KR20210090394A - 머신러닝을 이용한 지능형 스마트팜 운영 시스템 - Google Patents
머신러닝을 이용한 지능형 스마트팜 운영 시스템 Download PDFInfo
- Publication number
- KR20210090394A KR20210090394A KR1020200003586A KR20200003586A KR20210090394A KR 20210090394 A KR20210090394 A KR 20210090394A KR 1020200003586 A KR1020200003586 A KR 1020200003586A KR 20200003586 A KR20200003586 A KR 20200003586A KR 20210090394 A KR20210090394 A KR 20210090394A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- category
- smart farm
- unit
- module
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 70
- 239000000463 material Substances 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims description 64
- 238000007405 data analysis Methods 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 25
- 238000013075 data extraction Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 26
- 238000003306 harvesting Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 12
- 238000013480 data collection Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 239000013538 functional additive Substances 0.000 description 2
- 239000001963 growth medium Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004083 survival 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 스마트팜 관리서버가 재배공간인 스마트팜에 설치된 IoT센서들로부터 측정된 수집데이터들을 분석하여 현재 상태에 대응하는 최적의 환경 및 조건을 유지하기 위한 제어데이터를 생성함과 동시에 스마트팜의 제어유닛들이 스마트팜 관리서버에 의해 생성된 제어데이터에 따라 환경 및 물질의 공급이 이루어지도록 구성됨으로써 농작물의 생산량 및 품질을 극대화시킬 수 있을 뿐만 아니라 작업인력 및 시간을 절감시킬 수 있으며, 스마트팜 관리서버가 기 설정된 카테고리별로 특화된 머신러닝 알고리즘들을 각각 이용하여 카테고리별로 수집데이터를 분석하도록 구성됨으로써 현재 상태에 따라 출력되는 제어데이터의 정확성 및 신뢰도를 높일 수 있고, 이에 따라 농작물 생산량 및 품질을 더욱 개선시킬 수 있고, 스마트팜 관리서버가 컨트롤러로부터 전송받은 수집데이터에서 데이터 손실/누락이 발생하였는지를 판단하되, 데이터 손실/누락이 발생할 때, 기 저장된 수집데이터들 중 유사도가 가장 높은 수집데이터를 손실/누락된 데이터로 대체시킴으로써 일시적인 부하 및 충돌로 인해 데이터 손실/누락이 발생하더라도, 안정적인 서비스를 지속적으로 제공할 수 있는 지능형 스마트팜 운영 시스템에 관한 것이다.
Description
본 발명은 머신러닝을 이용한 지능형 스마트팜 운영 시스템에 관한 것으로서, 상세하게로는 스마트팜의 IoT센서들에 의해 수집된 데이터를 활용하여 머신러닝을 이용하여 스마트팜을 지능적으로 관리 및 운용하기 위한 지능형 스마트팜 운영 시스템에 관한 것이다.
최근 들어 통신 인프라가 확장되고 센싱기술이 고도화됨에 따라 각종 현장의 시설물들을 모니터링 및 장애예방을 위한 목적으로 유비쿼터스 센서 네트워크(USN, Ubiquitous Sensor Network) 또는 센서 네트워크 시스템 기반의 시설물 관리 기술들이 보급화 되고 있는 추세이다.
특히 농업은 먹거리를 생산하는 인류 생존에 필수적인 산업이지만, 전통적인 농업기술이 유지되고 있어 가장 현신이 느린 산업임과 더불어 현재 농업 생산인구의 감소와 고령화로 인해 미래 먹거리 생산에 대한 불안이 증대되고 있다.
이에 따라 ICT(Information and Communication Technology)를 농업에 접목시켜 농작물의 생육환경을 관리하며, 생산효율성을 높이기 위한 스마트 팜(Smart farm)에 대한 다양한 연구가 이루어지고 있다.
도 1은 국내공개특허 제10-2019-0140507호(발명의 명칭 : 사물인터넷과 빅데이터플랫폼을 이용한 스마트팜 관리시스템)에 개시된 스마트팜 관리시스템을 나타내는 개략적으로 나타내는 도면이다.
도 1의 스마트팜 관리시스템(이하 종래기술이라고 함)(100)은 IoT 디바이스(110)와, 빅데이터 플랫폼(120), 사용자 단말기(130), 재배환경 제어장치(140)로 이루어진다.
IoT 디바이스(110)는 작물 재배환경 및 생육상태를 측정하는 센서들로 이루어지고, 상세하게로는 작물 재배환경의 온도, 습도, 일사량, 토양수분, pH 및 CO2농도를 포함한 재배환경을 측정하는 재배환경측정 IoT 디바이스(111)와, 작물의 생장상태를 측정하는 작물상태측정 IoT 디바이스(112)로 이루어진다.
또한 IoT 디바이스(110)는 IoT 게이트웨이를 경유하여 측정된 재배환경 및 작물상태에 대한 측정 IoT 데이터를 빅데이터 플랫폼(120)으로 전송한다.
빅데이터 플랫폼(120)은 복수의 IoT 디바이스(110)와 통신하여, 복수의 IoT 디바이스(110)로부터 작물 재배환경 및 생육상태에 대한 측정 IoT 데이터를 수신한 후, 수집된 IoT 데이터에 기초한 빅데이터를 분석 및 가공하여 작물의 생장환경을 분석하며, 분석된 작물의 생장환경 분석데이터를 기초로 재배 작물에 대한 재배환경 제어데이터를 생성한다.
또한 빅데이터 플랫폼(120)은 수집된 IoT 데이터를 시각화하는 시각화 정보를 생성한 후, 생성된 시각화 정보를 사용자 단말기(130)로 전송한다.
사용자 단말기(130)는 빅데이터 플랫폼(120)과 네트워크를 통하여 연결되어 빅데이터 플랫폼(120)으로부터 공급받은 시각화된 IoT 데이터정보를 디스플레이 한다.
재배환경 제어장치(140)는 빅데이터 플랫폼(120)으로부터 전송ㅈ받은 재배환경 제어데이터에 따라 작물의 재배환경을 제어한다.
이와 같이 구성되는 종래기술(100)은 원격지에서 사용자 단말기(130)를 통해 재배 작물의 생장환경 분석데이터를 확인할 수 있을 뿐만 아니라, 빅데이터를 기반으로 작물의 재배환경을 최적의 상태로 제어할 수 있는 장점을 갖는다.
일반적으로 종래기술(100)의 재배환경측정 IoT 디바이스(111)들은 온도, 습도, 일사량, 토양수분, pH 및 CO2농도 등을 측정하도록 분류되고, 이에 따라 빅데이터 플랫폼(130)은 측정 IoT 데이터를 분석할 때, 해당 카테고리의 특성에 적합한 머신러닝 알고리즘을 사용하는 것이 유용하나, 종래기술(100)의 빅데이터 플랫폼(130)은 측정 IoT 데이터들의 카테고리에 따라 최적의 머신러닝 알고리즘이 적용되도록 하는 구성이 기재되어 있지 않기 때문에 작물의 재배환경을 최적으로 제어하지 못하는 구조적 한계를 갖는다.
또한 종래기술(100)은 IoT 디바이스(110)가 측정 IoT 데이터를 빅데이터 플랫폼(130)으로 전송 시, 일시적인 통신장애 또는 부하로 인해 데이터누락, 손실이 발생하더라도, 이를 대처하지 못하는 단점을 갖는다.
또한 종래기술(100)은 복수개의 IoT 게이트웨이들이 적용될 때, 빅데이터 플랫폼(130)이 복수개의 IoT 게이트웨이들로부터 실시간으로 측정 IoT 데이터들을 전송받기 때문에 방대한 데이터 송수신으로 인한 네트워크 부하가 과도하게 증가하는 문제점이 발생한다.
본 발명은 이러한 문제를 해결하기 위한 것으로, 본 발명의 해결과제는 스마트팜 관리서버가 재배공간인 스마트팜에 설치된 IoT센서들로부터 측정된 수집데이터들을 분석하여 현재 상태에 대응하는 최적의 환경 및 조건을 유지하기 위한 제어데이터를 생성함과 동시에 스마트팜의 제어유닛들이 스마트팜 관리서버에 의해 생성된 제어데이터에 따라 환경 및 물질의 공급이 이루어지도록 구성됨으로써 농작물의 생산량 및 품질을 극대화시킬 수 있을 뿐만 아니라 작업인력 및 시간을 절감시킬 수 있는 머신러닝을 이용한 지능형 스마트팜 운영 시스템을 제공하기 위한 것이다.
또한 본 발명의 다른 해결과제는 스마트팜 관리서버가 기 설정된 카테고리별로 특화된 머신러닝 알고리즘들을 각각 이용하여 카테고리별로 수집데이터를 분석하도록 구성됨으로써 현재 상태에 따라 출력되는 제어데이터의 정확성 및 신뢰도를 높일 수 있고, 이에 따라 농작물 생산량 및 품질을 더욱 개선시킬 수 있는 머신러닝을 이용한 지능형 스마트팜 운영 시스템을 제공하기 위한 것이다.
또한 본 발명의 또 다른 해결과제는 스마트팜 관리서버가 컨트롤러로부터 전송받은 수집데이터에서 데이터 손실/누락이 발생하였는지를 판단하되, 데이터 손실/누락이 발생할 때, 기 저장된 수집데이터들 중 유사도가 가장 높은 수집데이터를 손실/누락된 데이터로 대체시킴으로써 일시적인 부하 및 충돌로 인해 데이터 손실/누락이 발생하더라도, 안정적인 서비스를 지속적으로 제공할 수 있는 머신러닝을 이용한 지능형 스마트팜 운영시스템을 제공하기 위한 것이다.
또한 본 발명의 또 다른 해결과제는 컨트롤러가 수집된 측정데이터가 기 설정된 설정값(TH)의 임계범위 이내일 때, 해당 측정데이터를 유효하지 않은 데이터로 판별하여 스마트팜 관리서버로 전송하지 않되, 스마트팜 관리서버가 컨트롤러로부터 전송받은 수집데이터에서 누락된 데이터가 존재할 때, 해당 카테고리의 설정값(TH)을 누락된 데이터로 대체시킨 후, 이를 활용하도록 구성됨으로써 데이터 송수신의 효율성을 극대화시킴과 동시에 방대한 데이터 전송으로 인한 네트워크 부하를 효과적으로 절감시킬 수 있는 머신러닝을 이용한 지능형 스마트팜 운영 시스템을 제공하기 위한 것이다.
상기 과제를 해결하기 위한 본 발명의 해결수단은 스마트팜의 농작물을 관리하기 위한 지능형 스마트팜 운영 시스템에 있어서: 상기 스마트팜에 설치되어 농작물의 재배환경에 필요한 대상을 측정하거나 또는 농작물에 필요한 공급물질의 공급상태를 측정하는 IoT센서들; 상기 스마트팜에 설치되어 농작물의 재배환경을 제어하거나 또는 농작물에 필요한 물질을 공급하는 제어유닛들; 상기 스마트팜에 설치되어 상기 IoT센서들로부터 측정데이터들을 수신 받으며, 수신 받은 측정데이터들을 매칭시킨 수집데이터를 외부로 송출하는 컨트롤러; 상기 컨트롤러로부터 전송받은 수집데이터를 분석하여 현재 상태에 대응되는 최적의 환경 및 조건을 유지하기 위한 상기 제어유닛들의 구동제어신호인 제어데이터를 생성하는 스마트팜 관리서버를 포함하고, 상기 컨트롤러를 상기 스마트팜 관리서버로부터 제어데이터를 전송받으면, 전송받은 제어데이터에 따라 상기 제어유닛들이 동작하도록 상기 제어유닛들을 제어하는 것이다.
또한 본 발명에서 상기 컨트롤러에는 상기 IoT센서들 각각에 대응되는 카테고리 정보 및 상기 제어유닛들 각각에 대응되는 카테고리 정보가 저장되고, 상기 컨트롤러는 상기 IoT센서들로부터 상기 주기(T) 마다 수신 받은 측정데이터들 각각을 대응되는 카테고리 정보와 매칭시켜 합친 수집데이터를 생성한 후, 생성된 수집데이터를 상기 스마트팜 관리서버로 전송하고, 상기 스마트팜 관리서버는 상기 컨트롤러와 데이터를 송수신하는 데이터 송수신부; 상기 IoT센서들 각각에 카테고리 정보가 매칭된 제1 기준테이블과, 상기 제어유닛들 각각에 카테고리 정보가 매칭된 제2 기준테이블이 저장되는 데이터베이스부; 상기 카테고리들 각각의 특성에 대응하는 머신러닝 알고리즘들을 각각 이용하여 해당 카테고리의 수집데이터를 분석하여 카테고리별로 제어데이터를 출력하는 머신러닝 기반 수집데이터 분석부; 상기 머신러닝 기반 수집데이터 분석부에 의해 출력된 제어데이터들을 매칭시켜 제어데이터를 생성하는 제어데이터 생성부; 상기 제어데이터 생성부에 의해 생성된 제어데이터가 상기 컨트롤러로 전송되도록 상기 데이터 송수신부를 제어하는 제어부를 포함하는 것이 바람직하다.
또한 본 발명에서 상기 머신러닝 기반 수집데이터 분석부는 수집데이터들을 카테고리별로 정렬 및 분류시키는 카테고리별 데이터 추출모듈; 각 카테고리의 수집데이터를 해당 카테고리의 머신러닝 알고리즘에 활용 가능한 수치벡터로 변환시키는 인코더들; 상기 인코더들에 의해 변환된 각 카테고리의 수치벡터를 해당 카테고리에 대응되는 머신러닝 알고리즘의 입력값으로 하여 해당 카테고리의 제어데이터를 출력하는 머신러닝 기반 수집데이터 분석모듈들을 포함하는 것이 바람직하다.
또한 본 발명에서 상기 스마트팜 관리서버는 데이터 손실/누락 판별 및 복원부를 더 포함하고, 상기 데이터 손실/누락 판별 및 복원부는 상기 컨트롤러로부터 전송받은 수집데이터를 카테고리별로 분류 및 추출하는 카테고리별 데이터 추출부; 상기 제1 기준테이블을 활용하여 상기 카테고리별 데이터 추출부에 의해 추출된 각 카테고리의 수집데이터들 중, 1)노이즈가 임계치 이상이거나 또는 2)측정데이터를 전송하지 않은 IoT센서가 존재할 때, 데이터 손실/누락이 발생하였다고 판단하는 탐색 및 판단부; 상기 탐색 및 판단부에 의해 데이터 손실/누락이 발생하였다고 판단될 때 실행되어 데이터 손실/누락된 데이터를 복원시키는 복원부를 포함하고, 상기 제어부는 상기 탐색 및 판단부에 의해 데이터 손실/누락이 발생하지 않았다고 판단될 때, 수집데이터를 그대로 상기 머신러닝 기반 수집데이터 분석부로 입력하되, 상기 탐색 및 판단부에 의해 데이터/손실 누락이 발생하였다고 판단될 때, 상기 복원부에 의해 복원된 수집데이터를 상기 머신러닝 기반 수집데이터 분석부로 입력하는 것이 바람직하다.
또한 본 발명에서 상기 복원부는 상기 데이터베이스부를 탐색하여 현재 시점으로부터 기 설정된 이전시점까지에 저장된 수집데이터들인 비교대상 데이터들을 추출하는 비교대상 데이터 추출모듈; 기 설정된 유사도 검출 알고리즘을 이용하여 입력된 수집데이터와 추출된 각 비교대상 데이터의 유사도(a)를 산출하는 유사도 산출모듈; 상기 유사도 산출모듈에 의해 산출된 유사도(a)들 중 가장 높은 유사도를 갖는 비교대상 데이터를 복원대상으로 결정하고, 결정된 복원대상의 수집데이터에서, 데이터 손실/누락된 카테고리와 동일한 카테고리의 데이터를 수집데이터의 복원값으로 결정하는 비교 및 복원값 검출모듈; 입력된 수집데이터에서, 손실/누락된 데이터를 상기 비교 및 복원값 검출모듈에 의해 검출된 복원값으로 대체시킴으로써 수집데이터를 복원하는 복원모듈을 포함하는 것이 바람직하다.
또한 본 발명에서 상기 컨트롤러에는 해당 카테고리의 측정데이터가 유효한 데이터인지 또는 유효하지 않은 데이터인지를 판별하기 위한 기준데이터인 각 카테고리별 설정값(TH, Threshold) 및 임계범위가 기 설정되어 저장되고, 상기 컨트롤러는 상기 IoT센서들로부터 전송받은 측정데이터들을 입력받는 측정데이터 입력모듈; 기 설정된 각 카테고리별 설정값(TH) 및 임계범위를 활용하여, 상기 측정데이터 입력모듈에 의해 입력된 각 카테고리의 측정데이터가 해당 설정값(TH)을 기준으로 한 임계범위 이내에 포함되는지를 비교하며, 만약 동일 카테고리의 측정데이터가 해당 카테고리의 설정값(TH)의 임계범위를 벗어나면, 해당 측정데이터를 유효한 데이터인 유효데이터로 판별하고, 만약 동일 카테고리의 측정데이터가 해당 카테고리의 설정값(TH)의 임계범위에 포함되면, 해당 측정데이터를 유효하지 않은 데이터인 무효데이터로 판별하는 설정값 비교 및 판별모듈; 상기 측정데이터 입력모듈을 통해 입력된 측정데이터들 중, 상기 설정값 비교 및 판별모듈에 의해 무효데이터로 판별된 측정데이터들을 필터링 하여 유효데이터로 판별된 측정데이터들만 선별하는 필터링 및 유효값 선별모듈을 포함하고, 상기 컨트롤러는 상기 필터링 및 유효값 선별모듈에 의해 선별된 유효데이터들 각각에 카테고리 정보를 매칭시켜 수집데이터를 생성하고, 상기 스마트판 관리서버는 수집데이터 가공부를 더 포함하고, 상기 수집데이터 가공부는 상기 데이터 송수신부를 통해 상기 컨트롤러부터 전송받은 수집데이터를 입력받는 입력모듈; 상기 제1 기준테이블을 활용하여 상기 입력모듈을 통해 입력된 수집데이터에서, 상기 스마트팜의 IoT센서들 중 데이터를 전송하지 않은 IoT센서인 누락대상이 존재하는지를 검출하는 탐색 및 누락대상 검출모듈; 상기 탐색 및 누락대상 검출모듈에 의해 누락대상이 검출될 때 실행되며, 상기 데이터베이스부를 탐색하여 누락대상의 카테고리에 대응되는 설정값(TH)을 추출한 후, 추출된 설정값(TH)을 해당 카테고리의 수집데이터로 대체시키는 방식으로 수집데이터를 가공하는 수집데이터 가공모듈을 포함하고, 상기 스마트팜 관리서버의 상기 제어부는 1)상기 탐색 및 누락대상 검출모듈에 의해 누락대상이 검출되지 않을 때, 전송받은 수집데이터를 상기 데이터베이스부에 저장함과 동시에 상기 머신러닝 기반 수집데이터 분석부로 입력하며, 2)상기 탐색 및 누락대상 검출모듈에 의해 누락대상이 검출도리 때, 상기 수집데이터 가공모듈에 의해 가공된 수집데이터를 상기 데이터베이스부에 저장함과 동시에 상기 머신러닝 기반 수집데이터 분석부로 입력하고, 상기 컨트롤러는 기 설정된 기간 동안 수집된 각 카테고리의 측정데이터들 전체가 해당 카테고리의 설정값(TH)의 임계범위에 포함되는지 아닌지를 판별하며, 만약 카테고리별로 추출된 측정데이터들 전체가 해당 카테고리의 설정값(TH)의 임계범위에 포함되지 않을 때, 해당 카테고리의 설정값(TH)을 재설정할 필요가 있다고 판단하고, 만약 카테고리별로 추출된 측정데이터들 중 하나 이상이 해당 카테고리의 설정값(TH)의 임계범위에 포함될 때, 해당 카테고리의 설정값(TH)을 재설정할 필요가 없다고 판단하고, 설정값(TH)을 재설정할 필요가 있다고 판단될 때, 해당 카테고리의 추출된 측정데이터들의 평균값을 설정값(TH)으로 재설정하는 설정값 재설정모듈을 더 포함하고, 상기 컨트롤러는 상기 설정값 재설정모듈에 의해 설정값(TH)이 재설정되면, 재설정된 설정값(TH)을 저장함과 동시에 해당 카테고리와 매칭시켜 상기 스마트팜 관리서버로 전송하는 것이 바람직하다.
