KR20210014027A - 스마트 팜 환경 데이터의 보간 장치 및 그 방법 - Google Patents

스마트 팜 환경 데이터의 보간 장치 및 그 방법 Download PDF

Info

Publication number
KR20210014027A
KR20210014027A KR1020190092032A KR20190092032A KR20210014027A KR 20210014027 A KR20210014027 A KR 20210014027A KR 1020190092032 A KR1020190092032 A KR 1020190092032A KR 20190092032 A KR20190092032 A KR 20190092032A KR 20210014027 A KR20210014027 A KR 20210014027A
Authority
KR
South Korea
Prior art keywords
interpolation
data
model
environmental
environmental data
Prior art date
Application number
KR1020190092032A
Other languages
English (en)
Other versions
KR102347535B1 (ko
Inventor
손정익
문태원
김현태
Original Assignee
서울대학교산학협력단
경상대학교산학협력단
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, 경상대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020190092032A priority Critical patent/KR102347535B1/ko
Publication of KR20210014027A publication Critical patent/KR20210014027A/ko
Application granted granted Critical
Publication of KR102347535B1 publication Critical patent/KR102347535B1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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

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

Abstract

본 발명은 스마트 팜의 환경 데이터 보간 장치 및 그 방법에 관한 것으로, 스마트 팜의 환경 데이터 보간 장치는 스마트 팜과 네트워크로 연결되어 스마트 팜으로부터 복수의 환경 인자에 대응한 환경 데이터들을 수집하는 수집부, 환경 데이터에서 오류 또는 누락 여부를 확인하면 오류 또는 누락된 환경 데이터의 환경 인자 종류와 오류 또는 누락 기간에 기초하여 대응되는 선형 보간 모델 또는 미리 학습된 신경망 보간 모델 중에서 하나 이상의 보간 모델을 선택하는 제어부, 그리고 선택된 데이터 보간 모델을 이용하여 환경 데이터를 보간하여 저장하는 데이터 보간부를 포함한다.

Description

스마트 팜 환경 데이터의 보간 장치 및 그 방법{APPARATUS AND METHOD FOR ENVIRONMENTAL DATA INTERPOLATION OF SMART FARM}
스마트 팜의 환경 데이터 보간 장치 및 그 방법이 제공된다.
스마트 팜은 사물 인터넷(IoT)등을 통해 수집한 빅데이터를 기반으로 최적의 생육 환경을 자동으로 제어하는 농장을 나타낸다. 스마트 팜에서는 최적화된 생육 환경이 유지되므로, 단위 면적당 생산량이 높아지고, 통제된 시설에서 안정적인 생산이 가능하다.
특히, 스마트 팜은 빅데이터를 기반으로 생육 환경을 제어하기 때문에 손실이나 오류를 최소화한 측정 데이터를 지속적으로 수집하여 빅데이터를 구축해야 한다.
하지만, 스마트 팜을 구성하는 환경은 작물의 생육 환경에 가장 적합한 공간에서 조성되기 때문에 전기 센서에 부적합한 환경으로 형성될 가능성이 높다. 그러므로 스마트 팜에 형성되는 센서 또는 제어 장치간의 네트워킹, 센서의 오류 등에 의한 내부적인 영향뿐 아니라 정전 등과 같은 외부적인 영향에 의해 데이터의 손실 가능성이 크다.
이러한 스마트 팜에서 데이터 손실은 전반적인 데이터 해석에 편향을 추가하여 결과적으로 비효율적인 제어로 조성되는 생육 환경 및 그로 인한 생산량이 저하될 수 있다.
따라서, 데이터의 손실의 위험을 최소화하기 위한 다양한 데이터 보간 기술이 연구되어 왔지만, 스마트 팜에서의 데이터의 종류 및 손실 기간 등 다양한 조건에 대응하여 데이터 손실의 위험을 최소화하기 위한
따라서, 데이터를 정확하게 분석하기 위해 데이터 손실의 위험을 최소화하기 위한 데이터 보간 기술이 요구된다.
본 발명의 하나의 실시예는 스마트 팜에서 수집된 데이터 손실 또는 오류에 따른 데이터의 완결성 문제를 해결하기 위한 것이다.
상기 과제 이외에도 구체적으로 언급되지 않은 다른 과제를 달성하는 데 사용될 수 있다.
본 발명의 하나의 실시예에 따른 스마트 팜의 환경 데이터 보간 장치는 스마트 팜과 네트워크로 연결되어 스마트 팜으로부터 복수의 환경 인자에 대응한 환경 데이터들을 수집하는 수집부, 환경 데이터에서 오류 또는 누락 여부를 확인하면 오류 또는 누락된 환경 데이터의 환경 인자 종류와 오류 또는 누락 기간에 기초하여 대응되는 선형 보간 모델 또는 미리 학습된 신경망 보간 모델 중에서 하나 이상의 보간 모델을 선택하는 제어부, 그리고 선택된 데이터 보간 모델을 이용하여 환경 데이터를 보간하여 저장하는 데이터 보간부를 포함한다.
미리 저장된 스마트 팜의 환경 데이터를 이용하여 학습 데이터의 보간 조건을 설정하고, 보간 조건에 기초하여 오류 또는 누락된 학습 데이터를 보간하도록 인공 신경망 보간 모델 또는 순환 신경망 보간 모델을 학습하는 보간 모델 학습부를 더 포함할 수 있다.
보간 모델 학습부는, 학습 데이터의 종류와 오류 또는 누락된 기간에 기초하여 선형 보간 모델, 인공 신경망 보간 모델 또는 순환 신경망 보간 모델 중에서 하나 이상의 학습 모델을 선택하는 학습 모델 선택부, 관련된 복수 개의 환경 인자에 대응한 환경 데이터를 이용하여 선택된 학습 모델을 통해 학습 데이터의 보간을 수행하는 학습 모델 보간부, 보간된 학습 데이터와 미리 저장된 환경 데이터를 비교하여 정확도를 측정하고, 측정된 정확도에 따라 학습 모델을 평가하는 학습 모델 평가부, 그리고 정확도가 미리 설정된 임계치보다 낮으면 미리 저장된 환경 데이터 값이 도출되도록 학습 모델에 포함된 레이어의 가중치를 재조정하는 학습 모델 제어부를 포함할 수 있다.
학습 모델 제어부는, 정확도가 미리 설정된 임계치보다 높으면, 학습 데이터의 종류와 오류 또는 누락된 기간에 대응하여 학습 모델을 보간 모델로 설정할 수 있다.
데이터 보간부는, 미리 학습된 신경망 보간 모델을 선택하면, 오류 또는 누락된 환경 데이터와 임계치 이상의 관계도를 가지는 환경 인자의 환경 데이터들을 수집하고 수집된 환경 데이터들을 이용하여 환경 데이터를 보간할 수 있다.
제어부는, 환경 데이터의 오류 또는 누락된 기간을 단기, 중장기 또는 완전 손실의 단계 중에서 하나의 단계로 구분하고, 단기에는 선형 보간 모델을 선택하고, 중장기에는 인공 신경망 보간 모델을 선택하며, 완전 손실에는 순환 신경망 보간 모델을 선택할 수 있다.
본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치의 보간 방법은 스마트 팜과 네트워크로 연결되어 스마트 팜으로부터 환경 데이터를 수집하는 단계, 환경 데이터의 오류 또는 누락 여부를 분석하고, 분석된 결과에 따라 선형 보간 모델 또는 미리 학습된 신경망 보간 모델 중에서 하나 이상의 보간 모델을 선택하는 단계, 그리고 선택된 보간 모델을 이용하여 오류 또는 누락된 환경 데이터의 보간을 수행하여 저장하는 단계를 포함한다.
본 발명의 하나의 실시예에 따르면, 데이터 누락 및 오류의 상황에 따라 가장 적합한 보간 모델을 선택하여 적용함으로써, 데이터 보간의 정확성이 향상되며, 스마트 팜의 빅데이터 활용성을 높일 수 있다.
본 발명의 하나의 실시예에 따르면, 스마트 팜의 데이터 보간을 위해 선형 보간 모델, 인공 신경망 보간 모델, 순환 신경망 보간 모델 등을 이용한 복합 모델의 상호 보안적인 역할을 통해 데이터 보간에 대한 신뢰도를 향상시킬 수 있다.
도 1은 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치를 포함하는 네트워크를 도시한 예시도이다.
도 2는 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치를 나타낸 구성도이다.
도 3은 본 발명의 하나의 실시예에 따른 복합 모델 학습부를 나타낸 구성도이다.
도 4는 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치의 데이터 보간 방법을 나타낸 순서도이다.
도 5는 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치의 모델 선택 방법을 나타낸 도면이다.
도 6은 상이한 손실 간격을 가지는 환경 데이터와 본 발명의 하나의 실시예에 따른 데이터 보간을 수행한 값을 비교하기 위한 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.
도 1은 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치를 포함하는 네트워크를 도시한 예시도이다.
도 1에 도시한 바와 같이, 환경 데이터 보간 장치(200)는 스마트 팜(100) 그리고 사용자 단말(300)과 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.
스마트 팜(100)은 최적의 생육 환경으로 온실을 제어하기 위해 다양한 센서를 통해 작물의 환경 데이터를 수집하고, 빅데이터를 구축한다.
예를 들어, 스마트 팜(100)은 산소(O2), 이산화탄소(CO2), 보온 채광커튼, 관수 제어, 토양 정보 센서, 온도, 습도, CCTV, 웹카메라 등 작물의 환경을 측정하기 위한 센서들을 통해 데이터를 측정하며, 이를 데이터베이스에 저장한다.
환경 데이터 보간 장치(200)는 스마트 팜(100)에 연결되어 일정 주기 간격으로 다양한 환경 데이터의 오류 또는 누락 여부를 감지한다. 그리고 오류 또는 누락된 환경 데이터가 감지되면, 해당 환경 데이터를 분석하여 가장 적합한 보간 모델을 선택한다. 이때, 환경 데이터 보간 장치(200)는 각 데이터의 종류, 오류 또는 누락된 기간에 대응하여 가장 적합한 보간 모델을 미리 선정하여 저장할 수도 있다.
이처럼 환경 데이터 보간 장치(200)는 오류 또는 누락된 환경 데이터에 대해 보간 모델을 통해 보간 작업을 진행하며, 보간된 환경 데이터를 저장할 수 있다.
이때, 보간 모델은 선형 보간 모델, 인공 신경망 보간 모델, 순환 신경망 보간 모델 등 다양한 보간 모델을 포함하지만, 이에 한정되는 것은 아니다.
한편, 환경 데이터 보간 장치(200)는 미리 저장된 환경 데이터를 학습 데이터로 이용하여 보간 모델을 반복 학습시킬 수 있다. 상세하게, 환경 데이터 보간 장치(200)는 학습 데이터의 센서 위치, 종류, 작물의 특징, 작물의 성장 정도, 작물의 종류, 오류 또는 누락된 기간 정도 등과 같이 다양한 보간 기준을 설정하고, 보간 기준에 대응하여 다양한 보간 모델을 반복 학습시킬 수 있다.
또한, 환경 데이터 보간 장치(200)는 미리 설정된 기간마다 학습된 보간 모델을 재 학습하여 각각 보간 모델에 포함되는 레이어들의 가중치를 재조정할 수 있다.
한편, 도 1에서는 스마트 팜(100)과 환경 데이터 보간 장치(200)를 별도로 도시하였지만, 추후 관리자에 의해 스마트 팜(100)에 환경 데이터 보간 장치(200)가 포함되도록 구성될 수 있다.
사용자 단말(300)은 스마트 팜(100) 또는 환경 데이터 보간 장치(200)와 연동되는 관리자의 단말을 나타낸다.
그리고 사용자 단말(300)은 스마트 팜(100)에 위치하는 센서 또는 각 장치들의 측정 값을 확인할 수도 있고, 환경 데이터 보간 장치(200)의 보간 내역을 확인할 수 있다. 이때, 사용자 단말(300)은 해당 환경 데이터의 오류 또는 누락된 기간, 보간된 환경 데이터 등을 확인할 수 있으며, 사용자로부터 해당 정보 제공에 대한 피드백을 수신할 수 있다.
사용자 단말(300)은 예를 들어, 퍼스널 컴퓨터(personal computer), 핸드헬드 컴퓨터(handheld computer), PDA(personal digital assistant), 휴대폰, 스마트 기기, 태블릿(tablet) 등이 있다.
도 2는 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치를 나타낸 구성도이고, 도 3은 본 발명의 하나의 실시예에 따른 보간 모델 학습부를 나타낸 구성도이다.
도 2에 도시한 바와 같이 환경 데이터 보간 장치(200)는 수집부(210), 제어부(220), 데이터 보간부(230) 그리고 보간 모델 학습부(240)를 포함한다.
먼저, 수집부(210)는 스마트 팜과 네트워크로 연결되어 스마트 팜으로부터 환경 데이터를 수집한다. 이때, 수집부(210)는 스마트 팜의 내부 또는 외부에 위치하는 센서로부터 직접 연결하거나 스마트 팜의 데이터베이스와 연결되어 환경 데이터들을 수집할 수 있다.
여기서, 환경 데이터는 스마트 팜의 센서로부터 측정된 값 이외에도 센서의 종류, 위치, 측정된 시간 정보 등을 포함할 수 있으며 이에 한정되는 것은 아니다.
제어부(220)는 수집된 환경 데이터에서 오류 또는 누락 여부를 확인한다. 그리고 제어부(220)는 오류 또는 누락 여부가 확인되면, 오류 또는 누락된 환경 데이터의 종류와 기간에 기초하여 보간 모델을 선택한다.
그리고 제어부(220)는 오류 또는 누락된 환경 데이터에 종류와 기간에 따라 관련도가 높은 복수 개의 환경 인자를 수집할 수 있다.
여기서, 환경 인자는 스마트 팜으로부터 수집한 환경 데이터의 종류에 대응되는 의미로, 종류가 다른 환경 데이터를 나타낸다. 예를 들어, 오류 또는 누락된 환경 데이터가 대기압이면, 제어부(220)는 대기압의 환경 데이터와 관련도가 높은 시간, 대기 온도, 상대 습도(RH)에 대한 환경 데이터를 더 선택할 수 있다.
이때, 보간 모델은 선형 보간 모델, 학습된 인공 신경망 보간 모델 그리고 학습된 순환 신경망 보간 모델 등을 포함하며, 제어부(220)는 오류 또는 누락된 환경 데이터의 특징에 따라 하나 이상의 보간 모델을 선택할 수 있다.
그리고 데이터 보간부(230)는 선택된 보간 모델을 이용하여 오류 또는 누락된 환경 데이터에 대한 보간을 수행한다.
이때, 데이터 보간부(230)는 하나 이상의 보간 모델이 선택되면, 각각의 보간 모델을 통한 보간 데이터를 상호 보완적으로 활용할 수 있다. 상세하게는, 해당 환경 데이터를 상이한 둘 이상의 보간 모델에 적합하도록 분할하거나 재구성하여 둘 이상의 보간 모델을 통해 환경 데이터를 보간할 수 있다.
또한 데이터 보간부(230)는 하나의 보간 모델을 통해 보간된 환경 데이터를 상이한 보간 모델에 적용하여 환경 데이터를 보간할 수 있다.
한편, 보간 모델 학습부(240)는 미리 저장된 환경 데이터로 이뤄진 학습 데이터로 인공 신경망 보간 모델 또는 순환 신경망 보간 모델을 학습한다.
보다 상세하게 도 3을 이용하여 보간 모델 학습부(240)에 대해서 설명한다.
도 3에 도시한 바와 같이, 보간 모델 학습부(240)는 학습 모델 선택부(241), 학습 모델 보간부(242), 학습 모델 평가부(243), 그리고 학습 모델 제어부(244)을 포함한다.
먼저, 학습 모델 선택부(241)는 미리 저장된 환경 데이터를 학습 데이터로 선택하고, 학습 데이터의 보간 조건을 설정한다. 여기서, 보간 조건은 데이터의 종류와 오류 또는 누락된 기간등과 같이, 실제 스마트 팜의 환경 데이터에서 보간이 요구되는 데이터의 손실 조건을 의미한다.
이때, 연동되는 스마트 팜(100)에 생육되는 작물의 조건, 환경 조건 등이 함께 보간 기준으로 입력되거나 사용자 단말(300)을 통해 보간 기준을 직접 입력받을 수 있다.
또한, 학습 모델 선택부(241)는 다음 표 1과 같이, 학습 모델의 학습을 위한 누락된 환경 데이터를 산정하기 위해 관련된 다른 환경 데이터들의 다양한 조합을 사용할 수 있다.
환경 데이터 관련 환경 데이터 특징
대기 온도 시간, RH, 대기압, PPFD, 이산화탄소 농도
상대 습도 (RH) 시간, 대기 온도, 토양 온도, MC, PPFD
토양 온도 시간, 대기 온도, RH, MC, PPFD
토양 수분 함량 (MC) 시간, 대기 온도, RH, 토양 온도
대기압 시간, 대기 온도, RH
광합성 광자 자속 밀도(PPFD) 시간, 대기 온도, RH, 대기압
이산화탄소 농도(CO2) 시간, 대기 온도, RH, 대기압, PPFD
예를 들어, 학습 모델 선택부(241)는 오류 또는 누락된 대기 온도를 보간하기 위해 시간, 상대 습도(RH), 대기압, 광합성 광자 자속 밀도(PPFD), 이산화탄소 농도(CO2)를 관련 환경 인자로 선택할 수 있다. 그리고 학습 모델 선택부(241)는 선택된 환경 인자를 수집하여, 상기 환경 인자와 환경 데이터간의 관계성을 분석하기 위해 학습 모델의 입력 값으로 선택할 수 있다.
학습 모델 선택부(241)는 환경 데이터의 종류와 기간에 기초하여 대응되는 보간 모델을 선택한다. 상세하게는 학습 모델 선택부(241)는 선형 보간 모델, 인공 신경망 보간 모델 또는 순환 신경망 보간 모델 중에서 하나 이상을 선택할 수 있다.
이때, 선형 보간 모델은 직접적인 학습을 수행하는 보간 모델은 아니지만, 신경망 보간 모델과 함께 보간 모델이 선택되면, 해당 선형 보간 모델과 상호 보완적으로 신경망 보간 모델을 학습시키기 위해 선택될 수 있다.
그리고 학습 모델 보간부(242)는 선택된 보간 모델을 통해 오류 또는 누락된 환경 데이터의 보간을 수행한다. 학습 모델 보간부(242)는 환경 데이터의 보간을 수행하면서 선택된 환경 인자들과 상기 학습 데이터간의 일반화된 관계성을 추출할 수 있다.
학습 모델 평가부(243)는 보간된 환경 데이터와 학습 데이터와 비교하여 정확도를 산출하고 산출된 정확도에 기초하여 해당 보간 모델을 평가한다.
학습 모델 제어부(244)는 산출된 정확도가 미리 설정된 임계치보다 낮으면 미리 저장된 환경 데이터 값이 도출되도록 학습 모델에 포함된 레이어의 가중치를 재조정하여 학습을 반복하도록 한다.
그리고 학습 모델 제어부(244)는 정확도가 미리 설정된 임계치보다 높으면, 학습 데이터의 종류와 오류 또는 누락된 기간에 대응하여 학습 모델을 학습된 보간 모델로 설정할 수 있다.
한편, 하나의 보간 조건에 기초하여 학습 데이터를 보간하는 과정에서 서로 상이한 보간 모델이 선택된 둘 이상의 보간 프로세스를 학습하여 비교하고, 가장 정확도가 높은 하나의 보간 프로세스를 선정할 수 있다.
예를 들어, 하나의 학습 데이터의 보간 작업을 수행할 때 선형 보간 모델만을 사용하는 제1 보간 프로세스와 선형 보간 모델과 인공 신경망 보간 보델을 선택하여 보간하는 제2 보간 프로세스를 각각 비교하여, 정확도가 높은 보간 프로세스를 선정할 수 있다.
이처럼, 보간 모델 학습부(240)는 미리 저장된 환경 데이터를 이용하여 보간 보델을 반복 학습시키며 각각 환경 데이터의 종류와 오류 또는 누락된 기간에 대응하여 정확도가 임계치 이상의 보간 모델을 설정할 수 있다.
또한, 보간 모델 학습부(240)는 추후에 미리 설정된 기간에 마다 새로 저장된 환경 데이터를 이용하여 각각의 보간 모델을 재학습시킬 수 있다.
한편, 환경 데이터 보간 장치(200)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 4 내지 도 5을 이용하여 환경 데이터 보간 장치의 스마트 팜의 환경 데이터를 보간하는 방법을 상세하게 설명한다. 이때, 환경 데이터 보간 방법은 하나의 보간 모델을 선택하여 환경 데이터의 누락 또는 오류에 대한 보간을 수행하는 것으로 가정하여 설명하지만 이에 한정되는 것은 아니다.
도 4는 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치의 데이터 보간 방법을 나타낸 순서도이고, 도 5는 본 발명의 하나의 실시예에 따른 환경 데이터 보간 장치의 모델 선택 방법을 나타낸 도면이다.
먼저, 환경 데이터 보간 장치(200)는 수집된 데이터에서 데이터의 누락 또는 오류를 감지한다(S410).
환경 데이터 보간 장치(200)는 수집된 환경 데이터에서 해당 센서 또는 스마트 팜(100)에서 설정된 시간 간격마다 환경 데이터의 존재 여부를 확인할 수 있다. 또한 환경 데이터 보간 장치(200)는 수집된 환경 데이터를 시계열적으로 분석하여 비정상적인 데이터의 존재 여부를 확인하여 환경 데이터의 오류를 확인할 수 있다.
다음으로 환경 데이터 보간 장치(200)는 데이터의 누락 또는 오류의 분석 결과에 따라 선형 보간 모델 또는 미리 학습된 신경망 보간 모델 중에서 하나 이상의 보간 모델을 선택한다(S420).
환경 데이터 보간 장치(200)는 환경 데이터의 누락 또는 오류의 분석 결과에 따라 해당 환경 데이터를 보간하기 위해 입력 값으로 동일한 환경 요인에 해당하는 상이한 종류의 환경 데이터를 더 수집할 수 있다.
그리고 이하에서의 신경망 보간 모델들은 각 환경 데이터의 종류, 오류 또는 누락된 기간에 따라 미리 학습된 신경망 보간 모델을 나타낸다.
도 5에 도시한 바와 같이, 환경 데이터 보간 장치(200)는 데이터 누락 또는 오류 정보를 분석한다(S421). 환경 데이터 보간 장치(200)는 해당 환경 데이터의 종류 그리고 오류 또는 누락된 기간을 추출하여 분석할 수 있다.
그리고 환경 데이터 보간 장치(200)는 해당 환경 데이터의 완전 손실 여부를 확인한다(S422). 이때, 환경 데이터가 완전 손실된 경우, 환경 데이터 보간 장치(200)는 BiLSTM 모델을 선택한다(S423).
여기서, BiLSTM (Bidirectional Long Short-Term Memory) 모델은 순환 신경망 보간 모델로, 이전 정보를 현재의 작업으로 연결하여 활용하는 장점을 가진다. 따라서, 완전 손실된 데이터를 보간하기 위해 시계열적으로 실제 환경 요인이 서로 어떻게 영향을 미치는지 분석하여 학습된 BiLSTM 모델을 선택할 수 있다.
한편, 환경 데이터가 완전 손실되지 않은 경우, 환경 데이터 보간 장치(200)는 손실 기간이 미리 설정한 기간인 N 보다 큰 값인 지 확인한다(S424).
손실 기간이 미리 설정한 기간인 N 보다 큰 값인 경우, 환경 데이터 보간 장치(200)는 MLP 모델을 선택한다(S425).
여기서, MLP (Multilayer Perceptron) 모델은 인공 신경망 알고리즘의 하나로, 온실 환경의 변화를 학습하고, 손실된 환경 데이터와 다른 환경 요인과의 일반화된 관계를 추출한다.
이처럼, 학습된 신경망 보간 모델은 해당 환경 데이터 이외에 다른 환경 요인을 사용하여 예측하기 때문에 정확도가 손실 기간과 함께 낮아지지 않도록 할 수 있다.
반면, 손실 기간이 미리 설정한 기간인 N 보다 작은 값인 경우, 환경 데이터 보간 장치(200)는 선형 보간 모델을 선택한다(S426).
선형 보간 모델은 일종의 통계적 방법으로 누락된 데이터 순서의 앞면과 뒷면에 가까운 데이터를 사용하여 공백 데이터를 보간할 수 있다.
다음으로 환경 데이터 보간 장치(200)는 선택된 보간 모델을 통해 환경 데이터의 누락 또는 오류에 대한 보간을 수행한다(S430).
환경 데이터 보간 장치(200)는 선택된 보간 모델을 통해 해당 환경 데이터의 보간된 데이터를 저장할 수 있으며, 이를 스마트 팜(100) 또는 사용자 단말(300)에 전송할 수 있다.
실제 스마트 팜에서 환경 데이터는 단기와 장기가 섞여 있기 때문에, 환경 데이터 보간 장치(200)는 복합적인 보간 모델을 선택하여 환경 데이터를 보간할 수 있다.
도 6은 상이한 손실 간격을 가지는 환경 데이터와 본 발명의 하나의 실시예에 따른 데이터 보간을 수행한 값을 비교하기 위한 그래프이다.
도 6의 A는 대기 온도, 상대 습도, 광합성 광자 자속 밀도 (PPFD) 그리고 이산화탄소(CO2)에 대해서, 정상적인 측정값, 2시간, 4시간, 6시간 12시간 24시간의 데이터 손실 간격을 가지는 측정값을 나타낸다.
정상적인 측정값은 회색의 그래프로, 2시간의 데이터 손실을 갖는 빨간색 측정값에서부터 최대 24시간을 가지는 하늘색 측정값을 보면, 데이터 손실의 구간이 커짐을 알 수 있다.
이에, 환경 데이터 보간 장치(200)는 도 6의 A의 환경 데이터들을 이용하여 환경 데이터 보간을 수행하면, 다음 B 그래프와 같다.
환경 데이터 보간 장치(200)는 2시간의 데이터 손실의 경우 선형 보간 모델을 선택하고, 4시간과 6시간의 데이터 손실인 경우에는 인공 신경망 보간 모델을 선택하며, 24시간의 데이터 손실에는 순환 신경망 보간 모델을 선택하여 각각 손실된 데이터를 보간하여 표시하였다.
도 6의 B에 도시한 바와 같이, 대기 온도, 상대 습도, 광합성 광자 자속 밀도 (PPFD) 그리고 이산화탄소(CO2)에 대해서, 각각 상이한 시간의 데이터 손실에 대해서 정상적인 측정값인 회색 그래프의 측정값들과 근사 값으로 손실 데이터가 보간되었음을 알 수 있다.
이와 같이, 환경 데이터 보간 장치(200)는 데이터 누락 및 오류의 상황에 따라 가장 적합한 보간 모델을 선택하여 적용함으로써, 데이터 보간의 정확성이 향상되며, 스마트 팜의 빅데이터 활용성을 높일 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: 스마트 팜 200: 환경 데이터 보간 장치
210: 수집부 220: 제어부
230: 데이터 보간부 240: 보간 모델 학습부
241: 학습 모델 선택부 242: 학습 모델 보간부
243: 학습 모델 평가부 244: 학습 모델 제어부
300: 사용자 단말

Claims (10)

  1. 스마트 팜과 네트워크로 연결되어 상기 스마트 팜으로부터 복수의 환경 인자에 대응한 환경 데이터들을 수집하는 수집부,
    상기 환경 데이터에서 오류 또는 누락 여부를 확인하면 오류 또는 누락된 상기 환경 데이터의 환경 인자 종류와 오류 또는 누락 기간에 기초하여 대응되는 선형 보간 모델 또는 미리 학습된 신경망 보간 모델 중에서 하나 이상의 보간 모델을 선택하는 제어부, 그리고
    선택된 상기 데이터 보간 모델을 이용하여 상기 환경 데이터를 보간하여 저장하는 데이터 보간부
    를 포함하는 스마트 팜의 환경 데이터 보간 장치.
  2. 제1항에서,
    미리 저장된 상기 스마트 팜의 상기 환경 데이터를 이용하여 학습 데이터의 보간 조건을 설정하고, 상기 보간 조건에 기초하여 오류 또는 누락된 상기 학습 데이터를 보간하도록 인공 신경망 보간 모델 또는 순환 신경망 보간 모델을 학습하는 보간 모델 학습부를 더 포함하는 스마트 팜의 환경 데이터 보간 장치.
  3. 제2항에서,
    상기 보간 모델 학습부는,
    상기 학습 데이터의 종류와 오류 또는 누락된 기간에 기초하여 선형 보간 모델, 인공 신경망 보간 모델 또는 순환 신경망 보간 모델 중에서 하나 이상의 학습 모델을 선택하는 학습 모델 선택부,
    관련된 복수 개의 환경 인자에 대응한 환경 데이터를 이용하여 선택된 학습 모델을 통해 상기 학습 데이터의 보간을 수행하는 학습 모델 보간부,
    보간된 학습 데이터와 미리 저장된 환경 데이터를 비교하여 정확도를 측정하고, 측정된 정확도에 따라 상기 학습 모델을 평가하는 학습 모델 평가부, 그리고
    상기 정확도가 미리 설정된 임계치보다 낮으면 미리 저장된 상기 환경 데이터 값이 도출되도록 상기 학습 모델에 포함된 레이어의 가중치를 재조정하는 학습 모델 제어부를 포함하는 스마트 팜의 환경 데이터 보간 장치.
  4. 제3항에서,
    상기 학습 모델 제어부는,
    상기 정확도가 미리 설정된 임계치보다 높으면, 상기 학습 데이터의 종류와 오류 또는 누락된 기간에 대응하여 상기 학습 모델을 상기 보간 모델로 설정하는 스마트 팜의 환경 데이터 보간 장치.
  5. 제1항 또는 제4항에서,
    상기 데이터 보간부는,
    미리 학습된 신경망 보간 모델을 선택하면, 오류 또는 누락된 상기 환경 데이터와 임계치 이상의 관계도를 가지는 환경 인자의 환경 데이터들을 수집하고 수집된 환경 데이터들을 이용하여 상기 환경 데이터를 보간하는 스마트 팜의 환경 데이터 보간 장치.
  6. 제1항 또는 제4항에서,
    상기 제어부는,
    상기 환경 데이터의 오류 또는 누락된 기간을 단기, 중장기 또는 완전 손실의 단계 중에서 하나의 단계로 구분하고, 단기에는 선형 보간 모델을 선택하고, 중장기에는 인공 신경망 보간 모델을 선택하며, 완전 손실에는 순환 신경망 보간 모델을 선택하는 스마트 팜의 환경 데이터 보간 장치.
  7. 스마트 팜과 네트워크로 연결되어 상기 스마트 팜으로부터 환경 데이터를 수집하는 단계,
    상기 환경 데이터의 오류 또는 누락 여부를 분석하고, 분석된 결과에 따라 선형 보간 모델 또는 미리 학습된 신경망 보간 모델 중에서 하나 이상의 보간 모델을 선택하는 단계, 그리고
    선택된 보간 모델을 이용하여 오류 또는 누락된 상기 환경 데이터의 보간을 수행하여 저장하는 단계
    를 포함하는 환경 데이터 보간 장치의 보간 방법.
  8. 제7항에서,
    상기 환경 데이터의 보간을 수행하여 저장하는 단계는,
    미리 학습된 상기 신경망 보간 모델을 선택하면, 오류 또는 누락된 상기 환경 데이터와 임계치 이상의 관계도를 가지는 환경 인자의 환경 데이터들을 수집하고 수집된 환경 데이터들을 이용하여 상기 환경 데이터를 보간하는 환경 데이터 보간 장치의 보간 방법.
  9. 제7항에서,
    상기 신경망 보간 모델을 학습시키는 단계는,
    상기 환경 데이터의 오류 또는 누락된 기간을 단기, 중장기 또는 완전 손실의 단계 중에서 하나의 단계로 구분하고, 단기에는 선형 보간 모델을 선택하고, 중장기에는 인공 신경망 보간 모델을 선택하며, 완전 손실에는 순환 신경망 보간 모델을 선택하는 환경 데이터 보간 장치의 보간 방법.
  10. 제7항에서,
    미리 저장된 상기 스마트 팜의 상기 환경 데이터를 이용하여 학습 데이터의 보간 조건을 설정하고, 상기 보간 조건에 기초하여 오류 또는 누락된 상기 학습 데이터의 보간 작업을 수행하고, 보간된 학습 데이터가 미리 저장된 상기 환경 데이터로 도출되도록 상기 신경망 보간 모델을 학습시키는 단계를 더 포함하는 환경 데이터 보간 장치의 보간 방법.
KR1020190092032A 2019-07-29 2019-07-29 스마트 팜 환경 데이터의 보간 장치 및 그 방법 KR102347535B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190092032A KR102347535B1 (ko) 2019-07-29 2019-07-29 스마트 팜 환경 데이터의 보간 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190092032A KR102347535B1 (ko) 2019-07-29 2019-07-29 스마트 팜 환경 데이터의 보간 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20210014027A true KR20210014027A (ko) 2021-02-08
KR102347535B1 KR102347535B1 (ko) 2022-01-04

Family

ID=74560373

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190092032A KR102347535B1 (ko) 2019-07-29 2019-07-29 스마트 팜 환경 데이터의 보간 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102347535B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023080365A1 (ko) * 2021-11-08 2023-05-11 (주) 위세아이텍 순환신경망 기반 이중 딥러닝 모델을 활용한 시계열 데이터 결측치 보간 시스템
WO2023090967A1 (ko) * 2021-11-22 2023-05-25 에스케이플래닛 주식회사 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130068624A (ko) * 2011-12-15 2013-06-26 한국전자통신연구원 화자 그룹 기반 음성인식 장치 및 방법
KR20180028004A (ko) * 2016-09-07 2018-03-15 한국전자통신연구원 복수의 워커 노드가 분산된 환경에서 데이터 스트림을 분석하고 처리하는 방법 및 장치, 그리고 태스크를 관리하는 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130068624A (ko) * 2011-12-15 2013-06-26 한국전자통신연구원 화자 그룹 기반 음성인식 장치 및 방법
KR20180028004A (ko) * 2016-09-07 2018-03-15 한국전자통신연구원 복수의 워커 노드가 분산된 환경에서 데이터 스트림을 분석하고 처리하는 방법 및 장치, 그리고 태스크를 관리하는 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
박소우 외 2인. 표준기상데이터 작성 시 누락된 풍속 데이터의 보간 방법 제안. 한국태양에너지학회 논문집. 한국태양에너지학회. 2017년 12월, 제37권, 제6호, pp.79-91 (2017.12.) 1부.* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023080365A1 (ko) * 2021-11-08 2023-05-11 (주) 위세아이텍 순환신경망 기반 이중 딥러닝 모델을 활용한 시계열 데이터 결측치 보간 시스템
WO2023090967A1 (ko) * 2021-11-22 2023-05-25 에스케이플래닛 주식회사 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법

Also Published As

Publication number Publication date
KR102347535B1 (ko) 2022-01-04

Similar Documents

Publication Publication Date Title
US20200327435A1 (en) Systems and methods for sequential power system model parameter estimation
US20220058525A1 (en) Model integration apparatus, model integration method, computer-readable storage medium storing a model integration program, inference system, inspection system, and control system
KR102347535B1 (ko) 스마트 팜 환경 데이터의 보간 장치 및 그 방법
CN110087207B (zh) 无线传感器网络缺失数据重建方法
KR20210090394A (ko) 머신러닝을 이용한 지능형 스마트팜 운영 시스템
US20210003461A1 (en) Sensor calibration
KR101906859B1 (ko) 이상 서브시퀀스 검출 장치 및 방법
CN111782491B (zh) 一种磁盘故障预测方法、装置、设备及存储介质
CN111401553A (zh) 一种基于神经网络的缺失数据填充方法及系统
US20230230373A1 (en) System and method for estimating vegetation coverage in a real-world environment
CN110717509B (zh) 基于树分裂算法的数据样本分析方法及装置
Francini et al. The Three Indices Three Dimensions (3I3D) algorithm: a new method for forest disturbance mapping and area estimation based on optical remotely sensed imagery
JP2020052520A (ja) 判定装置、判定方法、およびプログラム
CN113094284A (zh) 应用故障检测方法及装置
US20210397158A1 (en) Computing system with discriminative classifier for determining similarity of a monitored gas delivery process
US11580609B2 (en) Crop monitoring to determine and control crop yield
US11170219B2 (en) Systems and methods for improved landscape management
CN110672143A (zh) 一种传感器校准方法
US20220327335A1 (en) Controlling asynchronous fusion of spatio-temporal multimodal data
CN114881540A (zh) 确定水源治理方案的方法和装置、电子设备和存储介质
KR102296308B1 (ko) 3차원 식물 구조 모델과 광추적 시뮬레이션에 기초한 식물 분석 장치 및 그 방법
KR20220028727A (ko) 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치
US20220092871A1 (en) Filter learning device, filter learning method, and non-transitory computer-readable medium
JP2022028451A (ja) マップ生成装置、マップ生成方法、マップ生成プログラム、学習済みモデルの生成方法および学習済みモデル生成装置
Vignesh et al. Deep Reinforcement Learning Based Weather Monitoring Systemusing Arduino for Smart Environment

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant