KR20220076298A - 클라우드 기반 협동형 재배 장치 - Google Patents

클라우드 기반 협동형 재배 장치 Download PDF

Info

Publication number
KR20220076298A
KR20220076298A KR1020210132585A KR20210132585A KR20220076298A KR 20220076298 A KR20220076298 A KR 20220076298A KR 1020210132585 A KR1020210132585 A KR 1020210132585A KR 20210132585 A KR20210132585 A KR 20210132585A KR 20220076298 A KR20220076298 A KR 20220076298A
Authority
KR
South Korea
Prior art keywords
data
growth
cultivation
cloud
cooperative
Prior art date
Application number
KR1020210132585A
Other languages
English (en)
Other versions
KR102411332B1 (ko
Inventor
황인철
민경태
Original Assignee
강원대학교산학협력단
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 강원대학교산학협력단 filed Critical 강원대학교산학협력단
Publication of KR20220076298A publication Critical patent/KR20220076298A/ko
Application granted granted Critical
Publication of KR102411332B1 publication Critical patent/KR102411332B1/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
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • A01G9/26—Electric devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/25—Greenhouse technology, e.g. cooling systems therefor

Landscapes

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

Abstract

클라우드 기반 협동형 재배 장치가 개시된다. 클라우드 기반 협동형 재배 장치는, 작물이 심어진 재배실 내의 환경 데이터, 자원 데이터 및 작물의 생장 영상을 획득하는 센서부, 환경 데이터 및 생장 영상을 기계 학습하여, 미리 설정된 기준에 따라 작물의 생장 상태가 양호한 것 및 양호하지 않은 것을 나타내는 상태 분류 모델을 생성하는 학습부, 환경 데이터, 자원 데이터 및 생장 영상을 저장하고, 생성된 상태 분류 모델을 이용하여 생장 영상을 분석하여 작물의 생장 상태가 양호한지 여부를 판별하고, 양호 여부에 따른 생육 데이터를 생성하는 클라우드 서버 및 환경 데이터, 자원 데이터 및 생육 데이터에 대한 예측 데이터와 센서부를 통해 실시간 측정되는 실측 데이터를 비교하여, 실측 데이터가 예측 데이터와 미리 설정된 오차 범위를 벗어나는지 여부를 판단하고, 실측 데이터가 예측 데이터와 오차 범위를 벗어나는 경우, 실측 데이터가 오차 범위 내로 예측 데이터에 근접하도록 재배실의 환경을 제어하는 제어부를 포함하되, 클라우드 서버는, 협동형 재배 장치 외에 다른 복수의 협동형 재배 장치로부터 환경 데이터, 자원 데이터, 생장 영상 및 예측 데이터를 수신하고, 생육 데이터를 생성한다.

Description

클라우드 기반 협동형 재배 장치{Apparatus for cooperative cultivation based on cloud}
본 발명은 클라우드 기반 협동형 재배 장치에 관한 것이다.
일반적으로, 농업은 먹거리를 생산하는 것임에 따라 인류생존에 필수적인 산업이지만, 전통적인 농업기술이 유지되고 있어 혁신이 가장 느린 산업이기도 하다. 이와 더불어, 현재 농업 생산인구의 감소와 고령화로 미래 먹거리 생산에 대한 불안이 증대되고 있기도 하다. 이에 대응하기 위한 농업의 혁신이 다양하게 시도되고 있는데, 정보통신기술을 농업의 생산, 가공, 유통, 소비 등에 접목하여 원격에서 자동으로 작물의 생육환경을 관리하도록 하고, 생산효율성을 높일 수 있도록 하는 스마트팜(smart farm)이 현재 주목받고 있다.
구체적으로, 스마트 팜은 기존 농업기술에 정보통신기술, 바이오기술 등을 접목하여 만들어진 지능화된 농장으로 생산물의 간소화와 품질향상을 가능하게 하는 새로운 농업방법으로서, 농촌 고령화와 인구 감소로 인해 노동력의 부족을 보완할 수 있으며, 나아가 작물의 상태를 확인하고 최적의 성숙도 등을 판별하여 수확하는 수확용 로봇이나 농약 살포 등을 위한 농업용 드론 등을 접목시킬 수 있다.
도 1은 종래의 스마트 재배기의 개념을 개략적으로 예시하여 나타낸 도면이다.
일반적으로, 스마트 재배기는 작물의 생장을 위하여 인공적으로 온도, 습도, 토양, 광 등을 제어하는 장치로서, 작물의 재배를 원할하게 할 수 있다.
도 1을 참조하면, 스마트 재배기는 작물의 재배 환경을 센서를 통해 측정하고, 측정된 재배 환경 데이터를 축적하여 데이터베이스로 구축하고, 구축된 데이터베이스를 이용하여 작물 재배를 제어하고 모니터링할 수 있다.
하지만, 종래의 스마트 재배기는 기업이나 개발자가 적당하게 설정한 생육 환경 조건으로 인하여 일정한 생산량 밖에는 기대할 수가 없다. 즉, 종래의 스마트 재배기는 기본적인 재배 환경에 대한 데이터 수집 및 제어가 가능하나, 생산량과 품질에 대한 목표를 변화시킬 수 없는 문제점이 있다.
대한민국등록특허공보 제10-1935008호(2018.12.27)
본 발명은 다수의 재배 장치가 공유하는 클라우드 서버를 이용하여 최적의 환경 및 생육 데이터를 도출하고, 도출된 데이터를 이용하여 생산량이 증가하도록 재배 환경을 제어하는 클라우드 기반 협동형 재배 장치를 제공하기 위한 것이다.
본 발명의 일 측면에 따르면, 클라우드 기반 협동형 재배 장치가 개시된다.
본 발명의 실시예에 따른 클라우드 기반 협동형 재배 장치는, 작물이 심어진 재배실 내의 환경 데이터, 자원 데이터 및 상기 작물의 생장 영상을 획득하는 센서부, 상기 환경 데이터 및 상기 생장 영상을 기계 학습하여, 미리 설정된 기준에 따라 상기 작물의 생장 상태가 양호한 것 및 양호하지 않은 것을 나타내는 상태 분류 모델을 생성하는 학습부, 상기 환경 데이터, 상기 자원 데이터 및 상기 생장 영상을 저장하고, 상기 생성된 상태 분류 모델을 이용하여 상기 생장 영상을 분석하여 상기 작물의 생장 상태가 양호한지 여부를 판별하고, 상기 양호 여부에 따른 생육 데이터를 생성하는 클라우드 서버 및 상기 환경 데이터, 상기 자원 데이터 및 상기 생육 데이터에 대한 예측 데이터와 상기 센서부를 통해 실시간 측정되는 실측 데이터를 비교하여, 상기 실측 데이터가 상기 예측 데이터와 미리 설정된 오차 범위를 벗어나는지 여부를 판단하고, 상기 실측 데이터가 상기 예측 데이터와 상기 오차 범위를 벗어나는 경우, 상기 실측 데이터가 상기 오차 범위 내로 상기 예측 데이터에 근접하도록 상기 재배실의 환경을 제어하는 제어부를 포함하되, 상기 클라우드 서버는, 상기 협동형 재배 장치 외에 다른 복수의 협동형 재배 장치로부터 환경 데이터, 자원 데이터, 생장 영상 및 예측 데이터를 수신하고, 생육 데이터를 생성한다.
상기 학습부는, 상기 작물의 생장 상태가 양호한 것으로 판별된 경우, 축적된 환경 데이터 및 생육 데이터를 기계 학습하여 예측 데이터를 생성하여 상기 클라우드 서버 및 상기 제어부로 전달한다.
상기 클라우드 서버는, 상기 작물의 생장 상태가 양호하지 않은 것으로 판별된 재배실에 상기 예측 데이터를 적용하거나 또는, 기 생성된 예측 데이터들 중에서, 생산량이 가장 높은 재배실의 예측 데이터를 상기 작물의 생장 상태가 양호하지 않은 것으로 판별된 재배실이나, 상기 생산량이 가장 높은 재배실을 제외한 나머지 재배실에 적용한다.
상기 상태 분류 모델은 상기 환경 데이터 및 상기 작물의 생장 영상을 학습하여 생성된 병충해 분류 모델을 포함한다.
상기 학습부는 상기 환경 데이터, 상기 자원 데이터, 상기 생육 데이터 및 생산량 데이터를 기계 학습하여, 생산량 증가를 위한 상기 재배실의 환경 및 자원 제어의 성능 평가를 위한 성능 분류 모델을 생성하고, 상기 클라우드 서버는 상기 성능 분류 모델을 이용하여 최적 성능 지표를 산출한다.
상기 제어부는 상기 예측 데이터가 상기 최적 성능 지표에 근접하지 않는 경우, 상기 최적 성능 지표에 따라 상기 재배실의 환경 및 공급되는 자원을 제어한다.
상기 학습부는 상기 재배실의 환경 및 자원 제어를 위하여 상기 제어부에 의하여 생성되어 축적된 제어 데이터 및 상기 자원 데이터를 기계 학습하여 재배실 제어 모델을 생성하고, 상기 클라우드 서버는 상기 재배실 제어 모델을 이용하여 재배실 환경 제어 및 자원 공급 제어를 위한 제어 데이터의 값 가이드 범위를 산출한다.
상기 제어부는 상기 축적된 제어 데이터에서 상기 값 가이드 범위에 포함되는 데이터를 최종 제어 데이터로 산출한다.
본 발명의 실시예에 따른 클라우드 기반 협동형 재배 장치는, 다수의 재배 장치가 공유하는 클라우드 서버를 이용하여 최적의 환경 및 생육 데이터를 도출하고, 도출된 데이터를 이용하여 생산량이 증가하도록 재배 환경을 제어할 수 있다.
도 1은 종래의 스마트 재배기의 개념을 개략적으로 예시하여 나타낸 도면.
도 2는 본 발명의 실시예에 따른 클라우드 기반 협동형 재배 장치의 구성을 개략적으로 예시하여 나타낸 도면.
도 3은 본 발명의 실시예에 따른 클라우드 기반 협동형 재배 장치의 동작 개념을 나타낸 도면.
도 4는 본 발명의 실시예에 따른 클라우드 기반 협동형 재배 장치의 구성을 개념적으로 나타낸 도면.
도 5 및 도 6은 본 발명의 실시예에 따른 클라우드 기반 협동형 재배 장치의 사용에 따른 생산량 변화 결과를 나타낸 도면.
본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
이하, 본 발명의 다양한 실시예들을 첨부된 도면을 참조하여 상술하겠다.
도 2는 본 발명의 실시예에 따른 클라우드 기반 협동형 재배 장치의 구성을 개략적으로 예시하여 나타낸 도면이고, 도 3은 본 발명의 실시예에 따른 클라우드 기반 협동형 재배 장치의 동작 개념을 나타낸 도면이고, 도 4는 본 발명의 실시예에 따른 클라우드 기반 협동형 재배 장치의 구성을 개념적으로 나타낸 도면이고, 도 5 및 도 6은 본 발명의 실시예에 따른 클라우드 기반 협동형 재배 장치의 사용에 따른 생산량 변화 결과를 나타낸 도면이다. 이하, 도 2를 중심으로 본 발명의 실시예에 따른 클라우드 기반 협동형 재배 장치에 대하여 설명하되, 도 3 내지 도 6을 참조하기로 한다.
도 2 및 도 4를 참조하면, 본 발명의 실시예에 따른 클라우드 기반 협동형 재배 장치(100)는, 센서부(110), 클라우드 서버(120), 학습부(130) 및 제어부(140)를 포함하여 구성될 수 있다.
센서부(110)는 작물이 심어진 재배실 내의 환경 데이터 및 자원 데이터를 획득한다.
