KR20220107428A - 정밀농업 관리 시스템 - Google Patents
정밀농업 관리 시스템 Download PDFInfo
- Publication number
- KR20220107428A KR20220107428A KR1020210010056A KR20210010056A KR20220107428A KR 20220107428 A KR20220107428 A KR 20220107428A KR 1020210010056 A KR1020210010056 A KR 1020210010056A KR 20210010056 A KR20210010056 A KR 20210010056A KR 20220107428 A KR20220107428 A KR 20220107428A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- processing unit
- optimal
- data processing
- arable land
- Prior art date
Links
- 239000002689 soil Substances 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 62
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 15
- 238000009313 farming Methods 0.000 abstract 1
- 241000607479 Yersinia pestis Species 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 8
- 238000003973 irrigation Methods 0.000 description 8
- 230000002262 irrigation Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 239000003337 fertilizer Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 239000000575 pesticide Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 229930002875 chlorophyll Natural products 0.000 description 4
- 235000019804 chlorophyll Nutrition 0.000 description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005507 spraying Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 206010021703 Indifference Diseases 0.000 description 1
- 239000012773 agricultural material Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- G01N2033/245—
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Marine Sciences & Fisheries (AREA)
- Medical Informatics (AREA)
- Animal Husbandry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
Abstract
본 발명의 일실시 형태는, 경작지에 대한 날씨 데이터, 경작지에서 측정된 토양 환경 데이터, 경작자가 입력하는 경작관련 이벤트 데이터, 경작지의 수확량 데이터 및 경작지를 촬영한 이미지 데이터를 수신하는 데이터 수신부와, 상기 데이터 수신부에 수신된 데이터를 통합하고 머신러닝으로 학습하여 각 데이터에 따른 경작지에서의 최적 수확량을 모델링하는 데이터 처리부, 및 상기 데이터 처리부에서 모델링된 정보를 디스플레이해주는 표시부를 포함하는 정밀농업 관리 시스템을 제공할 수 있다.
Description
본 발명은 정밀농업 관리 시스템에 관한 것으로서, 보다 상세하게는 날씨 데이터, 토양 환경 데이터, 이벤트 데이터, 수확량 데이터 및 이미지 데이터를 수신하고 이러한 데이터를 분석하여 경작지 및 작물의 상태를 분석하여 표시해주는 정밀농업 관리 시스템에 관한 것이다.
농업은 인류가 한곳에 정착하여 문명을 발전시킬 수 있는 기반을 제공한 대표적인 1차 산업이다. 이러한 농업은 많은 인력을 필요로 하는데, 우리 나라의 경우 현대 사회에 들어 고령화 및 핵가족화, 도시화가 빠르게 진행됨에 따라, 농업에 종사하는 인구 또한 그 비율이 줄어들고 농업에 종사하는 평균연령 또한 점차 노령화되어 사회적인 문제로 대두되고 있다.
많은 사람들의 무관심 속에 한국의 농업은 다양한 문제에 직면해 있다. 농업에 관련된 국내외의 보고서와 전문서적을 참고한 결과, 농업이 직면한 가장 큰 문제점은 농업 노동력 부족, 생산량 불확실성에 따른 수급 불균형, 기존 농업 활동에 따른 환경 오염 등이다.
이러한 문제점을 해결하기 위해서 스마트팜을 도입하고 있다. 스마트팜이란, ICT 기술을 비닐하우스, 축사, 과수원 등에 접목하여 원격, 자동으로 작물과 가축의 생육환경을 적정하게 유지, 관리 할 수 있는 농장을 의미한다. 현재는 SW로 온 습도, 일사량 조절과 양분 자동 공급 및 창문개폐 하는 수준의 기술력을 보유하고 있다
이러한 스마트 팜은 ICT 융합을 통해 기존의 한국 농촌의 문제를 해결하고자 한다. 실제로, 친환경과 노동력 감소, 농민 소득 증대 등의 성과를 거뒀으며 향후 빅데이터 활용 및 로봇 자동화를 통해 첨단 농업의 미래상을 그리고 있다. 하지만, 스마트 팜은 가장 큰 결함을 가지고 있는데, 바로 노지에의 적용성이다. 한국의 경우 밭 작물의 공급 부족으로 인해 농산물 수급 불균형과 식량 자급률 저하를 겪고 있어 이에 대한 해결책이 시급한 실정이다. 이런 상황에서 환경적 제약과 기술력 부족으로 인한 스마트 팜은 노지로의 확대가 불가능하여 한국 농업의 문제를 근본적으로 해결할 수 없다는 한계점을 가진다.
이러한 스마트팜의 한계점을 극복하고자 하는 것이 정밀농업이다. 정밀농업의 기본 개념은 “Doing the right treatment, at the right times, in the right places”로 정의된다. 토양 특성과 작물 생육특성의 농경지 위치별 차이로 수확량과 품질에 차이가 있으므로, 위치 별 변이에 따라 맞춤형으로 관리하고자 하는 농법이다. 즉 정밀농업은 보다 큰 면적에 균일한 농작업을 행하는 기계화 농업과 달리 작은 면적의 위치특성에 맞는 변량 농자재 처방을 기반으로 하는 정보화 농업을 의미한다. 따라서 이를 실현하기 위해 센서기술, ICT기술, 정보관리 등의 다양한 기술들이 융복합 되었고 이를 통해 적은 노동력으로도 생산성이 충분히 담보될 수 있다.
선행문헌 : 한국 등록특허 10-1986418
선행문헌은 병해충 검색을 위한 통합 시스템에 관한 것으로서, 이미지가 입력됨을 수신함에 따라 질의 이미지로 인식하는 단계와 상기 질의 이미지로부터 유사도 이미지 및 병해충 정보를 획득하는 단계, 및 상기 질의 이미지에 대한 병해충 정보를 포함하는 병해충 결과를 출력하고, 상기 질의 이미지로부터 획득된 유사도 이미지 또는 상기 병해충 정보와 관련된 병해충 이미지를 선택적으로 제공하는 단계를 포함하는 병해충 검색을 위한 통합 시스템에 대해 개시되어 있다.
