KR20210158094A - 스마트팜 시스템 및 그의 동작 방법 - Google Patents

스마트팜 시스템 및 그의 동작 방법 Download PDF

Info

Publication number
KR20210158094A
KR20210158094A KR1020200076428A KR20200076428A KR20210158094A KR 20210158094 A KR20210158094 A KR 20210158094A KR 1020200076428 A KR1020200076428 A KR 1020200076428A KR 20200076428 A KR20200076428 A KR 20200076428A KR 20210158094 A KR20210158094 A KR 20210158094A
Authority
KR
South Korea
Prior art keywords
crop
smart farm
image
server
smart
Prior art date
Application number
KR1020200076428A
Other languages
English (en)
Other versions
KR102422346B1 (ko
Inventor
김수진
Original Assignee
김수진
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 김수진 filed Critical 김수진
Priority to KR1020200076428A priority Critical patent/KR102422346B1/ko
Publication of KR20210158094A publication Critical patent/KR20210158094A/ko
Application granted granted Critical
Publication of KR102422346B1 publication Critical patent/KR102422346B1/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06K9/62—
    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • General Business, Economics & Management (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

자동화 및 지능화된 작물 재배 기능을 제공할 수 있는 스마트팜 시스템이 제공된다. 본 개시의 몇몇 실시예들에 따른 스마트팜 시스템은, 작물 재배 시설에 설치된 센서를 통해 관리대상작물과 관리대상작물의 생장 환경에 관한 센싱 데이터를 제공하는 스마트팜 및 제공받은 센싱 데이터에 기초하여 관리대상작물의 생장 상태를 판단하고, 판단된 생장 상태 정보를 재배자 단말에게 제공하는 스마트팜 서버를 포함할 수 있다.

Description

스마트팜 시스템 및 그의 동작 방법{SMART FARM SYSTEM AND OPERATING METHOD THEREOF}
본 개시는 스마트팜 시스템 및 그의 동작 방법에 관한 것이다. 보다 자세하게는, IoT(Internet of Things)와 인공지능 기술을 통해 자동화 및 지능화된 작물 재배 기능을 제공할 수 있는 스마트팜 시스템 및 그 시스템에서 수행되는 동작 방법에 관한 것이다.
농업은 인류 생존에 필수적인 산업이지만, 혁신이 가장 느린 산업이기도 하다. 그러나, 근래에는 농업 생산 인구의 감소와 고령화로 인해 농업 기술 혁신에 대한 목소리가 커지고 있으며, 이에 부응하여 다양한 정보통신기술이 농업 분야에 도입되고 있다.
정보통신기술 도입의 대표적인 사례로는 스마트팜(smart farm)을 들 수 있다. 스마트팜은 IoT(Internet of Things) 기술 기반으로 작물의 생장 환경을 원격으로 관리함으로서 생산 효율성을 높일 수 있으며, 이에 많은 농업인들로부터 주목을 받고 있다.
그런데, 예비 농업인들과 같이 작물 재배 경험이 적은 재배자들은 스마트팜이 구축되더라도 이를 잘 활용하기 어렵다. 가령, 예비 농업인들은 작물의 상태 이상을 진단하지 못하고 그에 따른 적절한 조치를 내리기 어렵기 때문에, 스마트팜을 활용하여 상품성이 있는 고품질의 작물을 재배하기는 어렵다. 따라서, 재배 경험이 적은 재배자들도 상품성 있는 작물 재배가 가능하도록, 보다 자동화되고 지능화된 재배 기능을 구비한 스마트팜의 개발이 요구된다.
한국공개특허 제10-2019-0119877호(2019.10.23. 공개)
본 개시의 몇몇 실시예들을 통해 해결하고자 하는 기술적 과제는, 자동화 및 지능화된 작물 재배 기능을 제공할 수 있는 스마트팜 시스템 및 그 시스템에서 수행되는 동작 방법을 제공하는 것이다.
본 개시의 몇몇 실시예들을 통해 해결하고자 하는 다른 기술적 과제는, 작물의 상태 이상을 정확하게 진단함으로써 생산 효율성을 보다 향상시킬 수 있는 스마트팜 시스템 및 그 시스템에서 수행되는 동작 방법을 제공하는 것이다.
본 개시의 몇몇 실시예들을 통해 해결하고자 하는 또 다른 기술적 과제는, 블록체인 네트워크와 연계하여 작물 거래 서비스를 제공할 수 있는 스마트팜 시스템 및 그 시스템에서 수행되는 동작 방법을 제공하는 것이다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한, 본 개시의 몇몇 실시예들에 따른 스마트팜 시스템은, 작물 재배 시설에 설치된 센서를 통해 관리대상작물과 상기 관리대상작물의 생장 환경에 관한 센싱 데이터를 제공하는 스마트팜 및 상기 제공받은 센싱 데이터에 기초하여 상기 관리대상작물의 생장 상태를 판단하고, 상기 판단된 생장 상태 정보를 재배자 단말에게 제공하는 스마트팜 서버를 포함할 수 있다.
몇몇 실시예들에서, 상기 관리대상작물은 제1 스마트팜에서 재배되는 제1 작물과 제2 스마트팜에서 재배되는 제2 작물을 포함하고, 상기 스마트팜 서버는, 상기 센싱 데이터에 기초하여 상기 제1 작물과 상기 제2 작물의 생장률을 도출하고, 상기 제1 작물의 생장률이 상기 제2 작물보다 높다는 판단에 응답하여, 상기 제1 작물의 생장 환경에 따라 상기 제2 작물의 생장 환경을 조절하기 위한 제어 정보를 상기 제2 스마트팜으로 전송할 수 있다.
몇몇 실시예들에서, 상기 스마트팜 서버는 상기 판단된 생장 상태에 상응하는 재배 가이드 정보를 상기 재배자 단말에게 제공할 수 있다.
몇몇 실시예들에서, 상기 센싱 데이터는 상기 작물 재배 시설의 내부를 촬영한 이미지를 포함하고, 상기 스마트팜 서버는, 상기 이미지를 분석하여 상기 작물 재배 시설에서 발생된 이상을 검출하고, 센싱로봇을 배치하여 상기 이상 발생 지점으로부터 일정 영역 내에서 재배되는 작물에 대한 이미지를 획득하며, 상기 획득된 이미지를 분석하여 상기 작물의 상태 이상을 진단할 수 있다.
몇몇 실시예들에서, 상기 센싱 데이터는 상기 관리대상작물의 이미지를 포함하고, 상기 스마트팜 서버는, 상기 이미지를 CNN(Convolutional Neural Network) 기반의 진단 모델에 입력하여 상기 관리대상작물의 상태 이상을 진단하고, 상기 진단 결과를 상기 재배자 단말에게 제공할 수 있다.
몇몇 실시예들에서, 상기 스마트팜 서버는 블록체인 네트워크와 연동되고, 상기 센싱 데이터는 상기 관리대상작물의 이미지를 포함하며, 상기 스마트팜 서버는, 상기 센싱 데이터를 기초로 상기 관리대상작물의 재배 비용을 산출하고, 상기 센싱 데이터를 기초로 상기 관리대상작물의 품질을 평가하며, 상기 관리대상작물의 이미지, 상기 평가된 품질 및 상기 산출된 재배 비용을 포함하는 작물 데이터를 상기 블록체인 네트워크에 의해 관리되는 블록체인에 기록하고, 상기 관리대상작물의 작물 데이터가 구매자의 구매 조건에 부합한다는 판단에 응답하여, 상기 블록체인에 기록된 작물 데이터를 조회할 수 있는 정보를 상기 구매자의 단말로 전송할 수 있다.
상술한 기술적 과제를 해결하기 위한, 본 개시의 몇몇 실시예들에 따른 방법은, 하나 이상의 스마트팜과 통신하는 스마트팜 서버에 의해 수행되는 방법으로서, 상기 스마트팜으로부터 관리대상작물과 상기 관리대상작물의 생장 환경에 관한 센싱 데이터를 제공받는 단계, 상기 제공받은 센싱 데이터에 기초하여 상기 관리대상작물의 생장 상태를 판단하는 단계; 및 상기 판단된 생장 상태 정보를 재배자 단말에게 제공하는 단계를 포함할 수 있다.
상술한 기술적 과제를 해결하기 위한, 본 개시의 몇몇 실시예들에 따른 컴퓨터 프로그램은, 컴퓨터와 결합되어, 스마트팜으로부터 관리대상작물과 상기 관리대상작물의 생장 환경에 관한 센싱 데이터를 제공받는 단계, 상기 제공받은 센싱 데이터에 기초하여 상기 관리대상작물의 생장 상태를 판단하는 단계; 및 상기 판단된 생장 상태 정보를 재배자 단말에게 제공하는 단계를 실행시키기 위하여 상기 컴퓨터에 의해 판독가능한 기록 매체에 저장될 수 있다.
상술한 본 개시의 몇몇 실시예들에 따르면, 스마트팜 서버가 제공될 수 있다. 스마트팜 서버는 스마트팜의 센싱 데이터를 분석하여 작물의 생장 상태를 판단하고 이를 재배자 단말에게 제공할 수 있으며, 동시에 생장 상태에 상응하는 재배 가이드 정보도 제공할 수 있다. 가령, 스마트팜 서버는 작물의 상태 이상에 관한 진단 정보와 이를 해결할 수 있는 가이드 정보를 재배자 단말에게 제공할 수 있다. 따라서, 재배 경험이 적은 재배자들도 용이하게 상품성 있는 작물을 재배할 수 있게 되며, 이는 궁극적으로 영농 기반이 없는 인력들의 신규 유입을 촉진함으로써 농업 산업을 보다 활성화시킬 수 있다.
또한, 스마트팜 서버는 재배자의 개입이 없이도 지능화된 관제 기능을 수행할 수 있다. 가령, 스마트팜 서버는 작물의 생장 상태를 판단하고, 판단 결과를 토대로 스마트팜의 생장 환경을 조절할 수 있다. 이에 따라, 스마트팜의 생산 효율성이 향상되고, 스마트팜을 이용하는 재배자들의 편의성도 크게 개선될 수 있다.
또한, 스마트팜 서버는 CNN(Convolutional Neural Network) 기반의 진단 모델을 통해 작물의 상태 이상을 진단할 수 있다. 이때, 진단 모델은 데이터 확장(data augmentation), 이상 진단 난이도 높은 작물 이미지에 대한 집중 학습, 거짓 부정(False Negative) 또는 거짓 긍정(False Positive)으로 평가된 작물 이미지에 대한 집중 학습 등에 기초하여 구축될 수 있다. 이에 따라, 작물의 상태 이상 진단 시 오탐 및/또는 미탐이 최소화되는 등 진단 결과의 정확도가 크게 향상될 수 있고, 궁극적으로는 스마트팜의 생산 효율성이 더욱 향상될 수 있다.
또한, 스마트팜 서버는 블록체인 네트워크와 연동하여 재배자와 구매자 간의 작물 거래 서비스를 제공할 수 있는데, 이에 따라 신뢰도 높은 작물 거래가 이루어질 수 있다.
본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 몇몇 실시예들에 따른 스마트팜 시스템을 개략적으로 나타내는 예시적인 구성도이다.
도 2는 본 개시의 몇몇 실시예들에 따른 스마트팜을 설명하기 위한 예시도이다.
도 3은 본 개시의 몇몇 실시예들에 따른 스마트팜 시스템의 동작 방법을 나타내는 예시적인 흐름도이다.
도 4는 본 개시의 몇몇 실시예들에 따른 스마트팜에 대한 지능화된 관제 기능을 설명하기 위한 예시도이다.
도 5는 본 개시의 제1 실시예에 따른 진단 모델 구축 방법을 설명하기 위한 예시적인 도면이다.
도 6는 본 개시의 제2 실시예에 따른 진단 모델 구축 방법을 설명하기 위한 예시적인 도면이다.
도 7는 본 개시의 제3 실시예에 따른 진단 모델 구축 방법을 설명하기 위한 예시적인 도면이다.
도 8는 본 개시의 제4 실시예에 따른 진단 모델 구축 방법을 설명하기 위한 예시적인 도면이다.
도 9는 본 개시의 몇몇 실시예들에 따른 작물의 상태 이상 진단 방법을 설명하기 위한 예시적인 도면이다.
도 10 및 도 11은 본 개시의 몇몇 실시예들에 따른 블록체인 기반 작물 거래 서비스 제공 방법을 설명하기 위한 예시적인 도면이다.
도 12는 본 개시의 다양한 실시예들에 따른 장치들을 구현할 수 있는 예시적인 컴퓨팅 장치를 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.
각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
본 개시에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
이하, 본 개시의 몇몇 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.
도 1은 본 개시의 몇몇 실시예들에 따른 스마트팜 시스템을 개략적으로 나타내는 예시적인 구성도이다.
도 1에 도시된 바와 같이, 스마트팜 시스템은 하나 이상의 스마트팜(10-1 내지 10-n), 게이트웨이(20), 스마트팜 서버(30) 및 재배자 단말(40)을 포함할 수 있다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일뿐이며, 필요에 따라 일부 구성 요소가 추가되거나 삭제될 수 있음은 물론이다. 또한, 도 1에 도시된 스마트팜 시스템의 각각의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 복수의 구성 요소가 실제 물리적 환경에서는 서로 통합되는 형태로 구현될 수도 있다.
또한, 실제 물리적 환경에서 상기 각각의 구성 요소들은 복수의 세부 기능 요소로 분리되는 형태로 구현될 수도 있다. 예컨대, 스마트팜 서버(30)의 제1 기능은 제1 컴퓨팅 장치에서 구현되고, 제2 기능은 제2 컴퓨팅 장치에서 구현될 수도 있다. 또한, 스마트팜 서버(30)의 하나의 기능이 복수의 컴퓨팅 장치에서 구현될 수도 있다. 이하, 상기 각각의 구성 요소에 대하여 설명한다. 이하에서는, 설명의 편의상, 임의의 스마트팜(10-1 or 10-2 or ?? or 10-n)을 지칭하거나, 하나 이상의 스마트팜(10-1 내지 10-n)을 총칭하는 경우에는 참조번호 "10"을 사용하도록 한다.
스마트팜(10)은 스마트 재배 기능이 구비된 작물 재배 시설을 의미할 수 있다. 보다 구체적으로, 스마트팜(10)은 작물 재배 시설, 해당 시설에 설치된 하나 이상의 센서 및 작물 재배 시설의 생장 환경을 제어할 수 있는 하나 이상의 액추에이터(actuator)를 포함할 수 있다. 그리고, 스마트팜(10)은 하나 이상의 센서를 통해 작물의 생장 상태와 생장 환경을 센싱하고, 하나 이상의 액추에이터(actuator)를 통해 생장 환경을 제어할 수 있다.
여기서, 생장 환경은 예를 들어 온도, 습도, CO2, 광량, 토양 수분, 토양 온도, 토양 내 양분, 양액 온도, 양액 pH, 양액 EC, 개별 양액 성분, 대기환경 등과 같은 작물의 생장에 영향을 미치는 다양한 환경 요인을 포함할 수 있을 것이나 이에 한정되는 것은 아니다.
또한, 센서는 예를 들어 양액 센서, 토양 센서, CO2 센서, 카메라 등과 같이 작물의 생장 상태 또는 생장 환경을 센싱할 수 있는 임의의 디바이스를 포함할 수 있다.
또한, 액추에이터는 환풍기, 관수기, 양액 공급기 등과 같이 제어 신호에 따라 상술한 환경 요인을 변화시킬 수 있는 임의의 디바이스를 포함할 수 있다.
상기 센서와 액추에이터는 일체화된 디바이스로 구현될 수 있고, 별개의 디바이스로 구현될 수도 있다.
스마트팜(10)은 센서에 의해 센싱된 데이터를 게이트웨이(20)를 통해 스마트팜 서버(30)에게 제공할 수 있다. 여기서, 센싱 데이터는 앞서 언급한 바와 같이 작물의 생장 상태 또는 생장 환경에 관한 각종 데이터를 포함할 수 있고, 구체적인 예로는 작물의 이미지, 작물 재배 시설의 내부 이미지, 상술한 각종 환경 요인에 대한 측정값을 포함할 수 있다. 그러나, 이에 한정되는 것은 아니다.
보다 이해의 편의를 제공하기 위해, 도 2를 참조하여 스마트팜(10)의 일 예시에 대하여 간략하게 설명하도록 한다.
도 2에 예시된 바와 같이, 스마트팜(10)은 작물(14)이 생장할 수 있는 기본 환경을 제공하는 작물 재배 시설(11), 작물 재배 시설(11) 내에 설치되어 생장 상태/환경을 센싱하는 센서(12, 13, 15, 17) 및 생장 환경을 제어하는 액추에이터(16, 18)를 포함할 수 있다.
도시된 바와 같이, 스마트팜(10)에는 양액 센서(12), 토양 센서(13), CO2 센서(15), 카메라(17) 등이 설치될 수 있다. 양액 센서(12)는 양액 온도, 양액 pH, 양액 EC 등과 같이 작물(14)에 공급되는 양액의 정보를 센싱할 수 있고, 토양 센서(13)는 토양 수분, 토양 온도, 토양 내 양분 등과 같은 토양 정보를 센싱할 수 있다. 또한, CO2 센서(15)는 대기 중의 CO2 농도를 센싱할 수 있고, 카메라(17)는 작물 재배 시설(11) 내부를 촬영하여 이미지를 생성할 수 있다. 카메라(17)는 작물 재배 시설(11)에서 재배 중인 작물(14)을 촬영하여 작물 이미지를 생성할 수도 있다.
또한, 도시된 바와 같이, 스마트팜(10)에는 관수기(15), 환풍기(16) 등이 설치될 수 있다. 관수기(15)는 물의 공급을 조절함으로써 작물 재배 시설(11)의 내부 습도 또는 토양 수분 등을 제어할 수 있다. 환풍기(16)는 환기를 조절함으로써 작물 재배 시설(11) 내의 온도, 습도, CO2 농도 등을 제어할 수 있다.
상술한 바 외에도, 스마트팜(10)에는 다양한 종류의 센서와 액추에이터가 구비될 수 있어서, 본 개시의 범위가 상술한 예시에 의해 한정되는 것은 아니다.
한편, 스마트팜(10)은 재배자의 편의를 위해 키트(kit) 형태로 제작될 수 있고, 다른 형태(e.g. 비닐하우스 등)로 제작될 수도 있다. 또한, 스마트팜(10)은 재배 규모(또는 키트 크기) 및/또는 용도에 따라 가정용, 업소용 등으로 세분화되어 제작될 수도 있다. 그러나, 이에 한정되는 것은 아니다.
다시 도 1을 참조하여 스마트팜 시스템의 다른 구성요소에 대한 설명을 이어가도록 한다.
게이트웨이(20)는 스마트팜(10)으로부터 제공받은 작물의 센싱 데이터를 인터넷을 통해 스마트팜 서버(30)로 전달할 수 있다. 예를 들어, 게이트웨이(20)는 스마트팜(10)에 구비된 센서로부터 무선 인터페이스를 통해 센싱 데이터를 수신하고, 수신된 센싱 데이터를 인터넷과 연결된 통신 인터페이스를 통해 스마트팜 서버(30)로 전달할 수 있다.
몇몇 실시예들에서는, 게이트웨이(20)가 작물의 센싱 데이터를 재배자 단말(40)에게 전달할 수도 있다. 예를 들어, 게이트웨이(20)는 작물의 현재 이미지, 각종 환경 요인에 대한 측정값 등을 재배자 단말(40)로 전달할 수 있고, 재배자 단말(40)은 수신된 데이터를 이용하여 원격으로 작물을 관리할 수 있다.
또한, 몇몇 실시예들에서는, 게이트웨이(20)가 지능화된 관제 기능을 수행할 수 있다. 예를 들어, 게이트웨이(20)는 스마트팜 서버(30)를 대신하여 소정의 제어 룰(rule) 또는 머신러닝 모델 등을 기초로 작물의 센싱 데이터를 분석하고, 분석 결과에 기초하여 스마트팜(10)의 생장 환경을 제어할 수 있다. 가령, 게이트웨이(20)는 분석 결과를 기초로 스마트팜(10)의 액추에이터를 제어할 수 있다. 이러한 경우, 스마트팜 서버(30)의 작업 부하가 게이트웨이(20)에 의해 분산되는 효과가 달성될 수 있다. 지능화된 관제 기능의 구체적인 예시에 관하여서는 추후 도 3 이하의 도면을 참조하여 상세하게 설명하도록 한다.
다음으로, 스마트팜 서버(30)는 하나 이상의 스마트팜(10)에 대한 지능화된 관제 기능을 제공하는 컴퓨팅 장치일 수 있다. 여기서, 컴퓨팅 장치는 예를 들어 노트북, 데스크톱(desktop), 랩탑(laptop) 등이 될 수 있으나, 이에 국한되는 것은 아니며 컴퓨팅 기능 및 통신 기능이 구비된 모든 종류의 장치를 포함할 수 있다. 다만, 다수의 스마트팜(10)에 대한 관제 기능을 수행해야 하는 환경이라면, 스마트팜 서버(30)는 고성능의 서버급 컴퓨팅 장치로 구현되는 것이 바람직할 수 있다. 컴퓨팅 장치의 일 예시에 관하여서는 도 12를 참조하도록 한다.
보다 구체적으로, 스마트팜 서버(30)는 게이트웨이(20)를 통해 하나 이상의 스마트팜(10)으로부터 작물에 관한 센싱 데이터를 수신할 수 있다. 그리고, 스마트팜 서버(30)는 수신된 센싱 데이터를 분석하여 지능화된 관제 기능을 수행할 수 있다. 예를 들어, 스마트팜 서버(30)는 센싱 데이터를 분석하여 작물의 상태 이상을 진단하고, 진단 결과에 따른 적절한 제어를 수행할 수 있다. 스마트팜 서버(30)의 관제 기능에 관하여서는 추후 도 3 이하의 도면을 참조하여 상세하게 설명하도록 한다.
다음으로, 재배자 단말(40)은 스마트팜(10)를 이용하여 작물을 재배하는 자의 단말을 의미할 수 있다. 재배자 단말(40)에는 전용 앱(App)이 설치되어 있을 수 있으며, 앱을 통해 스마트팜(10), 게이트웨이(20) 및/또는 스마트팜 서버(30)와 연동될 수 있다. 재배자는 재배자 단말(40)을 통해 원격으로 스마트팜(10)을 모니터링하고 제어할 수 있다.
지금까지 도 1 및 도 2를 참조하여 본 개시의 몇몇 실시예들에 따른 스마트팜 시스템에 대하여 개략적으로 설명하였다. 이하에서는, 도 3 이하의 도면을 참조하여 본 개시의 몇몇 실시예들에 따른 스마트팜 시스템의 동작 방법에 대하여 상세하게 설명하도록 한다.
도 3은 본 개시의 몇몇 실시예들에 따른 스마트팜 시스템의 동작 방법을 나타내는 예시적인 흐름도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다. 또한, 도 3은 스마트팜 시스템이 도 1에 예시된 바와 같이 구성된 것을 가정하고 있다.
도 3에 도시된 바와 같이, 상기 동작 방법은 스마트팜(10)이 센서를 통해 작물의 생장 상태와 생장 환경을 센싱하는 단계 S10에서 시작될 수 있다. 예를 들어, 스마트팜(10)은 카메라를 통해 작물과 그 주변을 촬영할 수 있고, 다른 센서를 통해 작물 재배 시설 내외의 환경 요인을 측정할 수 있다.
단계 S20에서, 스마트팜(10)은 센싱 데이터를 게이트웨이(20)로 전송할 수 있다.
단계 S30에서, 게이트웨이(20)는 수신된 센싱 데이터를 스마트팜 서버(30)로 전달할 수 있다.
몇몇 실시예들에서, 게이트웨이(20)는 재배자 단말(40)에게도 센싱 데이터를 전송할 수 있다.
단계 S40에서, 스마트팜 서버(30)는 전달받은 센싱 데이터를 분석할 수 있다. 스마트팜 서버(30)는 다양한 정보를 도출하기 위해 다양한 방식으로 센싱 데이터를 분석할 수 있으며, 도출되는 정보의 종류와 분석 방식은 실시예에 따라 달라질 수 있다.
몇몇 실시예들에서, 스마트팜 서버(30)는 센싱 데이터(e.g. 작물 이미지 등)를 분석하여 작물의 생장 상태(e.g. 생장률, 상태 이상)를 판단할 수 있다. 예를 들어, 스마트팜 서버(30)는 작물 이미지를 CNN(Convolutional Neural Network) 기반의 진단 모델에 입력하여 해당 작물의 상태 이상을 진단할 수 있다. 여기서, 상태 이상에 대한 진단 결과는 크게는 정상 또는 이상으로 분류될 수 있고, 이상 클래스는 다양한 서브 클래스(e.g. 질병에 따른 분류, 병충해/파손/영양부족 등과 같이 질병 원인에 따른 분류 등)로 더 세분화될 수도 있다. 진단 모델을 구축하고 상태 이상을 진단하는 방법에 관하여서는 추후 도 5 이하의 도면을 참조하여 상세하게 설명하도록 한다. 다른 예로서, 스마트팜 서버(30)는 각종 이미지 분석 기법 또는 머신러닝 모델(e.g. CNN 모델)을 통해 작물 이미지로부터 해당 작물의 크기, 생장 단계 등을 판단하고, 판단된 결과를 종합하여 해당 작물의 생장률을 도출할 수 있다.
몇몇 실시예들에서, 스마트팜 서버(30)는 센싱 데이터를 분석하여 작물의 재배 비용을 산출할 수 있다. 예를 들어, 스마트팜 서버(30)는 환경 요인에 대한 측정값을 분석하여 작물의 재배에 투입된(소요된) 자원의 양을 산출하고, 이를 토대로 작물의 재배 비용을 산출할 수 있다. 산출된 재배 비용은 다양한 용도로 활용될 수 있다. 예컨대, 재배 비용은 작물의 합리적인 판매 가격을 도출하기 위해 이용될 수 있고, 다양한 구매자들에게 공개됨으로써 신뢰도 높은 작물 거래를 활성화하기 위해 이용될 수도 있다. 몇몇 실시예들에서는, 스마트팜 서버(30)가 작물의 재배 비용과 작물의 품질 평가 결과를 기초로 자동으로 작물의 판매 가격을 산출할 수도 있다.
몇몇 실시예들에서, 스마트팜 서버(30)는 센싱 데이터를 분석하여 작물의 품질을 평가할 수 있다. 예를 들어, 스마트팜 서버(30)는 작물 이미지를 CNN 기반의 품질 평가 모델에 입력하여 해당 작물의 품질을 평가(e.g. 상/중/하 등급)할 수 있다. 다른 예로서, 스마트팜 서버(30)는 작물의 진단 결과, 과거 진단 이력, 작물의 생장 단계 등을 종합적으로 고려하여 해당 작물의 품질을 평가할 수 있다. 가령, 스마트팜 서버(30)는 평가 항목 각각에 대한 점수를 산출하고, 산출된 점수의 가중치 합에 기초하여 해당 작물의 품질을 평가할 수 있다.
단계 S50에서, 스마트팜 서버(30)는 단계 S40에서 도출된 분석 정보를 재배자 단말(40)로 전송할 수 있다. 그러면, 재배자는 단말(40)을 통해 도출된 분석 정보를 확인하고 그에 따라 스마트팜(10)을 원격으로 관리할 수 있다. 가령, 재배자는 작물의 상태 이상(e.g. 영양 부족, 병충해 발생)에 따라 적절한 조치(e.g. 양액 공급기 제어를 통해 양액 공급량을 증가, 농약 살포 등을 위한 방제로봇 가동)를 취할 수 있다. 이에 따라, 스마트팜(10)의 생산 효율성이 향상될 수 있으며, 분석된 정보가 제공되므로 경험이 적은 재배자도 상품성 있는 작물을 용이하게 재배할 수 있게 된다.
몇몇 실시예들에서는, 스마트팜 서버(30)가 작물의 생장 상태와 그에 상응하는 재배 가이드 정보를 함께 재배자 단말(40)로 전송할 수 있다. 예를 들어, 스마트팜 서버(30)는 작물의 상태 이상에 관한 진단 결과와 함께 그에 따른 조치 정보를 재배자 단말(40)로 전송할 수 있다. 이러한 경우, 재배자는 수신한 조치 정보를 토대로 스마트팜(10)을 용이하게 제어할 수 있게 된다. 다른 예로서, 스마트팜 서버(30)는 작물의 현재 생장 단계와 함께 그에 따른 재배 가이드 정보를 재배자 단말(40)로 전송할 수 있다. 다른 예로서, 스마트팜 서버(30)는 작물의 생장 상태가 우수한(e.g. 생장률 높음, 상태 양호) 작물의 생장 환경에 관한 정보(e.g. 양액 공급량 등)를 포함하는 재배 가이드 정보를 재배자 단말(40)로 전송할 수도 있다. 다만, 다른 몇몇 실시예들에서, 상술한 재배 가이드 정보는 재배자 단말(40)의 전용 앱 내에 미리 저장되어 있을 수도 있다.
단계 S60 및 단계 S70에서, 재배자 단말(40)은 게이트웨이(20) 또는 스마트팜 서버(30)를 통해 스마트팜(10)으로 제어 정보를 전송할 수 있다. 예를 들어, 재배자는 단말(40)을 통해 작물의 생장 상태와 생장 환경을 확인하고 원격으로 적절한 조치를 수행할 수 있다. 가령, 재배자는 작물의 생장 환경을 조절하기 위해 액추에이터를 제어하기 위한 정보를 단말(40)을 통해 전송할 수 있다.
단계 S80에서, 스마트팜(10)은 수신된 제어 정보에 기초하여 작물의 생장 환경을 조절할 수 있다. 가령, 스마트팜(10)은 수신된 제어 정보에 따라 액추에이터를 제어함으로써 생장 환경을 조절할 수 있다.
한편, 몇몇 실시예들에서는, 스마트팜 서버(30)가 분석 정보를 토대로 지능화된 관제 기능을 수행할 수도 있다. 즉, 스마트팜 서버(30)가 분석 정보를 토대로 직접 스마트팜(10)을 제어할 수 있는데, 이하 이에 관한 다양한 예시에 관하여 부연 설명하도록 한다.
예를 들어, 스마트팜 서버(30)는 제1 작물이 재배되는 제1 스마트팜(10-1)과 제2 작물이 재배되는 제2 스마트팜(10-2)으로부터 센싱 데이터를 수신하고, 수신된 센싱 데이터를 분석하여 제1 작물과 제2 작물의 생장 상태(e.g. 생장률, 상태 이상 등)를 판단할 수 있다. 또한, 스마트팜 서버(30)는 제1 작물의 생장 상태가 제2 작물보다 우수하다는 판단에 응답하여, 제1 작물의 생장 환경 정보에 따라 제2 작물의 생장 환경을 제어할 수 있다. 가령, 스마트팜 서버(30)는 제1 작물의 생장 환경 정보에 따라 제2 작물의 생장 환경을 조절하기 위한 제어 정보를 제2 스마트팜(10-2)으로 전송할 수 있다. 즉, 스마트팜 서버(30)는 생장 상태가 우수한 작물의 생장 환경 정보를 레퍼런스 정보로 활용하여 다른 작물의 생장 환경을 지능적으로 제어할 수 있다. 이러한 경우, 재배자의 개입 없이도 스마트팜(10)에서 작물이 잘 생장될 수 있게 되어, 재배자의 편의성이 크게 향상될 수 있다.
다른 예를 들어, 스마트팜 서버(30)는 스마트팜(10)으로부터 작물 재배 시설의 내부를 촬영한 이미지를 수신하고 이를 분석하여 작물 재배 시설에서 발생한 이상(또는 이벤트)을 검출할 수 있다. 예를 들어, 도 4에 도시된 바와 같이, 스마트팜 서버(30)는 작물 재배 시설에 설치된 카메라(17; e.g. CCTV 카메라)를 통해 촬영된 이미지를 수신할 수 있다. 여기서, 스마트팜 서버(30)는 다양한 영상 분석 기법 또는 CNN 기반의 이상 검출 모델을 이용하여 이상을 검출할 수 있을 것이나, 본 개시의 범위가 이에 한정되는 것은 아니다. 또한, 이상(이벤트)의 종류는 예를 들어 해충 발생, 병충해 발생, 시설 내부 파손, 침입자 발생, 과실 성숙 등과 같이 다양할 수 있다. 본 실시예에서, 스마트팜 서버(30)는 이상이 검출되었다는 판단에 응답하여, 이상 발생 지점과 그 주변 영역에 대한 정밀 이미지를 획득하기 위해 센싱로봇을 배치할 수 있다. 가령, 도 4에 도시된 바와 같이, 스마트팜 서버(30)는 드론(114) 또는 지상로봇(115)을 이상 발생 지점(원형 마크 참조)에 배치하여 그 주변 영역(112, 113)에서 재배 중인 작물에 대한 정밀 이미지를 획득할 수 있다. 스마트팜 서버(30)는 이상 발생 영역(112, 113)까지의 경로, 장애물 존재 여부, 작물의 종류 등을 고려하여 드론(114)을 배치할 수도 있고, 지상로봇(115)을 배치할 수도 있다. 여기서, 정밀 이미지는 카메라(17)에 의해 촬영된 이미지보다 고해상도의 이미지, 다각도로 촬영된 이미지, 확대된 이미지 등을 포함할 수 있을 것이나, 이에 한정되는 것은 아니다. 또한, 스마트팜 서버(30)는 획득한 정밀 이미지를 분석하여 해당 작물의 상태 이상을 진단할 수 있으며, 진단 결과에 기초하여 지능화된 제어도 수행할 수도 있다. 가령, 스마트팜 서버(30)는 작물에 병충해가 발생했다는 판단에 응답하여, 양액 공급기를 제어하거나 농약 살포 등을 위한 방제로봇을 가동시킬 수 있다. 또는, 스마트팜 서버(30)는 작물이 파손되었다는 판단에 응답하여, 재배자 단말(40)로 알람을 제공할 수도 있다. 또는, 스마트팜 서버(30)는 작물의 과실이 충분히 성숙해졌다는 판단에 응답하여, 과실 수확을 위한 로봇을 배치할 수도 있다. 본 예시에 따르면, 이상 발생 영역에 한정하여 센싱로봇을 배치함으로써 스마트팜(10)에 대한 관제가 효율적으로 이루어질 수 있으며, 작물에 대한 정밀 이미지를 토대로 상태 이상을 진단함으로써 진단의 정확도가 향상될 수 있다. 이에 따라, 스마트팜(10)의 생산 효율성은 더욱 향상될 수 있다.
지금까지 도 3 및 도 4를 참조하여 본 개시의 몇몇 실시예들에 따른 스마트팜 시스템의 동작 방법에 관하여 설명하였다. 상술한 방법에 따르면, 스마트팜 서버(30)가 스마트팜(10)의 센싱 데이터를 분석하여 작물의 생장 상태를 판단하고 이를 재배자 단말(40)에게 제공할 수 있으며, 동시에 재배 가이드 정보를 제공하거나 지능화된 제어를 수행할 수 있다. 가령, 스마트팜 서버(30)는 작물의 상태 이상에 관한 진단 정보와 이를 해결할 수 있는 재배 가이드 정보를 재배자 단말(40)에게 제공할 수 있다. 따라서, 재배 경험이 적은 재배자들도 용이하게 상품성 있는 작물을 재배할 수 있게 되며, 이는 궁극적으로 영농 기반이 없는 인력들의 신규 유입을 촉진함으로써 농업 산업을 보다 활성화시킬 수 있다.
이하에서는, 도 5 내지 도 9를 참조하여 본 개시의 몇몇 실시예들에 따라 CNN 기반의 진단 모델을 구축하고 구축된 모델을 통해 생장 이상을 진단하는 방법에 관하여 설명하도록 한다. 이하에서는, 이해의 편의를 제공하기 위해, 각 동작의 주체가 스마트팜 서버(30)인 것을 가정하여 설명을 이어가도록 하나, 동작의 주체는 다른 컴퓨팅 장치가 되더라도 무방하다. 가령, 진단 모델의 학습(구축)은 스마트팜 서버(30)가 아닌 다른 컴퓨팅 장치에 의해 수행될 수도 있다.
먼저, 도 5를 참조하여 제1 실시예에 따른 진단 모델 구축 방법에 관하여 설명하도록 한다.
도 5는 본 개시의 제1 실시예에 따른 진단 모델 구축 방법을 설명하기 위한 예시도이다. 참고로, 도 5 이하의 도면에서, "abnormal"은 이상 클래스를 의미하고, "normal"은 정상 클래스를 의미한다.
도 5에 도시된 바와 같이, 본 실시예에서는, 학습 데이터의 부족으로 진단 모델의 성능이 저하되는 문제를 방지하기 위해 GAN(Generative Adversarial Network) 기반의 데이터 확장(data augmentation) 기법이 적용될 수 있다. 즉, 실제 작물 이미지(57)와 GAN 기반 모델(54, 55)을 통해 생성된 페이크 작물 이미지(58, 59)로 학습용 이미지셋(61)이 구성될 수 있다. 통상적으로 이상(상태 이상) 클래스의 작물 이미지를 구하는 것이 더 어려우므로, 이상 클래스의 페이크 작물 이미지(58, 59)를 생성하는 방법을 예로 들어 설명하도록 한다. 다만, 이하의 설명 내용은 정상 클래스의 페이크 작물 이미지를 생성하기 위해서도 적용될 수도 있다.
도시된 바와 같이, 스마트팜 서버(30)는 GAN 기반의 이미지 생성 모델(54)과 이미지 변환 모델(55; image translation model)을 이용하여 이상 클래스에 속하는 페이크 작물 이미지(58, 59)를 생성할 수 있다.
이미지 생성 모델(54)은 일반적인 GAN 모델과 같이 생성기(generator) 및 판별기(discriminator)로 구성되며 적대적 학습을 통해 구축될 수 있다. 구체적으로, 생성기는 노이즈 데이터(51)를 기초로 이상 클래스의 페이크 작물 이미지(58)를 생성하도록 학습될 수 있고, 판별기는 생성기에 의해 생성된 페이크 이미지를 판별하도록 학습될 수 있다. 당해 기술 분야의 종사자라면, 적대적 학습 기법에 대해 자명하게 이해할 수 있을 것인 바, 더 이상의 자세한 설명은 생략하도록 한다. 적대적 학습이 완료되면, 이미지 생성 모델(54)은, 정확하게는 생성기는, 입력된 노이즈 데이터(51)를 기초로 정밀한 페이크 작물 이미지(58)를 생성할 수 있고, 생성된 페이크 작물 이미지(58)가 학습용 이미지셋(61)의 일부를 구성하게 된다.
다음으로, 이미지 변환 모델(55)은 정상 클래스의 작물 이미지(53)를 입력받고 이를 이상 클래스의 페이크 작물 이미지(59)로 변환하도록 학습된 모델일 수 있다. 가령, 이미지 변환 모델(55)은 CycleGAN, DiscoGAN과 같이 이미지 변환(image-to-image translation) 분야의 GAN 모델을 이용하여 구현될 수 있다. 당해 기술 분야의 종사자라면, 예시된 GAN 모델의 구축 방법과 동작 원리에 관하여 자명하게 이해할 수 있을 것인 바, 이에 대한 자세한 설명은 생략하도록 한다. 도시된 바와 같이, 이미지 변환 모델(55)에 의해 생성된 페이크 작물 이미지(59)도 학습용 이미지셋(61)의 일부를 구성하게 된다.
학습용 이미지셋(61)이 구성되면, 스마트팜 서버(30)는 학습용 이미지셋(61)과 정상 클래스의 학습용 이미지셋을 기계 학습하여 CNN 기반의 진단 모델을 구축할 수 있다. 이렇게 구축된 진단 모델은 대량의 이미지셋을 학습하였기 때문에, 높은 정확도로 작물의 상태 이상을 진단할 수 있게 된다.
몇몇 실시예들에서는, 스마트팜 서버(30)가 이미지의 유형에 따라 학습 가중치를 달리하여 기계 학습을 수행할 수 있다. 예를 들어, 스마트팜 서버(30)는 실제 작물 이미지(57)를 제1 학습 가중치로 학습하고, 페이크 작물 이미지(58, 59)를 제1 학습 가중치보다 낮은 제2 학습 가중치로 학습함으로써 진단 모델을 구축할 수 있다. 경우에 따라 페이크 작물 이미지(58, 59)가 실제 작물 이미지와 다른 특성을 가질 수 있는데, 이러한 경우 동일한 학습 가중치로 페이크 작물 이미지(58, 59)를 학습하면 진단 모델의 성능이 오히려 저하될 수도 있기 때문이다. 다른 예로서, 스마트팜 서버(30)는 페이크 작물 이미지(e.g. 58, 59)를 판별하는 판별기의 컨피던스 스코어(confidence score)에 기초하여 페이크 작물 이미지(e.g. 58, 59)의 학습 가중치를 결정하고, 결정된 학습 가중치에 따라 기계 학습을 수행할 수 있다. 여기서, 상기 컨피던스 스코어는 실제 클래스에 해당할 확률값을 의미하는 것으로, 실제에 가까운 페이크 작물 이미지에 높은 학습 가중치가 부여되는 것으로 이해될 수 있다. 본 실시예에 따르면, 실제 작물 이미지(57) 또는 실제에 가까운 작물 이미지를 보다 강하게 학습함으로써, 진단 모델의 성능이 향상될 수 있다.
상술한 실시예들에서, 학습 가중치는 특정 모델의 학습(즉, 모델의 가중치 파라미터 갱신)에 반영되는 정도를 가리키는 값을 의미하며, 학습 가중치를 적용하는 구체적인 방식은 실시예에 따라 달라질 수 있다. 예를 들어, 오차 역전파를 통해 모델의 가중치 파라미터를 갱신할 때, 학습 가중치에 기초하여 역전파되는 오차값(e.g. 정답과 모델 예측값과의 차이)을 증가 또는 감소시킴으로써, 학습 가중치가 모델 학습에 반영될 수 있다. 가령, 학습 가중치가 높은 이미지를 학습하는 경우에는 역전파되는 오차값을 증가(증폭)시킴으로써, 해당 이미지에 대하여 강한 학습이 이루어질 수 있다. 다른 예로서, 학습 가중치에 기초하여 학습 횟수를 증가 또는 감소시킴으로써, 학습 가중치가 모델 학습에 반영될 수도 있다. 가령, 학습 가중치가 높은 이미지에 대해서는 학습 횟수를 증가시킴으로써, 해당 이미지에 대하여 강한 학습이 이루어지게 할 수도 있다.
지금까지 도 5를 참조하여 본 개시의 제1 실시예에 따른 진단 모델 구축 방법에 대하여 설명하였다. 이하에서는, 도 6을 참조하여 본 개시의 제2 실시예에 따른 진단 모델 구축 방법에 대하여 설명하도록 한다.
도 6은 본 개시의 제2 실시예에 따른 진단 모델 구축 방법을 설명하기 위한 예시도이다. 참고로, 도 6 내지 도 8에서, 진단 모델 A(72)는 임시적으로 구축된 모델을 의미하며, 그 외의 진단 모델들(75, 78, 82)은 구축대상모델을 의미한다. 이하, 도 6을 참조하여 설명하며, 설명의 편의상 알파벳 기호는 생략하도록 한다.
본 실시예에서는, 스마트팜 서버(30)가 이상 클래스에 속하는 학습용 이미지셋(71)을 이상 진단 난이도를 기준으로 분류하고, 분류된 이미지셋(73, 74)을 서로 다른 학습 가중치로 학습함으로써 진단 모델(75)을 구축할 수 있다. 구체적으로, 도시된 바와 같이, 학습용 이미지셋(71)이 진단 모델(72)을 통해 이상 진단 난이도가 높은 제1 이미지셋(73)과 낮은 제2 이미지셋(74)으로 분류될 수 있다. 가령, 스마트팜 서버(30)는 진단 모델(72)의 컨피던스 스코어가 기준치 미만인 작물 이미지를 제1 이미지셋(73)으로 분류하고, 기준치 이상인 작물 이미지를 제2 이미지셋(74)으로 분류할 수 있다.
다음으로, 스마트팜 서버(30)는 서로 다른 학습 가중치로 각 이미지셋(73, 74)을 기계 학습하여 진단 모델(75)을 구축할 수 있다. 기계 학습 전에, 진단 모델(75)의 가중치 파라미터는 초기화된 상태에 있는 것이 바람직할 수 있다. 기 학습된 진단 모델에 대한 재학습은 진단 모델을 미세 조정(fine-tuning)하는 것에 그치기 때문에(즉, 학습의 영향이 크지 않음), 이상 진단 난이도가 높은 제1 이미지셋(73)에 대해 충분한 학습이 이루어지기 어렵기 때문이다.
보다 구체적으로, 스마트팜 서버(30)는 제1 이미지셋(73)을 제1 학습 가중치(W1)로 학습하고, 제2 이미지셋(74)을 제1 학습 가중치(W1)보다 낮은 제2 학습 가중치(W2)로 학습하여 진단 모델(75)을 구축할 수 있다. 이렇게 구축된 진단 모델(75)은 이상 진단 난이도가 높은 작물 이미지까지 정확하게 진단할 수 있기 때문에, 스마트팜(10)의 생산 효율성이 크게 향상될 수 있다.
몇몇 실시예들에서는, 제1 이미지셋(73)을 먼저 학습한 다음에 제2 이미지셋(74)에 대한 학습이 이루어질 수 있다. 이러한 경우에도, 제1 이미지셋(73)에 대한 학습이 보다 강하게 이루어질 수 있어, 진단 모델(75)의 성능이 더욱 향상될 수 있다.
또한, 몇몇 실시예들에서는, 제1 이미지셋(73)을 구성하는 작물 이미지 별로 학습 가중치가 달라질 수도 있다. 가령, 진단 모델(73)의 컨피던스 스코어에 기초하여 각 작물 이미지의 학습 가중치가 결정될 수 있는데, 컨피던스 스코어가 낮을수록 학습 가중치는 높은 값으로 결정될 수 있다.
지금까지 도 6을 참조하여 본 개시의 제2 실시예에 따른 진단 모델 구축 방법에 대하여 설명하였다. 이하에서는, 도 7을 참조하여 본 개시의 제3 실시예에 따른 진단 모델 구축 방법에 대하여 설명하도록 한다.
도 7은 본 개시의 제3 실시예에 따른 진단 모델 구축 방법을 설명하기 위한 예시도이다. 이하, 도 7을 참조하여 설명한다.
본 실시예에서는, 스마트팜 서버(30)가 이상 클래스에 속하는 학습용 이미지셋(71)을 평가 결과를 기준으로 분류하고, 분류된 이미지셋(76, 77)을 서로 다른 학습 가중치로 학습함으로써 진단 모델(78)을 구축할 수 있다. 구체적으로, 도시된 바와 같이, 정답 레이블과 진단 모델(72)의 진단 결과를 비교함으로써 학습용 이미지셋(71)이 거짓 부정(False Negative)으로 평가된 제1 이미지셋(76)과 참 긍정(True Positive)으로 평가된 제2 이미지셋(77)으로 분류될 수 있다.
다음으로, 스마트팜 서버(30)는 서로 다른 학습 가중치로 각 이미지셋(76, 77)을 기계 학습하여 진단 모델(78)을 구축할 수 있다. 앞선 실시예와 마찬가지로, 기계 학습 전에, 진단 모델(78)의 가중치 파라미터는 초기화된 상태에 있는 것이 바람직할 수 있다.
보다 구체적으로, 스마트팜 서버(30)는 제1 이미지셋(76)을 제1 학습 가중치(W1)로 학습하고, 제2 이미지셋(77)을 제1 학습 가중치(W1)보다 낮은 제2 학습 가중치(W2)로 학습하여 진단 모델(78)을 구축할 수 있다. 이러한 경우, 진단 모델(78)의 미탐(즉, false negative)이 최소화될 수 있기 때문에, 스마트팜(10)의 생산 효율성이 크게 향상될 수 있다.
지금까지 도 7을 참조하여 본 개시의 제3 실시예에 따른 진단 모델 구축 방법에 대하여 설명하였다. 이하에서는, 도 8을 참조하여 본 개시의 제4 실시예에 따른 진단 모델 구축 방법에 대하여 설명하도록 한다.
도 8은 본 개시의 제4 실시예에 따른 진단 모델 구축 방법을 설명하기 위한 예시도이다. 이하, 도 8을 참조하여 설명한다.
본 실시예에서는, 스마트팜 서버(30)가 정상 클래스에 속하는 학습용 이미지셋(79)을 평가 결과를 기준으로 분류하고, 분류된 이미지셋(80, 81)을 서로 다른 학습 가중치로 학습함으로써 진단 모델(82)을 구축할 수 있다. 구체적으로, 도시된 바와 같이, 정답 레이블과 진단 모델(72)의 진단 결과를 비교함으로써 학습용 이미지셋(79)이 거짓 긍정(False Positive)으로 평가된 제1 이미지셋(80)과 참 부정(True Negative)으로 평가된 제2 이미지셋(81)으로 분류될 수 있다.
다음으로, 스마트팜 서버(30)는 서로 다른 학습 가중치로 각 이미지셋(80, 81)을 기계 학습하여 진단 모델(82)을 구축할 수 있다. 앞선 실시예와 마찬가지로, 기계 학습 전에, 진단 모델(82)의 가중치 파라미터는 초기화된 상태에 있는 것이 바람직할 수 있다.
보다 구체적으로, 스마트팜 서버(30)는 제1 이미지셋(80)을 제1 학습 가중치(W1)로 학습하고, 제2 이미지셋(81)을 제1 학습 가중치(W1)보다 낮은 제2 학습 가중치(W2)로 학습하여 진단 모델(82)을 구축할 수 있다. 이러한 경우, 진단 모델(82)의 오탐(즉, false positive)이 최소화될 수 있기 때문에, 재배자 단말(40)로 불필요하게 알람이 전송되거나 잘못된 조치(e.g. 오진단으로 인한 불필요한 제어)가 수행되는 것이 방지될 수 있다.
지금까지 도 5 내지 도 8을 참조하여 본 개시의 제1 내지 제4 실시예에 따른 진단 모델 구축 방법에 대하여 설명하였다. 각 실시예를 구분하여 설명하였으나, 상술한 제1 실시예 내지 제4 실시예는 다양한 형태로 조합될 수 있다. 예를 들어, 스마트팜 서버(30)는 제1 실시예에 따라 학습용 이미지셋을 확장하고, 확장된 이미지셋을 이용하여 제2 내지 제4 실시예 중 적어도 하나에 따른 학습을 수행할 수 있다. 다른 예로서, 스마트팜 서버(30)는 제2 실시예에 따라 분류된 이미지셋 중에서 이상 진단 난이도가 높은 이미지셋(76)을 제1 실시예에 따라 확장하고(즉, 이미지셋 76을 이용하여 GAN 기반 모델 54, 55를 학습시킨 뒤 페이크 작물 이미지를 생성함), 확장된 이미지셋을 이용하여 제3 및 제4 실시예 중 적어도 하나에 따른 학습을 수행할 수도 있다.
한편, 진단 모델(e.g. 75, 78, 83)이 구축되면, 스마트팜 서버(30)는 진단 모델(e.g. 75, 78, 83)을 이용하여 작물의 상태 이상을 진단할 수 있다. 이때, 스마트팜 서버(30)는 하나 이상의 진단 모델(e.g. 75, 78, 83)을 활용하여 진단을 수행할 수 있는데, 진단 모델(e.g. 75, 78, 83)의 구체적인 활용 형태는 실시예에 따라 달라질 수 있다.
몇몇 실시예들에서는, 진단의 정확도를 더욱 향상시키기 위해, 스마트팜 서버(30)는 복수의 진단 모델(e.g. 75, 78, 83)을 앙상블(ensemble) 형태로 활용하여 작물의 상태 이상을 진단할 수 있다. 예를 들어, 도 9에 도시된 바와 같이, 스마트팜 서버(30)는 상술한 제1 내지 제4 실시예들에 따라 구축된 진단 모델(72, 75, 78, 82)을 포함하는 복수의 진단 모델을 구축하고, 진단대상작물의 이미지(83)를 각 진단 모델(e.g. 72, 75, 78, 82)에 입력하여 복수의 진단 결과(e.g. 상태 이상에 대한 컨피던스 스코어)를 획득하며, 복수의 진단 결과를 종합하여 최종 진단 결과를 도출할 수 있다. 가령, 스마트팜 서버(30)는 각 진단 모델(e.g. 72, 75, 78, 82)의 가중치에 기초하여 진단 결과를 종합할 수 있다. 이때, 상기 가중치는 진단 모델(e.g. 72, 75, 78, 82)의 정확도에 기초하여 결정될 수 있고, 진단 모델(e.g. 72, 75, 78, 82)의 정확도는 진단이 수행될 때마다 동적으로 업데이트될 수 있다. 또한, 가중치의 업데이트폭(즉, 증감폭)은 진단 모델(e.g. 72, 75, 78, 82)의 오차(즉, 정답과 컨피던스 스코어의 차이)에 기초하여 달라질 수 있다. 그렇게 함으로써, 최종 진단 결과의 정확도가 점차적으로 향상될 수 있다.
이하에서는, 도 10 및 도 11을 참조하여 본 개시의 몇몇 실시예들에 따라 블록체인 기반으로 작물 거래 서비스를 제공하는 방법에 관하여 설명하도록 한다.
도 10은 본 개시의 몇몇 실시예들에 따른 스마트팜 서버(30)가 블록체인 네트워크(300)와 연동하여 작물 거래 서비스를 제공하는 것을 예시하고 있다.
도 10에 도시된 바와 같이, 스마트팜 서버(30)는 작물 데이터(91)를 블록체인 네트워크(300)에 의해 관리되는 블록체인(310)에 기록할 수 있다. 보다 정확하게는, 스마트팜 서버(30)가 작물 데이터(91)에 대한 기록을 블록체인 네트워크(300)에 요청하면, 블록체인 네트워크(300)가 합의(consensus) 과정을 거쳐 각 블록체인 노드(200)가 유지하는 블록체인(310)에 동일한 작물 데이터(91)를 기록하게 된다. 당해 기술 분야의 종사자라면, 이러한 블록체인 노드(200) 또는 블록체인 네트워크(300)의 동작에 대해 자명하게 이해할 수 있을 것인 바, 이에 관한 자세한 설명은 생략하도록 한다. 작물 데이터(91)가 블록체인(310)에 기록됨으로써, 작물 데이터(91)의 무결성이 보장될 수 있다.
작물 데이터(91)는 예를 들어 작물의 종류, 품질, 재배 비용, 현재 이미지, 판매 가격 등의 정보를 포함할 수 있다. 그러나, 이에 한정되는 것은 아니다.
여기서, 스마트팜 서버(30)는 스마트팜(10)의 센싱 데이터를 기초로 상기 예시된 작물 데이터(91) 중 적어도 일부를 자동으로 생성할 수 있다. 예를 들어, 앞서 언급한 바와 같이, 스마트팜 서버(30)는 센싱 데이터를 기초로 작물의 재배 비용, 품질 등을 자동으로 도출할 수 있다. 이러한 경우, 작물 데이터(91)의 객관성 및 신뢰성이 향상되어, 궁극적으로 작물 거래의 신뢰성이 보장될 수 있다.
한편, 스마트팜 서버(30)는 구매자 단말로부터 구매 조건(92)을 수신하고, 작물 데이터(91)가 구매 조건(92)에 부합한다는 판단에 응답하여 작물 데이터(91)를 구매자 단말로 전송할 수 있다. 이러한 경우, 구매자는 직접적인 검색 없이도 구매 조건(92)에 부합하는 작물에 관한 정보를 확인할 수 있게 되기 때문에, 구매자의 편의성이 향상될 수 있고 작물 거래가 보다 활성화될 수 있다.
여기서, 구매 조건(92)은 예를 들어 작물의 종류, 품질, 판매 가격, 생장 단계 등에 기초하여 정의될 수 있을 것이나, 이에 한정되는 것은 아니다.
몇몇 실시예들에서, 스마트팜 서버(30)는 작물 데이터(91)를 전송하는 것이 아니라 블록체인(310)에 기록된 작물 데이터(91)를 조회할 수 있는 정보를 구매자 단말로 전송할 수 있다. 이러한 정보의 예로는 작물 데이터(91)에 관한 조회 식별자(e.g. 트랜잭션 ID), 블록체인(310)에 기록된 작물 데이터(91)를 확인할 수 있는 링크 등을 포함할 수 있을 것이나, 이에 한정되는 것은 아니다. 본 실시예에 따르면, 구매자가 블록체인(310)에 기록된 작물 데이터(91)를 용이하게 확인할 수 있게 되는 바, 구매자의 편의성이 향상될 수 있다. 나아가, 구매자는 블록체인(310)을 통해 무결성이 보장된 작물 데이터(91)를 확인할 수 있기 때문에, 작물 거래의 신뢰성이 향상될 수 있다.
한편, 블록체인(310)에는 작물 데이터(91)뿐만 아니라 작물 거래 내역(93), 작물 거래에 관한 리뷰 데이터(94) 등도 기록될 수 있다. 이때, 리뷰 작성을 활성화하기 위해, 리뷰를 작성한 구매자에게는 소정의 리워드가 지급될 수도 있다. 여기서, 리워드는 블록체인 네트워크(300)를 통해 발행되는 암호화 화폐일 수 있고, 포인트, 쿠폰 등과 같은 다른 형태의 화폐일 수도 있다.
또한, 몇몇 실시예들에서, 스마트팜 서버(30)는 재배자가 특정 등급 이상의 회원이라는 판단에 응답하여, 작물에 대한 이미지를 조회하고, 조회된 이미지 중에서 상태 이상으로 진단된 이미지를 제외하며, 나머지 이미지를 생장 단계 별로 분류하고, 분류된 이미지를 종합하여 비디오 슬라이드를 생성할 수 있다. 생성된 비디오 슬라이드는 작물 데이터(91)에 포함되어 블록체인(310)에 함께 기록될 수 있다. 이러한 비디오 슬라이드는 구매자에게 작물의 생장 과정을 연속적으로 생동감 있게 보여줄 수 있기 때문에, 일종의 판매 홍보 영상으로 기능할 수 있다. 본 실시예에서, 특정 등급 이상의 회원은 예를 들어 유료 회원, 작물 거래 횟수가 일정 횟수 이상인 회원 등과 같이 다양하게 설정될 수 있다.
한편, 작물 데이터(91)가 블록체인(310)에 기록되기 위해서는 모든 블록체인 노드들(200) 간에 합의가 이루어져야 하기 때문에, 비효율적일 수 있으며, 합의 소요 시간(즉, 블록체인 트랜잭션의 처리 소요 시간)이 길어질 수 있다. 이러한 문제점을 해결하기 위해, 본 개시의 몇몇 실시예들에서는, 블록체인 네트워크(300)를 복수의 채널로 구성하고, 작물 데이터(91)를 복수의 채널에 분산하여 기록할 수 있다. 여기서, 채널이란 블록체인 네트워크 상에 형성된 소규모의 네트워크를 의미하며, 동일 채널에 속한 블록체인 노드들은 동일한 블록체인을 공유(즉, 각 블록체인 노드가 동일한 블록체인을 관리)하게 된다. 이하, 본 실시예에 관하여 도 11을 참조하여 부연 설명하도록 한다.
도 11에 도시된 바와 같이, 제1 블록체인 노드 그룹(320)이 채널(A)을 통해 제1 블록체인(321)을 공유하고, 제2 블록체인 노드 그룹(330)이 채널(B)을 통해 제2 블록체인(331)을 공유하며, 제3 블록체인 노드 그룹(340)이 채널(C)을 통해 제3 블록체인(331)을 공유한다고 가정하자. 또한, 작물 데이터(91)을 복수의 블록체인(321, 331, 341)에 분산하여 기록하기 위해, 스마트팜 서버(30)와 블록체인 네트워크(300) 사이에 통신 서버(400)가 존재한다고 가정하자. 이때, 통신 서버(400)는 블록체인 노드(200) 중 하나일 수 있고, 별도의 장치일 수도 있다.
위와 같은 경우, 스마트팜 서버(30)가 전송한 작물 데이터(91)는 통신 서버(400)에 의해 각 채널(A, B, C)로 분산되어 복수의 블록체인(321, 331, 341)에 분산 기록될 수 있다. 예를 들어, 작물 데이터(91)가 작물의 품질, 재배 비용, 판매 가격, 이미지 및 비디오 슬라이드를 포함한다고 가정하면, 작물 데이터(91) 중 비디오 슬라이드는 제2 블록체인(331)에 기록되고, 나머지 데이터는 제3 블록체인(341)에 기록될 수 있다. 또한, 작물 데이터(91)의 기록 위치(e.g. 제2 블록체인 331과 제3 블록체인 341 상의 기록 위치 또는 트랜잭션 ID와 같이 기록된 작물 데이터를 조회할 수 있는 정보)를 포함하는 메타 데이터가 제1 블록체인(321)에 기록될 수 있다. 이러한 경우, 각 블록체인 노드 그룹(320, 330, 340) 간에 합의 과정이 병렬적으로 이루어질 것인 바, 합의에 소요되는 시간이 크게 감소될 수 있다.
메타데이터는 추후 작물 데이터(91)를 조회하기 위한 용도로 이용될 수 있다. 예를 들어, 스마트팜 서버(30)가 작물 데이터(91)에 대한 조회를 요청하면, 통신 서버(400)는 먼저 메타 데이터를 조회하고, 조회된 메타 데이터로부터 분산 기록된 작물 데이터(91)에 관한 기록 위치를 획득하며, 획득된 기록 위치를 참조하여 복수의 블록체인(e.g. 331, 341)에 분산 기록된 작물 데이터(91)를 조회하여 제공할 수 있다.
몇몇 실시예들에서는, 비디오 슬라이드가 기록되는 채널(e.g. B)을 구성하는 블록체인 노드 그룹(e.g. 330)의 노드 수는 다른 채널보다 적을 수 있다. 또는, 상기 블록체인 노드 그룹(e.g. 330)의 성능과 할당 대역폭이 다른 채널보다 클 수 있다. 이러한 경우, 상대적으로 고용량인 비디오 슬라이드에 대한 합의가 빠르게 이루어질 것이기 때문에, 작물 데이터(91)에 관한 합의 소요 시간이 감소될 수 있다.
또한, 몇몇 실시예들에서는, 비디오 슬라이드의 데이터 특성을 고려하여 손실 압축이 수행될 수 있다. 또한, 손실 압축된 비디오 슬라이드가 블록체인(e.g. 331)에 기록될 수 있다. 손실 압축에 대한 처리는 통신 서버(400)에 의해 수행될 수 있고, 다른 장치에서 수행될 수도 있다. 여기서, 손실 압축은 당해 기술 분야에서 공지된 손실 압축 알고리즘을 통해 수행될 수도 있고, 다른 방식으로 수행될 수 있다. 예를 들어, 특정 슬라이드 이미지의 해상도를 낮추거나, 비디오 슬라이드에서 특정 슬라이드 이미지를 제외하는 등의 방식으로 수행될 수도 있다. 본 실시예에 따르면, 손실 압축을 통해 비디오 슬라이드의 용량이 감소되기 때문에, 비디오 슬라이드에 관한 합의 소요 시간이 더욱 감소될 수 있다.
상술한 실시예에서, 비디오 슬라이드의 손실 압축률은 채널(e.g. B)을 구성하는 블록체인 노드 그룹(e.g. 330)의 가용 대역폭에 기초하여 동적으로 조절될 수도 있다. 가령, 블록체인 노드 그룹(e.g. 330)의 가용 대역폭이 충분한 경우 손실 압축률은 감소되고, 반대의 경우 손실 압축률은 증가할 수 있다. 이러한 경우, 가용 대역폭이 부족한 경우에 합의 소요 시간이 증가하는 것이 방지될 수 있다.
또한, 몇몇 실시예들에서는, 작물 데이터(91)가 분산 기록되는 채널(또는 블록체인)의 개수는 동적으로 변경될 수 있다. 예를 들어, 작물 데이터(91)의 크기에 기초하여 분산 기록되는 채널의 개수가 달라질 수 있다. 이러한 경우, 작물 데이터(91)가 대용량이더라도 합의 소요 시간이 증가하는 것이 방지될 수 있다.
또한, 몇몇 실시예들에서는, 메타 데이터가 복수의 채널(또는 블록체인) 또는 저장소에 중복 저장될 수 있다. 예를 들어, 메타 데이터는 채널(A)을 통해 공유되는 제1 블록체인(321)과 별도로 관리되는 DB에 중복 저장될 수 있다. 또는, 메타 데이터가 제2 블록체인(331) 또는 제3 블록체인(341)에도 저장될 수 있다. 이러한 경우, 메타 데이터 손실로 인한 조회가 안되는 문제가 미연에 방지될 수 있다.
지금까지 도 10 및 도 11을 참조하여 본 개시의 몇몇 실시예들에 따른 블록체인 기반 작물 거래 서비스 제공 방법에 대하여 설명하였다. 상술한 방법에 따르면, 스마트팜 서버(30)는 블록체인 네트워크(300)와 연동하여 재배자와 구매자 간의 작물 거래 서비스를 제공함으로써, 신뢰도 높은 작물 거래가 이루어질 수 있으며, 이에 따라 작물 거래가 보다 활성화될 수 있다.
도 12는 본 개시의 다양한 실시예들에 따른 장치들(e.g. 게이트웨이 20, 스마트팜 서버 30, 재배자 단말 40, 블록체인 노드 200)을 구현할 수 있는 컴퓨팅 장치를 예시한다.
도 12에 도시된 바와 같이, 컴퓨팅 장치(500)는 하나 이상의 프로세서(510), 버스(550), 통신 인터페이스(570), 프로세서(510)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(530)와, 컴퓨터 프로그램(591)을 저장하는 스토리지(590)를 포함할 수 있다. 다만, 도 12에는 본 개시의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 12에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다. 즉, 컴퓨팅 장치(100)에는, 도 12에 도시된 구성 요소 이외에도 다양한 구성 요소가 더 포함될 수 있다. 이하, 컴퓨팅 장치(500)의 각 구성요소에 대하여 설명하도록 한다.
프로세서(510)는 컴퓨팅 장치(500)의 각 구성의 전반적인 동작을 제어할 수 있다. 프로세서(510)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 프로세서(510)는 본 개시의 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(500)는 하나 이상의 프로세서를 구비할 수 있다.
메모리(530)는 각종 데이터, 명령 및/또는 정보를 저장할 수 있다. 메모리(530)는 본 개시의 실시예들에 따른 방법/동작을 실행하기 위하여 스토리지(590)로부터 하나 이상의 프로그램(591)을 로드할 수 있다. 가령, 메모리(530)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 이에 한정되는 것은 아니다.
버스(550)는 컴퓨팅 장치(500)의 구성 요소 간 통신 기능을 제공할 수 있다. 버스(550)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
통신 인터페이스(570)는 컴퓨팅 장치(500)의 유무선 인터넷 통신을 지원할 수 있다. 또한, 통신 인터페이스(570)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(570)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.
스토리지(590)는 상기 하나 이상의 프로그램(591)을 비임시적으로 저장할 수 있다. 스토리지(590)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 판독가능한 기록 매체를 포함하여 구성될 수 있다.
컴퓨터 프로그램(591)은 메모리(530)에 로드될 때 프로세서(510)로 하여금 본 개시의 실시예들에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들(instructions)을 포함할 수 있다. 즉, 프로세서(510)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 개시의 실시예에 따른 방법/동작을 수행할 수 있다.
예를 들어, 컴퓨터 프로그램(591)은 스마트팜(10)으로부터 관리대상작물과 관리대상작물의 생장 환경에 관한 센싱 데이터를 제공받는 동작, 제공받은 센싱 데이터에 기초하여 관리대상작물의 생장 상태를 판단하는 동작 및 판단된 생장 상태 정보를 재배자 단말(40)에게 제공하는 동작을 수행하도록 하는 인스트럭션들을 포함할 수 있다. 이와 같은 경우, 컴퓨팅 장치(500)를 통해 본 개시의 몇몇 실시예들에 따른 스마트팜 서버(30)가 구현될 수 있다.
다른 예로서, 컴퓨터 프로그램(591)은 스마트팜 서버(30) 또는 게이트웨이(20)로부터 스마트팜(10)에 관한 센싱 데이터 또는 분석 정보를 수신하는 동작 및 소정의 제어 정보를 게이트웨이(20)를 통해 스마트팜(10)으로 전송하는 동작을 수행하도록 하는 인스트럭션들을 포함할 수 있다. 이와 같은 경우, 컴퓨팅 장치(500)를 통해 본 개시의 몇몇 실시예들에 따른 재배자 단말(40)이 구현될 수 있다.
또 다른 예로서, 컴퓨터 프로그램(591)은 스마트팜 서버(30)로부터 작물 데이터를 수신하는 동작 및 수신된 작물 데이터를 블록체인에 기록하는 동작을 수행하도록 하는 인스트럭션들을 포함할 수 있다. 이와 같은 경우, 컴퓨팅 장치(500)를 통해 본 개시의 몇몇 실시예들에 따른 블록체인 노드(200)가 구현될 수 있다.
지금까지, 도 12를 참조하여 본 개시의 다양한 실시예들에 따른 장치들(e.g. 게이트웨이 20, 스마트팜 서버 30, 재배자 단말 40, 블록체인 노드 200)을 구현할 수 있는 컴퓨팅 장치(500)에 대하여 설명하였다.
지금까지 도 1 내지 도 12를 참조하여 설명된 본 개시의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.
이상에서, 본 개시의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 개시의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.
도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.
이상 첨부된 도면을 참조하여 본 개시의 실시예들을 설명하였지만, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 개시가 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (5)

  1. 작물 재배 시설에 설치된 센서를 통해 관리대상작물과 상기 관리대상작물의 생장 환경에 관한 센싱 데이터를 제공하는 스마트팜; 및
    상기 제공받은 센싱 데이터에 기초하여 상기 관리대상작물의 생장 상태를 판단하고, 상기 판단된 생장 상태 정보를 재배자 단말에게 제공하는 스마트팜 서버를 포함하는,
    스마트팜 시스템.
  2. 제1 항에 있어서,
    상기 관리대상작물은 제1 스마트팜에서 재배되는 제1 작물과 제2 스마트팜에서 재배되는 제2 작물을 포함하고,
    상기 스마트팜 서버는,
    상기 센싱 데이터에 기초하여 상기 제1 작물과 상기 제2 작물의 생장률을 도출하고,
    상기 제1 작물의 생장률이 상기 제2 작물보다 높다는 판단에 응답하여, 상기 제1 작물의 생장 환경에 따라 상기 제2 작물의 생장 환경을 조절하기 위한 제어 정보를 상기 제2 스마트팜으로 전송하는 것을 특징으로 하는,
    스마트팜 시스템.
  3. 제1 항에 있어서,
    상기 스마트팜 서버는 상기 판단된 생장 상태에 상응하는 재배 가이드 정보를 상기 재배자 단말에게 제공하는 것을 특징으로 하는,
    스마트팜 시스템.
  4. 제1 항에 있어서,
    상기 센싱 데이터는 상기 작물 재배 시설의 내부를 촬영한 이미지를 포함하고,
    상기 스마트팜 서버는,
    상기 이미지를 분석하여 상기 작물 재배 시설에서 발생된 이상을 검출하고,
    센싱로봇을 배치하여 상기 이상 발생 지점으로부터 일정 영역 내에서 재배되는 작물에 대한 이미지를 획득하며,
    상기 획득된 이미지를 분석하여 상기 작물의 상태 이상을 진단하는 것을 특징으로 하는,
    스마트팜 시스템.
  5. 제1 항에 있어서,
    상기 센싱 데이터는 상기 관리대상작물의 이미지를 포함하고,
    상기 스마트팜 서버는,
    상기 이미지를 CNN(Convolutional Neural Network) 기반의 진단 모델에 입력하여 상기 관리대상작물의 상태 이상을 진단하고,
    상기 진단 결과를 상기 재배자 단말에게 제공하는 것을 특징으로 하는,
    스마트팜 시스템.
KR1020200076428A 2020-06-23 2020-06-23 스마트팜 시스템 및 그의 동작 방법 KR102422346B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200076428A KR102422346B1 (ko) 2020-06-23 2020-06-23 스마트팜 시스템 및 그의 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200076428A KR102422346B1 (ko) 2020-06-23 2020-06-23 스마트팜 시스템 및 그의 동작 방법

Publications (2)

Publication Number Publication Date
KR20210158094A true KR20210158094A (ko) 2021-12-30
KR102422346B1 KR102422346B1 (ko) 2022-07-18

Family

ID=79178740

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200076428A KR102422346B1 (ko) 2020-06-23 2020-06-23 스마트팜 시스템 및 그의 동작 방법

Country Status (1)

Country Link
KR (1) KR102422346B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116260842A (zh) * 2023-02-21 2023-06-13 华智生物技术有限公司 温室大棚的物联网数据采集方法、系统、装置及介质
KR102541165B1 (ko) * 2022-11-29 2023-06-13 주식회사 미드바르 멀티홉 네트워크를 이용한 스마트팜의 통합관리 시스템
WO2024111903A1 (ko) * 2022-11-24 2024-05-30 주식회사 유엑스팩토리 작물의 생장 환경 모니터링 및 조작을 통한 스마트팜용 최적 재배 환경 데이터베이스 구축 시스템 및 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240071513A (ko) 2022-11-15 2024-05-23 노우석 실시간 생육환경을 미러링하여 디지털 트윈을 구현하기 위한 메타버스 플랫폼

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120052469A (ko) * 2010-11-16 2012-05-24 (주)케이원정보통신 농작물 재배 관리 시스템
KR20180087510A (ko) * 2017-01-24 2018-08-02 한국생산기술연구원 무인운송장치, 이를 이용한 재배시설 모니터링 시스템 및 방법
KR20190119877A (ko) 2018-04-13 2019-10-23 (주)호현에프앤씨 스마트 팜 데이터 통합 인터페이스 시스템 및 데이터 연계 방법
KR20200029657A (ko) * 2018-09-06 2020-03-19 장성식 작물 이미지 빅데이터를 이용한 영농 자동화 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120052469A (ko) * 2010-11-16 2012-05-24 (주)케이원정보통신 농작물 재배 관리 시스템
KR20180087510A (ko) * 2017-01-24 2018-08-02 한국생산기술연구원 무인운송장치, 이를 이용한 재배시설 모니터링 시스템 및 방법
KR20190119877A (ko) 2018-04-13 2019-10-23 (주)호현에프앤씨 스마트 팜 데이터 통합 인터페이스 시스템 및 데이터 연계 방법
KR20200029657A (ko) * 2018-09-06 2020-03-19 장성식 작물 이미지 빅데이터를 이용한 영농 자동화 시스템

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024111903A1 (ko) * 2022-11-24 2024-05-30 주식회사 유엑스팩토리 작물의 생장 환경 모니터링 및 조작을 통한 스마트팜용 최적 재배 환경 데이터베이스 구축 시스템 및 방법
KR102541165B1 (ko) * 2022-11-29 2023-06-13 주식회사 미드바르 멀티홉 네트워크를 이용한 스마트팜의 통합관리 시스템
WO2024117336A1 (ko) * 2022-11-29 2024-06-06 주식회사 미드바르 멀티홉 네트워크를 이용한 스마트팜의 통합관리 시스템
CN116260842A (zh) * 2023-02-21 2023-06-13 华智生物技术有限公司 温室大棚的物联网数据采集方法、系统、装置及介质
CN116260842B (zh) * 2023-02-21 2024-01-23 华智生物技术有限公司 温室大棚的物联网数据采集方法、系统、装置及介质

Also Published As

Publication number Publication date
KR102422346B1 (ko) 2022-07-18

Similar Documents

Publication Publication Date Title
KR102422346B1 (ko) 스마트팜 시스템 및 그의 동작 방법
US20170258005A1 (en) Field monitoring, analysis, and treatment system
US11631475B2 (en) Real-time projections and estimated distributions of agricultural pests, diseases, and biocontrol agents
US20190380325A1 (en) Manage and control pests infestation using machine learning in conjunction with automated devices
KR20200044216A (ko) 빅데이터를 이용한 병해충 발생 예측 시스템 및 방법
WO2020184241A1 (ja) 農作物の収穫量予測プログラム、栽培環境判別プログラム
EP3917315A1 (en) Systems and methods for measuring beehive strength
US20160171407A1 (en) Method and system for classifying plant disease through crowdsourcing using a mobile communication device
TW202002772A (zh) 智慧深度學習農漁培養系統
JP2020144810A (ja) 農作物の収穫量予測プログラム及び農作物の品質予測プログラム
Devi et al. Design of an intelligent bean cultivation approach using computer vision, IoT and spatio-temporal deep learning structures
KR20230061863A (ko) 합성곱신경망과 다층 퍼셉트론의 앙상블 모델을 이용한 과실 발달 단계 예측 장치 및 그 방법
US11185007B1 (en) Methods and systems for prioritizing management of agricultural fields
Bharathi et al. An Experimental Analysis of Crop Yield Prediction using Modified Deep Learning Strategy
Hassan et al. A new deep learning-based technique for rice pest detection using remote sensing
Chung et al. Remote crop disease detection using deep learning with IoT
JP7452879B2 (ja) 予測システム、予測方法、および予測プログラム
Poblete-Echeverría et al. Digital technologies: smart applications in viticulture
Dayalini et al. Agro-Mate: A Virtual Assister to Maximize Crop Yield in Agriculture Sector
Navale et al. Deep Learning based Automated Wheat Disease Diagnosis System
Saiz-Rubio Digital Agriculture
Naito Data-Driven Management to Increase Produce Quality
Velamuri Data-Driven Management in Agriculture
Wysel Data Sharing Platforms: How Value Is Created from Data Produced by Smart Agriculture
Brown-Brandl et al. Depth Cameras for Animal Monitoring

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant