KR20230061034A - 작물의 엽록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 엽록소 함량 예측 방법 및 식물 생육 시스템 - Google Patents

작물의 엽록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 엽록소 함량 예측 방법 및 식물 생육 시스템 Download PDF

Info

Publication number
KR20230061034A
KR20230061034A KR1020210145867A KR20210145867A KR20230061034A KR 20230061034 A KR20230061034 A KR 20230061034A KR 1020210145867 A KR1020210145867 A KR 1020210145867A KR 20210145867 A KR20210145867 A KR 20210145867A KR 20230061034 A KR20230061034 A KR 20230061034A
Authority
KR
South Korea
Prior art keywords
crop
machine learning
learning model
growth
information
Prior art date
Application number
KR1020210145867A
Other languages
English (en)
Inventor
석민
한경도
권동재
Original Assignee
(주)카탈로닉스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)카탈로닉스 filed Critical (주)카탈로닉스
Priority to KR1020210145867A priority Critical patent/KR20230061034A/ko
Publication of KR20230061034A publication Critical patent/KR20230061034A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • 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
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computing Systems (AREA)
  • Bioethics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

작물의 산출량을 예측하는 기계 학습 모델 학습 방법, 식물 생육 상태 판단 방법 및 식물 생육 시스템이 개시된다. 개시된 작물의 염록소 함량을 예측하는 기계 학습 모델 학습 방법은, 컴퓨팅 장치가, 작물의 식생 지수, 작물의 생육에 대한 환경 변수, 및 작물의 염록소 함량에 대한 정보를 시계열적으로 획득하는 단계; 및 컴퓨팅 장치가, 작물의 종류, 작물의 생육 단계, 작물의 식생 지수, 작물의 환경 변수, 및 작물의 염록소 함량에 대한 시계열적 정보를 포함하는 학습 데이터를 이용하여 작물의 미래 시점의 염록소 함량을 예측하는 신경망을 학습시키는 단계;를 포함한다.

Description

작물의 염록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 염록소 함량 예측 방법 및 식물 생육 시스템{Method of training machine learning model for estimating plant chlorophyll contents, method of estimating plant growth quantity and plant growth system}
본 개시는 기계 학습을 이용한 식물 생육 시스템에 관한 것이며, 더욱 상세하게는 작물의 염록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 염록소 함량 예측 방법 및 식물 생육 시스템에 관한 것이다.
최근 들어 원격 감지, 클라우드 컴퓨팅 등의 새로운 디지털 기술이 농업 기술에 활발하게 적용되고 있다.
스마트 팜을 위해, 작물의 생육량, 환경 요인 등의 빅데이터 수집이 요구된다. 또한 이렇게 수집한 농업용 빅데이터를 정확히 해석하여 환경 조건이 변함에 따라 작물의 생육 상태나 산출량을 정확하게 판단할 수 있는 알고리즘의 개발도 필요하다.
종래의 알고리즘은 작물의 광합성, 호흡, 바이오매스 동화, 바이오매스 분포 및 스트레스 반응 등을 포함하는 다양한 생리학적 과정들을 각각 모듈로 구성하여 작물의 성장을 시뮬레이션한다. 시뮬레이션 결과가 모든 생화학적 기능을 포함하는 것을 목표로 하기 때문에, 단일한 변수도 복잡한 계산을 필요로 하며, 여러 가지 지수들의 보정이 필요하다는 단점이 있다.
한편, 정규 식생 지수 (NDVI, normalized difference vegetation index)는 가시광선(특히 적색 영역)과 근적외선에서 녹색 식물의 반사율 차이가 크게 나는 것을 이용하는 것으로서, 식물이 가진 고유 반사도로부터 구해진다. 이러한 정규 식생 지수는 인공 위상이나 항공기로부터 얻어지는 영상을 통해 대규모 면적에 대한 식생 상태를 파악하는데 널리 활용되고 있으며, 동일 영상 내 생물량(biomass) 및 식생의 활력도를 비교하는 데에는 효과적이다. 그러나 정규 식생 지수는 식물의 종류, 생육단계, 식생의 밀도에도 영향을 받기 때문에 정규 식생 지수만으로 작물의 산출물을 예측하기는 어렵다.
해결하고자 하는 과제는 관측 변수를 최소화하면서 작물의 엽록소 함량이나 산출량을 예측하는 기계 학습 모델의 학습 방법, 작물의 염록소 함량이나 산출량을 예측하는 방법 및 식물 생육 시스템을 제공하고자 한다.
해결하고자 하는 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
일 측면에 있어서, 작물의 염록소 함량을 예측하는 기계 학습 모델 학습 방법은, 컴퓨팅 장치가, 작물의 식생 지수, 작물의 생육에 대한 환경 변수, 및 작물의 염록소 함량에 대한 정보를 시계열적으로 획득하는 단계; 및 컴퓨팅 장치가, 작물의 종류, 작물의 생육 단계, 작물의 식생 지수, 작물의 환경 변수, 및 작물의 염록소 함량에 대한 시계열적 정보를 포함하는 학습 데이터를 이용하여 작물의 미래 시점의 염록소 함량을 예측하는 신경망을 학습시키는 단계;를 포함할 수 있다.
예시적인 실시예들에서, 작물의 식생 지수에 대한 정보는 소정의 식생 지수 관측 주기에 따라 획득되는 복수의 작물 영상으로부터 각 작물 영상별 식생 지수를 산출하여 획득할 수 있다.
예시적인 실시예들에서, 식생 지수는 정규 식생 지수 (Normalized Difference Vegetation Index, NDVI)일 수 있다.
예시적인 실시예들에서, 식생 지수 관측 주기는 1시간 내지 1주간 범위 내에서 선택될 수 있다.
예시적인 실시예들에서, 환경 변수에 대한 정보는 온도, 수온, 습도, 조명 광량, 이산화탄소 농도 및 양분 중 적어도 어느 한 변수에 대해 소정의 환경 변수 관측 주기에 따라 획득되는 데이터일 수 있다.
예시적인 실시예들에서, 환경 변수 관측 주기는 1시간 내지 1주간 범위 내에서 선택될 수 있다.
예시적인 실시예들에서, 작물의 식생 지수, 작물의 환경 변수, 및 작물의 염록소 함량에 대한 시계열적 정보 획득은 서로 다른 생육 조건을 갖는 작물 그룹별로 수행될 수 있다.
예시적인 실시예들에서, 서로 다른 생육 조건은 온도, 수온, 습도, 조명 광량, 이산화탄소 농도 및 양분 중 적어도 어느 하나의 환경 변수를 다르게 한 것일 수 있다.
예시적인 실시예들에서, 작물 그룹은 제1 생육 조건을 갖는 제1 작물 그룹과, 제1 생육 조건과 다른 제2 생육 조건을 갖는 제2 작물 그룹과, 제1 및 제2 생육 조건과 다른 제3 생육 조건을 갖는 제3 작물 그룹을 포함하며, 제1 생육 조건은 환경 변수가 정상값을 가지며, 제2 생육 조건은 정상값보다 제1 변량만큼 차이를 갖는 제1 스트레스를 가지며, 제3 생육 조건은 정상값보다 제2 변량만큼 차이를 갖는 제1 스트레스를 가지며, 제2 변량은 제1 변량보다 큰 값일 수 있다.
다른 측면에 있어서, 작물의 식생 지수와 환경 변수로부터 작물의 염록소 함량을 예측하는 방법은, 작물의 종류, 작물의 식생 지수 및 작물의 생육에 대한 환경 변수에 대한 정보를 획득하는 단계; 및 컴퓨팅 장치가, 기계 학습 모델에 작물의 종류, 작물의 식생 지수 및 작물의 생육에 대한 환경 변수에 대한 정보를 입력하여 작물의 미래 시점의 염록소 함량을 예측하는 단계를 포함하며, 기계 학습 모델은 컴퓨팅 장치가, 작물의 식생 지수, 작물의 생육에 대한 환경 변수, 및 작물의 염록소 함량에 대한 정보를 시계열적으로 획득하는 단계; 및 컴퓨팅 장치가, 작물의 종류, 작물의 생육 단계, 작물의 식생 지수, 작물의 환경 변수, 및 작물의 염록소 함량에 대한 시계열적 정보를 포함하는 학습 데이터를 이용하여 작물의 미래 시점의 염록소 함량을 예측하는 신경망을 학습시키는 단계;를 포함하는 기계 학습 모델 학습 방법에 의해 학습될 수 있다.
또 다른 측면에 있어서, 작물 영상을 촬영하는 촬상부; 작물 생육을 위한 환경을 제공하는 환경제공부; 작물의 생육에 대한 환경 변수를 계측하는 환경계측부; 기계 학습 모델을 저장한 저장부; 및 촬상부, 환경제공부, 및 환경계측부를 제어하고 촬상부에서 획득된 작물 영상을 처리하는 프로세서;를 포함하며, 프로세서는 촬상부에서 획득된 작물 영상으로부터 작물의 식생 지수를 산출하고, 저장부로부터 기계 학습 모델을 로딩하고, 작물의 종류, 작물의 식생 지수 및 작물의 생육에 대한 환경 변수에 대한 정보를 기계 학습 모델에 입력하여 작물의 미래 시점의 염록소 함량을 예측하고, 예측된 염록소 함량 정보에 기초하여 환경제공부를 제어하며, 기계 학습 모델은 컴퓨팅 장치가, 작물의 식생 지수, 작물의 생육에 대한 환경 변수, 및 작물의 염록소 함량에 대한 정보를 시계열적으로 획득하는 단계; 및 컴퓨팅 장치가, 작물의 종류, 작물의 생육 단계, 작물의 식생 지수, 작물의 환경 변수, 및 작물의 염록소 함량에 대한 시계열적 정보를 포함하는 학습 데이터를 이용하여 작물의 미래 시점의 염록소 함량을 예측하는 신경망을 학습시키는 단계;를 포함하는 기계 학습 모델 학습 방법에 의해 학습될 수 있다.
또 다른 측면에 있어서, 작물의 염록소 함량을 예측하는 기계 학습 모델 학습 방법은, 컴퓨팅 장치가, 작물의 생육에 대한 적어도 2개의 환경 변수 및 작물의 염록소 함량에 대한 정보를 시계열적으로 획득하는 단계; 및 컴퓨팅 장치가, 작물의 종류, 작물의 생육 단계, 작물의 적어도 2개의 환경 변수, 및 작물의 염록소 함량에 대한 시계열적 정보를 포함하는 학습 데이터를 이용하여 작물의 미래 시점의 염록소 함량을 예측하는 신경망을 학습시키는 단계;를 포함할 수 있다.
예시적인 실시예들에서, 적어도 2개의 환경 변수는 온도, 수온, 습도, 조명 광량, 이산화탄소 농도 및 양분 중 선택되는 서로 다른 환경 변수일 수 있다.
예시적인 실시예들에서, 적어도 2개의 환경 변수에 대한 정보는 소정의 환경 변수 관측 주기에 따라 획득되며, 환경 변수 관측 주기는 1시간 내지 1주간 범위 내에서 선택될 수 있다.
또 다른 측면에 있어서, 작물의 생육에 대한 환경 변수로부터 작물의 염록소 함량을 예측하는 방법은, 작물의 종류 및 작물의 생육에 대한 적어도 2개의 환경 변수에 대한 정보를 획득하는 단계; 및 컴퓨팅 장치가, 학습된 기계 학습 모델에 작물의 종류, 작물의 생육 단계 및 작물의 생육에 대한 적어도 2개의 환경 변수에 대한 정보를 입력하여 작물의 미래 시점의 염록소 함량을 예측하는 단계를 포함하며, 기계 학습 모델은 컴퓨팅 장치가, 작물의 생육에 대한 적어도 2개의 환경 변수 및 작물의 염록소 함량에 대한 정보를 시계열적으로 획득하는 단계; 및 컴퓨팅 장치가, 작물의 종류, 작물의 생육 단계, 작물의 적어도 2개의 환경 변수, 및 작물의 염록소 함량에 대한 시계열적 정보를 포함하는 학습 데이터를 이용하여 작물의 미래 시점의 염록소 함량을 예측하는 신경망을 학습시키는 단계;를 포함하는 기계 학습 모델 학습 방법에 의해 학습될 수 있다.
또 다른 측면에 있어서, 작물 생육을 위한 환경을 제공하는 환경제공부; 작물의 생육에 대한 적어도 2개의 환경 변수를 계측하는 환경계측부; 기계 학습 모델을 저장한 저장부; 및 환경제공부 및 환경계측부를 제어하는 프로세서;를 포함하며, 컴퓨팅 장치가, 저장부로부터 기계 학습 모델을 로딩하고, 작물의 종류, 작물의 생육 단계 및 작물의 적어도 2개의 환경 변수에 대한 정보를 기계 학습 모델에 입력하여 작물의 미래 시점의 염록소 함량을 예측하고, 예측된 염록소 함량 정보에 기초하여 환경제공부를 제어하며, 기계 학습 모델은 컴퓨팅 장치가, 작물의 생육에 대한 적어도 2개의 환경 변수 및 작물의 염록소 함량에 대한 정보를 시계열적으로 획득하는 단계; 및 컴퓨팅 장치가, 작물의 종류, 작물의 생육 단계, 작물의 적어도 2개의 환경 변수, 및 작물의 염록소 함량에 대한 시계열적 정보를 포함하는 학습 데이터를 이용하여 작물의 미래 시점의 염록소 함량을 예측하는 신경망을 학습시키는 단계;를 포함하는 기계 학습 모델 학습 방법에 의해 학습될 수 있다.
또 다른 측면에 있어서, 작물의 산출량을 예측하는 기계 학습 모델 학습 방법은, 컴퓨팅 장치가, 작물의 식생 지수 및 작물의 생육에 대한 환경 변수에 대한 정보를 시계열적으로 획득하는 단계; 컴퓨팅 장치가, 작물의 산출량에 대한 정보를 획득하는 단계; 및 컴퓨팅 장치가, 작물의 종류, 작물의 식생 지수와 작물의 환경 변수에 대한 시계열적 정보, 및 작물의 산출량에 대한 정보를 포함하는 학습 데이터를 이용하여 작물의 최종 산출량을 예측하는 신경망을 학습시키는 단계;를 포함할 수 있다.
예시적인 실시예들에서, 작물의 산출량에 대한 정보는 수확기의 작물의 염록소 함량일 수 있다.
예시적인 실시예들에서, 작물의 산출량에 대한 정보는 수확기의 작물의 무게 또는 크기일 수 있다.
또 다른 측면에 있어서, 작물의 식생 지수와 환경 변수로부터 작물의 최종 산출량을 예측하는 방법은, 컴퓨팅 장치가, 기계 학습 모델에 작물의 종류, 작물의 식생 지수 및 작물의 환경 변수에 대한 정보를 입력하여 작물의 최종 산출량을 예측하는 단계를 포함하며, 기계 학습 모델은 컴퓨팅 장치가, 작물의 식생 지수 및 작물의 생육에 대한 환경 변수에 대한 정보를 시계열적으로 획득하는 단계; 컴퓨팅 장치가, 작물의 산출량에 대한 정보를 획득하는 단계; 및 컴퓨팅 장치가, 작물의 종류, 작물의 식생 지수와 작물의 환경 변수에 대한 시계열적 정보, 및 작물의 산출량에 대한 정보를 포함하는 학습 데이터를 이용하여 작물의 최종 산출량을 예측하는 신경망을 학습시키는 단계;를 포함하는 기계 학습 모델 학습 방법에 의해 학습될 수 있다.
예시적인 실시예들에서, 작물의 최종 산출량은 수확기의 작물의 염록소 함량이거나 작물의 무게 또는 크기일 수 있다.
또 다른 측면에 있어서, 작물 영상을 촬영하는 촬상부; 작물 생육을 위한 환경을 제공하는 환경제공부; 작물의 생육에 대한 환경 변수를 계측하는 환경계측부; 기계 학습 모델을 저장한 저장부; 및 촬상부, 환경제공부, 및 환경계측부를 제어하고 촬상부에서 획득된 작물 영상을 처리하는 프로세서;를 포함하며, 프로세서는 촬상부에서 획득된 작물 영상으로부터 작물의 식생 지수를 산출하고, 저장부로부터 기계 학습 모델을 로딩하고, 작물의 종류, 작물의 식생 지수 및 작물의 환경 변수에 대한 정보를 입력하여 작물의 최종 산출량을 예측하고, 예측된 작물 산출량 정보에 기초하여 환경제공부를 제어하며, 기계 학습 모델은 컴퓨팅 장치가, 작물의 식생 지수 및 작물의 생육에 대한 환경 변수에 대한 정보를 시계열적으로 획득하는 단계; 컴퓨팅 장치가, 작물의 산출량에 대한 정보를 획득하는 단계; 및 컴퓨팅 장치가, 작물의 종류, 작물의 식생 지수와 작물의 환경 변수에 대한 시계열적 정보, 및 작물의 산출량에 대한 정보를 포함하는 학습 데이터를 이용하여 작물의 최종 산출량을 예측하는 신경망을 학습시키는 단계;를 포함하는 기계 학습 모델 학습 방법에 의해 학습될 수 있다.
개시된 실시예에 의한 작물의 염록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 염록소 함량 예측 방법 및 식물 생육 시스템은 작물의 식생 지수와 작물의 생장에 대한 환경 변수 데이터를 이용하여 작물의 염록소 함량이나 산출량을 예측할 수 있게 한다.
개시된 실시예에 의한 작물의 산출량을 예측하는 기계 학습 모델 구축 방법, 식물 생육 상태 판단 방법 및 식물 생육 시스템은 작물의 염록소 함량이나 산출량을 예측하고, 이를 경작자 및 사용자에게 전달하여, 적절한 조치를 취할 수 있도록 하거나, 자체적인 능동제어 장치를 이용하여 재배기의 인공지능적 조절이 가능하도록 할 수 있다.
도 1은 일 실시예에 작물의 엽록소 함량을 예측하는 기계 학습 모델의 학습 방법을 설명하는 걔략도이다.
도 2a 내지 도 2c는 서로 다른 생육 조건을 갖는 작물 그룹의 정규 식생 지수 이미지를 예시적으로 보여준다.
도 3은 작물의 생육 단계를 예시적으로 보여준다.
도 4는 일 실시예에 따른 시계열적 식생 지수 데이터를 설명하는 도면이다.
도 5은 일 실시예에 따른 신경망을 설명하는 도면이다.
도 6은 일 실시예에 따라 CNN을 이용하여 작물 이미지의 변환을 설명하는 개념도이다.
도 7는 일 실시예에 따른 기계 학습 모델을 통해 작물의 엽록소 함량을 예측하는 과정을 개략적으로 도시한다.
도 8은 다양한 시나리오에 따른 작물의 생육 단계를 예시적으로 보여준다.
도 9는 일 실시예에 작물의 엽록소 함량을 예측하는 기계 학습 모델의 학습 방법을 설명하는 걔략도이다.
도 10은 일 실시예에 작물의 엽록소 함량을 예측하는 방법을 설명하는 개략도이다.
도 11은 일 실시예에 작물의 최종 산출량을 예측하는 기계 학습 모델의 학습 방법을 설명하는 걔략도이다.
도 12는 일 실시예에 작물의 최종 산출량을 예측하는 방법을 설명하는 개략도이다.
도 13은 일 실시예에 따른 식물 생육 시스템을 개략적으로 도시한다.
도 14는 일 실시예에 따른 광학 측정 장비를 개략적으로 도시하는 분해 사시도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭하며, 도면에서 각 구성요소의 크기나 두께는 설명의 명료성을 위하여 과장되어 있을 수 있다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
도 1은 일 실시예에 작물의 엽록소 함량을 예측하는 기계 학습 모델의 학습 방법을 설명하는 걔략도이다.
도 1을 참조하면, 일 실시예에 따른 기계 학습 모델의 학습 방법은, 컴퓨팅 장치가 학습 데이터를 획득하는 단계(110)와, 컴퓨팅 장치가 학습 데이터를 이용하여 작물의 엽록소 함량을 예측하는 신경망을 학습시키는 단계(120)를 포함한다.
학습 데이터는 서로 다른 생육 조건을 갖는 작물 그룹별로 작물의 생장에 따른 정규 식생 지수에 대한 시계열적 데이터(111), 작물의 종류에 대한 정보(112), 서로 다른 생육 조건을 갖는 작물 그룹별로 계측되는 환경 변수에 대한 시계열적 데이터(114)를 포함할 수 있다.
작물의 종류는 하나 이상의 작물에 대해 정의될 수 있다. 만일 구축하고자 하는 기계 학습 모델이 하나의 작물에 대한 것이라면 작물의 종류에 대한 정보(111)는 학습 데이터에서 생략될 수 있다.
일 실시예에서 생육 단계에 대한 정보(112)는 정규 식생 지수 및 환경 변수에 대한 시계열적 데이터의 시각 정보일 수 있다.
일 실시예에서 생육 단계에 대한 정보(112)는 도 3을 참조하여 설명하는 작물의 생육 단계에 대한 정보일 수도 있다.
일 실시예에서, 작물은 서로 다른 생육 조건으로 구분된 그룹별로 생육시킬 수 있다. 서로 다른 생육 조건은 온도, 수온, 습도, 조명 광량, 이산화탄소 농도 및 양분 중 적어도 어느 하나의 환경 변수일 수 있다. 생육 조건은 작물의 생장 단계에 따라 다를 수 있으므로, 생육 시나리오에 따라 환경 변수는 시계열적으로 변경될 수 있다. 따라서, 서로 다른 생육 조건은 생육 시나리오에 따라 환경 변수를 서로 달리한다는 것을 의미한다.
도 2a 내지 도 2c는 서로 다른 생육 조건을 갖는 작물 그룹의 정규 식생 지수 이미지를 예시적으로 보여준다.
일 실시예에서, 하기의 표 1에서와 같이 3개의 생육 조건하에서 작물을 생육시킬 수 있다.
구분 그룹 A 그룹 B 그룹 C
조건 수분 스트레스 양분 스트레스 대조군
수분 스트레스나 양분 스트레스는 정상 상태를 기준으로 과소이거나 과잉일 수 있다. 표 1을 참조하면, 그룹 A는 수분 스트레스 생육 조건하에서 작물을 생육시킨다. 예를 들어, 정상 상태의 수분에 대비하여 80% 수준의 수분 상태에서 작물을 생육시킬 수 있다. 그룹 B는 양분 스트레스 생육 조건하에서 작물을 생육시킨다. 예를 들어, 정상 상태의 양분에 대비하여 80% 수준의 수분 상태에서 작물을 생육시킬 수 있다. 이러한 수분 스트레스나 양분 스트레스는 작물 생육 과정에서 일정하게 유지될 수 있으나, 이에 제한되는 것은 아니다. 기설정된 시나리오에 따라 수분 스트레스 및/또는 양분 스트레스는 작물 생육 단계별로 조정될 수도 있다. 그룹 C는 정상 상태의 수분 및 양분 상태에서 작물을 생육시켜 대조군 그룹을 구성한다.
일 실시예에서, 하기의 표 2에서와 같이 3개의 생육 조건하에서 작물을 생육시킬 수 있다.
구분 그룹 D 그룹 E 그룹 F
조건 약한 양분 스트레스 심한 양분 스트레스 대조군
표 2를 참조하면, 그룹 D는 약한 양분 스트레스 생육 조건하에서 작물을 생육시킨다. 예를 들어, 정상 상태의 양분에 대비하여 90% 수준의 수분 상태에서 작물을 생육시킬 수 있다. 그룹 E는 심한 양분 스트레스 생육 조건하에서 작물을 생육시킨다. 예를 들어, 정상 상태의 양분에 대비하여 80% 수준의 수분 상태에서 작물을 생육시킬 수 있다.
도 3은 작물의 생육 단계를 예시적으로 보여준다. 도 3을 참조하면, 작물의 생육 과정은 크게 영양 생장 시기(vegetative phase), 생식 생장 시기(reproductive phase), 및 등숙기(grain filling)로 나누어 볼 수 있다. 영양생장 시기는 본엽이 출현하여 자라는 시기이고, 생식생장 시기는 화아발달이 시작되는 단계이며, 등숙기는 종자가 배젖을 발달시키고 최종적으로 종자로 등숙되는 시기이다. 각 시기별로 좀 더 세분하여 생육 단계를 구분할 수 있다. 예를 들어, 생식생장 시기는 소수 개시(Spikelet initiation), 화아발달 개시(Floret initiation) 등의 단계로 구분될 수 있다. 이와 같이 작물의 생육 단계 별로 작물의 식생 지수나 엽록소 함량이 달라질 수 있으므로, 작물의 식생 지수나 엽록소 함량은 시계열적으로 관찰하여 작물의 생육 단계를 고려할 수 있도록 한다.
서로 다른 생육 조건을 갖는 작물 그룹별로 작물의 식생 지수 및 엽록소 함량을 관찰하여 작물의 식생 지수나 엽록소 함량에 대한 시계열적인 데이터를 준비한다.
식생 지수는 정규 식생 지수(NDVI)일 수 있으나 이에 제한되는 것은 아니다. 다른 예로, 식생 지수는 향상된 식생 지수(Enhanced Vegetation Index, EVI)일 수도 있다.
정규 식생 지수(NDVI)는 0부터 1까지의 값으로 다음의 수학식 1과 같이 표현된다.
Figure pat00001
여기서, NDVI는 정규 식생 지수를, nIR은 다중 통과대역 필터(도 14의 420 참조)를 거쳐 검출된 근적외 파장대역(예를 들어, 850 nm)의 강도를, VIS는 다중 통과대역 필터(420)를 거쳐 검출된 가시 파장대역(예를 들어, 600 nm)의 강도를 뜻한다.
정규 식생 지수(NDVI)가 -1부터 0의 값을 가지는 피사체는 죽은 식물이나 토양, 혹은 주변 환경의 사물을 나타내며, 0부터 0.33은 매우 건강하지 못한 식생을, 0.33부터 0.66까지는 대체로 건강한 상태, 0.66부터 1까지는 매우 건강한 상태의 식생을 나타낼 수 있다. 다만, 정규 식생 지수(NDVI)는 작물의 종류, 생육 단계, 식생의 밀도에도 영향을 받기 때문에 정규 식생 지수가 직접적으로 작물의 상태를 나타내는데에 한계가 있다.
도 5는 일 실시예에 따른 시계열적 식생 지수 데이터를 설명하는 도면이다. 도 4를 참조하면, 정규 식생 지수(NDVI)는 작물 그룹별로 소정의 시간 주기에 따라 획득되는 복수의 작물 영상(I1, I2, I3, …, It)으로부터 산출할 수 있다. 후술하는 식물 생육 시스템(도 13의 700 참조)에 촬상부(도 13의 730 참조)가 마련되어 있어, 작물 그룹별로 소정의 시간 주기에 따라 작물을 촬영할 수 있다. 시간 주기는 1시간 내지 1주간 범위 내에서 선택될 수 있다. 일 예로, 일별로 1회씩 작물을 촬영하고 이로부터 정규 식생 지수를 산출할 수 있다. 작물의 각 생육 단계별로 정규 식생 지수는 시계열적으로 다수회 산출될 수 있다.
촬영된 작물 영상으로부터 정규 식생 지수(NDVI)를 산출한다. 일 실시예에서 촬영된 작물 영상에서 픽셀별로 수학식 1로 표현되는 NDVI값을 계산하여 평균값을 구할 수 있다. 촬영된 작물 영상에 포함되는 토양, 멀칭, 화분, 비닐 등의 주변 환경 인자를 소거하는 연산은 NDVI값을 계산하는 알고리즘 내에서, 기본적으로 산입된 기 촬영 영상자료 및 데이터베이스를 바탕으로 이루어질 수도 있다. 작물이 가질 수 있는 NDVI 값은 한정적으로, 대체로 0.3에서 1 사이의 값을 가지므로 이러한 알고리즘은 일반적으로 적용할 수 있다.
작물의 엽록소 함량 역시 작물 그룹별로 시계적으로 계측한다. 작물의 엽록소 함량 계측 장치는 상용화된 장비를 사용할 있다. 작물의 엽록소 함량의 관찰 주기는 1시간 내지 1주간 범위 내에서 선택될 수 있다. 일 예로, 일별로 1회씩 작물의 엽록소 함량을 계측할 수 있다. 작물의 엽록소 함량의 관찰 주기는 작물의 식생 지수 관찰 주기와 같을 수 있다.
아울러, 작물의 생육에 대한 환경 변수를 시계적으로 계측한다. 환경 변수는 온도, 수온, 습도, 조명 광량, 이산화탄소 농도 및 양분 중 적어도 어느 한 변수일 수 있다. 환경 변수를 관측하는 주기 역시 1시간 내지 1주간 범위 내에서 선택될 수 있다. 일 예로, 일별로 1회씩 작물의 환경 변수를 계측할 수 있다. 환경 변수 계측 주기는 작물의 엽록소 함량의 관찰 주기 및/또는 작물의 식생 지수 관찰 주기와 같을 수 있다.
다음으로 작물의 염록소 함량을 예측하는 기계 학습 모델의 인공 신경망에 대해 설명한다.
기계 학습 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 기계 학습 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 기계 학습 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은, 예를 들어, DNN (Deep Neural Network), RF (Random Forest), CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다. 도 5은 일 실시예에 따른 신경망을 설명하는 도면이다. 도 5를 참조하면, 본 실시예의 신경만은 BRT(Boosted Regression Tree)로 구성될 수 있다. BRT는 여러가지 변수들로 인해 결정되는 값 Y(비선형적, 다변수 관계)를 추정하는 데에 효과적인 기계학습 방식이다. 이러한 BRT는 RT(Regression Tree)와 GB(Gradient Boosting)으로 구성될 수 있다. 엽록수 함량(CCI)값 변화에 가장 큰 관계가 있는 것으로 계산되는 변수값이 첫번째 노드(node 1)에 할당되고, 그 다음 노드(njode 2, ??)에 그다음으로 CCI에 영향을 미치는 변수값들이 할당된다. 1개의 RT만으로는 다변수 공간의 설명에 한계가 있으므로 여러 개의 RT를 적용하여 GB를 구성할 수 있다.
신경망 모델 수행을 위하여 요구되는 시초 데이터 중 하나로, 일 실시예에 따른 광학 측정 장비(도 14 참조)에서 산출된 광학적 생육도 분석 자료가 포함될 수 있다. 광학적 생육도 분석 자료를 구하기 위하여 별도의 딥러닝 모델을 수행할 수 있다. 이미지 데이터는 이를 컬럼화된 데이터로 변환하고자할 시에 요구되는 논리의 고유 특성에 따라 비선형적 의사결정을 초래하는데, 이를 위하여 종래 기계학습 분야에서 해결이 불가능하다고 여겨진 비선형적 모델인 XOR 문제를 풀기 위하여 간단한 입력을 여러 단계로 인공적으로 나누어 분석하는 컨볼루션 신경망(Convolutional Neural Network, CNN) 기술이 개발된 바 있다. CNN는 기본적으로 비선형적 성질을 가지는 입력 빅데이터를 적절한 범주로 분류하는 기술이라 할 수 있다. 일례로, 농업 빅데이터 중 적색, 녹색, 적외의 파장을 저장한 다채널 이미지가 주어졌을 때, 그 패턴을 데이터 형태로 나타내기 위해서는 푸리에 변환 혹은 CNN에 의한 패턴 인지가 필요하다.
일 실시예에서 광학 다채널 영상을 처리하기 위해서는 이 중 CNN을 이용한다. 도 6은 일 실시예에 따라 CNN을 이용하여 작물 이미지의 변환을 설명하는 개념도이다. 도 6을 참조하면, CNN은 이미지를 컨볼루션 레이어를 통하여 처리하며, 이를 전연결레이어 (fully connected layers)로 변환 후에 최종적으로 소프트맥스 함수를 통하여 이미지에서 나타나는 값의 확률밀도를 표현할 수 있다. 이 때 컨볼루션이란, 입력된 영상에서 얻을 수 있는 가장 첫 번째 레이어를 말한다. 컨볼루션은 이미지 전체가 아닌 아주 작은 부분의 분석만으로도 관측한 픽셀 간의 관계성을 보존할 수 있기에 작업능에 있어 매우 효율적이다. 따라서 컨볼루션을 통하여 이미지를 압축적으로 분석하고 이를 기계학습에 응용하기가 쉽다. 도 8에 도시된 과정을 통하여 광학 이미지를 분석할 때, ReLU(Rectified Linear Unit) 및 풀링(Pooling), 패딩(padding)을 연속적으로 적용한다. 이 때, ReLU는 기계학습에 소요되는 활성 함수(activation function)를 비선형적으로 제공하기 위한 것이며, 모든 값을 0과 주어진 값 중 큰 것으로 채택한다. 풀링은 이미지의 다운샘플링을 통하여 L2-norm을 통하여 오버피팅을 감소시키기 위한 작업이며, 이후 산출된 평면 레이어(flatten layer)는 기계학습을 통하여 얻은 3차원 벡터를 2차원적으로 처리가 쉽도록 도시한 것이며, 전연결 레이어는 속성 학습을 통하여 모든 레이어를 연결시켜 최종 값을 얻기 위한 논리회로이며, 소프트맥스 레이어는 결과값을 확률밀도로 표현하기 위한 것에 해당한다. CNN 수행을 통하여, 하나의 작물 이미지는 작물 외의 요소를 제외한 작물 만의 이미지로 재가공되며, 또한 궁극적으로는 분석된 채널별 파장 값을 컬럼 상에 배열할 수 있는 확률의 형태로 나타낼 수 있다.
상술한 바와 같이 기계 학습 모델을 통해 작물의 엽록소 함량을 예측하는 기계 학습 모델을 구축할 수 있다. 다음으로 통해 작물의 엽록소 함량을 예측하는 기계 학습 모델을 통해 통해 작물의 엽록소 함량을 예측하는 방법을 설명한다.
도 7는 일 실시예에 따른 기계 학습 모델을 통해 작물의 엽록소 함량을 예측하는 과정을 개략적으로 도시한다.
도 7을 참조하면, 작물의 식생 지수와 환경 변수로부터 작물의 염록소 함량을 예측하는 방법은, 작물의 종류, 작물의 식생 지수 및 작물의 생육에 대한 환경 변수에 대한 정보를 획득하는 단계; 및 도 1 내지 도 6을 참조하여 설명한 방식에 따라 학습된 기계 학습 모델에 작물의 종류, 작물의 식생 지수 및 작물의 생육에 대한 환경 변수에 대한 정보를 입력하여 작물의 미래 시점의 염록소 함량을 예측하는 단계를 포함할 수 있다.
도 8은 다양한 시나리오에 따른 작물의 생육 단계를 예시적으로 보여준다. 도 8을 참조하면, 환경변수와 관련된 다양한 시나리오에 따라 작물의 생육 상태는 달라질 수 있으며, 이러한 환경변수에 대한 시계열적 정보는 엽록소 함량과 상관성을 가지게 될 것이다. 따라서, 다양한 환경변수 시나리오하에서 작물을 생육하고, 각 시나리오에 따라 생육된 작물의 생육 상태를 수집하여 이를 기계학습용 학습 데이터로 사용할 수 있다.
도 9는 일 실시예에 작물의 엽록소 함량을 예측하는 기계 학습 모델의 학습 방법을 설명하는 걔략도이다. 도 9를 참조하면, 작물의 염록소 함량을 예측하는 기계 학습 모델 학습 방법은, 컴퓨팅 장치가, 작물의 생육에 대한 적어도 2개의 환경 변수(313, 314) 및 작물의 염록소 함량에 대한 정보(315)를 시계열적으로 획득하는 단계; 및 컴퓨팅 장치가, 작물의 종류(311), 작물의 생육 단계(312), 작물의 적어도 2개의 환경 변수(313, 314), 및 작물의 염록소 함량(315)에 대한 시계열적 정보를 포함하는 학습 데이터를 이용하여 작물의 미래 시점의 염록소 함량을 예측하는 신경망을 학습시키는 단계;를 포함할 수 있다.