선행문헌에 따르면 이미지 데이터를 이용하여 병해충을 검색하는 방법이 개시되어 있으며, 이미지 분석 기술이나 머신러닝 등을 이용한 정밀농업 관리시스템에 대한 연구가 계속되고 있다.
상기한 문제점을 해결하기 위해서, 본 발명에서는 날씨 데이터, 토양 환경 데이터, 이벤트 데이터, 수확량 데이터 및 이미지 데이터를 수신하고 이러한 데이터를 분석하여 경작지 및 작물의 상태를 분석하여 표시해주는 정밀농업 관리 시스템을 제공할 수 있다.
본 발명의 일실시 형태는, 경작지에 대한 날씨 데이터, 경작지에서 측정된 토양 환경 데이터, 경작자가 입력하는 경작관련 이벤트 데이터, 경작지의 수확량 데이터 및 경작지를 촬영한 이미지 데이터를 수신하는 데이터 수신부와, 상기 데이터 수신부에 수신된 데이터를 통합하고 머신러닝으로 학습하여 각 데이터에 따른 경작지에서의 최적 수확량을 모델링하는 데이터 처리부, 및 상기 데이터 처리부에서 모델링된 정보를 디스플레이해주는 표시부를 포함하는 정밀농업 관리 시스템을 제공할 수 있다.
상기 데이터 처리부는 상기 수신된 데이터들을 시간순서대로 저장할 수 있다.
상기 데이터 처리부는, 상기 최적 수확량에 대한 경작주기 동안의 시계열별로 최적 토양 환경 데이터 및 최적 이미지 데이터 중 적어도 하나를 도출할 수 있다.
상기 데이터 처리부는, 상기 도출된 최적 토양 환경 데이터 및 측정된 토양 환경 데이터를 비교하여 경작지에 필요한 이벤트를 도출할 수 있다.
상기 데이터 처리부는, 예보된 날씨 데이터에 따라 경작지에 필요한 이벤트를 도출할 수 있다.
상기 데이터 처리부는, 상기 도출된 최적 이미지 데이터와 측정된 이미지 데이터를 비교하여 경작지에 필요한 이벤트를 도출할 수 있다.
본 발명의 일실시 형태에 따르면 날씨 데이터, 토양 환경 데이터, 이벤트 데이터, 수확량 데이터 및 이미지 데이터를 수신하고 이러한 데이터를 분석하여 경작지 및 작물의 상태를 분석하여 표시해주는 정밀농업 관리 시스템을 제공할 수 있다.
도 1은 본 발명의 일실시 형태에 따른 정밀농업 관리시스템의 구성도이다.
도 2는, 본 발명의 일실시형태에 따른 정밀농업 관리 시스템에서 데이터 처리부에 저장되는 데이터의 형태를 개념적으로 나타내는 도면이다.
도 3은, 본 발명의 일실시형태에 따른 정밀농업 관리 시스템에서 데이터 처리부에 사용되는 LSTM을 설명하기 위한 도면이다.
도 4는, 본 발명의 일실시형태에 따른 정밀농업 관리 시스템에 사용되는 CNN 학습기법의 개념을 나타내는 도면이다.
도 2는, 본 발명의 일실시형태에 따른 정밀농업 관리 시스템에서 데이터 처리부에 저장되는 데이터의 형태를 개념적으로 나타내는 도면이다.
도 3은, 본 발명의 일실시형태에 따른 정밀농업 관리 시스템에서 데이터 처리부에 사용되는 LSTM을 설명하기 위한 도면이다.
도 4는, 본 발명의 일실시형태에 따른 정밀농업 관리 시스템에 사용되는 CNN 학습기법의 개념을 나타내는 도면이다.
이하, 첨부된 도면을 참조하여 본 발명을 상세히 설명하겠다.
도 1은, 본 발명의 일실시 형태에 따른 정밀농업 관리시스템(100)의 구성도이다. 본 실시형태에 따른 정밀농업 관리 시스템(100)은 데이터 수신부(110), 데이터 처리부(120) 및 표시부(130)를 포함할 수 있다.
데이터 수신부(110)는 날씨 데이터 수신부(111), 토양환경 데이터 수신부(112), 이벤트 데이터 수신부(113), 수확량 데이터 수신부(114) 및 이미지 데이터 수신부(115)를 포함할 수 있다.
날씨 데이터 수신부(111)는 해당지역의 기상데이터를 수신할 수 있다. 상기 기상데이터는 오픈 API 를 통해 기상청으로부터 제공되는 해당지역의 일별 날씨 정보, 최고 및 최저기온, 강수량 등의 정보를 포함할 수 있다. 또한 농촌 진흥청을 통한 농업지역에 맞는 맞춤형 지역 날씨 정보를 포함할 수 있다. 상기 날씨 데이터 수신부(111)에 수신되는 날씨 정보는 과거의 날씨정보 뿐만 아니라 현재의 날씨정보 및 미래의 날씨예보 정보까지 포함할 수 있다. 여기서 미래의 날씨 정보는 주간단위 및 월간단위의 날씨 정보일 수 있다.
토양환경 데이터 수신부(112)는 , 경작지에서 측정된 토양 환경 데이터일 수 있다. 본 실시형태에서 토양환경 데이터는 경작지의 지중에 설치되는 온도센서, 습도센서, PH 센서등을 포함할 수 있다. 상기 경작지의 지중에 설치되는 센서들로부터 경작지의 온도, 습도, PH 등을 측정할 수 있다. 상기 센서들은 상기 토지환경 데이터 수신부(112)와 유선 또는 무선 네트워크를 통해 연결되어 측정된 토지환경 데이터의 정보를 토양환경 데이터 수신부로 전송할 수 있다.
이벤트 데이터 수신부(113)는 경작자가 입력하는 경작 관련 이벤트 데이터를 수신할 수 있다. 여기서 이벤트 데이터는, 관수 사용 정보, 비료 사용정보, 농약 사용정보, 영농일지 정보 등 경작자가 진행하는 영농 활동 데이터를 포함할 수 있다. 상기 이벤트 데이터 수신부(113)는 경작자가 단말기를 통해 입력하는 경작활동중에 진행되는 이벤트 데이터를 시계열로 입력받을 수 있다. 이러한 이벤트 데이터를 입력하기 위한 수단으로는 스마트폰, 스마트 노트, 태블릿 PC, 웨어러블 컴퓨터 등이 사용될 수도 있으며, 기타 유선 또는 무선의 단말기를 사용하여 입력할 수도 있다. 본 실시형태에서, 상기 이벤트 데이터는 경작지의 수확량 데이터를 포함할 수 있다. 경작자가 해당 경작지의 경작 이벤트 정보와 더불어 수확량 데이터를 입력할 수 있다. 이렇게 입력된 수확량 데이터를 이용하여, 기 입력된 날씨데이터, 토양환경 데이터 및 이벤트 데이터와의 관계를 분석하고 최적의 수확량 도출을 위한 환경 및 이벤트 정보를 예측할 수 있다.
수확량 데이터 수신부(114)는 경작지에서 수확되는 농작물의 단위면적당 수확량 데이터를 수신할 수 있다. 이러한 수확량 데이터는 센서나 기타 방법으로 자동적으로 수집될 수도 있다. 또한, 센서나 기타 방법으로 수확량 데이터를 산출하기 어려운 경우에는 경작자가 수동으로 단위면적당 경작물 생산현황을 포함하는 수확량 데이터를 직접 입력할 수 있다.
이미지 데이터 수신부(115)는, 경작지를 촬영한 이미지 데이터를 수신할 수 있다. 상기 이미지 데이터는 드론을 이용해서 경작지를 촬영한 화면일 수 있다. 또한, 상기 이미지 데이터는 인공위성 촬영이나 항공촬영에 의해 얻은 이미지 데이터를 포함할 수 있다. 상기 이미지 데이터를 얻기 위한 센서는 다양하게 구현될 수 있다. 예를 들어, RGB 센서, 엽록소 센서, 근적외선 센서, 열화상 센서 등이 개별적으로 혹은 조합되어 사용될 수 있다. RGB 센서는 촬영된 농작지의 RGB 범위에 해당하는 파장대의 반사율을 얻을 수 있다. 엽록소 센서는 대략적으로 가시광선 영역대(Visible light)의 끝단에서 근적외선 영역대(Non-Visible light)의 선단 부근의 사이에 위치하는 반사율을 획득할 수 있다. 이 영역대에 위치하는 파장대역은 가시광선 영역대(Visible light)및 근적외선 영역대(Non-Visible light)와 달리 기울기가 급하기 때문에 식물이 건강한지 또는 스트레스를 받는지에 따라 그 값의 차이가 크게 발생하게 된다. 엽록소 센싱영역은 적외선 센싱영역으로 이해될 수도 있다. 근적외선 센서는 엽록소 센서에서 획득하는 영역대의 바깥쪽에 위치하는 반사율을 획득할 수 있다. 열화상 센서는 식물과 주변환경에 대한 열영상을 획득하며, 토양의 온도 및 식물의 온도를 획득하여 현재 식물에 충분한 물이 공급되는지 여부를 확인할 수 있다. 식물은 물이 부족할 경우에는 식물의 기공이 닫혀지기 때문에 식물의 온도가 증가하는 패턴을 가질 수 있다.
본 실시형태에서 상기 이미지 데이터는, 적외선 카메라 및 멀티스펙트럼 카메라 중 적어도 하나로부터 얻어지는 이미지일 수 있다. 데이터 처리부(120)에서는 상기 카메라로부터 얻어진 이미지 데이터로부터 경작지의 식생지수(NDVI)를 산출할 수 있다.
데이터 처리부(120)는,상기 데이터 수신부에 수신된 데이터를 통합하고 머신러닝으로 학습하여 각 데이터에 따른 경작지에서의 최적 수확량을 모델링할 수 있다.
본 실시형태에서, 데이터 처리부(120)는 상기 데이터 수신부에 수신된 데이터를 시간 순서대로 저장할 수 있다. 즉, 경작주기 동안에 입력되는 날씨데이터, 측정되는 토양환경 데이터, 경작자가 입력한 이벤트 데이터, 및 이미지 데이터를 일별, 및 월별 형태로 저장하여 특정 시기에 어떠한 환경 및 이벤트가 진행되었고, 이 때의 경작상태는 어떠한 상태였지에 대한 데이터를 확보할 수 있다. 이렇게 시간 순서대로 저장된 데이터를 머신러닝으로 학습하여 기존의 날씨데이터나 토지환경 데이터에서 미래의 토지환경 데이터나 이미지 데이터를 예측할 수 있다. 상기 데이터 처리부(120)에는 이러한 정보를 저장하는 장치로, 고속 랜덤 액세스 메모리(high-speed random access memory), 자기 디스크 저장 장치, 플래시 메모리 장치, 기타 비휘발성 고체 상태 메모리 장치(non-volatile solid-state memory device) 등의 다양한 종류의 메모리가 사용될 수 있다.
상기 데이터 처리부(120)에서는 수신된 각 데이터를 통합할 수 있다(121). 상기 수신된 데이터들은 데이터의 소스가 다양하므로, 이러한 데이터를 분석하기 위해서 각 데이터들을 처리하기 용이한 형태로 변환하는 작업을 할수 있다.
상기 데이터 처리부(120)에서는 통합된 각 데이터를 분석할 수 있다(122). 이 때, 데이터 처리부(120)에서는 저장된 데이터를 분석하여 경작지의 상태 및 작물의 상태를 분석할 수 있다. 상기 데이터 처리부(120)에서는 저장된 날씨데이터, 토지환경 데이터, 이벤트 데이터, 수확량 데이터, 및 이미지 데이터를 머신러닝으로 학습하고, 각 데이터와 경작물의 수확량 사이의 상관관계를 계산할 수 있다. 이때, 의존기간이 긴 시계열 데이터의 학습기법인 LSTM(Long Short-Term Memory)을 활용하여 모델링 할 수 있다. 또한, 상기 데이터 처리부(120)에서는 스펙트럼 이미지에 대한 학습기법인 CNN(Convolutional neural network)을 활용하여 저장된 이미지 데이터에서 셀(Cell) 단위 특징을 추출하고 이미지에 부합되는 라벨링을 통해 특징 벡터를 계산하여 학습할 수 있다.
이처럼, 데이터 처리부(120)의 데이터 분석(122)을 통해 작물의 종류, 경작지 상태, 주변환경, 및 이벤트 등에 따른 최적 수확량 데이터를 예측할 수 있다(123). 최적 수확량 데이터는 변경이 불가능한 데이터(예를 들어, 고도, 지역, 평균적인 날씨 등)에 대해서는 변화를 크게 주지 않고, 변경이 가능한 데이터(관개, 농약 살포 종류 및 횟수, 비료 살포 종류 및 횟수 등의 이벤트 데이터)를 변동시켜 해당 경작지에서 작물을 최적으로 수확할 수 있는 수치적 데이터를 의미한다. 또한, 최적 수확량 데이터를 예측하는 단계에서는 경작지의 환경에 따른 작물의 경작상태를 예측할 수도 있고, 주변환경이나 경작 상태에 따른 경작지의 수확량을 예측할 수도 있다. 이러한 최적 수확량 데이터 확보나 수확량 예측은 머신러닝을 통한 인공지능 프로그램을 통해 진행될 수 있다.
상기 최적 수확량을 예측하는 단계(123)에서는, 현재까지 수집된 데이터, 이전에 수집된 데이터를 통해서 최적 수확량 확보를 위해 경작 주기의 시기별로 필요한 경작지의 최적의 토양 환경 데이터, 그리고 경작 주기의 시기별로 경작지의 발육상태를 측정할 수 있는 NDVI 지수 등에 대한 최적 이미지 데이터 등을 역으로 예측하여 계산할 수도 있다
상기 데이터 처리부(120)는, 상기 최적 수확량에 대한 경작주기 동안의 시계열적인 최적 토양 환경 데이터를 도출할 수 있다(124). 또한, 상기 최적 수확량에 대한 경작주기 동안의 시계열적인 최적 이미지 데이터를 도출할 수 있다(125).
경작지 주변의 날씨 등 기후환경, 그리고 농약살포 등 경작자가 시행하는 이벤트 등이 결국은 작물의 최종 수확량에 영향을 미치게 된다. 그러나, 이러한 기후 환경이나 이벤트 등은 작물의 수확량에 영향을 미치는 일차적인 인자이고, 보다 실질적으로 수확량에 영향을 미치는 인자는 작물이 자라는 토양의 환경과, 시기별 작물의 발육 상태일 수 있다.
따라서, 본 실시형태에 따른 정밀농업 관리 시스템에서는, 날씨 데이터, 측정된 토양환경 데이터, 이벤트 데이터, 수확량 데이터, 및 이미지 데이터를 분석하여 경작 주기의 시계열적으로 최적의 토양 환경상태를 예측할 수 있다(124). 즉, 해당 경작지에서 최적의 수확량을 산출하기 위해 경작기간 중 작물이 자라는 토양의 최적 환경 데이터를 시기별로 산출할 수 있다. 본 실시형태에서 산출되는 최적의 토양 환경 데이터는 경작지의 온도, 습도, PH 등을 포함할 수 있다.
또한, 본 실시형태에 따른 정밀농업 관리 시스템에서는, 수신된 데이터를 분석하여 경작 주기의 시계열적으로 최적의 이미지 데이터를 예측할 수 있다(125). 즉, 해당 경작지에서 최적의 수확량을 산출하기 위해 경작기간 중 경작지 촬영에 의해 얻어지는 최적의 이미지 데이터를 시기별로 산출할 수 있다. 본 실시형태에서 산출되는 최적의 이미지 데이터는 정규식생지수(NDVI:Normalized Difference Vegetation Index)를 포함할 수 있다. 정규 식생지수는 영상 처리 기술로서 식생의 유무를 강조하는 데 사용하는 기술이다. 이는 근적외선과 적색광 밴드 사이의 값의 차이를 두 밴드를 합한 값으로 나누어서 계산할 수 있다.
데이터 처리부(120)에서는 상기 도출된 최적 토양 환경 데이터 및 최적 이미지 데이터와 측정된 토양 환경 데이터 및 이미지 데이터를 비교하여 경작지에 필요한 이벤트를 도출할 수 있다(127).
본 실시형태에 따른 정밀농업 관리 시스템에서는, 데이터 분석을 통해 산출된 경작 주기에서의 시기별 최적 토양 환경 데이터와 실시간으로 측정된 토양 환경 데이터를 비교하여, 측정된 토양 환경 데이터에서 최적 토양 환경 데이터에 미치지 못하는 요소가 있으면 경작자의 이벤트를 통해 보완하도록 할 수 있다. 예를 들어, 상기 산출된 최적 토양 환경 데이터에서 현재 시점에서의 최적 토양 온도는 25℃, 최적 토양 습도는 50% 라고 산출되고, 현재 시점에 경작지에 설치된 센서를 통해 입력되는 토양 환경 데이터에서 토양의 온도가 25℃이고 토양의 습도가 40% 인 경우에는, 토양의 습도를 올려주는 것이 바람직하다. 따라서, 본 실시형태에 따른 정밀농업 관리 시스템의 데이터 처리부에서는 물을 농지에 공급해 주는 '관개작업'을 경작자가 시행할 이벤트로 도출할 수 있다. 이렇게 도출된 이벤트는 표시부(130)를 통해 경작자에게 디스플레이될 수 있다.
또한, 본 실시형태에 따른 정밀농업 관리 시스템에서는, 데이터 분석을 통해 산출된 경작 주기에서의 시기별 최적 이미지 데이터와 실시간으로 측정된 이미지 데이터를 비교하여, 측정된 이미지 데이터에서 최적 이미지 데이터에 미치지 못하는 요소가 있으면 경작자의 이벤트를 통해 보완하도록 할 수 있다. 예를 들어, 상기 산출된 최적 이미지 데이터에서 현재 시점에서의 최적 NDVI가 0.6032 라고 산출되고, 현재 시점에 경작지의 촬영에 의해 입력된 이미지 데이터에서 NDVI가 0.6021인 경우에는, 작물의 생육상태가 좋지 않다는 것으로 판단할 수 있다. 따라서, 본 실시형태에 따른 정밀농업 관리 시스템의 데이터 처리부에서는 작물의 생육발달을 촉진할 수 있는 '비료공급'이나 '영양제 공급' 등을 경작자가 시행할 이벤트로 도출할 수 있다. 이렇게 도출된 이벤트는 표시부(130)를 통해 경작자에게 디스플레이될 수 있다.
본 실시형태에서는 최적 토양환경 데이터 및 최적 이미지 데이터를 별도로 설명하였으나, 상기 최적 토양환경 데이터와 최적 이미지 데이터를 모두 고려하여 이벤트를 도출할 수도 있다.
본 실시형태에 따른 정밀농업 관리 시스템에서, 데이터 처리부(120)는 상기 이벤트 도출시 날씨 예보 데이터를 고려하여 경작지에 필요한 이벤트를 도출할 수 있다(126, 127). 상기에서 검토된 바와 같이, 본 실시형태에서 데이터 처리부(120)는 경작주기의 최적 토양환경 데이터 및/또는 최적 이미지 데이터를 실시간으로 측정된 토양 환경 데이터 및/또는 이미지 데이터와 비교하여 현재 경작지의 상태 및 작물의 발육 상태를 확인하고 적절한 조치를 취할 수 있다. 이에 더불어, 본 실시형태에서는, 상기 데이터 처리부에서 경작자가 수행할 이벤트를 도출하기 전에 향후 날씨 정보를 고려하여 이벤트를 도출할 수 있다.
예를 들어, 현재의 토양 습도가 최적의 토양 습도에 비해 낮아서 '관개작업'이라는 이벤트가 도출되었는데, 일기예보 상으로 다음날이나 근시일내에 비예보가 있다면 이를 고려하여 이벤트를 수정할 수 있도록 할 수 있다. 유사하게 최적 NDVI와 측정된 NDVI의 비교에 의해 '비료살포'라는 이벤트가 도출되더라도 일기예보상에 고온현상이 몇일간 계속된다면 '관개작업 후 비료살포'로 이벤트를 수정할 수도 있다.
표시부(130)는 상기 데이터 처리부(120)에서 분석된 정보를 디스플레이할 수 있다. 상기 데이터 처리부(120)에서 분석된 최적 수확량 데이터, 최적 토양환경 데이터, 최적 이미지 데이터, 필요한 이벤트 등을 표시부(130)를 통해 디스플레이 함으로써 본 실시형태에 따른 정밀농업 관리 시스템을 사용하는 사용자가 경작지의 상태를 쉽게 파악하도록 할 수 있다. 상기 표시부(120)는 단순히 수치적인 데이터를 나타내는 형태로 구현될 수도 있고, 데이터를 이미지로 표시하도록 구현될 수도 있다. 상기 표시부(130)는 사용자의 선택에 따라 다양하게 커스터마이징이 가능하도록 구현될 수 있다. 상기 표시부(130)는 스마트폰이나 스마트패드의 디스플레이 형태 또는 PC의 형태로 구현될 수도 있다.
도 2는, 본 발명의 일실시형태에 따른 정밀농업 관리 시스템에서 데이터 처리부에 저장되는 데이터의 형태를 개념적으로 나타내는 도면이다. 도 2를 참조하면 본 실시형태에서 데이터 처리부에는 시간 순서대로 수신된 날씨 데이터, 토양환경 데이터, 이벤트 데이터, 이미지 데이터가 각각 저장될 수 있다. 본 실시예에서는 7월 한달 동안의 데이터를 나타내고 있으며, 경작주기 동안 혹은 경작주기 이외에도 일별 데이터 뿐만 아니라 월별로 데이터가 저장될 수 있다. 여기에 도시된 데이터는 본 실시형태에 따른 정밀농업 관리시스템에 적용될 수 있는 데이터의 일예를 표시하는 것이고, 보다 다양한 데이터가 저장될 수 있으며, 실제 저장부에 데이터가 저장될 때는 디지털화 되어 저장될 수 있다.
날씨 데이터에는 경작지가 위치한 지역의 일별 온도 및 습도에 관한 데이터가 저장될 수 있다. 상기 온도 및 습도 데이터는 오픈 API 를 통해 기상청으로부터 제공되는 해당지역의 일별 날씨정보, 농촌 진흥청을 통한 농업지역에 맞는 맞춤형 지역 날씨 정보를 활용할 수 있다.
본 실시형태에서 데이터 처리부에 저장되는 데이터는 날씨 예보 데이터를 포함할 수 있다. 즉, 오픈 API를 통해 기상청이나 공공데이터에서 확보되는 해당 지역의 일별 날씨 예보 데이터를 저장할 수 있다. 이렇게 저장된 날씨 예보 데이터는 예상 토양환경 데이터, 및 예상 이미지 데이터를 도출하는데 사용될 수 있다. 또한, 본 실시형태에 따른 정밀농업 관리 시스템의 데이터 처리부에서 데이터 분석을 통해 경작자에게 피드백하는 이벤트 도출시 상기 날씨 예보 데이터를 적용하여 이벤트를 도출하도록 할 수 있다.
토양 환경 데이터는 경작지에 배치된 센서를 통해 직접 얻은 데이터를 포함할 수 있다. 본 실시형태에서는, 경작지 토양 내에 매설된 센서에 의해 측정되는 토양 내부의 습도 및 PH 정보를 얻을 수 있다. 상기 토양 내부의 습도 정보는 강수량이나 외부의 온도 및 습도와 관련이 있으며, 또한 작물의 발육 상태에 따라 토양 내부의 습도도 변하게 된다. 상기 토양 내부의 PH 정보는 경작자가 작물의 경작시 살포하는 비료나 농약과 관련이 있으며 역시 작물의 발육 상태에 따라 토양 내부의 PH가 달라질 수 있다. 본 실시형태에서는, 경작지의 토양 내부에 센서를 설치함으로써 작물이 심겨진 토양의 습도 및 PH 상태를 확인할 수 있다.
이벤트 데이터에는 날짜별로 진행된 농약살포 종류, 시기 및 살포량 등의 데이터가 저장될 수 있으며, 경작기간동안 진행된 관개작업이나 기타 작업에 관련된 사항이 저장될 수 있다. 또한, 경작지에 살포된 비료의 종류, 시기 및 살포량 등의 데이터가 포함될 수 있다. 이러한 이벤트 데이터는 상기 환경 데이터와 같이 센서에 의해서 일괄적으로 도출하기 어려우므로 경작자가 직접 정보를 입력하는 형태로 입력할 수 있다.
이미지 데이터에는 날짜별로 촬영된 경작지에 대한 이미지 데이터가 저장될 수 있다. 본 실시형태에서는, 촬영된 경작지의 이미지에서 정규식생지수(NDVI:Normalized Difference Vegetation Index)를 저장할 수 있다. 정규 식생지수는 영상 처리 기술로서 식생의 유무를 강조하는 데 사용하는 기술이다. 이는 근적외선과 적색광 밴드 사이의 값의 차이를 두 밴드를 합한 값으로 나누어서 계산할 수 있다. 본 실시형태의 저장부에서는 각 날짜별로 해당 데이터들이 저장될 수 있으며 또한 날짜별로 저장된 각 데이터들을 월별로 평균하여 월별 평균 데이터를 저장할 수도 있다.
본 실시형태에서, 상기 데이터 처리부는 상기 경작지를 복수의 영역으로 구획하고, 각 영역의 데이터를 저장할 수 있다. 하나의 경작지라고 하더라도 경작지 내의 세부 구획에 따른 지형환경에 따라 측정되는 토양 환경 데이터, 이벤트 데이터, 및 이미지 데이터는 달라질 수 있다. 따라서, 토양 환경 데이터를 수신하기 위한 센서들도 경작지를 복수의 구획으로 구분하여 각각의 구획에 센서를 배치하여 각 구획의 환경 데이터를 수신할 수 있고, 이벤트 데이터도 각 구획마다 구분하여 입력할 수 있다. 또한 이미지 데이터의 경우, 촬영된 이미지를 구획으로 구분하여 저장할 수있다. 이렇게 경작지를 복수의 구획으로 구분하여 데이터를 저장함으로서, 전체 경작지에 대한 평균 데이터를 확보할 뿐만 아니라 지형에 따른 특정 구획의 특성 데이터를 확보할 수 있으므로 수확률이 낮은 구획에 대한 특별 대책을 용이하게 마련할 수 있다.
최적 토양 환경 데이터는 상기 데이터 처리부에서 데이터 분석에 따라, 최적 수확량 획득을 위해 필요한 경작주기내 시기별 토양환경 데이터가 저장될 수 있다. 상기 최적 토양 환경 데이터는 토양 내부의 최적 습도 및 최적 PH 정보가 시기별로 저장될 수 있다.
예상 토양 환경 데이터는 상기 데이터 처리부에서 데이터 분석에 따라, 현재까지 획득된 데이터에 따른 경작주기내 시기별 토양환경 데이터가 저장될 수 있다. 상기 예상 토양 환경 데이터는 토양 내부의 예상 습도 및 예상 PH 정보가 시기별로 저장될 수 있다. 상기 예상 토양 환경 데이터는 상기 날씨예보 데이터가 적용되어 산출될 수 있다.
최적 이미지 데이터는 상기 데이터 처리부에서 데이터 분석에 따라, 최적 수확량 획득을 위해 필요한 경작주기내 시기별 이미지 데이터가 저장될 수 있다. 상기 최적 이미지 데이터는 경작지에 대한 촬영시 나타나는 최적의 NDVI 지수가 시기별로 저장될 수 있다.
예상 이미지 데이터는 상기 데이터 처리부에서 데이터 분석에 따라, 현재까지 획득된 데이터에 따른 경작주기내 시기별 이미지 데이터가 저장될 수 있다. 상기 예상 이미지 데이터는 촬영되는 경작지의 NDVI 지수가 시기별로 예측되어 저장될 수 있다. 상기 예상 이미지 데이터는 상기 날씨예보 데이터가 적용되어 산출될 수 있다.
본 실시예에서, 현재 날짜를 7월 20일로 가정했을 때, 지금까지의 날씨 데이터, 토양환경 데이터, 이벤트 데이터, 및 이미지 데이터가 저장되고 이들 데이터를 데이터 처리부에서 분석하여 최적 토양환경 데이터 및 최적 이미지 데이터를 산출할 수 있다. 또한, 상기 데이터들과 날씨예보 데이터를 고려하여 예상 토양환경 데이터 및 예상 이미지 데이터를 산출할 수 있다.
본 실시예에서는 현재 날짜를 기준으로 최적 토양환경은 습도 60%에 PH 6 이지만, 실제 측정되는 토양환경 데이터는 습도 50%에 PH 5이다. 또한, 일기예보상으로도 근시일내에 비예보가 없으므로 예상 토양환경 데이터에서 습도는 50%를 유지하게 된다. 이 때, 본 실시예에서 데이터 처리부는 경작자에게 '관개작업'이라는 이벤트를 도출하여 경작지에 강제로 물을 대도록 하여 토양 환경의 습도를 높이게 할 수 있다.
본 실시예에서, 현재 날짜를 기준으로 최적 NDVI 지수는 0.6032이나, 측정된 이미지 데이터는 NDVI 지수가 0.6021 이다. 또한, 일기예보상으로도 근시일내에 비예보가 없으므로 예상 이미지 데이터에서 NDVI 지수는 0.6021을 유지하게 된다. 이 때, 본 실시예에서 데이터 처리부는 경작자에게 '비료2 살포'이라는 이벤트를 도출하여 경작지에 비료2 를 살포함으로써 작물의 발육상태를 높여 NDVI 지수를 높일 수 있다.
도 3은 본 발명의 일실시 형태에 따른 정밀농업 관리 시스템에서, 데이터 처리부에 사용되는 LSTM을 설명하기 위한 도면이다.
상기 데이터 처리부는 저장된 데이터에 대하여 경작자가 선제 대응을 위해 LSTM(Long Short Term Memory networks)을 이용한 수집데이터의 미래 값을 예측할 수 있다. 즉, 데이터 처리부는 저장된 날씨데이터, 토양 환경 데이터, 농약살포 및 관수작업 등의 이벤트 데이터, 경작지를 촬영한 이미지 데이터에 대해 딥러닝을 적용하여 학습하고, 어떠한 환경이나 이벤트일때 경작지의 NDVI 지수를 예측하거나 수확량을 예측할 수 있다.
여기서, LSTM은 과거 측정값에 의존하는 RNN(순환신경망)을 개선한 알고리즘으로 도 3에 예시한 바와 같이 내부 노드를 메모리셀이라 불리는 형태로 대체하여 오랜기간 동안 정보를 축적하거나 이전 정보를 잊을 수 있도록 고안된 개폐장치를 사용할 수 있다. LSTM은 무조건 축적된 데이터를 이용하는 것이 아니라 현재 상황에 맞는 학습이 가능하므로, 이전의 특이값에 대한 대처가 가능하다.
이에 따라 상기 데이터 처리부에서는 다양한 종류의 수집된 데이터에 대한 예측 데이터를 생성할 수 있다. 예를 들어, 상기 저장된 날씨 데이터 중 온도, 및 습도 데이터에 대하여 소정기간 동안의 데이터를 학습하고 특정 날짜의 온도, 습도 를 예측할 수 있다. 상기 데이터 처리부는 수집된 날씨 데이터, 토양 환경 데이터, 이벤트 데이터, 및 이미지 데이터를 학습함으로써, 현재의 날씨 등 환경에 대한 작물의 NDVI 지수나 경작완료시의 수확량 등을 예측할 수도 있다. 또한, 상기 데이터 처리부에서는 저장된 데이터를 학습함으로서, 경작지의 최적 수확량을 위한 최적 환경데이터, 최적 이벤트 데이터 및 최적 이미지 데이터를 계산하여 모델링 할 수 있다.
도 4는, 본 발명의 일실시형태에 따른 데이터 처리부에서 사용되는 CNN 학습기법의 개념을 나타내는 도면이다.
CNN은 기계학습의 딥러닝 알고리즘 중 하나로 사람의 신경망 구조를 모델링하여 만들어진 딥러닝 알고리즘에 영상처리 컨벌루션(Convolution) 연산을 접목한 것으로서, 상기 알고리즘을 사용하여 이미지가 입력되었을 때 스스로 특징점을 찾아내 비교하고 어떤 상태인지를 판단하여 출력하게 된다. CNN은 컨벌루션 레이어(convolution layer)와 풀링 레이어(pooling layer) 라는 두 개의 핵심 구조를 가지고 있으며, 컨벌루션 레이어는 어떤 필터를 사용하여 주어진 이미지(image)의 적절한 특성맵(feature map)을 추출하며 풀링 레이어는 컨벌루션 레이어의 특성맵을 조금 더 줄여주는 역할을 하며 보통 맥스 오퍼레이션(max operation)을 사용하고 이 경우 간단하게 맥스 풀링(max pooling)을 사용한다.
상기 CNN 기계학습은, 이미지 전처리를 수행한 이미지에서 컨벌루션 레이어와 풀링 레이어의 반복 과정으로 특징을 추출하고, 추출된 특징을 풀리컨넥티드레이어(fully connected layer)를 통해 드랍아웃(drop out)의 쓰레스홀드(threshold)값에 기반하여 노드(node)들을 떨어뜨리면서(drop out) 학습함으로써 이미지의 NDVI 정보를 분류한다. 첫번째 컨벌루션 레이어에서 11×11 크기의 마스크로 특징을 추출하며 제로 패딩(zero padding)으로 수행하고, 맥스풀링 레이어(max pooling layer)에서 2×2 마스크로 풀링(pooling)을 수행하여 마스크 내의 값을 가져오면서 사이즈를 가로, 세로 각 절반으로 줄인다. 다음의 컨벌루션 레이어에서 5×5 마스크를 사용해서 15개의 특징맵을 출력하는 과정을 반복한 후, 맥스풀링 레이어에서 4×4 크기의 특징맵 128개가 입력 데이터가 되어 2×2 크기의 특징맵 128개를 출력하고 풀리 커넥티드 레이어(fully connected layer)에서 512개의 노드로 입력데이터가 되고, 드랍 아웃(drop out)을 통해 정규화를 하게 된다. 마지막으로 복수개의 노드가 출력됨으로써 복수 가지의 이미지로 분류하고, 학습시 사용되는 백프로파게이션(Backpropagation)을 피드포워드(feedforward)와 백프로파게이션(backpropagation) 두 과정을 통해 가중치와 바이어스 값을 갱신한다. 피드 포워드(feedforward) 단계에서 훈련 데이터와 가중치를 곱하여 기대 오차(loss function)를 도출하고 백프로파게이션(backpropagation) 단계에서 오차값을 이용하여 가중치와 바이어스 값을 갱신하는 과정을 반복적으로 이용할 수 있다.
상기에서는 본 발명의 바람직한 실시형태 및 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 저장되는 데이터의 상세한 종류, 데이터 처리부에서 데이터 학습 및 예측하는 데이터의 종류 등은 다양하게 구현될 수 있다. 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
110 : 데이터 수신부
120 : 데이터 처리부
130 : 표시부
130 : 표시부
Claims (6)
- 경작지에 대한 날씨 데이터, 경작지에서 측정된 토양 환경 데이터, 경작자가 입력하는 경작관련 이벤트 데이터, 경작지의 수확량 데이터 및 경작지를 촬영한 이미지 데이터를 수신하는 데이터 수신부;
상기 데이터 수신부에 수신된 데이터를 통합하고 머신러닝으로 학습하여 각 데이터에 따른 경작지에서의 최적 수확량을 모델링하는 데이터 처리부; 및
상기 데이터 처리부에서 모델링된 정보를 디스플레이해주는 표시부
를 포함하는 정밀농업 관리 시스템.
- 제1항에 있어서,
상기 데이터 처리부는 상기 수신된 데이터들을 시간순서대로 저장하는 것을 특징으로 하는 정밀농업 관리 시스템.
- 제2항에 있어서,
상기 데이터 처리부는,
상기 최적 수확량에 대한 경작주기 동안의 시계열별로 최적 토양 환경 데이터 및 최적 이미지 데이터 중 적어도 하나를 도출하는 것을 특징으로 하는 정밀농업 관리 시스템.
- 제3항에 있어서,
상기 데이터 처리부는,
상기 도출된 최적 토양 환경 데이터 및 측정된 토양 환경 데이터를 비교하여 경작지에 필요한 이벤트를 도출하는 것을 특징으로 하는 정밀농업 관리 시스템.
- 제4항에 있어서,
상기 데이터 처리부는,
예보된 날씨 데이터에 따라 경작지에 필요한 이벤트를 도출하는 것을 특징으로 하는 정밀농업 관리 시스템.
- 제3항에 있어서,
상기 데이터 처리부는,
상기 도출된 최적 이미지 데이터와 측정된 이미지 데이터를 비교하여 경작지에 필요한 이벤트를 도출하는 것을 특징으로 하는 정밀농업 관리 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210010056A KR20220107428A (ko) | 2021-01-25 | 2021-01-25 | 정밀농업 관리 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210010056A KR20220107428A (ko) | 2021-01-25 | 2021-01-25 | 정밀농업 관리 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220107428A true KR20220107428A (ko) | 2022-08-02 |
Family
ID=82845517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210010056A KR20220107428A (ko) | 2021-01-25 | 2021-01-25 | 정밀농업 관리 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220107428A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024177228A1 (ko) * | 2023-02-24 | 2024-08-29 | 제주대학교 산학협력단 | 실내 생육 환경과 에너지 최적 제어 방법 및 시스템 |
-
2021
- 2021-01-25 KR KR1020210010056A patent/KR20220107428A/ko not_active Application Discontinuation
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024177228A1 (ko) * | 2023-02-24 | 2024-08-29 | 제주대학교 산학협력단 | 실내 생육 환경과 에너지 최적 제어 방법 및 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11432470B2 (en) | Information processing apparatus, information processing method, and vegetation management system | |
| CN104866970B (zh) | 智能种植管理方法和智能种植设备 | |
| CN110347127A (zh) | 基于云服务的农作物种植托管系统及方法 | |
| JP4009441B2 (ja) | 作物育成評価システム | |
| KR101936317B1 (ko) | 단말기를 이용한 스마트 파밍 방법 | |
| CN115204689B (zh) | 一种基于图像处理的智慧农业管理系统 | |
| US20220075344A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
| CN111008733B (zh) | 一种作物生长管控方法和系统 | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| JPH11313594A (ja) | 農作業決定支援装置および方法、並びに記録媒体 | |
| CN109788750B (zh) | 对植物保护剂的需求的确定 | |
| Acevedo-Opazo et al. | Assessment of an empirical spatial prediction model of vine water status for irrigation management in a grapevine field | |
| Chen et al. | Pest incidence forecasting based on internet of things and long short-term memory network | |
| Kwanmuang et al. | Small-scale farmers under Thailand’s smart farming system | |
| González-Gómez et al. | Use of different temporal scales to monitor phenology and its relationship with temporal evolution of normalized difference vegetation index in wheat | |
| CN111223003A (zh) | 一种面向产区的种植决策服务系统与方法 | |
| KR20220107428A (ko) | 정밀농업 관리 시스템 | |
| KR20210059070A (ko) | 농작물 재배 모니터링 시스템 및 이를 이용한 농작물 재배 모니터링 방법 | |
| CN113010529A (zh) | 基于知识图谱的作物管理方法和装置 | |
| Arkin et al. | The future role of a crop model in large area yield estimating | |
| Mir et al. | Improving the food and agriculture sector tehran stock exchange by using artificial intelligence | |
| Jimenez Lopez et al. | Forecasting irrigation scheduling based on deep learning models using IoT | |
| KR20220047005A (ko) | 정밀농업 관리 시스템 | |
| Nie et al. | Full-progress crop management and harvesting scheme with integrated space information: A case of jujube orchard | |
| CN109475080B (zh) | 确定有用植物的植物属性的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E601 | Decision to refuse application |