KR20220160386A - 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템 - Google Patents
농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템 Download PDFInfo
- Publication number
- KR20220160386A KR20220160386A KR1020210068555A KR20210068555A KR20220160386A KR 20220160386 A KR20220160386 A KR 20220160386A KR 1020210068555 A KR1020210068555 A KR 1020210068555A KR 20210068555 A KR20210068555 A KR 20210068555A KR 20220160386 A KR20220160386 A KR 20220160386A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- pest
- crop
- analysis
- pests
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 218
- 238000012544 monitoring process Methods 0.000 claims abstract description 100
- 238000004458 analytical method Methods 0.000 claims abstract description 88
- 238000004891 communication Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 57
- 230000008569 process Effects 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000003321 amplification Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000003814 drug Substances 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 7
- 235000021016 apples Nutrition 0.000 abstract description 6
- 244000046052 Phaseolus vulgaris Species 0.000 abstract description 3
- 235000010627 Phaseolus vulgaris Nutrition 0.000 abstract description 3
- 244000141359 Malus pumila Species 0.000 abstract 1
- 201000010099 disease Diseases 0.000 description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 239000000575 pesticide Substances 0.000 description 7
- 241000220225 Malus Species 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000013434 data augmentation Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 241001503485 Mammuthus Species 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- QQQYTWIFVNKMRW-UHFFFAOYSA-N diflubenzuron Chemical compound FC1=CC=CC(F)=C1C(=O)NC(=O)NC1=CC=C(Cl)C=C1 QQQYTWIFVNKMRW-UHFFFAOYSA-N 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G06T5/001—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (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)
- Life Sciences & Earth Sciences (AREA)
- Catching Or Destruction (AREA)
Abstract
본 발명은 사과나 콩 등의 농작물의 품종에 따른 병충해를 정확하게 파악하여 병충해에 따른 적절한 방제를 신속히 행할 수 있도록 하며, 나아가 딥러닝을 통한 진단 분석으로 병충해의 신속한 판별과 판별 정확도를 증대시킬 수 있는 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템에 관한 것이다. 본 발명에 따르면, 재배 농작물의 이미지를 촬영하여 유무선 통신 모듈을 통해 하기 병충해 모니터링 서버로 전송하는 이미지 취득 장치; 상기 이미지 취득 장치에서 촬영된 농작물 이미지를 전송받아 병충해를 모니터링 하는 병충해 모니터링 서버; 및 상기 병충해 모니터링 서버에서 모니터링 된 재배농작물의 모니터링 결과 정보를 전송받는 사용자 단말장치;를 포함하는 것을 특징으로 하는 농작물 병충해 모니터링 시스템이 제공된다.
Description
본 발명은 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템에 관한 것으로, 더욱 상세하게는 사과나 콩 등의 농작물의 품종에 따른 병충해를 정확하게 파악하여 병충해에 따른 적절한 방제를 신속히 행할 수 있도록 하며, 나아가 딥러닝을 통한 진단 분석으로 병충해의 신속한 판별과 판별 정확도를 증대시킬 수 있는 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템에 관한 것이다.
농작물의 병충해 방제시 농작물 별 그리고 병충해 별로 미리 지정된 방제약을 살포하도록 되어 있다. 잔류 검사 시 다른 농작물에 대한 방제약이 검출되지 않아아 한다.
예를 들면, 도 1은 사과에서 발생하는 주요 병해충의 예시를 나타내는 사진으로, 육안만으로 쉽게 병충해의 종류를 인식하기는 쉽지 않다. 구체적으로, 사과에 발생할 수 있는 병충해 종류는 갈색무늬병, 탄저병 등 수십가지에 이를 뿐만 아니라 구별하기 어렵고, 각 병해충별 발생시기와 예방법 및 치료법이 상이하며 농약 사용시에도 그 구성분이 병종류별로 다르며, 실질적으로 맘모스, 버티맥, 디밀린 등 약제 또한 전문가 아니라면 그 구분이 어려운 실정이다.
또한, 하나의 농경지 안에서도 다양한 병충해가 같이 존재하는 경우도 많기 때문에, 최적의 방제약을 선택하여 방제하는 것은 실정상 매우 어렵고 힘든 작업이 된다.
사용자에게 익숙한 병충해이면 쉽게 적절한 방제약을 가할 수 있지만, 농작물 별로도 미리 정해진 방제약을 제대로 선택하여 방제하는 것도 매우 번거롭다.
이에 다양한 농작물 및 병충해를 파악하고, 정확한 방제약을 처방하여 서비스할 수 있는 기술 개발이 요구되고 있는 실정이다.
따라서, 상기한 종래의 문제점을 해결하기 위한 본 발명은, 사과나 콩 등의 농작물의 품종에 따른 병충해를 정확하게 파악하여 병충해에 따른 적절한 방제를 신속히 행할 수 있도록 하며, 나아가 딥러닝을 통한 진단 분석으로 병충해의 신속한 판별과 판별 정확도를 증대시킬 수 있는 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템을 제공하는데 그 목적이 있다.
또한, 본 발명은 동일 또는 유사 농작물을 재배하는 농가 간의 정보 구축을 통하여 진단 분석할 수 있으며, 병충해 발생 시 이웃 농가로의 병충해 전파를 예측하고 예방할 수 있도록 하는 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템을 제공하는데 다른 목적이 있다.
본 발명의 해결과제는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 본 발명의 목적들 및 다른 특징들을 달성하기 위한 본 발명의 일 관점에 따르면, 이미지 취득 장치에서 촬영되는 농작물 이미지를 수신하는 농작물 이미지 수신 단계; 상기 수신된 농작물 이미지를 병충해 분석을 위한 이미지로 처리하는 이미지 처리 단계; 상기 처리된 이미지를 기반으로 병충해를 진단 분석하는 병충해 분석 단계; 및 상기 병충해 분석 단계에서 분석된 정보를 해당 농작물의 재배 농가의 사용자 단말장치로 전송하는 분석정보 피드백 단계;를 포함하는 것을 특징으로 하는 농작물 병충해 모니터링 방법이 제공된다.
본 발명의 일 관점에 있어서, 상기 이미지 처리 단계는 미리 설정된 이미지값을 벗어나는 이미지를 제거하고, 이미지의 사이즈가 미리 설정된 사이즈로 통일되도록 하며, 병충해 분석을 위한 데이터양을 확보하기 위하여 이미지를 증폭 처리하는 것을 포함할 수 있다.
본 발명의 일 관점에 있어서, 상기 이미지 처리 단계에서 이미지의 제거는 레이블링(labeling)이 어려운 이미지를 제거하도록 이루어지며, 이미지의 증폭 처리는 이미지를 데이터 어그멘테이션을 행하여 동일 이미지에 대하여 회전, 채도 변화, 밝기 변화, 반전, 색 변환을 포함하는 복수의 변환 이미지를 얻도록 이루어질 수 있다.
본 발명의 일 관점에 있어서, 상기 병충해 분석 단계는, 이미지를 CNN(Convolution Neural Network) 기계학습으로 분석할 수 있다.
본 발명의 일 관점에 있어서, 상기 병충해 분석 단계는, 이미지에 대하여 콘벌루션(Convolution) 과정을 거쳐 복수의 피처 맵(feature map)을 생성하고, 복수의 피처 맵에서 부차 표본 추출(sub-sampling) 과정을 거쳐 특정 병충해에서만 나타나는 이미지의 특징을 추출하여 병충해를 판별하도록 이루어질 수 있다.
본 발명의 일 관점에 있어서, 상기 병충해 분석 단계는, 병충해의 위치, 분포, 형상 및 패턴을 구분하고, 구분된 결과로부터 병충해의 진행정도를 분석하며, 분석 결과를 판별 정보에 포함되도록 이루어질 수 있다.
본 발명의 다른 관점에 따르면, 재배 농작물의 이미지를 촬영하여 유무선 통신 모듈을 통해 하기 병충해 모니터링 서버로 전송하는 이미지 취득 장치; 상기 이미지 취득 장치에서 촬영된 농작물 이미지를 전송받아 병충해를 모니터링 하는 병충해 모니터링 서버; 및 상기 병충해 모니터링 서버에서 모니터링 된 재배농작물의 모니터링 결과 정보를 전송받는 사용자 단말장치;를 포함하는 것을 특징으로 하는 농작물 병충해 모니터링 시스템이 제공된다.
본 발명의 다른 관점에 있어서, 상기 병충해 모니터링 서버는, 재배농가 정보가 저장되는 재배농가 데이터베이스부; 상기 이미지 취득 장치로부터 전송된 농작물 이미지를 저장하는 이미지 데이터베이스부; 상기 이미지 데이터베이스부에 저장된 이미지를 불러들여 병충해 분석을 위한 이미지로 가공 처리하는 이미지 처리부; 상기 이미지 처리부에서 처리된 이미지를 기반으로 병충해를 진단 분석하는 병충해 분석부; 및 상기 병충해 분석부에서 분석된 정보를 해당 농작물의 사용자 단말장치로 전송하는 분석정보 피드백부;를 포함할 수 있다.
본 발명의 다른 관점에 있어서, 상기 이미지 처리부는 미리 설정된 이미지값을 벗어나는 이미지를 제거하고, 이미지의 사이즈가 미리 설정된 사이즈로 통일되도록 하며, 병충해 분석을 위한 데이터양을 확보하기 위하여 이미지를 증폭 처리하도록 이루어질 수 있다.
본 발명의 다른 관점에 있어서, 상기 이미지 처리부에서 이미지의 제거는 레이블링(labeling)이 어려운 이미지를 제거하도록 이루어지며, 이미지의 증폭 처리는 이미지를 데이터 어그멘테이션을 행하여 동일 이미지에 대하여 회전, 채도 변화, 밝기 변화, 반전, 색 변환을 포함하는 복수의 변환 이미지를 얻도록 이루어질 수 있다.
본 발명의 다른 관점에 있어서, 상기 병충해 분석부는, 이미지에 대하여 콘벌루션(Convolution) 과정을 거쳐 복수의 피처 맵(feature map)을 생성하고, 복수의 피처 맵에서 부차 표본 추출(sub-sampling) 과정을 거쳐 특정 병충해에서만 나타나는 이미지의 특징을 추출하여 병충해를 판별하도록 이루어지며, 병충해의 위치, 분포, 형상 및 패턴을 구분하고, 구분된 결과로부터 병충해의 진행정도를 분석하며, 분석 결과를 판별 정보에 포함되도록 이루어질 수 있다.
본 발명의 다른 관점에 있어서, 상기 사용자 단말장치는 모니터링 연동 애플리케이션이 설치된 스마트 폰이고, 상기 분석정보 피드백부는 분석 이미지와 해당 분석 이미지에 따른 병충해 결과 및 방제약을 사용자 단말장치로 전송함과 동시에, 병충해가 발생한 해당 재배농가에서 일정 반경 이내의 재배 농가의 사용자 단말장치로 병충해 발생 메시지를 전송하며, 상기 병충해 모니터링 서버는, 재배 농가의 사용자 단말장치 간에 재배 정보를 주고받을 수 있는 통신 환경을 제공하며, 사용자 단말장치 간의 재배 정보를 병충해 모니터링 서버로 전송하는 재배농가간 커뮤니케이션 제공부를 더 포함할 수 있다.
본 발명에 따른 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템에 의하면 다음과 같은 효과를 제공한다.
첫째, 본 발명은 농작물의 품종에 따른 병충해를 정확하게 파악하여 병충해에 따른 적절한 방제를 신속히 행할 수 있도록 서비스 하여 농가 소득에 기여할 수 있는 효과가 있다.
둘째, 본 발명은 딥러닝을 통한 진단 분석으로 병충해의 신속한 판별과 판별 정확도를 증대시킬 수 있는 효과가 있다.
셋째, 본 발명은 동일 또는 유사 농작물의 데이터를 실시간 전송받아 구축하여 딥러닝에 활용하여 진단 분석 신뢰성을 증대시킬 수 있으며, 이웃 농가로의 병충해 전파를 예측하여 사전에 예방할 수 있도록 하는 효과가 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해되어 질 수 있을 것이다.
도 1은 사과에서 발생하는 주요 병해충의 예시를 나타내는 사진이다.
도 2는 본 발명에 따른 농작물 병충해 모니터링 방법의 처리 과정을 개략적으로 나타내는 플로차트이다.
도 3은 본 발명에 따른 농작물 병충해 모니터링 방법의 이미지 처리 단계에서 어그멘테이션을 행한 결과를 나타내는 예시도이다.
도 4는 본 발명에 따른 농작물 병충해 모니터링 방법의 병충해 분석 단계에서 CNN 기계학습 알고리즘을 이용한 분석 결과를 나타내는 도면이다.
도 5는 본 발명에 따른 농작물 병충해 모니터링 시스템의 구성을 개략적으로 도식화하여 나타내는 도면이다.
도 6은 본 발명에 따른 농작물 병충해 모니터링 시스템에 포함되는 병충해 모니터링 서버의 구성을 블록화하여 개략적으로 나타내는 블록도이다.
도 2는 본 발명에 따른 농작물 병충해 모니터링 방법의 처리 과정을 개략적으로 나타내는 플로차트이다.
도 3은 본 발명에 따른 농작물 병충해 모니터링 방법의 이미지 처리 단계에서 어그멘테이션을 행한 결과를 나타내는 예시도이다.
도 4는 본 발명에 따른 농작물 병충해 모니터링 방법의 병충해 분석 단계에서 CNN 기계학습 알고리즘을 이용한 분석 결과를 나타내는 도면이다.
도 5는 본 발명에 따른 농작물 병충해 모니터링 시스템의 구성을 개략적으로 도식화하여 나타내는 도면이다.
도 6은 본 발명에 따른 농작물 병충해 모니터링 시스템에 포함되는 병충해 모니터링 서버의 구성을 블록화하여 개략적으로 나타내는 블록도이다.
본 발명의 추가적인 목적들, 특징들 및 장점들은 다음의 상세한 설명 및 첨부도면으로부터 보다 명료하게 이해될 수 있다.
본 발명의 상세한 설명에 앞서, 본 발명은 다양한 변경을 도모할 수 있고, 여러 가지 실시 예를 가질 수 있는바, 아래에서 설명되고 도면에 도시된 예시들은 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도는 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 명세서에 기재된 "...부", "...유닛", "...모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
이하, 본 발명의 바람직한 실시 예에 따른 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템에 대하여 첨부 도면을 참조하여 상세히 설명한다.
먼저, 본 발명에 따른 농작물 병충해 모니터링 방법에 대하여 도 1을 참조하여 상세히 설명한다.
도 2는 본 발명에 따른 농작물 병충해 모니터링 방법의 처리 과정을 개략적으로 나타내는 플로차트이다.
본 발명에 따른 농작물 병충해 모니터링 방법은, 도 2에 나타낸 바와 같이, 크게 농작물 이미지 수신 단계(S100); 이미지 처리 단계(S200); 병충해 분석 단계(S300); 및 분석정보 피드백 단계(S400);를 포함하며, 재배농가간 커뮤니케이션 환경 제공 단계(S500)를 더 포함할 수 있다.
구체적으로, 본 발명에 따른 농작물 병충해 모니터링 방법은, 도 2에 나타낸 바와 같이, 농작물 재배 농가에 설치된 이미지 취득 장치에서 촬영된 농작물 이미지를 유무선 통신 모듈을 통해 병충해 모니터링 서버에서 전송받는 농작물 이미지 수신 단계(S100); 상기 농작물 이미지 수신 단계(S100)에서 병충해 모니터링 서버에 수신된 농작물 이미지를 병충해 분석을 위한 이미지로 가공 처리하는 이미지 처리 단계(S200); 상기 이미지 처리 단계(S200)에서 처리된 이미지를 기반으로 병충해를 진단 분석하는 병충해 분석 단계(S300); 및 상기 병충해 분석 단계(S300)에서 분석된 정보를 해당 농작물의 재배 농가의 단말장치로 전송하는 분석정보 피드백 단계(S400);를 포함한다.
상기 농작물 이미지 수신 단계(S100)는 농작물 재배 농가에 설치된 카메라 모듈과 같은 이미지 취득 장치에서 촬영된 농작물 이미지를 유무선 통신 모듈을 통해 병충해 모니터링 서버에서 전송받는다.
여기에서, 상기 이미지 취득 장치로부터 전송받는 이미지는 실시간 이미지일 수 있으며, 일정 주기로 촬영된 이미지일 수 있다.
또한, 상기 이미지 취득 장치는 복수로 구성되어 재배 농작물에 대하여 다양한 방향에서 촬영되는 이미지가 전송되도록 이루어질 수 있으며, 이때 병충해 모니터링 서버에서는 동일 방향에서 촬영된 이미지에 대한 연속성을 갖도록 이미지를 수신 구축한다.
계속해서, 상기 이미지 처리 단계(S200)는 상기 농작물 이미지 수신 단계(S100)에서 병충해 모니터링 서버에 수신된 농작물 이미지를 그 병충해 모니터링 서버의 이미치 처리부에서 병충해 분석을 위한 이미지(이미지 데이터)로 가공 처리하도록 이루어진다.
구체적으로, 상기 이미지 처리 단계(S200)는 미리 설정된 이미지값을 벗어나는 이미지를 제거하고, 이미지의 사이즈가 미리 설정된 사이즈로 통일되도록 가공하며, 병충해 분석을 위한 충분한 양의 데이터를 확보하기 위하여 이미지를 증폭 처리하는 것으로 이루어질 수 있다.
상기 이미지 처리 단계(S200)에서 제거되는 이미지는 미리 설정된 값을 통해 레이블링(labeling)이 어려운 이미지를 제거하게 된다. 여기에서, 레이블링이란 이진화 한 이미지에서 형체를 알아보기 위해 같은 픽셀 값들끼리 그룹화하여 번호를 매긴 것을 의미한다.
그리고 상기 이미지 처리 단계(S200)에서 이미지의 증폭 처리는 선별된 이미지를 데이터 어그멘테이션(data augmentation)를 행하여 동일 이미지에 대하여 회전, 채도 변화, 밝기 변화, 반전, 색 변환 등의 변환 이미지를 얻는 것으로 이루어질 수 있다. 도 3은 본 발명에 따른 농작물 병충해 모니터링 방법의 이미지 처리 단계에서 어그멘테이션을 행한 결과를 나타내는 예시도이다.
다음으로, 상기 병충해 분석 단계(S300)는 상기 이미지 처리 단계(S200)에서 처리된 이미지를 기반으로 병충해를 병충해 모니터링 서버의 병충해 분석부에서 진단 분석하는 과정이다.
상기 병충해 분석 단계(S300)는 상기 이미지 처리 단계(S200)에서 처리된 이미지로부터 병충해 인자와 관련된 특징을 추출하고, 분류하여 결과를 도출하는 것으로 이루어진다.
여기에서, 상기 병충해 분석 단계(S300)는 CNN(Convolution Neural Network) 기계학습 알고리즘을 이용하게 된다. 도 4는 본 발명에 따른 농작물 병충해 모니터링 방법의 병충해 분석 단계에서 CNN 기계학습 알고리즘을 이용한 분석 결과를 나타내는 도면으로, 이미지 처리 단계(S200)에서 처리된 이미지로서 검은별무늬병 이미지가 입력값으로 주어지면 콘벌루션(Convolution)과정을 거쳐 여러 개의 피처 맵(feature map)이 생성되고 여러 개의 피처 맵에서 각각 이단 추출법 또는 부차 표본 추출(sub-sampling) 과정을 거쳐 가장 강한 요인(검은별무늬병에서만 나타나는 이미지의 특징)만이 남게 되며, 다수 회의 콘벌루션과 이단 추출 과정을 거쳐 검은별무늬병이라는 전체를 대표하는 특징만이 남게 된다. 해당 특징을 통해 해당 이미지에 대한 결과는 검은별무늬병이라고 판별하게 된다.
또한, 상기 병충해 분석 단계(S300)는 이미지로부터 병충해의 존재뿐만 아니라 개수, 위치, 분포, 형상 및 패턴 등을 구분(예를 들면, 등급화)하고, 구분된 결과로부터 병충해의 진행정도(예를 들면, 진행 1, 2, 3 ....)를 분석하며, 분석 결과를 정보에 포함되도록 이루어질 수 있다.
다음으로, 상기 분석정보 피드백 단계(S400)는 상기 병충해 분석 단계(S300)에서 분석된 분석 정보를 해당 농작물의 재배 농가의 단말장치로 전송하는 것으로, 분석 정보는 분석 대상의 이미지와 해당 이미지에 따른 병충해 결과(병충해 명) 및 방제약을 재배 농가의 단말장치, 예를 들면 퍼스널 컴퓨터나 스마트폰으로 전송하도록 이루어질 수 있다.
또한, 본 발명에 따른 농작물 병충해 모니터링 방법에서 상기 분석정보 피드백 단계(S400)는 병충해 모니터링 서버에 등록된 다른 재배 농가의 단말장치, 특히 동일 또는 유사 농작물을 재배하며, 일정 반경 이내의 재배 농가로 현재 주변 재배농가에서 어떠한 병충해가 발생하였다는 정보를 전송하도록 하는 것을 더 포함할 수 있다.
한편, 본 발명에 따른 농작물 병충해 모니터링 방법은, 재배 농가의 단말장치 간에 재배 정보를 주고받도록 통신하며, 재배 정보를 병충해 모니터링 서버로 전송하는 재배농가간 커뮤니케이션 환경 제공 단계(S500);를 더 포함할 수 있다.
상기 재배농가간 커뮤니케이션 환경 제공 단계(S500)는 예를 들면 관리 애플리케이션이 설치된 스마트폰을 통해 친구로 등록된 다른 재배농가로부터 재배 농작물에 대한 이미지 및 생육 관련 정보를 포함하는 재배 정보를 주고받도록 이루어지며, 이때 사용자 동의 하에서 관리 애플리케이션을 통해 사용자간 주고받은 정보는 병충해 모니터링 서버로 전송되어 로 데이터(raw data)로 이용되도록 할 수 있으며, 병충해 모니터링 서비스의 기능을 한층 향상시킬 수 있다.
이러한 사용자 간의 정보는 이미지 취득 장치에서 취득하지 못한 다른 이미지를 얻음으로써 사용자 간 커뮤니케이션을 활성화할 수 있고, 보다 다양한 환경에서 신뢰성 있는 병충해 분석을 행할 수 있도록 할 수 있다.
상기한 농작물 병충해 모니터링 방법은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다.
다음으로, 본 발명에 따른 농작물 병충해 모니터링 시스템에 대하여 도 5 및 도 6을 참조하여 상세히 설명한다.
도 5는 본 발명에 따른 농작물 병충해 모니터링 시스템의 구성을 개략적으로 도식화하여 나타내는 도면이며, 도 6은 본 발명에 따른 농작물 병충해 모니터링 시스템에 포함되는 병충해 모니터링 서버의 구성을 블록화하여 개략적으로 나타내는 블록도이다.
본 발명에 따른 농작물 병충해 모니터링 시스템은, 공지의 소프트웨어 및 하드웨어에 의해 구현되고, 인터넷망을 통해 실행되는 모니터링 시스템으로서, 도 5 및 도 6에 나타낸 바와 같이, 크게 이미지 취득 장치(100); 병충해 모니터링 서버(200); 및 사용자 단말장치(300);를 포함한다.
구체적으로, 본 발명에 따른 농작물 병충해 모니터링 시스템은, 공지의 소프트웨어 및 하드웨어에 의해 구현되고, 인터넷망을 통해 실행되는 모니터링 시스템으로서, 도 5 및 도 6에 나타낸 바와 같이, 농작물 재배 농가에 설치되어 재배 농작물의 이미지를 촬영하여 유무선 통신 모듈(110)을 통해 하기 병충해 모니터링 서버(200)로 전송하는 이미지 취득 장치(100); 상기 이미지 취득 장치(100)에서 촬영된 농작물 이미지를 전송받아 병충해를 모니터링 하여 모니터링한 결과 정보를 하기 사용자 단말장치로(300)로 전송하도록 구성되는 병충해 모니터링 서버(200); 및 상기 병충해 모니터링 서버(200)에서 모니터링된 재배농작물의 모니터링 결과 정보를 전송받는 사용자 단말장치(300);를 포함한다.
상기 이미지 취득 장치(100)는 카메라 모듈로 구성될 수 있으며, 촬영 이미지를 실시간 또는 일정 주기로 유무선 통신 모듈(110)을 통해 병충해 모니터링 서버(200)로 전송할 수 있다.
여기에서, 상기 이미지 취득 장치(100)는 유무선 통신 모듈(110)과 일체로 구성될 수 있으며, 또는 사용자 단말장치(300)가 퍼스널 컴퓨터로 구성되는 경우 상기 유무선 통신 모듈(110)가 사용자 단말장치(300)와 일체로 구성되며, 촬영 이미지는 사용자 단말장치(300)로 전달되어 그 유무선 통신 모듈(110)을 통해 병충해 모니터링 서버(200)로 전송되도록 이루어질 수 있다.
상기 병충해 모니터링 서버(200)는 재배농가 정보가 저장 구축되는 재배농가 데이터베이스부(210)와, 상기 이미지 취득 장치(100)로부터 농작물 이미지를 전송받아 저장하는 이미지 데이터베이스부(220)와, 상기 이미지 데이터베이스부(220)에 저장된 이미지를 불러들여 병충해 분석을 위한 이미지로 가공 처리하는 이미지 처리부(230); 상기 이미지 처리부(230)에서 처리된 이미지를 기반으로 병충해를 진단 분석하는 병충해 분석부(240), 및 상기 병충해 분석부(240)에서 분석된 정보를 해당 농작물의 재배 농가의 사용자 단말장치(300)로 전송하는 분석정보 피드백부(250)를 포함한다.
상기 재배농가 데이터베이스부(210)에 저장되는 재배농가 정보는 재배 농작물과 재배농가 위치 및 사용자 정보 그리고 해당 재배농가의 이미지 취득 장치의 정보를 포함할 수 있다.
상기 이미지 데이터베이스부(220)는 이미지 취득 장치(100)가 복수로 구성되어 재배 농작물에 대하여 다양한 방향에서 촬영된 이미지가 저장될 수 있으며, 이때 동일 방향에서 촬영된 이미지에 대한 연속성을 갖도록 해당 이미지 취득 장치(100)에 대하여 촬영된 이미지만을 분류하여 저장한다.
상기 이미지 처리부(230)는 이미지 데이터베이스부(220)에 저장된 이미지를 불러들여 병충해 분석을 위한 이미지로 가공 처리하도록 이루어진다.
상기 이미지 처리부(230)는 미리 설정된 이미지값을 벗어나는 이미지를 제거하고, 이미지의 사이즈가 미리 설정된 사이즈로 통일되도록 하며, 병충해 분석을 위한 충분한 양의 이미지 데이터를 확보하기 위하여 이미지를 증폭 처리하는 것으로 이루어질 수 있다.
상기 이미지 처리부(230)에서 제거되는 이미지는 미리 설정된 값을 통해 레이블링(labeling)이 어려운 이미지를 제거하는 것으로 이루어질 수 있다. 여기에서, 레이블링이란 이진화 한 이미지에서 형체를 알아보기 위해 같은 픽셀 값들끼리 그룹화하여 번호를 매긴 것을 의미한다.
그리고 상기 이미지 처리부(230)에서 이미지의 증폭 처리는 도 3에 나타낸 바와 같이 선별된 이미지를 데이터 어그멘테이션(data augmentation)를 행하여 동일 이미지에 대하여 회전, 채도 변화, 밝기 변화, 반전, 색 변환 등의 변환 이미지를 얻는 것으로 이루어질 수 있다.
다음으로, 상기 병충해 분석부(240)는 상기 이미지 처리부(230)에서 처리된 이미지를 기반으로 병충해를 진단 분석하도록 이루어지는 것으로, 상기 이미지 처리부(230)에서 처리된 이미지로부터 병충해 인자와 관련된 특징을 추출하고, 분류하여 결과를 도출하는 것으로 이루어진다.
구체적으로, 상기 병충해 분석부(240)는 CNN(Convolution Neural Network) 기계학습 알고리즘을 이용하는 것으로, 이미지 처리부(230)에서 처리된 이미지로서 검은별무늬병 이미지가 입력값으로 주어지면 콘벌루션(Convolution)과정을 거쳐 여러 개의 피처 맵(feature map)이 생성되고 여러 개의 피처 맵에서 각각 이단 추출법 또는 부차 표본 추출(sub-sampling) 과정을 거쳐 가장 강한 요인(검은별무늬병에서만 나타나는 이미지의 특징)만을 남기고, 다수 회의 콘벌루션과 이단 추출 과정을 거쳐 검은별무늬병이라는 전체를 대표하는 특징만이 남기며, 해당 특징을 통해 해당 이미지에 대한 결과는 검은별무늬병이라고 판별하는 것으로 이루어진다.
또한, 상기 병충해 분석부(240)는 이미지로부터 병충해의 존재뿐만 아니라 개수, 위치, 분포, 형상 및 패턴 등을 구분(예를 들면, 등급화)하고, 구분된 결과로부터 병충해의 진행정도(예를 들면, 진행 1, 2, 3 ....)를 분석하며, 분석 결과를 정보에 포함되도록 이루어질 수 있다.
다음으로, 상기 분석정보 피드백부(250)는 상기 병충해 분석부(240)에서 분석된 분석 정보를 해당 농작물의 재배 농가의 사용자 단말장치(300)로 전송하는 것으로, 분석 정보는 분석 대상의 이미지와 해당 이미지에 따른 병충해 결과(병충해 명) 및 방제약을, 예를 들면 퍼스널 컴퓨터나 스마트폰과 같은 사용자 단말장치(300)로 전송하도록 이루어진다.
또한, 본 발명에 따른 농작물 병충해 모니터링 시스템에서 상기 분석정보 피드백부(250)는 병충해 모니터링 서버(300)에 등록된 다른 재배 농가의 사용자 단말장치(300), 특히 동일 또는 유사 농작물을 재배하며, 일정 반경 이내의 재배 농가의 사용자 단말장치(300)로 현재 주변 농가에서 어떠한 병충해가 발생하였다는 정보를 전송하도록 이루어질 수 있다.
한편, 본 발명에 따른 농작물 병충해 모니터링 시스템의 병충해 모니터링 서버(200)는, 재배 농가의 사용자 단말장치(300) 간에 재배 정보를 주고받도록 통신하며, 재배 정보를 병충해 모니터링 서버(200)로 전송하는 재배농가간 커뮤니케이션 제공부(260)를 더 포함할 수 있다.
상기 재배농가간 커뮤니케이션 제공부(260)는 예를 들면 관리 애플리케이션이 설치된 스마트폰을 통해 친구로 등록된 다른 재배농가로부터 재배 농작물에 대한 이미지 및 생육 관련 정보를 포함하는 재배 정보를 주고받을 수 있는 환경을 제공하도록 이루어지며, 이때 사용자 동의 하에서 관리 애플리케이션을 통해 사용자간 주고받은 정보는 병충해 모니터링 서버(200)로 전송되어 로 데이터(raw data)로 이용되도록 할 수 있다.
이러한 사용자 간의 정보는 이미지 취득 장치에서 취득하지 못한 다른 이미지를 얻음으로써 사용자 간 커뮤니케이션을 활성화할 수 있고, 보다 다양한 환경에 대하여 신뢰성 있는 병충해 분석을 행할 수 있도록 할 수 있다.
상기한 설명에서, 방법을 구현하기 위한 수단이나 방법 및/또는 단계는, 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 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 실시예를 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. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 발명에 따른 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템에 따르면, 농작물의 품종에 따른 병충해를 정확하게 파악하여 병충해에 따른 적절한 방제를 신속히 행할 수 있도록 서비스 하여 농가 소득에 기여할 수 있으며, 딥러닝을 통한 진단 분석으로 병충해의 신속한 판별과 판별 정확도를 증대시킬 수 있는 이점이 있다.
또한, 본 발명에 의하면, 동일 또는 유사 농작물의 데이터를 실시간 전송받아 구축하여 딥러닝에 활용하여 진단 분석 신뢰성을 증대시킬 수 있으며, 이웃 농가로의 병충해 전파를 예측하여 사전에 예방할 수 있도록 하여 농가의 피해 확산을 방지할 수 있는 이점이 있다.
본 명세서에서 설명되는 실시 예와 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 예시적으로 설명하는 것에 불과하다. 따라서, 본 명세서에 개시된 실시 예는 본 발명의 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이므로, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아님은 자명하다. 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시 예는 모두 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
S100: 농작물 이미지 수신 단계
S200: 이미지 처리 단계
S300: 병충해 분석 단계
S400: 분석정보 피드백 단계
S500: 재배농가간 커뮤니케이션 환경 제공 단계
100: 이미지 취득 장치
110: 유무선 통신 모듈
200: 병충해 모니터링 서버
210: 재배농가 데이터베이스부
220: 이미지 데이터베이스부
230: 이미지 처리부
240: 병충해 분석부
250: 분석정보 피드백부
260: 재배농가간 커뮤니케이션 제공부
300: 사용자 단말장치
S200: 이미지 처리 단계
S300: 병충해 분석 단계
S400: 분석정보 피드백 단계
S500: 재배농가간 커뮤니케이션 환경 제공 단계
100: 이미지 취득 장치
110: 유무선 통신 모듈
200: 병충해 모니터링 서버
210: 재배농가 데이터베이스부
220: 이미지 데이터베이스부
230: 이미지 처리부
240: 병충해 분석부
250: 분석정보 피드백부
260: 재배농가간 커뮤니케이션 제공부
300: 사용자 단말장치
Claims (12)
- 이미지 취득 장치에서 촬영되는 농작물 이미지를 수신하는 농작물 이미지 수신 단계;
상기 수신된 농작물 이미지를 병충해 분석을 위한 이미지로 처리하는 이미지 처리 단계;
상기 처리된 이미지를 기반으로 병충해를 진단 분석하는 병충해 분석 단계; 및
상기 병충해 분석 단계에서 분석된 정보를 해당 농작물의 재배 농가의 사용자 단말장치로 전송하는 분석정보 피드백 단계;를 포함하는 것을 특징으로 하는
농작물 병충해 모니터링 방법.
- 제1항에 있어서,
상기 이미지 처리 단계는
미리 설정된 이미지값을 벗어나는 이미지를 제거하고, 이미지의 사이즈가 미리 설정된 사이즈로 통일되도록 하며, 병충해 분석을 위한 데이터양을 확보하기 위하여 이미지를 증폭 처리하는 것을 포함하는
농작물 병충해 모니터링 방법.
- 제2항에 있어서,
상기 이미지 처리 단계에서 이미지의 제거는 레이블링(labeling)이 어려운 이미지를 제거하도록 이루어지며, 이미지의 증폭 처리는 이미지를 데이터 어그멘테이션을 행하여 동일 이미지에 대하여 회전, 채도 변화, 밝기 변화, 반전, 색 변환을 포함하는 복수의 변환 이미지를 얻도록 이루어지는 것을 특징으로 하는
농작물 병충해 모니터링 방법.
- 제1항에 있어서,
상기 병충해 분석 단계는,
이미지를 CNN(Convolution Neural Network) 기계학습으로 분석하는 것을 특징으로 하는
농작물 병충해 모니터링 방법.
- 제1항에 있어서,
상기 병충해 분석 단계는,
이미지에 대하여 콘벌루션(Convolution) 과정을 거쳐 복수의 피처 맵(feature map)을 생성하고, 복수의 피처 맵에서 부차 표본 추출(sub-sampling) 과정을 거쳐 특정 병충해에서만 나타나는 이미지의 특징을 추출하여 병충해를 판별하도록 이루어지는 것을 특징으로 하는
농작물 병충해 모니터링 방법.
- 제4항 또는 제5항에 있어서,
상기 병충해 분석 단계는,
병충해의 위치, 분포, 형상 및 패턴을 구분하고, 구분된 결과로부터 병충해의 진행정도를 분석하며, 분석 결과를 판별 정보에 포함되도록 이루어지는 것을 특징으로 하는
농작물 병충해 모니터링 방법.
- 재배 농작물의 이미지를 촬영하여 유무선 통신 모듈을 통해 하기 병충해 모니터링 서버로 전송하는 이미지 취득 장치;
상기 이미지 취득 장치에서 촬영된 농작물 이미지를 전송받아 병충해를 모니터링 하는 병충해 모니터링 서버; 및
상기 병충해 모니터링 서버에서 모니터링 된 재배농작물의 모니터링 결과 정보를 전송받는 사용자 단말장치;를 포함하는 것을 특징으로 하는
농작물 병충해 모니터링 시스템. - 제7항에 있어서,
상기 병충해 모니터링 서버는,
재배농가 정보가 저장되는 재배농가 데이터베이스부;
상기 이미지 취득 장치로부터 전송된 농작물 이미지를 저장하는 이미지 데이터베이스부;
상기 이미지 데이터베이스부에 저장된 이미지를 불러들여 병충해 분석을 위한 이미지로 가공 처리하는 이미지 처리부;
상기 이미지 처리부에서 처리된 이미지를 기반으로 병충해를 진단 분석하는 병충해 분석부; 및
상기 병충해 분석부에서 분석된 정보를 해당 농작물의 사용자 단말장치로 전송하는 분석정보 피드백부;를 포함하는 것을 특징으로 하는
농작물 병충해 모니터링 시스템.
- 제8항에 있어서,
상기 이미지 처리부는
미리 설정된 이미지값을 벗어나는 이미지를 제거하고, 이미지의 사이즈가 미리 설정된 사이즈로 통일되도록 하며, 병충해 분석을 위한 데이터양을 확보하기 위하여 이미지를 증폭 처리하는 것을 포함하는
농작물 병충해 모니터링 시스템.
- 제8항에 있어서,
상기 이미지 처리부에서 이미지의 제거는 레이블링(labeling)이 어려운 이미지를 제거하도록 이루어지며, 이미지의 증폭 처리는 이미지를 데이터 어그멘테이션을 행하여 동일 이미지에 대하여 회전, 채도 변화, 밝기 변화, 반전, 색 변환을 포함하는 복수의 변환 이미지를 얻도록 이루어지는 것을 특징으로 하는
농작물 병충해 모니터링 시스템.
- 제8항에 있어서,
상기 병충해 분석부는,
이미지에 대하여 콘벌루션(Convolution) 과정을 거쳐 복수의 피처 맵(feature map)을 생성하고, 복수의 피처 맵에서 부차 표본 추출(sub-sampling) 과정을 거쳐 특정 병충해에서만 나타나는 이미지의 특징을 추출하여 병충해를 판별하도록 이루어지며,
병충해의 위치, 분포, 형상 및 패턴을 구분하고, 구분된 결과로부터 병충해의 진행정도를 분석하며, 분석 결과를 판별 정보에 포함되도록 이루어지는 것을 특징으로 하는
농작물 병충해 모니터링 시스템.
- 제8항에 있어서,
상기 사용자 단말장치는 모니터링 연동 애플리케이션이 설치된 스마트 폰이고,
상기 분석정보 피드백부는 분석 이미지와 해당 분석 이미지에 따른 병충해 결과 및 방제약을 사용자 단말장치로 전송함과 동시에, 병충해가 발생한 해당 재배농가에서 일정 반경 이내의 재배 농가의 사용자 단말장치로 병충해 발생 메시지를 전송하며,
상기 병충해 모니터링 서버는, 재배 농가의 사용자 단말장치 간에 재배 정보를 주고받을 수 있는 통신 환경을 제공하며, 사용자 단말장치 간의 재배 정보를 병충해 모니터링 서버로 전송하는 재배농가간 커뮤니케이션 제공부를 더 포함하는 것을 특징으로 하는
농작물 병충해 모니터링 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210068555A KR102478723B1 (ko) | 2021-05-27 | 2021-05-27 | 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210068555A KR102478723B1 (ko) | 2021-05-27 | 2021-05-27 | 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220160386A true KR20220160386A (ko) | 2022-12-06 |
| KR102478723B1 KR102478723B1 (ko) | 2022-12-19 |
Family
ID=84407164
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210068555A KR102478723B1 (ko) | 2021-05-27 | 2021-05-27 | 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102478723B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116448760A (zh) * | 2023-03-21 | 2023-07-18 | 上海华维可控农业科技集团股份有限公司 | 一种基于机器视觉的农业智能监测系统及方法 |
| CN117854012A (zh) * | 2024-03-07 | 2024-04-09 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101653201B1 (ko) | 2016-06-30 | 2016-09-01 | 주식회사 해밀환경 | 농작물의 병충해 진단 시스템 |
| KR20180038221A (ko) * | 2016-10-06 | 2018-04-16 | 주식회사 엔틱스 | 맞춤형 영농알림서비스를 기반으로 하는 스마트 영농지식정보 시스템 |
| KR20190021833A (ko) * | 2017-08-24 | 2019-03-06 | 세종대학교산학협력단 | 병해충 검색을 위한 통합 시스템 |
| KR20200051963A (ko) * | 2018-11-06 | 2020-05-14 | 주식회사 어플라이 | 농작물 모니터링 제어 장치 및 방법 |
| KR102211881B1 (ko) | 2019-01-02 | 2021-02-02 | 이용구 | 농작물 병충해 관리 시스템 및 방법 |
| KR20210047230A (ko) * | 2019-10-21 | 2021-04-29 | 배재대학교 산학협력단 | 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법 |
-
2021
- 2021-05-27 KR KR1020210068555A patent/KR102478723B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101653201B1 (ko) | 2016-06-30 | 2016-09-01 | 주식회사 해밀환경 | 농작물의 병충해 진단 시스템 |
| KR20180038221A (ko) * | 2016-10-06 | 2018-04-16 | 주식회사 엔틱스 | 맞춤형 영농알림서비스를 기반으로 하는 스마트 영농지식정보 시스템 |
| KR20190021833A (ko) * | 2017-08-24 | 2019-03-06 | 세종대학교산학협력단 | 병해충 검색을 위한 통합 시스템 |
| KR20200051963A (ko) * | 2018-11-06 | 2020-05-14 | 주식회사 어플라이 | 농작물 모니터링 제어 장치 및 방법 |
| KR102211881B1 (ko) | 2019-01-02 | 2021-02-02 | 이용구 | 농작물 병충해 관리 시스템 및 방법 |
| KR20210047230A (ko) * | 2019-10-21 | 2021-04-29 | 배재대학교 산학협력단 | 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116448760A (zh) * | 2023-03-21 | 2023-07-18 | 上海华维可控农业科技集团股份有限公司 | 一种基于机器视觉的农业智能监测系统及方法 |
| CN116448760B (zh) * | 2023-03-21 | 2023-10-20 | 上海华维可控农业科技集团股份有限公司 | 一种基于机器视觉的农业智能监测系统及方法 |
| CN117854012A (zh) * | 2024-03-07 | 2024-04-09 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
| CN117854012B (zh) * | 2024-03-07 | 2024-05-14 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102478723B1 (ko) | 2022-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102478723B1 (ko) | 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템 | |
| Costa et al. | Measuring pecan nut growth utilizing machine vision and deep learning for the better understanding of the fruit growth curve | |
| Javierto et al. | Robusta Coffee Leaf Detection based on YOLOv3-MobileNetv2 model | |
| Mosley et al. | Image-based sorghum head counting when you only look once | |
| Elfri et al. | Determining paddy crop health from aerial image using machine learning approach: A Brunei Darussalam based study | |
| CN117671499A (zh) | 基于深度学习的花卉等级自动分类分拣与病虫害监测系统 | |
| CN115965875B (zh) | 一种农作物病虫害智能监控方法及系统 | |
| CN113240340B (zh) | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 | |
| Deepa et al. | Plant diseases and pests detection using machine learning | |
| Chauhan et al. | Artificial intelligence-based sustainable agricultural practices | |
| Calma et al. | Cassava Disease Detection using MobileNetV3 Algorithm through Augmented Stem and Leaf Images | |
| Kotekan et al. | Diseases Identification Using ConvNet In Sugarcane Crops | |
| Yenugudhati | Identification of plant health using machine learning and image techniques | |
| WO2021089785A1 (en) | Scouting functionality emergence | |
| Prajapati et al. | An Era of Digital Plant Pathology: Artificial Intelligence and Machine Learning for Detection of Plant Diseases | |
| Schmidtke | Developing a phone-based imaging tool to inform on fruit volume and potential optimal harvest time | |
| Petrellis | A Windows Phone Application for Plant Disease Diagnosis. | |
| Vieira et al. | An automatic method for estimating insect defoliation with visual highlights of consumed leaf tissue regions | |
| RU2743886C1 (ru) | Система и способ автоматической настройки комплекса технического зрения | |
| Gautam et al. | Digital image processing application in Agriculture (Pest Detection)-Review paper | |
| Raza et al. | Automated Plant Disease Detection: A Convergence of Agriculture and Technology | |
| Khan et al. | Analysis of data mining techniques for agricultural science | |
| Bauer et al. | Combining Computer Vision and Deep Learning for High-Throughput Aerial Phenotypic Analysis in Wheat Pre-Breeding | |
| Elumalai et al. | Machine Learning (ML) Algorithms on IoT and Drone Data for Smart Farming | |
| Martinez-Vargas et al. | Modeling Detecting Plant Diseases in Precision Agriculture: A NDVI Analysis for Early and Accurate Diagnosis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |