KR20200044216A - System and method for predicting the occurrence of pests using Big Data - Google Patents
System and method for predicting the occurrence of pests using Big Data Download PDFInfo
- Publication number
- KR20200044216A KR20200044216A KR1020180121407A KR20180121407A KR20200044216A KR 20200044216 A KR20200044216 A KR 20200044216A KR 1020180121407 A KR1020180121407 A KR 1020180121407A KR 20180121407 A KR20180121407 A KR 20180121407A KR 20200044216 A KR20200044216 A KR 20200044216A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- pest
- unit
- special
- big data
- Prior art date
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims description 15
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000003745 diagnosis Methods 0.000 claims abstract description 29
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 16
- 239000000575 pesticide Substances 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000003384 imaging method Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 230000007613 environmental effect Effects 0.000 claims description 14
- 240000004307 Citrus medica Species 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 4
- 235000021018 plums Nutrition 0.000 description 4
- 125000000391 vinyl group Chemical group [H]C([*])=C([H])[H] 0.000 description 4
- 229920002554 vinyl polymer Polymers 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009313 farming Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 244000241235 Citrullus lanatus Species 0.000 description 1
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000758706 Piperaceae Species 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 244000061458 Solanum melongena Species 0.000 description 1
- 235000002597 Solanum melongena Nutrition 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001131 transforming effect Effects 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
- 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Catching Or Destruction (AREA)
Abstract
Description
본 발명은 미세기상 기후 수집 및 영상 정보를 통한 이미지 분석, 예찰 모형 등을 통해 병해충 및 기상재해에 대한 피해를 최소화할 수 있는 빅데이터를 이용한 병해충 발생 예측 시스템 및 방법에 관한 것이다.The present invention relates to a system and method for predicting pest outbreaks using big data that can minimize damage to pests and meteorological disasters through microclimate climate collection and image analysis through image information, forecast models, and the like.
일반적으로 사물인터넷(Internet of things)이란 생활 속 사물들을 유무선 네트워크로 연결해 정보를 공유하는 환경 또는 생활 속 사물들에 장착되는 유무선 네트워크 장치로서, 최근 들어 사물인터넷과 관련된 아이템이 널리 개발되고 있는 추세이다. 이러한 사물인터넷을 이용하여 가전제품, 전자기기뿐만 아니라 헬스케어, 원격검침, 스마트홈,스마트카 등 다양한 분야에서 사물을 네트워크로 연결해 정보를 공유할 수 있다.In general, the Internet of Things (Internet of things) is a wired / wireless network device that is mounted on things in life or an environment in which objects in life are connected to a wired / wireless network to share information. Recently, items related to the Internet of Things have been widely developed. . By using the Internet of Things, it is possible to share information by connecting objects with networks in various fields such as home appliances and electronic devices, as well as healthcare, remote meter reading, smart homes, and smart cars.
한편, 농업 분야에 있어서 농작물 재배 기술 및 관리 기술 등이 꾸준히 발전하고 있으나, 여전히 각종 질병으로 인한 농작물이나 과수의 피해가 꾸준히 발생하고 있고, 농작물 재배 기술의 현대화 필요성도 계속 증가하고 있는 실정이다.On the other hand, in the field of agriculture, crop cultivation technology and management technology, etc. are steadily developing, but the damage of crops or fruit trees is still occurring due to various diseases, and the necessity of modernizing the cultivation technology of crops continues to increase.
최근 급속도로 발달하고 있는 IoT(Internet of Things) 기술들이 다양한 산업분야에 결합하여 새로운 서비스들을 개발하는 연구들이 진행 중에 있다. 노동집약적 위주의 농산업 분야에서도 IoT 기술을 융합하여 첨단화되고 있는 추세이다. 이러한 첨단화 기술들을 이용하여 자연 의존적인 농산업에서 안정되고 지속적인 성장이 가능하게 탈바꿈하고 있다. Recently, IoT (Internet of Things) technologies that are rapidly developing are combined with various industries to develop new services. In the field of labor-intensive agricultural industry, IoT technology is converging to become more advanced. Using these advanced technologies, it is transforming to enable stable and sustainable growth in the agricultural industry that is dependent on nature.
전국의 생산률 중 전남지역(순천, 광양, 하동, 고흥 등)에 30%이상이 생산되는 특용과수(매실, 유자 등) 품목에 대한 병해충 발생 예찰 연구도 진행 중에 있지만 배포되고 있는 방제 매뉴얼은 우리나라 평균 기상환경에 맞춰 제작되어 실제 적용에 한계가 있다. In the nationwide production rate, pesticide outbreak prediction studies on special fruit trees (plums, citrons, etc.) that produce more than 30% in the Jeonnam region (Suncheon, Gwangyang, Hadong, Goheung, etc.) are underway, but the control manual being distributed is It is manufactured according to the average weather environment in Korea, so there is a limit to its practical application.
이러한 농작물의 병해충관리가 전국적으로 시행되고 있으나 병해충의 예찰과 방제는 작목별 독립적인 시스템이 개발·운영되고 있고, 돌발 병해충 발생시 신속한 자료 수집을 위한 시스템의 부재로 방제 적기를 놓치는 경우가 많다. 또한 병해충 적기방제를 위한 예측 모형 연구를 수행하여 개발된 모델을 공개적으로 서비스할 수 있는 시스템이 없어 연구사업 성과물로만 관리되고 있고 표준화 되지 않아 농업인들에게 혼란만 주고 있는 실정이다. Although pest management of these crops is being implemented nationwide, independent systems for planting and controlling pests are often developed and operated, and in the event of a sudden pest, there is often a lack of a system for rapid data collection. In addition, there is no system to openly service the developed model by conducting a predictive model study for timely control of pests, so it is managed only as a result of the research project and is not standardized.
덧붙이자면, 고추, 토마토, 가지, 수박 등 시설원예작물에 발생하는 각종 병, 해충, 생리장해 현상의 발생상황을 파악하고, 진단에 필요한 멀티미디어 정보를 현장에서 수집함과 아울러 중요한 병해충의 개략적인 발생밀도 변동과 농가 대처방법, 증상자료 등을 수집하고 작물에 피해를 주는 병해충 및 생리장해를 농가단위에서 손쉽고 정확하게 진단하고 대처방법이 현재 농가에서 절실하게 필요한 상황이나 재배지 환경에 맞는 맞춤형 정보의 제공이 어려운 현실이다.In addition, it identifies the occurrence of various diseases, pests, and physiological disorders in facility horticultural crops such as peppers, tomatoes, eggplants, and watermelons, collects multimedia information necessary for diagnosis in the field, and outlines important pests Density fluctuations, farming measures, symptom data, etc. are collected, and pests and physiological disorders that damage crops can be easily and accurately diagnosed at the farming unit, and tailored information suitable for the situation or farming environment that the farmers desperately need is needed. It is a difficult reality.
본 발명은 상술한 종래의 문제점을 해결하기 위하여 안출된 것으로서, 광역 기상정보 및 농업 환경지수 정보와 재배지역에 특화된 미세지역 재배지 내의 지중/지상 환경정보와 미세기상 정보를 실시간 또는 주기적으로 수집하고 적용하여 특용작물(매실, 유자 등)의 기상재해, 병충해의 발생 징후 및 확산을 예찰하여 사용자에게 실시간으로 전달할 수 있는 빅데이터를 이용한 병해충 발생 예측 시스템 및 방법을 제공하는 것을 목적으로 한다.The present invention has been devised to solve the above-mentioned conventional problems, and collects and applies real-time or periodic environmental information and micro-meteorological information in the micro-regional cultivation area, which is specialized in the wide-area weather information and agricultural environment index information, and the cultivation area. Therefore, it is an object of the present invention to provide a system and method for predicting the occurrence of pests using big data that can predict and spread the occurrence and spread of meteorological disasters and pests of special crops (plum, citron, etc.).
본 발명의 일 측면에 따르면, 특용작물의 병해충 발생 징후를 감지 및 예측하는 시스템으로서, 특용작물 재배지의 환경정보를 수집하는 센서부; 특용작물의 상태 정보를 촬영하는 촬영부; 특용작물 재배지 주변의 기상이력 정보와 특용과일 재배정보, 방제 메뉴얼, 병해충 정보, 농약 정보를 클라우드 기반으로 전송받는 빅데이터 처리부; 상기 센서부, 촬영부, 빅데이터 처리부의 정보를 수집하는 정보 수집부; 상기 정보 수집부에 수집된 센서부 정보와 촬영부 정보가 각각 저장되는 센서정보 및 촬영정보 데이터 베이스; 상기 센서정보 및 촬영정보 데이터 베이스에 저장된 정보와 상기 빅데이터 처리부로부터 수집된 정보를 기반으로 특용작물의 병해충 진단발생 및 방제 알고리즘을 수행하는 진단 수행부; 및 상기 진단 수행부의 결과를 GIS(Geographic Information System)를 이용하여 시각화하여 사용자 인터페이스로 전송하는 사용자 안내부를 포함하는 빅데이터를 이용한 병해충 발생 예측 시스템이 제공된다.According to an aspect of the present invention, a system for detecting and predicting signs of pest occurrence of a special crop, comprising: a sensor unit for collecting environmental information of a special crop cultivation site; A photographing unit for photographing status information of the special crop; A big data processing unit that receives weather history information and special fruit cultivation information, pest control information, pest information, and pesticide information around the special crop cultivation area based on the cloud; An information collecting unit collecting information of the sensor unit, the photographing unit, and the big data processing unit; A sensor information and photographing information database in which sensor unit information and photographing unit information collected in the information collecting unit are respectively stored; A diagnosis performing unit for performing a pest diagnosis and control algorithm of a special crop based on information stored in the sensor information and photographing information database and information collected from the big data processing unit; And a user guide that visualizes the results of the diagnosis execution unit using a Geographic Information System (GIS) and transmits the result to the user interface.
상기 정보 수집부는, 상기 촬영부의 정보를 실시간 영상으로 전달하도록 영상 정보를 생성하는 스트리밍 서버; 상기 센서부, 촬영부 정보가 일시 저장되는 데이터 획득 서버; 및 상기 데이터 획득 서버에 저장된 정보를 웹상에서 확인 가능하도록 하는 데이터 웹서버를 포함하며, 상기 진단 수행부는 상기 센서정보 및 촬영정보 데이터 베이스에 저장된 정보를 상기 빅데이터 처리부로부터 수집된 정보와 대응 비교하여 특용작물의 병해충 진단발생 및 방제 알고리즘을 수행할 수 있다.The information collection unit, a streaming server that generates image information to deliver the information of the photographing unit in real time; A data acquisition server in which the sensor unit and the photographing unit information are temporarily stored; And a data web server that enables information stored in the data acquisition server to be checked on the web, and the diagnostic execution unit compares the information stored in the sensor information and the shooting information database with information collected from the big data processing unit. Diagnosis and control algorithms for pests of special crops can be performed.
상기 센서부와 상기 정보 수집부에 각각 마련되어 센서부의 감지정보를 무선 송수신하는 무선 송신부와 무선 수신부를 더 포함할 수 있다.Each of the sensor unit and the information collection unit may further include a wireless transmitter and a wireless receiver that wirelessly transmit and receive sensor information.
상기 진단 수행부는, 상기 특용작물 생육환경에 맞는 병해충 예찰 소프트웨어 엔진을 탑재하고 재배지 기상환경에 맞는 특용작물 병해충 예찰 소프트웨어 엔진을 탑재하고 적용한 알고리즘을 기반으로 산출된 병해충 발생 예찰 모형에 특용작물 재배지에서 수집된 실측데이터를 적용하여 맞춤형 병해충 발생지수를 산출하되, 빅데이터 처리부로부터 수집된 값과 센서부와 촬영부의 측정값을 비교하고 그 편차를 산출하여 편차값의 범위에 따른 발생 가능한 병해충 정보, 병해충 발생확률을 산출할 수 있다.The diagnostic execution unit is equipped with a pest prediction software engine suitable for the growth environment of the special crop, a pest crop prediction software engine suitable for the cultivation environment, and is collected from a special crop plantation in a pest occurrence prediction model calculated based on the applied algorithm. Calculate a customized pest outbreak index by applying the measured data, but compare the values collected from the big data processing section with the measured values of the sensor section and the imaging section and calculate the deviation to generate possible pest information and pest outbreaks according to the range of deviation values Probability can be calculated.
상기 진단 수행부는, 푸아송 분포(poisson distribution)를 이용하여 재배지 주변 환경 정보와 특용작물 열매 크기의 상관관계에 따른 병해충 발생지수를 계산하고, 뉴럴 네트워크를 적용하여 병해충 발생시기를 예측할 수 있다.The diagnostic execution unit may calculate a pest occurrence index according to a correlation between environmental information around a plantation and a fruit size of a special crop using a Poisson distribution, and apply a neural network to predict when a pest occurs.
본 발명의 다른 측면에 따르면, 특용작물의 병해충 발생 징후를 감지 및 예측하는 방법로서, (a) 특용작물 재배지의 환경정보를 수집하고 특용작물의 생장 정보를 촬영하고 특용작물 재배지 주변의 기상이력 정보와 특용과일 재배정보, 방제 메뉴얼, 병해충 정보, 농약 정보를 클라우드 기반으로 전송받는 단계; (b) 상기 특용작물 재배지 환경정보, 생장정보를 무선 송수신을 이용하여 수집하는 단계; (c) 상기 특용작물 재배지 환경정보, 생장정보를 상기 클라우드 기반으로 전송받은 정보와 비교하여 병해충 진단발생 및 방제 알고리즘을 수행하는 단계; 및 (d) 상기 (c)단계의 수행 결과를 사용자 인터페이스로 전송하는 단계를 포함하되, 상기 (c)단계는 상기 특용작물 생육환경에 맞는 병해충 예찰 소프트웨어 엔진에 탑재된 알고리즘을 기반으로 산출된 병해충 발생 예찰 모형에 특용작물 재배지에서 수집된 실측데이터를 적용하여 맞춤형 병해충 발생지수를 산출하되, 빅데이터 처리부로부터 수집된 값과 센서부와 촬영부의 측정값을 비교하고 그 편차를 산출하여 편차값의 범위에 따른 발생 가능한 병해충 정보, 병해충 발생확률을 산출하는 것을 특징으로 하는 빅데이터를 이용한 병해충 발생 예측방법이 제공된다.According to another aspect of the present invention, as a method of detecting and predicting signs of pest occurrence of a special crop, (a) collecting environmental information of the special crop plantation, photographing growth information of the special crop, and weather history information around the special crop plantation And receiving special fruit cultivation information, control manual, pest information, pesticide information is transmitted in the cloud-based; (b) collecting environmental information and growth information of the special crop cultivation area using wireless transmission and reception; (c) comparing the environment information and growth information of the special crop cultivation field with information received based on the cloud to perform a pest diagnosis and control algorithm; And (d) transmitting the execution result of step (c) to a user interface, wherein step (c) is calculated based on an algorithm mounted on the pest prediction software engine suitable for the growth environment of the special crop. Calculate the customized pest outbreak index by applying the measured data collected from the special crop plantation to the outbreak forecast model, but compare the values collected from the big data processing section with the measured values of the sensor section and the imaging section and calculate the deviation to calculate the range of the deviation value Pest occurrence prediction method using big data is provided, which is characterized in that it is possible to generate pest information and pest probability.
상기에서 설명한 본 발명의 빅데이터를 이용한 병해충 발생 예측 시스템 및 방법에 의하면, 사용자가 항시 용이하게 특용작물의 생장 환경을 모니터링할 수 있고 병충해 발생 예찰 정보를 전달받아 병충해 발생 가능성이 농후한 경우 신속하게 후속처리를 진행하여 피해 발생과 확산을 최소화할 수 있다.According to the pest occurrence prediction system and method using the big data of the present invention described above, the user can easily monitor the growth environment of a special crop at any time, and receive information on the prediction of the occurrence of the pest, so that the possibility of the occurrence of the pest is quickly It is possible to minimize damage and spread by proceeding with follow-up.
또한 푸아송 분포(poisson distribution)와 뉴럴 네트워크 알고리즘을 이용하여 재배지 주변 환경 정보와 특용작물 열매 크기의 상관관계에 따른 병해충 발생지수와 병해충 발생시기를 예측함으로써 그 정확도를 월등히 향상시켜 농업인들의 피해 발생(확산)을 크게 저감시킬 수 있다.In addition, by using the Poisson distribution and neural network algorithm to predict the pest incidence index and the timing of the pest incidence according to the correlation between the environment information of the cultivation area and the size of the special crop, the accuracy is significantly improved, resulting in damage to farmers ( Diffusion) can be greatly reduced.
도 1은 본 발명의 실시예에 따른 빅데이터를 이용한 병해충 발생 예측 시스템을 나타내는 그림,
도 2는 본 발명의 실시예에 따른 빅데이터를 이용한 병해충 발생 예측 시스템을 나타내는 구성도,
도 3은 본 발명의 실시예에 따른 빅데이터를 이용한 병해충 발생 예측 시스템에서 GUI를 보여주는 그림,
도 4는 본 발명의 실시예에 따른 빅데이터를 이용한 병해충 발생 예측방법을 나타내는 순서도이다.1 is a diagram showing a pest occurrence prediction system using big data according to an embodiment of the present invention,
Figure 2 is a block diagram showing a pest generation prediction system using big data according to an embodiment of the present invention,
3 is a diagram showing a GUI in a pest occurrence prediction system using big data according to an embodiment of the present invention,
4 is a flowchart illustrating a method for predicting pest occurrence using big data according to an embodiment of the present invention.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 더욱 상세히 설명하기로 한다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 도면상에서 동일 부호는 동일한 요소를 지칭한다.Hereinafter, embodiments of the present invention will be described in more detail with reference to the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in various different forms, and only the present embodiments allow the disclosure of the present invention to be complete, and the scope of the invention to those skilled in the art is completely It is provided to inform you. The same reference numerals in the drawings refer to the same elements.
본 발명의 바람직한 실시예에 따른 빅데이터를 이용한 병해충 발생 예측 시스템 및 방법은 클라우드 기반의 빅데이터 처리를 통해 실시간으로 병해충 및 기상재해에 대한 예찰 정보를 제공하고 개방형 서비스 인터페이스를 통해 다양한 환경에서 활용될 수 있도록 하는 것으로서, 특용작물 재배지 주변의 기상 상황과 적용 특용작물의 방제 메뉴얼, 농약 정보, 병해충 정보, 특용작물 재배정보를 클라우드 기반으로 전달받고 재배지 주변의 지중/지상 환경정보와 대응 비교하여 병해충, 기상재해 발생에 대한 예찰 정보를 제공한다. 부연하자면, 본 발명은 광역 기상정보 및 농업 환경지수 정보와 재배지역에 특화된 미세지역 재배지 내의 지중/지상 환경정보와 미세기상 정보를 실시간으로 수집하고 적용하여 특용작물(매실, 유자 등)의 기상재해, 병충해의 발생 징후 및 확산을 예찰하여 사용자에게 실시간으로 전달함으로써 피해 확산을 조기에 방지하고 수확을 증가시킬 수 있도록 마련된다. The pest occurrence prediction system and method using big data according to a preferred embodiment of the present invention provides prediction information on pests and meteorological disasters in real time through cloud-based big data processing, and can be utilized in various environments through an open service interface In order to enable, the weather conditions around the planting area of special crops and the control manual, pesticide information, pest information, and crop planting information of the applied crops are delivered in the cloud-based and compared with the underground / ground environmental information around the plantation, pests, Provides forecast information for meteorological disasters. In other words, the present invention collects and applies real time / ground environmental information and fine weather information in a wide area weather information, agricultural environment index information, and micro area cultivation areas specialized in the cultivation area in real time, and causes meteorological disasters of special crops (plum, citron, etc.). , It is prepared to prevent the spread of damage early and increase the harvest by predicting the signs and spread of disease and pests and delivering them to users in real time.
이하, 실시예를 참조하여 본 발명을 상세히 설명한다.Hereinafter, the present invention will be described in detail with reference to Examples.
도 1에 도시한 바와 같이, 본 발명의 실시예에 따른 빅데이터를 이용한 병해충 발생 예측 시스템은 특용작물의 병해충 발생 징후를 감지 및 예측하는 시스템으로서, 센서부(100), 촬영부(200), 빅데이터 처리부(250), 정보 수집부(300), 센서정보 및 촬영정보 데이터 베이스(400,410), 진단 수행부(500), 사용자 안내부(600)를 포함한다.As illustrated in FIG. 1, the pest occurrence prediction system using big data according to an embodiment of the present invention is a system for detecting and predicting signs of pest occurrence of a special crop, the
먼저 센서부(100)는 특용작물 재배지의 환경정보를 수집하는 것으로서 특용작물이 생장하는 비닐하우스 등에 설치되어 생장정보를 감지하게 된다. 구체적으로 센서부(100)는 매실, 유자 등이 생장하는 비닐하우스 내부의 온도, 습도, 조도를 측정할 수 있고 토양의 EC(Electrical Conductivity)를 측정할 수 있다.First, the
촬영부(200)는 특용작물의 상태 정보를 촬영하는 일종의 CCTV로서, 마찬가지로 비닐하우스 내부에 설치된다.The photographing
빅데이터 처리부(250)는 특용작물 재배지 주변의 기상이력 정보와 특용과일 재배정보, 방제 메뉴얼, 병해충 정보, 농약 정보를 클라우드 기반으로 전송받는다.The big
구체적으로, 빅데이터 처리부(250)는 기상청 등과 같이 유관기관의 데이터를 기반으로 특용작물 재배지 주변의 과거 및 현재 기상이력 정보, 농업 환경지수 정보를 XML 전송, FTP 전송등의 방법을 통해 실시간 또는 주기적으로 전송받는다. 또한 빅데이터 처리부(250)는 농업 관련 기관 및 인터넷 등을 통해 특용작물 재배정보, 특용작물에 발생가능한 병해충 정보, 병해충 방제 메뉴얼, 병해충 방제를 위한 농약 정보 등을 실시간 또는 주기적으로 전송받는다. 좀 더 부연하자면, 빅데이터 처리부(250)는 일 예로, 각종 온도, 습도, 조도, EC(electrical conductivity) 조건범위에서 매실, 유자 등의 병해충 발생 확률, 발생 가능한 병해충, 최적의 생장 환경 정보 등 다양한 정보를 전송받을 수 있다.Specifically, the big
다음 정보 수집부(300)는 센서부(100), 촬영부(200) 및 빅데이터 처리부(250)의 정보를 수집한다.Next, the
도 1에 도시한 바와 같이, 정보 수집부(300)는 스트리밍 서버(310), 데이터 획득 서버(320), 데이터 웹서버(330)를 포함한다.As shown in FIG. 1, the
또한 본 발명은 센서부(100)와 정보 수집부(300)에 각각 마련되어 센서부(100)의 감지정보를 무선 송수신하는 무선 송신부(350)와 무선 수신부(360)를 더 포함한다. 구체적으로 무선 송신부(350)는 비닐하우스에 마련되어 센서부(100)의 감지신호를 전달받아 무선 수신부(360)로 주기적으로 전송하며, 무선 수신부(360)는 비닐하우스 외부(정보 수집부가 설치된 영역 주변 등)에 설치되어 무선 송신부의 송신 정보를 수신하며 수신된 정보는 데이터 획득 서버(320)에 저장된다. 예를 들면, 무선 송신부(350)는 1시간 내지 6시간의 주기로 전송할 수 있으며, 무선 송수신은 인터넷, WIFI, LTE 등 무선 통신망을 이용하여 가능하다.In addition, the present invention further includes a
먼저 스트리밍 서버(310)는 촬영부(200)의 정보를 실시간 영상으로 전달하도록 영상 정보를 생성하는 것으로서, 촬영부(200)로부터 전송되는 데이터를 동영상 스트리밍 서비스로 제공하기 위해 마련되며 사용자는 스마트폰 등의 무선통신기기를 이용하여 촬영부(200)의 촬영 영상을 실시간으로 확인할 수 있다.First, the
데이터 획득 서버(320)는 센서부(100), 촬영부(200)의 정보가 일시 저장되는 것으로서 저장된 정보는 결국 후술하는 센서정보 및 촬영정보 데이터 베이스(400,410)로 전송되어 저장된다.The
데이터 웹서버(330)는 데이터 획득 서버(320)에 저장된 정보를 웹상에서 확인 가능하도록 마련되며, 후술하는 사용자 안내부(600)는 데이터 웹서버(330)에 저장된 정보를 사용자 인터페이스(스마트폰 등)로 전송하여 사용자가 촬영부의 촬영 영상 뿐만 아니라 센서부의 감지값도 실시간으로 확인 가능하도록 할 수 있다.The
다음, 센서정보 및 촬영정보 데이터 베이스(400,410)는 정보 수집부(300), 구체적으로 데이터 획득 서버(320)에 일차적으로 수집/저장된 센서부 정보와 촬영부 정보가 각각 별도 저장된다.Next, the sensor information and the photographing
다음, 진단 수행부(500)는 센서정보 및 촬영정보 데이터 베이스(400,410)에 저장된 정보와 빅데이터 처리부(250)를 통해 실시간 또는 주기적으로 수집된 정보를 기반으로 특용작물의 병해충 진단발생 및 방제 알고리즘을 수행한다. 진단 수행부(500)는 센서정보 및 촬영정보 데이터 베이스(400,410)에 저장된 정보와 빅데이터 처리부(250)를 통해 수집된 정보를 대응 비교하여 특용작물의 병해충 진단발생 및 방제 알고리즘을 수행한다.Next, the
구체적으로, 진단 수행부(500)는 특용작물 생육환경에 맞는 병해충 예찰 소프트웨어 엔진을 탑재하는데 특히 재배지(비닐하우스 주변) 기상환경에 맞는 특용작물 병해충 예찰 소프트웨어 엔진을 탑재하고, 적용한 알고리즘을 기반으로 산출된 병해충 발생 예찰 모형에 특용작물 재배지에서 수집된 실측데이터(온도, 습도,조도, EC 등)를 적용하여 맞춤형 병해충 발생지수를 산출한다.Specifically, the
병해충 예찰 소프트웨어 엔진은 클라우드 기반하여 빅데이터 처리부(250)로부터 수집된 특용작물 재배지 주변의 기상이력 정보와 특용과일 재배정보, 방제 메뉴얼, 병해충 정보, 농약 정보 등 다양한 정보와 센서정보 및 촬영정보 데이터 베이스(400,410)에 저장되는 값을 비교하고 그 편차를 산출하여 편차값의 범위에 따른 발생 가능한 병해충 정보, 병해충 발생확률을 산출하게 된다. 여기서, 병해충 예찰 소프트웨어 엔진은 매실, 유자 등 작물 종류에 따라 별도로 병해충 발생지수를 산출하며 이를 위해 빅데이터 처리부(250)는 각종 특용작물에 대한 병해충 관련 정보, 최적의 생장 환경 정보 등을 전송받으며 병해충 예찰 소프트웨어 엔진은 해당 특용작물에 해당하는 정보를 기준으로 병해충 발생지수를 산출하게 된다.The pest prediction software engine is a cloud-based database of various information such as weather history and special fruit cultivation information, control manuals, pest information, pesticide information, sensor information, and pesticide information collected from the big
본 발명의 실시예에서, 진단 수행부(500)는 푸아송 분포(poisson distribution) 알고리즘을 이용하여 재배지 주변 환경 정보와 특용작물 열매 크기의 상관관계에 따른 병해충 발생지수를 계산하고, 뉴럴 네트워크를 적용하여 병해충 발생시기를 예측한다.In an embodiment of the present invention, the
여기서, 푸아송 분포 알고리즘은 수학적 통계 기법인 푸아송 분포를 이용한 알고리즘으로서 단위 시간 안에 어떤 사건이 몇 번 발생할 것인지를 표현하는 이산 확률 분포를 이용한다. 정해진 시간 안에 어떤 사건이 일어날 횟수에 대한 기대값을 람다(lamda)라고 했을 때, 그 사건이 n회 일어날 확률은 다음 수학식과 같다.Here, the Poisson distribution algorithm is an algorithm using the Poisson distribution, which is a mathematical statistical technique, and uses a discrete probability distribution representing how many times an event will occur within a unit time. When the expected value of the number of times an event will occur within a predetermined time is called a lambda, the probability that the event will occur n times is as follows.
[수학식][Mathematics]
여기서 e는 자연상수Where e is the natural constant
인공신경망(人工神經網, artificial neural network, ANN)은 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다. 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜 문제 해결 능력을 가지는 모델 전반을 가리킨다. 진단 수행부(500)는 전술한 푸아송 분포 알고리즘과 뉴럴 네트워크 알고리즘을 이용하여 병해충 발생확률을 산출하여 병해충 발생지수로 변환 산출하고, 빅데이터 처리부(250)의 정보를 다각적으로 반영하여 병해충 발생시기를 예측한다.Artificial neural network (ANN) is a statistical learning algorithm inspired by the neural network of biology (especially the brain of the animal's central nervous system) in machine learning and cognitive science. The artificial neural network refers to a model in which artificial neurons (nodes) that form a network through synaptic binding have a problem-solving ability by changing the strength of synaptic binding through learning. The
본 발명은 푸아송 분포(poisson distribution)와 뉴럴 네트워크 알고리즘을 이용하여 재배지 주변 환경 정보와 특용작물 열매 크기의 상관관계에 따른 병해충 발생지수와 병해충 발생시기를 예측함으로써 그 정확도를 월등히 향상시켜 농업인들의 피해 발생(확산)을 크게 저감시킬 수 있다.The present invention significantly improves the accuracy by predicting the pest incidence index and the timing of the pest incidence according to the correlation between the environment information around the plantation and the fruit size of the special crop using the Poisson distribution and the neural network algorithm. The occurrence (diffusion) can be greatly reduced.
다음, 사용자 안내부(600)는 진단 수행부(500)의 결과를 사용자 인터페이스로 전송하여 사용자가 실시간으로 특용작물 재배지의 실측데이터, 촬영 영상 뿐만 아니라 진단 수행부(500)에서 산출된 맞춤형 병해충 발생지수, 병해충 발생시기 등을 전달받아 병해충 발생 징후를 미리 예측하고 대비할 수 있도록 한다. 사용자 안내부(600)는 인터넷망, 와이파이, 블루투스 등을 통해 사용자 스마트폰의 GUI로 전송할 수 있다.Next, the
본 발명의 실시예에서, 도 3에 도시한 바와 같이, 사용자 안내부(600)는 진단 수행부(500)의 결과를 GIS(Geographic Information System)를 이용하여 시각화하여 사용자 인터페이스로 전송한다.In an embodiment of the present invention, as shown in FIG. 3, the
스마트폰 등과 같은 사용자 인터페이스 화면에는 지도를 기반으로 병해충 알림단계의 등급이 색상으로 구분되도록 하며, 경고 알림단계, 경고 발송시간, 경고 알림내용과 더불어 발생 가능하거나 발생한 병해충(예를 들면 매실검은별무늬병)에 대한 발생시기, 병해충 설명, 방제 방법 등이 지도 이미지를 기반으로 제공됨으로써 사용자의 신속하고 정확한 후속 대응을 가져올 수 있다.On the user interface screen, such as a smartphone, the level of the pest notification stage is color-coded based on the map, and possible or occurring pests (e.g., plum black star disease) along with the warning notification stage, warning delivery time, and warning notification contents ), When the occurrence of the pest, pest description, control methods, etc. are provided based on the map image, so that the user can quickly and accurately follow up.
도 4에 도시한 바와 같이, 본 발명의 실시예에 따른 빅데이터를 이용한 병해충 발생 예측방법은, 특용작물의 병해충 발생 징후를 감지 및 예측하는 방법로서, (a) 특용작물 재배지의 환경정보를 수집하고 특용작물의 생장 정보를 촬영하고 특용작물 재배지 주변의 기상이력 정보와 특용과일 재배정보, 방제 메뉴얼, 병해충 정보, 농약 정보를 클라우드 기반으로 전송받는 단계; (b) 상기 특용작물 재배지 환경정보, 생장정보를 무선 송수신을 이용하여 수집하는 단계; (c) 상기 특용작물 재배지 환경정보, 생장정보를 상기 클라우드 기반으로 전송받은 정보와 비교하여 병해충 진단발생 및 방제 알고리즘을 수행하는 단계; 및 (d) 상기 (c)단계의 수행 결과를 사용자 인터페이스로 전송하는 단계를 포함한다.As shown in FIG. 4, the method for predicting the occurrence of pests using big data according to an embodiment of the present invention is a method for detecting and predicting signs of occurrence of pests of a special crop, (a) collecting environmental information of a special crop plantation And photographing growth information of the special crop and receiving weather history information and special fruit cultivation information, a control manual, pest information, and pesticide information around the special crop plantation in a cloud-based manner; (b) collecting environmental information and growth information of the special crop cultivation area using wireless transmission and reception; (c) comparing the environment information and growth information of the special crop cultivation field with information received based on the cloud to perform a pest diagnosis and control algorithm; And (d) transmitting the result of the step (c) to the user interface.
먼저 센서부(100)와 촬영부(200)를 통해 특용작물 재배지의 환경정보(온도,습도,조도, EC 등)와 특용작물의 생장 모습을 촬영하고, 빅데이터 처리부(250)를 통해 특용작물 재배지 주변의 기상이력 정보와 특용과일 재배정보, 방제 메뉴얼, 병해충 정보, 농약 정보를 클라우드 기반으로 전송받는다(S100).First, through the
다음 S100단계에서 수집된 재배지 환경정보와 촬영정보를 무선 송신부(350)와 무선 수신부(360)를 이용하여 정보 수집부(300)로 전송한다(S200).Next, the cultivation environment information and photographing information collected in step S100 are transmitted to the
다음 S200단계에서 수집된 정보와 빅데이터 처리부(250)를 통해 실시간 또는 주기적으로 수집된 특용과일 재배정보, 방제 메뉴얼, 병해충 정보, 농약 정보 등을 비교 분석하여 병해충 진단발생 및 방제 알고리즘을 수행한다(S300).The information collected in the next step S200 and the special data cultivation information, control manual, pest information, pesticide information, etc. collected in real time or periodically through the big
S300단계에서는 특용작물 생육환경(특히 재배지 환경)에 맞는 병해충 예찰 소프트웨어 엔진을 이용하여 적용한 알고리즘을 기반으로 산출된 병해충 발생 예찰 모형에 특용작물 재배지에서 수집된 실측데이터(온도, 습도,조도, EC 등)와 빅데이터 처리부(250)를 통해 수집된 다양한 정보를 적용하여 맞춤형 병해충 발생지수를 산출한다. 구체적으로, S300단계에서는 푸아송 분포(poisson distribution) 알고리즘을 이용하여 재배지 주변 환경 정보와 특용작물 열매 크기의 상관관계에 따른 병해충 발생지수를 계산하고, 빅데이터 처리부에 수집된 정보, 센서부와 촬영부 정보와 뉴럴 네트워크를 다각적으로 적용하여 병해충 발생시기를 예측한다. In step S300, actual data (temperature, humidity, illuminance, EC, etc.) collected from the special crop cultivation in the pest outbreak prediction model calculated based on the algorithm applied using the pest prediction software engine suitable for the growth environment of the special crop (especially the cultivation environment) ) And a variety of information collected through the big
다음 S300단계에서 산출된 병해충 발생지수, 병해충 발생확률 등과 더불어 발생했거나 발생확률이 농후한 해당 병해충에 대한 병해충 정보, 방제 방법 등을 사용자 인터페이스로 전송하여 사용자가 실시간으로 병해충 발생관련 예측 정보를 확인하고 이에 대비할 수 있도록 한다(S400).By sending the pest information, control method, etc. for the pest that has occurred or has a high probability of occurrence, along with the pest outbreak index and the probability of occurrence of the pest calculated in the next step S300, the user checks the prediction information related to the outbreak in real time. To prepare for this (S400).
본 발명을 첨부 도면과 전술된 바람직한 실시예를 참조하여 설명하였으나, 본 발명은 그에 한정되지 않으며, 후술되는 특허청구범위에 의해 한정된다. 따라서, 본 기술분야의 통상의 지식을 가진 자라면 후술되는 특허청구범위의 기술적 사상에서 벗어나지 않는 범위 내에서 본 발명을 다양하게 변형 및 수정할 수 있다.Although the present invention has been described with reference to the accompanying drawings and the preferred embodiments described above, the present invention is not limited thereto, and is limited by the claims below. Therefore, those of ordinary skill in the art can variously modify and modify the present invention without departing from the technical spirit of the claims to be described later.
100: 센서부
200: 촬영부
250: 빅데이터 처리부
300: 정보 수집부
310: 스트리밍 서버
320: 데이터 획득 서버
330: 데이터 웹서버
400: 센서정보 데이터 베이스
410: 촬영정보 데이터 베이스
500: 진단 수행부
600: 사용자 안내부100: sensor unit 200: shooting unit
250: Big data processing unit 300: Information collection unit
310: streaming server 320: data acquisition server
330: data web server 400: sensor information database
410: photographing information database 500: diagnosis performing unit
600: user guide
Claims (6)
특용작물 재배지의 환경정보를 수집하는 센서부(100);
특용작물의 상태 정보를 촬영하는 촬영부(200);
특용작물 재배지 주변의 기상이력 정보와 특용과일 재배정보, 방제 메뉴얼, 병해충 정보, 농약 정보를 클라우드 기반으로 전송받는 빅데이터 처리부(250);
상기 센서부, 촬영부, 빅데이터 처리부의 정보를 수집하는 정보 수집부(300);
상기 정보 수집부에 수집된 센서부 정보와 촬영부 정보가 각각 저장되는 센서정보 및 촬영정보 데이터 베이스(400,410);
상기 센서정보 및 촬영정보 데이터 베이스에 저장된 정보와 상기 빅데이터 처리부로부터 수집된 정보를 기반으로 특용작물의 병해충 진단발생 및 방제 알고리즘을 수행하는 진단 수행부(500); 및
상기 진단 수행부의 결과를 GIS(Geographic Information System)를 이용하여 시각화하여 사용자 인터페이스로 전송하는 사용자 안내부(600)를 포함하는 빅데이터를 이용한 병해충 발생 예측 시스템.As a system for detecting and predicting signs of pest occurrence of special crops,
A sensor unit 100 that collects environmental information of a special crop plantation;
A photographing unit 200 for photographing status information of a special crop;
A big data processing unit 250 that receives weather history information and special fruit cultivation information, pest control information, pest information, and pesticide information around the special crop cultivation area based on the cloud;
An information collecting unit 300 for collecting information of the sensor unit, the photographing unit, and the big data processing unit;
A sensor information and photographing information database (400,410) in which sensor unit information and photographing unit information collected in the information collecting unit are respectively stored;
A diagnosis performing unit 500 for performing a diagnosis and control algorithm for pests and pests of special crops based on information stored in the sensor information and shooting information database and information collected from the big data processing unit; And
Pest occurrence prediction system using big data including a user guide unit (600) that visualizes the results of the diagnosis execution unit using a GIS (Geographic Information System) and transmits it to a user interface.
상기 정보 수집부(300)는,
상기 촬영부(200)의 정보를 실시간 영상으로 전달하도록 영상 정보를 생성하는 스트리밍 서버(310);
상기 센서부(100), 촬영부(200) 정보가 일시 저장되는 데이터 획득 서버(320); 및
상기 데이터 획득 서버(320)에 저장된 정보를 웹상에서 확인 가능하도록 하는 데이터 웹서버(330)를 포함하며,
상기 진단 수행부(500)는 상기 센서정보 및 촬영정보 데이터 베이스에 저장된 정보를 상기 빅데이터 처리부로부터 수집된 정보와 대응 비교하여 특용작물의 병해충 진단발생 및 방제 알고리즘을 수행하는 것을 특징으로 하는 빅데이터를 이용한 병해충 발생 예측 시스템.According to claim 1,
The information collecting unit 300,
A streaming server 310 that generates image information to deliver information of the photographing unit 200 as a real-time image;
A data acquisition server 320 in which the sensor unit 100 and the photographing unit 200 information are temporarily stored; And
And a data web server 330 that enables information stored in the data acquisition server 320 to be checked on the web.
The diagnostic execution unit 500 compares the information stored in the sensor information and the photographing information database with information collected from the big data processing unit, and performs big data diagnosis and control algorithms of pests of special crops. Pest outbreak prediction system using.
상기 센서부와 상기 정보 수집부에 각각 마련되어 센서부의 감지정보를 무선 송수신하는 무선 송신부(350)와 무선 수신부(360)를 더 포함하는 것을 특징으로 하는 빅데이터를 이용한 병해충 발생 예측 시스템.According to claim 1,
A pest generation prediction system using big data, characterized in that it further includes a wireless transmitter (350) and a wireless receiver (360) provided for each of the sensor unit and the information collecting unit to wirelessly transmit and receive sensor information.
상기 진단 수행부(500)는,
상기 특용작물 생육환경에 맞는 병해충 예찰 소프트웨어 엔진을 탑재하고 재배지 기상환경에 맞는 특용작물 병해충 예찰 소프트웨어 엔진을 탑재하고 적용한 알고리즘을 기반으로 산출된 병해충 발생 예찰 모형에 특용작물 재배지에서 수집된 실측데이터를 적용하여 맞춤형 병해충 발생지수를 산출하되, 빅데이터 처리부(250)로부터 수집된 값과 센서부와 촬영부의 측정값을 비교하고 그 편차를 산출하여 편차값의 범위에 따른 발생 가능한 병해충 정보, 병해충 발생확률을 산출하는 것을 특징으로 하는 빅데이터를 이용한 병해충 발생 예측 시스템.According to claim 1,
The diagnosis performing unit 500,
Mounting the pest prediction software engine suitable for the growth environment of the special crop and mounting the pest crop prediction software engine suitable for the meteorological environment and applying the measured data collected from the special crop plantation to the pest occurrence prediction model calculated based on the applied algorithm. To calculate the customized pest outbreak index, but compares the values collected from the big data processing unit 250 with the measured values of the sensor section and the imaging section and calculates the deviation to determine possible pest information and probability of occurrence of the pest according to the range of the deviation value Pest occurrence prediction system using big data characterized by calculating.
상기 진단 수행부(500)는,
푸아송 분포(poisson distribution)를 이용하여 재배지 주변 환경 정보와 특용작물 열매 크기의 상관관계에 따른 병해충 발생지수를 계산하고, 뉴럴 네트워크를 적용하여 병해충 발생시기를 예측하는 것을 특징으로 하는 빅데이터를 이용한 병해충 발생 예측 시스템.According to claim 4,
The diagnosis performing unit 500,
Using the Poisson distribution, we calculate the pest incidence index according to the correlation between the environment information around the cultivation area and the size of the special crop, and apply the neural network to predict when the pest will occur. Pest outbreak prediction system.
(a) 특용작물 재배지의 환경정보를 수집하고 특용작물의 생장 정보를 촬영하고 특용작물 재배지 주변의 기상이력 정보와 특용과일 재배정보, 방제 메뉴얼, 병해충 정보, 농약 정보를 클라우드 기반으로 전송받는 단계;
(b) 상기 특용작물 재배지 환경정보, 생장정보를 무선 송수신을 이용하여 수집하는 단계;
(c) 상기 특용작물 재배지 환경정보, 생장정보를 상기 클라우드 기반으로 전송받은 정보와 비교하여 병해충 진단발생 및 방제 알고리즘을 수행하는 단계; 및
(d) 상기 (c)단계의 수행 결과를 사용자 인터페이스로 전송하는 단계를 포함하되,
상기 (c)단계는 상기 특용작물 생육환경에 맞는 병해충 예찰 소프트웨어 엔진에 탑재된 알고리즘을 기반으로 산출된 병해충 발생 예찰 모형에 특용작물 재배지에서 수집된 실측데이터를 적용하여 맞춤형 병해충 발생지수를 산출하되, 빅데이터 처리부(250)로부터 수집된 값과 센서부와 촬영부의 측정값을 비교하고 그 편차를 산출하여 편차값의 범위에 따른 발생 가능한 병해충 정보, 병해충 발생확률을 산출하는 것을 특징으로 하는 빅데이터를 이용한 병해충 발생 예측방법.
As a method of detecting and predicting signs of pest occurrence of special crops,
(a) collecting environmental information of the special crop cultivation site, photographing growth information of the special crop cultivation, and receiving weather history information and special fruit cultivation information, a control manual, pest information, and pesticide information around the special crop cultivation in a cloud-based manner;
(b) collecting environmental information and growth information of the special crop cultivation area using wireless transmission and reception;
(c) performing the pest diagnosis and control algorithm by comparing the environment information and growth information of the special crop with the information received based on the cloud; And
(d) transmitting the result of step (c) to a user interface,
In the step (c), a customized pest outbreak index is calculated by applying actual data collected from a special crop cultivation model to a pest outbreak prediction model calculated based on an algorithm mounted in the pest prediction software engine suitable for the growth environment of the special crop, Big data, characterized in that it compares the values collected from the big data processing unit 250 with the measured values of the sensor unit and the imaging unit, calculates the deviation, and calculates possible pest information and probability of occurrence of the pest according to the range of the deviation value. Prediction method using pests.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180121407A KR20200044216A (en) | 2018-10-11 | 2018-10-11 | System and method for predicting the occurrence of pests using Big Data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180121407A KR20200044216A (en) | 2018-10-11 | 2018-10-11 | System and method for predicting the occurrence of pests using Big Data |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20200044216A true KR20200044216A (en) | 2020-04-29 |
Family
ID=70466563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180121407A KR20200044216A (en) | 2018-10-11 | 2018-10-11 | System and method for predicting the occurrence of pests using Big Data |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20200044216A (en) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102235669B1 (en) | 2020-08-31 | 2021-04-01 | 글로벌에이티시(주) | Pesticide information alert system and method thereof |
KR102271036B1 (en) * | 2020-05-18 | 2021-07-01 | 주식회사 선도소프트 | Platform using cloud-based Big Data |
CN114586760A (en) * | 2022-03-29 | 2022-06-07 | 广东省农业科学院植物保护研究所 | Pesticide spraying method and system based on big data and readable storage medium |
KR20220109990A (en) * | 2021-01-29 | 2022-08-05 | 라온피플 주식회사 | Apparatus and method for photographing |
CN114972843A (en) * | 2022-04-26 | 2022-08-30 | 黑龙江省农业科学院农业遥感与信息研究所 | Agricultural pest diagnosis and early warning system based on big data |
WO2022215811A1 (en) * | 2021-04-06 | 2022-10-13 | 전북대학교산학협력단 | System for automatically detecting diseases and pests in crops |
KR20230046828A (en) * | 2021-09-30 | 2023-04-06 | 광운대학교 산학협력단 | Method and apparatus for predicting locust pest risk topographic map based on machine learning |
WO2023063484A1 (en) * | 2021-10-12 | 2023-04-20 | 농업회사법인 주식회사 지인 | Artificial intelligence-based crop disease and insect damage identification system |
CN117291291A (en) * | 2023-08-12 | 2023-12-26 | 江苏信实环境工程有限公司 | Insect condition intelligent monitoring system and method based on Internet of things |
CN117391265A (en) * | 2023-12-13 | 2024-01-12 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | Forestry pest hazard risk prediction method based on big data analysis |
CN118014207A (en) * | 2024-02-21 | 2024-05-10 | 珠海市现代农业发展中心 | Corn planting field evaluation management method and system |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180078698A (en) | 2016-12-30 | 2018-07-10 | 박대성 | Monitoring system for plant growth in artificial structure |
-
2018
- 2018-10-11 KR KR1020180121407A patent/KR20200044216A/en not_active Application Discontinuation
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180078698A (en) | 2016-12-30 | 2018-07-10 | 박대성 | Monitoring system for plant growth in artificial structure |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102271036B1 (en) * | 2020-05-18 | 2021-07-01 | 주식회사 선도소프트 | Platform using cloud-based Big Data |
KR102235669B1 (en) | 2020-08-31 | 2021-04-01 | 글로벌에이티시(주) | Pesticide information alert system and method thereof |
KR20220109990A (en) * | 2021-01-29 | 2022-08-05 | 라온피플 주식회사 | Apparatus and method for photographing |
WO2022215811A1 (en) * | 2021-04-06 | 2022-10-13 | 전북대학교산학협력단 | System for automatically detecting diseases and pests in crops |
KR20230046828A (en) * | 2021-09-30 | 2023-04-06 | 광운대학교 산학협력단 | Method and apparatus for predicting locust pest risk topographic map based on machine learning |
WO2023063484A1 (en) * | 2021-10-12 | 2023-04-20 | 농업회사법인 주식회사 지인 | Artificial intelligence-based crop disease and insect damage identification system |
CN114586760A (en) * | 2022-03-29 | 2022-06-07 | 广东省农业科学院植物保护研究所 | Pesticide spraying method and system based on big data and readable storage medium |
CN114586760B (en) * | 2022-03-29 | 2023-03-03 | 广东省农业科学院植物保护研究所 | Pesticide spraying method and system based on big data and readable storage medium |
CN114972843A (en) * | 2022-04-26 | 2022-08-30 | 黑龙江省农业科学院农业遥感与信息研究所 | Agricultural pest diagnosis and early warning system based on big data |
CN114972843B (en) * | 2022-04-26 | 2024-03-15 | 黑龙江省农业科学院农业遥感与信息研究所 | Agricultural pest diagnosis and early warning system based on big data |
CN117291291A (en) * | 2023-08-12 | 2023-12-26 | 江苏信实环境工程有限公司 | Insect condition intelligent monitoring system and method based on Internet of things |
CN117291291B (en) * | 2023-08-12 | 2024-04-23 | 江苏信实环境工程有限公司 | Insect condition intelligent monitoring system and method based on Internet of things |
CN117391265A (en) * | 2023-12-13 | 2024-01-12 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | Forestry pest hazard risk prediction method based on big data analysis |
CN117391265B (en) * | 2023-12-13 | 2024-03-05 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | Forestry pest hazard risk prediction method based on big data analysis |
CN118014207A (en) * | 2024-02-21 | 2024-05-10 | 珠海市现代农业发展中心 | Corn planting field evaluation management method and system |
CN118014207B (en) * | 2024-02-21 | 2024-07-30 | 珠海市现代农业发展中心 | Corn planting field evaluation management method and system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20200044216A (en) | System and method for predicting the occurrence of pests using Big Data | |
US10349584B2 (en) | System and method for plant monitoring | |
US10402835B2 (en) | Agricultural situational awareness tool | |
Channe et al. | Multidisciplinary model for smart agriculture using internet-of-things (IoT), sensors, cloud-computing, mobile-computing & big-data analysis | |
US20170161560A1 (en) | System and method for harvest yield prediction | |
EP3482630B1 (en) | Method, system and computer program for performing a pest forecast | |
Bhojwani et al. | Crop selection and IoT based monitoring system for precision agriculture | |
CN110728332A (en) | Agricultural data analysis method and system based on Internet of things | |
JPWO2018047726A1 (en) | INFORMATION PROCESSING APPARATUS AND INFORMATION PROCESSING SYSTEM | |
UA124801C2 (en) | Computer-generated accurate yield map data using expert filters and spatial outlier detection | |
CN110188962B (en) | Rice supply chain information processing method based on agricultural Internet of things | |
JP6960525B2 (en) | Plant health monitoring methods and equipment | |
US11631475B2 (en) | Real-time projections and estimated distributions of agricultural pests, diseases, and biocontrol agents | |
Thessler et al. | Geosensors to support crop production: Current applications and user requirements | |
KR102422346B1 (en) | Smart farm system and operating method thereof | |
Feiyang et al. | Monitoring behavior of poultry based on RFID radio frequency network | |
US20220067584A1 (en) | Model generation apparatus, model generation method, computer-readable storage medium storing a model generation program, model generation system, inspection system, and monitoring system | |
Parween et al. | Iot and its real-time application in agriculture | |
KR20200030987A (en) | Crop damage analysis system for crop damage assessment and crop damage assessment method using the same | |
KR20200071884A (en) | Apparatus and method for servicing disease prediction of wild crops | |
Sivagnanasundaram et al. | Farmers as sensors: A crowdsensing platform to generate agricultural pest incidence reports | |
KR20200044217A (en) | System and method for predicting the occurrence of pest based on internet | |
CN113450209A (en) | Agricultural loan management and control system and method | |
KR20210121864A (en) | System and method for smart agriculture field management | |
CN112750291A (en) | Farmland intelligent monitoring system and method based on multi-network fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E601 | Decision to refuse application |