KR20200063317A - Lstm을 이용한 순환식 수경재배의 양액 다량이온 추정 장치 및 그 방법 - Google Patents

Lstm을 이용한 순환식 수경재배의 양액 다량이온 추정 장치 및 그 방법 Download PDF

Info

Publication number
KR20200063317A
KR20200063317A KR1020180143645A KR20180143645A KR20200063317A KR 20200063317 A KR20200063317 A KR 20200063317A KR 1020180143645 A KR1020180143645 A KR 1020180143645A KR 20180143645 A KR20180143645 A KR 20180143645A KR 20200063317 A KR20200063317 A KR 20200063317A
Authority
KR
South Korea
Prior art keywords
nutrient solution
ion
data
neural network
greenhouse
Prior art date
Application number
KR1020180143645A
Other languages
English (en)
Other versions
KR102301629B1 (ko
Inventor
손정익
안태인
문태원
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020180143645A priority Critical patent/KR102301629B1/ko
Publication of KR20200063317A publication Critical patent/KR20200063317A/ko
Application granted granted Critical
Publication of KR102301629B1 publication Critical patent/KR102301629B1/ko

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • Y02P60/216—

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Agronomy & Crop Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Environmental Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Hydroponics (AREA)

Abstract

LSTM을 이용한 순환식 수경재배의 양액 다량이온 추정 장치 및 그 방법 에 관한 것으로, 양액 다량이온 추정 장치는 순환식 수경 재배 환경의 온실에 장착된 센서로부터 온실 데이터 및 양액 데이터를 미리 설정된 주기마다 수집하는 데이터 수집부, 온실데이터 및 양액 데이터에 기초한 복수의 환경 변수를 통해 양액의 다량이온의 잔여량을 예측하는 장단기 메모리(LONG SHORT-TERM MEMORY: LSTM) 방식으로 신경망을 학습시키는 학습부, 그리고 신경망을 통해 미리 설정된 시간 동안의 수집 데이터 변화에 기초하여 당일 양액에 포함된 다량이온의 농도 또는 비율을 예측하는 다량이온 예측부를 포함한다.

Description

LSTM을 이용한 순환식 수경재배의 양액 다량이온 추정 장치 및 그 방법{APPARATUS AND METHOD FOR ESTIMATING MACRONUTRIENT USING LSTM IN CLOSED-LOOP SOILLESS CULTURES}
LSTM(LONG SHORT-TERM MEMORY)을 이용한 순환식 수경재배상의 양액 다량이온 추정 장치 및 그 방법이 제공된다.
수경 재배는 토경 재배에 비해 물과 수용성 영양분으로 만든 배양액 속에서 식물을 키우는 방법으로 작물재배를 위한 양분관리가 용이하고 수량과 품질이 양호하다.
특히, 순환식 수경재배에서는 배양액 재활용으로 물과 비료 절감이 뛰어나며, 토양의 염류집적이나 지하수 오염을 방지할 수 있다.
이러한 순환식 수경재배 시스템을 실제 현장에 적용하고자 국내 환경에 맞는 생육 단계별 순환식 표준 양액 조성과 배액 및 유기배지 재사용 기술, 배액 친환경 살균소독 시스템 등에 대한 연구 개발이 지속되고 있다.
여기서, 표준 양액은 생육 단계별 양분 또는 수분 흡수 특성, 배지 내 이온간 비율, 생율 특성 등을 반영하여 설정되며, 이렇게 설정된 표준 양액을 적절한 시기에 제공하는 기술이 매우 중요하다.
특히, 순환식 수경재배에서는 재활용되는 배양액의 무기질 결핍, 독성 및 영향 불균형을 피하기 위해 주기적으로 재생해야 하며, 최적화된 양액을 제공하기 온실 환경 내에서의 이온 농도를 확인해야 한다.
하지만 현행 EC 기반 양액 제어 방식의 경우 전체 이온 변화를 추적하는 것이 아니기 때문에 특정 이온의 누적을 피하기 어렵다. 또한 이온 농도는 식물과 성장 환경과 복잡하게 상호작용을 수행하며, 성장 환경 또는 다른 이온의 영향을 받아 식물의 이온 흡수 또한 정형화하기 어렵기 때문에, 온실 내의 이온 농도의 변화를 예측하기 어렵다.
따라서, 복잡한 비선형 데이터로부터 의미있는 해석을 도출 가능한 심층 학습을 이용하여 순환식 수경재배에서의 양액 내 다량이온을 추정하는 방법이 요구된다.
본 발명의 하나의 실시예는 온실 환경 데이터의 심층 학습을 통해 다량이온을 예측하여 다량이온의 농도를 추정하기 위한 것이다.
상기 과제 이외에도 구체적으로 언급되지 않은 다른 과제를 달성하는 데 사용될 수 있다.
본 발명의 하나의 실시예에 따른 양액 다량이온 추정 장치는 순환식 수경 재배 환경의 온실에 장착된 센서로부터 온실 데이터 및 양액 데이터를 미리 설정된 주기마다 수집하는 데이터 수집부, 온실데이터 및 양액 데이터에 기초한 복수의 환경 변수를 통해 양액의 다량이온의 잔여량을 예측하는 장단기 메모리(LONG SHORT-TERM MEMORY: LSTM) 방식으로 신경망을 학습시키는 학습부, 그리고 신경망을 통해 미리 설정된 시간 동안의 수집 데이터 변화에 기초하여 당일 양액에 포함된 다량이온의 농도 또는 비율을 예측하는 다량이온 예측부를 포함한다.
환경 변수는, 양액의 EC 변화 정보, pH 변화, 급액량, 배액량, 관수량, 또는 광도 중 하나 이상을 포함하고, 다량이온 예측부는, 당일 양액의 K+, Ca2+, Mg2+, SO4 2-, NO3 -, 또는 H2PO4 - 중에서 하나 이상의 이온 농도 또는 비율을 예측할 수 있다.
학습부는, 장단기 메모리 방식과 MTL(multi-task learning) 방식을 이용하여 양액의 이온의 잔여량을 예측하는 신경망을 학습시킬 수 있다.
다량이온 예측부는, 신경망이 일정 기준치 이상의 정확성을 얻으면, 신경망을 통해 얻어진 n가지 모델의 평균 값을 보간 값으로 사용하여 다량이온의 농도 또는 비율의 보간을 수행할 수 있다.
다량이온의 농도 또는 비율에 기초하여 양액 혼합 비율, 양액 투입량, 또는 배액량 중에서 하나 이상을 제어하는 양액 공급기 제어 신호를 생성하는 양액 제어부를 더 포함할 수 있다.
온실데이터, 양액 데이터, 그리고 환경 변수에 따라 시계열 분석된 다량이온의 농도 또는 비율 그리고 양액 공급기 제어 신호를 작물별, 다량이온별, 그리고 시간대별로 정렬하여 데이터베이스에 저장한다.
본 발명의 하나의 실시예에 따른 양액 다량이온 추정 장치의 추정 방법은 순환식 수경 재배 환경의 온실에 장착된 센서로부터 온실 데이터 및 양액 데이터를 미리 설정된 주기마다 수집하는 단계, 온실데이터 및 상기 양액 데이터에 기초한 복수의 환경 변수를 통해 양액의 이온의 잔여량을 예측하는 장단기 메모리 방식으로 신경망을 학습시키는 단계, 그리고 신경망을 통해 미리 설정된 시간 동안의 수집 데이터 변화에 기초하여 당일 양액에 포함된 다량이온의 농도 또는 비율을 예측하는 단계를 포함한다.
본 발명의 하나의 실시예는 실시간으로 저장되는 빅데이터를 통해 순환식 재배의 양액환경에 대한 다량이온 농도 및 다량이온의 변화를 자동으로 추정할 수 있다.
또한, 자동으로 추정한 이온 농도에 기초하여 양액 제어기와의 연동하여 양분 투입량을 적절하게 제어함으로써, 최적화된 양분관리를 제공하며 물 및 비료를 절감하여 비용을 최소화할 수 있다.
도 1은 본 발명의 하나의 실시예에 따른 순환식 수경재배 시스템을 나타낸 예시도이다.
도 2는 본 발명의 하나의 실시예에 따른 양액 다량이온 추정 장치를 나타낸 구성도이다.
도 3은 본 발명의 하나의 실시예에 따른 양액 다량이온 추정 장치의 다량이온 추정 방법에 대한 순서도이다.
도 4 및 도 5는 본 발명의 하나의 실시예에 따른 심층학습을 수행하는 LSTM을 설명하기 위한 예시도이다.
도 6은 본 발명의 하나의 실시예에 따른 이온 농도 추정 결과를 나타낸 그래프이다.
첨부한 도면을 참고로 하여 본 발명의 실시예에 대해 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 도면부호가 사용되었다. 또한 널리 알려져 있는 공지기술의 경우 그 구체적인 설명은 생략한다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하에서는 도 1을 이용하여 본 발명의 실시예에 따른 양액 다량이온 추정 장치를 포함하는 순환식 수경 재배 시스템에 대해서 상세하게 설명한다.
도 1은 본 발명의 하나의 실시예에 따른 순환식 수경재배 시스템을 나타낸 예시도이다.
도 1에 도시한 바와 같이, 본 발명의 실시예에 따른 순환식 수경 재배 시스템에 포함된 양액 다량이온 추정 장치(100), 양액 시스템(200), 온실 시스템(300), 그리고 데이터베이스(400)는 서로 네트워크로 연결되어 데이터를 송수신한다.
여기서 네트워크는 유선 통신 네트워크, 근거리 또는 원거리 무선 통신 네트워크, 이들이 혼합된 네트워크 등 데이터를 전달하는 모든 형태의 통신 네트워크를 포함할 수 있다.
먼저, 양액 다량이온 추정 장치(100)는 네트워크로 연결된 양액 시스템(200)으로부터 양액 데이터를 수집하고, 온실 시스템(300)으로부터 온실 데이터를 수집하여 온실 내 양액의 다량이온 농도 또는 비율을 추정한다.
다음으로 양액 시스템(200)은 순환식 수경 재배에 양액을 제공하는 시스템으로, 양액 탱크(Stock solution), 물 탱크 (Water), 배합 탱크(Mixing tank) 그리고 배수 탱크 (Drainage tank)를 포함한다. 그리고 양액 탱크, 물 탱크, 배합 탱크 그리고 배수 탱크를 연결하여 각각의 개폐를 제어하거나 배합 비율을 제어할 수 있는 제어 수단(미도시함)을 더 포함한다.
양액 시스템(200)은 관리자로부터 직접 제어 신호를 입력받거나, 또는 미리 설정된 기준 범위로 배합되도록 자동으로 제어 신호를 생성하여 온실로 양액을 제공할 수 있다. 상세하게는 양액 시스템(200)은 각각의 탱크에 장착된 센서를 통해 탱크 내에 수위/ 레벨을 측정하고 측정된 값을 기초로 각 탱크의 연결 호스를 제어할 수 있다. 이에 양액 시스템(200)은 필요한 만큼의 양액과 물을 배합한 후, 배수탱크에 저장된 양액과 배합된 양액을 온실로 제공할 수 있다.
그리고 양액 시스템(200)은 배수 탱크 (Drainage tank)에 EC 센서 또는 TDR센서를 장착하여, 온실 시스템(300)으로부터 배수된 양액의 상태를 확인할 수 있다.
다음으로 온실 시스템(300)은 온실 내에 수경 재배에 필요한 온실 환경을 체크하고 일정한 환경을 유지하기 위해 온실 시스템(300)내의 연결된 장치(미도시함)들을 제어한다.
온실 시스템(300)은 온실 내에 장착된 온도센서, 습도센서, 이산화탄소 농도 센서, 광량 센서(일사센서) 등을 통해, 온실 데이터를 생성하고, 그에 따라 재배 작물에 대응하여 적합한 온실 환경을 유지하도록 각각 대응되는 장치들을 제어한다. 이외에도 온실 시스템(300)에는 양액에 EC센서, 토양 내 유류 전기 저항치 측정 TDR 센서(Grodan, WCM-control, Denmark)등을 포함할 수 있다. 여기서 EC 센서는 재배 작물의 뿌리영역에 대응하여 측정할 수 있다.
그리고 온실 시스템(300)은 온실 내 양액을 양액 시스템(200)의 배수 탱크로 배수하고, 양액 시스템(200)의 배합 탱크로부터 제공받는 양액을 재배 작물로 전달한다. 이처럼, 양액 시스템(200)과 온실 시스템(300)은 서로 긴밀하게 연동되며, 각 시스템은 관리자로부터 입력받은 설정 값 또는 설정 범위값을 유지하도록 자동 제어할 수 있다.
다음으로 데이터베이스(400)는 실시간으로 측정되는 온실데이터, 양액 데이터, 환경 변수에 따라 시계열 분석된 다량이온의 농도 또는 비율 그리고 양액 공급기 제어 신호를 수신하면, 작물별, 다량이온별, 그리고 시간대별로 정렬하여 저장한다. 여기서 데이터베이스(400)에 저장된 데이터는 신경망 학습 데이터 또는 분석 데이터로 활용될 수 있다.
그리고 데이터베이스(400)는 해당 온실에 재배되는 작물 데이터를 더 포함할 수 있다. 작물 데이터는 작물의 생육 시기, 생육 시기별 요구되는 양액 종류 및 양액량, 생육 시기별 요구되는 재배 환경 데이터 등을 모두 포함한다.
도 2는 본 발명의 하나의 실시예에 따른 양액 다량이온 추정 장치를 나타낸 구성도이다.
도 2에 도시한 바와 같이, 양액 다량이온 추정 장치(100)는 수집부(110), 학습부(120), 다량이온 예측부(130) 그리고 양액 제어부(140)을 포함한다.
먼저, 수집부(110)는 순환식 수경 재배 환경의 온실에 장착된 센서로부터 온실 데이터, 양액 데이터를 미리 설정된 주기마다 수집한다.
여기서, 양액 다량이온 추정 장치(100)는 양액 시스템(200) 또는 온실 시스템(300)과 통신을 통해 각 데이터를 수집할 수 있고, 실제 온실 또는 양액 탱크에 부착된 센서와 직접적인 통신을 통해 각 데이터를 수집할 수 있다. 또는 양액 다량이온 추정 장치(100)는 양액 데이터 및 온실 데이터가 수집되어 저장된 데이터베이스(400)에 접속하여 해당 데이터를 수집할 수 있다.
다음으로 학습부(120)는 온실데이터, 양액 데이터에 기초한 복수의 환경 변수를 통해 양액의 다량이온의 잔여량을 예측하는 신경망을 학습시킨다.
학습부(120)는 장단기 메모리(LONG SHORT-TERM MEMORY: LSTM) 방식으로 신경망을 학습시키며, 이외에도 MTL(multi-task learning) 방식을 이용하여 신경망을 학습시킬 수 있다.
여기서, MTL은 다중작업학습을 효과적으로 수행할 수 있는 방법으로 학습부(120)는 공동훈련(joint training)을 주로 활용하지만, 이에 한정하는 것은 아니고, 대체 훈련 (alternative training)등과 같은 다중 작업 학습을 수행하는 방식을 모두 포함한다.
다량이온 예측부(130)는 학습된 신경망을 통해 미리 설정된 시간 동안의 수집 데이터 변화에 기초하여 당일 양액에 포함된 다량이온의 농도 또는 비율을 예측한다.
이때, 다량이온은 K+, Ca2+, Mg2+, SO4 2-, NO3 -, 또는 H2PO4 - 중에서 하나 이상을 나타내지만, 이에 한정하는 것은 아니고 Na와 Cl- 등 다른 이온 종류도 포함할 수 있다.
다음으로 양액 제어부(140)는 예측된 다량이온의 농도 또는 비율에 기초하여 양액 혼합 비율, 양액 투입량 또는 배액량 중에서 하나 이상을 제어하는 양액 공급기 제어 신호를 생성한다.
여기서, 양액 공급기 제어 신호는 앞서 설명한 양액 시스템(200)의 제어 수단의 제어 신호를 나타낸다.
한편, 양액 다량이온 추정 장치(100)는 서버, 단말, 또는 이들이 결합된 형태일 수 있다.
단말은 각각 메모리(memory), 프로세서(processor)를 구비함으로써 연산 처리 능력을 갖춘 장치를 통칭하는 것이다. 예를 들어, 퍼스널 컴퓨터(personal computer), 핸드헬드 컴퓨터(handheld computer), PDA(personal digital assistant), 휴대폰, 스마트 기기, 태블릿(tablet) 등이 있다.
서버는 복수개의 모듈(module)이 저장되어 있는 메모리, 그리고 메모리에 연결되어 있고 복수개의 모듈에 반응하며, 단말에 제공하는 서비스 정보 또는 서비스 정보를 제어하는 액션(action) 정보를 처리하는 프로세서, 통신 수단, 그리고 UI(user interface) 표시 수단을 포함할 수 있다.
메모리는 정보를 저장하는 장치로, 고속 랜덤 액세스 메모리(high-speed random access memory, 자기 디스크 저장 장치, 플래시 메모리 장치, 기타 비휘발성 고체 상태 메모리 장치(non-volatile solid-state memory device) 등의 비휘발성 메모리 등 다양한 종류의 메모리를 포함할 수 있다.
통신 수단은 단말과 서비스 정보 또는 액션 정보를 실시간으로 송수신한다.
UI 표시 수단은 장치의 서비스 정보 또는 액션 정보를 실시간으로 출력한다. UI 표시 수단은 UI를 직접적 또는 간접적으로 출력하거나 표시하는 독립된 장치일 수도 있으며, 또는 장치의 일부분일 수도 있다.
이하에서는 도 3 내지 도 5를 이용하여 양액 다량이온 추정 장치(100)가 수경 재배에 사용되는 양액에 포함된 다량이온의 농도 및 비율을 예측하는 방법에 대해서 상세하게 설명한다.
도 3은 본 발명의 하나의 실시예에 따른 양액 다량이온 추정 장치의 다량이온 추정 방법에 대한 순서도이고, 도 4 및 도 5는 본 발명의 하나의 실시예에 따른 심층학습을 수행하는 LSTM을 설명하기 위한 예시도이다.
도 3에 도시한 바와 같이, 양액 다량이온 추정 장치(100)는 순환식 수경 재배 환경의 온실 데이터 및 양액 데이터를 미리 설정된 주기마다 수집한다(S310).
양액 다량이온 추정 장치(100)는 순환식 수경 재배 환경의 온실에 장착된 센서로부터 온실 내 광도, 습도, 온도 등을 포함하는 온실 데이터와 양액의 전기전도도, 산소 포화도 등을 포함하는 양액 데이터를 실시간 또는 일정 주기마다 수집할 수 있다.
한편, 양액 다량이온 추정 장치(100)는 연동된 데이터베이스 또는 네트워크로 연결된 서버 등으로부터 온실 내부에 재배되는 작물 데이터를 수집할 수 있다.
다음으로 양액 다량이온 추정 장치(100)는 복수의 환경 변수를 통해 장단기 메모리 방식의 신경망을 학습시킨다(S320).
양액 다량이온 추정 장치(100)는 온실데이터 및 양액 데이터에 기초하여 양액의 EC 변화 정보, pH 변화, 급액량, 배액량, 관수량 또는 광도 중에서 하나 이상의 환경 변수를 선택한다. 그리고 양액 다량이온 추정 장치(100)는 양액의 이온의 잔여량을 예측하기 위해 장단기 메모리 방식(LSTM)으로 신경망을 학습시킨다. 또한 양액 다량이온 추정 장치(100)는 장단기 메모리 방식과 MTL(multi-task learning) 방식을 함께 이용하여 양액의 이온의 잔여량을 예측할 수 있다.
도 4는 LSTM의 구조를 개략적으로 나타낸 도면이고, 도 5는 LSTM의 학습 과정을 개략적으로 나타낸 흐름도를 나타낸다.
도 4에서 입력 데이터(Plant environments) 사용된 온실 데이터 및 양액 데이터를 의미하며 σ와 h는 LSTM의 시그 모이드와 하이퍼 볼릭 탄젠트가 활성화 함수로 숨겨진 은닉층을 의미한다. 이처럼 LSTM은 현재 입력과 이전 출력을 동시에 받아들이기 때문에 시계열 분석이 용이하다.
그리고 도 5에서 LSTM은 각각의 이온 농도 또는 비율을 예측하는 작업이 공유되며, 두 개의 완전히 연결된 층을 통해 각 이온 농도를 산출한다.
신경망은 복수개의 LSTM들을 통해 각각의 이온 농도를 처리하기 위해 다층 신경망(Multi-Layer perceptron: MLP) 구조를 형성하며, 도 5에 도시한 하나의 MLP 블록은 Fully-Connected 층을 의미한다. FC층은 LSTM으로부터 전달받은 변환된 정보를 각각의 이온 농도로 처리하는 역할을 한다.
이와 같이 형성된 신경망을 통해 양액 다량이온 추정 장치(100)는 당일 양액의 K+, Ca2+, Mg2+, SO4 2-, NO3 -, 또는 H2PO4 - 중에서 하나 이상의 이온 농도 또는 비율을 예측하도록 학습시킨다.
한편, 신경망의 입력데이터로 해당 작물 데이터, 온실 내 관개 데이터 등을 포함할 수 있으며, 이러한 구성은 추후에 관리자에 의해 용이하게 변경 및 설계 가능하다.
또한, 양액 다량이온 추정 장치(100)는 학습된 신경망의 정확도 또는 신뢰도를 측정하여, 기준치 미만의 값을 가지면 해당 신경망의 재학습을 수행할 수 있다.
다음으로 양액 다량이온 추정 장치(100)는 학습된 신경망을 통해 양액에 포함된 다량이온의 농도 또는 비율을 예측한다(S330)
양액 다량이온 추정 장치(100)는 학습된 신경망의 일정 기준치 이상의 정확성을 가지는 지 확인한 후, 학습된 신경망을 통해 미리 설정된 시간 단위로 일정 기간 동안의 수집 데이터 변화에 기초하여 당일 양액에 포함된 다량이온의 농도 또는 비율을 예측할 수 있다.
이때, 양액 다량이온 추정 장치(100)는 신경망을 통해 얻어진 n가지 모델의 평균 값을 보간 값으로 사용하여 다량이온의 농도 또는 비율의 보간을 수행할 수 있다. 여기서 n가지 모델은 재배 작물의 n가지 종에 따라 각각 학습된 n가지 신경망을 나타낼 수 있다.
이처럼, 양액 다량이온 추정 장치(100)는 온실 내 당일 양액의 K+, Ca2+, Mg2+, SO4 2-, NO3 -, 또는 H2PO4 - 중에서 하나 이상의 이온 농도 또는 비율을 예측할 수 있다.
한편, 양액 다량이온 추정 장치(100)는 해당 온실에 대응하는 관리자 단말(미도시함)에게 예측 이온 농도 또는 비율에 대한 데이터를 송부할 수 있다. 예측되는 이온 농도 또는 비율에 대한 수치값을 그래프 또는 표 등으로 생성하여 관리자 단말에 디스플레이 되도록 할 수 있으며, 특정 이온 예측값이 기 설정된 범위를 벗어나면, 알림 메시지를 생성하여 전송할 수 있다.
도 6은 본 발명의 하나의 실시예에 따른 이온 농도 추정 결과를 나타낸 그래프이다.
도 6은 폐 루프 조건에서 이온 농도를 측정하고, 본 발명의 실시예에 따라 예측된 이온 농도를 일대일로 대응시켜 다량이온의 이온 농도 추정 결과를 나타낸 그래프이다.
순환식 수경 재배되는 온실의 주간 및 야간 기온은 각각 25-30 °C와 17-22 °C로 유지되고, 양분 용액의 EC는 2.6-4.0 dS · m-1, pH는 4.5-6.5로 유지된 환경에서, 실험을 시행한다.
양액의 조성은 다음과 같다. 매크로 원소로서 NO3 -는 14.17 meq · L-1, H2PO4 -는 1.14 meq · L-1, K+는 5.92 meq · L-1, Ca 2+는 8.85 meq · L-1, Mg 2+는 3.17 meq · L-1, SO4 2의 3.20 meq · L-1, 마이크로 원소로서 Fe2+는 0.038 meq / L-1, Zn2+는 0.020meq / L-1, Cu2+는 0.003meq / L-1, Mn2+는 0.021meq / L-1 그리고 MoO4 2-는 0.001meq / L-1이다.
그리고 작물 뿌리 영역의 EC와 수분 함량은 TDR 센서 통해 측정하여 각각 0.17 dS · m-1과 7.11이었으며 Na+ 은 0.21 meq · L-1, Cl-는 0.29 meq · L-1, K+는 0.04 meq · L-1, Ca2+는 0.71 meq · L-1, Mg2+는 0.21 meq · L-1, SO4 2-는 0.19 meq · L-1, NO3 -는 0.39 meq · L-1 및 PO4 3-의 0.04 meq · L-1이다. 또한 배수 비율은 해당기간 동안 50-60 %로 유지한다.
이와 같은 실험 조건에서 본 발명의 하나의 실시예에 따라 이온 농도 추정 결과는 도 6에 도시한 바와 같다.
도 6에서 나타나는 점선은 1:1에 해당하는 선이고, 실선은 회귀선을 나타내는 것이다. 이에 가장 높은 정확도를 보이는 이온은 Ca2+이며, 다른 다량이온들에 대해서도 종합적으로 점선과 회귀선의 동일한 경향성을 확인할 수 있다.
그러므로 양액 다량이온 추정 장치(100)를 통해 예측된 온실 내 양액의 다량이온 농도 및 비율의 정확성을 확인할 수 있다.
본 발명의 하나의 실시예에 따른 방법을 실행시키기 위한 프로그램은 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다.
컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크와 같은 자기-광 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 여기서 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드가 포함된다.
이상에서 본 발명의 바람직한 하나의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
100: 양액 다량이온 추정 장치 110: 수집부
120: 학습부 130: 다량이온 예측부
140: 양액 제어부 200: 양액 시스템
300: 온실 시스템 400: 데이터베이스

Claims (10)

  1. 순환식 수경 재배 환경의 온실에 장착된 센서로부터 온실 데이터 및 양액 데이터를 미리 설정된 주기마다 수집하는 데이터 수집부,
    상기 온실데이터 및 상기 양액 데이터에 기초한 복수의 환경 변수를 통해 양액의 다량이온의 잔여량을 예측하는 장단기 메모리(LONG SHORT-TERM MEMORY: LSTM) 방식으로 신경망을 학습시키는 학습부, 그리고
    상기 신경망을 통해 미리 설정된 시간 동안의 수집 데이터 변화에 기초하여 당일 양액에 포함된 다량이온의 농도 또는 비율을 예측하는 다량이온 예측부
    를 포함하는 양액 다량이온 추정 장치.
  2. 제1항에서,
    상기 환경 변수는,
    양액의 EC 변화 정보, pH 변화, 급액량, 배액량, 관수량, 또는 광도 중 하나 이상을 포함하고,
    상기 다량이온 예측부는,
    상기 당일 양액의 K+, Ca2+, Mg2+, SO4 2-, NO3 -, 또는 H2PO4 - 중에서 하나 이상의 이온 농도 또는 비율을 예측하는 양액 다량이온 추정 장치.
  3. 제1항에서,
    상기 학습부는,
    상기 장단기 메모리 방식과 MTL(multi-task learning) 방식을 이용하여 양액의 이온의 잔여량을 예측하는 상기 신경망을 학습시키는 양액 다량이온 추정 장치.
  4. 제1항에서,
    상기 다량이온 예측부는,
    상기 신경망이 일정 기준치 이상의 정확성을 얻으면, 상기 신경망을 통해 얻어진 n가지 모델의 평균 값을 보간 값으로 사용하여 상기 다량이온의 농도 또는 비율의 보간을 수행하는 양액 다량이온 추정 장치.
  5. 제1항에 있어서,
    상기 다량이온의 농도 또는 비율에 기초하여 양액 혼합 비율, 양액 투입량, 또는 배액량 중에서 하나 이상을 제어하는 양액 공급기 제어 신호를 생성하는 양액 제어부를 더 포함하는 양액 다량이온 추정 장치.
  6. 제5항에서,
    상기 온실데이터, 상기 양액 데이터, 그리고 상기 환경 변수에 따라 시계열 분석된 상기 다량이온의 농도 또는 비율 그리고 상기 양액 공급기 제어 신호를 작물별, 다량이온별, 그리고 시간대별로 정렬하여 데이터베이스에 저장하는 양액 다량이온 추정 장치.
  7. 순환식 수경 재배 환경의 온실에 장착된 센서로부터 온실 데이터 및 양액 데이터를 미리 설정된 주기마다 수집하는 단계,
    상기 온실데이터 및 상기 양액 데이터에 기초한 복수의 환경 변수를 통해 양액의 이온의 잔여량을 예측하는 장단기 메모리 방식으로 신경망을 학습시키는 단계, 그리고
    상기 신경망을 통해 미리 설정된 시간 동안의 수집 데이터 변화에 기초하여 당일 양액에 포함된 다량이온의 농도 또는 비율을 예측하는 단계,
    를 포함하는 양액 다량이온 추정 장치의 추정 방법.
  8. 제7항에서,
    상기 환경 변수는,
    양액의 EC 변화 정보, pH 변화, 급액량, 배액량, 관수량, 또는 광도 중 하나 이상을 포함하며,
    상기 다량이온의 농도 또는 비율을 예측하는 단계는,
    상기 당일 양액의 K+, Ca2+, Mg2+, SO4 2-, NO3 -, 또는 H2PO4 - 중에서 하나 이상의 이온 농도 또는 비율을 예측하는 양액 다량이온 추정 장치의 추정 방법.
  9. 제7항에 있어서,
    상기 신경망을 학습시키는 단계는,
    상기 장단기 메모리 방식과 MTL(multi-task learning) 방식을 이용하여 양액의 이온의 잔여량을 예측하는 상기 신경망을 학습시키는 양액 다량이온 추정 장치의 추정 방법.
  10. 제7항에서,
    상기 다량이온의 농도 또는 비율을 예측하는 단계는,
    상기 신경망이 일정 기준치 이상의 정확성을 얻으면, 상기 신경망을 통해 얻어진 n가지 모델의 평균 값을 보간 값으로 사용하여 상기 다량이온의 농도 또는 비율의 보간을 수행하는 양액 다량이온 추정 장치의 추정 방법.
KR1020180143645A 2018-11-20 2018-11-20 Lstm을 이용한 순환식 수경재배의 양액 다량이온 추정 장치 및 그 방법 KR102301629B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180143645A KR102301629B1 (ko) 2018-11-20 2018-11-20 Lstm을 이용한 순환식 수경재배의 양액 다량이온 추정 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180143645A KR102301629B1 (ko) 2018-11-20 2018-11-20 Lstm을 이용한 순환식 수경재배의 양액 다량이온 추정 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20200063317A true KR20200063317A (ko) 2020-06-05
KR102301629B1 KR102301629B1 (ko) 2021-09-10

Family

ID=71088864

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180143645A KR102301629B1 (ko) 2018-11-20 2018-11-20 Lstm을 이용한 순환식 수경재배의 양액 다량이온 추정 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102301629B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381292A (zh) * 2020-11-13 2021-02-19 福州大学 一种顾及时空相关性和气象因素的河流水质预测方法
KR20220043648A (ko) * 2020-09-29 2022-04-05 한국과학기술연구원 소형 수경재배 시스템의 급액 관리 장치 및 그 방법
KR20230032290A (ko) * 2021-08-30 2023-03-07 한국과학기술연구원 순환식 수경재배 시스템의 급액 제어 장치 및 그 방법
KR20230039398A (ko) * 2021-09-14 2023-03-21 한국과학기술연구원 소형 수경재배기의 급액 관리 장치 및 그 방법
KR102620118B1 (ko) * 2023-09-12 2024-01-02 주식회사 도화엔지니어링 무교반 방식 수경재배 양액 공급 시스템의 통합 제어 방법
KR102620117B1 (ko) * 2023-09-12 2024-01-02 주식회사 도화엔지니어링 교반 방식 수경재배 양액 공급 시스템의 통합 제어 방법
KR20240070735A (ko) * 2022-11-11 2024-05-22 무한랩 주식회사 배액 최적화를 위한 인공지능 스마트팜 시스템의 급액 제어 장치 및 급액량 결정 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102423998B1 (ko) * 2021-12-23 2022-07-22 농업회사법인 상상텃밭 주식회사 강화학습 ai를 활용한 식물공장 양액제어 시스템 최적화 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101732079B1 (ko) * 2015-02-27 2017-05-02 전라남도(농업기술원장) 양액 농도 조절 방법 및 이를 위한 장치
KR101828215B1 (ko) * 2017-08-01 2018-02-12 건국대학교 산학협력단 Long Short Term Memory 기반 순환형 상태 전이 모델의 학습 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101732079B1 (ko) * 2015-02-27 2017-05-02 전라남도(농업기술원장) 양액 농도 조절 방법 및 이를 위한 장치
KR101828215B1 (ko) * 2017-08-01 2018-02-12 건국대학교 산학협력단 Long Short Term Memory 기반 순환형 상태 전이 모델의 학습 방법 및 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
김현우 외 1인. LSTM 기반 Model-Free LKAS 조향 각 생성. 제어로봇시스템학회 논문지. 2017년 9월, 제23권, 제9호, pp.732-739 (2017.09.) 1부.* *
최성문. ‘인공신경망을 이용한 양액재배 오이의 배액 이온 농도 예측’. 전남대학교 대학원 지역바이오시스템공학과 학위논문. 2008년, pp.1-40, [2020년 5월 27일 검색], <URL:http://www.riss.kr/link?id=T11485448> (2008.) 1부.* *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220043648A (ko) * 2020-09-29 2022-04-05 한국과학기술연구원 소형 수경재배 시스템의 급액 관리 장치 및 그 방법
CN112381292A (zh) * 2020-11-13 2021-02-19 福州大学 一种顾及时空相关性和气象因素的河流水质预测方法
KR20230032290A (ko) * 2021-08-30 2023-03-07 한국과학기술연구원 순환식 수경재배 시스템의 급액 제어 장치 및 그 방법
KR20230039398A (ko) * 2021-09-14 2023-03-21 한국과학기술연구원 소형 수경재배기의 급액 관리 장치 및 그 방법
KR20240070735A (ko) * 2022-11-11 2024-05-22 무한랩 주식회사 배액 최적화를 위한 인공지능 스마트팜 시스템의 급액 제어 장치 및 급액량 결정 방법
KR102620118B1 (ko) * 2023-09-12 2024-01-02 주식회사 도화엔지니어링 무교반 방식 수경재배 양액 공급 시스템의 통합 제어 방법
KR102620117B1 (ko) * 2023-09-12 2024-01-02 주식회사 도화엔지니어링 교반 방식 수경재배 양액 공급 시스템의 통합 제어 방법

Also Published As

Publication number Publication date
KR102301629B1 (ko) 2021-09-10

Similar Documents

Publication Publication Date Title
KR102301629B1 (ko) Lstm을 이용한 순환식 수경재배의 양액 다량이온 추정 장치 및 그 방법
Farooq et al. Internet of things in greenhouse agriculture: a survey on enabling technologies, applications, and protocols
Anitha et al. Smart irrigation system using Internet of Things
Dhaya et al. RETRACTED ARTICLE: Developing an energy-efficient ubiquitous agriculture mobile sensor network-based threshold built-in MAC routing protocol (TBMP)
Mudholkar et al. A novel approach to iot based plant health monitoring system in smart agriculture
Edwin et al. Smart agriculture monitoring system for outdoor and hydroponic environments
Bhatnagar et al. Internet of thingsin smart agriculture: applications and open challenges
Zerihun et al. Design and analysis of IOT-based modern agriculture monitoring system for real-time data collection
Singh et al. IoT-based greenhouse technologies for enhanced crop production: A comprehensive study of monitoring, control, and communication techniques
Nyakuri et al. IoT and AI based smart soil quality assessment for data-driven irrigation and fertilization
Wakhare et al. Automatic irrigation system based on internet of things for crop yield prediction
Kondaka et al. A Smart Hydroponic Farming System Using Machine Learning
Josephine et al. Smart irrigation system
Pierre et al. Smart crops irrigation system with low energy consumption
Maulana et al. Smart Dashboard Design and Water Sensor Integration Architecture by Applying Internet of Things (IoT) Technology Using Data Analysis and Prediction Methods
Vijayakrishna et al. IOT based smart agriculture using LIFI
CN118798039A (zh) 一种基于数字孪生的生态环境监测系统
Sahana et al. IOT in Agricultural Crop Protection and Power Generation
Selvaraj et al. Wireless nanosensor network for irrigation control
Suciu et al. IoT and energy efficiency for smart agriculture using adcon telemetry devices
Singh Sustainable and Smart Agriculture: A Holistic Approach
Adebayo et al. Increasing agricultural productivity in Nigeria using wireless sensor network (WSN)
Suhail et al. Use of smart farming techniques to mitigate water scarcity
Lanje et al. A Sensing Approach for Automated and Real-Time Crop Prediction in the Scope of Smart Farming
Khattar et al. IoT based intelligent irrigation system using Arduino

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20181120

PA0201 Request for examination
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20200528

Patent event code: PE09021S01D

PG1501 Laying open of application
E90F Notification of reason for final refusal
PE0902 Notice of grounds for rejection

Comment text: Final Notice of Reason for Refusal

Patent event date: 20210120

Patent event code: PE09021S02D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20210825

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20210907

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20210907

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
PR1001 Payment of annual fee

Payment date: 20240823

Start annual number: 4

End annual number: 4