KR20220168349A - A strawberry weight measuring device using artificial intelligence and a method thereof - Google Patents
A strawberry weight measuring device using artificial intelligence and a method thereof Download PDFInfo
- Publication number
- KR20220168349A KR20220168349A KR1020210077967A KR20210077967A KR20220168349A KR 20220168349 A KR20220168349 A KR 20220168349A KR 1020210077967 A KR1020210077967 A KR 1020210077967A KR 20210077967 A KR20210077967 A KR 20210077967A KR 20220168349 A KR20220168349 A KR 20220168349A
- Authority
- KR
- South Korea
- Prior art keywords
- strawberry
- data
- image
- unit
- weight
- Prior art date
Links
- 235000016623 Fragaria vesca Nutrition 0.000 title claims abstract description 187
- 235000011363 Fragaria x ananassa Nutrition 0.000 title claims abstract description 187
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title abstract description 13
- 240000009088 Fragaria x ananassa Species 0.000 title 1
- 241000220223 Fragaria Species 0.000 claims abstract description 191
- 238000001514 detection method Methods 0.000 claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 235000013399 edible fruits Nutrition 0.000 claims description 113
- 238000005259 measurement Methods 0.000 claims description 67
- 238000000691 measurement method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 16
- 238000010191 image analysis Methods 0.000 claims description 15
- 238000005303 weighing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003306 harvesting Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 5
- 235000021012 strawberries Nutrition 0.000 description 5
- 235000013311 vegetables Nutrition 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G9/00—Methods of, or apparatus for, the determination of weight, not provided for in groups G01G1/00 - G01G7/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F17/00—Methods or apparatus for determining the capacity of containers or cavities, or the volume of solid bodies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fluid Mechanics (AREA)
- Image Analysis (AREA)
- Sorting Of Articles (AREA)
Abstract
Description
본 발명은 딸기 무게 측정 장치 및 방법에 관한 것으로서, 보다 상세하게는 생육 중인 딸기 과실에 대해 촬영한 2차원 영상에 대하여, 기존에 수집된 딸기의 이미지 및 무게 관련 데이터를 기초로 하는 인공지능 학습을 이용해 딸기의 이미지를 자동으로 탐지하고 무게를 언택트로 예측할 수 있는 인공지능을 이용한 딸기 무게 측정 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for measuring strawberry weight, and more particularly, to artificial intelligence learning based on previously collected strawberry images and weight-related data with respect to two-dimensional images taken of growing strawberry fruits. It relates to a strawberry weight measuring device and method using artificial intelligence that can automatically detect an image of a strawberry and predict its weight in an untact manner.
일반적으로, 농업에서 정보통신 기술(Information and Communications Technology, ICT) 도입의 목적은 노동력 절감, 경쟁력 강화, 생산량 증가, 품질 증대를 위해 FTA에 의한 농산물 개방과 관련하여, 기존 농업에서의 생산, 재배, 수확, 물류 및 유통 관리방법을 탈피하기 위함이다. In general, the purpose of introducing Information and Communications Technology (ICT) in agriculture is related to the opening of agricultural products under FTA to reduce labor force, strengthen competitiveness, increase production volume, and increase quality. It is to break away from harvesting, logistics and distribution management methods.
그리고, 정보통신 기술을 통해 효율적이고 능률적인 방법으로 비용절감 등의 효과를 극대화하여 상기 목적을 달성할 수 있도록 하고 있다. In addition, it is possible to achieve the above object by maximizing effects such as cost reduction in an efficient and efficient manner through information and communication technology.
이러한 취지에 따라 정밀농업에서의 연구가 활발히 진행되고 있으며, 그 중 하나가 수확량 모니터링 시스템이다.According to this purpose, research in precision agriculture is being actively conducted, and one of them is a yield monitoring system.
수확량 모니터링 시스템은 현재 국내외에서 활발한 연구가 진행 중에 있는데, 국내 및 일본의 경우 벼 수확량 모니터링 시스템이 대표적인 경우이다.Yield monitoring system is currently actively researched at home and abroad, and in the case of Korea and Japan, rice yield monitoring system is a representative case.
즉, 트랙터와 같은 농기계에 있어 여러 가지 계측 센서와 GPS/GIS 시스템을 장착하여 실시간으로 작물의 생장에 필요한 환경 요소들을 모니터링한다.That is, in agricultural machinery such as a tractor, various measurement sensors and a GPS/GIS system are installed to monitor environmental factors necessary for crop growth in real time.
또한, 진단 소프트웨어를 이용하여 작물 재배를 위한 처방을 할 수 있는 시스템 개발에 관한 연구가 활발히 이루어지고 있다. In addition, research on the development of a system capable of giving prescriptions for crop cultivation using diagnostic software is being actively conducted.
통상적으로 농작물의 상태를 파악하기 위해서는 다양한 방법을 필요로 한다. In general, various methods are required to determine the state of crops.
과실의 상태, 크기, 모양과 같은 다양한 방법으로 작황을 알 수가 있다. Harvest status can be determined in a variety of ways, such as condition, size, and shape of the fruit.
특히, 과실의 경우 표면 모양으로만 작황의 상태를 파악하기는 어려우며, 무게를 측정하는데 있어서는 수확하지 않는 이상 무게를 파악하기 어려운 한계가 있다.In particular, in the case of fruit, it is difficult to determine the state of cropping only by the surface shape, and in measuring weight, there is a limit to determining the weight unless harvested.
이와 같은 한계를 극복하기 위하여, 종래의 기술들은 3차원 깊이(3D depth) 카메라나 라이다 센서를 이용하여 객체를 3D 로 측정을 하여 무게를 측정하였다.In order to overcome such limitations, conventional technologies measure weight by measuring an object in 3D using a 3D depth camera or lidar sensor.
즉, 종래 기술에서는 채소 농가에서 작물을 인식하기 위해 작물의 깊이를 감지할 수 있는 3차원 깊이(3D depth) 카메라를 이용하였다.That is, in the prior art, a 3D depth camera capable of detecting the depth of a crop was used in vegetable farms to recognize the crop.
이를 통해, 채소 작물의 이미지를 인식하고 인식된 이미지를 바탕으로 해당 작물의 수확량을 예측하였다.Through this, the image of the vegetable crop was recognized and the yield of the crop was predicted based on the recognized image.
또한, 라이다(LiDAR) 센서와 같은 거리 측정 센서는 다양한 작물의 객체 탐색을 위해 RGB 카메라와 함께 사용할 수 있다. In addition, a distance measurement sensor such as a LiDAR sensor can be used with an RGB camera for object detection of various crops.
라이다 센서는 물체에 대한 3D 위치 및 깊이 정보를 제공할 수 있는 반면, RGB 카메라는 물체에 대한 2D 위치 및 색상 정보를 제공할 수 있다. A lidar sensor can provide 3D position and depth information about an object, while an RGB camera can provide 2D position and color information about an object.
따라서, 보다 현실 세계 속의 객체를 시각화하기 위해서는 2D 영상 데이터에 3D 위치 정보를 맵핑해야 한다.Therefore, in order to visualize an object in the real world, 3D position information should be mapped to 2D image data.
그런데, RGB 카메라와 라이다를 이용한 인지 기술 개발을 위해서는 우선적으로 카메라와 라이다 사이의 상대적 위치에 대한 정확한 지식이 필요하다.However, in order to develop cognitive technology using an RGB camera and lidar, first of all, accurate knowledge of the relative position between the camera and lidar is required.
즉, 라이다의 포인트 클라우드 데이터와 카메라의 이미지 데이터에서 고유한 특징(feature)을 식별하기 위해서는 두 센서 사이의 대응 관계를 설정해야 한다.That is, in order to identify a unique feature in point cloud data of LiDAR and image data of a camera, a correspondence relationship between the two sensors must be established.
그러나, 이와 같이 설정된 두 센서 사이의 대응 관계를 통해 각 센서를 통해 식별된 데이터를 융합하는 경우, 해당 융합 데이터가 제대로 융합되었는지를 판단하는 기준이 모호한 한계가 있다.However, when data identified through each sensor is fused through the corresponding relationship between the two sensors set as described above, there is an ambiguous limit to a criterion for determining whether the fusion data is properly fused.
또한, 3차원 깊이 카메라나 라이다 센서는 장비의 가격이 비싸고, 장비의 활용이 어려우며, 특히, 라이다 센서의 경우 빛을 쏴야 측정이 가능하기 때문에 과실에 부정적인 영향을 줄 가능성이 있었다. In addition, 3D depth cameras and LiDAR sensors are expensive and difficult to utilize, and in particular, LiDAR sensors have a possibility of negatively affecting errors because they can be measured only by emitting light.
또한, 라이다 센서 기기의 단독 구성이 아닌 RGB 카메라 등의 다른 장비들과의 결합이 필요하여, 추가적인 장비 구입으로 인한 과실의 무게 측정 장치의 원가 상승의 문제가 있으며, 상기와 같은 데이터 융합 과정에서의 운용적인 부분도 문제점이 있었다. In addition, it is necessary to combine with other equipment such as an RGB camera rather than a single composition of the lidar sensor device, so there is a problem of increasing the cost of the fruit weight measuring device due to the purchase of additional equipment, and in the data convergence process as described above, There was also a problem with the operational part of .
이에, 본 발명자들은 종래에 딸기 과실의 무게 측정을 위해 필요했던 3차원 카메라나 라이다 센서의 별도 구입 없이, 생육 중인 딸기 과실의 2차원 이미지와 인공지능의 딥 러닝 기법을 이용하여 친환경적이고 정확하게 비접촉으로 무게를 측정할 수 있는 인공지능을 이용한 딸기 무게 측정 장치 및 방법을 발명하기에 이르렀다. Therefore, the present inventors use a two-dimensional image of a growing strawberry fruit and a deep learning technique of artificial intelligence to achieve an eco-friendly and accurate non-contact without a separate purchase of a 3D camera or LiDAR sensor, which was previously necessary for measuring the weight of strawberry fruit. It has led to the invention of a strawberry weight measuring device and method using artificial intelligence that can measure weight with
본 발명의 목적은 인공지능을 이용하여 생육 중에 있는 딸기의 2차원 촬영 영상으로부터 딸기의 이미지를 자동으로 인지하고, 딸기의 생육단계별 무게를 자동으로 예측할 수 있는 인공지능을 이용한 딸기 무게 측정 장치를 제공하는 데 있다.An object of the present invention is to provide a strawberry weighing device using artificial intelligence that can automatically recognize an image of a strawberry from a two-dimensional photographic image of a strawberry during growth using artificial intelligence and automatically predict the weight of a strawberry at each stage of growth. is to do
본 발명의 다른 목적은 상기 목적을 달성하기 위한 인공지능을 이용한 딸기 무게 측정 방법을 제공하는데 있다.Another object of the present invention is to provide a strawberry weight measurement method using artificial intelligence for achieving the above object.
상기 목적을 달성하기 위한 본 발명의 인공지능을 이용한 딸기 무게 측정 장치는 생육 중인 딸기 과실을 촬영하여 2차원 이미지 데이터를 출력하는 이미지 촬영부; 상기 2차원 이미지 데이터를 인가받아 인공지능용 학습 이미지를 수집하여 딸기 이미지에 대한 객체 탐지를 수행하고, 딸기 과실의 무게 측정에 요구되는 데이터를 측정하는 이미지 분석부; 상기 2차원 이미지 데이터를 전달받아 기 생성된 객체 탐지 모델의 이미지 데이터와 비교하여 비교 데이터를 상기 이미지 분석부로 피드백시키는 신경망 모델 생성부; 및 측정된 상기 요구되는 데이터를 인가받아, 딸기 과실의 상단부 및 하단부 각각에 대해 체적을 산출 및 합산하여 딸기 과실 1 개의 무게 값을 산출하는 무게 측정부; 를 포함하는 것을 특징으로 한다.In order to achieve the above object, an apparatus for measuring strawberry weight using artificial intelligence of the present invention includes an image photographing unit for photographing growing strawberry fruit and outputting two-dimensional image data; an image analysis unit that receives the two-dimensional image data, collects training images for artificial intelligence, performs object detection on strawberry images, and measures data required for weight measurement of strawberry fruits; a neural network model generating unit that receives the 2D image data, compares it with image data of a pre-generated object detection model, and feeds back comparison data to the image analyzing unit; and a weight measuring unit that receives the measured data and calculates and sums the volumes of the upper and lower portions of the strawberry fruit to calculate a weight value of one strawberry fruit. It is characterized in that it includes.
상기 목적을 달성하기 위한 본 발명의 인공지능을 이용한 딸기 무게 측정 장치의 상기 이미지 분석부는, 상기 2차원 이미지 데이터를 인가받아 상기 인공지능용 학습 이미지를 수집하고, 상기 신경망 모델 생성부로 전달하는 학습 이미지 수집부; 상기 비교 데이터를 피드백받아, 자동으로 딸기 이미지에 대한 객체 탐지를 수행하여 이미지 탐지 데이터를 전송하는 객체 탐지 모듈; 및 상기 이미지 탐지 데이터를 인가받아, 딸기 과실의 과폭 및 과고에 대한 픽셀 데이터를 생성하고, 상기 픽셀 데이터를 타원 포물면 공식에 적용하여 딸기 과실의 심도 데이터를 산출하는 객체 측정부;를 포함하는 것을 특징으로 한다.The image analysis unit of the strawberry weight measuring device using artificial intelligence of the present invention for achieving the above object receives the two-dimensional image data, collects the learning image for artificial intelligence, and transfers the learning image to the neural network model generation unit. collection department; an object detection module receiving feedback of the comparison data, automatically performing object detection on the strawberry image, and transmitting image detection data; and an object measurement unit that receives the image detection data, generates pixel data for the width and height of the strawberry fruit, and calculates depth data of the strawberry fruit by applying the pixel data to an elliptic paraboloid formula. to be
상기 목적을 달성하기 위한 본 발명의 인공지능을 이용한 딸기 무게 측정 장치의 상기 신경망 모델 생성부는, 상기 학습 이미지 수집부로부터 상기 2차원 이미지 데이터를 전달받아 신경망 모델을 생성하여 상기 비교 데이터를 출력하는 신경망 생성 모듈; 및 기 수확된 딸기 과실의 무게 측정 및 이미지 획득 후에 객체 탐지 모델을 생성하여 저장하고, 상기 비교 데이터를 인가받아 저장하는 신경망 모델 저장부;를 포함하는 것을 특징으로 한다.In order to achieve the above object, the neural network model generation unit of the strawberry weight measuring device using artificial intelligence of the present invention receives the two-dimensional image data from the training image collection unit, generates a neural network model, and outputs the comparison data. creation module; and a neural network model storage unit that generates and stores an object detection model after weighing and acquiring images of pre-harvested strawberry fruit, receives and stores the comparison data.
상기 목적을 달성하기 위한 본 발명의 인공지능을 이용한 딸기 무게 측정 장치의 상기 무게 측정부는 측정된 상기 픽셀 데이터를 인가받아, 딸기 과실의 상단부 및 하단부에 대해 제1 및 제2 계산식을 적용하여 체적을 산출 및 합산한 후에, 딸기의 밀도 값을 곱하여 상기 딸기 과실 1 개의 무게 값을 산출하는 무게 측정 방정식 적용부; 및 딸기 과실의 상단부 및 하단부 각각의 상기 산출된 체적 및 상기 딸기 과실 1 개의 무게 값을 디스플레이하는 측정 데이터 표출부;를 포함하는 것을 특징으로 한다.In order to achieve the above object, the weight measuring unit of the strawberry weight measuring device using artificial intelligence of the present invention receives the measured pixel data and calculates the volume by applying the first and second calculation formulas to the upper and lower parts of the strawberry fruit. After calculating and summing, a weight measurement equation application unit for calculating a weight value of one strawberry fruit by multiplying the density values of the strawberries; and a measurement data display unit displaying the calculated volume of each of the upper and lower portions of the strawberry fruit and the weight value of one strawberry fruit.
상기 목적을 달성하기 위한 본 발명의 인공지능을 이용한 딸기 무게 측정 장치의 상기 무게 측정부는 딸기 과실의 상단부의 경우, 원뿔대의 부피 공식을 적용하여 체적을 산출하고, 딸기 과실의 하단부의 경우, 타원형 원뿔대의 부피 공식을 적용하여 체적을 산출하는 것을 특징으로 한다.In order to achieve the above object, the weight measurement unit of the strawberry weighing device using artificial intelligence of the present invention calculates the volume by applying the volume formula of the truncated cone in the case of the upper part of the strawberry fruit, and in the case of the lower part of the strawberry fruit, the elliptical truncated cone. It is characterized in that the volume is calculated by applying the volume formula of.
상기 목적을 달성하기 위한 본 발명의 인공지능을 이용한 딸기 무게 측정 장치의 상기 이미지 촬영부는 정지 영상 촬영용 카메라 또는 동영상 촬영용 CCTV를 포함하는 것을 특징으로 한다.The image capture unit of the strawberry weight measuring device using artificial intelligence of the present invention for achieving the above object is characterized in that it comprises a camera for still image capture or a CCTV for video capture.
상기 목적을 달성하기 위한 본 발명의 인공지능을 이용한 딸기 무게 측정 장치의 상기 픽셀 데이터 및 상기 심도 데이터는 측정 데이터 DB부에 실시간으로 저장되는 것을 특징으로 한다.The pixel data and the depth data of the strawberry weight measuring device using artificial intelligence of the present invention for achieving the above object are characterized in that they are stored in real time in the measurement data DB unit.
