KR20240012287A

KR20240012287A - Machine learning-based crop growth optimization system using RGB LED light sources and environmental data

Info

Publication number: KR20240012287A
Application number: KR1020230056279A
Authority: KR
Inventors: 정윤호; 박범주; 김호진
Original assignee: 주식회사 지안에스
Priority date: 2022-07-20
Filing date: 2023-04-28
Publication date: 2024-01-29

Abstract

본 발명은, 기계 학습 알고리즘, RGB LED 광원 및 환경 데이터를 사용하여, 작물 성장 패턴을 최적화하고, 수확량을 최대화하며, 수확 기간을 단축하기 위한 새롭고 효과적인 시스템 및 방법을 제공하는, RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템에 관한 것이다.
상세하게는,
RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템(1)에 있어서,
작물별 생육 및 환경 데이터를 수집, 획득하는 작물별생육환경데이터수집모듈(100);
상기 작물별생육환경데이터수집모듈(100)로부터 수집, 획득된 작물별 생육 및 환경 데이터에 대한 특징을 정규화하여 데이터를 전처리하는 작물별생육환경데이터전처리모듈(200);
상기 작물별생육환경데이터전처리모듈(200)로부터 전처리된 데이터를 이용하여 신경망을 훈련시키는 작물별생육환경데이터기계학습모듈(300);
상기 작물별생육환경데이터기계학습모듈(300)에 의해 도출되는 데이터를 바탕으로, 작물에 대한 최적의 생장 조건을 예측하는 작물별생육환경최적조건도출모듈(400);로 구성되어,
작물별생육환경데이터기계학습모듈(300)에 의해 훈련된 신경망을 이용하여, 작물별생육환경최적조건도출모듈(400)을 통해, 작물 생육 조건에 대한 최적화 방법을 도출, 양질(良質)의 작물 수확은 물론, 작물 수확량을 최대화하고 수확 기간을 단축할 수 있도록 하는 것을 특징으로 한다.
즉, 본 발명은, 상술한 바와 같이,
농업 생산성과 효율성을 향상시켜 궁극적으로 수확량을 개선하고 보다 지속 가능한 농업 관행을 이끌어낼 수 있도록 도모한다는 이점이 있다.The present invention provides a new and effective system and method for optimizing crop growth patterns, maximizing yield, and shortening the harvest period using machine learning algorithms, RGB LED light sources, and environmental data. This is about a machine learning-based crop growth optimization system using data.
In detail,
In the machine learning-based crop growth optimization system (1) using RGB LED light source and environmental data,
A crop-specific growth environment data collection module (100) that collects and acquires crop-specific growth and environmental data;
A crop-specific growth environment data preprocessing module (200) that preprocesses the data by normalizing the characteristics of the growth and environmental data for each crop collected and acquired from the crop-specific growth environment data collection module (100);
a crop-specific growth environment data machine learning module (300) that trains a neural network using data pre-processed from the crop-specific growth environment data pre-processing module (200);
It consists of a crop-specific growth environment optimal condition derivation module (400) that predicts the optimal growth conditions for crops based on data derived from the crop-specific growth environment data machine learning module (300),
Using a neural network trained by the crop-specific growth environment data machine learning module (300), an optimization method for crop growth conditions is derived through the crop-specific growth environment optimal condition derivation module (400), producing high-quality crops. It is characterized by not only harvesting, but also maximizing crop yield and shortening the harvest period.
That is, the present invention, as described above,
The benefit is that it improves agricultural productivity and efficiency, ultimately improving yields and leading to more sustainable agricultural practices.

Description

Machine learning-based crop growth optimization system using RGB LED light sources and environmental data}

본 발명은, RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템에 관한 것으로서, 더욱 상세하게는, 기계 학습 알고리즘, RGB LED 광원 및 환경 데이터를 이용하여 작물 성장 패턴을 최적화하고, 수확량을 최대화하며, 수확 기간을 단축하기 위한 RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템에 관한 것이다.The present invention relates to a machine learning-based crop growth optimization system using an RGB LED light source and environmental data. More specifically, the present invention relates to a machine learning algorithm, an RGB LED light source, and environmental data to optimize crop growth patterns and increase yield. It is about a machine learning-based crop growth optimization system using RGB LED light sources and environmental data to maximize and shorten the harvest period.

종래의 전통적인 농업 방법은, 작물을 재배하기 위해, 자연 조건과 경험적 지식에 의존해 왔다.Conventional traditional agricultural methods have relied on natural conditions and empirical knowledge to grow crops.

그러나, 이러한 관행은, 작물 성장을 완전히 최적화하지 못하여 차선의 수확량과 수확 기간 연장으로 이어질 수 있는 문제점을 지니고 있다.However, this practice has the problem of not fully optimizing crop growth, which can lead to suboptimal yields and extended harvest periods.

따라서, 종래의 문제점을 해결할 수 있는, 식량에 대한 전 세계 수요 증가로 인해 보다 효율적이고 지속 가능한 농업 기술이 필요하다.Therefore, more efficient and sustainable agricultural technologies that can solve conventional problems are needed due to the increasing global demand for food.

즉, 개별 작물 요구 사항 및 환경 조건에 적응하여 작물 성장을 최적화할 수 있는 고급 시스템이 필요합니다.This means that advanced systems are needed that can optimize crop growth by adapting to individual crop requirements and environmental conditions.

