KR20200108206A - 과수재해 손실 분석 시스템 및 이를 이용한 과수재해 손실 분석 방법 - Google Patents
과수재해 손실 분석 시스템 및 이를 이용한 과수재해 손실 분석 방법 Download PDFInfo
- Publication number
- KR20200108206A KR20200108206A KR1020190026912A KR20190026912A KR20200108206A KR 20200108206 A KR20200108206 A KR 20200108206A KR 1020190026912 A KR1020190026912 A KR 1020190026912A KR 20190026912 A KR20190026912 A KR 20190026912A KR 20200108206 A KR20200108206 A KR 20200108206A
- Authority
- KR
- South Korea
- Prior art keywords
- fruit
- disaster
- tree
- image
- fruits
- Prior art date
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 286
- 238000004458 analytical method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims description 31
- 238000013135 deep learning Methods 0.000 claims abstract description 27
- 238000010191 image analysis Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 241000132456 Haplocarpha Species 0.000 claims abstract description 6
- 230000006378 damage Effects 0.000 claims description 28
- 208000027418 Wounds and injury Diseases 0.000 claims 1
- 208000014674 injury Diseases 0.000 claims 1
- 230000036244 malformation Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000002420 orchard Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000034656 Contusions Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000009519 contusion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000003287 optical 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
-
- G06K9/20—
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Agronomy & Crop Science (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
본 발명의 일 실시 예에 따른 과수재해 손실 분석 시스템은 소정 면적으로 구획되어 적어도 하나 이상의 과수가 배치된 과수영역 별 과수영상이 획득되는 영상획득부, 획득된 과수영상의 분석에 의하여 과수재해 정도가 도출되는 영상분석부 및 영상분석부에 의해 도출된 과수재해 정도에 기초하여 재해로 인한 손해 정도를 산정하는 손해산정부가 포함되고, 영상분석부에서는 과수영상에 대하여 딥러닝 알고리즘에 따라 미리 학습된 낙과판별모델에 기초하여 착과 개수 및 낙과 개수가 소정의 시점마다 판별되고, 과수영상에 대하여 딥러닝 알고리즘에 따라 미리 학습된 과실품질판별모델에 기초하여 낙과 및 착과의 기형도, 숙도가 소정의 시점마다 판별되며, 낙과 데이터에 기초하여 과수재해 정도가 도출되고, 낙과 데이터에는 착과 개수, 낙과 개수, 기형도 및 숙도가 포함될 수 있다.
Description
본 발명은 과수재해 손실 분석 시스템 및 이를 이용한 과수재해 손실 분석 방법에 관한 것으로, 더욱 상세하게는 적어도 하나 이상의 과수가 배치된 과수영역 별 과수영상이 획득되고 분석되어 과수재해 정도가 도출됨으로써 재해로 인한 손해 정도를 산정하는 과수재해 손실 분석 시스템 및 이러한 시스템을 이용한 과수재해 손실 분석 방법에 관한 것이다.
이상저온, 폭염, 빈번한 태풍 등의 이상기후와 우박, 집중호우처럼 갑작스러운 기상변화에 따른 농작물 피해가 빈번해지면서 농작물재해보험에 가입하는 농가가 증가하고 있는 추세이다.
다만, 농작물 피해 정도를 산정하는 과정에서 보험사 등 관련기관에서는 정확한 기준 없이 낙과 피해율, 유과 타박율 등을 산정하여 재해로 인해 과수 피해를 봤음에도 불구하고 제대로 보상받지 못하는 농가 또한 증가하고 있다.
이에 따라, 영상처리 기술을 이용하여 농작물의 피해 정도를 정확하게 산정할 수 있는 과수재해 손실 분석 시스템에 대한 개발이 요구되고 있다.
본 발명은 전술한 바와 같은 기술 개발 요구에 따라 안출된 것으로서, 상세하게는 딥러닝 기반의 영상 분석 모델을 이용하여 낙과/착과 개수는 물론 낙과/착과의 숙도, 기형도 등을 분석함으로써 손해 정도를 정확하게 분석하고자 함에 그 목적이 있다.
본 발명의 일 실시 예로써, 과수재해 손실 분석 시스템이 제공될 수 있다.