일 실시예에서, 적어도 2개의 환경 변수는 온도, 수온, 습도, 조명 광량, 이산화탄소 농도 및 양분 중 선택되는 서로 다른 환경 변수일 수 있다. 예를 들어, 제1 환경변수(413)은 조명 광량이고, 제2 환경변수(414)는 양분일 수 있으나, 이에 제한되는 것은 아니다. 적어도 2개의 환경 변수는 시계열적으로 달라질 수 있으며, 시나리오별로 다르게 설정될 수 있다. 작물들은 서로 다른 시나리오별로 분리한다.
일 실시예에서, 적어도 2개의 환경 변수에 대한 정보는 소정의 환경 변수 관측 주기에 따라 획득되며, 환경 변수 관측 주기는 1시간 내지 1주간 범위 내에서 선택될 수 있다.
도 10은 일 실시예에 작물의 엽록소 함량을 예측하는 방법을 설명하는 개략도이다. 도 10을 참조하면, 작물의 생육에 대한 환경 변수로부터 작물의 염록소 함량을 예측하는 방법은, 작물의 종류 및 작물의 생육에 대한 적어도 2개의 환경 변수에 대한 정보를 획득하는 단계; 및 컴퓨팅 장치가, 학습된 기계 학습 모델에 작물의 종류, 작물의 생육 단계 및 작물의 생육에 대한 적어도 2개의 환경 변수에 대한 정보를 입력하여 작물의 미래 시점의 염록소 함량을 예측하는 단계를 포함하며, 기계 학습 모델은 컴퓨팅 장치가, 작물의 생육에 대한 적어도 2개의 환경 변수 및 작물의 염록소 함량에 대한 정보를 시계열적으로 획득하는 단계; 및 컴퓨팅 장치가, 작물의 종류, 작물의 생육 단계, 작물의 적어도 2개의 환경 변수, 및 작물의 염록소 함량에 대한 시계열적 정보를 포함하는 학습 데이터를 이용하여 작물의 미래 시점의 염록소 함량을 예측하는 신경망을 학습시키는 단계;를 포함하는 기계 학습 모델 학습 방법에 의해 학습될 수 있다.
도 11은 일 실시예에 작물의 최종 산출량을 예측하는 기계 학습 모델의 학습 방법을 설명하는 걔략도이다. 도 11을 참조하면, 작물의 산출량을 예측하는 기계 학습 모델 학습 방법은, 컴퓨팅 장치가, 작물의 식생 지수 및 작물의 생육에 대한 환경 변수에 대한 정보를 시계열적으로 획득하는 단계; 컴퓨팅 장치가, 작물의 산출량에 대한 정보를 획득하는 단계; 및 컴퓨팅 장치가, 작물의 종류, 작물의 식생 지수와 작물의 환경 변수에 대한 시계열적 정보, 및 작물의 산출량에 대한 정보를 포함하는 학습 데이터를 이용하여 작물의 최종 산출량을 예측하는 신경망을 학습시키는 단계;를 포함할 수 있다.
일 실시예에서, 작물의 산출량에 대한 정보는 수확기의 작물의 염록소 함량일 수 있다.
일 실시예에서, 작물의 산출량에 대한 정보는 수확기의 작물의 무게 또는 크기일 수 있다.
도 12는 일 실시예에 작물의 최종 산출량을 예측하는 방법을 설명하는 개략도이다. 도 12를 참조하면, 작물의 식생 지수와 환경 변수로부터 작물의 최종 산출량을 예측하는 방법은, 컴퓨팅 장치가, 기계 학습 모델에 작물의 종류, 작물의 식생 지수 및 작물의 환경 변수에 대한 정보를 입력하여 작물의 최종 산출량을 예측하는 단계를 포함하며, 기계 학습 모델은 컴퓨팅 장치가, 작물의 식생 지수 및 작물의 생육에 대한 환경 변수에 대한 정보를 시계열적으로 획득하는 단계; 컴퓨팅 장치가, 작물의 산출량에 대한 정보를 획득하는 단계; 및 컴퓨팅 장치가, 작물의 종류, 작물의 식생 지수와 작물의 환경 변수에 대한 시계열적 정보, 및 작물의 산출량에 대한 정보를 포함하는 학습 데이터를 이용하여 작물의 최종 산출량을 예측하는 신경망을 학습시키는 단계;를 포함하는 기계 학습 모델 학습 방법에 의해 학습될 수 있다.
일 실시예에서, 작물의 최종 산출량은 수확기의 작물의 염록소 함량이거나 작물의 무게 또는 크기일 수 있다.
도 13은 일 실시예에 따른 식물 생육 시스템을 개략적으로 도시한다. 도 13을 참조하면, 식물 생육 시스템(700)은 프로세서(710), 기계 학습 모델(721)이 저장된 저장부(720), 촬상부(730), 환경계측부(740), 및 환경제공부(750)를 포함할 수 있다.
저장부(720)는 프로세710)에 의해 실행될 프로그램을 저장할 수 있고, 촬상부(740)에서 촬상되는 작물의 영상이나, 시스템(700)에 입력되거나 시스템(700)으로부터 출력되는 데이터를 저장할 수 있다. 저장부(720)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있으며, 예를 들어, 전술한 기계 학습 모델(721)을 포함할 수 있다. 저장부(720)는 플래시 메모리 타입(flash memory type)등의 정보를 저장할 수 있는 저장매체로서, 그 타입은 제한되지 않는다.
프로세서(710)는 시스템(700)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(710)는 촬상부(340)를 통해 작물을 주기적으로 촬영하고, 촬상부(710)에서 획득된 작물 영상으로부터 작물의 식생 지수를 산출하고, 환경계측부(740)를 제어하여 환경변수를 계측한다. 또한 프로세서(710)는 저장부(720)에 저장되어 있는 기계 학습 모델(721)을 로딩하고, 작물의 종류, 작물의 생육 단계, 산출된 식생 지수, 환경 변수 등을 기계 학습 모델(721)에 입력하여 작물의 염록소 함량이나 작물의 최종 산출량을 판단하고, 판단된 정보에 기초하여 환경제공부(750)를 제어한다. 기계 학습 모델(721)이 작물의 식생 지수가 필요없는 경우에는 촬상부(710)가 생략될 수도 있다.
환경계측부(740)는 기계 학습 모델(721)의 입력값으로 요청되는 환경 변수를 계측하는 적어도 하나의 센서를 포함할 수 있다.
환경 변수는 온도, 수온, 습도, 조명 광량, 이산화탄소 농도, 및 양분 중 적어도 어느 하나일 수 있다.
환경제공부(750)는 환경 변수를 조절할 수 있는 장치일 수 있다. 예를 들어 환경제공부(750)는 프로세서(710)에 의해 제어되는 양액 공급 장치이거나, 수분 공급 장치이거나, 조명 장치일 수 있으나, 이에 제한되는 것은 아니다.
도 14는 일 실시예에 따른 광학 측정 장비를 개략적으로 도시하는 분해 사시도이다. 도 14를 참조하면, 광학 측정 장비는 이미지센서(810), 다중 대역통과 필터(820), 이미지센서(810)를 실장하는 하우징(820), 하우징의 개구에 마련되는 윈도우(840), 이미지센서(810)를 틸팅(tilting) 및 패닝(panning) 구동시키는 서보 구동유닛(850), 이미지센서(810)의 신호를 처리하고 서보 구동유닛(850)를 제어하는 회로가 마련된 회로부(860)를 포함할 수 있다. 이미지센서(810)는 CCD 촬상소자일 수 있으나, 이에 제한되는 것은 아니다. CCD 촬상소자는 8 Mpx, 1080P의 이미지 해상도를 가질 수 있다. CCD 촬상소자에는 IR필터가 제거되고, 다중 대역통과 필터(420)가 적용될 수 있다. 다중 대역통과 필터(820)는 예를 들어 3중 밴드패스일 수 있다. 3중 밴드패스 필터는 550 nm, 660 nm, 및 850 nm의 파장대역을 가질 수 있다. 광학 측정 장치는 원격에 설치될 수 있으며, 이러한 경우 통신장치가 추가적으로 마련될 수 있다. 광학 측정 장치는 도 13에서 설명한 촬상부(730)일 수 있다. 이와 같은 광학 측정 장치는 전술한 정규 식생 지수를 산출하는 필요한 정보를 획득할 수 있으며, 서보 구동유닛(480)를 통해 넓은 작물 재배 면적을 커버할 수 있다.
110, 310, 510: 학습 데이터 120, 320, 520: 신경망
130, 220, 330, 420, 530, 620: 기계 학습 모델
700: 작물 생육 시스템 710: 프로세서
720: 저장부 730: 촬상부
740: 환경계측부 750: 환경제공부
410: 이미지센서 420: 다중 통과대역 필터
430: 하우징 440: 윈도우
450: 서보 구동 유닛 460: 회로부

Claims (22)

  1. 작물의 염록소 함량을 예측하는 기계 학습 모델 학습 방법에 있어서,
    컴퓨팅 장치가, 작물의 식생 지수, 상기 작물의 생육에 대한 환경 변수, 및 상기 작물의 염록소 함량에 대한 정보를 시계열적으로 획득하는 단계; 및
    상기 컴퓨팅 장치가, 상기 작물의 종류, 상기 작물의 생육 단계, 상기 작물의 식생 지수, 상기 작물의 환경 변수, 및 상기 작물의 염록소 함량에 대한 시계열적 정보를 포함하는 학습 데이터를 이용하여 작물의 미래 시점의 염록소 함량을 예측하는 신경망을 학습시키는 단계;를 포함하는 기계 학습 모델 학습 방법.
  2. 제1 항에 있어서,
    상기 작물의 식생 지수에 대한 정보는 소정의 식생 지수 관측 주기에 따라 획득되는 복수의 작물 영상으로부터 각 작물 영상별 식생 지수를 산출하여 획득하는,
    기계 학습 모델 학습 방법.
  3. 제2 항에 있어서,
    상기 식생 지수는 정규 식생 지수 (Normalized Difference Vegetation Index, NDVI)인,
    기계 학습 모델 학습 방법.
  4. 제2 항에 있어서,
    상기 식생 지수 관측 주기는 1시간 내지 1주간 범위 내에서 선택되는,
    기계 학습 모델 학습 방법.
  5. 제1 항에 있어서,
    상기 환경 변수에 대한 정보는 온도, 수온, 습도, 조명 광량, 이산화탄소 농도 및 양분 중 적어도 어느 한 변수에 대해 소정의 환경 변수 관측 주기에 따라 획득되는 데이터인,
    기계 학습 모델 학습 방법.
  6. 제5 항에 있어서,
    상기 환경 변수 관측 주기는 1시간 내지 1주간 범위 내에서 선택되는,
    기계 학습 모델 학습 방법.
  7. 제1 항에 있어서,
    상기 작물의 식생 지수, 상기 작물의 환경 변수, 및 상기 작물의 염록소 함량에 대한 시계열적 정보 획득은 서로 다른 생육 조건을 갖는 작물 그룹별로 수행되는,
    기계 학습 모델 학습 방법.
  8. 제7 항에 있어서,
    상기 서로 다른 생육 조건은 온도, 수온, 습도, 조명 광량, 이산화탄소 농도 및 양분 중 적어도 어느 하나의 환경 변수를 다르게 한 것인,
    기계 학습 모델 구축 단계.
  9. 제8 항에 있어서,
    상기 작물 그룹은 제1 생육 조건을 갖는 제1 작물 그룹과, 상기 제1 생육 조건과 다른 제2 생육 조건을 갖는 제2 작물 그룹과, 상기 제1 및 제2 생육 조건과 다른 제3 생육 조건을 갖는 제3 작물 그룹을 포함하며,
    상기 제1 생육 조건은 환경 변수가 정상값을 가지며, 상기 제2 생육 조건은 상기 정상값보다 제1 변량만큼 차이를 갖는 제1 스트레스를 가지며, 상기 제3 생육 조건은 상기 정상값보다 제2 변량만큼 차이를 갖는 제1 스트레스를 가지며, 상기 제2 변량은 상기 제1 변량보다 큰 값인,
    기계 학습 모델 구축 단계.
  10. 작물의 식생 지수와 환경 변수로부터 작물의 염록소 함량을 예측하는 방법에 있어서,
    작물의 종류, 상기 작물의 식생 지수 및 상기 작물의 생육에 대한 환경 변수에 대한 정보를 획득하는 단계; 및
    컴퓨팅 장치가, 제1 항 내지 제9 항 중 어느 한 항에 따라 학습된 기계 학습 모델에 상기 작물의 종류, 상기 작물의 식생 지수 및 상기 작물의 생육에 대한 환경 변수에 대한 정보를 입력하여 상기 작물의 미래 시점의 염록소 함량을 예측하는 단계를 포함하는 작물의 염록소 함량 예측 방법.
  11. 작물 영상을 촬영하는 촬상부;
    작물 생육을 위한 환경을 제공하는 환경제공부;
    상기 작물의 생육에 대한 환경 변수를 계측하는 환경계측부;
    제1 항 내지 제9 항 중 어느 한 항에 따라 학습된 기계 학습 모델을 저장한 저장부; 및
    상기 촬상부, 상기 환경제공부, 및 상기 환경계측부를 제어하고 상기 촬상부에서 획득된 작물 영상을 처리하는 프로세서;를 포함하며,
    상기 프로세서는 상기 촬상부에서 획득된 작물 영상으로부터 상기 작물의 식생 지수를 산출하고, 상기 저장부로부터 상기 기계 학습 모델을 로딩하고, 상기 작물의 종류, 상기 작물의 식생 지수 및 상기 작물의 생육에 대한 환경 변수에 대한 정보를 상기 기계 학습 모델에 입력하여 상기 작물의 미래 시점의 염록소 함량을 예측하고, 예측된 염록소 함량 정보에 기초하여 상기 환경제공부를 제어하는,
    작물 생육 시스템.
  12. 작물의 염록소 함량을 예측하는 기계 학습 모델 학습 방법에 있어서,
    컴퓨팅 장치가, 작물의 생육에 대한 적어도 2개의 환경 변수 및 상기 작물의 염록소 함량에 대한 정보를 시계열적으로 획득하는 단계; 및
    상기 컴퓨팅 장치가, 상기 작물의 종류, 상기 작물의 생육 단계, 상기 작물의 적어도 2개의 환경 변수, 및 상기 작물의 염록소 함량에 대한 시계열적 정보를 포함하는 학습 데이터를 이용하여 작물의 미래 시점의 염록소 함량을 예측하는 신경망을 학습시키는 단계;를 포함하는 기계 학습 모델 학습 방법.
  13. 제12 항에 있어서,
    상기 적어도 2개의 환경 변수는 온도, 수온, 습도, 조명 광량, 이산화탄소 농도 및 양분 중 선택되는 서로 다른 환경 변수인,
    기계 학습 모델 학습 방법.
  14. 제6 항에 있어서,
    상기 적어도 2개의 환경 변수에 대한 정보는 소정의 환경 변수 관측 주기에 따라 획득되며, 상기 환경 변수 관측 주기는 1시간 내지 1주간 범위 내에서 선택되는,
    기계 학습 모델 학습 방법.
  15. 작물의 생육에 대한 환경 변수로부터 작물의 염록소 함량을 예측하는 방법에 있어서,
    작물의 종류 및 상기 작물의 생육에 대한 적어도 2개의 환경 변수에 대한 정보를 획득하는 단계; 및
    컴퓨팅 장치가, 제12 항 내지 제14 항 중 어느 한 항에 따라 학습된 기계 학습 모델에 작물의 종류, 상기 작물의 생육 단계 및 상기 작물의 생육에 대한 적어도 2개의 환경 변수에 대한 정보를 입력하여 상기 작물의 미래 시점의 염록소 함량을 예측하는 단계를 포함하는 작물의 염록소 함량 예측 방법.
  16. 작물 생육을 위한 환경을 제공하는 환경제공부;
    상기 작물의 생육에 대한 적어도 2개의 환경 변수를 계측하는 환경계측부;
    제12 항 내지 제14 항 중 어느 한 항에 따라 학습된 기계 학습 모델을 저장한 저장부; 및
    상기 환경제공부 및 상기 환경계측부를 제어하는 프로세서;를 포함하며,
    상기 컴퓨팅 장치가, 상기 저장부로부터 상기 기계 학습 모델을 로딩하고, 상기 작물의 종류, 상기 작물의 생육 단계 및 상기 작물의 적어도 2개의 환경 변수에 대한 정보를 상기 기계 학습 모델에 입력하여 상기 작물의 미래 시점의 염록소 함량을 예측하고, 예측된 염록소 함량 정보에 기초하여 상기 환경제공부를 제어하는,
    작물 생육 시스템.
  17. 작물의 산출량을 예측하는 기계 학습 모델 학습 방법에 있어서,
    컴퓨팅 장치가, 작물의 식생 지수 및 상기 작물의 생육에 대한 환경 변수에 대한 정보를 시계열적으로 획득하는 단계;
    컴퓨팅 장치가, 상기 작물의 산출량에 대한 정보를 획득하는 단계; 및
    상기 컴퓨팅 장치가, 상기 작물의 종류, 상기 작물의 식생 지수와 상기 작물의 환경 변수에 대한 시계열적 정보, 및 상기 작물의 산출량에 대한 정보를 포함하는 학습 데이터를 이용하여 작물의 최종 산출량을 예측하는 신경망을 학습시키는 단계;를 포함하는 기계 학습 모델 학습 방법.
  18. 제17 항에 있어서,
    상기 작물의 산출량에 대한 정보는 수확기의 상기 작물의 염록소 함량인,
    기계 학습 모델 학습 방법.
  19. 제17 항에 있어서,
    상기 작물의 산출량에 대한 정보는 수확기의 상기 작물의 무게 또는 크기인,
    기계 학습 모델 학습 방법.
  20. 작물의 식생 지수와 환경 변수로부터 작물의 최종 산출량을 예측하는 방법에 있어서,
    컴퓨팅 장치가, 제17 항 내지 제19 항 중 어느 한 항에 따라 학습된 기계 학습 모델에 작물의 종류, 상기 작물의 식생 지수 및 상기 작물의 환경 변수에 대한 정보를 입력하여 상기 작물의 최종 산출량을 예측하는 단계를 포함하는 작물 산출량 예측 방법.
  21. 제20 항에 있어서,
    상기 작물의 최종 산출량은 수확기의 상기 작물의 염록소 함량이거나 상기 작물의 무게 또는 크기인,
    작물 산출량 예측 방법.
  22. 작물 영상을 촬영하는 촬상부;
    작물 생육을 위한 환경을 제공하는 환경제공부;
    상기 작물의 생육에 대한 환경 변수를 계측하는 환경계측부;
    제17 항 내지 제19 항 중 어느 한 항에 따라 학습된 기계 학습 모델을 저장한 저장부; 및
    상기 촬상부, 상기 환경제공부, 및 상기 환경계측부를 제어하고 상기 촬상부에서 획득된 작물 영상을 처리하는 프로세서;를 포함하며,
    상기 프로세서는 상기 촬상부에서 획득된 작물 영상으로부터 상기 작물의 식생 지수를 산출하고, 상기 저장부로부터 상기 기계 학습 모델을 로딩하고, 상기 작물의 종류, 상기 작물의 식생 지수 및 상기 작물의 환경 변수에 대한 정보를 입력하여 상기 작물의 최종 산출량을 예측하고, 예측된 작물 산출량 정보에 기초하여 상기 환경제공부를 제어하는 작물 생육 시스템.
KR1020210145867A 2021-10-28 2021-10-28 작물의 엽록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 엽록소 함량 예측 방법 및 식물 생육 시스템 KR20230061034A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210145867A KR20230061034A (ko) 2021-10-28 2021-10-28 작물의 엽록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 엽록소 함량 예측 방법 및 식물 생육 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210145867A KR20230061034A (ko) 2021-10-28 2021-10-28 작물의 엽록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 엽록소 함량 예측 방법 및 식물 생육 시스템

Publications (1)

Publication Number Publication Date
KR20230061034A true KR20230061034A (ko) 2023-05-08

Family

ID=86381574

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210145867A KR20230061034A (ko) 2021-10-28 2021-10-28 작물의 엽록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 엽록소 함량 예측 방법 및 식물 생육 시스템

Country Status (1)

Country Link
KR (1) KR20230061034A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102631597B1 (ko) * 2023-06-29 2024-02-02 주식회사 리플로그 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출방법 및 재배관리 시스템
CN117787666A (zh) * 2024-02-26 2024-03-29 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) 一种盐碱地信息监测治理方法、系统、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102631597B1 (ko) * 2023-06-29 2024-02-02 주식회사 리플로그 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출방법 및 재배관리 시스템
CN117787666A (zh) * 2024-02-26 2024-03-29 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) 一种盐碱地信息监测治理方法、系统、设备及存储介质
CN117787666B (zh) * 2024-02-26 2024-05-28 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) 一种盐碱地信息监测治理方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
Kaneda et al. Multi-modal sliding window-based support vector regression for predicting plant water stress
US20220075344A1 (en) A method of finding a target environment suitable for growth of a plant variety
CN111008733B (zh) 一种作物生长管控方法和系统
KR20230061034A (ko) 작물의 엽록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 엽록소 함량 예측 방법 및 식물 생육 시스템
CN112931150B (zh) 一种基于柑橘冠层光谱响应的灌溉系统和方法
US20220307971A1 (en) Systems and methods for phenotyping
CN113223040A (zh) 基于遥感的香蕉估产方法、装置、电子设备和存储介质
Wei et al. Wheat biomass, yield, and straw-grain ratio estimation from multi-temporal UAV-based RGB and multispectral images
Kannan An efficient deep neural network for disease detection in rice plant using XGBOOST ensemble learning framework
Zhang et al. Automatic counting of lettuce using an improved YOLOv5s with multiple lightweight strategies
Kale et al. Crop Yield Estimation Using Deep Learning and Satellite Imagery
Rajamohan Image processing and artificial intelligence for precision agriculture
JP7452879B2 (ja) 予測システム、予測方法、および予測プログラム
Krupavath et al. Comparative evaluation of neural networks in crop yield prediction of paddy and sugarcane crop
KR20230061863A (ko) 합성곱신경망과 다층 퍼셉트론의 앙상블 모델을 이용한 과실 발달 단계 예측 장치 및 그 방법
KR20230061035A (ko) 작물의 생육 단계별 생육 상태를 판단하는 기계 학습 모델 학습 방법, 식물 생육 상태 판단 방법 및 식물 생육 시스템
Dong et al. Research on Graded Diagnosis of Lettuce Water-Nitrogen Stress and Pest Prevention Based on Deep Learning
Patil et al. Pre and Post Harvesting using Deep Learning Techniques: A comprehensive study
EP3711478A1 (en) Method for predicting yield loss of a crop plant
Patil et al. GRAPE QUALITY PREDICTION WITH PRE-POST HARVESTING USING FUSION DEEP LEARNING
US11574466B2 (en) Machine learning methods and systems for variety profile index crop characterization
US11610157B1 (en) Machine learning methods and systems for characterizing corn growth efficiency
US20240193939A1 (en) Methods and systems for providing soybean variety placement using variety profile index
Vigneault et al. An integrated data-driven approach to monitor and estimate plant-scale growth using UAV
Bryan et al. Lettuce Root Development and Monitoring System Using Machine Learning in Hydroponics