이에, 본 발명은,Accordingly, the present invention,

기계 학습 알고리즘, RGB LED 광원 및 환경 데이터를 이용하여 작물 성장 패턴을 최적화하고, 수확량을 최대화하며, 수확 기간을 단축할 수 있는, RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템을 제공하고자 한다.Provides a machine learning-based crop growth optimization system using RGB LED light sources and environmental data that can optimize crop growth patterns, maximize yield, and shorten the harvest period using machine learning algorithms, RGB LED light sources, and environmental data. I want to do it.

(문헌 01) 대한민국 등록특허공보 제10-0480314호 (2005.03.23. 등록)(Document 01) Republic of Korea Patent Publication No. 10-0480314 (registered on March 23, 2005) (문헌 02) 대한민국 공개특허공보 제10-2001-0079061호 (2001.08.22. 공개)(Document 02) Republic of Korea Patent Publication No. 10-2001-0079061 (published on August 22, 2001)

이에, 본 발명은 상기 전술한 종래의 문제점을 해결하기 위하여 안출된 것으로서,Accordingly, the present invention was devised to solve the above-described conventional problems,

기계 학습 알고리즘을 활용하여, 작물 성장 패턴을 최적화하고, 수확량을 최대화하며, 수확 기간을 단축하는 것을 목표로, RGB LED 광원, 작물별 성장 및 환경 데이터가 포함된 포괄적인 데이터베이스, 기계 학습 기술을 통합하여 작물 재배를 위한 최적의 조건을 결정, 다양한 작물의 개별 요구 사항을 분석하고 적응함으로써,Utilizes machine learning algorithms to integrate RGB LED light sources, a comprehensive database with crop-specific growth and environmental data, and machine learning technology, with the goal of optimizing crop growth patterns, maximizing yields, and shortening harvest periods. By determining the optimal conditions for growing crops, analyzing and adapting to the individual requirements of various crops,

농업 생산성과 효율성을 향상시켜 궁극적으로 작물 결과를 개선하고,Improve agricultural productivity and efficiency, ultimately improving crop results,

보다 지속 가능한 농업 방식으로 이어질 수 있도록 하는, RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템을 제공하는 데 목적이 있다.The purpose is to provide a machine learning-based crop growth optimization system using RGB LED light sources and environmental data that can lead to more sustainable agricultural methods.

상기 목적을 이루기 위한 본 발명은 해결하고자 하는 과제를 달성하기 위해 안출된 것으로서,The present invention to achieve the above object was devised to achieve the problem to be solved,

RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템에 있어서,In a machine learning-based crop growth optimization system using RGB LED light source and environmental data,

작물별 생육 및 환경 데이터를 수집, 획득하는 작물별생육환경데이터수집모듈;Crop-specific growth environment data collection module that collects and acquires crop-specific growth and environmental data;

상기 작물별생육환경데이터수집모듈로부터 수집, 획득된 작물별 생육 및 환경 데이터에 대한 특징을 정규화하여 데이터를 전처리하는 작물별생육환경데이터전처리모듈;A crop-specific growth environment data preprocessing module that preprocesses the data by normalizing the characteristics of the growth and environmental data for each crop collected and acquired from the crop-specific growth environment data collection module;

상기 작물별생육환경데이터전처리모듈로부터 전처리된 데이터를 이용하여 신경망을 훈련시키는 작물별생육환경데이터기계학습모듈;a crop-specific growth environment data machine learning module that trains a neural network using data pre-processed from the crop-specific growth environment data pre-processing module;

상기 작물별생육환경데이터기계학습모듈에 의해 도출되는 데이터를 바탕으로, 작물에 대한 최적의 생장 조건을 예측하는 작물별생육환경최적조건도출모듈;로 구성되어,It consists of a crop-specific growth environment optimal condition derivation module that predicts the optimal growth conditions for crops based on data derived from the crop-specific growth environment data machine learning module;

작물별생육환경데이터기계학습모듈에 의해 훈련된 신경망을 이용하여, 작물별생육환경최적조건도출모듈을 통해, 작물 생육 조건에 대한 최적화 방법을 도출, 양질(良質)의 작물 수확은 물론, 작물 수확량을 최대화하고 수확 기간을 단축할 수 있도록 하는 것을 특징으로 한다.Using a neural network trained by the crop-specific growth environment data machine learning module, we derive an optimization method for crop growth conditions through the crop-specific growth environment optimal condition derivation module, resulting in high-quality crop harvest as well as crop yield. It is characterized by maximizing and shortening the harvest period.

이때, 작물별생육환경데이터수집모듈로부터 수집, 획득되는 작물에 대한 환경 데이터는,At this time, the environmental data on crops collected and acquired from the crop-specific growth environment data collection module is,

온도, 습도, 광도, 광주기 및 광 스펙트럼에 대한 정보를 포함하고,Contains information about temperature, humidity, light intensity, photoperiod, and light spectrum;

작물과 특정 생장 데이터 간의 관계에 따른 작물의 수확량 정보가 포함되고,It includes crop yield information according to the relationship between the crop and specific growth data,

RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템에는,The machine learning-based crop growth optimization system using RGB LED light source and environmental data includes:

작물별생육환경데이터기계학습모듈로부터 훈련된 신경망을 구현하여, 작물별생육환경최적조건도출모듈로부터 도출된 작물에 대한 최적의 성장 조건 정보를 기반으로, 환경 매개 변수 및 광 스펙트럼을 자동, 조정함으로써 작물 성장 및 수확량을 향상시키는 작물별생육환경자동조절모듈;이 더 포함, 구성되고,By implementing a neural network trained from the crop-specific growth environment data machine learning module, environmental parameters and light spectrum are automatically adjusted based on the optimal growth condition information for crops derived from the crop-specific growth environment optimal condition derivation module. It is further included and configured to automatically control the growth environment for each crop, which improves crop growth and yield.

작물별생육환경데이터기계학습모듈의 신경망은,The neural network of the crop-specific growth environment data machine learning module is,

역전파(backpropagation)와 같은 지도 학습 알고리즘을 사용하여 훈련되고 경사 하강법으로 최적화되는 다중 계층을 갖는 피드포워드 신경망인 것과,a feedforward neural network with multiple layers trained using supervised learning algorithms such as backpropagation and optimized with gradient descent;

테스트 데이터셋 및 에러 메트릭스를 이용하여,Using test dataset and error metrics,

작물별생육환경데이터기계학습모듈로부터 훈련된 신경망의 성능을 평가하고, 모델 정확도 및 일반화를 개선하기 위해 평가 결과에 기초하여 신경망 구조를 정제하거나 훈련 데이터의 양을 증가시키는 작물별생육환경데이터기계학습보강안정화모듈;을 더 포함, 구성되는 것을 특징으로 한다.Crop-specific growth environment data machine learning evaluates the performance of the neural network trained from the crop-specific growth environment data machine learning module and refines the neural network structure based on the evaluation results to improve model accuracy and generalization or increases the amount of training data. It is characterized in that it further includes and consists of a reinforcement stabilization module.

한편, 이에 앞서 본 명세서는 특허등록청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.Meanwhile, prior to this, the terms and words used in the patent registration claims in this specification should not be construed as limited to their usual or dictionary meanings, and the inventor should use the concept of terms to explain his or her invention in the best way. It must be interpreted as meaning and concept consistent with the technical idea of the present invention based on the principle that can be appropriately defined.

따라서, 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시 예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.Therefore, the embodiments described in this specification and the configurations shown in the drawings are only one of the most preferred embodiments of the present invention, and do not represent the entire technical idea of the present invention, so at the time of filing the present application, various alternatives may be used. It should be understood that equivalents and variations may exist.

이상의 구성 및 작용에서 상기 설명한 바와 같이, 본 발명에 따르면,As described above in the above configuration and operation, according to the present invention,

1. 작물 수확량 향상을 도모한다.1. Promote improved crop yield.

즉, 기계 학습 알고리즘을 통해 훈련된 신경망을 사용하여 특정 작물에 대한 최적의 성장 조건을 예측함으로써, 작물 수확량을 최대화하고, 자원 낭비를 줄여 보다 효율적이고 지속 가능한 농업 관행으로 이어질 수 있도록 한다.In other words, it uses neural networks trained through machine learning algorithms to predict optimal growth conditions for specific crops, thereby maximizing crop yields and reducing resource waste, leading to more efficient and sustainable agricultural practices.

2. 수확 기간 단축을 도모한다.2. Aim to shorten the harvest period.

즉, 기계 학습 알고리즘을 통해 훈련된 신경망은 작물 개발을 가속화하는 성장 조건을 식별하는 데 도움이 될 수 있으므로 수확 기간이 단축되고 잠재적으로 단일 재배 기간 내에서 여러 번 수확할 수 있도록 한다.In other words, neural networks trained through machine learning algorithms can help identify growing conditions that accelerate crop development, shortening harvest periods and potentially allowing multiple harvests within a single growing season.

3. 기후 변화에 대한 적응성의 향상을 도모한다.3. Promote improvement of adaptability to climate change.

즉, 기계 학습 알고리즘을 통해 훈련된 신경망은 다양한 기후 시나리오에서 최적의 성장 조건을 예측하는 데 활용될 수 있어 농부들이 변화하는 환경 조건에 재배 관행을 적응시키고 작물 생산성을 유지할 수 있도록 한다.In other words, neural networks trained through machine learning algorithms can be utilized to predict optimal growing conditions under various climate scenarios, allowing farmers to adapt their cultivation practices to changing environmental conditions and maintain crop productivity.

4. 개선된 자원 관리 시스템을 구축할 수 있다.4. An improved resource management system can be built.

즉, 농부가 물, 비료 및 에너지와 같은 자원 사용을 최적화하여 환경에 미치는 영향을 최소화하고 자원의 남용 또는 비효율적인 사용과 관련된 비용을 줄이는 데 도움을 줄 수 있다.This means it can help farmers optimize their use of resources such as water, fertilizer and energy to minimize environmental impact and reduce costs associated with overuse or inefficient use of resources.

5. 맞춤형 재배 전략 계획을 세울 수 있다.5. You can create a customized cultivation strategy plan.

즉, 기계 학습 알고리즘을 통해 훈련된 신경망은 지역 환경 데이터 및 특정 작물 요구 사항을 기반으로, 맞춤형 성장 조건 권장 사항을 생성할 수 있으므로, 농부는 정밀 농업 기술을 구현하고 전반적인 작물 관리를 개선할 수 있는 매우 효과적인 발명이라 하겠다.This means that neural networks trained through machine learning algorithms can generate customized growing conditions recommendations based on local environmental data and specific crop requirements, enabling farmers to implement precision agriculture techniques and improve overall crop management. I would say it is a very effective invention.

도 1은, 본 발명인 RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템의 개념도를 나타낸 것이다.
도 2는, 본 발명인 RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템의 일례를 도시한 개략도를 나타낸 것이다.
도 3은, 본 발명인 RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템을 활용한 재배 과정을 보여주는 흐름도를 나타낸 것이다.Figure 1 shows a conceptual diagram of the machine learning-based crop growth optimization system using the present invention's RGB LED light source and environmental data.
Figure 2 is a schematic diagram showing an example of a machine learning-based crop growth optimization system using the present invention's RGB LED light source and environmental data.
Figure 3 is a flow chart showing the cultivation process using the machine learning-based crop growth optimization system using the present invention's RGB LED light source and environmental data.

이하, 첨부된 도면을 참조하여, 본 발명인 RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템(1)에 대한 기능, 구성 및 작용을 상세히 설명하기로 한다.Hereinafter, with reference to the attached drawings, the function, configuration, and operation of the machine learning-based crop growth optimization system (1) using an RGB LED light source and environmental data according to the present invention will be described in detail.

도 1은, 본 발명인 RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템의 개념도를 나타낸 것이며,Figure 1 shows a conceptual diagram of the machine learning-based crop growth optimization system using the present invention's RGB LED light source and environmental data,

도 2는, 본 발명인 RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템의 일례를 도시한 개략도를,Figure 2 is a schematic diagram showing an example of a machine learning-based crop growth optimization system using the present invention's RGB LED light source and environmental data,

도 3은, 본 발명인 RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템을 활용한 재배 과정을 보여주는 흐름도를 나타낸 것이다.Figure 3 is a flow chart showing the cultivation process using the machine learning-based crop growth optimization system using the present invention's RGB LED light source and environmental data.

도 1 내지 도 3에 도시된 바와 같이, 본 발명은,As shown in Figures 1 to 3, the present invention,

RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템(1)에 있어서,In the machine learning-based crop growth optimization system (1) using RGB LED light source and environmental data,

작물별 생육 및 환경 데이터를 수집, 획득하는 작물별생육환경데이터수집모듈(100);A crop-specific growth environment data collection module (100) that collects and acquires crop-specific growth and environmental data;

상기 작물별생육환경데이터수집모듈(100)로부터 수집, 획득된 작물별 생육 및 환경 데이터에 대한 특징을 정규화하여 데이터를 전처리하는 작물별생육환경데이터전처리모듈(200);A crop-specific growth environment data preprocessing module (200) that preprocesses the data by normalizing the characteristics of the growth and environmental data for each crop collected and acquired from the crop-specific growth environment data collection module (100);

상기 작물별생육환경데이터전처리모듈(200)로부터 전처리된 데이터를 이용하여 신경망을 훈련시키는 작물별생육환경데이터기계학습모듈(300);a crop-specific growth environment data machine learning module (300) that trains a neural network using data pre-processed from the crop-specific growth environment data pre-processing module (200);

상기 작물별생육환경데이터기계학습모듈(300)에 의해 도출되는 데이터를 바탕으로, 작물에 대한 최적의 생장 조건을 예측하는 작물별생육환경최적조건도출모듈(400);로 구성되어,It consists of a crop-specific growth environment optimal condition derivation module (400) that predicts the optimal growth conditions for crops based on data derived from the crop-specific growth environment data machine learning module (300),

작물별생육환경데이터기계학습모듈(300)에 의해 훈련된 신경망을 이용하여, 작물별생육환경최적조건도출모듈(400)을 통해, 작물 생육 조건에 대한 최적화 방법을 도출, 양질(良質)의 작물 수확은 물론, 작물 수확량을 최대화하고 수확 기간을 단축할 수 있도록 하는 것을 특징으로 한다.Using a neural network trained by the crop-specific growth environment data machine learning module (300), an optimization method for crop growth conditions is derived through the crop-specific growth environment optimal condition derivation module (400), producing high-quality crops. It is characterized by not only harvesting, but also maximizing crop yield and shortening the harvest period.

이때, 작물별생육환경데이터수집모듈(100)로부터 수집, 획득되는 작물에 대한 환경 데이터는,At this time, the environmental data on crops collected and obtained from the crop-specific growth environment data collection module 100 is,

작물과 특정 생장 데이터 간의 관계에 따른 작물의 수확량 정보가 포함되도록 한다.Ensure that crop yield information is included based on the relationship between the crop and specific growth data.

또한, RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템(1)에는,In addition, the machine learning-based crop growth optimization system (1) using RGB LED light sources and environmental data includes:

작물별생육환경데이터기계학습모듈(300)로부터 훈련된 신경망을 구현하여, 작물별생육환경최적조건도출모듈(400)로부터 도출된 작물에 대한 최적의 성장 조건 정보를 기반으로, 환경 매개 변수 및 광 스펙트럼을 자동, 조정함으로써 작물 성장 및 수확량을 향상시키는 작물별생육환경자동조절모듈(500);이 더 포함, 구성되고,By implementing a neural network trained from the crop-specific growth environment data machine learning module (300), environmental parameters and light are determined based on the optimal growth condition information for crops derived from the crop-specific growth environment optimal condition derivation module (400). A crop-specific growth environment automatic control module 500 that improves crop growth and yield by automatically adjusting the spectrum is further included and configured,

작물별생육환경데이터기계학습모듈(300)의 신경망은,The neural network of the crop-specific growth environment data machine learning module (300) is,

역전파(backpropagation)와 같은 지도 학습 알고리즘을 사용하여 훈련되고 경사 하강법으로 최적화되는 다중 계층을 갖는 피드포워드 신경망인 것을 특징으로 한다.It is characterized as a feedforward neural network with multiple layers that is trained using a supervised learning algorithm such as backpropagation and optimized by gradient descent.

작물별생육환경데이터기계학습모듈(300)로부터 훈련된 신경망의 성능을 평가하고, 모델 정확도 및 일반화를 개선하기 위해 평가 결과에 기초하여 신경망 구조를 정제하거나 훈련 데이터의 양을 증가시키는 작물별생육환경데이터기계학습보강안정화모듈(600);을 더 포함, 구성되는 것을 특징으로 한다.Crop-specific growth environment data evaluates the performance of the neural network trained from the crop-specific growth environment data machine learning module 300, refines the neural network structure based on the evaluation results to improve model accuracy and generalization, or increases the amount of training data. It is characterized in that it further includes a data machine learning reinforcement stabilization module (600).

즉, 본 발명은,That is, the present invention:

상술한 바와 같이,As mentioned above,

기계 학습 알고리즘, RGB LED 광원 및 환경 데이터를 이용하여 작물 성장 패턴을 최적화하고, 수확량을 최대화하며, 수확 기간을 단축하기 위한, RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템(1)에 대한 것이다.A machine learning-based crop growth optimization system using RGB LED light sources and environmental data to optimize crop growth patterns, maximize yield, and shorten the harvest period using machine learning algorithms, RGB LED light sources, and environmental data (1) It's about.

본 발명을 좀 더 구체적으로 설명하면,To describe the present invention in more detail,

본 발명의 RGB LED 광원은,The RGB LED light source of the present invention,

다양한 작물의 특정 요구 사항을 충족하도록 광 스펙트럼을 조정할 수 있도록, 맞춤화 가능한 구성으로 구성되고, 이러한 구성으로, 각 작물의 생육에 필요한 최적의 광량, 파장, 광주기를 제공하도록 광원을 제어할 수 있도록 한다.It consists of a customizable configuration that allows the light spectrum to be adjusted to meet the specific requirements of various crops, and with this configuration, the light source can be controlled to provide the optimal amount, wavelength, and photoperiod required for the growth of each crop. .

환경 데이터는,Environmental data is,

작물별 성장과 관련된 온도, 습도, 광도, 광주기 등에 대한 데이터가 포함되어 있으며, 이 데이터는 연구, 과거 데이터, 작물 환경의 실시간 모니터링 등 다양한 소스에서 수집될 수 있다.It contains data on temperature, humidity, light intensity, photoperiod, etc. related to the growth of each crop, and this data can be collected from various sources such as research, historical data, and real-time monitoring of the crop environment.

특히, 환경 데이터는, 가장 정확하고 최신 정보가 사용되도록 지속적으로 업데이트되도록 한다.In particular, environmental data is continuously updated to ensure that the most accurate and up-to-date information is used.

기계 학습 알고리즘은,The machine learning algorithm is,

작물별생육환경데이터수집모듈(100)로부터 수집, 획득되는 작물별 생육 및 환경 데이터를 분석하고, 특정 작물에 대한 최적의 성장 조건을 결정한다.Growth and environmental data for each crop collected and acquired from the crop-specific growth environment data collection module 100 are analyzed, and optimal growth conditions for a specific crop are determined.

알고리즘은 지도 학습, 비지도 학습 또는 강화 학습과 같은 다양한 기계 학습 기술을 활용하여 데이터를 분석하고, 시간이 지남에 따라 정확도와 예측 기능을 향상시킬 수 있다.Algorithms can utilize a variety of machine learning techniques, such as supervised learning, unsupervised learning, or reinforcement learning, to analyze data and improve their accuracy and predictive capabilities over time.

본 발명은, 작물의 성장을 모니터링하고 새로운 데이터로 데이터베이스를 지속적으로 업데이트하여 기계 학습 알고리즘이 변화하는 조건을 학습하고 적응할 수 있도록 한다.The present invention monitors crop growth and continuously updates the database with new data, allowing machine learning algorithms to learn and adapt to changing conditions.

이러한 반복 프로세스를 통해, 작물 성장 조건을 개선하고 최적화하여 농업 결과를 개선할 수 있도록 한다.Through this iterative process, crop growth conditions can be improved and optimized to improve agricultural results.

또한, 본 발명을 통해 사용자는 향상된 농업 생산성 및 효율성을 달성할 수 있어 향상된 작물 결과 및 보다 지속 가능한 농업 관행으로 이어지도록 도모한다.Additionally, the present invention allows users to achieve improved agricultural productivity and efficiency, leading to improved crop results and more sustainable agricultural practices.

하기는, 본 발명의 작물별생육환경데이터수집모듈(100), 작물별생육환경데이터전처리모듈(200), 작물별생육환경데이터기계학습모듈(300), 작물별생육환경최적조건도출모듈(400)을 통한 단계별 프로세스에 대한 설명이다.The following describes the crop-specific growth environment data collection module (100), crop-specific growth environment data pre-processing module (200), crop-specific growth environment data machine learning module (300), and crop-specific growth environment optimal condition derivation module (400) of the present invention. ) This is a description of the step-by-step process.

제 1 단계: 작물별 성장 및 환경 데이터 수집 단계로서,Step 1: A step of collecting growth and environmental data for each crop,

데이터베이스에서 관련 성장 및 환경 데이터를 수집, 획득한다.Collect and obtain relevant growth and environmental data from the database.

데이터에는 온도, 습도, 광도, 광주기 및 작물 성장에 영향을 미치는 기타 요인이 포함될 수 있으며, 데이터베이스는 연구, 과거 데이터 및 작물 환경의 실시간 모니터링을 포함하여 다양한 출처의 새로운 데이터로 정기적으로 업데이트되도록 한다.Data may include temperature, humidity, light intensity, photoperiod and other factors that affect crop growth, and the database is ensured to be regularly updated with new data from a variety of sources, including research, historical data and real-time monitoring of crop environments. .

제 2단계: 수집된 데이터를 기계 학습 알고리즘에 입력 단계로서,Step 2: Inputting the collected data into the machine learning algorithm,

수집된 데이터는 기계 학습 알고리즘에 입력되어 데이터를 처리하고 분석하여 작물의 최적 성장 조건을 결정한다.The collected data is fed into a machine learning algorithm that processes and analyzes the data to determine the optimal growth conditions for the crop.

알고리즘은 지도 학습, 비지도 학습 또는 강화 학습과 같은 다양한 기계 학습 기술을 사용하여, 데이터를 분석하고 시간이 지남에 따라 정확성과 예측 기능을 향상시킬 수 있도록 한다.Algorithms use a variety of machine learning techniques, such as supervised learning, unsupervised learning, or reinforcement learning, to analyze data and allow them to improve accuracy and prediction capabilities over time.

제 3단계: 최적의 성장 조건을 결정하기 위한 데이터 분석 단계로서,Step 3: Data analysis step to determine optimal growth conditions,

기계 학습 알고리즘은, 데이터를 분석하고 작물의 최적 성장 조건을 식별한다.Machine learning algorithms analyze data and identify optimal growing conditions for crops.

이러한 조건에는, 작물의 성장과 발달에 기여하는 최적의 광 스펙트럼, 광도, 온도, 습도 및 기타 환경 요인이 포함될 수 있다.These conditions may include optimal light spectrum, light intensity, temperature, humidity and other environmental factors that contribute to crop growth and development.

제 4단계: 결정된 최적 조건에 따라 RGB LED 광원 조정 단계로서,Step 4: Adjusting the RGB LED light source according to the determined optimal conditions,

결정된 최적의 성장 조건에 따라, RGB LED 광원을 조정하여 작물에 적합한 광 스펙트럼, 강도 및 광주기를 제공한다.According to the determined optimal growth conditions, the RGB LED light source is adjusted to provide the appropriate light spectrum, intensity and photoperiod for the crop.

다양한 작물의 특정 요구 사항을 충족하도록 광원을 제어하고 사용자 정의할 수 있어 최적의 성장과 발달이 보장되도록 한다.Light sources can be controlled and customized to meet the specific needs of different crops, ensuring optimal growth and development.

제 5단계: 작물 성장 모니터링 및 새 데이터로 데이터베이스 업데이트 단계로서,Step 5: Monitor crop growth and update database with new data,

작물의 성장을 지속적으로 모니터링하고 성장 및 환경 조건에 대한 새로운 데이터를 수집한다.Continuously monitor crop growth and collect new data on growth and environmental conditions.

이 새로운 데이터는 데이터베이스에 추가되어 기계 학습 알고리즘이 지속적으로 학습하고 변화하는 조건에 적응할 수 있도록 도모하며,This new data is added to the database, allowing machine learning algorithms to continuously learn and adapt to changing conditions.

이라한 반복 프로세스를 통해 시스템은 작물 성장 조건을 개선하고 최적화하여 궁극적으로 농업 결과를 개선할 수 있도록 한다.Through this iterative process, the system improves and optimizes crop growth conditions, ultimately improving agricultural results.

즉, 본 발명은,That is, the present invention:

기계 학습 알고리즘, RGB LED 광원 및 환경 데이터를 사용하여 작물 성장 패턴을 최적화하고 수확량을 최대화하며 수확 기간을 단축하기 위한 새롭고 효과적인 시스템 및 방법을 제공함으로서,By providing new, effective systems and methods to optimize crop growth patterns, maximize yields, and shorten harvest periods using machine learning algorithms, RGB LED light sources, and environmental data,

농업 생산성과 효율성을 향상시켜 궁극적으로 수확량을 개선하고 보다 지속 가능한 농업 관행을 이끌어낼 수 있도록 도모한다.It seeks to improve agricultural productivity and efficiency, ultimately improving yields and leading to more sustainable agricultural practices.

또한, RGB LED 광원이 발산하는 Red, Green, Blue 색상과 작물별 생육 및 환경 데이터를 결합하여 최적의 생육 패턴을 생성함으로써, 작물 재배 과정의 효율성과 생산성을 더욱 높일 수 있다.In addition, the efficiency and productivity of the crop cultivation process can be further increased by creating an optimal growth pattern by combining the red, green, and blue colors emitted by the RGB LED light source with growth and environmental data for each crop.

다양한 작물은 최적의 성장을 위해 다양한 광 스펙트럼 요구 사항을 가지고 있으므로, RGB LED 광원에서 방출되는 빨강, 녹색 및 파랑 색상은 다양한 비율로 결합되어 각 작물의 특정 요구 사항을 충족하는 맞춤형 광 스펙트럼을 생성할 수 있도록 구성된다.Because different crops have different light spectrum requirements for optimal growth, the red, green, and blue colors emitted from an RGB LED light source can be combined in various ratios to create a customized light spectrum that meets the specific needs of each crop. It is structured so that

더불어, 온도, 습도, 광도, 광주기와 같은 작물별 성장 및 환경 데이터를 사용하여 RGB LED 광원의 조정을 안내할 수 있다.In addition, crop-specific growth and environmental data such as temperature, humidity, light intensity, and photoperiod can be used to guide the adjustment of the RGB LED light source.