본 발명의 일 실시 예에 따른 과수재해 손실 분석 시스템은 소정 면적으로 구획되어 적어도 하나 이상의 과수가 배치된 과수영역 별 과수영상이 획득되는 영상획득부, 획득된 과수영상의 분석에 의하여 과수재해 정도가 도출되는 영상분석부 및 영상분석부에 의해 도출된 과수재해 정도에 기초하여 재해로 인한 손해 정도를 산정하는 손해산정부가 포함되고, 영상분석부에서는 과수영상에 대하여 딥러닝 알고리즘에 따라 미리 학습된 낙과판별모델에 기초하여 착과 개수 및 낙과 개수가 소정의 시점마다 판별되고, 과수영상에 대하여 딥러닝 알고리즘에 따라 미리 학습된 과실품질판별모델에 기초하여 낙과 및 착과의 기형도, 숙도가 소정의 시점마다 판별되며, 낙과 데이터에 기초하여 과수재해 정도가 도출되고, 낙과 데이터에는 착과 개수, 낙과 개수, 기형도 및 숙도가 포함될 수 있다.
본 발명의 일 실시 예에 따른 과수재해 손실 분석 시스템의 영상분석부에서는 소정의 시점마다 판별되는 낙과 데이터 및 외부 서버로부터 획득된 재해 데이터 간의 상관관계에 대하여 딥러닝 알고리즘을 이용하여 학습시키고, 학습 결과에 따라 생성된 재해분석모델에 기초하여 재해점수가 산출될 수 있다.
본 발명의 일 실시 예에 따른 과수재해 손실 분석 시스템에 있어서, 재해 데이터에는 재해 영역, 재해 종류, 재해 등급 및 재해 시기가 포함될 수 있다.
본 발명의 일 실시 예에 따른 과수재해 손실 분석 시스템에 있어서, 낙과 데이터에는 과실개수 불일치 시기가 더 포함되고, 과실개수 불일치 시기는 소정의 시점마다 판별되는 과수영역 별 착과 개수 및 낙과 개수의 합이 달라지는 시점일 수 있다.
본 발명의 일 실시 예로써, 과수재해 손실 분석 시스템을 이용한 과수재해 손실 분석 방법이 제공될 수 있다.
본 발명의 일 실시 예에 따른 과수재해 손실 분석 방법은 소정 면적으로 구획되어 적어도 하나 이상의 과수가 배치된 과수영역 별 과수영상이 획득되는 단계, 획득된 과수영상의 분석에 의하여 과수재해 정도가 도출되는 단계 및 분석에 의해 도출된 과수재해 정도에 기초하여 재해로 인한 손해 정도를 산정하는 단계가 포함되고, 획득된 과수영상의 분석에 의하여 과수재해 정도가 도출되는 단계에는 과수영상에 대하여 딥러닝 알고리즘에 따라 미리 학습된 낙과판별모델에 기초하여 착과 개수 및 낙과 개수가 소정의 시점마다 판별되는 단계, 과수영상에 대하여 딥러닝 알고리즘에 따라 미리 학습된 과실품질판별모델에 기초하여 낙과 및 착과의 기형도, 숙도가 소정의 시점마다 판별되는 단계 및 낙과 데이터에 기초하여 과수재해 정도가 도출되는 단계가 더 포함되며, 낙과 데이터에는 착과 개수, 낙과 개수, 기형도 및 숙도가 포함될 수 있다.
본 발명의 일 실시 예에 따른 과수재해 손실 분석 방법에 있어서, 획득된 과수영상의 분석에 의하여 과수재해 정도가 도출되는 단계에는 소정의 시점마다 판별되는 낙과 데이터 및 외부 서버로부터 획득된 재해 데이터 간의 상관관계에 대하여 딥러닝 알고리즘을 이용하여 학습시키는 단계 및 학습 결과에 따라 생성된 재해분석모델에 기초하여 재해점수가 산출되는 단계가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 과수재해 손실 분석 방법에 있어서, 재해 데이터에는 재해 영역, 재해 종류, 재해 등급 및 재해 시기가 포함될 수 있다.
본 발명의 일 실시 예에 따른 과수재해 손실 분석 방법에 있어서, 낙과 데이터에는 과실개수 불일치 시기가 더 포함되고, 과실개수 불일치 시기는 소정의 시점마다 판별되는 과수영역 별 착과 개수 및 낙과 개수의 합이 달라지는 시점일 수 있다.
본 발명의 일 실시 예로서 제공되는 과수재해 손실 분석 시스템에 따르면, 딥러닝 기반의 영상 분석 모델을 이용하여 낙과/착과 개수는 물론 낙과/착과의 숙도, 기형도 등을 분석함으로써 손해 정도를 정확하게 분석할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시 예에 따른 과수재해 손실 분석 시스템의 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 과수재해 손실 분석 시스템의 예시도이다.
도 3 내지 도 5는 본 발명의 일 실시 예에 따른 과수재해 손실 분석 방법을 나타낸 순서도이다.
도 2는 본 발명의 일 실시 예에 따른 과수재해 손실 분석 시스템의 예시도이다.
도 3 내지 도 5는 본 발명의 일 실시 예에 따른 과수재해 손실 분석 방법을 나타낸 순서도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
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 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 구성을 사이에 두고" 연결되어 있는 경우도 포함한다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
본 발명의 일 실시 예로써, 과수재해 손실 분석 시스템(10)이 제공될 수 있다.
본 명세서에서 과수는 과실(열매)을 생산하는 목본식물(木本植物)을 총칭하고, 낙과는 과수에서 개화한 과실이나 열매 등이 결실되거나 성숙되기 이전에 떨어진 것을 지칭하며, 착과는 과수에 과실(열매)가 달리는 것을 지칭한다. 또한, 재해는 태풍, 우박, 집중호우, 이상저온, 폭염 등으로 인한 과수농가의 피해를 지칭한다.
도 1은 본 발명의 일 실시 예에 따른 과수재해 손실 분석 시스템(10)의 블록도이고, 도 2는 본 발명의 일 실시 예에 따른 과수재해 손실 분석 시스템(10)의 예시도이다.
도 1 및 도 2를 참조하면, 본 발명의 일 실시 예에 따른 과수재해 손실 분석 시스템(10)은 소정 면적으로 구획되어 적어도 하나 이상의 과수가 배치된 과수영역 별 과수영상이 획득되는 영상획득부(100), 획득된 과수영상의 분석에 의하여 과수재해 정도가 도출되는 영상분석부(200) 및 영상분석부(200)에 의해 도출된 과수재해 정도에 기초하여 재해로 인한 손해 정도를 산정하는 손해산정부(300)가 포함되고, 영상분석부(200)에서는 과수영상에 대하여 딥러닝 알고리즘에 따라 미리 학습된 낙과판별모델(210)에 기초하여 착과 개수 및 낙과 개수가 소정의 시점마다 판별되고, 과수영상에 대하여 딥러닝 알고리즘에 따라 미리 학습된 과실품질판별모델(220)에 기초하여 낙과 및 착과의 기형도, 숙도가 소정의 시점마다 판별되며, 낙과 데이터에 기초하여 과수재해 정도가 도출되고, 낙과 데이터에는 착과 개수, 낙과 개수, 기형도 및 숙도가 포함될 수 있다.
영상획득부(100)에서는 카메라 등의 촬영장치를 이용하여 촬영된 과수영상이 획득되어 영상분석부(200)로 전달되거나 데이터저장부에 저장될 수 있다. 과수영상은 과수가 배치되어 있는 과수원이나 과수농원을 촬영한 영상으로 본 발명의 과수재해 손실 분석 시스템(10)에서는 과수원에 대하여 적어도 하나 이상의 과수가 배치되고, 소정 면적으로 구획된 과수영역을 촬영한 영상을 지칭할 수 있다. 상기와 같이 구획된 과수영역 별로 영상을 촬영함으로써 후술하는 바와 같이 영상분석 및 손해산정이 이루어질 수 있다.
영상분석부(200)에서는 과수재해 정도를 도출하기 위해 영상획득부(100)에서 획득된 과수영상을 다양한 영상분석 알고리즘을 이용하여 분석할 수 있다. 특히, 영상분석부(200)에서는 딥러닝 알고리즘에 따라 미리 학습된 낙과판별모델(210) 및 과실품질판별모델(220)을 이용하여 영상 분석이 수행될 수 있다.
구체적으로, 낙과판별모델(210)은 획득된 과수영상에 대하여 낙과된 과실 및 착과된 과실의 개수를 판별하기 위한 것으로, 상기 낙과판별모델(210)은 컨볼루션 신경망(Convolution Neural Network, CNN)이 사용되어 학습될 수 있다. 즉, 낙과판별모델(210)은 과수영상 내 객체분석을 통해 낙과 과실 및 착과 과실을 분류하고, 분류된 낙과 과실 및 착과 과실에 기초하여 낙과 개수 및 착과 개수를 판별할 수 있다.
