分类和目标检测的棉花发育期自动识别方法
Nuske et al. Automated visual yield estimation in vineyards
KR101763835B1 (ko) 군락에서 영상이미지를 통한 작물기관별 이미지식별시스템
Yu et al. Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage
Payne et al. Estimation of mango crop yield using image analysis–segmentation method
TWI435234B (zh) Plant disease identification method, system and record media
Victorino et al. Yield components detection and image-based indicators for non-invasive grapevine yield prediction at different phenological phases
Zhang et al. Computer vision‐based tree trunk and branch identification and shaking points detection in Dense‐Foliage canopy for automated harvesting of apples
US20210241482A1 (en) Yield prediction for a cornfield
KR101822410B1 (ko) 작물 영상을 사용한 작물 생육 진단 장치
US20230157231A1 (en) Methods for artificial pollination and apparatus for doing the same
Nguyen et al. A vision based method for automatic evaluation of germination rate of rice seeds
CN114461903A (zh) 作物品种适宜推广区域确定方法及装置
CN103714317A (zh) 一种基于Android平台的植物叶片识别方法
CN112465038A (zh) 一种识别果树病虫害种类的方法及系统
CN110689022A (zh) 基于叶片匹配的各株作物图像提取方法
CN110060294A (zh) 一种果树作物的产量评估方法
Victorino et al. Grapevine yield prediction using image analysis-improving the estimation of non-visible bunches
KR20180133612A (ko) 특용 과수용 병해충 통합 예측 시스템을 위한 병해충 이미지 분석방법
WO2022137242A1 (en) Deep learning system for estimating object volume, weight and crop yields based on remote imaging
CN113723833A (zh) 造林实绩质量评价方法、系统、终端设备及存储介质
KR20220022961A (ko) 개선된 작물생육 분석시스템
CN109544505A (zh) 咖啡开花期的检测方法、装置及电子设备
Sarron et al. Is machine learning efficient for mango yield estimation when used under heterogeneous field conditions?

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid