KR20220024480A

KR20220024480A - 정보 처리 장치 및 방법

Info

Publication number: KR20220024480A
Application number: KR1020227000891A
Authority: KR
Inventors: 사토시 이토
Original assignee: 바이엘 크롭사이언스 케이. 케이.
Priority date: 2019-06-17
Filing date: 2020-05-29
Publication date: 2022-03-03
Also published as: JPWO2020255677A1; CA3143484A1; US20220279731A1; MX2021015706A; EP3984350A1; CN114206109B; CN114206109A; EP3984350A4; WO2020255677A1

Abstract

본 발명은 병해충의 위험성을 예측하는 정확도를 향상시킨다. 정보 처리 장치 (40) 는 하우스 내부의 상대 습도의 계측 정보를 취득하는 정보 취득부 (421); 및 상대 습도의 계측 정보로부터 하우스 내부의 건조 조건을 나타내는 특징값을 생성하고, 특징값에 기초하여 하우스 내부의 병해충의 위험성을 예측하는 예측부 (423) 를 포함한다.

Description

정보 처리 장치 및 방법

본 발명은 정보 처리 장치 및 방법에 관한 것이다.

비닐하우스 등에서의 시설 원예를 위한 시스템은 센서를 통해 비닐하우스 내부의 환경조건을 계측하고, 계측 결과를 바탕으로 병해충 관련 정보를 제공하기 위해 개발되어 왔다. 예를 들면, 온실 내부의 온도 및 습도의 계측 결과로부터 병해충 피해가 발생할 위치를 추정하여 정보를 제공하는 시스템이 제안되어 있다(특허문헌 1 참조). 또한, 병해충에 대한 감염 예측 모델에 기온, 강우량, 풍속 등의 계측 결과를 입력하여 감염 정도를 예측하는 시스템도 제안되어 있다(특허문헌 2 참조). 이 정보를 이용하면 농약 살포 등의 선제적 대응이 가능하다.

[선행기술 문헌]

특허 문헌

특허문헌 1: JP 2015-119646 A

특허문헌 2: JP 2008-125496 A

결로는 시설 원예에서 병해충의 위험성을 증가시키는 것으로 알려져 있다. 예를 들어, 잿빛곰팡이병의 경우, 결로로 인해 농산물이 장기간 습한 상태로 유지되면 농산물에 부착된 곰팡이 포자로 인해 감염 위험성이 증가할 가능성이 있다. 따라서 비닐하우스 내부의 센서를 통해 계측된 온도와 습도에 따른 습윤 상태를 판단하여 감염 위험성을 예측할 수 있다.

반면에 건조한 조건에서 포자는 감염 후에 흩어질 수 있지만 이는 질병의 유형에 따라 다르다. 예를 들어, 흰가루병 포자는 스스로 수분을 흡수하거나, 분생포자의 수분 함량은 특히 높아서, 건조한 조건에서도 발아하는 것으로 알려져 있다. 따라서 상기와 같은 방식으로 습윤 상태를 판단하여 건조 조건에서 증가하는 위험성을 예측하는 것은 어렵다.

본 발명의 목적은 병해충의 위험성을 예측하는 정확도를 향상시키는 데 있다.

본 발명의 일 양태는 비닐하우스 내부의 상대 습도의 계측 정보를 취득하는 정보 취득부(421); 및 상대 습도의 계측 정보로부터 비닐하우스 내부의 건조 조건을 나타내는 특징값을 생성하고, 특징값에 기초하여 비닐하우스 내부의 병해충의 위험성을 예측하는 예측부(423)를 포함하는 정보 처리 장치 (40) 를 제공한다.

본 발명의 다른 양태는 비닐하우스 내의 병해충의 위험성을 예측하는 방법을 제공하며, 그 방법은 비닐하우스 내부의 상대 습도의 계측 정보를 취득하는 단계; 및 상대 습도의 계측 정보로부터 비닐하우스 내부의 건조 조건을 나타내는 특징값을 생성하고, 특징값에 기초하여 비닐하우스 내부의 병해충의 위험성을 예측하는 단계를 포함한다.

본 발명은 병해충의 위험성을 예측하는 정확도를 향상시키는 것을 가능하게 한다.

도 1 은 본 실시형태의 모드에 따른 정보 처리 서버를 포함하는 정보 제공 시스템의 구성을 도시하는 도면이다.
도 2 는 정보 처리 서버의 구성을 도시하는 도면이다.
도 3 은 정보 처리 서버가 예측 모델을 생성하는 처리 시퀀스를 도시하는 플로우차트이다.
도 4 는 상대 습도와 병해충의 증가율의 상관관계를 나타낸 그래프이다.
도 5 는 정보 처리 서버가 병해충의 위험성을 예측하는 처리 시퀀스를 도시하는 플로우차트이다.
도 6 은 병해충의 위험성에 대한 예측 정보의 예시적인 표시를 나타내는 도면이다.

이하, 본 발명에 따른 정보 처리 장치 및 방법의 실시형태의 모드가 도면들을 참조하여 설명될 것이다. 이하에 설명된 구성은 본 발명의 실시형태의 일 모드의 예 (대표예) 이고, 본 발명은 이하에 설명된 구성에 한정되지 않는다.

도 1 은 본 발명의 실시형태의 모드에 따른 정보 제공 시스템 (1) 을 도시한다.

정보 제공 시스템(1)은 비닐하우스(10a-10c) 내부 및 외부의 온도 및 상대 습도 등을 계측하고, 계측 결과에 따라 비닐하우스(10a-10c) 내 병해충의 위험성에 대한 예측 정보를 제공한다. 도 1 은 3 개의 하우스들 (10a-10c) 에 대한 예측 정보가 제공되는 예를 도시하지만, 예측 정보가 제공될 수도 있는 하우스들의 수에 대한 특별한 제한은 없고, 1 개 이상의 하우스들에 대한 예측 정보가 제공될 수도 있다.

도 1 에 도시된 바와 같이, 정보 제공 시스템 (1) 은, 복수의 센서들 (21-23), 통신 장치 (26), 기상 서버 (30), 정보 처리 서버 (40), 및 사용자 단말기 (50) 를 포함한다. 통신 장치 (26), 기상 서버 (30), 정보 처리 서버 (40) 및 사용자 단말기 (50) 는 네트워크 (12) 를 통해 서로 통신가능하게 접속된다. 네트워크 (12) 는 인터넷, 전화 네트워크, 또는 LAN (근거리 네트워크) 등을 포함할 수도 있다.

센서들 (21-23) 은 하우스들 (10a-10c) 내에 제공되고, 하우스들 (10a-10c) 내의 환경 조건들을 예를 들어 10 분 등의 일정한 간격으로 계측한다. 언급될 수도 있는 환경 조건들의 예들은, 온도, 상대 습도, 일사량, 이산화탄소 농도, 풍속, 지열, 및 토양 수분량 등을 포함한다. 이러한 실시형태의 모드에서, 센서 (21) 는 온도를 계측하고, 센서 (22) 는 상대 습도를 계측하고, 센서 (23) 는 일사량을 계측하지만, 이산화탄소 농도와 같은 다른 환경 조건들을 계측하기 위한 센서들이 동일하게 제공될 수도 있다.

통신 장치 (26) 는 각 센서들 (21-23) 에 의해 계측된 온도, 상대 습도 및 일사량 등을 하우스들 (10a-10c) 내의 환경 조건들의 계측 정보로서 정보 처리 서버 (40) 로 전송한다.

또한, 하우스들 (10a-10c) 내에는, 환경 조건들을 조정하기 위한 제어 장치 (20) 가 제공될 수도 있다. 통신 장치 (26) 는 제어 장치 (20) 로부터 필요한 정보를 취득하여 제어 장치 (20) 의 가동 정보를 생성할 수도 있고, 이 가동 정보를 정보 처리 서버 (40) 로 전송할 수도 있다. 언급될 수도 있는 제어 장치 (20) 의 예는 에어 컨덕터, 스프링쿨러, 차양 커튼, 또는 창 등의 개방 및 폐쇄를 제어하기 위한 기기이다.

통신 장치 (26) 와 센서들 (21-23) 과 제어 장치 (20) 사이의 통신은 BLE (Bluetooth (등록 상표) Low Energy), 또는 Wi-Fi (등록 상표) 등의 무선 통신에 의해 일어나지만, 유선 통신도 동일하게 가능하다.

기상 서버 (30) 는 하우스들 (10a-10c) 외부의 기상 조건들의 계측 정보를 정보 처리 서버 (40) 로 전송한다. 언급될 수도 있는 기상 조건들의 예들은 각 지역의 기온, 상대 습도, 일사량, 강우량, 및 풍속 등을 포함한다. 기상 서버 (30) 는 계측 정보 뿐만 아니라 기상 예보와 같은 기상 조건들의 예측 정보를 정보 처리 서버 (40) 로 전송할 수도 있다.

정보 처리 서버(40)는 통신 장치(26)로부터 비닐하우스(10a-10c) 내부의 상대 습도를 포함한 환경조건의 계측 정보를 취득하고, 취득한 계측 정보를 기반으로 비닐하우스(10a-10c) 내 병해충의 위험성을 예측하는 정보 처리 장치이다. 정보 처리 서버 (40) 는 예측 결과에 기초하여 병해충의 위험성의 예측 정보를 생성 및 출력할 수 있다.

사용자 단말기 (50) 는 예를 들어, 휴대 전화, 태블릿, 또는 PC (personal computer) 등이다. 사용자 단말기 (50) 는 하우스들 (10a-10c) 을 관리하는 농부와 같은 사용자에 의해 사용되고, 정보 처리 서버 (40) 로부터 전송된 예측 정보를 표시한다.

(정보 처리 서버)

도 2 는 정보 처리 서버 (40) 의 구성예를 도시한다.

도 2 에 도시된 바와 같이, 정보 처리 서버 (40) 는 통신부 (410), 제어부 (420), 및 기억부 (430) 를 포함한다.

통신부 (410) 는 통신 장치 (26), 기상 서버 (30), 및 사용자 단말기 (50) 와 같은 네트워크 (12) 상의 외부 장치들과 통신하기 위한 인터페이스이다.

제어부 (420) 는 정보 처리 서버 (40) 의 동작을 제어한다.

또한, 제어부(420)는 각각의 비닐하우스(10a-10c) 내의 병해충의 위험성을 예측한다. 이러한 예측을 위해, 제어부 (420) 는 도 2 에 도시된 바와 같이, 정보 취득부 (421), 학습부 (422), 및 예측부 (423) 를 포함한다. 정보 취득부 (421), 학습부 (422), 및 예측부 (423) 는, CPU (central processing unit) 와 같은 프로세서가 기억부 (430) 또는 메모리와 같은 다른 기록 매체에 기억된 프로그램을 실행하는 소프트웨어 처리에 의해 실현될 수도 있거나, 또는 ASIC (application specific integrated circuit) 과 같은 하드웨어에 의해 실현될 수도 있다.

정보 취득부 (421) 는 통신부 (410) 를 통해 통신 장치 (26) 로부터 비닐하우스들 (10a-10c) 내부의 상대 습도의 계측 정보를 취득한다. 정보 취득부 (421) 는 통신 장치 (26) 로부터 상대 습도 이외의 비닐하우스들 (10a-10c) 내의 환경 조건들의 계측 정보 및 제어 장치 (20) 의 가동 정보를 취득할 수 있고, 기상 서버 (30) 로부터 기상 조건들의 계측 정보를 취득할 수 있다. 정보 취득부 (421) 는 예를 들어 10 분 간격과 같이 미리 결정된 간격으로 계측 정보를 취득할 수도 있다. 정보 취득부 (421) 는 취득된 정보를 기억부 (430) 에 보존한다.

학습부(422)는 메모리부(430)에 저장된 상대 습도의 계측 정보로부터 건조 조건을 나타내는 특징값을 생성하고, 이 특징값을 이용하여 병해충의 위험성에 대한 예측 모델을 생성한다. 생성된 예측 모델은 기억부 (430) 에 보존된다.

예측 모델은 특징값을 변수로 사용하여 병해충의 위험성을 계산할 수 있는 예측식일 수도 있고, 변수와 관련하여 예측된 위험성들이 미리 설정되는 테이블일 수도 있다. 또한, 예측 모델은 건조 조건을 나타내는 특징값을 입력 데이터로 사용하고, 해당 건조 조건에서의 병해충의 위험성을 티칭 (teaching) 데이터로 사용하여 머신 러닝에 의해 생성되는 모델일 수 있다. 더 높은 수준의 예측 정확도를 갖는 머신 러닝에 의해 제공되는 예측 모델의 예가 이 실시예 양태에서 설명될 것이다.

예측부(423)는 정보 취득부(421)를 통해 취득한 비닐하우스(10a-10c) 내부의 상대 습도의 계측 정보로부터 비닐하우스(10a-10c) 내부의 건조 조건을 나타내는 특징값을 생성하고, 생성된 특성값에 기초하여 비닐하우스 (10a-10c) 내부의 병해충의 위험성을 예측한다. 구체적으로는, 예측부 (423) 는 학습부 (422) 에 의해 생성된 예측 모델에 생성된 특징값을 입력하고 그것에 의하여 비닐하우스들 (10a-10c) 내의 병해충의 위험성의 예측 결과를 취득할 수 있다.

기억부(430)는 정보 취득부(421)에 의해 취득된 각종 정보를 저장한다. 또한, 기억부 (430) 는 학습부 (422) 에 의해 생성된 예측 모델을 기억한다. 기억부 (430) 로서는, 하드 디스크와 같은 대용량의 기억 매체가 사용될 수도 있다.

(정보 처리 서버에 의한 처리)

농산물이 질병을 일으키는 곰팡이에 감염되면, 곰팡이는 일반적으로 질병이 발병하기 전에 잠복기를 거친다. 해충 피해의 경우에도 마찬가지로, 곤충 알이 농산물에 부착(감염)되고 일정 기간(잠복기) 후에 부화한 곤충은 섭식 피해(질병 발생)를 일으킨다. 질병의 발병으로 인해 후속 감염을 일으키는 곰팡이 포자와 곤충 알이 형성된다. 이 주기로 인해 발생하는 병해충 피해를 예방하기 위해, 감염 전이나 발병 전, 특히 감염 전에 농약 살포나 송풍 등의 조치를 효과적으로 취한다.

병해충 중에는, 건조한 조건에서 질병이 발생하는 것들이 있다. 이와 같은 병해충의 경우, 비닐하우스(10a-10c)의 내부가 건조한 상태인지 여부에 따라 질병 발생 위험성 또는 질병 발생 이후에 발생하는 감염 위험성을 예측할 수 있다. 정보처리서버(40)는 과거의 상대 습도 계측 정보를 이용하여 건조 조건을 나타내는 특징값을 생성하여 특정 건조 조건에서 증가하는 병해충의 위험성의 예측 모델을 생성한다.

도 3 은 정보 처리 서버 (40) 가 예측 모델을 생성하는 처리 시퀀스를 도시한다.

도 3 에 도시된 바와 같이, 정보 처리 서버(40)에서, 정보 취득 유닛(421)은 센서(22)를 통해 비닐하우스(10a-10c) 내부에서 계측된 상대 습도의 계측 정보를 통신 장치(26)로부터 취득하고, 이 계측 정보를 기억부(430)에 보존한다 (단계 S11).

학습부(422)는 메모리부(430)에 저장된 상대 습도의 계측 정보로부터 비닐하우스(10a-10c) 내부의 건조 조건을 나타내는 특징값을 생성한다(단계 S12).

상대 습도의 계측 정보로부터 생성되는 특징값의 예로는 다음과 같은 특징값(f11)~(f17)을 들 수 있다. 아래의 특징값(f11)~(f13)에 대한 수치가 높을수록 비닐하우스(10a~10c) 내부가 건조 조건에 있고 병해충의 위험성이 높다는 것을 의미한다.

(f11) 상대 습도와 병해충의 위험성의 상관관계를 나타내는 관계식에 소정의 간격(예: 10분)으로 취득한 상대 습도 값을 입력했을 때 병해충의 위험성(A) 의 1일의 평균값;

(f12) 위험성 (A) 의 하루 동안의 누적 값;

(f13) 위험성 (A) 이 임계값보다 높을 때 값 1 로, 또는 위험성 (A) 이 임계값보다 낮을 때 값 0 으로 이진화하여 얻은 값에 대해, 1 의 값들의 하루 평균 값 또는 누적 값;

(f14) 하루 평균 습도;

(f15) 상대 습도가 임계값보다 높을 때 값 1로, 상대 습도가 임계값보다 낮을 때 값 0으로 이진화하여 얻은 값들에 대해, 1 의 값들의 하루 평균값 또는 누적 값;

(f16) 100(%)에서 상대 습도를 뺀 값; 그리고

(f17) 상대 습도의 역수.

상대 습도와 병해충의 위험성의 상관관계를 표현하는 관계식이 상대 습도와 관련된 위험성을 표현할 수 있는 경우, 관계식은 상대 습도와 관련된 질병 또는 해충의 감염률, 질병 발생률 또는 증가율 등을 출력할 수 있다. 병해충의 발생 위험성을 증가시키는 건조 조건은 병해충의 종류에 따라 달라서, 병해충의 종류에 따라 그 둘 사이의 상관관계를 바탕으로 관계식을 작성한다.

도 4 는 상대 습도 K(%) 와 병해 (a) 의 증가율 P(%)의 예시적인 상관관계를 나타낸다.

도 4 에 도시된 바와 같이, 병해 (a) 의 증가율 (P) 이 상대 습도 (K) 가 증가함에 따라 서서히 상승하며, 상대 습도 (K) 가 40~50%인 영역에서 증가율 (P) 은 최대가 된다. 상대 습도 (K) 가 50%를 초과하면, 증가율 (P) 은 서서히 감소한다. 즉, 병해 (a) 의 위험성이 상대 습도가 40~50%인 건조 조건에서 증가한다.

학습부(422)는 비닐하우스(10a-10c) 내부의 온도나 일조량과 같은 상대 습도 이외의 환경 조건의 계측 정보로부터 건조 조건을 나타내는 특징값도 생성할 수 있다.

예를 들어, 센서(21)에 의해 계측된 온도의 계측 정보로부터 다음과 같은 특징값(f21)~(f26)이 생성될 수 있다. 아래의 특징값들 (f21)~(f23) 및 (f26) 에 대한 수치가 높을수록 비닐하우스(10a~10c) 내부가 건조 조건에 있고 병해충의 위험성이 높다는 것을 의미한다. 다음의 관계식은 위의 상대 습도와 마찬가지로 온도와 병해충의 위험성 사이의 상관관계에 기초하여 병해충의 종류별로 작성하였다는 점에 유의하여야 한다.

(f21) 온도와 병해충의 위험성의 상관관계를 나타내는 관계식에 소정의 간격(예: 10분)으로 취득한 온도의 값을 입력했을 때의 병해충의 위험성(B) 의 1일의 평균값이 입력된다;

(f22) 위험성 (B) 의 하루 동안의 누적 값;

(f23) 위험성 (B) 이 임계값보다 높을 때 값 1 로, 또는 위험성 (B) 이 임계값보다 낮을 때 값 0 으로 이진화하여 얻은 값들에 대해, 1 의 값들의 하루 평균 값 또는 누적 값;

(f24) 하루 평균 온도;

(f25) 온도가 임계값보다 높을 때 값 1로, 온도가 임계값보다 낮을 때 값 0으로 이진화하여 얻은 값들에 대해, 1 의 값들의 하루 평균값 또는 누적 값;

(f26) 각각 미리 정해진 간격으로 계산되는, 위험성(B)와 위험성(A)를 곱하여 얻어진 값들 (A*B) 의 하루 누적값.

온도 차이는 건조 조건에 상당한 영향을 미치며, 따라서 학습부(422)는 온도의 계측 정보로부터 다음의 특징값들 (f31) 및 (f32) 을 건조 조건을 나타내는 특징값으로서 또한 생성할 수 있다.

(f31) 하루의 최고 온도와 최저 온도의 온도차; 그리고

(f32) 하루 동안의 온도의 2 개의 상이한 백분위수 값의 차이(예: 제 75 백분위수 값과 제 25 백분위수 값 사이의 차이).

학습부(422)는 과거 일정 기간 동안의 습도의 계측 정보로부터 생성된 특징값을 1차 특징값으로 사용할 수 있고, 이 1차 특징값으로부터 일정 기간 내에 비닐하우스(10a-10c) 내부의 건조 조건을 나타내는 2차 특징값을 더 생성할 수 있다. 인용될 수 있는 2차 특징값의 예들은 1주일 또는 1개월과 같은 일정 기간 동안 생성된 1차 특징값의 평균값 또는 백분위수 값 등을 포함한다.

1차 특징값보다 장기간의 건조 조건을 나타내는 2차 특징값을 이용하여, 건조 조건의 지속기간의 길이를 기준으로 병해충의 위험성을 예측할 수 있어 예측의 정확도를 더욱 향상시킨다. 병해충의 발생은 몇 시간 정도의 단기 건조 조건보다는 1~2주, 또는 1개월 등의 지속적인 장기 건조 조건 하에서 발생하기 쉽다. 따라서, 2차 특징값을 생성하기 위한 일정 기간이 시간 단위가 아닌 주 단위 또는 월 단위의 기간인 경우, 위험성이 증가하는 건조 조건을 보다 정확하게 추정할 수 있어 바람직하다.

학습부(422)는 건조 조건을 나타내는 특징값을 생성할 때, 특징값을 입력 데이터로 사용하고, 해당 건조 조건 하에서의 병해충의 위험성을 티칭 데이터로 사용하고, 머신 러닝에 의해 병해충의 위험성에 대한 예측 모델을 생성한다 (단계 S13). 학습부 (422) 는 생성된 예측 모델을 기억부 (430) 에 보존한다.

언급될 수도 있는 예측 모델을 생성하기 위한 머신 러닝의 예들은, 선형 회귀, 칼만 필터와 같은 필터, 서포트 벡터 머신, 랜덤 포레스트와 같은 결정 트리, 근방법 (nearest neighbor method), 딥 러닝과 같은 뉴럴 네트워크, 및 베이지안 네트워크를 포함한다. 상기의 머신 러닝의 종류들 중 하나는 단독으로 사용될 수도 있거나, 둘 이상을 조합하여 사용할 수도 있다.

학습부(422)는 건조 조건을 나타내는 특징값과 건조 조건에 영향을 미치는 정보를 입력 데이터로 이용하여 예측 모델을 생성할 수 있다. 다수의 입력 데이터 아이템들을 사용함으로써, 다면적인 예측이 가능해져, 예측 정확도를 더욱 향상시킬 수 있다.

예를 들어, 비닐하우스 (10a-10c) 외부의 기상 조건은 비닐하우스(10a-10c) 내부의 건조 조건에 영향을 미친다. 따라서, 정보 취득부(421)는 기상서버(30)로부터 비닐하우스(10a-10c) 외부의 기상조건의 계측 정보를 취득할 수 있고, 학습부(422)는 이러한 기상조건의 계측 정보를 하나의 입력데이터로 이용할 수 있다. 이에 의해 기상 조건의 영향을 고려한 예측을 할 수 있어 예측 정확도를 더욱 향상시킬 수 있다.

또한, 비닐하우스(10a-10c) 내부의 재배 조건, 예를 들어 파종 면적 또는 밀도, 및 성장 단계와 같은 재배 조건도 건조 조건에 영향을 미친다. 따라서, 정보 취득부 (421) 는 비닐하우스들 (10a-10c) 의 재배 정보를 취득할 수 있고, 학습부 (422) 는 이 재배 정보를 하나의 입력 데이터로사용할 수 있다. 이에 의해 농산물 재배 조건의 영향을 고려하는 예측을 할 수 있어 예측 정확도를 더욱 향상시킬 수 있다.

재배 정보는 예를 들어 작물의 종류, 재배량, 생육 상황, 및 재배지와 같은 재배 조건들에 관한 정보이다. 작물의 종류는 예를 들어, 오이 또는 토마토와 같은 분류이다. 언급될 수 있는 재배량의 예들은 비닐하우스들 내의 파종 면적, 정식 본수 (number of plants), 및 재식 밀도를 포함한다. 재식 밀도는 정식 본수를 파종 면적으로 제산함으로써 산출될 수 있다. 언급될 수도 있는 생육 상황들의 예들은 정식일로부터 경과한 일수 및 정식 후 일수로부터 추정된 생육 스테이지를 포함한다. 재배지는 예를 들어 토경 또는 수경과 같은 분류이다. 이러한 재배 정보는 예를 들어 사용자 단말기 (50) 로부터 입력되며, 이로 인해 미리 정보 처리 서버 (40) 의 기억부 (430) 에 보존된다. 식재일로부터 경과된 시간에 따라 정보 취득부(421)에서 식재일수 및 생육단계에 관한 정보를 추정할 수 있다. 즉, 정보 취득부 (421) 는 취득된 재배 정보 중의 정식일로부터 현재 시간까지의 경과 일수를 정식 후 일수로서 사용하고, 정식 후 일수를 임계치와 비교함으로써 생육 스테이지를 추정할 수 있다.

비닐하우스(10a-10c) 내부의 환경조건을 조절하기 위한 제어 장치(20)도 건조 조건에 영향을 미친다. 정보 취득부 (421) 는 통신 장치 (26) 로부터 제어 장치 (20) 의 가동 정보를 취득할 수 있고, 학습부 (422) 는 이러한 가동 정보를 하나의 입력 데이터로서 사용할 수 있다. 그 결과, 제어 장치(20)에 의해 수행되는 환경 조건의 조정도 고려한 예측이 이루어질 수 있고, 예측 정확도가 더욱 향상된다. 인용할 수 있는 가동 정보의 예는 제어 장치(20)의 설치 여부, 제어 장치(20)의 종류, 제어 장치(20)의 정지 또는 작동 여부를 나타내는 가동 조건, 목표 온도, 목표 습도 등을 포함한다.

학습부 (422) 는 정기적으로 또는 언제라도 전술된 처리를 수행함으로써 기억부 (430) 에 보존된 예측 모델을 갱신하는 것이 바람직하다. 그 결과, 최신의 경향에 기초한 예측이 행해질 수 있다.

도 5 는 정보 처리 서버가 병해충의 위험성을 예측하는 처리 시퀀스를 도시한다.

도 5 에 도시된 바와 같이, 정보 처리 서버(40) 에서, 정보 취득 유닛(421)은 센서(22)를 통해 비닐하우스(10a-10c) 내부에서 계측된 상대 습도의 계측 정보를 통신 장치(26)로부터 취득하고, 이 계측 정보를 기억부(430)에 저장한다 (단계 S21). 예측부(423)는 특징값이 학습부(422)에 의해 생성되는 경우와 동일한 방식으로, 보존된 상대 습도의 계측 정보로부터 비닐하우스(10a-10c) 내의 건조 조건을 나타내는 특징값을 생성한다(단계 S22).

그 후, 예측부(423)는 생성된 특징값을 예측 모델에 입력하고, 예측 모델로부터 출력된 병해충의 위험성의 예측 결과를 취득한다(단계 S23). 전술한 바와 같이, 예측부(423)는 상대 습도의 계측 정보로부터 생성된 특징값 이외의 특징값 또는 각종 정보를, 예측 모델을 위한 입력 데이터로서 사용하여 예측 정확도를 향상시킬 수 있다. 인용될 수 있는 예측 모델로부터 출력되는 예측 결과의 예는 예측되는 병해충의 유형, 및 하루하루 단위의 예측된 감염률 또는 발병률 등을 포함한다.

예측부(423)는 취득된 예측 결과에 기초하여 병해충에 대한 예측 정보를 생성한다. 병해충의 위험성의 예측 정보는 예를 들어 병해충에 대한 감염률 또는 발병률, 감염 또는 발병이 예측되는 날, 및 농약 살포 또는 환경 조건 통제와 같은 감염 또는 발병에 대한 조치에 최적인 것으로 예측되는 날을 포함한다. 예측 유닛(423)은 생성된 예측 정보를 사용자 단말(50)에 송신한다(단계 S24).

사용자 단말(50)은 정보 처리 서버(40)로부터 전송된 예측 정보를 디스플레이할 수 있다.

도 6 은 비닐하우스(10a)에 있어서의 예계측보의 표시화면의 일례를 나타내고 있다.

전달의 29일부터 현재의 달의 9일까지의 질병 (a) 에 대한 감염의 위험성 (d11) 및 해충 (b) 에 대한 감염의 위험성 (d12) 이 도 6 에 도시된 표시 화면 (d) 에 하나의 예측 정보로서 표시된다. 박스 표시 (d2) 는 오늘 날짜를 나타낸다. 위험성들 (d11 및 d12) 은 원형 표시로 표시되며, 원이 클수록 감염률이 높음을 나타내고 원은 짙을수록 감염률이 높음을 나타낸다. 예를 들어, 위험성 (d11) 에서 질병 (a) 에 대한 감염률이 4일에 가장 높다는 것이 분명하고, 위험성 (d12) 에서 해충 (b) 에 대한 감염률이 8일에 가장 높다는 것이 분명하다.

또한, 표시 화면 (d) 에 예측 정보의 하나로서 병해충에 대한 감염에 대한 초치에 최적일 것으로 예측되는 날들을 나타내는 마크들 (d31-d33) 이 표시된다. 마크(d31)는 비닐하우스(10a) 내부의 공조에 의해 환경 조건을 제어하는 것이 효과적인 날을 나타낸다. 마크들 (d32 및 d33) 은 각각 질병 (a) 및 해충 (b) 에 대해 농약을 살포하는 것이 효과적인 날들을 나타낸다.

도 6 에 도시된 예측 정보는 일 예이고, 예측 정보는 이에 한정되지 않는다는 것이 주목되어야 한다. 예를 들어, 일 단위 또는 주 단위로 변화하는 감염률의 그래프는, 사용자가 언제, 어떤 유형의 병해충이 발생할 위험성이 높은지 쉽게 확인할 수 있는 방식으로, 병해충의 유형별로 균등하게 예측 정보로서 제공될 수 있다.

상술한 바와 같이, 본 실시형태에 따른 정보처리서버(40)는 비닐하우스(10a-10c) 내부에서 계측된 상대 습도의 계측 정보로부터 비닐하우스(10a-10c) 내부의 건조 조건을 나타내는 특징값을 생성하고, 이 특징값을 기반으로 병해충의 위험성을 예측한다. 결과적으로 건조한 조건에서 증가하는 병해충의 위험성을 정확하게 예측할 수 있다. 예측에 머신 러닝을 채용하는 예측 모델을 사용하여 예측 정확도가 더욱 향상된다.

본 실시형태에 따른 정보 처리 서버(40)는 또한 온도의 계측 정보로부터 건조 조건을 나타내는 특징값을 생성한다. 또한, 정보처리서버(40)는 건조 조건을 나타내는 특징값 뿐만 아니라 건조 조건에 영향을 미치는 기상상태의 계측 정보, 재배정보, 및 제어 장치(20)의 운용정보 중 적어도 하나의 정보를, 예측 모델을 위한 입력데이터로 사용한다. 예측에 사용되는 입력 데이터의 양이 많을수록 더 포괄적인 예측을 수행할 수 있으므로 예측 정확도가 더욱 향상된다.

이상, 본 발명의 바람직한 실시형태의 모드에 대해 설명했지만, 본 발명은 이러한 실시형태의 모드에 의해 한정되지 않고, 그 요지의 범위 내에서 다수의 변형들 및 수정들이 행해질 수도 있다.

예를 들어, 학습부 (422) 는 정보 처리 서버 (40) 가 아니라 다른 서버와 같은 외부 장치에 제공될 수도 있고, 정보 처리 서버 (40) 는 외부 장치에서 생성된 예측 모델을 취득하고 예측 모델을 기억부 (430) 에 기억할 수도 있다.

또한, 비닐하우스(10a-10c) 내부의 환경 조건을 조절하기 위한 제어 장치(20)가 제공되는 경우, 예측 정보는 정보 처리 서버(40)로부터 제어 장치(20)로 전송될 수 있다. 제어 장치(20)는 예측 정보에 기초하여 비닐하우스(10a-10c) 내부의 환경조건을 제어할 수 있다.

1: 정보 제공 시스템, 10a-10c: 비닐하우스, 21-23: 센서, 26: 통신 장치, 30: 기상 서버, 40: 정보 처리 서버, 421: 정보 취득부, 422: 학습부, 423: 예측부

Claims

정보 처리 장치 (40) 로서,
비닐하우스 내부의 상대 습도의 계측 정보를 취득하는 정보 취득부 (421); 및
상기 상대 습도의 계측 정보로부터 상기 비닐하우스 내부의 건조 조건을 나타내는 특징값을 생성하고, 상기 특징값에 기초하여 상기 비닐하우스 내부의 병해충의 위험성을 예측하는 예측부 (423) 를 포함하는, 정보 처리 장치 (40).
제 1 항에 있어서,
상기 예측부 (423) 는 과거의 일정 기간의 상기 상대 습도의 계측 정보로부터 생성된 상기 특징값을 사용하여 상기 일정 기간에 있어서의 상기 비닐하우스 내부의 건조 조건을 나타내는 특징값을 더 생성하고, 상기 특징값들 각각에 기초하여 상기 병해충의 위험성을 예측하는, 정보 처리 장치 (40).
제 1 항 또는 제 2 항에 있어서,
상기 정보 취득부 (421) 는 상기 비닐하우스 내부의 온도의 계측 정보를 더 취득하고,
상기 예측부 (423) 는 상기 상대 습도 및 상기 온도의 계측 정보로부터 상기 비닐하우스 내부의 건조 조건을 나타내는 복수의 특징값들을 생성하고, 상기 복수의 특징값들에 기초하여 상기 비닐하우스 내부의 병해충의 위험성을 예측하는, 정보 처리 장치 (40).
제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
상기 정보 취득부 (421) 는 상기 비닐하우스 내부의 환경 조건의 계측 정보, 상기 비닐하우스 내부의 재배 조건과 관련된 재배 정보, 및 상기 비닐하우스 외부의 기상 조건과 관련된 계측 정보 중 적어도 하나의 정보를 더 취득하고,
상기 예측부 (423) 는 상기 건조 조건을 나타내는 특징값 및 상기 적어도 하나의 정보에 기초하여 상기 병해충의 위험성을 예측하는, 정보 처리 장치 (40).
제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
상기 건조 조건을 나타내는 특징값을 적어도 포함하는 하나 이상의 특징값들이 입력되면, 상기 예측부 (423) 는 상기 건조 조건에 있어서의 상기 병해충의 위험성을 출력하는 예측 모델을 사용하여 상기 병해충의 위험성을 예측하는, 정보 처리 장치 (40).
제 5 항에 있어서,
상기 하나 이상의 특징값들을 입력 데이터로서 사용하고, 상기 건조 조건에서의 상기 병해충의 위험성을 티칭 데이터로서 사용하고, 머신 러닝에 의해 상기 예측 모델을 생성하는 학습부 (422) 를 포함하는, 정보 처리 장치 (40).
제 1 항 내지 제 6 항 중 어느 한 항에 있어서,
상기 예측부 (423) 는 상기 병해충의 위험성의 예측 결과에 기초하여 예측 정보를 생성하고, 상기 예측 정보를 사용자 단말 (50) 에 송신하는, 정보 처리 장치 (40).
비닐하우스 내의 병해충의 위험성을 예측하기 위한 방법으로서,
상기 비닐하우스 내부의 상대 습도의 계측 정보를 취득하는 단계; 및
상기 상대 습도의 계측 정보로부터 상기 비닐하우스 내부의 건조 조건을 나타내는 특징값을 생성하고, 상기 특징값에 기초하여 상기 비닐하우스 내부의 병해충의 위험성을 예측하는 단계를 포함하는, 비닐하우스 내의 병해충의 위험성을 예측하기 위한 방법.