또한, 과실품질판별모델(220)은 획득된 과수영상에 대하여 낙과 과실 및 착과 과실의 기형도, 숙도를 각각 판별하기 위한 것으로 낙과판별모델(210)과 마찬가지로 컨볼루션 신경망(CNN)이 사용될 수 있다. 특히, 상기 과실품질판별모델(220)은 상기 낙과판별모델(210)을 이용하여 분류된 낙과 과실 및 착과 과실에 대하여 개별적으로 기형도 및 숙도가 판별될 수 있다. 기형도는 과실이 기준 과실의 형태와는 다른 형태로 형성된 정도를 의미하고, 숙도는 과실의 성숙된 정도를 의미한다.
더불어, 낙과판별모델(210) 및 과실품질판별모델(220)은 컨볼루션 신경망(CNN) 이외에도 다양한 딥러닝 알고리즘에 기초하여 학습이 수행될 수 있다.
이외에도, 본 발명의 일 실시 예에 따른 과수재해 손실 분석 시스템(10)에는 외부 서버와의 통신은 물론 내부 구성요소 간 통신이 수행되기 위한 통신부(400)가 더 포함될 수 있고, 영상획득부(100)에 의해 획득된 과수영상 및 영상분석부(200)에서 판별된 낙과 개수, 착과 개수, 기형도, 숙도 등의 데이터를 저장하기 위한 데이터저장부(500)가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 과수재해 손실 분석 시스템(10)의 영상분석부(200)에서는 소정의 시점마다 판별되는 낙과 데이터 및 외부 서버(20)로부터 획득된 재해 데이터 간의 상관관계에 대하여 딥러닝 알고리즘을 이용하여 학습시키고, 학습 결과에 따라 생성된 재해분석모델(230)에 기초하여 재해점수가 산출될 수 있다. 상기 재해점수는 재해 정도를 정량화하기 위한 수치로, 재해분석모델(230)을 통해 산출될 수 있다.
또한, 본 발명의 일 실시 예에 따른 과수재해 손실 분석 시스템(10)에 있어서, 재해 데이터에는 재해 영역, 재해 종류, 재해 등급 및 재해 시기가 포함될 수 있다.
즉, 재해분석모델(230)은 소정의 시점마다 판별되는 낙과 개수, 착과 개수, 기형도, 숙도에 해당하는 낙과 데이터와 외부 서버(20)로부터 획득된 재해 영역, 재해 종류, 재해 등급 및 재해 시기가 포함된 재해 데이터 간의 상관관계에 대하여 딥러닝 알고리즘을 이용하여 학습됨으로써 생성될 수 있다. 다시 말하면, 낙과 데이터는 소정의 기준 시점마다 데이터저장부(500)에 저장되고, 재해 데이터는 재해 시기를 기준으로 외부 서버(20)로부터 획득되어 데이터저장부(500)에 저장될 수 있는데, 상기 시점 별 낙과 데이터와 재해 시기를 기준으로 획득된 재해 데이터 사이에 관련된 정도를 딥러닝 알고리즘을 이용하여 학습하고, 학습된 결과에 따라 재해분석모델(230)을 생성할 수 있다.
상기 딥러닝 알고리즘은 심층신경망(DNN, Deep Neural Network)에 해당할 수 있다. 상기 심층신경망(DNN)은 입력 층(input layer)과 출력 층(output layer) 사이에 여러 개의 은닉 층(hidden layer)들로 이루어진 인공신경망(ANN: Artificial Neural Network)을 지칭할 수 있다.
상기 외부 서버(20)는 태풍 정보, 지진 정보, 이상기온 정보 등의 기후, 날씨 등의 정보를 제공해주는 서버를 의미하며 예를 들면 상기 외부서버에는 기상청 서버가 포함될 수 있다.
본 발명의 일 실시 예에 따른 과수재해 손실 분석 시스템(10)에 있어서, 낙과 데이터에는 과실개수 불일치 시기가 더 포함되고, 과실개수 불일치 시기는 소정의 시점마다 판별되는 과수영역 별 착과 개수 및 낙과 개수의 합이 달라지는 시점일 수 있다.
즉, 낙과 데이터는 과수의 낙과와 관련된 데이터로 상기 낙과 데이터에는 과실개수 불일치 시기가 더 포함될 수 있다. 전술한 바와 같이, 과수농원 혹은 과수농장은 소정의 면적으로 구획된 복수개의 과수영역으로 형성될 수 있고, 과수영역 별로 촬영된 영상이 획득되고, 영상 분석 및 손해 정도가 산정될 수 있다.
특히, 재해 정도를 더욱 정확하게 파악하기 위해서 낙과 데이터에 상기 과실개수 불일치 시기가 더 포함될 수 있는데, 과수영역 별 낙과 개수와 착과 개수의 합인 과수영역 별 총 과실개수가 달라지는 시점과 재해 시기 간의 상관관계에 기초하여 상기 재해분석모델(230)이 학습되도록 함으로써 재해 정도가 재해점수로 정량화 될 수 있다.
손해산정부(300)에서는 상기 영상분석부(200)의 재해분석모델(230)에서 산출된 재해점수에 기초하여 손해가 산정될 수 있다. 구체적으로, 보험료의 보험요율 산정을 위해 상한금액 및 하한금액이 상기 재해점수에 기초하여 도출될 수 있으며, 상기 소정의 판별 시점 별 손해율이 계산될 수 있는 등 재해와 낙과 피해와의 상관관계에 기초하여 정량화된 재해점수에 기초하여 손해 산정을 위한 데이터 처리가 수행될 수 있다.
본 발명의 일 실시 예로써, 과수재해 손실 분석 시스템(10)을 이용한 과수재해 손실 분석 방법이 제공될 수 있다. 본 발명의 과수재해 손실 분석 방법에 관하여 전술한 과수재해 손실 분석 시스템(10)과 동일한 내용에 대하여는 설명을 생략하였다.
도 3 및 도 4는 본 발명의 일 실시 예에 따른 과수재해 손실 분석 방법을 나타낸 순서도이다.
도 3을 참조하면, 본 발명의 일 실시 예에 따른 과수재해 손실 분석 방법은 소정 면적으로 구획되어 적어도 하나 이상의 과수가 배치된 과수영역 별 과수영상이 획득되는 단계, 획득된 과수영상의 분석에 의하여 과수재해 정도가 도출되는 단계 및 분석에 의해 도출된 과수재해 정도에 기초하여 재해로 인한 손해 정도를 산정하는 단계가 포함되고, 획득된 과수영상의 분석에 의하여 과수재해 정도가 도출되는 단계에는 과수영상에 대하여 딥러닝 알고리즘에 따라 미리 학습된 낙과판별모델(210)에 기초하여 착과 개수 및 낙과 개수가 소정의 시점마다 판별되는 단계, 과수영상에 대하여 딥러닝 알고리즘에 따라 미리 학습된 과실품질판별모델(220)에 기초하여 낙과 및 착과의 기형도, 숙도가 소정의 시점마다 판별되는 단계 및 낙과 데이터에 기초하여 과수재해 정도가 도출되는 단계가 더 포함되며, 낙과 데이터에는 착과 개수, 낙과 개수, 기형도 및 숙도가 포함될 수 있다.
도 5는 본 발명의 일 실시 예에 따른 과수재해 손실 분석 방법을 나타낸 순서도이다.
도 5를 참조하면, 본 발명의 일 실시 예에 따른 과수재해 손실 분석 방법에 있어서, 획득된 과수영상의 분석에 의하여 과수재해 정도가 도출되는 단계에는 소정의 시점마다 판별되는 낙과 데이터 및 외부 서버(20)로부터 획득된 재해 데이터 간의 상관관계에 대하여 딥러닝 알고리즘을 이용하여 학습시키는 단계 및 학습 결과에 따라 생성된 재해분석모델(230)에 기초하여 재해점수가 산출되는 단계가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 과수재해 손실 분석 방법에 있어서, 재해 데이터에는 재해 영역, 재해 종류, 재해 등급 및 재해 시기가 포함될 수 있다.
본 발명의 일 실시 예에 따른 과수재해 손실 분석 방법에 있어서, 낙과 데이터에는 과실개수 불일치 시기가 더 포함되고, 과실개수 불일치 시기는 소정의 시점마다 판별되는 과수영역 별 착과 개수 및 낙과 개수의 합이 달라지는 시점일 수 있다.
한편, 본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체가 제공될 수 있다.
또한, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, DVD 등)와 같은 저장 매체를 포함할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 과수재해 손실 분석 시스템
20: 외부 서버
100: 영상획득부 200: 영상분석부
210: 낙과판별모델 220: 과실품질판별모델
230: 재해분석모델
300: 손해산정부 400: 통신부
500: 데이터저장부
100: 영상획득부 200: 영상분석부
210: 낙과판별모델 220: 과실품질판별모델
230: 재해분석모델
300: 손해산정부 400: 통신부
500: 데이터저장부
Claims (8)
- 과수재해 손실 분석 시스템에 있어서,
소정 면적으로 구획되어 적어도 하나 이상의 과수가 배치된 과수영역 별 과수영상이 획득되는 영상획득부;
상기 획득된 과수영상의 분석에 의하여 과수재해 정도가 도출되는 영상분석부; 및
상기 영상분석부에 의해 도출된 과수재해 정도에 기초하여 재해로 인한 손해 정도를 산정하는 손해산정부;가 포함되고,
상기 영상분석부에서는 과수영상에 대하여 딥러닝 알고리즘에 따라 미리 학습된 낙과판별모델에 기초하여 상기 착과 개수 및 낙과 개수가 소정의 시점마다 판별되고, 과수영상에 대하여 딥러닝 알고리즘에 따라 미리 학습된 과실품질판별모델에 기초하여 낙과 및 착과의 기형도, 숙도가 상기 소정의 시점마다 판별되며, 낙과 데이터에 기초하여 상기 과수재해 정도가 도출되고,
상기 낙과 데이터에는 상기 착과 개수, 낙과 개수, 기형도 및 숙도가 포함되는 것을 특징으로 하는 과수재해 손실 분석 시스템.
- 제 1 항에 있어서,
상기 영상분석부에서는 상기 소정의 시점마다 판별되는 낙과 데이터 및 외부 서버로부터 획득된 재해 데이터 간의 상관관계에 대하여 딥러닝 알고리즘을 이용하여 학습시키고, 상기 학습 결과에 따라 생성된 재해분석모델에 기초하여 재해점수가 산출되는 것을 특징으로 하는 과수재해 손실 분석 시스템.
- 제 2 항에 있어서,
상기 재해 데이터에는 재해 영역, 재해 종류, 재해 등급 및 재해 시기가 포함되는 것을 특징으로 하는 과수재해 손실 분석 시스템.
- 제 3 항에 있어서,
상기 낙과 데이터에는 과실개수 불일치 시기가 더 포함되고,
상기 과실개수 불일치 시기는 상기 소정의 시점마다 판별되는 과수영역 별 착과 개수 및 낙과 개수의 합이 달라지는 시점인 것을 특징으로 하는 과수재해 손실 분석 시스템.
- 과수재해 손실 분석 시스템을 이용한 과수재해 손실 분석 방법에 있어서,
소정 면적으로 구획되어 적어도 하나 이상의 과수가 배치된 과수영역 별 과수영상이 획득되는 단계;
상기 획득된 과수영상의 분석에 의하여 과수재해 정도가 도출되는 단계; 및
상기 분석에 의해 도출된 과수재해 정도에 기초하여 재해로 인한 손해 정도를 산정하는 단계;가 포함되고,
상기 획득된 과수영상의 분석에 의하여 과수재해 정도가 도출되는 단계에는 상기 과수영상에 대하여 딥러닝 알고리즘에 따라 미리 학습된 낙과판별모델에 기초하여 상기 착과 개수 및 낙과 개수가 소정의 시점마다 판별되는 단계, 상기 과수영상에 대하여 딥러닝 알고리즘에 따라 미리 학습된 과실품질판별모델에 기초하여 낙과 및 착과의 기형도, 숙도가 상기 소정의 시점마다 판별되는 단계 및 낙과 데이터에 기초하여 상기 과수재해 정도가 도출되는 단계가 더 포함되며,
상기 낙과 데이터에는 상기 착과 개수, 낙과 개수, 기형도 및 숙도가 포함되는 것을 특징으로 하는 과수재해 손실 분석 방법.
- 제 5 항에 있어서,
상기 획득된 과수영상의 분석에 의하여 과수재해 정도가 도출되는 단계에는 상기 소정의 시점마다 판별되는 낙과 데이터 및 외부 서버로부터 획득된 재해 데이터 간의 상관관계에 대하여 딥러닝 알고리즘을 이용하여 학습시키는 단계 및 상기 학습 결과에 따라 생성된 재해분석모델에 기초하여 재해점수가 산출되는 단계가 더 포함되는 것을 특징으로 하는 과수재해 손실 분석 방법.
- 제 6 항에 있어서,
상기 재해 데이터에는 재해 영역, 재해 종류, 재해 등급 및 재해 시기가 포함되는 것을 특징으로 하는 과수재해 손실 분석 방법.
- 제 7 항에 있어서,
상기 낙과 데이터에는 과실개수 불일치 시기가 더 포함되고,
상기 과실개수 불일치 시기는 상기 소정의 시점마다 판별되는 과수영역 별 착과 개수 및 낙과 개수의 합이 달라지는 시점인 것을 특징으로 하는 과수재해 손실 분석 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190026912A KR20200108206A (ko) | 2019-03-08 | 2019-03-08 | 과수재해 손실 분석 시스템 및 이를 이용한 과수재해 손실 분석 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190026912A KR20200108206A (ko) | 2019-03-08 | 2019-03-08 | 과수재해 손실 분석 시스템 및 이를 이용한 과수재해 손실 분석 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200108206A true KR20200108206A (ko) | 2020-09-17 |
Family
ID=72707137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190026912A KR20200108206A (ko) | 2019-03-08 | 2019-03-08 | 과수재해 손실 분석 시스템 및 이를 이용한 과수재해 손실 분석 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20200108206A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102597426B1 (ko) * | 2022-11-09 | 2023-11-02 | 시스템 엔지니어링 코리아 ㈜ | 농산물 충격량 무선 측정 시스템 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101149765B1 (ko) | 2010-07-28 | 2012-06-01 | 서울대학교산학협력단 | 벼 이삭도열병에 의한 피해수준 추정방법 |
-
2019
- 2019-03-08 KR KR1020190026912A patent/KR20200108206A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101149765B1 (ko) | 2010-07-28 | 2012-06-01 | 서울대학교산학협력단 | 벼 이삭도열병에 의한 피해수준 추정방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102597426B1 (ko) * | 2022-11-09 | 2023-11-02 | 시스템 엔지니어링 코리아 ㈜ | 농산물 충격량 무선 측정 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI435234B (zh) | Plant disease identification method, system and record media | |
| Qiongyan et al. | Detecting spikes of wheat plants using neural networks with Laws texture energy | |
| US10685231B2 (en) | Computer system, and method and program for diagnosing plants | |
| Ninomiya | High-throughput field crop phenotyping: current status and challenges | |
| CN111767802A (zh) | 一种对象异常状态的检测方法和装置 | |
| Mahmud et al. | Lychee tree disease classification and prediction using transfer learning | |
| KR20200108206A (ko) | 과수재해 손실 분석 시스템 및 이를 이용한 과수재해 손실 분석 방법 | |
| CN112528726B (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 | |
| CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
| CN115965875B (zh) | 一种农作物病虫害智能监控方法及系统 | |
| Gómez-Zamanillo et al. | Damage assessment of soybean and redroot amaranth plants in greenhouse through biomass estimation and deep learning-based symptom classification | |
| CN112613521B (zh) | 基于数据转换的多层次数据分析系统及方法 | |
| Turečková et al. | Slicing aided large scale tomato fruit detection and counting in 360-degree video data from a greenhouse | |
| Gunes et al. | Classification of hazelnuts with CNN based deep learning system | |
| Pan et al. | Use of vision and sound to classify feller-buncher operational state | |
| CN111476129A (zh) | 一种基于深度学习的土壤杂质检测方法 | |
| Brinkhoff et al. | Analysis and forecasting of Australian rice yield using phenology-based aggregation of satellite and weather data | |
| Vidanapathirana et al. | Pomegranate Farming Monitoring System | |
| KR102641356B1 (ko) | 작물의 생육 단계 추정 시스템 및 그 구동방법 | |
| TWI709111B (zh) | 快速農作物定位方法 | |
| US20240111621A1 (en) | System based on iomt and operating method of the same | |
| CN114467530B (zh) | 果树环割方法、装置、终端设备及计算机可读存储介质 | |
| Khatun et al. | An extensive real-world in field tomato image dataset involving maturity classification and recognition of fresh and defect tomatoes | |
| CN117151477B (zh) | 作物异常识别方法、装置、电子设备和存储介质 | |
| Tang et al. | Using a Camera System for the In-Situ Assessment of Cordon Dieback due to Grapevine Trunk Diseases |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |