KR20210114751A - 작물의 생육량 예측 방법 및 장치 - Google Patents

Abstract

적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치가 동작하는 방법으로서, 작물의 생체중(Fresh Weight)을 포함하는 생육 특성과 상기 작물이 재배되는 공간의 상대 습도를 포함하는 환경 요인을 주기적으로 수집하여 시계열적 데이터를 생성하는 단계, 상기 시계열적 데이터에 상기 작물의 생육 결과를 태깅하여 생성된 학습 데이터로 생육량 예측 모델을 학습시키는 단계, 그리고 상기 생육량 예측 모델로 신규 생육 특성과 신규 환경 요인을 입력하고, 상기 작물의 생육량을 예측하는 단계를 포함한다.

Description

작물의 생육량 예측 방법 및 장치{METHOD AND APPARATUS FOR ESTIMATING CROP GROWTH QUANTITY}

본 발명은 작물의 생육량을 예측하는 기술에 관한 것이다.

원격 감지, 클라우드 컴퓨팅 그리고 사물 인터넷 등의 새로운 디지털 기술이 농업 기술에 적용됨에 따라 스마트 팜(Smart Farm)이라는 개념이 등장하였다. 스마트 팜이란 비닐하우스, 축사 등에 위의 기술들을 접목하여 작물과 가축의 생육 환경을 유지하는 농장을 의미한다.

스마트 팜을 위해, 작물의 생육량과 환경 요인 등의 빅데이터 수집이 요구된다. 또한 이렇게 수집한 농업용 빅데이터를 정확히 해석하여 환경 조건이 변함에 따라 작물의 성장 정도를 예측할 수 있는 알고리즘의 개발도 필요하다. 작물의 생육량과 환경 사이의 관계를 정량적으로 분석하기 위한 기존의 방법으로, 프로세스 기반 모델(Process Based Model)이 사용되었다.

프로세스 기반 모델은 작물의 광합성, 호흡, 바이오매스 동화, 바이오매스 분포 및 스트레스 반응 등을 포함하는 다양한 생리학적 과정들을 각각 모듈로 구성하여 작물의 성장을 시뮬레이션한다. 시뮬레이션 결과가 모든 생화학적 기능을 포함하는 것을 목표로 하기 때문에, 단일한 변수도 복잡한 계산을 필요로 하며, 여러 가지 지수들의 보정이 필요하다는 단점이 있다.

또한 정확한 모델을 위해서는 작물의 각 기관의 바이오매스를 정확히 측정해야 한다. 이러한 과정으로 인해 이미 수집된 빅데이터를 프로세스 기반 모델에 적용하는 것은 한계가 있다.

다른 예로서, 온도, 이산화탄소 농도, 광도 등을 이용하여 작물의 생육량을 예측하는 수식 기반 모델이 있으나, 재배기간 중 작물이 파괴되므로 수확시기까지 해당 작물을 사용하지 못한다는 단점이 있다.

따라서 기존의 작물의 생육량을 예측하는 다양한 모델의 한계를 극복하고 효율적인 생육량 예측을 위해서 비파괴, 연속 측정을 통해 생육량 정보와 환경 정보를 빅데이터로 수집하고, 이를 이용하여 머신러닝을 기반으로 한 알고리즘의 개발이 요구된다.

해결하고자 하는 과제는 순환 신경망을 이용하여, 작물의 생육 조건과 환경 요인에 따른 작물의 생육량을 예측하는 방법을 제공하는 것이다.

한 실시예에 따른 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치가 동작하는 방법으로서, 작물의 생체중(Fresh Weight)을 포함하는 생육 특성과 상기 작물이 재배되는 공간의 상대 습도를 포함하는 환경 요인을 주기적으로 수집하여 시계열적 데이터를 생성하는 단계, 상기 시계열적 데이터에 상기 작물의 생육 결과를 태깅하여 생성된 학습 데이터로 생육량 예측 모델을 학습시키는 단계, 그리고 상기 생육량 예측 모델로 신규 생육 특성과 신규 환경 요인을 입력하고, 상기 작물의 생육량을 예측하는 단계를 포함한다.

상기 생육 특성은, 상기 작물의 잎의 길이, 잎의 폭, 가지의 수, 그리고 파종 후 날짜(Day After Transplanting, DAT) 중 적어도 어느 하나를 더 포함할 수 있다.

상기 환경 요인은, 상기 작물이 재배되는 공간의 온도, 이산화탄소 농도, 일사량 그리고 상기 작물이 자라는 배지의 수분 함량도 중 적어도 어느 하나를 더 포함할 수 있다.

상기 생육량 예측 모델은 장단기 메모리(Long Short-Term Memory Model, LSTM)로 구현된 것일 수 있다.

상기 작물의 환경 요인이 조절되도록, 상기 작물이 재배되는 환경의 제어 시스템으로 예측된 작물의 생육량을 제공하는 단계를 더 포함할 수 있다.

한 실시예에 따른 컴퓨팅 장치로서, 메모리, 그리고 상기 메모리에 로드된 프로그램의 명령들(instructions)을 실행하는 적어도 하나의 프로세서를 포함하고, 상기 프로그램은 작물의 생체중(Fresh Weight)을 포함하는 생육 특성과 상기 작물이 재배되는 공간의 상대 습도를 포함한 환경 요인을 수집하는 단계, 그리고 상기 생육 특성과 상기 환경 요인을 학습된 생육량 예측 모델에 입력하여 상기 작물의 생육량을 예측하는 단계를 실행하도록 기술된 명령들을 포함하고, 상기 생육량 예측 모델은, 임의의 작물에서 주기적으로 수집된 생육 특성과 상기 임의의 작물이 재배되는 환경 요인에 상기 임의의 작물의 생육 결과가 태깅된 시계열적 학습 데이터로 학습된 모델이다.

상기 수집하는 단계는, 상기 작물이 자라는 배지의 수분 함량도를 더 수집할 수 있다.

상기 생체중은, 상기 작물을 매달아 놓은 프레임 상부에 부착된 하중 센서로부터 측정된 값과 상기 수분 함량도를 이용하여 계산된 값일 수 있다.

예측된 생육량을 상기 작물이 재배되는 환경의 제어 시스템에 제공하는 단계, 그리고 상기 제어 시스템에 의해 상기 환경 요인이 변경된 이후의 상기 작물의 생육량을 예측하는 단계를 더 포함할 수 있다.

상기 생육량 예측 모델은 순환 신경망(Recurrent Neural Network, RNN)으로 구현된 것일 수 있다.

본 발명에 따르면 시간적으로 누적된 데이터에 기반하여 생육량을 예측하고, 이를 이용하여 생산성을 판단할 수 있으므로 재배 환경에 대한 사용자의 의사결정에 도움을 줄 수 있다.

또한 본 발명에 따르면 예측된 생육량을 이용하여 생육량에 영향을 미치는 환경 요인들을 파악하고, 온실의 환경을 제어하는 자동화된 알고리즘의 기준을 설정할 수 있다.

도 1은 한 실시예에 따른 생육량 예측 시스템의 구성도이다.
도 2는 한 실시예에 따른 작물 생육 변수와 환경 요인의 설명도이다.
도 3은 한 실시예에 따른 생육량 예측 모델 유닛의 구성도이다.
도 4는 한 실시예에 따른 생육량 예측 모델의 구성도이다.
도 5는 한 실시예에 따른 생육량 예측 장치가 동작하는 방법의 흐름도이다.
도 6은 한 실시예에 따른 생육량 예측 결과의 예시도이다.
도 7은 다른 실시예에 따른 생육량 예측 결과의 예시도이다.
도 8은 한 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

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. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

본 발명에서 생육량이란 작물이 자란 양으로서 작물의 생체중, 건조된 작물의 질량, 잎의 넓이, 가지의 수, 키 등의 생육 지표로 계산될 수 있다. 한편 본 명세서에서 부가적인 설명이 없는 한 질량은 작물이 건조되지 않은 채 측정된 질량을 의미한다.

작물의 생육량은 연대기적 요인으로서, 과거에 축적된 환경 데이터뿐만 아니라 과거의 작물 생육량에 의해 미래의 성장 변화가 결정되므로, 예측이 어렵다. 따라서 본 발명은 시계열적 데이터 분석에 사용되는 순환 신경망(Recurrent Neural Network, RNN)의 일종인 장단기 메모리(Long Short-Term Memory Models, 이하 'LSTM'이라 호칭함)를 이용한다. 이하 본 발명이 제안하는 생육량 예측 장치(10)를 포함한 생육량 제어 시스템(1000)에 대해 설명한다.

도 1은 한 실시예에 따른 생육량 제어 시스템의 구성도이고, 도 2는 한 실시예에 따른 작물 생육 변수와 환경 요인의 설명도이다.

도 1을 참고하면, 생육량 제어 시스템(1000)은 수집한 작물의 생육 변수와 환경 요인을 바탕으로 작물의 생육량을 예측하는 생육량 예측 장치(10)와 예측된 생육량에 따라 작물에 제공할 환경 요인을 변경하는 환경 제어 시스템(20)을 포함한다.

생육량 예측 장치(10)는 센서로부터 작물의 성장 특성과 환경 요인을 수집하는 수집부(100), 수집한 데이터로 생육량 예측 모델(210)을 학습시키는 학습부(200), 학습된 생육량 예측 모델(210)로 작물의 생육량 정보를 예측하는 예측부(300)를 포함한다.

설명을 위해, 수집부(100), 학습부(200), 예측부(300)로 명명하여 부르나, 이들은 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치이다. 여기서, 수집부(100), 학습부(200), 예측부(300)는 하나의 컴퓨팅 장치에 구현되거나, 별도의 컴퓨팅 장치에 분산 구현될 수 있다. 별도의 컴퓨팅 장치에 분산 구현된 경우, 수집부(100), 학습부(200), 예측부(300)는 통신 인터페이스를 통해 서로 통신할 수 있다. 컴퓨팅 장치는 본 발명을 수행하도록 작성된 소프트웨어 프로그램을 실행할 수 있는 장치이면 충분하고, 예를 들면, 서버, 랩탑 컴퓨터 등일 수 있다.

수집부(100), 학습부(200), 예측부(300) 각각은 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 그리고 생육량 예측 모델(210)도 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 생육량 예측 장치(10)는 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 이에 따라, 상술한 구성들에 대응하는 하나 또는 복수의 인공지능 모델은 하나 또는 복수의 컴퓨팅 장치에 의해 구현될 수 있다.

수집부(100)는 작물이 자라는 환경에 설치된 센서로부터 작물 생육 변수와 환경 요인을 수집할 수 있다. 예를 들어 카메라로 수집한 이미지를 영상 분석하여 작물 생육 변수의 변화량을 측정할 수 있다. 또한, 학습 데이터의 생성을 위해 작물 생육 변수와 환경 요인에 따른 작물의 생육량 변화도 수집할 수 있다.

작물 생육 변수는 엽면적 지수(Leaf Area Index, 이하 'LAI'라고 호칭함), 작물의 생체중(Fresh Weight), DAT(Day After Transplanting) 등을 포함할 수 있다. 도 2를 참고하면, 작물의 생체중은 작물이 자라는 배지에 연결된 하중 센서로 측정될 수 있다. 하중 센서는 인장 로드셀로 구현될 수 있다. 작물 전체의 질량뿐만 아니라 작물의 기관별로 질량이 측정될 수 있다.

도 2에서, 하중 센서는 작물이 자라는 배지를 매다는 프레임의 상단에 설치되는 것으로 도시되었으나, 반드시 이에 제한되지는 않으며 일반적인 무게 측정 방법이 사용될 수도 있다. 한편 작물의 생체중은 작물의 수분 함량이 안정된 시간대에 측정된 것일 수 있다.

LAI란 작물의 잎의 길이, 잎의 폭, 가지의 수를 이용하여 수학식 1에 의해 계산된 값을 의미한다.

수학식 1에서, L은 잎의 길이, W는 잎의 폭, N은 가지의 수를 의미한다.

작물 생육 변수는 작물의 종류에 따라 달라질 수 있으며, 예를 들어 과실이 열리는 작물의 경우, 과실의 무게, 과실의 길이, 과실의 직경, 과실의 수율, 낙과의 무게 등을 더 포함할 수 있다.

환경 요인은 작물이 자라는 온실 내부의 온도, 상대 습도, 이산화탄소 농도, 작물이 자라는 배지의 수분 함량도, 일사량 등을 포함할 수 있다.

온실의 환경 데이터는 온실 내부에 설치된 일사량계(Pyranometer), 온도 센서, 습도계로 측정된 것일 수 있다. 배지의 함수율은 배지의 중앙에 위치한 토양 수분 측정 센서(Frequency Domain Reflectometry, FDR)로 측정된 것일 수 있다.

도 2를 참고하면, 작물이 자라는 배지에 토양 수분 측정 센서로 배지의 함수량을 측정할 수 있다. 추가로 배지의 온도, 배지의 pH 농도, 배지의 전기전도도(Electrical Conductivity) 등을 더 포함할 수 있다. 즉 수집부(100)가 수집하는 정보들은 다음 표 1의 내용을 포함할 수 있다.

정보	단위
온도	℃
상대 습도	%
이산화탄소 농도	μmol·mol^-1
일사량	W/m^2
배지의 함수량	%
배지 온도	℃
배지의 전기전도도	dS·m^-1
배수(Drainage)의 pH 농도	-
DAT(Day After Transplanting)	-
엽면적 지수(LAI)	-
작물의 생체중	Kg

한편, 생육량 예측 모델(210)을 학습시키기 위한 학습 데이터를 생성하기 위해서 수집부(100)는 작물 생육 변수와 환경 요인을 미리 설정된 주기마다 수집할 수 있고, 이에 따른 작물의 생육량을 수집할 수 있다. 수집된 시계열 형태의 누적 데이터에 작물의 생육량을 태깅하여 학습 데이터를 생성할 수 있다.

학습부(200)는 주기적으로 수집된 작물 생육 변수와 환경 요인에 작물의 생육량이 태깅된 정보를 학습 데이터로 생육량 예측 모델(210)을 학습시킨다. 작물의 종류에 따라 생육량 예측 모델(210)은 달라질 수 있으며, 이 경우 학습부(200)는 수집부(100)에서 수집한 정보들에 따라 각 생육량 예측 모델(210)을 별도로 학습시킬 수 있다.

생육량 예측 모델(210)이 학습되는 과정은 도 3과 도 4를 통해 자세히 설명한다. 한편 본 발명에서 생육량 예측 모델(210)은 LSTM으로 구현된 경우에 대해 설명하나, 반드시 이에 한정되는 것은 아니다.

예측부(300)는 학습된 생육량 예측 모델(210)을 이용하여, 임의의 작물 생육 변수와 환경 요인이 입력되면 이에 대해 작물의 생육량을 예측하여 출력한다. 구체적으로, 예측되는 값은 작물의 주간 생육량일 수 있다. 예측 구간은 관리자에 의해 변경될 수 있다.

생육량 예측 장치(10)는 환경 제어 시스템(20)에 연결될 수 있으며, 예측부(300)의 예측 결과가 환경 제어 시스템(20)의 입력 값으로 사용될 수 있다.

환경 제어 시스템(20)은 작물이 자라는 공간에 영향을 주는 환경 요인들을 제어하는 시스템을 의미한다. 작물의 예측된 생육량에 따라서, 생육을 촉진시키거나 늦추기 위해 환경 제어 시스템(20)이 환경 요인을 변경 또는 유지할 수 있다. 환경 요인의 변경 정도는 작물의 종류 또는 작물의 성장 패턴에 따라 다를 수 있다.

예를 들어, 본 발명의 생육량 제어 시스템(1000)이 대규모 농업 시스템에 적용되는 경우, 서로 다른 환경에서 자라는 작물들에 대한 생육량을 예측하고, 특정 시점에서의 각 작물들의 생육량을 일치시키기 위한 환경 제어가 이루어질 수 있다.

도 3은 한 실시예에 따른 생육량 예측 모델 유닛의 구성도이고, 도 4는 한 실시예에 따른 생육량 예측 모델의 구성도이다.

RNN은 시계열 데이터 분석에 이용되는 알고리즘으로, 음성 인식, 비디오 인식, 자연어 처리 등에 주로 사용된다. 작물의 성장은 환경 요인의 시계열 변화에 의해 결정되므로, 본 발명에서는 RNN의 일종인 LSTM을 이용하여 작물이 성장하는 온실의 환경과 작물의 성장 특성을 효과적으로 해석할 수 있다. 즉, 다양한 환경 요인들의 상호 작용과 누적된 시계열 데이터로 작물의 생육량의 변화를 예측할 수 있다.

생육량 예측 모델(210)은 복수개의 셀(Cell)(400)들을 포함하며, 먼저 하나의 셀(400)의 구조에 대해 설명한다.

도 3을 참고하면, 수집부(100)의 데이터가 LSTM 셀(400)에 입력될 수 있다. LSTM 셀(400)에서 σ와 h는 LSTM의 은닉층(Hidden Layer)을 의미한다. 구체적으로 σ는 게이트 활성화 함수이고, h는 입력 활성화 함수를 의미한다. 활성화 함수(Activation Function)는 쌍곡 탄젠트(Hyperbolic Tangent) 함수 또는 시그모이드(Sigmoid) 함수로 구현될 수 있다.

실선으로 표시된 화살표는 셀(400)의 상태를 의미하고, 점선으로 표시된 화살표는 셀(400)의 출력을 의미한다. 셀(400)의 상태는 이전 정보들을 포함한다. 즉 하나의 LSTM 셀(400)에서 계산된 출력뿐만 아니라 해당 셀(400)의 상태도 연결된 다음 LSTM 셀(400)에 전달된다.

도 4를 참고하면, 복수개의 셀(400)들이 연결될 수 있으며, 이때 복수개의 셀(400)들로 데이터가 순차적으로 입력될 수 있다. LSTM의 최종 출력값은 작물의 생육량이고, 예를 들어 작물의 생체중일 수 있다.

한편 생육량 예측 모델(210)의 성능 최적화를 위해, 학습 속도(Learning Rate), 망각 바이어스(Forget Bias), 시간 간격(Time Step) 등과 같은 하이퍼 파라미터들이 사용될 수 있다. 사용되는 하이퍼 파라미터는 LSTM을 구현하는 툴에 따라 달라질 수 있다.

도 5는 한 실시예에 따른 생육량 예측 장치가 동작하는 방법의 흐름도이다.

도 5를 참고하면, 생육량 예측 장치(10)는 설치된 센서로부터 작물 생육 특성과 환경 요인을 주기적으로 수집하고, 작물의 생육량을 수집한다(S110). 수집하는 정보는 표 1의 정보들을 포함할 수 있다. 수집 주기는 관리자에 의해 변경될 수 있으며, 예를 들어 1주일 간격으로 수집될 수 있다. 작물의 생육량은 학습 데이터 생성을 위해 수집될 수 있다.

생육량 예측 장치(10)는 S110 단계에서 수집한 작물 생육 특성과 환경 요인에 작물의 생육량을 태깅하여 시계열적인 학습 데이터를 생성하고, 학습 데이터로 생육량 예측 모델(210)을 학습시킨다(S120). 본 발명에서 생육량 예측 모델(210)은 LSTM으로 구현되나, 이에 한정되는 것은 아니며 시계열 데이터의 예측을 위한 다양한 머신러닝 모델이 사용될 수 있다.

생육량 예측 장치(10)는 학습된 생육량 예측 모델(210)로 새로 수집한 작물 생육 특성과 환경 요인을 입력한다(S130). 새로 수집한 정보들은 생육량 예측 모델(210) 학습에 사용된 작물과 동일한 종류의 작물로부터 얻은 것일 수 있다.

생육량 예측 장치(10)는 해당 작물의 생육량을 예측하고, 작물 성장을 조절하기 위해 예측된 생육량을 환경 제어 시스템(20)으로 제공한다(S140). 예측되어 출력되는 값은 학습 과정에서 설정된 주기 이후의 작물의 생체중일 수 있다.

이후 환경 제어 시스템(20)은 예측된 생육량 및 환경 요인과 생육량 간 상관 관계에 따라 환경 요인을 조절할 수 있다. 또한, 작물별 성장 주기 및 성장 패턴에 기반하여, 해당 작물의 생육량이 성장 패턴에 미달하는 경우, 환경 요인을 제어하여 성장 패턴을 회복할 수 있도록 한다.

도 6은 한 실시예에 따른 생육량 예측 결과의 예시도이고, 도 7은 다른 실시예에 따른 생육량 예측 결과의 예시도이다.

도 6을 참고하면, 본 발명의 생육량 예측 모델(210)을 이용하여 작물의 생육량을 추정한 결과를 그래프로 나타낸 것이다. 생육량 중 작물의 생체중을 비교 대상으로 이용하였다. 실선은 실제 작물의 생체중을 측정한 값이고, 점선은 본 발명의 생육량 예측 모델(210)이 예측한 값이다.

구체적인 실험 환경은 다음과 같다. 벤로형 온실 내부의 모종실에서 암면 큐브에 파종 후 40일 된 피망 모종을 작물로서 사용하였다. 해당 온실은 내부 온도가 기준 값을 초과하면 설치된 통풍구가 열릴 수 있다. 미리 설정된 영양소 농도의 관개 시스템에 2주간 순응한 후, 복수개의 가지를 가진 피망 모종을 암면 슬래브에 이식하였다. 작물의 밀도와 위치, 영양 용액의 전기전도도 및 pH 농도는 각각 특정 값으로 유지되었다.

LSTM 모델을 결정하기 위해, 하이퍼 파라미터들의 값을 다양하게 바꾸어가며 실험하고, 최적의 값들로 선택하였다. 결과적으로, 본 발명이 제안하는 방법을 통해 작물의 생육량의 변화의 경향성을 잘 파악할 수 있다.

도 7을 참고하면, 기존에 사용되던 알고리즘인 PBM과 성능을 비교 평가하였다. 구체적으로, CropGro는 콩, 면화, 목초지 등 다양한 작물에 적용되는 PBM 플랫폼을 사용하였다. PBM 모델의 파라미터는 성장 조사를 통해 얻었고, GLUE 계수 추정기로 자동 보정된 값을 사용하였다.

본 발명에서 설명한 LSTM으로, 수집한 작물 생육 변수와 환경 요인을 이용하여 주간 작물 생육량을 추정하고, 작물의 생체중을 계산하였다.

수집한 환경 요인에 대해, PBM을 이용하여 작물의 성장 과정을 시뮬레이션하고, 작물의 각 기관의 건조 상태의 질량을 얻었다. 이로부터 작물의 생체중을 추정하였다.

이후 작물의 실제 생체중, LSTM으로 예측된 생체중 그리고 PBM으로 예측된 생체중을 비교하였다. 결과적으로, 본 발명이 제시하는 방법은 기존의 PBM보다 낮은 RMSE 값을 갖고, 높은 D-statistics 값을 가진다. 따라서 PBM에 비해 높은 정확도로 작물의 생체중을 예측할 수 있다.

또한 LSTM을 이용한 방법은 하중 센서로 측정된 작물의 생체중 값을 이용하므로, 주간 성장 조사를 통해 매개 변수를 계산하는 PBM에 비해 작물 생육 변수를 더 정확히 반영할 수 있다. 또한, 온도, 이산화탄소 농도, 일사량만을 이용하여 생육량을 추정하는 PBM에 비해, 본 발명에서는 추가로 상대 습도와 배지의 함수량이라는 요인을 입력으로 사용하여 더 다양한 환경 요인을 반영할 수 있다.

도 8은 한 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.

도 8을 참고하면, 수집부(100), 학습부(200) 그리고 예측부(300)는 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치(500)에서, 본 발명의 동작을 실행하도록 기술된 명령들(instructions)이 포함된 프로그램을 실행한다.

컴퓨팅 장치(500)의 하드웨어는 적어도 하나의 프로세서(510), 메모리(520), 스토리지(530), 통신 인터페이스(540)를 포함할 수 있고, 버스를 통해 연결될 수 있다. 이외에도 입력 장치 및 출력 장치 등의 하드웨어가 포함될 수 있다. 컴퓨팅 장치(500)는 프로그램을 구동할 수 있는 운영 체제를 비롯한 각종 소프트웨어가 탑재될 수 있다.

프로세서(510)는 컴퓨팅 장치(500)의 동작을 제어하는 장치로서, 프로그램에 포함된 명령들을 처리하는 다양한 형태의 프로세서(510)일 수 있고, 예를 들면, CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 등 일 수 있다. 메모리(520)는 본 발명의 동작을 실행하도록 기술된 명령들이 프로세서(510)에 의해 처리되도록 해당 프로그램을 로드한다. 메모리(520)는 예를 들면, ROM(read only memory), RAM(random access memory) 등 일 수 있다. 스토리지(530)는 본 발명의 동작을 실행하는데 요구되는 각종 데이터, 프로그램 등을 저장한다. 통신 인터페이스(540)는 유/무선 통신 모듈일 수 있다.

본 발명에 따르면 시간적으로 누적된 데이터에 기반하여 생육량을 예측하고, 이를 이용하여 생산성을 판단할 수 있으므로 재배 환경에 대한 사용자의 의사결정에 도움을 줄 수 있다.

또한 본 발명에 따르면 예측된 생육량을 이용하여 생육량에 영향을 미치는 환경 요인들을 파악하고, 온실의 환경을 제어하는 자동화된 알고리즘의 기준을 설정할 수 있다.

이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.

이상에서 본 발명의 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.

Claims (10)

1. 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치가 동작하는 방법으로서,
   작물의 생체중(Fresh Weight)을 포함하는 생육 특성과 상기 작물이 재배되는 공간의 상대 습도를 포함하는 환경 요인을 주기적으로 수집하여 시계열적 데이터를 생성하는 단계,
   상기 시계열적 데이터에 상기 작물의 생육 결과를 태깅하여 생성된 학습 데이터로 생육량 예측 모델을 학습시키는 단계, 그리고
   상기 생육량 예측 모델로 신규 생육 특성과 신규 환경 요인을 입력하고, 상기 작물의 생육량을 예측하는 단계
   를 포함하는, 동작 방법.
2. 제1항에서,
   상기 생육 특성은,
   상기 작물의 잎의 길이, 잎의 폭, 가지의 수, 그리고 파종 후 날짜(Day After Transplanting, DAT) 중 적어도 어느 하나를 더 포함하는, 동작 방법.
3. 제1항에서,
   상기 환경 요인은,
   상기 작물이 재배되는 공간의 온도, 이산화탄소 농도, 일사량 그리고 상기 작물이 자라는 배지의 수분 함량도 중 적어도 어느 하나를 더 포함하는, 동작 방법.
4. 제1항에서,
   상기 생육량 예측 모델은 장단기 메모리(Long Short-Term Memory Model, LSTM)로 구현된 것인, 동작 방법.
5. 제4항에서,
   상기 작물의 환경 요인이 조절되도록, 상기 작물이 재배되는 환경의 제어 시스템으로 예측된 작물의 생육량을 제공하는 단계
   를 더 포함하는, 동작 방법.
6. 컴퓨팅 장치로서,
   메모리, 그리고
   상기 메모리에 로드된 프로그램의 명령들(instructions)을 실행하는 적어도 하나의 프로세서를 포함하고,
   상기 프로그램은
   작물의 생체중(Fresh Weight)을 포함하는 생육 특성과 상기 작물이 재배되는 공간의 상대 습도를 포함한 환경 요인을 수집하는 단계, 그리고
   상기 생육 특성과 상기 환경 요인을 학습된 생육량 예측 모델에 입력하여 상기 작물의 생육량을 예측하는 단계를 실행하도록 기술된 명령들을 포함하고,
   상기 생육량 예측 모델은,
   임의의 작물에서 주기적으로 수집된 생육 특성과 상기 임의의 작물이 재배되는 환경 요인에 상기 임의의 작물의 생육 결과가 태깅된 시계열적 학습 데이터로 학습된 모델인, 컴퓨팅 장치.
7. 제6항에서,
   상기 수집하는 단계는,
   상기 작물이 자라는 배지의 수분 함량도를 더 수집하는, 컴퓨팅 장치.
8. 제7항에서,
   상기 생체중은,
   상기 작물을 매달아 놓은 프레임 상부에 부착된 하중 센서로부터 측정된 값과 상기 수분 함량도를 이용하여 계산된 값인, 컴퓨팅 장치.
9. 제6항에서,
   예측된 생육량을 상기 작물이 재배되는 환경의 제어 시스템에 제공하는 단계, 그리고
   상기 제어 시스템에 의해 상기 환경 요인이 변경된 이후의 상기 작물의 생육량을 예측하는 단계
   를 더 포함하는, 컴퓨팅 장치.
10. 제6항에서,
    상기 생육량 예측 모델은 순환 신경망(Recurrent Neural Network, RNN)으로 구현된 것인, 컴퓨팅 장치.

Images