상기 과제와 해결수단을 갖는 본 발명에 따르면 스마트팜 관리서버가 재배공간인 스마트팜에 설치된 IoT센서들로부터 측정된 수집데이터들을 분석하여 현재 상태에 대응하는 최적의 환경 및 조건을 유지하기 위한 제어데이터를 생성함과 동시에 스마트팜의 제어유닛들이 스마트팜 관리서버에 의해 생성된 제어데이터에 따라 환경 및 물질의 공급이 이루어지도록 구성됨으로써 농작물의 생산량 및 품질을 극대화시킬 수 있을 뿐만 아니라 작업인력 및 시간을 절감시킬 수 있게 된다.
또한 본 발명에 의하면 스마트팜 관리서버가 기 설정된 카테고리별로 특화된 머신러닝 알고리즘들을 각각 이용하여 카테고리별로 수집데이터를 분석하도록 구성됨으로써 현재 상태에 따라 출력되는 제어데이터의 정확성 및 신뢰도를 높일 수 있고, 이에 따라 농작물 생산량 및 품질을 더욱 개선시킬 수 있다.
또한 본 발명에 의하면 스마트팜 관리서버가 컨트롤러로부터 전송받은 수집데이터에서 데이터 손실/누락이 발생하였는지를 판단하되, 데이터 손실/누락이 발생할 때, 기 저장된 수집데이터들 중 유사도가 가장 높은 수집데이터를 손실/누락된 데이터로 대체시킴으로써 일시적인 부하 및 충돌로 인해 데이터 손실/누락이 발생하더라도, 안정적인 서비스를 지속적으로 제공할 수 있게 된다.
또한 본 발명에 의하면 컨트롤러가 수집된 측정데이터가 기 설정된 설정값(TH)의 임계범위 이내일 때, 해당 측정데이터를 유효하지 않은 데이터로 판별하여 스마트팜 관리서버로 전송하지 않되, 스마트팜 관리서버가 컨트롤러로부터 전송받은 수집데이터에서 누락된 데이터가 존재할 때, 해당 카테고리의 설정값(TH)을 누락된 데이터로 대체시킨 후, 이를 활용하도록 구성됨으로써 데이터 송수신의 효율성을 극대화시킴과 동시에 방대한 데이터 전송으로 인한 네트워크 부하를 효과적으로 절감시킬 수 있게 된다.
도 1은 국내공개특허 제10-2019-0140507호(발명의 명칭 : 사물인터넷과 빅데이터플랫폼을 이용한 스마트팜 관리시스템)에 개시된 스마트팜 관리시스템을 나타내는 개략적으로 나타내는 도면이다.
도 2는 본 발명의 일실시예인 지능형 스마트팜 운영 시스템을 나타내는 구성도이다.
도 3은 도 2의 IoT센서를 설명하기 위한 개념도이다.
도 4는 도 2의 컨트롤러를 나타내는 블록도이다.
도 5는 도 2의 스마트팜 관리서버를 나타내는 블록도이다.
도 6은 도 5의 데이터 손실/누락 판별 및 복원부를 나타내는 블록도이다.
도 7은 도 6을 설명하기 위한 개념도이다.
도 8은 도 6의 복원부를 나타내는 블록도이다.
도 9는 도 5의 머신러닝 기반 수집데이터 분석부를 나타내는 블록도이다.
도 10은 도 9를 설명하기 위한 개념도이다.
도 11은 도 4의 컨트롤러의 제2 실시예인 제2 컨트롤러를 나타내는 블록도이다.
도 12는 도 11의 측정데이터 선별모듈을 나타내는 블록도이다.
도 13은 도 5의 스마트팜 관리서버의 제2 실시예이다.
도 14는 도 13의 수집데이터 가공부를 나타내는 블록도이다.
도 2는 본 발명의 일실시예인 지능형 스마트팜 운영 시스템을 나타내는 구성도이다.
도 3은 도 2의 IoT센서를 설명하기 위한 개념도이다.
도 4는 도 2의 컨트롤러를 나타내는 블록도이다.
도 5는 도 2의 스마트팜 관리서버를 나타내는 블록도이다.
도 6은 도 5의 데이터 손실/누락 판별 및 복원부를 나타내는 블록도이다.
도 7은 도 6을 설명하기 위한 개념도이다.
도 8은 도 6의 복원부를 나타내는 블록도이다.
도 9는 도 5의 머신러닝 기반 수집데이터 분석부를 나타내는 블록도이다.
도 10은 도 9를 설명하기 위한 개념도이다.
도 11은 도 4의 컨트롤러의 제2 실시예인 제2 컨트롤러를 나타내는 블록도이다.
도 12는 도 11의 측정데이터 선별모듈을 나타내는 블록도이다.
도 13은 도 5의 스마트팜 관리서버의 제2 실시예이다.
도 14는 도 13의 수집데이터 가공부를 나타내는 블록도이다.
이하, 첨부된 도면을 참조하여 본 발명의 일실시예를 설명한다.
도 2는 본 발명의 일실시예인 지능형 스마트팜 운영 시스템을 나타내는 구성도이다.
본 발명의 일실시예인 지능형 스마트팜 운영 시스템(1)은 도 2에 도시된 바와 같이, 농작물 재배공간인 스마트팜(2-1), ..., (2-N)들 각각에 설치되어 재배환경, 작황상태, 공급물질 공급상태 등을 측정하는 IoT센서(5-1), ..., (5-N)들과, 각 스마트팜(2)에 설치되어 환경 및 공급물질의 공급량을 제어하는 제어유닛(6-1), ..., (6-N)들과, 각 스마트팜(2)에 설치되어 농작물을 촬영하여 영상을 획득하는 카메라(4)들과, IoT센서(5-1), ..., (5-N)들에 의해 측정된 측정데이터를 수집하며 기 설정된 주기(T) 마다 수집된 데이터를 후술되는 스마트팜 관리서버(7)로 전송하는 컨트롤러(3-1), ..., (3-N)들과, 컨트롤러(3-1), ..., (3-N)들로부터 전송받은 수집데이터를 저장함과 동시에 이를 기 설정된 머신러닝 알고리즘들을 통해 분석하여 현재 상태에 대응되는 제어데이터를 생성한 후, 생성된 제어데이터를 해당 컨트롤러(3)로 전송하는 스마트팜 관리서버(7)와, 스마트팜 관리서버(7)에서 제공하는 스마트팜 플랫폼(8)에 연동하여 스마트팜 운영서비스를 제공받는 사용자단말기(9)와, 스마트팜 관리서버(7) 및 컨트롤러(3-1), ..., (3-N)들 사이의 데이터 이동경로를 제공하는 통신망(10)으로 이루어진다.
이때 도면에는 도시되지 않았으나, 동일 재배공간에 설치된 컨트롤러(3), IoT센서(5-1), (5-N)들, 카메라(4) 및 제어유닛(6-1), ..., (6-N)들은 유무선 근거리통신망(미도시)으로 연결되어 데이터를 송수신하도록 구성된다.
또한 도 2에서는 설명의 편의를 위해 각 스마트팜(2)에 단일 카메라(4)가 설치되는 것으로 예를 들어 설명하였으나, 각 스마트팜(2)에는 2개 이상의 카메라(4)들이 설치될 수 있음은 당연하다.
통신망(10)은 스마트팜 관리서버(7) 및 컨트롤러(3-1), ..., (3-N)들 사이의 데이터통신을 지원하며, 상세하게로는 광역통신망(WAN), 이동통신망, 유선통신망, LTE, 3G, 4G, 5G 등으로 구성될 수 있다.
카메라(4)는 농작물을 촬영하여 영상을 획득하며, 획득된 영상을 해당 스마트팜(2)의 컨트롤러(3)로 전송한다. 이때 카메라(4)의 촬영에 의해 획득된 영상은 컨트롤러(3)를 통해 스마트팜 관리서버(7)로 전송되고, 스마트팜 관리서버(7)가 전송받은 영상을 분석하여 농작물의 재배상태를 인지함과 동시에 수확예측 및 등급검출 등의 기능을 수행할 수 있게 된다.
도 3은 도 2의 IoT센서를 설명하기 위한 개념도이다.
IoT센서(5-1), ..., (5-N)들은 재배공간인 스마트팜(2)에 설치되어 해당 스마트팜(2)의 운영에 필요한 데이터를 측정하기 위한 수단이며, 상세하게로는 기 설정된 감지대상을 측정하는 통상의 센서와, 센서에 의해 측정된 데이터를 컨트롤러(3)로 송출하는 액츄에이터(Actuator)로 구성된다.
또한 IoT센서(5)는 도 3에 도시된 바와 같이, 해당 재배공간의 환경정보를 측정하기 위한 환경상태 측정용 IoT센서(S1) 및 해당 농작물의 작황에 필요한 공급물질의 공급상태를 측정하기 위한 공급상태 측정용 IoT센서(S2) 중 어느 하나로 구성될 수 있다.
이때 1)환경상태 측정용 IoT센서(S1)는 온도센서, 습도센서, 조도센서 등과 같이 해당 재배공간의 온도, 습도, 조도, CO, 풍향 등의 환경정보를 측정하기 위한 센서이고, 2)공급상태 측정용 IoT센서(S2)는 배양액, 용수, 기능성첨가제 등과 같이 해당 농작물의 작황에 필요한 물질인 공급물질의 공급상태를 측정하기 위한 센서이다.
이러한 IoT센서(5-1), ..., (5-N)들에 의해 측정된 측정데이터들은 기 설정된 주기(T) 마다 컨트롤러(3)로 전송된다.
제어유닛(6-1), ..., (6-N)들은 해당 스마트팜의 환경 및 공급물질의 공급량을 제어하는 수단이며, 상세하게로는 히터, 냉각기, 조명장치, 송풍기, 환풍기, 배양액 공급밸브, 용수 공급밸브, 기능성첨가제 공급밸브 등의 동작을 제어하도록 구성된다.
또한 제어유닛(6-1), ..., (6-N)들은 컨트롤러(3)로부터 전송받은 제어데이터에 따라 동작한다. 이때 제어데이터는 스마트팜 관리서버(7)가 IoT센서(5-1), ..., (5-N)들에 의해 수집된 데이터를 분석하여 현재 상태에 대응되는 최적의 환경 및 조건을 유지하기 위해 검출한 각 제어유닛(6)의 동작제어신호를 의미한다.
컨트롤러(3)는 해당 스마트팜(2)의 카메라(4)로부터 영상을 수신 받으며, 수신 받은 영상을 스마트팜 관리서버(7)로 전송한다.
또한 컨트롤러(3)는 해당 스마트팜(2)의 IoT센서(5-1), ..., (5-N)들로부터 주기적으로 측정된 데이터들을 수신받아 이를 수집한다.
또한 컨트롤러(3)는 수집된 측정데이터들을 매칭시킨 수집데이터들을 기 설정된 주기(T) 마다 스마트팜 관리서버(7)로 전송한다. 이때 스마트팜 관리서버(7)는 컨트롤러(3)로부터 수집데이터를 전송받으면, 머신러닝 알고리즘을 이용하여 전송받은 수집데이터를 분석하여 해당 스마트팜(2)의 현재 상태에 대응되는 최적의 환경 및 조건을 유지하기 위한 제어데이터를 생성한 후, 생성된 제어데이터를 컨트롤러(3)로 전송한다.
또한 컨트롤러(3)는 스마트팜 관리서버(7)로부터 전송받은 제어데이터에 따라 제어유닛(6-1), ..., (6-N)들의 동작을 제어함으로써 스마트팜(2)의 농작물이 최적의 환경 및 조건을 유지할 수 있게 되고, 이에 따라 동일 조건 대비 생산량 및 품질을 극대화시킬 수 있게 된다.
스마트팜 관리서버(7)는 각 스마트팜(2)의 컨트롤러(3-1), ..., (3-N)들 및 스마트팜 플랫폼(8)의 운영을 관리 및 제어하는 서버이다.
또한 스마트팜 관리서버(7)에는 각 스마트팜(2)의 카메라(4), IoT센서(5)들 및 제어유닛(6)들 각각의 식별정보가 저장된다.
또한 스마트팜 관리서버(7)에는 각 스마트팜(2)별로 IoT센서(5-1), ..., (5-N)들 각각에 카테고리 정보가 매칭된 제1 기준테이블과, 각 스마트팜(2)의 제어유닛(6-1), ..., (6-N)들 각각에 카테고리 정보가 매칭된 제2 기준테이블이 저장된다.
이때 카테고리는 측정 또는 제어 대상을 식별하기 위한 정보를 의미하고, ‘온도’, ‘습도’, ‘조도’, ‘용수 공급상태’, ‘영상’ 등으로 이루어질 수 있다.
예를 들어, 제1 기준테이블의 ‘온도’ 카테고리에는 IoT센서(5)로 ‘온도센서’가 매칭될 수 있고, 제2 기준테이블의 ‘온도’ 카테고리에는 제어유닛(6)으로 ‘히터’, ‘냉각기’가 매칭될 수 있다.
또한 스마트팜 관리서버(7)는 컨트롤러(3-1), ..., (3-N)들로부터 전송받은 수집데이터를 데이터베이스 서버에 저장함과 동시에 각 카테고리별로 기 설정된 머신러닝 알고리즘들을 이용하여 대응되는 수집데이터의 측정데이터들을 각각 분석하여 해당 카테고리의 측정데이터에 대응되는 제어데이터를 출력한다.
이때 머신러닝 알고리즘들에 의해 출력되는 출력값인 제어데이터는 ‘증가’, ‘감소’ 및 ‘유지’로 분류된다. 예를 들어, ‘온도’ 카테고리의 현재 온도가 35℃이고, 최적 조건이 25℃라고 가정할 때, 온도 카테고리에 대응되는 머신러닝 알고리즘은 출력값인 제어데이터를 ‘감소’로 출력할 수 있다.
또한 스마트팜 관리서버(7)는 각 카테고리별로 검출된 제어데이터들을 매칭시킨 제어데이터를 생성한 후, 생성된 제어데이터를 해당 컨트롤러(3)로 전송한다. 이때 컨트롤러(3)는 스마트팜 관리서버(7)로부터 전송받은 제어데이터에 따라 구동되도록 제어유닛(6-1), ..., (6-N)들의 동작을 제어함으로써 스마트팜(7)이 현재 상태에 대응되는 최적의 환경 및 조건에서 무인 자동화 운영될 수 있고, 이에 따라 생산량 및 품질을 을 극대화시킬 수 있을 뿐만 아니라 운영의 효율성 및 편의성을 높일 수 있게 된다.
사용자단말기(9)는 사용자(User)가 소지한 단말기이며, 상세하게로는 데스크탑 PC(Desk-top PC), 노트북(Note-book), 스마트폰(Smart-phone), 태블릿PC(Tablet PC) 등으로 구성될 수 있다.
또한 사용자단말기(7)는 사용자의 요청에 따라 스마트팜 플랫폼(8)에 연동하여 스마트팜 관리서버(7)로 데이터를 요청하며, 요청데이터에 대응되는 응답데이터를 디스플레이 할 수 있다.
이때 도면에는 도시되지 않았으나, 사용자단말기(9)에는 스마트팜 플랫폼(8)과 연동하여 사용자에게 스마트팜 관리서비스를 제공하기 위한 소프트웨어, 어플리케이션 및 응용프로그램이 설치될 수 있다.
예를 들어, 작업자는 사용자단말기(9)를 통해 자신의 스마트팜의 모니터링 정보를 원격에서 열람하거나 또는 제어유닛(6-1), ..., (6-N)들을 제어할 수 있다.
도 4는 도 2의 컨트롤러를 나타내는 블록도이다.
컨트롤러(3)는 도 4에 도시된 바와 같이, 제어모듈(30)과, 메모리(31), 통신 인터페이스모듈(32), 데이터 수집모듈(33), 수집데이터 생성모듈(35), 제어유닛 제어모듈(37)로 이루어진다.
제어모듈(30)은 컨트롤러(3)의 O.S(Operating System)이며, 제어대상(31), (32), (33), (35), (37)들을 관리 및 제어한다.
또한 제어모듈(30)은 통신 인터페이스모듈(32)을 통해 주기적으로 IoT센서(5-1), ..., (5-N)들로부터 측정데이터들을 전송받으면, 전송받은 측정데이터들을 데이터 수집모듈(33)로 입력한다.
또한 제어모듈(30)은 카메라(4)로부터 영상을 전송받으면, 전송받은 영상이 스마트팜 관리서버(7)로 전송되도록 통신 인터페이스모듈(32)을 제어한다.
또한 제어모듈(30)은 수집데이터 생성모듈(35)에 의해 수집데이터가 생성되면, 생성된 수집데이터를 메모리(31)에 저장함과 동시에 수집데이터가 스마트팜 관리서버(7)로 전송되도록 통신 인터페이스모듈(32)을 제어한다.
또한 제어모듈(30)은 통신 인터페이스모듈(32)을 통해 스마트팜 관리서버(7)로부터 제어데이터를 전송받으면, 전송받은 제어데이터를 제어유닛 제어모듈(37)로 입력한다.
메모리(31)에는 각 IOT센서(5)의 식별정보 및 카테고리 정보와, 각 제어유닛(6)의 식별정보 및 카테고리 정보가 기 설정되어 저장된다.
또한 메모리(31)에는 데이터 수집모듈(33)에 의해 수집된 측정값들과, 수집데이터 생성모듈(35)에 의해 생성된 수집데이터가 임시 저장된다.
또한 메모리(31)에는 스마트팜 관리서버(7)로부터 전송받은 제어데이터가 임시 저장된다.
통신 인터페이스모듈(32)은 스마트팜 관리서버(7), 카메라(4), IoT센서(5-1), ..., (5-N)들 및 제어유닛(6-1), ..., (6-N)들과 데이터를 송수신한다.
데이터 수집모듈(33)은 IoT센서(5-1), ..., (5-N)들로부터 전송받은 측정데이터들을 수집한다.
수집데이터 생성모듈(35)은 기 설정된 주기(T) 마다 데이터 수집모듈(33)에 의해 수집된 측정데이터들 각각을 카테고리 정보와 매칭시켜 수집데이터를 생성한다.
이때 수집데이터 생성모듈(35)에 의해 생성된 수집데이터는 제어모듈(30)의 제어에 따라 통신 인터페이스모듈(32)을 통해 스마트팜 관리서버(7)로 전송된다.
제어유닛 제어모듈(37)은 스마트팜 관리서버(7)로부터 전송받은 제어데이터에 따라 각 제어유닛(6-1), ..., (6-N)들이 동작하도록 제어유닛(6-1), ..., (6-N)들을 제어한다.
도 5는 도 2의 스마트팜 관리서버를 나타내는 블록도이다.
스마트팜 관리서버(7)는 도 5에 도시된 바와 같이, 제어부(70)와, 데이터베이스부(71), 데이터 송수신부(72), 스마트팜 플랫폼 관리부(73), 입력부(74), 데이터 손실/누락 판별 및 복원부(75), 머신러닝 기반 수집데이터 분석부(76), 제어데이터 생성부(77), 수확여부 판별부(78), 등급 검출부(79), 학습부(80)로 이루어진다.
이때 본 발명에서는 설명의 편의를 위해 스마트팜 관리서버(7)가 특정 연산처리 및 기능을 수행하는 다수의 프로세서들을 구비한 것으로 예를 들어 설명하였으나, 프로세서들의 기능은 별도의 서버에서 처리되는 것으로 구성될 수 있음은 당연하다.
제어부(70)는 스마트팜 관리서버(7)의 O.S(Operating system)이며, 제어대상(71), (72), (73), (74), (75), (76), (77), (78), (79), (80)들을 관리 및 제어한다.
또한 제어부(70)는 데이터 송수신부(72)를 통해 컨트롤러(3-1), ..., (3-N)들로부터 수집데이터 및 영상을 전송받으면, 전송받은 수집데이터 및 영상을 데이터베이스부(71)에 저장함과 동시에 입력부(74)로 입력한다.
또한 제어부(70)는 제어데이터 생성부(77)에 의해 제어데이터가 생성되면, 생성된 제어데이터가 해당 컨트롤러(3)로 전송되도록 데이터 송수신부(72)를 제어한다.
또한 제어부(70)는 스마트팜 플랫폼(8)을 통해 사용자단말기(9)로부터 수확여부 및 등급을 요청받을 때, 입력부(74)를 통해 입력된 영상을 머신러닝 기반 수집데이터 분석부(76)로 입력한다. 즉 스마트팜 관리서버(7)의 수확여부 판별부(78) 및 등급 검출부(79)는 평시에는 실행되지 않되, 사용자단말기(9)를 통해 수확여부 및 등급을 요청받을 때 실행되어 수확관련데이터 및 등급데이터를 검출한다.
데이터베이스부(71)에는 각 스마트팜(2)에 관련된 기본정보들과, 각 스마트팜(2)의 IoT센서(5)들 각각의 식별정보 및 제어유닛(6)들 각각의 식별정보가 기 설정되어 저장된다.
또한 데이터베이스부(71)에는 각 스마트팜(2)별로 IoT센서(5-1), ..., (5-N)들 각각에 카테고리 정보가 매칭된 제1 기준테이블과, 각 스마트팜(2)의 제어유닛(6-1), ..., (6-N)들 각각에 카테고리 정보가 매칭된 제2 기준테이블이 저장된다.
이때 카테고리는 측정 또는 제어 대상을 식별하기 위한 정보를 의미하고, ‘온도’, ‘습도’, ‘조도’, ‘용수 공급상태’, ‘영상’ 등으로 이루어질 수 있다.
예를 들어, 제1 기준테이블의 ‘CO’ 카테고리에는 IoT센서(5)로 ‘CO센서’가 매칭될 수 있고, 제2 기준테이블의 ‘CO’ 카테고리에는 제어유닛(6)으로 ‘통풍기’, ‘공기청정기’ 등이 매칭될 수 있다.
또한 데이터베이스부(71)에는 학습부(80)에 의해 학습된 복수개의 머신러닝 알고리즘들이 저장된다.
이때 머신러닝 알고리즘들은 기 설정된 카테고리별로 해당 카테고리의 특성에 가장 적합한 종류로 분류된다. 즉 카테고리 수량이 N개일 때, 데이터베이스부(71)에는 N개 또는 N개 미만의 머신러닝 알고리즘들이 저장된다.
또한 데이터베이스부(71)에는 컨트롤러(3-1), ..., (3-N)들로부터 전송받은 수집데이터들 및 영상이 저장된다.
또한 데이터베이스부(71)에는 제어데이터 생성부(77)에 의해 생성된 제어데이터와, 수확여부 판별부(78)에 의해 검출되는 수확관련데이터, 등급검출부(79)에 의해 검출되는 등급데이터가 저장된다.
데이터 송수신부(72)는 컨트롤러(3-1), ..., (3-N)들과 데이터를 송수신한다.
스마트팜 플랫폼 관리부(73)는 스마트팜 플랫폼(8)을 운영 및 관리한다.
입력부(74)는 컨트롤러(3-1), ..., (3-N)들로부터 전송받은 수집데이터들을 입력받는다.
또한 입력부(74)는 스마트팜 플랫폼(8)을 통해 사용자단말기(9)로부터 수확여부 및 등급을 요청받을 때, 해당 스마트팜의 컨트롤러(3)로부터 전송받은 영상을 입력받는다.
도 6은 도 5의 데이터 손실/누락 판별 및 복원부를 나타내는 블록도이고, 도 7은 도 6을 설명하기 위한 개념도이다.
데이터 손실/누락 판별 및 복원부(75)는 도 6과 7에 도시된 바와 같이, 카테고리별 정렬부(751)와, 탐색 및 판단부(752), 복원부(753)로 이루어진다.
카테고리별 데이터 추출부(751)는 입력부(74)를 통해 입력된 수집데이터들을 기 설정된 카테고리별로 분류 및 추출한다.
탐색 및 판단부(752)는 카테고리별 데이터 추출부(751)에 의해 카테고리별로 추출된 수집데이터들을 탐색하여, 각 카테고리별로 1)노이즈가 임계치 이상이거나 또는 2)수신 받지 않은 수집데이터들이 존재(누락)할 때, 데이터 손실/누락이 발생하였다고 판단한다.
또한 탐색 및 판단부(752)는 1)데이터 손실/누락이 발생하지 않았다고 판단되면, 입력된 카테고리별 데이터 추출부(751)에 의해 추출된 카테고리별 수집데이터들을 머신러닝 기반 수집데이터 분석부(76)로 입력하며, 2)데이터 손실/누락이 발생하였다고 판단되면, 복원부(753)를 실행시킨다.
도 8은 도 6의 복원부를 나타내는 블록도이다.
복원부(753)는 탐색 및 판단부(752)에 의해 데이터 손실/누락이 발생하였다고 판단될 때 실행된다.
또한 복원부(753)는 도 8에 도시된 바와 같이, 비교대상 데이터 추출모듈(7531)과, 유사도 산출모듈(7532), 비교 및 복원값 검출모듈(7533), 복원모듈(7534)로 이루어진다.
비교대상 데이터 추출모듈(7531)은 데이터베이스부(71)를 탐색하여 현재 시점으로부터 기 설정된 이전시점까지에 저장된 수집데이터들인 비교대상 데이터들을 데이터베이스부(71)로부터 추출한다.
유사도 산출모듈(7532)은 기 설정된 유사도 검출 알고리즘을 이용하여 입력된 수집데이터와 추출된 각 비교대상 데이터의 유사도(a)를 산출한다.
비교 및 복원값 검출모듈(7533)은 유사도 산출모듈(7532)에 의해 산출된 유사도(a)들 중 가장 높은 유사도를 갖는 비교대상 데이터를 복원대상으로 결정하고, 결정된 복원대상의 비교대상 데이터에서, 데이터 손실/누락된 카테고리와 동일한 카테고리의 데이터를 수집데이터의 복원값으로 결정한다.
복원모듈(7534)은 입력된 수집데이터에서, 손실/누락된 데이터를 복원값으로 대체시킴으로써 수집데이터를 복원하며, 복원된 수집데이터를 머신러닝 기반 수집데이터 분석부(76)로 입력한다.
도 9는 도 5의 머신러닝 기반 수집데이터 분석부를 나타내는 블록도이고, 도 10은 도 9를 설명하기 위한 개념도이다.
머신러닝 기반 수집데이터 분석부(76)는 카테고리별 데이터 추출모듈(761)과, 인코더(762-1), ..., (762-N)들, 머신러닝 기반 분석모듈(763-1), ..., (763-N)들, 디코더(764-1), ..., (764-N)들로 이루어진다.
카테고리별 데이터 추출모듈(761)은 입력된 수집데이터들을 기 설정된 카테고리별로 정렬 및 추출한다.
인코더(762-1), ..., (762-N)들은 각 카테고리의 수집데이터를 해당 카테고리의 머신러닝 알고리즘에 활용 가능한 수치벡터로 변환시킨다. 이때 수집데이터들은 카테고리에 따라 관계형 데이터, 영상, 텍스트, 바이오, 수치 등의 다양한 타입 및 형태로 이루어지기 때문에 카테고리별로 인코딩 과정이 상이하기 때문에 본 발명에서는 각 카테코리별로 해당 카테고리의 데이터 타입 및 형태에 대응되는 인코더(762-1), ..., (762-N)들을 이용하여 각 카테고리의 수집데이터를 신속하고 정확하게 수치벡터로 변환시킬 수 있게 된다.
머신러닝 기반 분석모듈(763-1), ..., (763-N)들은 서로 다른 머신러닝 알고리즘들이 적용, 상세하게로는 각 카테고리별로 분류된 머신러닝 알고리즘들이 각각 적용된다.
또한 머신러닝 기반 분석모듈(763-1), ..., (763-N)들은 해당 카테고리의 머신러닝 알고리즘을 이용하여 해당 카테고리의 수집데이터를 분석하여 수집데이터에 대응되는 제어데이터를 출력한다.
이때 머신러닝 기반 분석모듈(763-1), ..., (763-N)들은 인코더(762-1), ..., (762-N)들과 같이 각 카테고리에 대응되는 머신러닝 알고리즘을 활용함으로써 분석의 정확성 및 신뢰도를 높일 수 있다.
또한 머신러닝 기반 분석모듈(763-1), ..., (763-N)들에 의해 검출된 제어데이터는 ‘증가’, ‘감소’ 및 ‘유지’로 분류된다.
디코더(764-1), ..., (764-N)들은 머신러닝 기반 분석모듈(763-1), ..., (763-N)들로부터 출력된 제어데이터들 각각을 디코딩한다.
또한 디코더(764-1), ..., (764-N)들에 의해 디코딩된 제어데이터들은 제어부(70)의 제어에 따라 제어데이터 생성부(77)로 입력된다.
제어데이터 생성부(77)는 머신러닝 기반 수집데이터 분석부(76)를 통해 검출된 각 카테고리의 제어데이터들을 매칭시켜 제어데이터를 생성한다.
이때 제어데이터 생성부(77)에 의해 생성된 제어데이터는 제어부(70)의 제어에 따라 데이터 송수신부(72)를 통해 해당 컨트롤러(3)로 전송되고, 컨트롤러(3)는 스마트팜 관리서버(7)로부터 전송받은 제어데이터에 따라 제어유닛(6-1), ..., (6-N)들을 제어함으로써 농작물이 최적의 환경 및 조건에서 생장할 수 있게 되고, 이에 따라 동일 조건 배디 농작물의 생산량 및 품질을 극대화시킬 수 있게 된다.
수확여부 판별부(78)는 스마트팜 플랫폼(8)을 통해 사용자단말기(9)로부터 수확관련정보를 요청받을 때 제어부(70)의 제어에 따라 실행되며, 머신러닝 기반 수집데이터 분석부(76)를 통해 검출된 분석결과를 참고하여 수확여부, 수확시기 등을 포함하는 수확관련데이터를 검출한다.
등급검출부(79)는 스마트팜 플랫폼(8)을 통해 사용자단말기(9)로부터 수확관련정보를 요청받을 때 제어부(70)의 제어에 따라 실행되며, 머신러닝 기반 수집데이터 분석부(76)를 통해 검출된 분석결과를 참고하여 농작물의 현재 등급을 검출한다.
이때 영상객체를 분석하여 수확시기 및 등급을 검출하는 방법 및 기술은 공지된 방법 및 기술이기 때문에 상세한 설명은 생략하기로 한다.
학습부(80)는 머신러닝 기반 수집데이터 분석부(76)의 머신러닝 기반 분석모듈(763-1), ..., (763-N)들 각각에 적용되는 머신러닝 알고리즘들 각각의 학습을 수행한다.
이때 머신러닝 알고리즘을 학습시키는 기술 및 방법은 인공지능 시스템에서 통상적으로 사용되는 기술이기 때문에 상세한 설명은 생략하기로 한다.
이하, 도 11 내지 14를 참조하여 본 발명의 컨트롤러 및 스마트팜 관리서버의 제2 실시예에 대해 설명하기로 한다.
도 11은 도 4의 컨트롤러의 제2 실시예인 컨트롤러를 나타내는 블록도이다.
도 11의 컨트롤러(23)는 본 발명의 컨트롤러의 제2 실시예이다.
또한 컨트롤러(23)는 도 11에 도시된 바와 같이, 도 4에서 전술하였던 바와 같이 동일한 구조 및 기능을 갖는 통신 인터페이스모듈(32), 데이터 수집모듈(33), 수집데이터 생성모듈(35), 제어유닛 제어모듈(37)을 포함한다.
또한 컨트롤러(23)는 제어모듈(230)과, 메모리(231), 측정데이터 선별모듈(234)을 더 포함한다.
제어모듈(230)은 전술하였던 도 4의 제어모듈(30)과 동일한 동작을 수행하되, 도 4의 제어모듈(30)과 같이 데이터 수집모듈(33)에 의해 수집된 측정데이터들을 곧바로 수집데이터 생성모듈(35)로 입력하는 것이 아니라, 데이터 수집모듈(33)에 의해 수집된 데이터를 측정데이터 선별모듈(234)로 입력한다.
또한 제어모듈(230)은 측정데이터 선별모듈(234)에 의해 측정데이터 선별이 완료되면, 선별된 측정데이터를 수집데이터 생성모듈(35)로 입력한다.
메모리(231)에는 전술하였던 도 4의 메모리(31)와 동일한 데이터들이 저장되되, 각 카테고리별로 설정값(TH, Threshold) 및 임계범위가 기 설정되어 저장된다.
이때 설정값(TH)은 해당 카테고리의 수집데이터가 유효한 데이터인지 또는 유효하지 않은 데이터인지를 판단하기 위한 기준데이터를 의미한다.
도 12는 도 11의 측정데이터 선별모듈을 나타내는 블록도이다.
측정데이터 선별모듈(236)은 도 12에 도시된 바와 같이, 측정데이터 입력모듈(2361)과, 설정값 비교 및 판별모듈(2362), 필터링 및 유효값 선별모듈(2363), 설정값 재설정모듈(2364)로 이루어진다.
측정데이터 입력모듈(2361)은 데이터 수집모듈(33)에 의해 수집된 측정데이터들을 입력받는다.
설정값 비교 및 판별모듈(2362)은 각 카테고리별로 기 설정된 설정값(TH, Threshold) 및 임계범위를 활용하여, 측정데이터 입력모듈(2361)에 의해 입력된 각 카테고리의 측정데이터가 해당 설정값(TH)을 기준으로 한 임계범위 이내에 포함되는지를 비교한다. 이때 설정값(TH) 및 임계범위는 전술하였던 바와 같이 카테고리별로 기 설정된다.
또한 설정값 비교 및 판별모듈(2362)은 입력된 측정데이터가 설정값(TH)의 임계범위에 포함되지 않으면, 해당 측정데이터를 유효한 데이터인 유효데이터라고 판별한다.
또한 설정값 비교 및 판별모듈(2362)은 추출된 측정값이 설정값(TH)의 임계범위에 포함되면, 해당 측정값을 유효하지 않은 데이터인 무효데이터라고 판별한다.
예를 들어, IoT센서 습도센서이고, 해당 ‘습도’ 카테고리의 설정값(TH)이 3.0%로 설정되고, 임계범위가 ’±0.15%‘로 설정될 경우, 설정값 비교 및 판별모듈(2362)은 1)해당 IoT센서의 측정데이터가 ‘3.11%’인 경우, 측정데이터(3.21%)가 설정값의 임계범위인 2.85 ~ 3.15%에 포함되기 때문에 해당 측정데이터를 무효데이터로 판별하되, 2)해당 IoT센서의 측정데이터가 ‘3.28%’인 경우, 측정데이터(3.28%)가 설정값의 임계범위인 2.85 ~ 3.15%를 벗어나기 때문에 해당 측정데이터를 유효데이터로 판별하게 된다.
필터링 및 유효값 선별모듈(2363)은 측정데이터 입력모듈(2361)을 통해 입력된 측정데이터들 중, 설정값 비교 및 판별모듈(2362)에 의해 무효데이터로 판별된 측정데이터들을 필터링 하여 유효데이터로 판별된 측정데이터들만 선별한다.
이때 필터링 및 유효값 선별모듈(2363)에 의해 선별된 측정데이터들은 제어모듈(230)의 제어에 따라 수집데이터 생성모듈(35)로 입력되고, 수집데이터 생성모듈(35)은 입력된 측정데이터들 각각을 카테고리 정보와 매칭시켜 수집데이터를 생성한다.
설정값 재설정모듈(2364)은 기 설정된 기간 동안 데이터 수집모듈(33)에 의해 수집된 각 카테고리의 측정데이터들을 추출한다.
또한 설정값 재설정모듈(2364)은 기 설정된 기간 동안 수집된 각 카테고리의 측정데이터들 전체가 설정값(TH)의 임계범위에 포함되는지 아닌지를 판별하며, 만약 추출된 측정데이터들이 모두 설정값(TH)의 임계범위에 포함되지 않을 때, 해당 카테고리의 설정값(TH)을 재설정할 필요가 있다고 판단하며, 만약 추출된 측정데이터들 중 적어도 하나 이상이 설정값(TH)의 임계범위에 포함될 때, 설정값(TH)의 재설정이 필요하지 않다고 판단한다. 예를 들어, A카테고리의 설정값(TH)의 임계범위가 6.0 ~ 10.0이고, 기 설정된 기간 동안에 수집된 A카테고리의 측정데이터가 ‘11’, ‘13’, ‘14’, ‘15’, ‘17’라고 가정할 때, 설정값 재설정모듈(2364)은 추출된 A카테고리의 측정데이터들이 모두 설정값(TH)의 임계범위에 포함되지 않기 때문에 설정값(TH)을 재설정할 필요가 있다고 판단하게 된다.
또한 설정값 재설정모듈(2364)은 추출된 특정 카테고리의 측정데이터들이 모두 설정값(TH)의 임계범위에 포함되지 않아, 설정값(TH)을 재설정해야 한다고 판단될 때, 해당 기간 동안 추출된 측정데이터들의 평균값을 설정값(TH)으로 재설정하며, 재설정된 설정값(TH)을 메모리(231)에 저장한다.
이때 제어모듈(230)은 만약 설정값 재설정모듈(2364)에 의해 설정값(TH)이 재설정되면, 재설정된 설정값(TH) 정보를 스마트팜 관리서버(7)로 전송한다.
도 13은 도 5의 스마트팜 관리서버의 제2 실시예이다.
도 13의 스마트팜 관리서버(27)는 본 발명의 스마트팜 관리서버의 제2 실시예이다.
또한 스마트팜 관리서버(27)는 전술하였던 도 5와 동일한 연산처리를 수행하는 데이터 송수신부(72), 스마트팜 플랫폼 관리부(73), 입력부(74), 머신러닝 기반 수집데이터 분석부(76), 제어데이터 생성부(77), 수확여부 판별부(78), 등급검출부(79) 및 학습부(80)를 포함한다.
또한 스마트팜 관리서버(27)는 제어부(270)와, 데이터베이스부(271), 수집데이터 가공부(272)를 더 포함한다.
제어부(270)는 전술하였던 도 5의 제어부(70)와 동일한 동작 및 연산처리를 수행하되, 데이터 송수신부(72)를 통해 컨트롤러(3-1), ..., (3-N)들로부터 재설정된 설정값(TH) 정보를 전송받으면, 데이터베이스부(71)에 기 저장된 해당 카테고리의 설정값 정보를 전송받은 내용으로 갱신한다.
또한 제어부(270)는 데이터 송수신부(72)를 통해 컨트롤러(3-1), ..., (3-N)들로부터 수집데이터를 전송받으면, 도 5의 제어부(70)와 같이 전송받은 수집데이터를 곧바로 데이터베이스부(71)에 저장함과 동시에 입력부(74)로 입력하는 것이 아니라, 전송받은 수집데이터를 수집데이터 가공부(272)로 입력하고, 수집데이터 가공부(272)에 의해 가공된 수집데이터를 데이터베이스부(71)에 저장함과 동시에 입력부(74)로 입력한다.
데이터베이스부(271)에는 전술하였던 도 5의 데이터베이스부(71)와 동일한 데이터들이 저장되되, 각 스마트팜(2)의 각 카테고리별 설정값(TH) 및 임계범위가 저장된다.
도 14는 도 13의 수집데이터 가공부를 나타내는 블록도이다.
수집데이터 가공부(272)는 데이터 송수신부(72)를 통해 컨트롤러(3-1), ..., (3-N)들로부터 수집데이터를 전송받을 때 실행된다.
또한 수집데이터 가공부(272)는 도 14에 도시된 바와 같이, 입력모듈(2721)과, 탐색 및 누락대상 검출모듈(2722), 수집데이터 가공모듈(2723)로 이루어진다.
입력모듈(2721)은 데이터 송수신부(72)를 통해 컨트롤러(3-1), ..., (3-N)들로부터 전송받은 수집데이터를 입력받는다.
탐색 및 누락대상 검출모듈(2722)은 입력모듈(2721)을 통해 입력된 수집데이터들을 탐색하여, 해당 스마트팜(2)의 IoT센서(5)들 중 데이터를 전송하지 않은 IoT센서(5)인 누락대상이 존재하는지를 검출한다.
이때 제어부(270)는 1)탐색 및 누락대상 검출모듈(2722)에 의해 누락대상이 검출되면, 수집데이터 가공모듈(2723)을 실행시키고, 2)탐색 및 누락대상 검출모듈(2722)에 의해 누락대상이 검출되지 않으면, 수집데이터 가공모듈(2723)을 실행시키지 않고 입력모듈(2721)을 통해 입력된 수집데이터를 데이터베이스부(271)에 저장함과 동시에 입력부(74)로 입력한다.
수집데이터 가공모듈(2723)은 탐색 및 누락대상 검출모듈(2722)에 의해 누락대상이 검출될 때 실행된다.
또한 수집데이터 가공모듈(2723)은 데이터베이스부(271)를 탐색하여 누락대상의 카테고리에 대응되는 초기값(TH)을 추출한 후, 추출된 설정값(TH)을 해당 카테고리의 수집데이터로 대체시키는 방식으로 수집데이터들을 가공한다.
예를 들어, 전송받은 수집데이터에서, 카테고리 A의 IoT센서에 의해 측정된 데이터가 존재하지 않을 때, 수집데이터 가공모듈(2723)은 카테고리 A의 설정값(TH)을 해당 카테고리의 데이터로 대체시킨다.
이와 같이 본 발명의 일실시예인 지능형 스마트팜 운영 시스템(1)은 스마트팜 관리서버(7)가 재배공간인 스마트팜(2)에 설치된 IoT센서(5-1), ..., (5-N)들로부터 측정된 수집데이터들을 분석하여 현재 상태에 대응하는 최적의 환경 및 조건을 유지하기 위한 제어데이터를 생성함과 동시에 스마트팜의 제어유닛들이 스마트팜 관리서버에 의해 생성된 제어데이터에 따라 환경 및 물질의 공급이 이루어지도록 구성됨으로써 농작물의 생산량 및 품질을 극대화시킬 수 있을 뿐만 아니라 작업인력 및 시간을 절감시킬 수 있게 된다.
또한 본 발명의 지능형 스마트팜 운영 시스템(1)은 스마트팜 관리서버(7)가 기 설정된 카테고리별로 특화된 머신러닝 알고리즘들을 각각 이용하여 카테고리별로 수집데이터를 분석하도록 구성됨으로써 현재 상태에 따라 출력되는 제어데이터의 정확성 및 신뢰도를 높일 수 있고, 이에 따라 농작물 생산량 및 품질을 더욱 개선시킬 수 있는 장점을 갖는다.
또한 본 발명의 지능형 스마트팜 운영 시스템(1)은 스마트팜 관리서버(7)가 컨트롤러(3)로부터 전송받은 수집데이터에서 데이터 손실/누락이 발생하였는지를 판단하되, 데이터 손실/누락이 발생할 때, 기 저장된 수집데이터들 중 유사도가 가장 높은 수집데이터를 손실/누락된 데이터로 대체시킴으로써 일시적인 부하 및 충돌로 인해 데이터 손실/누락이 발생하더라도, 안정적인 서비스를 지속적으로 제공할 수 있게 된다.
또한 본 발명의 지능형 스마트팜 운영 시스템(1)은 컨트롤러(23)가 수집된 측정데이터가 기 설정된 설정값(TH)의 임계범위 이내일 때, 해당 측정데이터를 유효하지 않은 데이터로 판별하여 스마트팜 관리서버(7)로 전송하지 않되, 스마트팜 관리서버(27)가 컨트롤러(23)로부터 전송받은 수집데이터에서 누락된 데이터가 존재할 때, 해당 카테고리의 설정값(TH)을 누락된 데이터로 대체시킨 후, 이를 활용하도록 구성됨으로써 데이터 송수신의 효율성을 극대화시킴과 동시에 방대한 데이터 전송으로 인한 네트워크 부하를 효과적으로 절감시킬 수 있게 된다.
1:지능형 스마트팜 운영 시스템
2:스마트팜
3:컨트롤러 4:카메라 5:IoT센서
6:제어유닛 7:스마트팜 관리서버 8:스마트팜 플랫폼
9:사용자단말기 10:통신망 30:제어모듈
31:메모리 32:통신 인터페이스모듈
33:데이터 수집모듈 35:수집데이터 생성모듈
37:제어유닛 제어모듈 70:제어부 71:데이터베이스부
72:데이터 송수신부 73:스마트팜 플랫폼 관리부
74:입력부 75:데이터 손실/누락 판별 및 복원부
76:머신러닝 기반 수집데이터 분석부 77:제어데이터 생성부
78:수확여부 판별부 79:등급검출부 80:학습부
3:컨트롤러 4:카메라 5:IoT센서
6:제어유닛 7:스마트팜 관리서버 8:스마트팜 플랫폼
9:사용자단말기 10:통신망 30:제어모듈
31:메모리 32:통신 인터페이스모듈
33:데이터 수집모듈 35:수집데이터 생성모듈
37:제어유닛 제어모듈 70:제어부 71:데이터베이스부
72:데이터 송수신부 73:스마트팜 플랫폼 관리부
74:입력부 75:데이터 손실/누락 판별 및 복원부
76:머신러닝 기반 수집데이터 분석부 77:제어데이터 생성부
78:수확여부 판별부 79:등급검출부 80:학습부
Claims (6)
- 스마트팜의 농작물을 관리하기 위한 지능형 스마트팜 운영 시스템에 있어서:
상기 스마트팜에 설치되어 농작물의 재배환경에 필요한 대상을 측정하거나 또는 농작물에 필요한 공급물질의 공급상태를 측정하는 IoT센서들;
상기 스마트팜에 설치되어 농작물의 재배환경을 제어하거나 또는 농작물에 필요한 물질을 공급하는 제어유닛들;
상기 스마트팜에 설치되어 상기 IoT센서들로부터 측정데이터들을 수신 받으며, 수신 받은 측정데이터들을 매칭시킨 수집데이터를 외부로 송출하는 컨트롤러;
상기 컨트롤러로부터 전송받은 수집데이터를 분석하여 현재 상태에 대응되는 최적의 환경 및 조건을 유지하기 위한 상기 제어유닛들의 구동제어신호인 제어데이터를 생성하는 스마트팜 관리서버를 포함하고,
상기 컨트롤러를 상기 스마트팜 관리서버로부터 제어데이터를 전송받으면, 전송받은 제어데이터에 따라 상기 제어유닛들이 동작하도록 상기 제어유닛들을 제어하는 것을 특징으로 하는 지능형 스마트팜 운영 시스템. - 청구항 제1항에 있어서, 상기 컨트롤러에는 상기 IoT센서들 각각에 대응되는 카테고리 정보 및 상기 제어유닛들 각각에 대응되는 카테고리 정보가 저장되고,
상기 컨트롤러는 상기 IoT센서들로부터 상기 주기(T) 마다 수신 받은 측정데이터들 각각을 대응되는 카테고리 정보와 매칭시켜 합친 수집데이터를 생성한 후, 생성된 수집데이터를 상기 스마트팜 관리서버로 전송하고,
상기 스마트팜 관리서버는
상기 컨트롤러와 데이터를 송수신하는 데이터 송수신부;
상기 IoT센서들 각각에 카테고리 정보가 매칭된 제1 기준테이블과, 상기 제어유닛들 각각에 카테고리 정보가 매칭된 제2 기준테이블이 저장되는 데이터베이스부;
상기 카테고리들 각각의 특성에 대응하는 머신러닝 알고리즘들을 각각 이용하여 해당 카테고리의 수집데이터를 분석하여 카테고리별로 제어데이터를 출력하는 머신러닝 기반 수집데이터 분석부;
상기 머신러닝 기반 수집데이터 분석부에 의해 출력된 제어데이터들을 매칭시켜 제어데이터를 생성하는 제어데이터 생성부;
상기 제어데이터 생성부에 의해 생성된 제어데이터가 상기 컨트롤러로 전송되도록 상기 데이터 송수신부를 제어하는 제어부를 포함하는 것을 특징으로 하는 지능형 스마트팜 운영 시스템. - 청구항 제2항에 있어서, 상기 머신러닝 기반 수집데이터 분석부는
수집데이터들을 카테고리별로 정렬 및 분류시키는 카테고리별 데이터 추출모듈;
각 카테고리의 수집데이터를 해당 카테고리의 머신러닝 알고리즘에 활용 가능한 수치벡터로 변환시키는 인코더들;
상기 인코더들에 의해 변환된 각 카테고리의 수치벡터를 해당 카테고리에 대응되는 머신러닝 알고리즘의 입력값으로 하여 해당 카테고리의 제어데이터를 출력하는 머신러닝 기반 수집데이터 분석모듈들을 포함하는 것을 특징으로 하는 지능형 스마트팜 운영 시스템. - 청구항 제3항에 있어서, 상기 스마트팜 관리서버는 데이터 손실/누락 판별 및 복원부를 더 포함하고,
상기 데이터 손실/누락 판별 및 복원부는
상기 컨트롤러로부터 전송받은 수집데이터를 카테고리별로 분류 및 추출하는 카테고리별 데이터 추출부;
상기 제1 기준테이블을 활용하여 상기 카테고리별 데이터 추출부에 의해 추출된 각 카테고리의 수집데이터들 중, 1)노이즈가 임계치 이상이거나 또는 2)측정데이터를 전송하지 않은 IoT센서가 존재할 때, 데이터 손실/누락이 발생하였다고 판단하는 탐색 및 판단부;
상기 탐색 및 판단부에 의해 데이터 손실/누락이 발생하였다고 판단될 때 실행되어 데이터 손실/누락된 데이터를 복원시키는 복원부를 포함하고,
상기 제어부는 상기 탐색 및 판단부에 의해 데이터 손실/누락이 발생하지 않았다고 판단될 때, 수집데이터를 그대로 상기 머신러닝 기반 수집데이터 분석부로 입력하되, 상기 탐색 및 판단부에 의해 데이터/손실 누락이 발생하였다고 판단될 때, 상기 복원부에 의해 복원된 수집데이터를 상기 머신러닝 기반 수집데이터 분석부로 입력하는 것을 특징으로 하는 지능형 스마트팜 운영 시스템. - 청구항 제4항에 있어서, 상기 복원부는
상기 데이터베이스부를 탐색하여 현재 시점으로부터 기 설정된 이전시점까지에 저장된 수집데이터들인 비교대상 데이터들을 추출하는 비교대상 데이터 추출모듈;
기 설정된 유사도 검출 알고리즘을 이용하여 입력된 수집데이터와 추출된 각 비교대상 데이터의 유사도(a)를 산출하는 유사도 산출모듈;
상기 유사도 산출모듈에 의해 산출된 유사도(a)들 중 가장 높은 유사도를 갖는 비교대상 데이터를 복원대상으로 결정하고, 결정된 복원대상의 수집데이터에서, 데이터 손실/누락된 카테고리와 동일한 카테고리의 데이터를 수집데이터의 복원값으로 결정하는 비교 및 복원값 검출모듈;
입력된 수집데이터에서, 손실/누락된 데이터를 상기 비교 및 복원값 검출모듈에 의해 검출된 복원값으로 대체시킴으로써 수집데이터를 복원하는 복원모듈을 포함하는 것을 특징으로 하는 지능형 스마트팜 운영 시스템. - 청구항 제3항에 있어서, 상기 컨트롤러에는 해당 카테고리의 측정데이터가 유효한 데이터인지 또는 유효하지 않은 데이터인지를 판별하기 위한 기준데이터인 각 카테고리별 설정값(TH, Threshold) 및 임계범위가 기 설정되어 저장되고,
상기 컨트롤러는
상기 IoT센서들로부터 전송받은 측정데이터들을 입력받는 측정데이터 입력모듈;
기 설정된 각 카테고리별 설정값(TH) 및 임계범위를 활용하여, 상기 측정데이터 입력모듈에 의해 입력된 각 카테고리의 측정데이터가 해당 설정값(TH)을 기준으로 한 임계범위 이내에 포함되는지를 비교하며, 만약 동일 카테고리의 측정데이터가 해당 카테고리의 설정값(TH)의 임계범위를 벗어나면, 해당 측정데이터를 유효한 데이터인 유효데이터로 판별하고, 만약 동일 카테고리의 측정데이터가 해당 카테고리의 설정값(TH)의 임계범위에 포함되면, 해당 측정데이터를 유효하지 않은 데이터인 무효데이터로 판별하는 설정값 비교 및 판별모듈;
상기 측정데이터 입력모듈을 통해 입력된 측정데이터들 중, 상기 설정값 비교 및 판별모듈에 의해 무효데이터로 판별된 측정데이터들을 필터링 하여 유효데이터로 판별된 측정데이터들만 선별하는 필터링 및 유효값 선별모듈을 포함하고,
상기 컨트롤러는 상기 필터링 및 유효값 선별모듈에 의해 선별된 유효데이터들 각각에 카테고리 정보를 매칭시켜 수집데이터를 생성하고,
상기 스마트판 관리서버는 수집데이터 가공부를 더 포함하고,
상기 수집데이터 가공부는
상기 데이터 송수신부를 통해 상기 컨트롤러부터 전송받은 수집데이터를 입력받는 입력모듈;
상기 제1 기준테이블을 활용하여 상기 입력모듈을 통해 입력된 수집데이터에서, 상기 스마트팜의 IoT센서들 중 데이터를 전송하지 않은 IoT센서인 누락대상이 존재하는지를 검출하는 탐색 및 누락대상 검출모듈;
상기 탐색 및 누락대상 검출모듈에 의해 누락대상이 검출될 때 실행되며, 상기 데이터베이스부를 탐색하여 누락대상의 카테고리에 대응되는 설정값(TH)을 추출한 후, 추출된 설정값(TH)을 해당 카테고리의 수집데이터로 대체시키는 방식으로 수집데이터를 가공하는 수집데이터 가공모듈을 포함하고,
상기 스마트팜 관리서버의 상기 제어부는 1)상기 탐색 및 누락대상 검출모듈에 의해 누락대상이 검출되지 않을 때, 전송받은 수집데이터를 상기 데이터베이스부에 저장함과 동시에 상기 머신러닝 기반 수집데이터 분석부로 입력하며, 2)상기 탐색 및 누락대상 검출모듈에 의해 누락대상이 검출도리 때, 상기 수집데이터 가공모듈에 의해 가공된 수집데이터를 상기 데이터베이스부에 저장함과 동시에 상기 머신러닝 기반 수집데이터 분석부로 입력하고,
상기 컨트롤러는
기 설정된 기간 동안 수집된 각 카테고리의 측정데이터들 전체가 해당 카테고리의 설정값(TH)의 임계범위에 포함되는지 아닌지를 판별하며, 만약 카테고리별로 추출된 측정데이터들 전체가 해당 카테고리의 설정값(TH)의 임계범위에 포함되지 않을 때, 해당 카테고리의 설정값(TH)을 재설정할 필요가 있다고 판단하고, 만약 카테고리별로 추출된 측정데이터들 중 하나 이상이 해당 카테고리의 설정값(TH)의 임계범위에 포함될 때, 해당 카테고리의 설정값(TH)을 재설정할 필요가 없다고 판단하고, 설정값(TH)을 재설정할 필요가 있다고 판단될 때, 해당 카테고리의 추출된 측정데이터들의 평균값을 설정값(TH)으로 재설정하는 설정값 재설정모듈을 더 포함하고,
상기 컨트롤러는 상기 설정값 재설정모듈에 의해 설정값(TH)이 재설정되면, 재설정된 설정값(TH)을 저장함과 동시에 해당 카테고리와 매칭시켜 상기 스마트팜 관리서버로 전송하는 것을 특징으로 하는 지능형 스마트팜 운영 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200003586A KR102369167B1 (ko) | 2020-01-10 | 2020-01-10 | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200003586A KR102369167B1 (ko) | 2020-01-10 | 2020-01-10 | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210090394A true KR20210090394A (ko) | 2021-07-20 |
| KR102369167B1 KR102369167B1 (ko) | 2022-03-03 |
Family
ID=77127340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200003586A KR102369167B1 (ko) | 2020-01-10 | 2020-01-10 | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102369167B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554520A (zh) * | 2021-07-28 | 2021-10-26 | 厦门海晟融创信息技术有限公司 | 人工智能赋能下的智慧农业生产系统及方法 |
| KR20230082284A (ko) | 2021-12-01 | 2023-06-08 | 백용 주식회사 | 재배 솔루션 제공 시스템 및 농산물 재배 솔루션 제공방법 |
| KR102637504B1 (ko) * | 2023-06-29 | 2024-02-15 | 한현근 | 산업 현장용 안전관리 시스템 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102537688B1 (ko) * | 2022-10-25 | 2023-05-30 | 주식회사 세주아이씨티 | 스마트팜 환경 제어시스템 |
| KR102616473B1 (ko) * | 2023-02-14 | 2023-12-21 | 주식회사 지앤케이솔루션즈 | 열화상 카메라를 이용한 산업현장 화재 예측시스템 |
| KR102610416B1 (ko) | 2023-09-07 | 2023-12-05 | 이상택 | 도심 내 유휴공간을 활용한 구독형 농작물 스마트팜 운영 플랫폼 제공 방법, 장치 및 시스템 |
| KR102615730B1 (ko) | 2023-09-07 | 2023-12-19 | 이상택 | 농작물 성장 촉진을 위한 재배판 거치 구조물 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180024171A (ko) * | 2016-08-29 | 2018-03-08 | 주식회사 케이티 | 온실의 구동기의 파라미터를 결정하는 서버 및 방법 |
| KR20180060980A (ko) * | 2016-11-28 | 2018-06-07 | 한국전자통신연구원 | 스마트팜 운용장비의 오류 진단 방법 및 장치 |
| KR20190111631A (ko) * | 2018-03-23 | 2019-10-02 | 단국대학교 산학협력단 | 멀티모달 딥러닝 기반의 이종 센서 신호 처리를 위한 장치 및 방법 |
-
2020
- 2020-01-10 KR KR1020200003586A patent/KR102369167B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180024171A (ko) * | 2016-08-29 | 2018-03-08 | 주식회사 케이티 | 온실의 구동기의 파라미터를 결정하는 서버 및 방법 |
| KR20180060980A (ko) * | 2016-11-28 | 2018-06-07 | 한국전자통신연구원 | 스마트팜 운용장비의 오류 진단 방법 및 장치 |
| KR20190111631A (ko) * | 2018-03-23 | 2019-10-02 | 단국대학교 산학협력단 | 멀티모달 딥러닝 기반의 이종 센서 신호 처리를 위한 장치 및 방법 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554520A (zh) * | 2021-07-28 | 2021-10-26 | 厦门海晟融创信息技术有限公司 | 人工智能赋能下的智慧农业生产系统及方法 |
| KR20230082284A (ko) | 2021-12-01 | 2023-06-08 | 백용 주식회사 | 재배 솔루션 제공 시스템 및 농산물 재배 솔루션 제공방법 |
| KR102637504B1 (ko) * | 2023-06-29 | 2024-02-15 | 한현근 | 산업 현장용 안전관리 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102369167B1 (ko) | 2022-03-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102369167B1 (ko) | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 | |
| US20170332544A1 (en) | Data driven indoor farming optimization | |
| CN112461828A (zh) | 一种基于卷积神经网络的病虫害智能测报预警系统 | |
| KR20190136774A (ko) | 작물의 수확시기 예측시스템 및 그 방법 | |
| KR20220071405A (ko) | 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법 | |
| CN117073768B (zh) | 肉牛养殖管理系统及其方法 | |
| CN114518143A (zh) | 一种智能环境感知系统 | |
| CN116661530A (zh) | 食用菌工厂化栽培中的智能控制系统及方法 | |
| CN117114913A (zh) | 一种基于大数据的智能化农业数据采集系统 | |
| CN111898565B (zh) | 一种基于鲁棒多视角的森林烟火实时监测系统和方法 | |
| CN117009997A (zh) | 一种基于物联网的信息化处理装置 | |
| KR102347535B1 (ko) | 스마트 팜 환경 데이터의 보간 장치 및 그 방법 | |
| Araneta et al. | Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning | |
| CN115327942A (zh) | 一种环境智能监测系统 | |
| US20220079125A1 (en) | Holding Tank Monitoring System Based On Wireless Sensor Network And Monitoring Method | |
| Wang et al. | Image detection system based on smart sensor network and ecological economy in the context of fine agriculture | |
| Chatterjee et al. | Green sense: A smart assistant for agriculture management using IoT and deep learning | |
| FAISAL | A pest monitoring system for agriculture using deep learning | |
| Varalakshmi et al. | Automatic plant escalation monitoring system using IoT | |
| Prathibha et al. | Design of a comprehensive sensor based soil and crop analysis system model using machine learning algorithms | |
| CN118014519A (zh) | 基于物联网的数字乡村应用系统及方法 | |
| CN113434295B (zh) | 基于边缘计算的农田监控方法、装置、设备及存储介质 | |
| Anton et al. | Using Cognitive Technologies as Cloud Services for Product Quality Control. A Case Study for Greenhouse Vegetables | |
| Jacob et al. | An Integrated Framework for Smart Farming using Internet of Things and Computational Intelligence. | |
| Singh et al. | IoT-Enhanced Agricultural Water Management System Utilizing Conventional Machine Learning Methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |