KR20180022159A - Nutrient solution control apparatus and methods using maching learning - Google Patents

Nutrient solution control apparatus and methods using maching learning Download PDF

Info

Publication number
KR20180022159A
KR20180022159A KR1020160107107A KR20160107107A KR20180022159A KR 20180022159 A KR20180022159 A KR 20180022159A KR 1020160107107 A KR1020160107107 A KR 1020160107107A KR 20160107107 A KR20160107107 A KR 20160107107A KR 20180022159 A KR20180022159 A KR 20180022159A
Authority
KR
South Korea
Prior art keywords
data
farmhouse
crop
nutrient solution
amount
Prior art date
Application number
KR1020160107107A
Other languages
Korean (ko)
Inventor
양중석
김형석
권만재
이택성
이택진
박수현
이주영
노주원
오상록
Original Assignee
한국과학기술연구원
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 한국과학기술연구원 filed Critical 한국과학기술연구원
Priority to KR1020160107107A priority Critical patent/KR20180022159A/en
Publication of KR20180022159A publication Critical patent/KR20180022159A/en

Links

Images

Classifications

    • 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
    • A01G31/00—Soilless cultivation, e.g. hydroponics
    • A01G31/02—Special apparatus therefor
    • 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
    • A01G27/00—Self-acting watering devices, e.g. for flower-pots
    • A01G27/003—Controls for self-acting watering devices
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
    • Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
    • Y02P60/21—Dinitrogen oxide [N2O], e.g. using aquaponics, hydroponics or efficiency measures

Abstract

Disclosed are a nutrient solution controlling device using machine learning, and a method therefor. The nutrient solution controlling device of the present invention comprises: a communication part receiving data of a farm containing at least one information on growth of crops, environments of rhizospheric parts, condition of cultivation facilities and the like; and a control part predicting a growth period of the crops via the machine learning based on the data of the farm received from the communication part, and calculating a supply amount of nutrient solutions required for the crops using the predicted growth period.

Description

기계학습을 이용한 양액제어장치 및 방법{Nutrient solution control apparatus and methods using maching learning}[0001] The present invention relates to a nutrient solution control apparatus and method using machine learning,

본 발명은 양액제어장치에 관한 것으로, 보다 상세하게는 기계학습을 이용하여 작물에 필요한 수분 및 양분의 양을 예측하는 기계학습을 이용한 양액제어장치 및 방법에 관한 것이다.The present invention relates to a nutrient solution control apparatus, and more particularly, to a nutrient solution control apparatus and method using machine learning for predicting the amount of water and nutrients necessary for a crop using machine learning.

최근, 시설원예의 활성화로 인하여 시설원예를 이용한 작물의 재배가 급속히 증가하고 있다. 이에 생산량을 증가하기 위한 다양한 방법이 제안되고 있으며, 특히 작물에 필요한 수분과 양분의 최적화를 통한 생산량을 증가가 필요한 상황이다.In recent years, cultivation of crops using facility horticulture has been rapidly increasing due to the revitalization of facility horticulture. Therefore, various methods for increasing the production amount have been proposed. In particular, it is necessary to increase the production amount by optimizing the moisture and nutrients required for the crops.

일반적으로, 작물의 생장은 온도, 습도, 일사량, 이산화탄소, 산소, 양분 등의 생육에 필요한 많은 요소의 영향을 받는다. 특히, 작물의 경우, 필요한 수분과 양분을 작물의 근권부에서 공급받게 되는데, 이 때 적절한 근권환경을 조성해줄 필요성이 존재한다. Generally, crop growth is influenced by many factors that are necessary for growth such as temperature, humidity, radiation, carbon dioxide, oxygen, nutrients and so on. In particular, in the case of crops, the required moisture and nutrients are supplied from the rhizosphere of the crop, and there is a need to create an appropriate rhizosphere environment.

종래의 근권환경의 제어는 작물의 발아부터 작물의 최종 결과물을 수확이 끝날 때까지를 4단계에서 5단계로 나누어서 각 단계에 적정한 양분을 단일 조성으로 조제하여 제공하는 방식을 이용하였다. 작물의 단계적 단순 생장 단계에 따른 양액의 공급은 작물의 생육을 그대로 반영하지 못하여 양분을 과잉으로 공급하거나 부족하게 공급하는 원인이 되고 있다. 또한 근권부의 수분함량의 제어는 하루에 일정 시간이 도달할 경우 일정시간 동안 수분을 공급하는 방식이거나, 일사량에 비례하여 양액을 공급하여 근권부의 수분함량을 제어하는 방법을 이용하였다.Conventional control of the rhizosphere environment was carried out by dividing the final product of the crops from the germination of the crops until the end of the harvest, from 4 stages to 5 stages, and preparing the appropriate nutrients in each stage with a single composition. The supply of nutrient solution according to the step - by - step simple growth stage of the crop does not reflect the growth of the crop, which causes the nutrients to be supplied in an excess or inadequate. In addition, the control of the moisture content of the rhizosphere was performed by supplying water for a certain period of time when a certain period of time was reached in a day, or by controlling the moisture content of the rhizosphere by supplying nutrients in proportion to the irradiation dose.

이러한 시간제어나 일사량 비례제어를 이용한 근권부 수분량을 제어하는 방식은 실제 작물의 생육정보를 반영하지 못하기 때문에 작물의 생육 초창기와 후반기에 필요한 수분량의 차이를 적절하게 반영하지 못하는 문제점이 있다.Since the method of controlling the rhizospheric water content using the time control or the irradiation proportioning control does not reflect the actual growth information of crops, there is a problem that it does not properly reflect the difference in moisture amount required in the early and late growth stages of crops.

따라서, 이러한 문제점을 극복하면서 작물에 필요한 수분과 양분을 제어하는 장치가 필요한 실정이다.Therefore, there is a need for a device for controlling moisture and nutrients required for crops while overcoming such problems.

한국등록특허공보 제10-0470453호(2005.02.05.)Korean Patent Registration No. 10-0470453 (Feb.

본 발명이 이루고자 하는 기술적 과제는 농가 데이터를 이용하여 작물의 생육시기를 예측하고, 예측된 생육시기를 이용하여 작물에 필요한 양액의 공급량을 산출하는 기계학습을 이용한 양액제어장치 및 방법을 제공하는데 목적이 있다.SUMMARY OF THE INVENTION The object of the present invention is to provide a nutrient solution control apparatus and method using machine learning that predicts a growing time of a crop using farmhouse data and calculates a supply amount of nutrient solution necessary for a crop using a predicted growth period .

본 발명이 이루고자 하는 다른 기술적 과제는 작물에 최적화된 양액을 공급함으로써, 작물의 생산량을 극대화하는 기계학습을 이용한 양액제어장치 및 방법을 제공하는데 목적이 있다.It is another object of the present invention to provide a nutrient solution control apparatus and method using machine learning that maximizes the yield of a crop by supplying a nutrient solution optimized for a crop.

상기 목적을 달성하기 위해, 본 발명에 따른 기계학습을 이용한 양액제어장치는 작물의 생육정보, 근권부 환경정보 및 재배시설의 환경정보 중 적어도 하나의 정보가 포함된 농가 데이터를 수신하는 통신부 및 상기 통신부로부터 수신된 농가 데이터를 기계학습(machine learning)으로 상기 작물의 생육시기를 예측하고, 상기 예측된 생육시기를 이용하여 상기 작물에 필요한 양액의 공급량을 산출하는 제어부를 포함한다.In order to achieve the above object, a nutrient solution control apparatus using machine learning according to the present invention comprises a communication unit for receiving farmhouse data including at least one of information on the growth of crops, And a control unit for predicting a growth period of the crop by machine learning of the farmhouse data received from the communication unit and calculating a supply amount of the nutrient solution necessary for the crop using the predicted growth period.

또한 상기 통신부는, 상기 산출된 양액의 공급량에 대한 데이터를 상기 재배시설에 설치된 액추에이터(actuator)에 송신하여 상기 작물에 양액이 공급되도록 하는 것을 특징으로 한다.Further, the communication unit is configured to transmit the calculated nutrient solution supply amount to an actuator installed in the cultivation facility so that the nutrient solution is supplied to the crop.

또한 상기 제어부는, 상기 작물의 생육시기를 예측하기 전에, 상기 농가 데이터를 데이터 표준화 포맷에 맞도록 수집을 하고, 상기 수집된 농가 데이터를 선별하여 필터링하는 것을 특징으로 한다.Also, the controller may collect the farmhouse data in accordance with the data standardization format, and filter the collected farmhouse data before predicting the growing time of the crop.

또한 상기 제어부는, 상기 수신된 농가 데이터를 동일한 작물 및 종 별로 분류하고, 상기 분류된 농가 데이터를 인자(factor)별로 분류하여 상기 데이터 표준화 포맷에 맞도록 수집하는 데이터 수집부, 상기 수집된 농가 데이터를 분석하여 데이터 오류가 있는 농가 데이터 및 데이터 품질이 기준치보다 미달인 농가 데이터를 선별한 후, 필터링하는 데이터 분석부, 상기 필터링된 농가 데이터를 상기 기계학습으로 상관관계 분석 및 회귀분석을 수행하여 상기 작물의 생육시기를 예측하고, 상기 예측된 생육시기를 이용하여 상기 작물이 필요로 하는 수분 및 양분의 요구량을 예측하는 요구량 예측부 및 상기 예측된 요구량을 이용하여 양액의 공급량을 산출하는 양액 제어부를 포함하는 것을 특징으로 한다.The control unit may further include a data collecting unit for classifying the received farmhouse data by the same crop and species, classifying the classified farmhouse data by factors and collecting the classified farmhouse data according to the data standardization format, A data analysis unit for filtering the farmhouse data with data error and the farmhouse data whose data quality is lower than the reference value and filtering the filtered farmhouse data by performing a correlation analysis and a regression analysis on the filtered farmhouse data by the machine learning, A demand amount predicting unit for predicting a growing period of the crop, predicting the required amount of moisture and nutrients required by the crop using the predicted growth period, and a nutrient solution controller for calculating the nutrient solution supply amount using the predicted demand amount .

또한 상기 데이터 수집부는, 상기 수집된 농가 데이터를 작물별, 인자별 및 시간대별로 정렬하여 데이터베이스화를 하는 것을 특징으로 한다.The data collecting unit may sort the collected farmhouse data by each crop, factor, and time zone to form a database.

또한 상기 요구량 예측부는, 상기 필터링된 농가 데이터와 상기 데이터베이스화된 농가 데이터를 비교하여 상기 작물의 생육을 분석하고, 상기 분석된 농가 데이터를 이용하여 상기 작물의 생육시기를 예측하는 예측모듈 및 상기 예측된 생육시기를 이용하여 상기 필터링된 농가 데이터 중 상기 작물의 생육시기와 일치성이 가장 높은 농가 데이터 집합(cluster)을 산출하고, 상기 산출된 농가 데이터 집합을 학습한 후, 상기 학습된 농가 데이터 집합을 상기 예측모듈에 제공하여 상기 농가 데이터를 업데이트시키는 학습모듈을 포함하는 것을 특징으로 한다.The demand prediction unit may further include a prediction module for analyzing the growth of the crop by comparing the filtered farmhouse data with the database farmhouse data and for predicting a growing time of the crop using the analyzed farmhouse data, The farmhouse data set having the highest correspondence with the growth period of the crop among the filtered farmhouse data is calculated by using the obtained farmhouse data set, And a learning module for providing the prediction module with the farmhouse data to update the farmhouse data.

또한 상기 요구량 예측부는, 상기 예측모듈 및 상기 학습모듈을 순차적으로 반복 수행하여 상기 기계학습을 하는 것을 특징으로 한다.The demand prediction unit may perform the machine learning by sequentially performing the prediction module and the learning module repeatedly.

또한 상기 예측모듈은, 상기 필터링된 농가 데이터 중 서로 다른 인자들을 조합하여 복수의 패턴을 생성하고, 상기 생성된 복수의 패턴 중 특정 작물 및 종에 대한 특정패턴을 반복적인 상기 상관관계 분석 및 상기 회귀분석으로 추출하며, 상기 추출된 특정패턴을 이용하여 상기 작물의 생육시기를 예측하는 것을 특징으로 한다.The prediction module may generate a plurality of patterns by combining different factors among the filtered farmhouse data, and generate a specific pattern of the specific crop and species among the plurality of generated patterns by performing the correlation analysis and the regression Analysis, and the growth period of the crop is predicted using the extracted specific pattern.

또한 상기 작물의 생육정보는, 상기 작물의 생산량, 경경, 총경, 엽면적지수(leaf area index, LAI), 엽온, 줄기두께, 생장속도, 생장량 및 생체중량 중 적어도 하나의 인자를 포함하고, 상기 작물의 근권부 환경정보는 배지함수량, 배지EC, 배지온도, 급액량, 급액EC, 배액EC, 배지무게, 재배단 무게, 급액 내 양액의 조성 및 배양 내 양액의 조성 중 적어도 하나의 인자를 포함하며, 상기 재배시설의 환경정보는 온실의 형태, 온도, 습도, 순간광량, 누적일사량 및 이산화탄소 농도 중 적어도 하나의 인자를 포함하는 것을 특징으로 한다.The growth information of the crop includes at least one of a production amount, a light weight, a total length, a leaf area index (LAI), a leaf temperature, a stem thickness, a growth rate, a growth amount and a biomass of the crop, Wherein the root zone environmental information includes at least one of a medium water content, a medium EC, a medium temperature, an amount of an aqueous solution, a medium EC, a medium EC, a medium weight, a weight of a culture medium, a composition of a nutrient solution in a nutrient solution, The environmental information of the cultivation facility includes at least one of a type of a greenhouse, a temperature, a humidity, an instantaneous light amount, a cumulative solar radiation amount, and a carbon dioxide concentration.

본 발명에 따른 기계학습을 이용한 양액제어방법은, 작물의 생육정보, 근권부 환경정보 및 재배시설의 환경정보 중 적어도 하나의 정보가 포함된 농가 데이터를 수신하는 단계, 상기 수신된 농가 데이터를 기계학습으로 상기 작물의 생육시기를 예측하는 단계 및 상기 예측된 생육시기를 이용하여 상기 작물에 필요한 양액의 공급량을 산출하는 단계를 포함한다.The nutrient solution control method using machine learning according to the present invention includes the steps of receiving farmhouse data including at least one of information on the growth of crops, Estimating a growth period of the crop by learning, and calculating a supply amount of the nutrient solution necessary for the crop using the predicted growth period.

본 발명에 따른 기계학습을 이용한 양액제어장치 및 방법은 농가 데이터를 이용하여 작물의 생육시기를 예측하고, 예측된 생육시기를 이용하여 작물에 필요한 양액의 공급량을 산출할 수 있다.The nutrient solution control apparatus and method using machine learning according to the present invention can predict the growth period of crops using the farm data and calculate the supply amount of the nutrient solution necessary for the crop using the predicted growth period.

본 발명이 이루고자 하는 다른 기술적 과제는 작물에 최적화된 양액을 공급함으로써, 작물의 생산량을 극대화할 수 있다.Another technical problem to be solved by the present invention is to maximize the yield of the crop by supplying the nutrient solution optimized for the crop.

도 1은 본 발명의 일 실시예에 따른 재배시설 제어시스템을 설명하기 위한 구성도이다.
도 2는 본 발명의 일 실시예에 따른 양액제어장치를 설명하기 위한 블록도이다.
도 3은 도 2의 제어부를 설명하기 위한 블록도이다.
도 4는 도 3의 요구량 예측부를 설명하기 위한 블록도이다.
도 5는 본 발명의 일 실시예에 따른 양액제어방법을 설명하기 위한 순서도이다.FIG. 1 is a block diagram for explaining a cultivation facility control system according to an embodiment of the present invention.
2 is a block diagram illustrating a nutrient solution control apparatus according to an embodiment of the present invention.
3 is a block diagram for explaining the control unit of FIG.
4 is a block diagram for explaining a demand prediction unit of FIG.
5 is a flowchart for explaining a nutrient solution control method according to an embodiment of the present invention.

이하 본 발명의 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의한다. 또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 당업자에게 자명하거나 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. In the drawings, the same reference numerals as used in the appended drawings denote like elements, unless indicated otherwise. In the following description of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather obvious or understandable to those skilled in the art.

도 1은 본 발명의 일 실시예에 따른 재배시설 제어시스템을 설명하기 위한 구성도이다.FIG. 1 is a block diagram for explaining a cultivation facility control system according to an embodiment of the present invention.

도 1을 참조하면, 재배시설 제어시스템(300)은 재배시설(200)의 환경상태, 작물생장 등에 대한 상태변화를 제어하여 작물의 생장에 최적화된 환경조건을 유지한다. 여기서, 재배시설(200)은 스마트팜(smart farm)일 수 있다. 재배시설 제어시스템(300)은 양액제어장치(100) 및 재배시설(200)을 포함한다. 여기서, 작물은 토마토, 파프리카, 감자, 고추, 담배, 버섯 등과 같은 채소류이거나, 사과, 배, 포도, 귤, 감, 바나나 등과 같은 과일류이거나, 관상하기 위해 재배되는 모든 작물인 화훼일 수 있다.Referring to FIG. 1, a cultivation facility control system 300 controls environmental changes of the cultivation facility 200, such as environmental conditions, crop growth, etc., to maintain environmental conditions optimized for crop growth. Here, the cultivation facility 200 may be a smart farm. The cultivation facility control system 300 includes a nutrient solution control device 100 and a cultivation facility 200. Here, the crops may be vegetables such as tomatoes, paprika, potatoes, peppers, tobacco, mushrooms, or fruits such as apples, pears, grapes, mandarins, persimmons, and bananas, or flowers that are all cultivated for viewing.

양액제어장치(100)는 재배시설(200)에서 재배되는 작물에 제공되는 양액의 공급량을 산출한다. 이 때, 양액제어장치(100)는 현재 작물의 생장시기를 예측하고, 예측된 생장시기에 해당하는 양액의 공급량을 산출함으로써, 작물은 현재 필요로 하는 최적의 양액의 공급량을 제공받을 수 있다. The nutrient solution control device 100 calculates the amount of the nutrient solution supplied to the crops cultivated in the cultivation facility 200. At this time, the nutrient solution control device 100 predicts the current growing time of the crop and calculates the supply amount of the nutrient solution corresponding to the predicted growth time, so that the crop can be supplied with the supply amount of the optimum nutrient solution required at present.

재배시설(200)은 사물 인터넷(Internet of Thing, IoT) 기술을 이용하여 작물 재배 시설의 온도, 습도, 광량, 이산화탄소, 토양 등을 측정 분석하고, 분석결과에 따라 최적의 상태를 유지시키는 농장이다. 이를 수행하기 위해, 재배시설(200)은 농장(210), 센서부(230), 액추에이터(actuator)(250) 및 농장 제어장치(270)를 포함한다.The cultivation facility 200 is a farm that measures, analyzes and analyzes the temperature, humidity, light amount, carbon dioxide, and soil of the crop cultivation facility using the Internet of Thing (IoT) technology and maintains the optimum state according to the analysis result . To do this, the cultivation facility 200 includes a farm 210, a sensor unit 230, an actuator 250, and a farm control unit 270.

농장(210)은 작물이 생장하는 공간이다. 농장(210)은 농작물 또는 화훼와 같은 작물이 생장되며, 바람직하게는 온실로 이루어질 수 있다. Farm 210 is a space where crops grow. Farms 210 may grow crops such as crops or flowers, preferably greenhouses.

센서부(230)는 복수개의 센서들을 포함하고, 각 센서들은 일정 간격으로 이격되어 농장(210)에 설치된다. 이 때, 센서부(230)는 온도센서, 습도센서, 이산화탄소센서, 광센서, 토양수분센서, 엽온센서 등과 같은 다양한 종류의 센서를 포함하여 농장(210)의 시설환경, 작물생장, 근권부 및 병충해에 대한 상태를 측정한다. 온도 센서는 농장(210) 내의 온도를 측정한다. 습도 센서는 농장(210) 내의 습도를 측정한다. 이산화탄소센서는 농장(210) 내의 이산화탄소 양을 측정한다. 광 센서는 농장(210) 내의 일조량을 측정한다. 토양수분센서는 농장(210) 내의 토양에 함유된 수분을 측정한다. 엽온센서는 농장(210) 내의 작물잎에 대한 온도를 측정한다.The sensor unit 230 includes a plurality of sensors, and the sensors are installed at the farm 210 at regular intervals. At this time, the sensor unit 230 includes various kinds of sensors such as a temperature sensor, a humidity sensor, a carbon dioxide sensor, a light sensor, a soil moisture sensor, a leaf temperature sensor, Measure the status of the insect pests. The temperature sensor measures the temperature in the farm 210. The humidity sensor measures the humidity in the farm (210). The carbon dioxide sensor measures the amount of carbon dioxide in the farm 210. The light sensor measures the amount of sunshine within the farm 210. The soil moisture sensor measures the moisture contained in the soil within the farm (210). The leaf temperature sensor measures the temperature of the leaf of the crop in the farm (210).

액추에이터(250)는 농장(210)의 환경조건을 유지시킨다. 액추에이터(250)는 농장(210) 내에 배치되고, 작물이 생장되는데 필요한 환경조건을 조성한다. 액추에이터(250)는 복수개를 포함하고, 전기, 유압, 압축공기 등을 이용하여 구동되는 장치이다. 예를 들면, 액추에이터(250)는 냉난방 장치, 팬 장치, 스프링클러, 급수 펌프, 이산화탄소 발생기, 조명장치 또는 개폐장치 등일 수 있다. 냉난방장치는 농장(210) 내의 온도 조절을 한다. 팬 장치는 농장(210) 내의 공기 순환 및 공기 환기를 조절한다. 스프링클러 및 급수 펌프는 농장(210) 내의 물 공급을 조절한다. 이산화탄소 발생기는 이산화탄소의 농도를 조절한다. 조명장치 및 개폐장치는 농장(210) 내의 채광을 조절한다. 여기서, 조명장치는 LED 조명장치로 구성되어 작물에 필요한 스펙트럼을 포함하는 조명을 조사할 수 있고, 개폐장치는 농장(210)의 지붕을 열고 닫음으로서, 일조량을 조절할 수 있다.Actuator 250 maintains the environmental conditions of farm 210. The actuator 250 is disposed within the farm 210 and creates the environmental conditions necessary for the crop to grow. The actuator 250 includes a plurality of actuators, and is driven by using electric, hydraulic, compressed air, or the like. For example, the actuator 250 may be an air conditioner, a fan unit, a sprinkler, a feed pump, a carbon dioxide generator, a lighting device, or an opening / closing device. The heating / cooling device controls the temperature in the farm 210. The fan arrangement regulates air circulation and air ventilation within the farm 210. The sprinkler and feed pump regulate the water supply within the farm (210). The carbon dioxide generator controls the concentration of carbon dioxide. The lighting device and the switchgear control the lighting within the farm (210). Here, the illuminating device can be configured as an LED illuminating device to illuminate the illumination including the spectrum required for the crop, and the opening / closing device can adjust the amount of sunshine by opening and closing the roof of the farm 210.

농장 제어장치(270)는 센서부(230)에서 측정된 측정정보를 이용하여 농장(210)의 정보를 포함하는 농가 데이터를 양액제어장치(100)로 송신한다. 따라서, 농장 제어장치(270)는 통신모듈을 포함할 수 있다. 또한 농장 제어장치(270)는 양액제어장치(100)로부터 양액의 공급량에 대한 데이터를 수신하고, 수신된 데이터에 따라 액추에이터(250)를 제어하여 작물에 양액을 공급할 수 있다.The farm control unit 270 transmits the farm data including the information of the farm 210 to the nutrient solution control unit 100 using the measurement information measured by the sensor unit 230. Accordingly, the farm control device 270 may include a communication module. The farm control device 270 can receive data on the nutrient solution supply amount from the nutrient solution control device 100 and control the actuator 250 according to the received data to supply the nutrient solution to the crop.

도 2는 본 발명의 일 실시예에 따른 양액제어장치를 설명하기 위한 블록도이다.2 is a block diagram illustrating a nutrient solution control apparatus according to an embodiment of the present invention.

도 1 및 도 2를 참조하면, 양액제어장치(100)는 농가 데이터를 이용하여 작물의 생육시기를 예측하고, 예측된 생육시기를 이용하여 작물에 필요한 양액의 공급량을 산출한다. 양액제어장치(100)는 작물에 최적화된 양액을 공급함으로써, 작물의 생산량을 극대화할 수 있다. 양액제어장치(100)는 데스크톱, 랩톱, 서버 컴퓨터, 클러스터 컴퓨터 등의 컴퓨터 시스템일 수 있다.Referring to Figs. 1 and 2, the nutrient solution control apparatus 100 predicts the growth period of the crop using the farm data, and calculates the supply amount of the nutrient solution necessary for the crop based on the predicted growth period. The nutrient solution control device 100 can maximize the yield of the crop by supplying the nutrient solution optimized for the crop. The nutrient solution control apparatus 100 may be a computer system such as a desktop, a laptop, a server computer, a cluster computer, or the like.

양액제어장치(100)는 통신부(10), 제어부(20), 출력부(30), 입력부(40) 및 저장부(50)를 포함한다.The nutrient solution control apparatus 100 includes a communication unit 10, a control unit 20, an output unit 30, an input unit 40, and a storage unit 50.

통신부(10)는 작물의 생육정보, 근권부 환경정보 및 재배시설의 환경정보 중 적어도 하나의 정보가 포함된 농가 데이터를 수신한다. 이 때, 통신부(10)는 유무선 통신을 이용하여 원격으로 농가 데이터를 수신할 수 있다. 여기서, 작물의 생육정보는 생산량, 경경, 총경, 엽면적지수(leaf area index, LAI), 엽온, 줄기두께, 생장속도, 생장량 및 생체중량 중 적어도 하나의 인자(factor)를 포함한다. 작물의 근권부 환경정보는 배지함수량, 배지EC, 배지온도, 급액량, 급액EC, 배액EC, 배지무게, 재배단 무게, 급액 내 양액의 조성 및 배양 내 양액의 조성 중 적어도 하나의 인자를 포함한다. 재배시설의 환경정보는 온실의 형태, 온도, 습도, 순간광량, 누적일사량 및 이산화탄소 농도 중 적어도 하나의 인자를 포함한다.The communication unit 10 receives the farmhouse data including at least one of the growing information of the crop, the environment information of the root zone, and the environment information of the cultivation facility. At this time, the communication unit 10 can receive farmhouse data remotely using wired / wireless communication. Here, the growth information of a crop includes at least one factor of production amount, light weight, total grain, leaf area index (LAI), leaf temperature, stem thickness, growth rate, growth amount and biomass. The rhizosphere environmental information of the crop includes at least one of the factors of the medium moisture content, the medium EC, the medium temperature, the amount of the medium, the EC, the EC, the medium weight, the weight of the culture medium, the composition of the nutrient in the nutrient solution, . The environmental information of the cultivation facility includes at least one of the type of the greenhouse, the temperature, the humidity, the instantaneous light intensity, the cumulative solar radiation and the carbon dioxide concentration.

통신부(10)는 제어부(20)에서 예측된 작물의 양액 요구량에 대한 데이터를 재배시설에 설치된 액추에이터(270)에 송신하여 작물에 약액이 공급되도록 할 수 있다.The communication unit 10 may transmit data of the nutrient requirement amount of the crop estimated by the control unit 20 to the actuator 270 installed in the cultivation facility so that the chemical solution is supplied to the crop.

또한 통신부(10)는 제어부(20)에서 예측된 작물의 생육시기 및 양액 요구량에 대한 데이터를 사용자 단말(미도시)로 송신하여 사용자에게 제공할 수 있다. 이를 통해, 사용자는 어느 위치에서든 작물에 관한 데이터를 확인할 수 있다.Also, the communication unit 10 can transmit data on the growth period and the nutrient requirement amount of the crop predicted by the control unit 20 to a user terminal (not shown) and provide it to the user. This allows the user to view data about the crop at any location.

제어부(20)는 통신부(10)에서 수신된 농가 데이터에서 수신된 농가 데이터를 데이터 표준화 포맷에 맞도록 수집을 한다. 이 때, 제어부(20)는 후술되는 입력부(40)를 통해 농가 데이터를 입력받을 수 있으며, 입력받은 농가 데이터를 통신부(10)에서 수신된 농가 데이터와 동일하게 데이터 표준화 포맷에 맞도록 수집을 할 수 있다. 이 때, 제어부(20)는 수집된 농가 데이터를 데이터베이스화시킬 수 있다.The control unit (20) collects the farmhouse data received from the farmhouse data received by the communication unit (10) in accordance with the data standardization format. At this time, the control unit 20 can receive the farmhouse data through the input unit 40, which will be described later, and collects the inputted farmhouse data according to the data standardization format in the same manner as the farmhouse data received in the communication unit 10 . At this time, the control unit 20 can convert the collected farmhouse data into a database.

여기서, 데이터 표준화 포맷은 미리 정해진 표준화데이터 규격으로써, 온실, 비닐하우스, 환풍, 난방 등과 같은 시설 및 재배정보, 엽면적, 엽수, 수확량, 생육속도 등과 같은 생육정보, 온실내부환경, 온실외부환경, 토양근권환경 등과 같은 환경정보 및 적엽, 농약사용, 비료사용 등과 같은 농가 기타정보 중 적어도 하나의 인자가 규격에 따라 구분된다. 이 때, 제어부(20)는 작물의 종류에 따라 데이터 표준화 포맷의 인자를 조정할 수 있다.Here, the data standardization format is a predetermined standardized data standard. It is a predetermined standardized data standard, and is a set of information such as facilities such as a greenhouse, a greenhouse, a ventilation, a heating and a cultivation information, a growing information such as a leaf area, a leaf number, a yield, a growth rate, Environmental information such as the rhizosphere environment, and other information of the farm household such as foliage, pesticide use, fertilizer use, etc. are classified according to the standard. At this time, the control unit 20 can adjust the factor of the data standardization format according to the kind of the crop.

제어부(20)는 수집된 농가 데이터를 선별하여 필터링한다. 제어부(20)는 필터링된 농가 데이터를 기계학습(machine learning)으로 작물의 생육시기를 예측한다. 여기서, 제어부(20)는 작물의 생육시기뿐만 아니라 작물의 재배시기도 예측할 수 있다. 제어부(20)는 예측된 생육시기를 이용하여 현재 작물이 필요로 하는 양액의 공급량을 산출한다.The control unit 20 selects and filters the collected farmhouse data. The control unit 20 predicts the growth time of the crop by using the filtered farmhouse data as machine learning. Here, the control unit 20 can predict not only the growing time of the crop but also the cultivation time of the crop. The control unit 20 calculates the supply amount of the nutrient solution needed by the present crop using the predicted growth period.

출력부(30)는 모니터, 액정, 프로젝터, 프린터 등을 포함하는 디스플레이 장치로써, 통신부(10)에서 수신된 농가 데이터 및 입력부(40)에서 입력된 농가 데이터를 출력한다. 출력부(30)는 제어부(20)에서 수집하여 데이터베이스화시킨 농가 데이터를 출력한다. 출력부(30)는 제어부(20)에서 예측된 작물의 생육시기, 재배시기, 양액 요구량에 대한 데이터를 출력한다. 여기서, 출력부(30)는 터치스크린 기능을 포함할 수 있으며, 터치스크린 기능을 포함하는 경우, 입력부(40)의 역할을 수행할 수 있다.The output unit 30 is a display device including a monitor, a liquid crystal, a projector, and a printer. The output unit 30 outputs the farmhouse data received by the communication unit 10 and the farmhouse data inputted from the input unit 40. The output unit 30 outputs the farmhouse data collected by the control unit 20 and converted into a database. The output unit 30 outputs data on the growth period, the cultivation time, and the nutrient solution demand amount predicted by the control unit 20. Here, the output unit 30 may include a touch screen function, and when the touch screen function is included, the output unit 30 may serve as the input unit 40.

입력부(40)는 사용자의 사용자 입력을 입력받는다. 이 때, 사용자 입력은 농가 데이터일 수 있다. 즉, 입력부(40)는 통신부(10)가 통신망을 통해 농가 데이터를 수신하는 것과 달리 직접 농가 데이터를 입력받는다.The input unit 40 receives the user input of the user. At this time, the user input may be farmhouse data. That is, the input unit 40 directly receives the farmhouse data, unlike the communication unit 10 receiving the farmhouse data via the communication network.

저장부(50)는 통신부(10)에서 수신된 농가 데이터 및 입력부(40)에서 입력된 농가 데이터가 저장된다. 저장부(50)는 제어부(20)에서 수행되는 다양한 분석 알고리즘이 저장되고, 분석 알고리즘을 통해 분석된 결과도 저장이 된다. 저장부(50)는 제어부(20)에서 예측된 작물의 생육시기, 재배시기 및 양액 요구량이 저장된다. 여기서, 저장부(50)는 전술된 데이터들이 데이터베이스화되어 저장될 수 있으며, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기메모리, 자기 디스크, 광디스크 중 적어도 하나의 저장매체를 포함할 수 있다. The storage unit 50 stores the farmhouse data received by the communication unit 10 and the farmhouse data input by the input unit 40. [ The storage unit 50 stores various analysis algorithms performed by the control unit 20, and stores analysis results analyzed through an analysis algorithm. The storage unit 50 stores the growth period of the crop, the cultivation time, and the nutrient requirement amount predicted by the control unit 20. Here, the storage unit 50 may store the above-described data in a database, and may be a flash memory type, a hard disk type, a multimedia card micro type, Type memory (e.g., SD or XD memory), a random access memory (RAM), a static random access memory (SRAM), a read-only memory (ROM), an electrically erasable programmable read- ), A programmable read-only memory (PROM), a magnetic memory, a magnetic disk, and an optical disk.

도 3은 도 2의 제어부를 설명하기 위한 블록도이고, 도 4는 도 3의 요구량 예측부를 설명하기 위한 블록도이다.FIG. 3 is a block diagram for explaining the control unit of FIG. 2, and FIG. 4 is a block diagram for explaining the requirement predictor of FIG.

도 2 내지 도 4를 참조하면, 제어부(20)는 데이터 수집부(21), 데이터 분석부(23), 요구량 예측부(25) 및 양액 제어부(27)를 포함한다.2 to 4, the control unit 20 includes a data collecting unit 21, a data analyzing unit 23, a demand amount predicting unit 25, and a nutrient solution controlling unit 27.

데이터 수집부(21)는 초기 동작에 필요한 농가 데이터를 수집한다. 데이터 수집부(21)는 통신부(21)로 수신된 농가 데이터를 지역별, 국가별로 수집할 수 있다. 데이터 수집부(21)는 통신부(10)에서 수신된 농가 데이터 및 입력부(40)에서 입력된 농가 데이터를 동일한 작물 및 종 별로 분류한다. 데이터 수집부(21)는 분류된 농가 데이터를 인자별로 분류하여 데이터 표준화 포맷에 맞도록 수집한다. 이 때, 데이터 수집부(21)는 수집된 농가 데이터를 시간별, 일별 및 월별과 같이 시간대별로 정렬하여 데이터베이스화를 할 수 있으며, 바람직하게는 시간별로 정렬을 할 수 있다. The data collecting unit 21 collects the farmhouse data necessary for the initial operation. The data collection unit 21 can collect the farmhouse data received by the communication unit 21 by region and country. The data collecting unit 21 classifies the farmhouse data received by the communication unit 10 and the farmhouse data inputted from the input unit 40 by the same crop and species. The data collecting unit 21 classifies the classified farmhouse data by a factor and collects it according to the data standardization format. At this time, the data collecting unit 21 may sort the collected farmhouse data by time, such as time, day, and month, and may sort the data by time, preferably by time.

즉, 데이터 수집부(21)는 농가 데이터를 작물별, 인자별 및 시간대별로 정렬하여 데이터베이스화를 할 수 있다. 이를 통해, 사용자는 동질성 및 통일성이 있는 양질의 농가 데이터를 제공받을 수 있다. 여기서, 데이터베이스화된 농가 데이터는 저장부(50)에 저장된다.That is, the data collecting unit 21 can sort the farm data by the crop, the factor and the time zone, and form a database. Through this, the user can receive high quality farmhouse data with homogeneity and uniformity. Here, the database farmhouse data is stored in the storage unit 50.

데이터 분석부(23)는 데이터 수집부(21)에서 수집된 농가 데이터를 분석하여 데이터 오류가 있는 농가 데이터 및 데이터 품질이 기준치보다 미달인 농가 데이터를 선별한다. 여기서, 데이터 품질이 기준치보다 미달인 농가 데이터는 농가 데이터가 예상되는 기준치 범위를 크게 벗어나는 잘못된 데이터일 수 있다. 데이터 분석부(23)는 신뢰성이 인정되는 농가 데이터만으로 작물의 생육시기를 예측할 수 있다.The data analyzing unit 23 analyzes the farmhouse data collected by the data collecting unit 21 and selects the farmhouse data with the data error and the farmhouse data whose data quality is below the reference value. Here, the farm data whose data quality is less than the reference value may be erroneous data whose farm data exceeds the reference value range expected. The data analysis unit 23 can predict the growth period of the crop using only the farmhouse data with reliability.

요구량 예측부(25)는 데이터 분석부(23)에서 필터링된 농가 데이터를 기계학습으로 작물의 생육시기를 예측한다. 요구량 예측부(25)는 기계학습으로 작물의 생육시기뿐만 아니라 재배시기도 예측할 수 있다. 요구량 예측부(25)는 예측된 생육시기를 이용하여 작물에 필요한 수분 및 양분의 요구량을 예측한다. 그러므로 요구량 예측부(25)는 시간이 지날수록 학습된 경험에 대한 농가 데이터가 축적되어 작물이 현재 필요로 하는 수분 및 양분의 요구량을 점진적으로 정확하게 예측할 수 있다. 요구량 예측부(25)는 예측모듈(61) 및 학습모듈(63)을 포함한다. The demand predicting unit 25 predicts the growing time of the crop by machine learning the farmhouse data filtered by the data analyzing unit 23. The required amount predicting unit 25 can predict not only the growing time of the crop but also the cultivation time by machine learning. The demand predicting unit 25 predicts the required amount of moisture and nutrients required for the crop using the predicted growth period. Therefore, the demand amount predicting unit 25 can accumulate farm data for the learned experience over time, and can predict the required amount of moisture and nutrients currently required by the crop, gradually and accurately. The demand prediction unit 25 includes a prediction module 61 and a learning module 63. [

예측모듈(61)은 필터링된 농가 데이터를 저장부(50)에 저장된 데이터베이스화된 농가 데이터와 비교하여 작물의 생육을 분석하고, 분석된 데이터를 이용하여 작물의 생육시기를 예측한다. 또한 예측모듈(61)은 예측된 작물의 생육시기를 이용하여 작물이 현재 필요로 하는 수분 및 양분의 요구량을 예측한다. 여기서, 예측모듈(61)은 동작 초기에 농가 데이터가 부족할 경우, 미리 정의된 농가 데이터를 이용하여 생육시기를 예측한다. The prediction module 61 compares the filtered farmhouse data with the database farmhouse data stored in the storage unit 50 to analyze the growth of the crop and predict the growing time of the crop using the analyzed data. The prediction module 61 predicts the required amount of moisture and nutrients currently required by the crop using the predicted growth period of the crop. Here, if the farmhouse data is insufficient at the beginning of the operation, the prediction module 61 predicts the growing time using the farmhouse data defined in advance.

학습모듈(63)은 농가 데이터를 가공하여 학습시키는 기능을 한다. 즉, 학습모듈(63)은 예측모듈(61)에서 예측된 생육시기를 이용하여 필터링된 농가 데이터 중 작물의 생육시기와 일치성이 가장 높은 농가 데이터 집합(cluster)을 산출한다. 여기서, 학습모듈(63)은 데이터베이스화된 농가 데이터를 현재 농가 데이터 중 임계치 이하를 재필터링하여 의미 있는 농가 데이터만을 선별한 후, 농가 데이터 집합을 산출할 수 있다. 학습모듈(63)은 산출된 농가 데이터 집합을 학습한 후, 예측모듈(61)에 학습된 농가 데이터 집합을 제공하여 농가 데이터를 업데이트시킨다. 이를 통해, 예측모듈(61)은 업데이트된 농가 데이터를 현재 생육시기에 적용시켜 현재 예측된 생육시기보다 일치성이 높은 새로운 생육시기를 예측을 할 수 있다. 여기서, 학습모듈(63)에서 학습된 농가 데이터는 저장부(50)에 업데이트되어 데이터베이스화될 수 있다.The learning module 63 functions to process the farmhouse data and learn it. That is, the learning module 63 calculates a farmhouse data cluster having the highest correspondence with the growth period of the crop among the farmhouse data filtered using the predicted growth period in the prediction module 61. Here, the learning module 63 may re-filter the database data of the farmhouse data below the threshold of the current farmhouse data to select meaningful farmhouse data, and then calculate the farmhouse data set. The learning module 63 learns the calculated farmhouse data set and then supplies the learned farmhouse data set to the prediction module 61 to update the farmhouse data. In this way, the prediction module 61 can apply the updated farmhouse data to the current growing season to predict a new growing season that is more consistent than the currently predicted growing season. Here, the farmhouse data learned by the learning module 63 may be updated in the storage section 50 and converted into a database.

즉, 요구량 예측부(25)는 예측모듈(61) 및 학습모듈(63)을 순차적으로 반복 수행하여 기계학습을 한다. 이를 통해, 요구량 예측부(25)는 점진적으로 최적의 수분 및 양분의 요구량을 예측할 수 있다.That is, the demand prediction unit 25 performs the machine learning by sequentially performing the prediction module 61 and the learning module 63 repeatedly. Accordingly, the demand predicting unit 25 can gradually predict the optimum amount of moisture and nutrients.

예를 들면, 요구량 예측부(25)는 기계학습으로 여러 가지 형태의 빅데이터 분석을 수행할 수 있으며, 바람직하게는 상관관계 분석 및 회귀분석을 수행할 수 있다. 즉, 요구량 예측부(25)의 예측모듈(61)은 농가 데이터 중 서로 다른 인자들을 조합하여 복수의 패턴을 생성하고, 생성된 복수의 패턴을 이용하여 상관관계 분석 및 회귀분석을 수행할 수 있다. 예측모듈(61)은 반복적인 상관관계 분석 및 회귀분석으로 특정 작물 및 종에 대한 특정패턴을 추출하고, 추출된 특정패턴을 이용하여 작물의 생육시기를 예측한다. 예측모듈(61)은 예측된 생육시기를 이용하여 작물에 필요한 수분 및 양분의 요구량을 예측한다. 여기서, 특정패턴은 복수의 패턴 중 작물의 품질상태가 좋고, 생산량이 최대로 예측되는 생장 패턴일 수 있다. For example, the demand prediction unit 25 can perform various types of big data analysis by machine learning, and can preferably perform correlation analysis and regression analysis. That is, the prediction module 61 of the requirement predicting unit 25 can generate a plurality of patterns by combining different factors among the farm data, and perform correlation analysis and regression analysis using the generated plurality of patterns . The prediction module 61 extracts specific patterns of specific crops and species by repeated correlation analysis and regression analysis, and predicts the growth period of the crops using the extracted specific patterns. The prediction module 61 predicts the required amount of moisture and nutrients necessary for the crop using the predicted growth period. Here, the specific pattern may be a growth pattern in which the quality status of the crop is good among the plurality of patterns and the production amount is predicted to the maximum.

양액 제어부(27)는 요구량 예측부(25)에서 예측된 수분 및 양분의 요구량을 이용하여 양액의 공급량을 산출한다. 즉, 양액 제어부(27)는 현재 작물이 필요로 하는 수분 및 양분의 요구량이 포함되도록 양액의 공급량을 산출할 수 있다. 여기서, 산출된 양액의 공급량에 대한 데이터는 통신부(10)를 통해 재배시설에 설치된 액추에이터에 송신된다. 이를 통해, 작물은 현재 필요로 하는 수분 및 양분에 해당하는 양액을 공급받을 수 있다.The nutrient solution controller 27 calculates the supply volume of the nutrient solution using the demanded amount of moisture and nutrients predicted by the demand predictor 25. That is, the nutrient solution controller 27 can calculate the supply amount of the nutrient solution so that the required amount of moisture and nutrients required by the present crop is included. Here, the calculated data on the supply amount of the nutrient solution is transmitted to the actuator installed in the cultivation facility through the communication unit 10. Through this, the crops can be supplied with nutrients corresponding to the moisture and nutrients that are currently needed.

도 4는 본 발명의 일 실시예에 따른 양액제어방법을 설명하기 위한 순서도이다.4 is a flowchart for explaining a nutrient solution control method according to an embodiment of the present invention.

도 2 및 도 4를 참조하면, 양액제어방법은 현재 작물이 필요로 하는 수분 및 양분의 요구량을 기계학습으로 예측하고, 예측된 수분 및 양분의 요구량에 해당하는 양액의 공급량을 산출한다. 이를 통해, 양액제어방법은 작물의 현재 생육상태에서의 최적화된 양액의 공급량을 제공받을 수 있도록 제어할 수 있다.2 and 4, the nutrient solution control method predicts the required amount of moisture and nutrients required for the present crop by machine learning, and calculates the supply amount of the nutrient solution corresponding to the demanded amount of water and nutrients. As a result, the nutrient solution control method can be controlled so as to be supplied with the optimal amount of the nutrient solution in the present growing condition of the crop.

S71단계에서, 양액제어장치(100)는 작물의 생육정보, 근권부 환경정보 및 재배시설의 환경정보 중 적어도 하나의 정보가 포함된 농가 데이터를 수신한다. 양액제어장치(100)는 유무선 통신을 통해 농가 데이터를 수신할 수 있다.In step S71, the nutrient solution control apparatus 100 receives the farmhouse data including at least one of the growing information of the crop, the rhizosphere environment information, and the environment information of the cultivation facility. The nutrient solution control device 100 can receive farmhouse data through wired / wireless communication.

S73단계에서, 양액제어장치(100)는 수신된 농가 데이터를 기계학습으로 작물의 생육시기를 예측한다. 양액제어장치(100)는 여러 가지 형태로 빅데이터 분석을 할 수 있으며, 바람직하게는 상관관계 분석 및 회귀분석을 할 수 있다. 즉, 양액제어장치(100)는 농가 데이터 중 서로 다른 인자들을 조합하여 복수의 패턴을 생성하고, 생성된 복수의 패턴을 이용하여 상관관계 분석 및 회귀분석을 수행할 수 있다. 양액제어장치(100)는 상관관계 분석 및 회귀분석을 반복적으로 수행하여 특정 작물 및 종에 대한 특정패턴을 추출하고, 추출된 특정패턴을 이용하여 작물의 생육시기를 예측한다. 이를 통해, 양액제어장치(100)는 예측된 생육시기를 이용하여 작물에 필요한 수분 및 양분의 요구량을 예측할 수 있다.In step S73, the nutrient solution control device 100 predicts the growing time of the crop by machine learning the received farmhouse data. The nutrient solution control apparatus 100 can perform a big data analysis in various forms, and can preferably perform correlation analysis and regression analysis. That is, the nutrient solution control apparatus 100 can generate a plurality of patterns by combining different factors among the farmhouse data, and perform correlation analysis and regression analysis using the generated plurality of patterns. The nutrient solution controller 100 repeatedly performs correlation analysis and regression analysis to extract specific patterns for specific crops and species, and predicts the growing time of the crops using the extracted specific patterns. Thus, the nutrient solution control device 100 can predict the required amount of moisture and nutrients required for the crop using the predicted growth period.

여기서, S71단계 및 S73단계 사이에 양액제어장치(100)는 수신된 농가 데이터를 데이터 표준화 포맷에 맞도록 수집을 하고, 수집된 농가 데이터를 선별하여 필터링할 수 있다.Between step S71 and step S73, the nutrient solution control apparatus 100 collects the received farmhouse data in accordance with the data standardization format, and filters and collects the collected farmhouse data.

S75단계에서, 양액제어장치(100)는 예측된 생육시기에 따른 작물의 수분 및 양분에 대한 요구량를 이용하여 작물에 필요한 양액의 공급량을 산출한다. 양액제어장치(100)는 수분 및 양분의 요구량이 포함되도록 양액의 공급량을 산출할 수 있다. 여기서, 양액제어장치(100)는 산출된 양액의 공급량에 대한 데이터를 재배시설(200)의 농장제어장치(270)에 송신함으로써, 액추에이터(250)가 작물에 양액을 공급할 수 있도록 한다.In step S75, the nutrient solution control device 100 calculates the supply amount of the nutrient solution necessary for the crop, using the required amount of moisture and nutrients of the crop according to the predicted growth period. The nutrient solution control device 100 can calculate the supply amount of the nutrient solution so that the required amount of moisture and nutrients is included. Here, the nutrient solution control device 100 transmits the calculated nutrient solution supply amount to the farm control device 270 of the cultivation facility 200, so that the actuator 250 can supply the nutrient solution to the crop.

이상에서 본 발명의 바람직한 실시예에 대해 도시하고 설명하였으나, 본 발명은 상술한 특정의 바람직한 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is clearly understood that the same is by way of illustration and example only and is not to be taken by way of limitation in the embodiment in which said invention is directed. It will be understood by those skilled in the art that various changes in form and detail may be made therein without departing from the scope of the appended claims.

10: 통신부 20: 제어부
21: 데이터 수집부 23: 데이터 분석부
25: 요구량 예측부 27: 양액 제어부
30: 출력부 40: 입력부
50: 저장부 61: 예측모듈
63: 학습모듈 100: 양액제어장치
200: 재배시설 210: 농장
230: 센서부 250: 액추에이터
270: 농장제어장치 300: 재배시설 제어시스템10: communication unit 20:
21: Data collecting unit 23: Data analyzing unit
25: Requirement Prediction Unit 27:
30: output unit 40: input unit
50: storage unit 61: prediction module
63: learning module 100: nutrient solution control device
200: Cultivation facility 210: Farm
230: Sensor part 250: Actuator
270: farm control device 300: cultivation facility control system

Claims (10)

작물의 생육정보, 근권부 환경정보 및 재배시설의 환경정보 중 적어도 하나의 정보가 포함된 농가 데이터를 수신하는 통신부; 및
상기 통신부로부터 수신된 농가 데이터를 기계학습(machine learning)으로 상기 작물의 생육시기를 예측하고, 상기 예측된 생육시기를 이용하여 상기 작물에 필요한 양액의 공급량을 산출하는 제어부;
를 포함하는 기계학습을 이용한 양액제어장치.A communication unit for receiving farmhouse data including at least one of information on the growth of the crop, the information on the environment of the root zone, and the environment information on the cultivation facility; And
A controller for estimating a growth period of the crop by machine learning of the farmhouse data received from the communication unit and calculating a supply amount of the nutrient solution necessary for the crop using the predicted growth period;
And a nutrient solution control device using machine learning. 제 1항에 있어서,
상기 통신부는,
상기 산출된 양액의 공급량에 대한 데이터를 상기 재배시설에 설치된 액추에이터(actuator)에 송신하여 상기 작물에 양액이 공급되도록 하는 것을 특징으로 하는 기계학습을 이용한 양액제어장치.The method according to claim 1,
Wherein,
Wherein the calculated nutrient solution supply amount is transmitted to an actuator provided in the cultivation facility so that nutrient solution is supplied to the crop. 제 1항에 있어서,
상기 제어부는,
상기 작물의 생육시기를 예측하기 전에, 상기 농가 데이터를 데이터 표준화 포맷에 맞도록 수집을 하고, 상기 수집된 농가 데이터를 선별하여 필터링하는 것을 특징으로 하는 기계학습을 이용한 양액제어장치.The method according to claim 1,
Wherein,
Collecting the farmhouse data in accordance with a data standardization format, and filtering the collected farmhouse data by filtering the farmhouse data before predicting the growing time of the crop. 제 3항에 있어서,
상기 제어부는,
상기 수신된 농가 데이터를 동일한 작물 및 종 별로 분류하고, 상기 분류된 농가 데이터를 인자(factor)별로 분류하여 상기 데이터 표준화 포맷에 맞도록 수집하는 데이터 수집부;
상기 수집된 농가 데이터를 분석하여 데이터 오류가 있는 농가 데이터 및 데이터 품질이 기준치보다 미달인 농가 데이터를 선별한 후, 필터링하는 데이터 분석부;
상기 필터링된 농가 데이터를 상기 기계학습으로 상관관계 분석 및 회귀분석을 수행하여 상기 작물의 생육시기를 예측하고, 상기 예측된 생육시기를 이용하여 상기 작물이 필요로 하는 수분 및 양분의 요구량을 예측하는 요구량 예측부; 및
상기 예측된 요구량을 이용하여 양액의 공급량을 산출하는 양액 제어부;
를 포함하는 것을 특징으로 하는 기계학습을 이용한 양액제어장치.The method of claim 3,
Wherein,
A data collector for classifying the received farmhouse data by the same crop and species, sorting the classified farmhouse data by factors and collecting the classified farmhouse data according to the data standardization format;
A data analyzer for analyzing the collected farmhouse data and filtering the farmhouse data with data error and the farmhouse data whose data quality is lower than the reference value,
A correlation analysis and a regression analysis are performed on the filtered farmhouse data by the machine learning to predict a growth period of the crop and predict a required amount of moisture and nutrients required by the crop using the predicted growth period A demand predicting unit; And
A nutrient solution controller for calculating a nutrient solution supply amount using the predicted required amount;
And a controller for controlling the nutrient solution. 제 4항에 있어서,
상기 데이터 수집부는,
상기 수집된 농가 데이터를 작물별, 인자별 및 시간대별로 정렬하여 데이터베이스화를 하는 것을 특징으로 하는 기계학습을 이용한 양액제어장치.5. The method of claim 4,
Wherein the data collecting unit comprises:
And sorting the collected farmhouse data by each crop, factor, and time zone to make a database. 제 5항에 있어서,
상기 요구량 예측부는,
상기 필터링된 농가 데이터와 상기 데이터베이스화된 농가 데이터를 비교하여 상기 작물의 생육을 분석하고, 상기 분석된 농가 데이터를 이용하여 상기 작물의 생육시기를 예측하는 예측모듈; 및
상기 예측된 생육시기를 이용하여 상기 필터링된 농가 데이터 중 상기 작물의 생육시기와 일치성이 가장 높은 농가 데이터 집합(cluster)을 산출하고, 상기 산출된 농가 데이터 집합을 학습한 후, 상기 학습된 농가 데이터 집합을 상기 예측모듈에 제공하여 상기 농가 데이터를 업데이트시키는 학습모듈;
을 포함하는 것을 특징으로 하는 기계학습을 이용한 양액제어장치. 6. The method of claim 5,
Wherein the requirement amount predicting unit,
A prediction module for analyzing the growth of the crop by comparing the filtered farmhouse data with the database farmhouse data and for predicting a growing time of the crop using the analyzed farmhouse data; And
Calculating a farmhouse data set cluster having the highest correspondence with a growth period of the crop among the filtered farmhouse data using the predicted growth period, learning the calculated farmhouse data set, A learning module for providing the data set to the prediction module and updating the farmhouse data;
And a control unit for controlling the nutrient solution based on the nutrient solution. 제 6항에 있어서,
상기 요구량 예측부는,
상기 예측모듈 및 상기 학습모듈을 순차적으로 반복 수행하여 상기 기계학습을 하는 것을 특징으로 하는 기계학습을 이용한 양액제어장치. The method according to claim 6,
Wherein the requirement amount predicting unit,
And the learning module repeatedly performs the machine learning by sequentially repeating the prediction module and the learning module. 제 6항에 있어서,
상기 예측모듈은,
상기 필터링된 농가 데이터 중 서로 다른 인자들을 조합하여 복수의 패턴을 생성하고, 상기 생성된 복수의 패턴 중 특정 작물 및 종에 대한 특정패턴을 반복적인 상기 상관관계 분석 및 상기 회귀분석으로 추출하며, 상기 추출된 특정패턴을 이용하여 상기 작물의 생육시기를 예측하는 것을 특징으로 하는 기계학습을 이용한 양액제어장치.The method according to claim 6,
Wherein the prediction module comprises:
A plurality of patterns are generated by combining different factors among the filtered farmhouse data, and a specific pattern of a specific crop and species among the plurality of generated patterns is extracted by the repeated correlation analysis and the regression analysis, And estimating a growth period of the crop using the extracted specific pattern. 제 1항에 있어서,
상기 작물의 생육정보는, 상기 작물의 생산량, 경경, 총경, 엽면적지수(leaf area index, LAI), 엽온, 줄기두께, 생장속도, 생장량 및 생체중량 중 적어도 하나의 인자를 포함하고,
상기 작물의 근권부 환경정보는 배지함수량, 배지EC, 배지온도, 급액량, 급액EC, 배액EC, 배지무게, 재배단 무게, 급액 내 양액의 조성 및 배양 내 양액의 조성 중 적어도 하나의 인자를 포함하며,
상기 재배시설의 환경정보는 온실의 형태, 온도, 습도, 순간광량, 누적일사량 및 이산화탄소 농도 중 적어도 하나의 인자를 포함하는 것을 특징으로 하는 기계학습을 이용한 양액제어장치.The method according to claim 1,
Wherein the growth information of the crop includes at least one of a production amount of the crop, a light weight, a total length, a leaf area index (LAI), a leaf temperature, a stem thickness, a growth rate,
The root-zone environmental information of the crop includes at least one of factors such as a medium moisture content, a medium EC, a medium temperature, an amount of an aqueous solution, a medium EC, a medium EC, a medium weight, a weight of a culture medium, a composition of a nutrient solution in the nutrient solution, In addition,
Wherein the environmental information of the cultivation facility includes at least one of a type of a greenhouse, a temperature, a humidity, an instantaneous light amount, a cumulative solar radiation amount, and a carbon dioxide concentration. 작물의 생육정보, 근권부 환경정보 및 재배시설의 환경정보 중 적어도 하나의 정보가 포함된 농가 데이터를 수신하는 단계;
상기 수신된 농가 데이터를 기계학습으로 상기 작물의 생육시기를 예측하는 단계; 및
상기 예측된 생육시기를 이용하여 상기 작물에 필요한 양액의 공급량을 산출하는 단계;
를 포함하는 기계학습을 이용한 양액제어방법.Receiving farmhouse data including at least one of information on the growth of the crop, environmental information on the root zone, and environmental information on the cultivation facility;
Estimating a growth time of the crop by machine learning the received farm data; And
Calculating a supply amount of the nutrient solution necessary for the crop using the predicted growth period;
The method comprising the steps of:
KR1020160107107A 2016-08-23 2016-08-23 Nutrient solution control apparatus and methods using maching learning KR20180022159A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160107107A KR20180022159A (en) 2016-08-23 2016-08-23 Nutrient solution control apparatus and methods using maching learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160107107A KR20180022159A (en) 2016-08-23 2016-08-23 Nutrient solution control apparatus and methods using maching learning

Publications (1)

Publication Number Publication Date
KR20180022159A true KR20180022159A (en) 2018-03-06

Family

ID=61727069

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160107107A KR20180022159A (en) 2016-08-23 2016-08-23 Nutrient solution control apparatus and methods using maching learning

Country Status (1)

Country Link
KR (1) KR20180022159A (en)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101968613B1 (en) * 2018-07-10 2019-08-13 주식회사 프라임제이이앤씨 Database-based liquid fertilizer supply / management system and method
US10515715B1 (en) 2019-06-25 2019-12-24 Colgate-Palmolive Company Systems and methods for evaluating compositions
KR102069202B1 (en) * 2019-09-24 2020-01-22 농업회사법인 상상텃밭 주식회사 Device and method for removing ion interference effect from nutrient solution using machine learning
KR102118957B1 (en) * 2020-02-06 2020-06-04 농업회사법인 상상텃밭 주식회사 Apparatus and method for analyzing the ion absorption rate of plant roots
KR20210007314A (en) * 2019-07-11 2021-01-20 (주)코노텍 System air environmental control apparatus
CN112465316A (en) * 2020-11-16 2021-03-09 中国科学院合肥物质科学研究院 Price factor-integrated aeroponic crop nutrient solution demand response regulation and control evaluation system
KR20210062842A (en) * 2019-11-22 2021-06-01 (주)코노텍 System air environmental control apparatus
KR20210085008A (en) * 2019-12-30 2021-07-08 한국과학기술연구원 Smart apparatus for managing growth of plants based on artificial intelligence, and method thereof
KR20220019201A (en) * 2020-08-07 2022-02-16 주식회사 긴트 Tractor Operating System and its Operation Method Thereof
KR102423998B1 (en) * 2021-12-23 2022-07-22 농업회사법인 상상텃밭 주식회사 Method of optimize plant factory nutrient solution control system using reinforcement learning AI
CN112465316B (en) * 2020-11-16 2024-05-03 中国科学院合肥物质科学研究院 Mist culture crop nutrient solution demand response regulation and evaluation system integrating price factors

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101968613B1 (en) * 2018-07-10 2019-08-13 주식회사 프라임제이이앤씨 Database-based liquid fertilizer supply / management system and method
US11315663B2 (en) 2019-06-25 2022-04-26 Colgate-Palmolive Company Systems and methods for producing personal care products
US10515715B1 (en) 2019-06-25 2019-12-24 Colgate-Palmolive Company Systems and methods for evaluating compositions
US11728012B2 (en) 2019-06-25 2023-08-15 Colgate-Palmolive Company Systems and methods for preparing a product
US10839941B1 (en) 2019-06-25 2020-11-17 Colgate-Palmolive Company Systems and methods for evaluating compositions
US11342049B2 (en) 2019-06-25 2022-05-24 Colgate-Palmolive Company Systems and methods for preparing a product
US10861588B1 (en) 2019-06-25 2020-12-08 Colgate-Palmolive Company Systems and methods for preparing compositions
US10839942B1 (en) 2019-06-25 2020-11-17 Colgate-Palmolive Company Systems and methods for preparing a product
KR20210007314A (en) * 2019-07-11 2021-01-20 (주)코노텍 System air environmental control apparatus
KR102069202B1 (en) * 2019-09-24 2020-01-22 농업회사법인 상상텃밭 주식회사 Device and method for removing ion interference effect from nutrient solution using machine learning
KR20210062842A (en) * 2019-11-22 2021-06-01 (주)코노텍 System air environmental control apparatus
KR20210085008A (en) * 2019-12-30 2021-07-08 한국과학기술연구원 Smart apparatus for managing growth of plants based on artificial intelligence, and method thereof
KR102118957B1 (en) * 2020-02-06 2020-06-04 농업회사법인 상상텃밭 주식회사 Apparatus and method for analyzing the ion absorption rate of plant roots
KR20220019201A (en) * 2020-08-07 2022-02-16 주식회사 긴트 Tractor Operating System and its Operation Method Thereof
CN112465316A (en) * 2020-11-16 2021-03-09 中国科学院合肥物质科学研究院 Price factor-integrated aeroponic crop nutrient solution demand response regulation and control evaluation system
CN112465316B (en) * 2020-11-16 2024-05-03 中国科学院合肥物质科学研究院 Mist culture crop nutrient solution demand response regulation and evaluation system integrating price factors
KR102423998B1 (en) * 2021-12-23 2022-07-22 농업회사법인 상상텃밭 주식회사 Method of optimize plant factory nutrient solution control system using reinforcement learning AI

Similar Documents

Publication Publication Date Title
KR101811640B1 (en) Prediction apparatus and method for production of crop using machine learning
KR20180022159A (en) Nutrient solution control apparatus and methods using maching learning
KR20180076766A (en) Artificial Intelligence Based Smart Farm Management System
KR20200063500A (en) A Smart Farm mushroom cultivation system of module type
KR101823521B1 (en) Greenhouse environment control and yield prediction apparatus using optimal environment information for crop growth and method using the same
WO2013126023A1 (en) A plant growth system and monitoring method
Costa et al. Greenhouses within the Agricultura 4.0 interface
JP2019083746A (en) Crop production management device
Lešić et al. Rapid plant development modelling system for predictive agriculture based on artificial intelligence
Sahour et al. Greenhouse Climate Controller by Using of Internet of Things Technology and Fuzzy Logic.
US20230309464A1 (en) Method and apparatus for automated crop recipe optimization
RU2723189C1 (en) Method for automatic selection of optimum parameters of plants growing based on methods of machine learning
Challa et al. Reflections about optimal climate control in greenhouse cultivation
Srivani et al. Prediction and comparative analysis using ensemble classifier model on leafy vegetable growth rates in DWC and NFT smart hydroponic system
CN111869532A (en) Automatic orchid cultivation system and cultivation method
KR102609912B1 (en) Integrated Control System for Nutriculture
KR102377963B1 (en) System and method for managing raising seedling area
CN115171036A (en) Plant management control method and system for intelligent agricultural greenhouse
EP4125325B1 (en) Experimenting with an adjusted grow protocol target value
KR102355211B1 (en) Cultivation monitoring system
CN115135135A (en) Plant growth monitoring system and method
WO2021067847A1 (en) Agricultural platforms
Moutsinas et al. AgroNIT: Innovating Precision Agriculture
KR102471742B1 (en) Method for building an optimal linear model of production and environment of smart farm
KR102471743B1 (en) Method for forecasting future production of smart farms

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E601 Decision to refuse application