여기서, 환경 데이터는 재배실 내의 온도, 습도, 광량, 이산화탄소(CO2) 등을 포함할 수 있으며, 실시간 측정되어 시간별로 획득될 수 있다. 즉, 센서부(110)는 온도, 습도, 광량, 이산화탄소(CO2) 등을 측정하는 센서를 포함하며, 재배실 내에 설치될 수 있다.
그리고, 자원 데이터는 급수량, 영양액 공급량, 소모 전력량 등을 포함할 수 있으며, 실시간 측정되어 시간별로 획득될 수 있다. 즉, 센서부(110)는 급수량, 영양액 공급량, 소모 전력량 등을 측정하는 센서를 포함하며, 급수관, 영양액 공급관, 전력 공급 장치 등에 설치될 수 있다.
또한, 센서부(110)는 재배실 내에서 작물의 모습을 촬영하는 카메라를 포함할 수 있다. 그래서, 센서부(110)는 카메라를 통해 작물의 생장 영상을 일정 주기로 획득할 수 있다. 예를 들어, 획득된 생장 영상을 이용하여 작물의 잎, 줄기, 열매 등의 크기, 길이 등과 같은 작물의 사이즈가 추정될 수 있으며, 추정된 작물의 사이즈가 축적되어 생육 데이터가 생성될 수 있다.
이와 같이 획득되는 환경 데이터, 자원 데이터 및 작물의 생장 영상은 클라우드 서버(120)로 전송된다.
클라우드 서버(120)는 센서부(110)에 의하여 획득되는 각종 센싱 데이터 즉, 재배실 내의 환경 데이터, 자원 데이터 및 작물의 생장 영상을 저장한다.
특히, 본 발명의 실시예에 따른 클라우드 서버(120)는 다수의 협동형 재배 장치로부터 수신되는 환경 데이터, 자원 데이터 및 작물의 생장 영상을 저장할 수 있다.
예를 들어, 클라우드 서버(120)는 도 3에 도시된 바와 같이, 다수의 협동형 재배 장치(100-1, 100-2, 100-3, 100-4)로부터 환경 데이터, 자원 데이터, 작물의 생장 영상, 환경 및 생육 데이터에 대한 예측 데이터를 수신하고, 다수의 협동형 재배 장치(100-1, 100-2, 100-3, 100-4)로 최적의 환경 및 생육 데이터를 제공할 수 있다.
그리고, 클라우드 서버(120)는 수신된 환경 데이터, 자원 데이터 및 생장 영상을 저장하는 한편, 환경 데이터, 자원 데이터 및 작물의 생장 영상에 대한 학습부(130)의 기계 학습 결과를 이용하여 생장 영상을 분석하여 작물의 생장 상태를 판별하고, 판별 결과에 따른 생육 데이터를 생성하고 저장한다.
예를 들어, 클라우드 서버(120)는 기계 학습 결과를 이용하여 작물이 웃자라는지, 병충해 피해를 입었는지 등으로 분류하여 작물의 생장 상태가 양호한지 여부를 판별하여 생육 데이터를 생성할 수 있다.
학습부(130)는 클라우드 서버(120)에 저장된 환경 데이터 및 작물의 생장 영상을 기계 학습하여 학습 결과로서, 작물의 생장 상태에 대한 상태 분류 모델을 생성하고, 생성된 상태 분류 모델을 클라우드 서버(120)로 제공한다. 여기서, 상태 분류 모델은 미리 설정된 기준에 따라 작물의 생장 상태가 양호한 것 및 양호하지 않은 것을 나타낼 수 있다.
예를 들어, 상태 분류 모델은 작물의 생장 상태를 작물이 웃자라는지, 병충해 피해를 입었는지 등으로 분류하는데 이용될 수 있다.
즉, 학습부(130)는 환경 데이터 및 작물의 생장 영상에 대한 학습 결과로서, 병충해 분류 모델을 생성하고, 생성된 병충해 분류 모델을 클라우드 서버(120)로 제공할 수 있다.
또한, 학습부(130)는 클라우드 서버(120)에 저장된 환경 데이터 및 자원 데이터와 함께, 이에 따른 생육 데이터 및 생산량 데이터를 기계 학습하여 학습 결과로서, 생산량 증가를 위한 재배실의 환경 및 자원 제어의 성능 평가를 위한 성능 분류 모델을 생성하고, 생성된 성능 분류 모델을 클라우드 서버(120)로 제공한다. 그리고, 클라우드 서버(120)는 제공받은 성능 분류 모델을 이용하여 최적 성능 지표를 산출할 수 있다. 예를 들어, 클라우드 서버(120)는 성능 분류 모델을 이용하여 성능이 우수하다고 판단되는 환경 데이터, 자원 데이터 및 생육 데이터를 추출하여 복수의 후보 성능 지표를 산출하고, 산출된 후보 성능 지표를 회귀 분석하여 최적 성능 지표를 산출할 수 있다.
또한, 학습부(130)는 재배실의 환경 및 자원 제어를 위하여 제어부(140)에 의하여 생성되어 축적된 제어 데이터 및 자원 데이터를 기계 학습하여 재배실 제어 모델을 생성하고, 생성된 재배실 제어 모델을 클라우드 서버(120)로 제공한다. 그리고, 클라우드 서버(120)는 제공받은 재배실 제어 모델을 이용하여 재배실 환경 제어 및 자원 공급 제어를 위한 제어 데이터의 값 가이드 범위를 산출할 수 있다.
한편, 클라우드 서버(120)가 생성된 상태 분류 모델을 이용하여 작물의 생장 상태가 양호한 것으로 판별한 경우, 학습부(130)는 축적된 환경 데이터, 자원 데이터 및 생육 데이터를 기계 학습하여 학습 결과로서, 환경, 자원 및 생육 데이터에 대한 예측 데이터를 생성한다.
생성된 예측 데이터는 클라우드 서버(120)로 전송되어 저장되는 한편, 제어부(140)로 전달된다.
한편, 클라우드 서버(120)는 생성된 분류 모델을 이용하여 작물의 생장 상태가 불량한 것으로 판별한 경우, 클라우드 서버(120)에 저장된 작물의 생장 상태가 양호한 재배실의 환경 및 생육 데이터에 대한 예측 데이터를 작물의 생장 상태가 불량한 해당 재배실에 적용한다.
예를 들어, 클라우드 서버(120)는 기 생성된 예측 데이터들 중에서, 생산량이 가장 높은 재배실의 예측 데이터를 작물의 생장 상태가 불량한 해당 재배실 및/또는 생산량이 가장 높은 재배실을 제외한 나머지 재배실에 적용할 수 있다.
즉, 도 5를 참조하면, 도 5는 본 발명의 실시예에 따른 클라우드 기반 협동형 재배 장치(100)가 적용된 재배실 별 생산량 그래프를 나타낸다. 도 5의 그래프에서, x축은 재배실, 좌측 y축은 재배실 별 생산량, 우측 y축은 재배실 별 투입된 자원량을 나타낸다. 도 5의 그래프에 도시된 바와 같이, 생산량이 가장 높은 그룹의 예측 데이터가 나머지 그룹들에 적용됨으로써, 나머지 그룹들의 생산량이 가장 높은 그룹의 생산량 이상으로 증가했음을 알 수 있다. 또한, 생산량이 높으나 유사한 복수의 그룹 중 자원 투입량이 낮은 그룹의 예측 데이터가 나머지 그룹들에 적용될 수 있음을 알 수 있다.
제어부(140)는 학습부(130)에 의하여 생성된 환경, 자원 및 생육 데이터에 대한 예측 데이터에 따라 재배실의 환경 및 공급되는 자원을 제어한다.
즉, 제어부(140)는 환경, 자원 및 생육 데이터에 대한 예측 데이터와 센서부(110)를 통해 실시간 측정되는 실측 데이터를 비교하여, 실측 데이터가 예측 데이터와 미리 설정된 오차 범위를 벗어나는지 여부를 판단하고, 실측 데이터가 예측 데이터와 오차 범위를 벗어나는 경우, 실측 데이터가 오차 범위 내로 예측 데이터에 근접하도록 재배실의 환경 및 자원을 제어할 수 있다.
예를 들어, 재배실의 환경 및 자원 제어를 위하여, 재배실에는 냉난방 장치, 광 발생 장치, 이산화탄소 공급 장치, 급수 장치, 영양액 공급 장치, 전력 공급 장치 등이 설치될 수 있다. 그래서, 제어부(140)는 센서부(110)를 통해 실시간 측정되는 실측 데이터가 미리 설정된 오차 범위 내로 예측 데이터에 근접하도록, 냉난방 장치, 광 발생 장치, 이산화탄소 공급 장치, 급수 장치, 영양액 공급 장치, 전력 공급 장치 등을 제어할 수 있다.
또한, 제어부(140)는 예측 데이터와 실측 데이터 비교 시, 클라우드 서버(120)에 의하여 생성된 최적 성능 지표를 고려할 수 있다.
예를 들어, 제어부(140)는 예측 데이터와 최적 성능 지표를 비교 분석하여, 예측 데이터가 최적 성능 지표에 근접하는지 여부를 판단할 수 있다. 즉, 제어부(140)는 예측 데이터가 최적 성능 지표의 미리 설정된 유효 범위 내에 포함되는 경우, 예측 데이터가 최적 성능 지표에 근접하는 것으로 판단할 수 있다. 만약, 예측 데이터가 최적 성능 지표에 근접하지 않는 경우, 제어부(140)는 예측 데이터가 아닌 최적 성능 지표에 따라 재배실의 환경 및 공급되는 자원을 제어할 수 있다.
한편, 제어부(140)는 예측 데이터에 따라 재배실의 환경 및 공급되는 자원을 제어하기 위하여, 환경 및 자원 제어를 위한 재배실의 각종 장치로 전송하는 제어 데이터를 생성한다.
즉, 제어부(140)는 예측 데이터와 실측 데이터의 차이에 따라 1차 제어 데이터를 생성하고, 생성된 1차 제어 데이터를 샘플링하여 주기가 서로 다른 복수의 2차 제어 데이터를 생성할 수 있다. 여기서, 각 2차 제어 데이터는 데이터 길이가 동일해지도록 평균 처리될 수 있다. 그리고, 제어부(140)는 2차 제어 데이터에서 자원의 소모량이 적고 주기 빈도가 낮은 2차 제어 데이터를 선별하고, 선별된 2차 제어 데이터에서 클라우드 서버(120)에 의하여 생성된 제어 데이터의 값 가이드 범위에 포함되는 데이터를 추출하여 최종 제어 데이터를 산출할 수 있다.
이와 같이 생성된 최종 제어 데이터는 클라우드 서버(120)로 전송되어 저장되는 한편, 학습부(130)로 전달되어 학습 데이터로 사용될 수 있다.
이때, 클라우드 서버(120)는 최종 제어 데이터가 학습 데이터로 사용되기 전에, 최종 제어 데이터를 미리 설정된 평가 지표에 따른 평가를 통해 순위를 레이블링(labeling)하여 저장하고, 학습부(130)로 전달할 수 있다. 예를 들어, 평가 지표는 최종 제어 데이터에 따른 환경 및 생육 데이터에 대한 예측 데이터와 실측 데이터의 차이, 급수량, 영양액 공급량, 소모 전력량 등의 자원 공급량 및 공급주기 등이 될 수 있다.
도 6은 본 발명의 실시예에 따른 클라우드 기반 협동형 재배 장치(100)의 적용 시, 시간에 따른 생산량 변화를 나타낸 그래프이다. 도 6에 도시된 바와 같이, 시간이 경과됨에 따라 생산량이 작물이 생산 가능한 최대 생산량에 수렴하는 것을 알 수 있다.
이와 같이, 본 발명의 실시예에 따른 클라우드 기반 협동형 재배 장치(100)는, 기존의 생산량보다 더 나은 생산량을 획득하기 위하여, 더 나은 환경의 재배실의 데이터를 이용한다. 이를 통해, 각 협동형 재배 장치의 생산량을 비교하여 더 높은 생산량을 산출하는 협동형 재배 장치의 데이터를 다른 협동형 재배 장치에 적용시킴으로써, 전체적인 생산량을 향상시킬 수 있다.
또한, 클라우드 기반 협동형 재배 장치(100)는 작물들의 생산량 증대를 최대한으로 끌어낼 수 있도록 더 나은 생산량을 산출하는 협동형 재배 장치의 환경을 학습하여 다른 협동형 재배 장치에 적용함으로써, 협동형 재배 장치의 최소 생산량을 끌어올릴 뿐 아니라, 협동형 재배 장치 간의 경쟁적 및 협력적 구도로 인하여 작물의 생산량이 최대 생산량으로 수렴하는 효과를 기대할 수 있다.
또한, 클라우드 기반 협동형 재배 장치(100)는 스마트 재배기로서, 비대면 접촉 시대인 현대에 안정적이고 신뢰할 수 있는 먹거리를 제공할 수 있으며, 작물에 대한 지식이 없는 일반인도 쉽게 다룰 수 있어 편리하고 아이들의 교육적인 목적으로 이용할 수 있는 기기이다. 또한, 크기에 따라 인테리어 가전으로 미적인 요소까지 고려한다면 부가 가치가 올라갈 수 있다.
한편, 전술된 실시예의 구성 요소는 프로세스적인 관점에서 용이하게 파악될 수 있다. 즉, 각각의 구성 요소는 각각의 프로세스로 파악될 수 있다. 또한 전술된 실시예의 프로세스는 장치의 구성 요소 관점에서 용이하게 파악될 수 있다.
또한 앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대한 통상의 지식을 가지는 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.
100: 클라우드 기반 협동형 재배 장치
110: 센서부
120: 클라우드 서버
130: 학습부
140: 제어부

Claims (8)

  1. 클라우드 기반 협동형 재배 장치에 있어서,
    작물이 심어진 재배실 내의 환경 데이터, 자원 데이터 및 상기 작물의 생장 영상을 획득하는 센서부;
    상기 환경 데이터 및 상기 생장 영상을 기계 학습하여, 미리 설정된 기준에 따라 상기 작물의 생장 상태가 양호한 것 및 양호하지 않은 것을 나타내는 상태 분류 모델을 생성하는 학습부;
    상기 환경 데이터, 상기 자원 데이터 및 상기 생장 영상을 저장하고, 상기 생성된 상태 분류 모델을 이용하여 상기 생장 영상을 분석하여 상기 작물의 생장 상태가 양호한지 여부를 판별하고, 상기 양호 여부에 따른 생육 데이터를 생성하는 클라우드 서버; 및
    상기 환경 데이터, 상기 자원 데이터 및 상기 생육 데이터에 대한 예측 데이터와 상기 센서부를 통해 실시간 측정되는 실측 데이터를 비교하여, 상기 실측 데이터가 상기 예측 데이터와 미리 설정된 오차 범위를 벗어나는지 여부를 판단하고, 상기 실측 데이터가 상기 예측 데이터와 상기 오차 범위를 벗어나는 경우, 상기 실측 데이터가 상기 오차 범위 내로 상기 예측 데이터에 근접하도록 상기 재배실의 환경을 제어하는 제어부를 포함하되,
    상기 클라우드 서버는,
    상기 협동형 재배 장치 외에 다른 복수의 협동형 재배 장치로부터 환경 데이터, 자원 데이터, 생장 영상 및 예측 데이터를 수신하고, 생육 데이터를 생성하는 것을 특징으로 하는 클라우드 기반 협동형 재배 장치.
  2. 제1항에 있어서,
    상기 학습부는,
    상기 작물의 생장 상태가 양호한 것으로 판별된 경우, 축적된 환경 데이터 및 생육 데이터를 기계 학습하여 예측 데이터를 생성하여 상기 클라우드 서버 및 상기 제어부로 전달하는 것을 특징으로 하는 클라우드 기반 협동형 재배 장치.
  3. 제2항에 있어서,
    상기 클라우드 서버는,
    상기 작물의 생장 상태가 양호하지 않은 것으로 판별된 재배실에 상기 예측 데이터를 적용하거나 또는,
    기 생성된 예측 데이터들 중에서, 생산량이 가장 높은 재배실의 예측 데이터를 상기 작물의 생장 상태가 양호하지 않은 것으로 판별된 재배실이나, 상기 생산량이 가장 높은 재배실을 제외한 나머지 재배실에 적용하는 것을 특징으로 하는 클라우드 기반 협동형 재배 장치.
  4. 제1항에 있어서,
    상기 상태 분류 모델은 상기 환경 데이터 및 상기 작물의 생장 영상을 학습하여 생성된 병충해 분류 모델을 포함하는 것을 특징으로 하는 클라우드 기반 협동형 재배 장치.
  5. 제1항에 있어서,
    상기 학습부는 상기 환경 데이터, 상기 자원 데이터, 상기 생육 데이터 및 생산량 데이터를 기계 학습하여, 생산량 증가를 위한 상기 재배실의 환경 및 자원 제어의 성능 평가를 위한 성능 분류 모델을 생성하고,
    상기 클라우드 서버는 상기 성능 분류 모델을 이용하여 최적 성능 지표를 산출하는 것을 특징으로 하는 클라우드 기반 협동형 재배 장치.
  6. 제5항에 있어서,
    상기 제어부는 상기 예측 데이터가 상기 최적 성능 지표에 근접하지 않는 경우, 상기 최적 성능 지표에 따라 상기 재배실의 환경 및 공급되는 자원을 제어하는 것을 특징으로 하는 클라우드 기반 협동형 재배 장치.
  7. 제1항에 있어서,
    상기 학습부는 상기 재배실의 환경 및 자원 제어를 위하여 상기 제어부에 의하여 생성되어 축적된 제어 데이터 및 상기 자원 데이터를 기계 학습하여 재배실 제어 모델을 생성하고,
    상기 클라우드 서버는 상기 재배실 제어 모델을 이용하여 재배실 환경 제어 및 자원 공급 제어를 위한 제어 데이터의 값 가이드 범위를 산출하는 것을 특징으로 하는 클라우드 기반 협동형 재배 장치.
  8. 제7항에 있어서,
    상기 제어부는 상기 축적된 제어 데이터에서 상기 값 가이드 범위에 포함되는 데이터를 최종 제어 데이터로 산출하는 것을 특징으로 하는 클라우드 기반 협동형 재배 장치.
KR1020210132585A 2020-11-30 2021-10-06 클라우드 기반 협동형 재배 장치 KR102411332B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200164959 2020-11-30
KR20200164959 2020-11-30

Publications (2)

Publication Number Publication Date
KR20220076298A true KR20220076298A (ko) 2022-06-08
KR102411332B1 KR102411332B1 (ko) 2022-06-22

Family

ID=81981086

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210132585A KR102411332B1 (ko) 2020-11-30 2021-10-06 클라우드 기반 협동형 재배 장치

Country Status (1)

Country Link
KR (1) KR102411332B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024090653A1 (ko) * 2022-10-24 2024-05-02 베비타 주식회사 최적 생육조건을 조성하는 아쿠아포닉스 기반의 유기농 스마트팜 및 스마트수산 시스템

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170110243A (ko) * 2016-03-23 2017-10-11 이수열 농업 관리 시스템 및 농업 관리 방법
KR20180054413A (ko) * 2016-11-15 2018-05-24 한국전자통신연구원 농작물 생산 효율 최적화 방법 및 장치
KR101935008B1 (ko) 2017-12-08 2019-01-03 함영국 농작물 생장상태정보를 이용한 농작물 유통관리 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
KR20170110243A (ko) * 2016-03-23 2017-10-11 이수열 농업 관리 시스템 및 농업 관리 방법
KR20180054413A (ko) * 2016-11-15 2018-05-24 한국전자통신연구원 농작물 생산 효율 최적화 방법 및 장치
KR101935008B1 (ko) 2017-12-08 2019-01-03 함영국 농작물 생장상태정보를 이용한 농작물 유통관리 방법
KR20200029657A (ko) * 2018-09-06 2020-03-19 장성식 작물 이미지 빅데이터를 이용한 영농 자동화 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024090653A1 (ko) * 2022-10-24 2024-05-02 베비타 주식회사 최적 생육조건을 조성하는 아쿠아포닉스 기반의 유기농 스마트팜 및 스마트수산 시스템

Also Published As

Publication number Publication date
KR102411332B1 (ko) 2022-06-22

Similar Documents

Publication Publication Date Title
KR101811640B1 (ko) 기계학습을 이용한 작물의 생산량 예측장치 및 방법
KR101852987B1 (ko) 고부가가치 버섯재배를 위한 모듈형 식물공장시스템
US20170332544A1 (en) Data driven indoor farming optimization
KR20190100541A (ko) 데이터 분석 기법을 이용한 스마트 팜 관리 시스템
US20220248616A1 (en) Irrigation control with deep reinforcement learning and smart scheduling
KR102411332B1 (ko) 클라우드 기반 협동형 재배 장치
KR20210158094A (ko) 스마트팜 시스템 및 그의 동작 방법
Karuniawati et al. Optimization of grow lights control in IoT-based aeroponic systems with sensor fusion and random forest classification
CN111459033A (zh) 水、肥精量灌溉的灰色预测模糊pid控制方法及设备
Diez-Olivan et al. Quantile regression forests-based modeling and environmental indicators for decision support in broiler farming
KR102387765B1 (ko) 작물의 생육량 예측 방법 및 장치
Tambakhe et al. A survey on techniques and technology used in hydroponics system
Nugroho et al. Predictive control on lettuce NFT-based hydroponic IoT using deep neural network
Johansen et al. Data driven broiler weight forecasting using dynamic neural network models
KR101959886B1 (ko) 온실의 구동기의 파라미터를 결정하는 서버 및 방법
Wickramaarachchi et al. Real-time greenhouse environmental conditions optimization using neural network and image processing
JP6964851B2 (ja) 保存環境判別プログラム
George et al. Deep neural network for generalizing and forecasting on-demand drying kinetics of droplet solutions
Ragavi et al. Smart agriculture to increase farmers profitability using internet of things
KR20230060815A (ko) 스마트 팜용 엣지 컴퓨팅 장치 및 이를 포함하는 스마트 팜
KR102377963B1 (ko) 육묘장 관리 시스템 및 방법
Patil et al. Ai-driven hydroponic systems for lemon basil
Ahzami et al. Implementation of Monitoring and Prediction of Humidity, Temperature, and Light Using a Support Vector Machine (SVM) for Orchid Greenhouses in Lembang
KR20230082992A (ko) 스마트팜 컨설팅 서비스 장치 및 방법
Kamala K et al. Survey on Various Techniques That Is Involved in Monitoring Hydroponic Plants

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)