KR20190136774A - 작물의 수확시기 예측시스템 및 그 방법 - Google Patents
작물의 수확시기 예측시스템 및 그 방법 Download PDFInfo
- Publication number
- KR20190136774A KR20190136774A KR1020180062911A KR20180062911A KR20190136774A KR 20190136774 A KR20190136774 A KR 20190136774A KR 1020180062911 A KR1020180062911 A KR 1020180062911A KR 20180062911 A KR20180062911 A KR 20180062911A KR 20190136774 A KR20190136774 A KR 20190136774A
- Authority
- KR
- South Korea
- Prior art keywords
- crop
- image
- information
- size
- time
- Prior art date
Links
- 238000003306 harvesting Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000007613 environmental effect Effects 0.000 claims description 19
- 239000002689 soil Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 3
- 230000004345 fruit ripening Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 9
- 238000004040 coloring Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 239000002131 composite material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 241000220223 Fragaria Species 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000009313 farming Methods 0.000 description 3
- 230000005070 ripening Effects 0.000 description 3
- 244000235659 Rubus idaeus Species 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 235000021013 raspberries Nutrition 0.000 description 2
- 235000021012 strawberries Nutrition 0.000 description 2
- 235000016623 Fragaria vesca Nutrition 0.000 description 1
- 235000011363 Fragaria x ananassa Nutrition 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
본 발명에 따른 작물의 수확기시 예측시스템은, 작물의 착색도 및 크기를 판단하기 위한 정보를 수집하기 위해 이미지를 수집하고 처리하는 이미지 수집부; 상기 작물의 환경정보 및 시장정보를 수집하는 작물정보 수집부; 상기 작물의 착색도 및 크기를 판단하는 알고리즘 및 기본 이미지 데이터를 포함하고 상기 이미지 수집부를 통해 수집된 이미지를 누적 저장하여 착색도 및 크기 판단을 위한 자기학습 데이터를 수집하는 메인서버; 상기 이미지 수집부에서 수집된 이미지와 상기 메인서버에 기 저장된 이미지를 비교하여 상기 작물의 생육시기를 판단하는 생육시기 판단부; 및 상기 판단된 생육시기, 상기 환경정보 및 시장정보를 이용하여 상기 작물의 수확시기를 예측하는 수확시기 예측부를 포함하는 점에 그 특징이 있다.
본 발명에 따르면, 작물 이미지 데이터를 전송받아 착색도 및 크기를 판단하고, 상기 착색도 및 크기 판단에 기계학습(machine learning)을 이용하며, 환경정보 및 시장정보를 종합하여 작물의 수확시기를 예측할 수 있다.
본 발명에 따르면, 작물 이미지 데이터를 전송받아 착색도 및 크기를 판단하고, 상기 착색도 및 크기 판단에 기계학습(machine learning)을 이용하며, 환경정보 및 시장정보를 종합하여 작물의 수확시기를 예측할 수 있다.
Description
본 발명은 작물의 수확시기 예측시스템 및 그 방법에 관한 것으로, 특히 작물 이미지 데이터를 전송받아 착색도 및 크기를 판단하고, 상기 착색도 및 크기 판단에 기계학습(machine learning)을 이용하며, 환경정보 및 시장정보를 종합하여 작물의 수확시기를 예측하는 시스템 및 그 방법에 관한 것이다.
ICT 기술과 기존의 생산, 가공, 유통, 서비스 산업이 융합되면서 4차 산업혁명이 도래되었고 사물인터넷(IoT), 빅데이터(Big Data), 인공지능(AI) 등 4차 산업혁명 기술을 활용한 정보가 플랫폼을 통해 수집되고 지증화되고 있다. 특히 사물인터넷을 통해 모여진 방대한 데이터는 인공지능에 의해 분석되어 이에 대한 활용능력이 경쟁력의 핵심요소로 부상되고 있다. 이러한 4차 산업혁명 기술을 농업에 접목하여 농가인구 감소 및 노령화 등으로 인한 국내 농업의 한계를 극복하고 새로운 가치를 창출하고자 하는 시도가 추진 중이다. 빅테이터로 농업 생산성 제고, 각종 질병과 재해 예방, 소비자 분석이 가능해지는 등 큰 변화가 예상되고 있다.
최근 국내 농업은 농가인구 감소와 고령화, 곡물자급률 하락, 농가소득의 정체 및 기후변화의 심화 등으로 작물 생산에 어려움을 겪고 있다.
특히, 과실의 경우 육안으로 과실의 생육시기를 판단해야 하기 때문에 다수의 인력이 필요하고 정확성이 떨어지는 문제가 있었다.
또한, 과실의 경우 적기에 수확을 할 때 상품으로서 가치가 높고, 농가수입도 증가할 수 있는데, 수동적인 점검에 의해서는 수확의 적기를 놓칠 수 있어 상품가치를 떨어뜨릴 수 있는 문제가 있다.
본 발명은 작물 이미지 데이터를 전송받아 착색도 및 크기를 판단하고, 상기 착색도 및 크기 판단에 기계학습(machine learning)을 이용하며, 환경정보 및 시장정보를 종합하여 작물의 수확시기를 예측하는 것을 목적으로 한다.
상기의 과제를 달성하기 위한 본 발명에 따른 작물의 수확기시 예측시스템은, 작물의 착색도 및 크기를 판단하기 위한 정보를 수집하기 위해 이미지를 수집하고 처리하는 이미지 수집부; 상기 작물의 환경정보 및 시장정보를 수집하는 작물정보 수집부; 상기 작물의 착색도 및 크기를 판단하는 알고리즘 및 기본 이미지 데이터를 포함하고 상기 이미지 수집부를 통해 수집된 이미지를 누적 저장하여 상기 작물의 착색도 및 크기 판단을 위한 자기학습 데이터를 수집하는 메인서버; 상기 이미지 수집부에서 수집된 이미지와 상기 메인서버에 기 저장된 이미지를 비교하여 상기 작물의 생육시기를 판단하는 생육시기 판단부; 및 상기 판단된 생육시기, 상기 환경정보 및 시장정보를 이용하여 상기 작물의 수확시기를 예측하는 수확시기 예측부를 포함하는 점에 그 특징이 있다.
여기서, 특히 상기 이미지 수집부는, 현장을 촬영하는 카메라; 및 상기 카메라의 전력소모 절감을 위해 이미지 캡쳐시에만 상기 카메라를 작동시키고 상기 메인서버의 요청시 가장 마지막에 저장한 이미지를 상기 메인서버로 전송하는 제어부를 포함하는 점에 그 특징이 있다.
여기서, 특히 상기 제어부는 저전력 마이컴 및 CPU를 포함하고, 상기 마이컴은 상기 카메라에서 촬영된 현장의 고해상도 이미지를 일정 주기마다 상기 CPU에 전송하고, 상기 CPU는 상기 전송받은 이미지를 저장하고 상기 저장한 이미지를 JPEG 이미지로 변환하는 점에 그 특징이 있다.
여기서, 특히 상기 수집된 이미지에서 하나 이상의 객체를 인식하여 상기 작물을 분류하는 점에 그 특징이 있다.
여기서, 특히 상기 생육시기는 상기 작물의 착색도 및 크기에 따라 미성숙기, 성숙기 또는 과숙기 중 어느 하나이고,
상기 이미지 수집부에서 수집된 이미지와 상기 메인서버에 기 저장된 이미지를 비교하여 상기 미성숙기, 성숙기 또는 과숙기 중 어느 하나로 판단하고, 상기 판단결과를 상기 메인서버에 저장하는 점에 그 특징이 있다.
여기서 특히, 상기 환경정보는 기상정보, 토양정보이고,
상기 시장정보는 상기 작물의 시장가격정보인 점에 그 특징이 있다.
또한, 상기의 과제를 달성하기 위한 본 발명에 따른 작물의 수확기시 예측방법은, 작물의 이미지를 수신하는 단계; 상기 수신된 이미지와 기 저장된 이미지를 비교하여 생육시기를 판단하는 단계; 상기 작물의 환경정보 및 시장정보를 수신하는 단계; 및 상기 판단된 생육시기, 상기 환경정보 및 시장정보를 이용하여 상기 작물의 수확시기를 예측하는 단계를 포함하는 점에 그 특징이 있다.
여기서, 특히 상기 생육시기를 판단하는 단계는, 수신된 이미지에서 작물을 인식하는 단계; 및 상기 작물의 착색도 및 크기에 따라 상기 작물의 생육시기를 판단하는 단계를 포함하고, 상기 생육시기는 착색도 및 크기에 따라 미성숙기, 성숙기 또는 과숙기중 어느 하나인 점에 그 특징이 있다.
여기서, 특히 상기 작물을 인식하는 단계는, 상기 수신된 이미지에서 하나 이상의 객체를 인식하여 상기 작물을 분류하는 점에 그 특징이 있다.
여기서, 특히 상기 착색도 및 크기에 따른 생육시기가 판단된 결과를 저장하는 단계를 더 포함하는 점에 그 특징이 있다.
여기서, 특히 상기 예측된 수확시기를 사용자에게 제공하는 단계를 더 포함하는 점에 그 특징이 있다.
여기서, 특히 상기 환경정보는 기상정보, 토양정보이고,
상기 시장정보는 상기 작물의 시장가격정보인 점에 그 특징이 있다.
본 발명에 따르면, 작물 이미지 데이터를 전송받아 착색도 및 크기를 판단하고, 상기 착색도 및 크기 판단에 기계학습(machine learning)을 이용하며, 환경정보 및 시장정보를 종합하여 작물의 수확시기를 예측할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 작물의 수확시기 예측시스템의 전체적인 구성을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시 예에 따른 이미지 수집부의 구성을 나타낸 도면이다.
도 3은 본 발명의 일 실시 예에 따른 작물의 수확시기 예측방법의 순서도를 나타낸 도면이다.
도 4는 본 발명의 일 실시 예에 따른 다중 객체 검출 과정을 나타낸 도면이다.
도 2는 본 발명의 일 실시 예에 따른 이미지 수집부의 구성을 나타낸 도면이다.
도 3은 본 발명의 일 실시 예에 따른 작물의 수확시기 예측방법의 순서도를 나타낸 도면이다.
도 4는 본 발명의 일 실시 예에 따른 다중 객체 검출 과정을 나타낸 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명을 설명함에 있어 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 본 명세서에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
이하, 본 발명의 바람직한 실시 예를 첨부한 도면에 의거하여 상세하게 설명하면 다음과 같다.
도 1은 본 발명의 일 실시 예에 따른 작물의 수확시기 예측시스템의 전체적인 구성을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시 예에 따른 이미지 수집부의 구성을 나타낸 도면이다.
도 1 및 도 2를 참조하면, 본 발명에 따른 작물의 수확시기 예측시스템은, 이미지 수집부(100), 작물정보 수집부(200), 메인서버(300), 생육시기 판단부(400), 수확시기 예측부(500) 및 사용자 정보 제공부(600)를 포함하여 구성된다.
상기 이미지 수집부(100)는 작물의 착색도 및 크기를 판단하기 위한 정보를 수집하기 위해 이미지를 수집하고 처리한다.
일 실시 예로 상기 이미지 수집부(100)는 카메라(110) 및 제어부(120)를 포함하여 구성된다.
상기 카메라(110)는 현장을 촬영하고, 상기 제어부(120)는 상기 카메라(110)의 전력소모 절감을 위해 이미지 캡쳐시에만 상기 카메라(110)를 작동시키고 상기 메인서버(300)의 요청시 가장 마지막에 저장한 이미지를 상기 메인서버(300)로 전송한다.
일 실시 예로 상기 제어부(120)는 저전력 마이컴(121) 및 CPU(122)를 포함한다.
상기 제어부(120)는 일정시간 마다 상기 카메라(110)를 작동시켜 이미지를 캡쳐하고, 상기 이미지를 저장한다. 상기 캡쳐된 이미지를 자체 메모리 공간에 바이너리(binary) 형태의 이미지 데이터로 저장하고 JPEG 이미지로 변환할 수 있다. JPEG 이미지는 최대 2개를 저장할 수 있고 상기 메인서버(300)의 요청시 가장 마지막에 저장한 이미지 데이터를 전송한다.
보다 구체적으로, 상기 마이컴(121)은 일정시간 마다 상기 카메라(110)를 작동시켜 이미지를 캡쳐하고, 상기 캡쳐된 이미지를 CPU(122)로 전송한다. 상기 CPU(122)는 자체 메모리 공간에 상기 전송받은 이미지를 바이너리(binary) 형태의 이미지 데이터로 저장하고 상기 저장된 이미지를 JPEG 이미지로 변환할 수 있다.
상기 작물정보 수집부(200)는 작물의 환경정보 및 시장정보를 수집한다.
상기 환경정보는 기상정보 및 토양정보를 포함하고, 상기 시장정보는 상기 작물의 시장가격정보를 포함한다.
일 실시 예로, 상기 기상정보는 각 현장에 설치된 기상센서, 기상관측장치, 기상청 자료 등에서 수집될 수 있고, 풍향, 풍속, 강수량, 기온 등에 대한 정보를 수집할 수 있다.
일 실시 예로, 상기 토양정보는 각 현장에 설치된 토양센서 등에서 수집될 수 있고, 토양의 습도 등에 대한 정보를 수집할 수 있다.
상기 환경정보는 상기 기상정보 및 토양정보에 한정되지 않고 작물 생장 및 수확시기 예측에 필요한 어떤 정보도 될 수 있다.
상기 시장가격정보는 인터넷, 경매정보 등으로 부터 수집할 수 있고, 그 매체는 다양하게 정의될 수 있다.
상기 메인서버(300)는 상기 작물의 착색도 및 크기를 판단하는 알고리즘 및 기본 이미지 데이터를 포함하고 상기 이미지 수집부(100)를 통해 수집된 이미지를 누적 저장하여 착색도 및 크기 판단을 위한 자기학습 데이터를 수집한다.
상기 메인서버(300)는 데이터베이스(310) 및 자기학습엔진(320)을 포함하여 구성된다.
상기 생육시기 판단부(400)는 상기 이미지 수집부(100)에서 수집된 이미지와 상기 메인서버(300)에 기 저장된 이미지를 비교하여 상기 작물의 생육시기를 판단한다.
상기 생육시기 판단부(400)는 상기 수집된 이미지에서 하나 이상의 객체를 인식하여 상기 작물을 분류할 수 있다.
상기 객체 인식은 사용자가 원하는 대상작물의 이미지 데이터를 기계학습 자료로 사용하여 다양한 대상작물이 혼재되어있는 이미지 데이터에서 해당작물을 분류할 수 있다.
일 실시 예로, 수집된 이미지에서 모양 및 크기가 유사한 작물인 딸기와 산딸기를 분류할 수 있다.
또한, 상기 수집된 이미지에서 단일 또는 다중 객체 인식 모두 가능하다.
상기 생육시기는 작물의 생장도에 따라 미성숙기, 성숙기 또는 과숙기중 어느 하나로 나눌 수 있다. 사용자는 상기 미성숙기, 성숙기 또는 과숙기에 대한 정의 및 이미지를 상기 데이터베이스(310)에 저장시킬 수 있다.
일 실시 예로, 상기 작물의 착색도가 70%이하인 경우 미성숙기로, 71-89%인 경우 성숙기로, 90%이상인 경우 과숙기로 정의할 수 있다.
일 실시 예로, 상기 생육시기 판단부(400)는 상기 이미지 수집부(100)에서 전송받은 작물 이미지를 인식하여 상기 데이터베이스(310)에 기 저장된 이미지와 비교하여 상기 작물의 착색도 및 크기에 따라 미성숙기, 성숙기 또는 과숙기중 어느 하나로 판단하고, 상기 판단결과를 상기 데이터베이스(310)에 다시 저장할 수 있다.
또한, 상기 이미지에 다수의 객체가 존재하는 경우 각 객체마다 착색도 및 크기를 판단하여 생육시기를 판단할 수 있다.
상기 데이터베이스(310)는 상기 작물의 착색도 및 크기를 판단할 수 있도록 기본 이미지 데이터를 포함한다. 또한, 상기 이미지 수집부(100)를 통해 수집된 이미지를 누적 저장하고, 상기 생육시기 판단부(400)에서 판단된 결과물을 누적 저장하여 착색도 및 크기 판단을 위한 자기학습 데이터를 수집한다.
상기 자기학습엔진(320)은 머신러닝(maching learning)으로 합성곱 신경망(Convolutional Neural Network, ConvNet)을 이용할 수 있다.
최근 머신러닝 분야에서 합성곱 신경망을 통해 이미지 인식에 대해 진전을 이뤄내고 있다. 합성곱 신경망은 일반 인공신경망 계층과 합성곱 계층으로 이루어진 구조이며 역전달(Backpropagation algorithm)을 통해 훈련되는 신경망으로 영상, 음성분야에서 좋은 성능을 보여주고 있다.
학습횟수를 증가 할수록 생장시기 판단결과물을 정확하게 얻을 수 있다.
이하, 합성곱 신경망에 대한 내용은 공지의 내용이므로 자세한 설명을 생략한다.
상기 수확시기 예측부(500)는 상기 판단된 생육시기, 상기 환경정보 및 상기 시장정보를 이용하여 상기 작물의 수확시기를 예측할 수 있다.
상기 사용자 정보 제공부(600)는 일 실시 예로 사용자의 모바일 또는 PC가 될 수 있고, 상기 작물의 수확시기 예측 결과를 상기 메인서버(300)에서 제공받을 수 있다.
도 3은 본 발명의 일 실시 예에 따른 작물의 수확시기 예측방법의 순서도를 나타낸 도면이다.
도 3을 참조하면, 본 발명에 따른 작물의 수확시기 예측방법은, 먼저 작물의 이미지를 수신하는 단계가 수행된다(S100).
상기 이미지는 이미지 수집부(100)를 통하여 수집된다. 상기 이미지 수집부(100)는 현장을 촬영하는 카메라(110)와 상기 카메라(110)를 제어하는 제어부(120)로 구성된다.
상기 제어부(120)는 상기 카메라(110)에서 촬영된 상기 작물의 이미지 데이터를 일정시간마다 전송받아 자체 메모리 공간에 바이너리(binary) 형태의 이미지 데이터로 저장하고 JPEG 이미지로 변환할 수 있다.
메인서버(300)는 상기 JPEG 이미지를 수신할 수 있다.
이어서, 상기 작물의 환경정보 및 시장정보를 수신하는 단계가 수행된다(S110).
상기 환경정보는 기상정보 및 토양정보를 포함하고, 상기 시장정보는 상기 작물의 시장가격정보를 포함한다.
일 실시 예로, 상기 기상정보는 각 현장에 설치된 기상센서, 기상관측장치, 기상청 자료 등에서 수집될 수 있고, 풍향, 풍속, 강수량, 기온 등에 대한 정보를 수집할 수 있다.
일 실시 예로, 상기 토양정보는 각 현장에 설치된 토양센서 등에서 수집될 수 있고, 토양의 습도 등에 대한 정보를 수집할 수 있다.
상기 환경정보는 상기 기상정보 및 토양정보에 한정되지 않고 작물 생장 및 수확시기 예측에 필요한 어떤 정보도 될 수 있다.
상기 시장가격정보는 인터넷, 경매정보 등으로 부터 수집할 수 있고, 그 매체는 다양하게 정의될 수 있다.
이어서, 상기 수신된 이미지와 기 저장된 이미지를 비교하여 생육시기를 판단하는 단계가 수행된다(S200).
보다 구체적으로, 상기 생육시기를 판단하는 단계는, 수신된 이미지에서 작물을 인식하는 단계; 및 상기 작물의 착색도 및 크기에 따라 상기 작물의 생육시기를 판단하는 단계를 포함한다.
상기 작물을 인식하는 단계는, 상기 수신된 이미지에서 하나 이상의 객체를 인식하여 상기 작물을 분류할 수 있다.
상기 메인서버(300)는 데이터베이스(310)와 자기학습엔진(320)을 포함하여 구성된다.
상기 메인서버(300)는 상기 작물의 착색도 및 크기를 판단하는 알고리즘 및 기본 이미지 데이터를 포함하고 상기 이미지 수집부(100)를 통해 수집된 이미지를 누적 저장하여 착색도 및 크기 판단을 위한 자기학습 데이터를 수집한다.
상기 생육시기는 작물의 생장도에 따라 미성숙기, 성숙기 또는 과숙기중 어느 하나로 나눌 수 있다. 사용자는 상기 미성숙기, 성숙기 또는 과숙기에 대한 정의 및 이미지를 상기 데이터베이스(310)에 저장시킬 수 있다.
생육시기 판단부(400)는 상기 수집된 이미지에서 하나 이상의 객체를 인식하여 상기 작물을 분류할 수 있다.
상기 객체 인식은 사용자가 원하는 대상작물의 이미지 데이터를 기계학습 자료로 사용하여 다양한 대상작물이 혼재되어있는 이미지 데이터에서 해당작물을 분류할 수 있다.
일 실시 예로, 수집된 이미지에서 모양 및 크기가 유사한 작물인 딸기와 산딸기를 분류할 수 있다.
또한, 상기 수집된 이미지에서 단일 또는 다중 객체 인식 모두 가능하다.
일 실시 예로, 상기 작물의 착색도가 70%이하인 경우 미성숙기로, 71-89%인 경우 성숙기로, 90%이상인 경우 과숙기로 정의할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 다중 객체 검출 과정을 나타낸 도면이다.
도 4를 참조하면, 상기 이미지 수집부(100)에서 전송받은 입력이미지(Input Image)를 합성곱 신경망을 통해 객체검출을 할 수 있다.
보다 구체적으로, 합성곱 신경망을 통해 상기 입력이미지(Input Image)를 딸기로 검출할 수 있다. 또한, 한 이미지에서 여러 객체를 인식할 수 있고, 상기 인식한 객체의 생육시기를 판단할 수 있다.
이어서, 상기 착색도 및 크기에 따른 생육시기가 판단된 결과를 저장하는 단계가 수행된다(S210).
일 실시 예로, 상기 이미지 수집부(100)에서 전송받은 작물 이미지를 인식하여 상기 데이터베이스(310)에 기 저장된 이미지와 비교하여 상기 작물의 착색도 및 크기에 따라 미성숙기, 성숙기 또는 과숙기중 어느 하나로 판단하고, 상기 판단결과를 상기 데이터베이스(310)에 다시 저장할 수 있다.
또한, 상기 이미지에 다수의 객체가 존재하는 경우 각 객체마다 착색도 및 크기를 판단하여 생육시기를 판단할 수 있다.
이어서, 상기 판단된 생육시기, 상기 환경정보 및 시장정보를 이용하여 상기 작물의 수확시기를 예측하는 단계가 수행된다(S300).
일 실시 예로, 작물의 착색도가 71-89%인 성숙기를 적절한 수확시기라고 정의한다면, 여기에 수신된 환경정보와 시장정보를 결합하여 적기의 수확시기를 예측할 수 있다.
이어서, 상기 예측된 수확시기를 사용자에게 제공하는 단계가 수행된다(S400).
일 실시 예로 사용자의 모바일 또는 PC가 될 수 있고, 상기 작물의 수확시기 예측 결과를 상기 메인서버(300)에서 제공받을 수 있다.
본 발명의 권리범위는 상술한 실시 예에 한정되는 것이 아니라 첨부된 특허청구범위 내에서 다양한 형태의 실시 예로 구현될 수 있다. 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자라면 누구든지 변형 가능한 다양한 범위까지 본 발명의 청구범위 기재의 범위 내에 있는 것으로 본다.
100 이미지 수집부 110 카메라
120 제어부 121 마이컴
122 CPU 200 작물정보 수집부
300 메인서버 310 데이터베이스
320 자기학습엔진 400 생육시기 판단부
500 수확시기 예측부 600 사용자 정보 제공부
120 제어부 121 마이컴
122 CPU 200 작물정보 수집부
300 메인서버 310 데이터베이스
320 자기학습엔진 400 생육시기 판단부
500 수확시기 예측부 600 사용자 정보 제공부
Claims (12)
- 작물의 착색도 및 크기를 판단하기 위한 정보를 수집하기 위해 이미지를 수집하고 처리하는 이미지 수집부;
상기 작물의 환경정보 및 시장정보를 수집하는 작물정보 수집부;
상기 작물의 착색도 및 크기를 판단하는 알고리즘 및 기본 이미지 데이터를 포함하고 상기 이미지 수집부를 통해 수집된 이미지를 누적 저장하여 상기 작물의 착색도 및 크기 판단을 위한 자기학습 데이터를 수집하는 메인서버;
상기 이미지 수집부에서 수집된 이미지와 상기 메인서버에 기 저장된 이미지를 비교하여 상기 작물의 생육시기를 판단하는 생육시기 판단부; 및
상기 판단된 생육시기, 상기 환경정보 및 시장정보를 이용하여 상기 작물의 수확시기를 예측하는 수확시기 예측부를 포함하는 작물의 수확시기 예측시스템.
- 제1항에 있어서,
상기 이미지 수집부는,
현장을 촬영하는 카메라; 및
상기 카메라의 전력소모 절감을 위해 이미지 캡쳐시에만 상기 카메라를 작동시키고 상기 메인서버의 요청시 가장 마지막에 저장한 이미지를 상기 메인서버로 전송하는 제어부를 포함하는 작물의 수확시기 예측시스템.
- 제2항에 있어서,
상기 제어부는 저전력 마이컴 및 CPU를 포함하고,
상기 마이컴은 상기 카메라에서 촬영된 현장의 고해상도 이미지를 일정 주기마다 상기 CPU에 전송하고,
상기 CPU는 상기 전송받은 이미지를 저장하고 상기 저장한 이미지를 JPEG 이미지로 변환하는 작물의 수확시기 예측시스템.
- 제1항에 있어서,
상기 수집된 이미지에서 하나 이상의 객체를 인식하여 상기 작물을 분류하는 작물의 수확시기 예측시스템.
- 제1항에 있어서,
상기 생육시기는 상기 작물의 착색도 및 크기에 따라 미성숙기, 성숙기 또는 과숙기 중 어느 하나이고,
상기 이미지 수집부에서 수집된 이미지와 상기 메인서버에 기 저장된 이미지를 비교하여 상기 미성숙기, 성숙기 또는 과숙기 중 어느 하나로 판단하고, 상기 판단결과를 상기 메인서버에 저장하는 작물의 수확시기 예측시스템.
- 제1항에 있어서,
상기 환경정보는 기상정보, 토양정보이고,
상기 시장정보는 상기 작물의 시장가격정보인 작물의 수확시기 예측시스템.
- 작물의 이미지를 수신하는 단계;
상기 수신된 이미지와 기 저장된 이미지를 비교하여 생육시기를 판단하는 단계;
상기 작물의 환경정보 및 시장정보를 수신하는 단계; 및
상기 판단된 생육시기, 상기 환경정보 및 시장정보를 이용하여 상기 작물의 수확시기를 예측하는 단계를 포함하는 작물의 수확시기 예측방법.
- 제7항에 있어서,
상기 생육시기를 판단하는 단계는,
수신된 이미지에서 작물을 인식하는 단계; 및
상기 작물의 착색도 및 크기에 따라 상기 작물의 생육시기를 판단하는 단계를 포함하고,
상기 생육시기는 착색도 및 크기에 따라 미성숙기, 성숙기 또는 과숙기중 어느 하나인 작물의 수확시기 예측방법.
- 제8항에 있어서,
상기 작물을 인식하는 단계는,
상기 수신된 이미지에서 하나 이상의 객체를 인식하여 상기 작물을 분류하는 작물의 수확시기 예측방법.
- 제7항에 있어서,
상기 착색도 및 크기에 따른 생육시기가 판단된 결과를 저장하는 단계를 더 포함하는 작물의 수확시기 예측방법.
- 제7항에 있어서,
상기 예측된 수확시기를 사용자에게 제공하는 단계를 더 포함하는 작물의 수확시기 예측방법.
- 제7항에 있어서,
상기 환경정보는 기상정보, 토양정보이고,
상기 시장정보는 상기 작물의 시장가격정보인 작물의 수확시기 예측방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180062911A KR20190136774A (ko) | 2018-05-31 | 2018-05-31 | 작물의 수확시기 예측시스템 및 그 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180062911A KR20190136774A (ko) | 2018-05-31 | 2018-05-31 | 작물의 수확시기 예측시스템 및 그 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20190136774A true KR20190136774A (ko) | 2019-12-10 |
Family
ID=69002511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180062911A KR20190136774A (ko) | 2018-05-31 | 2018-05-31 | 작물의 수확시기 예측시스템 및 그 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20190136774A (ko) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102259009B1 (ko) * | 2021-02-26 | 2021-06-01 | 아이오크롭스 주식회사 | 수확 대상 과실 판단 방법 및 과실 수확 장치 |
CN113673301A (zh) * | 2021-06-24 | 2021-11-19 | 亳州市药通信息咨询有限公司 | 基于大数据技术和遥感数据的中药材品种分析识别系统 |
KR20210157516A (ko) * | 2020-06-19 | 2021-12-29 | 주식회사 다함 | 온실 환경 감시 제어 시스템 |
CN115511194A (zh) * | 2021-06-29 | 2022-12-23 | 布瑞克农业大数据科技集团有限公司 | 一种农业数据处理方法、系统、装置及介质 |
KR102620199B1 (ko) * | 2023-08-18 | 2024-01-03 | (주)타이호인스트 | 인공지능 기반 노지 농작물 유통 가격 예측 정보 플랫폼운영 서버 및 방법 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101810877B1 (ko) | 2016-09-02 | 2018-01-25 | 순천대학교 산학협력단 | 과일 수확 시기 예측 시스템 및 그 방법 |
-
2018
- 2018-05-31 KR KR1020180062911A patent/KR20190136774A/ko not_active Application Discontinuation
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101810877B1 (ko) | 2016-09-02 | 2018-01-25 | 순천대학교 산학협력단 | 과일 수확 시기 예측 시스템 및 그 방법 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210157516A (ko) * | 2020-06-19 | 2021-12-29 | 주식회사 다함 | 온실 환경 감시 제어 시스템 |
KR102259009B1 (ko) * | 2021-02-26 | 2021-06-01 | 아이오크롭스 주식회사 | 수확 대상 과실 판단 방법 및 과실 수확 장치 |
WO2022182191A1 (ko) * | 2021-02-26 | 2022-09-01 | 농업회사법인 아이오크롭스 주식회사 | 수확 대상 과실 판단 방법 및 과실 수확 장치. |
CN113673301A (zh) * | 2021-06-24 | 2021-11-19 | 亳州市药通信息咨询有限公司 | 基于大数据技术和遥感数据的中药材品种分析识别系统 |
CN115511194A (zh) * | 2021-06-29 | 2022-12-23 | 布瑞克农业大数据科技集团有限公司 | 一种农业数据处理方法、系统、装置及介质 |
KR102620199B1 (ko) * | 2023-08-18 | 2024-01-03 | (주)타이호인스트 | 인공지능 기반 노지 농작물 유통 가격 예측 정보 플랫폼운영 서버 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | An AIoT based smart agricultural system for pests detection | |
KR20190136774A (ko) | 작물의 수확시기 예측시스템 및 그 방법 | |
Qureshi et al. | Machine vision for counting fruit on mango tree canopies | |
US20200117897A1 (en) | Adaptive Artificial Intelligence Training Data Acquisition and Plant Monitoring System | |
GB2553631B (en) | Data Processing of images of a crop | |
EP3482630B1 (en) | Method, system and computer program for performing a pest forecast | |
CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
CN107622236B (zh) | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 | |
KR20210090394A (ko) | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 | |
CN111476149A (zh) | 一种植物培育控制方法和系统 | |
CN106971409B (zh) | 玉米冠层叶色建模系统及方法 | |
CN116227758B (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
KR20220071405A (ko) | 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법 | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
CN117114913A (zh) | 一种基于大数据的智能化农业数据采集系统 | |
Kim et al. | Utilizing machine learning for detecting flowering in mid-range digital repeat photography | |
US20230196560A1 (en) | Systems and methods for automatically grading cannabis plants and adjusting control parameters | |
US20230389474A1 (en) | Method for determining a fruit to be harvested and a device for harvesting a fruit | |
Ma et al. | Integration agricultural knowledge and Internet of Things for multi-agent deficit irrigation control | |
Jacob et al. | An Intelligent Agricultural Field Monitoring and Management System using Internet of Things and Machine Learning | |
Abdulla et al. | Agriculture based on Internet of Things and Deep Learning | |
Saha et al. | ML-based smart farming using LSTM | |
FAISAL | A pest monitoring system for agriculture using deep learning | |
CN113469751A (zh) | 一种农产品供应链管理方法和系统 | |
Vinod et al. | Mining intelligent patterns using svac for precision agriculture and optimizing irrigation (student abstract) |
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 |