상기 다른 목적을 달성하기 위한 본 발명의 인공지능을 이용한 딸기 무게 측정 방법은 (a) 이미지 촬영부가 생육 중인 딸기 과실을 촬영하여 2차원 이미지 데이터를 출력하는 단계; (b) 이미지 분석부가 상기 2차원 이미지 데이터를 인가받아 인공지능용 학습 이미지를 수집하는 단계; (c) 신경망 모델 생성부가 상기 2차원 이미지 데이터를 전달받아 기 생성된 객체 탐지 모델의 이미지 데이터와 비교하여 비교 데이터를 출력하는 단계; (d) 상기 이미지 분석부가 상기 비교 데이터를 피드백받아, 딸기 이미지에 대한 객체 탐지를 수행하고, 딸기 과실의 무게 측정에 요구되는 데이터를 측정하는 단계; 및 (e) 무게 측정부가 측정된 상기 요구되는 데이터를 인가받아, 딸기 과실의 상단부 및 하단부 각각에 대해 체적을 산출 및 합산하여 딸기 과실 1 개의 무게 값을 산출하는 단계; 를 포함하는 것을 특징으로 한다.In order to achieve the above other object, the method for measuring strawberry weight using artificial intelligence of the present invention includes the steps of (a) photographing a growing strawberry fruit by an image capture unit and outputting two-dimensional image data; (b) collecting training images for artificial intelligence by an image analysis unit receiving the two-dimensional image data; (c) receiving the 2D image data and comparing them with image data of a pre-generated object detection model by a neural network model generator and outputting comparison data; (d) receiving the comparison data as feedback by the image analysis unit, performing object detection on the strawberry image, and measuring data required for measuring the weight of the strawberry fruit; and (e) calculating the weight value of one strawberry fruit by calculating and summing the volume of each of the upper and lower parts of the strawberry fruit by receiving the requested data measured by the weight measurement unit; It is characterized in that it includes.
상기 다른 목적을 달성하기 위한 본 발명의 인공지능을 이용한 딸기 무게 측정 방법은 상기 (a) 단계 이전에, 기 수확된 딸기 과실의 무게 측정 및 이미지 획득 후에 딥 러닝 학습을 통해 객체 탐지 모델을 생성하여, 상기 신경망 모델 생성부 내 신경망 모델 저장부에 저장하는 단계;를 더 포함하는 것을 특징으로 한다.In order to achieve the above other object, the strawberry weight measurement method using artificial intelligence of the present invention generates an object detection model through deep learning learning after measuring the weight of previously harvested strawberry fruits and acquiring images before step (a), , storing the neural network model storage unit in the neural network model generation unit; characterized in that it further comprises.
상기 다른 목적을 달성하기 위한 본 발명의 인공지능을 이용한 딸기 무게 측정 방법의 상기 (b) 단계 및 상기 (d) 단계는, 상기 이미지 분석부 내 학습 이미지 수집부가 상기 2차원 이미지 데이터를 인가받아 상기 인공지능용 학습 이미지를 수집하고, 상기 신경망 모델 생성부로 전달하는 단계; 객체 탐지 모듈이 상기 비교 데이터를 피드백받아, 자동으로 딸기 이미지에 대한 객체 탐지를 수행하여 이미지 탐지 데이터를 전송하는 단계; 객체 측정부가 상기 이미지 탐지 데이터를 인가받아, 상기 무게 측정에 요구되는 데이터 중 딸기 과실의 과폭 및 과고에 대한 픽셀 데이터를 생성하는 단계; 및 상기 객체 측정부가 상기 픽셀 데이터를 인가받아, 타원 포물면 공식에 적용하여 상기 무게 측정에 요구되는 데이터 중 딸기 과실의 심도 데이터를 산출하는 단계;를 포함하는 것을 특징으로 한다.In the step (b) and the step (d) of the strawberry weight measurement method using artificial intelligence of the present invention for achieving the other object, the learning image collection unit in the image analysis unit receives the two-dimensional image data, Collecting training images for artificial intelligence and transmitting them to the neural network model generator; receiving, by an object detection module, the comparison data, automatically performing object detection on an image of a strawberry and transmitting image detection data; receiving the image detection data by an object measurer and generating pixel data about the width and firmness of the strawberry fruit among the data required for the weight measurement; and calculating depth data of the strawberry fruit among the data required for weight measurement by applying the pixel data to the object measurer and applying the elliptic-paraboloid formula.
상기 다른 목적을 달성하기 위한 본 발명의 인공지능을 이용한 딸기 무게 측정 방법은 상기 (e) 단계에서, 딸기 과실의 상단부의 경우, 원뿔대의 부피 공식을 적용하여 체적을 산출하고, 딸기 과실의 하단부의 경우, 타원형 원뿔대의 부피 공식을 적용하여 체적을 산출하는 것을 특징으로 한다.Strawberry weight measurement method using artificial intelligence of the present invention for achieving the other object is to calculate the volume by applying the volume formula of the truncated cone in the case of the upper part of the strawberry fruit in step (e), and calculate the volume of the lower part of the strawberry fruit. In this case, it is characterized in that the volume is calculated by applying the volume formula of the elliptical frustum.
상기 다른 목적을 달성하기 위한 본 발명의 인공지능을 이용한 딸기 무게 측정 방법의 상기 (e) 단계에서, 상기 무게 측정부는 측정된 상기 요구되는 데이터를 인가받아, 측정 기준자에 제1 및 제2 계산식을 적용하는 것을 특징으로 한다.In the step (e) of the strawberry weight measurement method using artificial intelligence of the present invention for achieving the other object, the weight measurement unit receives the measured required data, and the first and second calculation formulas are applied to the measurement criterion It is characterized by applying.
상기 다른 목적을 달성하기 위한 본 발명의 인공지능을 이용한 딸기 무게 측정 방법의 상기 측정 기준자는 A4 용지 또는 A3 용지 크기의 테두리를 생성하는 것을 특징으로 한다.The measurement criterion of the strawberry weight measurement method using artificial intelligence of the present invention for achieving the other object is characterized in that it creates an A4 paper or A3 paper size border.
상기 다른 목적을 달성하기 위한 본 발명의 인공지능을 이용한 딸기 무게 측정 방법의 상기 (e) 단계는, 상기 무게 측정부 내 무게 측정 방정식 적용부가 측정된 상기 픽셀 데이터 및 산출된 상기 심도 데이터를 인가받아, 딸기 과실의 상단부 및 하단부에 대해 상기 제1 및 제2 계산식을 적용하여 체적을 산출하는 단계; In the step (e) of the strawberry weight measurement method using artificial intelligence of the present invention for achieving the other object, the weight measurement equation application unit in the weight measurement unit receives the measured pixel data and the calculated depth data , Calculating the volume by applying the first and second calculation equations to the upper and lower ends of the strawberry fruit;
상기 무게 측정 방정식 적용부가 딸기 과실의 상단부 및 하단부 각각의 상기 산출 및 합산된 체적 값에, 딸기의 밀도 값을 곱하여 상기 딸기 과실 1 개의 무게 값을 산출하는 단계; 및 상기 무게 측정부 내 측정 데이터 표출부가 딸기 과실의 상단부 및 하단부 각각의 상기 산출된 체적 및 상기 딸기 과실 1 개의 무게 값을 디스플레이하는 단계;를 포함하는 것을 특징으로 한다.calculating, by the weight measurement equation application unit, a weight value of one strawberry fruit by multiplying the calculated and summed volume values of each of the upper and lower portions of the strawberry fruit by the density value of the strawberry; and displaying the calculated volume of each of the upper and lower portions of the strawberry fruit and the weight value of one strawberry fruit by the measurement data display unit in the weight measuring unit.
기타 실시예의 구체적인 사항은 "발명을 실시하기 위한 구체적인 내용" 및 첨부 "도면"에 포함되어 있다.Details of other embodiments are included in "Specific Contents for Carrying Out the Invention" and the accompanying "Drawings".
본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 각종 실시예를 참조하면 명확해질 것이다.Advantages and/or features of the present invention, and methods of achieving them, will become apparent upon reference to the various embodiments described below in detail in conjunction with the accompanying drawings.
그러나, 본 발명은 이하에서 개시되는 각 실시예의 구성만으로 한정되는 것이 아니라 서로 다른 다양한 형태로도 구현될 수도 있으며, 단지 본 명세서에서 개시한 각각의 실시예는 본 발명의 게시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구범위의 각 청구항의 범주에 의해 정의될 뿐임을 알아야 한다.However, the present invention is not limited only to the configuration of each embodiment disclosed below, but may also be implemented in various other forms, and each embodiment disclosed herein only makes the disclosure of the present invention complete, and this It is provided to completely inform the scope of the present invention to those skilled in the art to which the invention belongs, and it should be noted that the present invention is only defined by the scope of each claim of the claims.
본 발명에 의할 경우, 생육 중인 딸기 과실에 대해 이미지 또는 동영상 촬영을 통해 언택트 중량 예측이 가능하게 된다.According to the present invention, it is possible to predict the untact weight of a growing strawberry fruit through image or video recording.
또한, 수확전에 촬영된 농작물 과실의 이미지를 바탕으로 측정된 무게에 따라 농작물의 수확 시기를 정확하게 판별하고, 농작물의 수확량을 예측할 수 있게 된다.In addition, it is possible to accurately determine the harvest time of crops and predict the yield of crops according to the weight measured based on the image of crop fruits photographed before harvest.
이에 따라, 3차원 깊이 카메라나 라이다 센서 등 고가의 추가적인 장비 구입없이, 친환경적으로 과실의 비접촉식 무게 측정이 가능하여 장치의 원가가 절감되므로, 중소 규모 농가의 소득증대에 기여할 수 있게 된다.Accordingly, it is possible to measure the weight of fruits in an eco-friendly way without purchasing additional expensive equipment such as a 3D depth camera or lidar sensor, thereby reducing the cost of the device, thereby contributing to the increase in income of small and medium-sized farms.
또한, 4차 산업혁명 시대에 딸기 과실을 포함한 시설 채소의 생육 단계별로 빅데이터의 축적 및 활용을 통하여 농업 생산성을 현저하게 향상시키게 된다.In addition, in the era of the 4th industrial revolution, agricultural productivity will be remarkably improved through the accumulation and utilization of big data for each growth stage of facility vegetables including strawberry fruits.
도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 딸기 무게 측정 장치의 블록도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 딸기 무게 측정 방법의 전반적인 동작을 설명하기 위한 순서도이다.
도 3은 도 2에 도시된 딸기 무게 측정 방법 중 이미지 분석부(200)의 동작을 설명하기 위한 순서도이다.
도 4는 도 2에 도시된 딸기 무게 측정 방법 중 단계(S600)의 세부 동작을 설명하기 위한 순서도이다.
도 5는 도 1에 도시된 딸기 무게 측정 장치 내 이미지 촬영부가 딸기 과실의 사진을 촬영하기 위하여 측정 기준자 안에 놓은 딸기의 실제 사진 및 각종 변수를 나타낸 평면도이다.
도 6은 본 발명의 일 실시예에 따른 딸기 과실의 무게 측정에 요구되는 딸기 과실의 과폭(x), 과고(y) 및 심도(z) 데이터가 표시되는 3차원 그래프 및 딸기 과실 하단부의 사시도이다.
도 7은 도 4에 도시된 딸기 무게 측정 방법 중 단계(S610)에서 체적을 산출할 대상인 딸기 과실 상단부에 대한 등가 도형의 사시도이다.
도 8은 도 4에 도시된 딸기 무게 측정 방법 중 단계(S620)에서 체적을 산출할 대상인 딸기 과실 하단부에 대한 등가 도형의 사시도이다.1 is a block diagram of a strawberry weight measuring device using artificial intelligence according to an embodiment of the present invention.
Figure 2 is a flow chart for explaining the overall operation of the strawberry weight measurement method using artificial intelligence according to an embodiment of the present invention.
FIG. 3 is a flowchart for explaining the operation of the
Figure 4 is a flow chart for explaining the detailed operation of step (S600) of the strawberry weight measurement method shown in Figure 2.
FIG. 5 is a plan view showing an actual photo of a strawberry and various variables placed in a measuring standard by an image capture unit in the strawberry weighing device shown in FIG. 1 to take a photo of a strawberry fruit.
6 is a three-dimensional graph and a perspective view of a lower portion of a strawberry fruit displaying data on width (x), height (y), and depth (z) of a strawberry fruit required for weight measurement of strawberry fruit according to an embodiment of the present invention. .
FIG. 7 is a perspective view of an equivalent figure of an upper portion of a strawberry fruit whose volume is to be calculated in step S610 of the strawberry weight measurement method shown in FIG. 4 .
FIG. 8 is a perspective view of an equivalent figure of a lower portion of a strawberry fruit, which is a target for calculating a volume in step S620 of the strawberry weight measurement method shown in FIG. 4 .
이하, 첨부한 도면을 참고로 하여 본 발명의 바람직한 실시예에 대하여 상세히 설명하면 다음과 같다.Hereinafter, the preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.
본 발명을 상세하게 설명하기 전에, 본 명세서에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 무조건 한정하여 해석되어서는 아니 되며, 본 발명의 발명자가 자신의 발명을 가장 최선의 방법으로 설명하기 위해서 각종 용어의 개념을 적절하게 정의하여 사용할 수 있다.Before explaining the present invention in detail, the terms or words used in this specification should not be construed unconditionally in a conventional or dictionary sense, and in order for the inventor of the present invention to explain his/her invention in the best way Concepts of various terms can be appropriately defined and used.
더 나아가 이들 용어나 단어는 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 함을 알아야 한다.Furthermore, it should be noted that these terms or words should be interpreted as meanings and concepts consistent with the technical idea of the present invention.
즉, 본 명세서에서 사용된 용어는 본 발명의 바람직한 실시예를 설명하기 위해서 사용되는 것일 뿐이고, 본 발명의 내용을 구체적으로 한정하려는 의도로 사용된 것이 아니다.That is, the terms used in this specification are only used to describe preferred embodiments of the present invention, and are not intended to specifically limit the contents of the present invention.
이들 용어는 본 발명의 여러 가지 가능성을 고려하여 정의된 용어임을 알아야 한다.It should be noted that these terms are terms defined in consideration of various possibilities of the present invention.
또한, 본 명세서에 있어서, 단수의 표현은 문맥상 명확하게 다른 의미로 지시하지 않는 이상, 복수의 표현을 포함할 수 있다.Also, in this specification, a singular expression may include a plurality of expressions unless the context clearly indicates otherwise.
또한, 유사하게 복수로 표현되어 있다고 하더라도 단수의 의미를 포함할 수 있음을 알아야 한다.In addition, it should be noted that similarly, even if expressed in a plurality, it may include a singular meaning.
본 명세서의 전체에 걸쳐서 어떤 구성 요소가 다른 구성 요소를 "포함"한다고 기재하는 경우에는, 특별히 반대되는 의미의 기재가 없는 한 임의의 다른 구성 요소를 제외하는 것이 아니라 임의의 다른 구성 요소를 더 포함할 수도 있다는 것을 의미할 수 있다.Throughout this specification, when a component is described as "including" another component, it does not exclude any other component, but further includes any other component, unless otherwise stated. It can mean you can do it.
더 나아가서, 어떤 구성 요소가 다른 구성 요소의 "내부에 존재하거나, 연결되어 설치된다"고 기재한 경우에는, 이 구성 요소가 다른 구성 요소와 직접적으로 연결되어 있거나 접촉하여 설치되어 있을 수 있다.Furthermore, when a component is described as "existing inside or connected to and installed" of another component, this component may be directly connected to or installed in contact with the other component.
또한, 일정한 거리를 두고 이격되어 설치되어 있을 수도 있으며, 일정한 거리를 두고 이격되어 설치되어 있는 경우에 대해서는 해당 구성 요소를 다른 구성 요소에 고정 내지 연결시키기 위한 제 3의 구성 요소 또는 수단이 존재할 수 있다.In addition, it may be installed at a certain distance, and in the case of being installed at a certain distance, a third component or means for fixing or connecting the corresponding component to another component may exist. .
한편, 상기 제 3의 구성 요소 또는 수단에 대한 설명은 생략될 수도 있음을 알아야 한다.Meanwhile, it should be noted that the description of the third component or means may be omitted.
반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결"되어 있다거나, 또는 "직접 접속"되어 있다고 기재되는 경우에는, 제 3의 구성 요소 또는 수단이 존재하지 않는 것으로 이해하여야 한다.On the other hand, when it is described that a certain element is "directly connected" to another element, or is "directly connected", it should be understood that no third element or means exists.
마찬가지로, 각 구성 요소 간의 관계를 설명하는 다른 표현들, 즉 " ~ 사이에"와 "바로 ~ 사이에", 또는 " ~ 에 이웃하는"과 " ~ 에 직접 이웃하는" 등도 마찬가지의 취지를 가지고 있는 것으로 해석되어야 한다.Similarly, other expressions describing the relationship between components, such as "between" and "directly between", or "adjacent to" and "directly adjacent to" have the same meaning. should be interpreted as
또한, 본 명세서에 있어서 "일면", "타면", "일측", "타측", "제 1", "제 2" 등의 용어는, 하나의 구성 요소에 대해서 이 하나의 구성 요소가 다른 구성 요소로부터 명확하게 구별될 수 있도록 하기 위해서 사용된다.In addition, in the present specification, terms such as "one side", "the other side", "one side", "the other side", "first", and "second" refer to one component with respect to another component. It is used to make it clearly distinguishable from the elements.
하지만, 이와 같은 용어에 의해서 해당 구성 요소의 의미가 제한적으로 사용되는 것은 아님을 알아야 한다.However, it should be noted that the meaning of a corresponding component is not limitedly used by such a term.
또한, 본 명세서에서 "상", "하", "좌", "우" 등의 위치와 관련된 용어는, 사용된다면, 해당 구성 요소에 대해서 해당 도면에서의 상대적인 위치를 나타내고 있는 것으로 이해하여야 한다.In addition, in this specification, terms related to positions such as “upper”, “lower”, “left”, “right”, etc., if used, are to be understood as indicating relative positions of corresponding components in the drawing.
또한, 이들의 위치에 대해서 절대적인 위치를 특정하지 않는 이상은, 이들 위치 관련 용어가 절대적인 위치를 언급하고 있는 것으로 이해하여서는 아니 된다.In addition, unless an absolute location is specified for these locations, these location-related terms should not be understood as referring to an absolute location.
더욱이, 본 발명의 명세서에서는, " ~ 부", " ~ 기", "모듈", "장치" 등의 용어는, 사용된다면, 하나 이상의 기능이나 동작을 처리할 수 있는 단위를 의미한다.Moreover, in the specification of the present invention, terms such as "~unit", "~group", "module", and "device", if used, mean a unit capable of processing one or more functions or operations.
이는 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 결합으로 구현될 수 있음을 알아야 한다.It should be noted that this may be implemented in hardware or software, or a combination of hardware and software.
본 명세서에 첨부된 도면에서 본 발명을 구성하는 각 구성 요소의 크기, 위치, 결합 관계 등은 본 발명의 사상을 충분히 명확하게 전달할 수 있도록 하기 위해서 또는 설명의 편의를 위해서 일부 과장 또는 축소되거나 생략되어 기술되어 있을 수 있고, 따라서 그 비례나 축척은 엄밀하지 않을 수 있다.In the drawings accompanying this specification, the size, position, coupling relationship, etc. of each component constituting the present invention is partially exaggerated, reduced, or omitted in order to sufficiently clearly convey the spirit of the present invention or for convenience of explanation. may be described, and therefore the proportions or scale may not be exact.
또한, 이하에서, 본 발명을 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 구성, 예를 들어, 종래 기술을 포함하는 공지 기술에 대한 상세한 설명은 생략될 수도 있다.In addition, in the following description of the present invention, a detailed description of a configuration that is determined to unnecessarily obscure the subject matter of the present invention, for example, a known technology including the prior art, may be omitted.
도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 딸기 무게 측정 장치의 블록도로서, 이미지 촬영부(100), 이미지 분석부(200), 신경망 모델 생성부(300), 무게 측정부(400) 및 측정 데이터 DB부(500)를 구비한다.1 is a block diagram of a strawberry weight measuring device using artificial intelligence according to an embodiment of the present invention, including an
이미지 분석부(200)는 학습 이미지 수집부(210), 객체 탐지 모듈(220) 및 객체 측정부(230)를 포함하고, 신경망 모델 생성부(300)는 신경망 생성 모듈(310) 및 신경망 모델 저장부(320)를 포함한다.The
무게 측정부(400)는 무게 측정 방정식 적용부(410) 및 측정 데이터 표출부(420)를 포함한다.The
도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 딸기 무게 측정 방법의 전반적인 동작을 설명하기 위한 순서도이다.Figure 2 is a flow chart for explaining the overall operation of the strawberry weight measurement method using artificial intelligence according to an embodiment of the present invention.
도 3은 도 2에 도시된 딸기 무게 측정 방법 중 이미지 분석부(200)의 동작을 설명하기 위한 순서도이다.FIG. 3 is a flowchart for explaining the operation of the
도 4는 도 2에 도시된 딸기 무게 측정 방법 중 단계(S600)의 세부 동작을 설명하기 위한 순서도이다.Figure 4 is a flow chart for explaining the detailed operation of step (S600) of the strawberry weight measurement method shown in Figure 2.
도 1 내지 도 4를 참조하여 본 발명의 일 실시예에 따른 인공지능을 이용한 딸기 무게 측정 방법의 동작을 개략적으로 설명하면 다음과 같다. Referring to FIGS. 1 to 4, the operation of the strawberry weight measuring method using artificial intelligence according to an embodiment of the present invention will be schematically described as follows.
먼저, 이미지 촬영부(100)가 생육 중인 딸기 과실을 촬영하여 2차원 이미지 데이터를 출력한다(S100)First, the
이미지 분석부(200)가 이미지 촬영부(100)로부터 2차원 이미지 데이터를 인가받아 인공지능용 학습 이미지를 수집한다(S200).The
즉, 이미지 분석부(200) 내 학습 이미지 수집부(210)가 이미지 촬영부(100)로부터 2차원 이미지 데이터를 인가받아 인공지능용 학습 이미지를 수집하고, 신경망 모델 생성부(300)로 전달한다(S210).That is, the training
신경망 모델 생성부(300)가 학습 이미지 수집부(210)를 통해 2차원 이미지 데이터를 전달받아 기 생성된 객체 탐지 모델의 이미지 데이터와 비교하여 비교 데이터를 출력한다(S300). The neural network
이미지 분석부(200)가 신경망 모델 생성부(300)로부터 비교 데이터를 피드백받아, 딸기 이미지에 대한 객체 탐지를 수행하고(S400), 딸기 과실의 무게 측정에 요구되는 데이터를 측정한다(S500). The
즉, 이미지 분석부(200) 내 객체 탐지 모듈(220)이 신경망 모델 생성부(300)로부터 비교 데이터를 피드백받아, 자동으로 딸기 이미지에 대한 객체 탐지를 수행하여 이미지 탐지 데이터를 전송한다(S410).That is, the
또한, 객체 측정부(230)가 객체 탐지 모듈(220)로부터 이미지 탐지 데이터를 인가받아, 무게 측정에 요구되는 데이터 중 딸기 과실의 과폭 및 과고에 대한 픽셀 데이터를 생성하고(S420), 이를 타원 포물면 공식에 적용하여 무게 측정에 요구되는 데이터 중 딸기 과실의 심도 데이터를 산출한다(S430).In addition, the
무게 측정부(400)가 객체 측정부(230)로부터 무게 측정에 요구되는 데이터를 인가받아, 딸기 과실의 상단부 및 하단부 각각에 대해 체적을 산출 및 합산하여 딸기 과실 1 개의 무게 값을 산출한다(S600).The
즉, 무게 측정부(400) 내 무게 측정 방정식 적용부(410)가 픽셀 데이터 및 심도 데이터를 인가받아, 딸기 과실의 상단부 및 하단부에 대해 제1 및 제2 계산식을 각각 적용하여 체적을 산출한다(S610, S620).That is, the weight measurement
또한, 무게 측정 방정식 적용부(410)가 딸기 과실의 상단부 및 하단부 각각의 산출된 체적을 합산하고(S630), 합산된 체적 값에 딸기의 밀도 값을 곱하여 딸기 과실 1 개의 무게 값을 산출한다(S640).In addition, the weight measurement
또한, 무게 측정부(400) 내 측정 데이터 표출부(420)가 딸기 과실의 상단부 및 하단부 각각의 산출된 체적 및 딸기 과실 1 개의 무게 값을 디스플레이한다(S650).In addition, the measurement
한편, 단계(S100) 이전에, 기 수확된 딸기 과실의 무게 측정 및 이미지 획득 후에 딥 러닝 학습을 통해 객체 탐지 모델을 생성하여, 신경망 모델 생성부(300) 내 신경망 모델 저장부(320)에 저장된 데이터를, 당해 생육 중인 딸기 과실의 무게 추정 값과 비교하여 무게 실제 값을 예측한다.Meanwhile, before step S100, an object detection model is created through deep learning after weighing and image acquisition of previously harvested strawberry fruit, and stored in the neural network
도 5는 도 1에 도시된 딸기 무게 측정 장치 내 이미지 촬영부(100)가 딸기 과실의 사진을 촬영하기 위하여 측정 기준자 안에 놓은 딸기의 실제 사진 및 각종 변수를 나타낸 평면도이다.FIG. 5 is a plan view showing actual photos of strawberries and various variables placed in the measuring standard by the
도 6은 본 발명의 일 실시예에 따른 딸기 과실의 무게 측정에 요구되는 딸기 과실의 과폭(x), 과고(y) 및 심도(z) 데이터가 표시되는 3차원 그래프 및 딸기 과실 하단부의 사시도이다.6 is a three-dimensional graph and a perspective view of a lower portion of a strawberry fruit displaying data on width (x), height (y), and depth (z) of a strawberry fruit required for weight measurement of strawberry fruit according to an embodiment of the present invention. .
도 7은 도 4에 도시된 딸기 무게 측정 방법 중 단계(S610)에서 체적을 산출할 대상인 딸기 과실 상단부에 대한 등가 도형의 사시도이다. FIG. 7 is a perspective view of an equivalent figure of an upper portion of a strawberry fruit whose volume is to be calculated in step S610 of the strawberry weight measurement method shown in FIG. 4 .
도 8은 도 4에 도시된 딸기 무게 측정 방법 중 단계(S620)에서 체적을 산출할 대상인 딸기 과실 하단부에 대한 등가 도형의 사시도이다. FIG. 8 is a perspective view of an equivalent figure of a lower portion of a strawberry fruit, which is a target for calculating a volume in step S620 of the strawberry weight measurement method shown in FIG. 4 .
도 1 내지 도 8을 참조하여 본 발명의 일 실시예에 따른 인공지능을 이용한 딸기 무게 측정 방법의 유기적인 동작을 상세하게 설명하면 다음과 같다.Referring to FIGS. 1 to 8, the organic operation of the strawberry weight measuring method using artificial intelligence according to an embodiment of the present invention will be described in detail.
무게 측정 객체인 딸기를 자동으로 탐지하기 위하여 수집된 딸기의 이미지를 신경망 모델로 생성하는 작업을 해야 한다. In order to automatically detect strawberries, which are weight measurement objects, it is necessary to create a neural network model from collected strawberry images.
이는 인공지능 시스템에서 딸기의 자동 객체 탐지를 위한 작업으로서, 딸기의 객체만을 탐지하는 작업이다.This is a task for automatic object detection of strawberries in an artificial intelligence system, and it is a task that detects only objects of strawberries.
또한, 생성된 모델을 적용하기 전에 과실의 자동 무게 측정을 위해서는 기준이 되는 측정 기준자가 필요하다. In addition, a standard measurement criterion is required for automatic fruit weight measurement before applying the generated model.
즉, 도 5에서 보는 바와 같이, 측정 기준자는 예를 들어 A4 용지나 A3 용지 크기의 테두리를 생성한다. That is, as shown in FIG. 5, the measurement criterion creates a border of, for example, the size of A4 or A3 paper.
생성된 테두리 안에 딸기의 과실이 놓여지거나, 테두리를 과실의 중앙에 두게 한 뒤 이미지 촬영부(100)가 사진 또는 동영상을 촬영하여 2차원 이미지 데이터를 출력한다. After a strawberry fruit is placed in the created border or the border is placed in the center of the fruit, the
이 때, 이미지 촬영부(100)는 정지 영상 촬영용 카메라 또는 동영상 촬영용 CCTV를 포함한다.At this time, the
이미지 분석부(200) 내 학습 이미지 수집부(210)는 이미지 촬영부(100)로부터 2차원 이미지 데이터를 인가받아 인공지능용 학습 이미지를 수집하고, 신경망 모델 생성부(300)로 전달한다.The training
신경망 모델 생성부(300) 내 신경망 생성 모듈(310)은 2차원 이미지 데이터를 전달받아 신경망 모델을 생성하고, 미리 생성된 객체 탐지 모델의 이미지 데이터와 비교하여 비교 데이터를 이미지 분석부(200)로 피드백한다.The neural
여기에서, '미리 생성된 객체 탐지 모델'은 이미지 촬영부(100)가 사진 또는 동영상을 촬영하기 전에, 이미 과거에 수확했던 딸기 과실의 무게를 측정하고, 이미지를 획득한 후에 인공지능의 딥 러닝 학습을 통해 생성되어 과거에 신경망 모델 저장부(320)에 저장되어 있는 객체 탐지 모델을 의미한다.Here, the 'pre-created object detection model' measures the weight of strawberry fruits that have already been harvested in the past before the
이미지 분석부(200) 내 객체 탐지 모듈(220)은 신경망 모델 생성부(300)로부터 비교 데이터를 인가받아, 자동으로 딸기 이미지에 대한 객체 탐지를 수행한다.The
객체 탐지 모듈(220)에서 딸기 이미지로 탐지된 경우, 객체 측정부(230)로 이미지 탐지 데이터를 전송한다.When the strawberry image is detected by the
객체 측정부(230)는 객체 탐지 모듈(220)로부터 이미지 탐지 데이터를 인가받아, 딸기 과실의 과폭(최대 너비) 및 과고(최대 길이)에 대한 픽셀 데이터를 생성한다.The
여기에서, 딸기 과실의 무게 값을 산출하기 위해서는 딸기 과실의 과폭(x) 및 과고(y)뿐 아니라, 심도(z) 데이터가 필요하다.Here, in order to calculate the weight value of the strawberry fruit, not only the width (x) and height (y) of the strawberry fruit, but also the depth (z) data are required.
심도(z) 데이터는 도 6에 도시된 바와 같은 딸기 과실 하단부의 과폭(x) 및 과고(y) 데이터를, 타원 포물면 공식인 아래의 수학식 1 및 2에 적용하여 산출한다.Depth (z) data is calculated by applying the excess width (x) and height (y) data of the lower part of the strawberry fruit as shown in FIG. 6 to Equations 1 and 2 below, which are elliptic paraboloid formulas.
[수학식 1][Equation 1]
[수학식 2][Equation 2]
이 때, 픽셀 데이터는 pixel/cm2 규격으로 나타내고, 심도(z) 데이터와 함께 측정 데이터 DB부에 실시간으로 저장된다.At this time, the pixel data is expressed in pixel/cm 2 standard, and is stored in real time in the measurement data DB unit together with the depth (z) data.
무게 측정부(400)는 객체 측정부(230)에서 생성된 픽셀 데이터를 인가받아, 무게 측정 방정식 적용부(410)에서 딸기 과실의 상단부 및 하단부에 대해 측정 기준자 기준으로 별도의 계산식을 적용하여, 체적을 산출한다.The
즉, 딸기 과실의 경우 비 정형적인 형상을 가지므로, 상단부와 하단부로 나누어 2개의 모델에 대하여 별도로 체적 계산식을 적용한다. That is, since the strawberry fruit has an irregular shape, the volume calculation formula is separately applied to the two models by dividing it into an upper part and a lower part.
상단부의 경우, 도 7에서 보는 바와 같이, 원뿔대의 부피 공식을 적용하여 체적을 산출한다. In the case of the upper part, as shown in FIG. 7, the volume is calculated by applying the volume formula of the truncated cone.
원뿔대의 체적 산출의 경우, 상단부 상단의 심도(d1) 및 과폭(d2)의 측정은 상단부 하단의 심도(b1) 및 과폭(b2)의 약 0.15 내지 0.17 배(바람직하게는 0.16 배)로 산정하여 계산한다. In the case of calculating the volume of the truncated cone, the measurement of the depth (d 1 ) and the excess width (d 2 ) of the upper end is about 0.15 to 0.17 times (preferably 0.16 times) the depth (b 1 ) and the excess width (b 2 ) of the lower end of the upper part. ) is calculated by calculating
상단부의 과고(h1) 값은 최대 과폭(d) 부분과 최대 과고(h) 부분이 겹치는 중간점에서 상단 부분의 높이로 계산하고, 아래의 수학식 3에 대입하여 상단부의 체적을 산출한다.The height of the upper part (h1) is calculated as the height of the upper part at the midpoint where the maximum excess width (d) part and the maximum excessive height (h) part overlap, and is substituted into Equation 3 below to calculate the volume of the upper part.
[수학식 3][Equation 3]
반면, 하단부의 경우, 도 8에서 보는 바와 같이, 타원형 원뿔대의 부피 공식을 적용하여 아래의 수학식 4에 대입하여 하단부의 체적을 산출한다. On the other hand, in the case of the lower part, as shown in FIG. 8, the volume formula of the truncated elliptical cone is applied and substituted into Equation 4 below to calculate the volume of the lower part.
[수학식 4][Equation 4]
이때, 하단부의 과고(h2) 값은 전체 과고(y)에서 상단부의 과고(h1)를 뺀 나머지의 측정값을 활용한다.At this time, as the value of the fruit height (h2) of the lower part, the measured value remaining after subtracting the fruit fruit (h1) of the upper part from the total fruit weight (y) is used.
이와 같이 산출된 딸기 과실의 상단부 및 하단부의 체적을 합산한 값에, 딸기의 밀도 값(예를 들어, 1g/cm3)을 곱하여 딸기 과실 1 개의 무게 값을 산출한다.The weight value of one strawberry fruit is calculated by multiplying the sum of the volumes of the upper and lower parts of the strawberry fruit thus calculated by the density value of the strawberry (eg, 1 g/cm 3 ).
무게 측정부(400) 내 측정 데이터 표출부(420)는 무게 측정 방정식 적용부(410)에서 산출된 딸기 과실의 상단부 및 하단부 각각의 체적 및 딸기 과실 1 개의 무게 값을 디스플레이한다. The measurement
본 실시예에서는 예시적으로 딸기 과실의 체적 산출용 원뿔대의 부피 공식 및 타원형 원뿔대의 부피 공식을 적용하였으나, 적용되는 부피 공식에 따라 딸기 과실이 아닌 다른 농작물에도 적용이 가능하다.In this embodiment, the volume formula of the truncated cone and the volume formula of the elliptical truncated cone are illustratively applied for calculating the volume of strawberry fruits, but it can be applied to crops other than strawberry fruits according to the applied volume formula.
이와 같이, 본 발명은 인공지능을 이용하여 생육 중에 있는 딸기의 2차원 촬영 영상으로부터 딸기의 이미지를 자동으로 인지하고, 딸기의 생육단계별 무게를 자동으로 예측할 수 있는 인공지능을 이용한 딸기 무게 측정 장치 및 방법을 제공한다.As described above, the present invention is a strawberry weight measuring device using artificial intelligence capable of automatically recognizing an image of a strawberry from a two-dimensional photographic image of a growing strawberry using artificial intelligence and automatically predicting the weight of a strawberry by growth stage, and provides a way
이를 통하여, 생육 중인 딸기 과실에 대해 이미지 또는 동영상 촬영을 통해 언택트 중량 예측이 가능하게 된다.Through this, it is possible to predict the untact weight of growing strawberry fruits through image or video recording.
또한, 수확전에 촬영된 농작물 과실의 이미지를 바탕으로 측정된 무게에 따라 농작물의 수확 시기를 정확하게 판별하고, 농작물의 수확량을 예측할 수 있게 된다.In addition, it is possible to accurately determine the harvest time of crops and predict the yield of crops according to the weight measured based on the image of crop fruits photographed before harvest.
이에 따라, 3차원 깊이 카메라나 라이다 센서 등 고가의 추가적인 장비 구입없이, 친환경적으로 과실의 비접촉식 무게 측정이 가능하여 장치의 원가가 절감되므로, 중소 규모 농가의 소득증대에 기여할 수 있게 된다.Accordingly, it is possible to measure the weight of fruits in an eco-friendly way without purchasing additional expensive equipment such as a 3D depth camera or lidar sensor, thereby reducing the cost of the device, thereby contributing to the increase in income of small and medium-sized farms.
또한, 4차 산업혁명 시대에 딸기 과실을 포함한 시설 채소의 생육 단계별로 빅데이터의 축적 및 활용을 통하여 농업 생산성을 현저하게 향상시키게 된다.In addition, in the era of the 4th industrial revolution, agricultural productivity will be remarkably improved through the accumulation and utilization of big data for each growth stage of facility vegetables including strawberry fruits.
이상, 일부 예를 들어서 본 발명의 바람직한 여러 가지 실시예에 대해서 설명하였지만, 본 "발명을 실시하기 위한 구체적인 내용" 항목에 기재된 여러 가지 다양한 실시예에 관한 설명은 예시적인 것에 불과한 것임을 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 잘 이해하고 있을 것이다.In the above, various preferred embodiments of the present invention have been described with some examples, but the description of various embodiments described in the "Specific Contents for Carrying Out the Invention" section is only illustrative, to which the present invention belongs. Those of ordinary skill in the technical field will understand.
또한, 본 발명은 다른 다양한 형태로 구현될 수 있기 때문에 본 발명은 상술한 설명에 의해서 한정되는 것이 아니며, 이상의 설명은 본 발명의 개시 내용이 완전해지도록 하기 위한 것으로 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이며, 본 발명은 청구범위의 각 청구항에 의해서 정의될 뿐임을 알아야 한다.In addition, since the present invention can be implemented in various other forms, the present invention is not limited by the above description, and the above description is intended to complete the disclosure of the present invention and is common in the technical field to which the present invention belongs. It is only provided to fully inform those skilled in the art of the scope of the present invention, and it should be noted that the present invention is only defined by each claim of the claims.
100: 이미지 촬영부
200: 이미지 분석부
210: 학습 이미지 수집부
220: 객체 탐지 모듈
230: 객체 측정부
300: 신경망 모델 생성부
310: 신경망 생성 모듈
320: 신경망 모델 저장부
400: 무게 측정부
410: 무게 측정 방정식 적용부
420: 측정 데이터 표출부100: image capturing unit
200: image analysis unit
210: learning image collection unit
220: object detection module
230: object measurement unit
300: neural network model generation unit
310: neural network generation module
320: neural network model storage unit
400: weight measuring unit
410: Weight measurement equation application unit
420: measurement data display unit
Claims (14)
상기 2차원 이미지 데이터를 인가받아 인공지능용 학습 이미지를 수집하여 딸기 이미지에 대한 객체 탐지를 수행하고, 딸기 과실의 무게 측정에 요구되는 데이터를 측정하는 이미지 분석부;
상기 2차원 이미지 데이터를 전달받아 기 생성된 객체 탐지 모델의 이미지 데이터와 비교하여 비교 데이터를 상기 이미지 분석부로 피드백시키는 신경망 모델 생성부; 및
측정된 상기 요구되는 데이터를 인가받아, 딸기 과실의 상단부 및 하단부 각각에 대해 체적을 산출 및 합산하여 딸기 과실 1 개의 무게 값을 산출하는 무게 측정부;
를 포함하는 것을 특징으로 하는,
인공지능을 이용한 딸기 무게 측정 장치.
an image capturing unit that photographs growing strawberry fruit and outputs 2D image data;
an image analysis unit that receives the two-dimensional image data, collects training images for artificial intelligence, performs object detection on strawberry images, and measures data required for weight measurement of strawberry fruits;
a neural network model generating unit that receives the 2D image data, compares it with image data of a pre-generated object detection model, and feeds back comparison data to the image analyzing unit; and
a weight measurement unit that receives the measured data, calculates and sums the volumes of the upper and lower portions of the strawberry fruit, and calculates the weight value of one strawberry fruit;
Characterized in that it includes,
Strawberry weight measuring device using artificial intelligence.
상기 이미지 분석부는,
상기 2차원 이미지 데이터를 인가받아 상기 인공지능용 학습 이미지를 수집하고, 상기 신경망 모델 생성부로 전달하는 학습 이미지 수집부;
상기 비교 데이터를 피드백받아, 자동으로 딸기 이미지에 대한 객체 탐지를 수행하여 이미지 탐지 데이터를 전송하는 객체 탐지 모듈; 및
상기 이미지 탐지 데이터를 인가받아, 딸기 과실의 과폭 및 과고에 대한 픽셀 데이터를 생성하고, 상기 픽셀 데이터를 타원 포물면 공식에 적용하여 딸기 과실의 심도 데이터를 산출하는 객체 측정부;
를 포함하는 것을 특징으로 하는,
인공지능을 이용한 딸기 무게 측정 장치.
According to claim 1,
The image analysis unit,
a training image collection unit receiving the 2D image data, collecting the training image for artificial intelligence, and transmitting the training image to the neural network model generation unit;
an object detection module receiving feedback of the comparison data, automatically performing object detection on the strawberry image, and transmitting image detection data; and
an object measuring unit that receives the image detection data, generates pixel data for the width and height of the strawberry fruit, and calculates depth data of the strawberry fruit by applying the pixel data to an elliptic paraboloid formula;
Characterized in that it includes,
Strawberry weight measuring device using artificial intelligence.
상기 신경망 모델 생성부는,
상기 학습 이미지 수집부로부터 상기 2차원 이미지 데이터를 전달받아 신경망 모델을 생성하여 상기 비교 데이터를 출력하는 신경망 생성 모듈; 및
기 수확된 딸기 과실의 무게 측정 및 이미지 획득 후에 객체 탐지 모델을 생성하여 저장하고, 상기 비교 데이터를 인가받아 저장하는 신경망 모델 저장부;
를 포함하는 것을 특징으로 하는,
인공지능을 이용한 딸기 무게 측정 장치.
According to claim 2,
The neural network model generator,
a neural network generating module generating a neural network model by receiving the 2D image data from the training image collection unit and outputting the comparison data; and
a neural network model storage unit that generates and stores an object detection model after weighing and acquiring images of previously harvested strawberry fruit, receives and stores the comparison data;
Characterized in that it includes,
Strawberry weight measuring device using artificial intelligence.
상기 무게 측정부는
측정된 상기 픽셀 데이터를 인가받아, 딸기 과실의 상단부 및 하단부에 대해 제1 및 제2 계산식을 적용하여 체적을 산출 및 합산한 후에, 딸기의 밀도 값을 곱하여 상기 딸기 과실 1 개의 무게 값을 산출하는 무게 측정 방정식 적용부; 및
딸기 과실의 상단부 및 하단부 각각의 상기 산출된 체적 및 상기 딸기 과실 1 개의 무게 값을 디스플레이하는 측정 데이터 표출부;
를 포함하는 것을 특징으로 하는,
인공지능을 이용한 딸기 무게 측정 장치.
According to claim 2,
The weighing unit
After receiving the measured pixel data, calculating and summing the volume by applying the first and second calculation formulas to the upper and lower parts of the strawberry fruit, and then multiplying the density value of the strawberry to calculate the weight value of one strawberry fruit application of weighing equations; and
a measurement data display unit displaying the calculated volume of each of the upper and lower portions of the strawberry fruit and the weight value of one strawberry fruit;
Characterized in that it includes,
Strawberry weight measuring device using artificial intelligence.
상기 무게 측정부는
딸기 과실의 상단부의 경우, 원뿔대의 부피 공식을 적용하여 체적을 산출하고,
딸기 과실의 하단부의 경우, 타원형 원뿔대의 부피 공식을 적용하여 체적을 산출하는 것을 특징으로 하는,
인공지능을 이용한 딸기 무게 측정 장치.
According to claim 4,
The weighing unit
In the case of the upper part of the strawberry fruit, the volume is calculated by applying the volume formula of the truncated cone,
In the case of the lower part of the strawberry fruit, the volume is calculated by applying the volume formula of the elliptical truncated cone,
Strawberry weight measuring device using artificial intelligence.
상기 이미지 촬영부는
정지 영상 촬영용 카메라 또는 동영상 촬영용 CCTV를 포함하는 것을 특징으로 하는,
인공지능을 이용한 딸기 무게 측정 장치.
According to claim 1,
The image capture unit
Characterized in that it includes a camera for still image recording or a CCTV for video recording,
Strawberry weight measuring device using artificial intelligence.
상기 픽셀 데이터 및 상기 심도 데이터는
측정 데이터 DB부에 실시간으로 저장되는 것을 특징으로 하는,
인공지능을 이용한 딸기 무게 측정 장치.
According to claim 2,
The pixel data and the depth data are
Characterized in that the measurement data is stored in real time in the DB unit,
Strawberry weight measuring device using artificial intelligence.
(b) 이미지 분석부가 상기 2차원 이미지 데이터를 인가받아 인공지능용 학습 이미지를 수집하는 단계;
(c) 신경망 모델 생성부가 상기 2차원 이미지 데이터를 전달받아 기 생성된 객체 탐지 모델의 이미지 데이터와 비교하여 비교 데이터를 출력하는 단계;
(d) 상기 이미지 분석부가 상기 비교 데이터를 피드백받아, 딸기 이미지에 대한 객체 탐지를 수행하고, 딸기 과실의 무게 측정에 요구되는 데이터를 측정하는 단계; 및
(e) 무게 측정부가 측정된 상기 요구되는 데이터를 인가받아, 딸기 과실의 상단부 및 하단부 각각에 대해 체적을 산출 및 합산하여 딸기 과실 1 개의 무게 값을 산출하는 단계;
를 포함하는 것을 특징으로 하는,
인공지능을 이용한 딸기 무게 측정 방법.
(a) outputting two-dimensional image data by photographing a growing strawberry fruit by an image capture unit;
(b) collecting training images for artificial intelligence by an image analysis unit receiving the two-dimensional image data;
(c) receiving the 2D image data and comparing them with image data of a pre-generated object detection model by a neural network model generator and outputting comparison data;
(d) receiving the comparison data as feedback by the image analysis unit, performing object detection on the strawberry image, and measuring data required for measuring the weight of the strawberry fruit; and
(e) calculating a weight value of one strawberry fruit by calculating and summing the volume of each of the upper and lower parts of the strawberry fruit by receiving the requested data measured by the weight measuring unit;
Characterized in that it includes,
Strawberry weight measurement method using artificial intelligence.
상기 (a) 단계 이전에,
기 수확된 딸기 과실의 무게 측정 및 이미지 획득 후에 딥 러닝 학습을 통해 객체 탐지 모델을 생성하여, 상기 신경망 모델 생성부 내 신경망 모델 저장부에 저장하는 단계;
를 더 포함하는 것을 특징으로 하는,
인공지능을 이용한 딸기 무게 측정 방법.
According to claim 8,
Before step (a),
generating an object detection model through deep learning after weighing and acquiring an image of the previously harvested strawberry fruit, and storing the object detection model in a neural network model storage unit in the neural network model creation unit;
Characterized in that it further comprises,
Strawberry weight measurement method using artificial intelligence.
상기 (b) 단계 및 상기 (d) 단계는,
상기 이미지 분석부 내 학습 이미지 수집부가 상기 2차원 이미지 데이터를 인가받아 상기 인공지능용 학습 이미지를 수집하고, 상기 신경망 모델 생성부로 전달하는 단계;
객체 탐지 모듈이 상기 비교 데이터를 피드백받아, 자동으로 딸기 이미지에 대한 객체 탐지를 수행하여 이미지 탐지 데이터를 전송하는 단계;
객체 측정부가 상기 이미지 탐지 데이터를 인가받아, 상기 무게 측정에 요구되는 데이터 중 딸기 과실의 과폭 및 과고에 대한 픽셀 데이터를 생성하는 단계; 및
상기 객체 측정부가 상기 픽셀 데이터를 인가받아, 타원 포물면 공식에 적용하여 상기 무게 측정에 요구되는 데이터 중 딸기 과실의 심도 데이터를 산출하는 단계;
를 포함하는 것을 특징으로 하는,
인공지능을 이용한 딸기 무게 측정 방법.
According to claim 8,
Steps (b) and (d) are
receiving the two-dimensional image data, collecting the training images for artificial intelligence, and transmitting them to the neural network model generation unit;
receiving, by an object detection module, the comparison data, automatically performing object detection on an image of a strawberry and transmitting image detection data;
receiving the image detection data by an object measurer and generating pixel data about the width and firmness of the strawberry fruit among the data required for the weight measurement; and
calculating depth data of the strawberry fruit among the data required for the weight measurement by applying the pixel data to the object measuring unit and applying an elliptic paraboloid formula;
Characterized in that it includes,
Strawberry weight measurement method using artificial intelligence.
상기 (e) 단계에서,
딸기 과실의 상단부의 경우, 원뿔대의 부피 공식을 적용하여 체적을 산출하고,
딸기 과실의 하단부의 경우, 타원형 원뿔대의 부피 공식을 적용하여 체적을 산출하는 것을 특징으로 하는,
인공지능을 이용한 딸기 무게 측정 방법.
According to claim 8,
In step (e),
In the case of the upper part of the strawberry fruit, the volume is calculated by applying the volume formula of the truncated cone,
In the case of the lower part of the strawberry fruit, the volume is calculated by applying the volume formula of the elliptical truncated cone,
Strawberry weight measurement method using artificial intelligence.
상기 (e) 단계에서,
상기 무게 측정부는
측정된 상기 요구되는 데이터를 인가받아, 측정 기준자에 제1 및 제2 계산식을 적용하는 것을 특징으로 하는,
인공지능을 이용한 딸기 무게 측정 방법.
According to claim 10,
In step (e),
The weighing unit
Characterized in that the measured required data is authorized and the first and second calculation formulas are applied to the measurement criterion,
Strawberry weight measurement method using artificial intelligence.
상기 측정 기준자는
A4 용지 또는 A3 용지 크기의 테두리를 생성하는 것을 특징으로 하는,
인공지능을 이용한 딸기 무게 측정 방법.
According to claim 12,
The measurement criterion is
Characterized in that it creates a border of A4 paper or A3 paper size,
Strawberry weight measurement method using artificial intelligence.
상기 (e) 단계는,
상기 무게 측정부 내 무게 측정 방정식 적용부가 측정된 상기 픽셀 데이터 및 산출된 상기 심도 데이터를 인가받아, 딸기 과실의 상단부 및 하단부에 대해 상기 제1 및 제2 계산식을 적용하여 체적을 산출하는 단계;
상기 무게 측정 방정식 적용부가 딸기 과실의 상단부 및 하단부 각각의 상기 산출 및 합산된 체적 값에, 딸기의 밀도 값을 곱하여 상기 딸기 과실 1 개의 무게 값을 산출하는 단계; 및
상기 무게 측정부 내 측정 데이터 표출부가 딸기 과실의 상단부 및 하단부 각각의 상기 산출된 체적 및 상기 딸기 과실 1 개의 무게 값을 디스플레이하는 단계;
를 포함하는 것을 특징으로 하는,
인공지능을 이용한 딸기 무게 측정 방법.According to claim 12,
In step (e),
Calculating a volume by receiving the measured pixel data and the calculated depth data from the weight measurement equation application unit in the weight measurement unit and applying the first and second calculation equations to the upper and lower portions of the strawberry fruit;
calculating, by the weight measurement equation application unit, a weight value of one strawberry fruit by multiplying the calculated and summed volume values of each of the upper and lower portions of the strawberry fruit by the density value of the strawberry; and
displaying the calculated volume of each of the upper and lower portions of the strawberry fruit and the weight value of one strawberry fruit by the measurement data display unit in the weight measurement unit;
Characterized in that it includes,
Strawberry weight measurement method using artificial intelligence.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210077967A KR20220168349A (en) | 2021-06-16 | 2021-06-16 | A strawberry weight measuring device using artificial intelligence and a method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210077967A KR20220168349A (en) | 2021-06-16 | 2021-06-16 | A strawberry weight measuring device using artificial intelligence and a method thereof |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220168349A true KR20220168349A (en) | 2022-12-23 |
Family
ID=84536308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210077967A KR20220168349A (en) | 2021-06-16 | 2021-06-16 | A strawberry weight measuring device using artificial intelligence and a method thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220168349A (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120049217A (en) | 2009-06-11 | 2012-05-16 | 에프피에스 푸드 프로세싱 시스템즈 비.브이. | Method for determining weights of eggs, and apparatus |
-
2021
- 2021-06-16 KR KR1020210077967A patent/KR20220168349A/en not_active IP Right Cessation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120049217A (en) | 2009-06-11 | 2012-05-16 | 에프피에스 푸드 프로세싱 시스템즈 비.브이. | Method for determining weights of eggs, and apparatus |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Milella et al. | A multi-sensor robotic platform for ground mapping and estimation beyond the visible spectrum | |
| US20180047177A1 (en) | Systems, devices, and methods for monitoring and assessing characteristics of harvested specialty crops | |
| CN102246205B (en) | Method for measuring the growth of leaf disks of plants | |
| CN110188962B (en) | Rice supply chain information processing method based on agricultural Internet of things | |
| CN105784083A (en) | Cow shape measuring method and cow shape measuring system based on stereo vision technology | |
| CN106662437A (en) | Method and device for automated parameters calculation of object | |
| CN105466523B (en) | The measurement method and device of heap grain height based on single camera image | |
| KR20180057785A (en) | A system of measuring fish number for image analysis and that of measure method | |
| CN110136186B (en) | Detection target matching method for mobile robot target ranging | |
| CN105096300A (en) | Object detecting method and device | |
| JP2018143160A (en) | Device and method for evaluating lodging degree of crops | |
| WO2021019457A2 (en) | Weight estimation of broilers using 3d computer vision and artificial intelligence | |
| CN103940344B (en) | A kind of High Precision Long-distance displacement transducer | |
| EP3648577B1 (en) | Method and system for monitoring the development of animals | |
| CN114898405B (en) | Portable broiler chicken anomaly monitoring system based on edge calculation | |
| CN101943969B (en) | P0sition measurement apparatus and p0sition measuring method | |
| Gené-Mola et al. | Looking behind occlusions: A study on amodal segmentation for robust on-tree apple fruit size estimation | |
| WO2022010816A1 (en) | Splash detection for surface splash scoring | |
| EP3769036B1 (en) | Method and system for extraction of statistical sample of moving fish | |
| KR20220168349A (en) | A strawberry weight measuring device using artificial intelligence and a method thereof | |
| Mengoli et al. | On-line real-time fruit size estimation using a depth-camera sensor | |
| CN111985472A (en) | Trough hay temperature image processing method based on artificial intelligence and active ball machine | |
| Xiang et al. | PhenoStereo: a high-throughput stereo vision system for field-based plant phenotyping-with an application in sorghum stem diameter estimation | |
| He et al. | Visual recognition and location algorithm based on optimized YOLOv3 detector and RGB depth camera | |
| KR102403791B1 (en) | Weight measurement system using livestock photographing device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X601 | Decision of rejection after re-examination |