최적의 성장을 위해 하기와 같은 광 스펙트럼, 온도, 습도, 광도 및 광주기 값이 필요한 작물의 조건을 예를 들면,For example, crop conditions that require the following light spectrum, temperature, humidity, light intensity, and photoperiod values for optimal growth are:

광 스펙트럼: 빨간색 70%, 녹색 20%, 파란색 10%,Light spectrum: 70% red, 20% green, 10% blue;

온도: 20-25°C(68-77°F)의 최적 범위,Temperature: Optimal range of 20-25°C (68-77°F);

습도: 60~70% 상대 습도의 최적 범위,Humidity: Optimal range of 60-70% relative humidity;

광도: 400 μmol/m²/s의 최적 값(광합성 광자 플럭스 밀도 또는 PPFD),Light intensity: optimal value of 400 μmol/m²/s (photosynthetic photon flux density or PPFD);

광주기: 하루 16시간의 최적의 빛 지속 시간(16:8 명암 주기)을 최적 생장 조건으로 설정된 작물 재배는,Photoperiod: Crop cultivation with the optimal light duration of 16 hours per day (16:8 light/dark cycle) set as the optimal growth condition,

최적의 성장 패턴을 생성하기 위해, RGB LED 광원을 조정하여 70% 적색, 20% 녹색 및 10% 청색광으로 광 스펙트럼이 방출되도록 하고,To create an optimal growth pattern, adjust the RGB LED light source to emit a light spectrum of 70% red, 20% green, and 10% blue light;

또한, 빛의 강도는 400 μmol/m²/s로 설정, 광주기는 16:8 명암 주기를 제공하도록 조정된다.Additionally, the light intensity is set to 400 μmol/m²/s and the photoperiod is adjusted to provide a 16:8 light/dark cycle.

또한, 각각 20-25°C 및 60-70% 상대 습도의 최적 범위 내에서 온도와 습도가 유지되도록 설정되어, 맞춤형 광 스펙트럼을 작물별 성장 및 환경 데이터와 결합함으로써, 작물의 성장 패턴을 최적화하고 수확량을 최대화하며 수확 기간을 단축할 수 있도록 한다.Additionally, temperature and humidity are set to be maintained within the optimal range of 20-25°C and 60-70% relative humidity respectively, optimizing crop growth patterns by combining customized light spectra with crop-specific growth and environmental data. It maximizes yield and shortens the harvest period.

또한, 최적 조건이 설정되어 재배되는 작물의 성장을 지속적으로 모니터링하고, 새로운 데이터로 데이터베이스를 업데이트하면, 기계 학습 알고리즘이 변화하는 조건을 학습하고 적응하여 최적의 성장 패턴을 더욱 개선하고 전반적인 농업 결과를 향상시킬 수 있도록 한다.Additionally, by continuously monitoring the growth of crops grown under optimal conditions and updating the database with new data, machine learning algorithms learn and adapt to changing conditions to further improve optimal growth patterns and improve overall agricultural results. so that it can be improved.

한편, 본 발명에서 기계 학습 알고리즘을 위한 훈련 데이터 획득은,Meanwhile, in the present invention, the acquisition of training data for the machine learning algorithm is,

작물 생육 패턴 최적화, 수확량 극대화, 수확 기간 단축을 위해 필수적이다.It is essential for optimizing crop growth patterns, maximizing yield, and shortening the harvest period.

훈련 데이터는 기계 학습 알고리즘의 정확성과 효율성을 보장하기 위해 다양한 출처와 방법에서 수집될 수 있다.Training data can be collected from a variety of sources and methods to ensure the accuracy and efficiency of machine learning algorithms.

훈련 데이터를 얻기 위한 몇 가지 접근 방식은 하기와 같다.Some approaches to obtain training data are as follows.

과거 데이터 획득: 과거 데이터는 다양한 작물에 대한 최적의 성장 조건에 대한 기본적인 이해를 제공하는 것으로, 작물 성장 및 환경 요인에 대한 이전 연구 및 과거 데이터는 훈련 데이터의 출발점이 될 수 있다.Acquire historical data: Historical data provides a basic understanding of optimal growth conditions for various crops. Previous research and historical data on crop growth and environmental factors can be a starting point for training data.

이 정보는 학술 연구, 정부 기관 및 농업 조직에서 수집되도록 한다.This information should be collected from academic research, government agencies, and agricultural organizations.

실시간 모니터링: 작물 환경에 센서 및 모니터링 장비를 설치하여 온도, 습도, 광도, 광주기 및 광 스펙트럼과 같은 요소에 대한 실시간 데이터를 수집하고, 수집되는 실시간 데이터와 기록 데이터가 결합하여 보다 포괄적이고 최신 교육 데이터 세트를 생성할 수 있도록 한다.Real-time monitoring: Install sensors and monitoring equipment in the crop environment to collect real-time data on factors such as temperature, humidity, light intensity, photoperiod, and light spectrum. The collected real-time data and historical data are combined to provide more comprehensive and up-to-date training. Allows you to create a data set.

실험 데이터: 제어 실험을 수행하여 다양한 조건에서 작물 성장에 대한 데이터를 수집할 수 있다.Experimental data: Controlled experiments can be conducted to collect data on crop growth under various conditions.

이러한 실험은, 작물 성장에 대한 다양한 환경 요인과 광 스펙트럼의 특정 효과를 식별하여 각 작물의 최적 조건을 더 잘 이해하는 데 도움이 될 수 있다.These experiments can help us better understand the optimal conditions for each crop by identifying the specific effects of different environmental factors and light spectra on crop growth.

Crowdsourced Data: 다양한 조건에서 작물을 재배하는 농부와 농업 전문가로부터 데이터를 수집할 수 있다.Crowdsourced Data: Data can be collected from farmers and agricultural experts who grow crops under various conditions.

이 크라우드 소싱 데이터는 작물 성장의 실용적인 측면에 대한 귀중한 통찰력을 제공하고 교육 데이터 세트에 기여할 수 있다.This crowdsourced data can provide valuable insights into practical aspects of crop growth and contribute to training datasets.

문헌 및 데이터베이스: 기존 과학 문헌, 농업 데이터베이스 및 온라인 리소스를 사용하여 작물 성장 및 환경 요인에 대한 데이터를 수집할 수 있다.Literature and databases: Data on crop growth and environmental factors can be collected using existing scientific literature, agricultural databases, and online resources.

이 정보는 다른 데이터 소스와 통합되어 포괄적인 교육 데이터 세트를 생성할 수 있다.This information can be integrated with other data sources to create a comprehensive training data set.

상기와 같은 방법으로 수집, 획득된 훈련 데이터는, 기계 학습 알고리즘을 훈련하는 데 사용된다.Training data collected and acquired in the above manner is used to train a machine learning algorithm.

알고리즘은, 데이터를 분석하고 각 작물에 대한 최적의 성장 조건을 결정할 수 있다.Algorithms can analyze the data and determine optimal growing conditions for each crop.

훈련된 신경망의 효율성을 평가하기 위해 데이터 세트의 일부를 테스트 데이터로 따로 설정할 수 있다.To evaluate the effectiveness of a trained neural network, a portion of the data set can be set aside as test data.

또한, 테스트 데이터는 알고리즘의 정확도와 예측 기능을 평가하는 데 사용할 수 있다.Additionally, test data can be used to evaluate the algorithm's accuracy and predictive capabilities.

훈련 데이터를 새로운 정보로 지속적으로 업데이트하고 작물의 성장을 모니터링함으로써 기계 학습 알고리즘은 지속적으로 학습하고 변화하는 조건에 적응하여 궁극적으로 농업 성과를 개선하고 보다 지속 가능한 농업 관행을 이끌어낼 수 있도록 한다.By continuously updating training data with new information and monitoring crop growth, machine learning algorithms can continuously learn and adapt to changing conditions, ultimately improving agricultural performance and leading to more sustainable agricultural practices.

기계 학습 알고리즘에 필요한 훈련 데이터 예제의 수는 알고리즘의 복잡성, 연구 중인 작물의 다양성, 원하는 정확도 수준과 같은 다양한 요인에 따라 달라진다.The number of training data examples needed for a machine learning algorithm depends on a variety of factors, such as the complexity of the algorithm, the variety of crops being studied, and the level of accuracy desired.

일반적으로 훈련 데이터가 많을수록 기계 학습 알고리즘의 성능이 향상될 수 있지만 데이터가 다양하고 각 작물의 다양한 성장 조건을 대표하는지 확인하는 것도 중요하다.In general, more training data can improve the performance of machine learning algorithms, but it is also important to ensure that the data is diverse and representative of the different growing conditions of each crop.

하기는 특정 작물에 대한 숫자 값을 사용하는 학습 데이터의 실시 예이다.Below is an example of training data using numeric values for specific crops.

실시 예 1은,Example 1 is,

온도: 22°C,Temperature: 22°C;

습도: 65%,Humidity: 65%,

광도: 350 μmol/m²/s,Luminous intensity: 350 μmol/m²/s,

광주기 : 14시간,Photoperiod: 14 hours,

광 스펙트럼: 60% 빨간색, 25% 녹색, 15% 파란색,Light spectrum: 60% red, 25% green, 15% blue;

수율: 2.0kg/m²,Yield: 2.0kg/m²,

실시 예 2는,Example 2,

온도: 25°C,Temperature: 25°C;

습도: 70%,Humidity: 70%,

광도: 450 μmol/m²/s,Luminous intensity: 450 μmol/m²/s,

광주기 : 16시간,Photoperiod: 16 hours,

수율: 2.5kg/m²,Yield: 2.5 kg/m²,

실시 예 3은,Example 3 is,

온도: 20°C,Temperature: 20°C;

습도: 60%,Humidity: 60%,

광도: 300 μmol/m²/s,Luminous intensity: 300 μmol/m²/s,

광주기 : 12시간,Photoperiod: 12 hours,

광 스펙트럼: 50% 빨간색, 30% 녹색, 20% 파란색,Light spectrum: 50% red, 30% green, 20% blue,

수율: 1.5kg/m²로,Yield: 1.5kg/m²,

각 실시 예에서 훈련 데이터에는,In each embodiment, the training data includes:

온도, 습도, 광도, 광주기, 광 스펙트럼 및 수율이 포함된다.These include temperature, humidity, light intensity, photoperiod, light spectrum and yield.

기계 학습 알고리즘은 이 데이터를 사용하여 이러한 요인과 작물 수확량에 미치는 영향 간의 관계를 학습할 수 있다.Machine learning algorithms can use this data to learn the relationships between these factors and their impact on crop yields.

필요한 훈련 데이터 예제의 수는 상기 언급한 요인에 따라 다르기 때문에 구체적인 수를 제공하기는 어렵다.It is difficult to provide a specific number as the number of training data examples needed depends on the factors mentioned above.

그러나, 일반적으로 알고리즘이 정확한 예측을 시작하려면 수백에서 수천 개의 실시 예가 필요하다.However, typically hundreds to thousands of examples are needed for the algorithm to start making accurate predictions.

데이터의 품질과 다양성이 양만큼 중요하므로, 훈련 데이터를 새로운 정보로 지속적으로 업데이트하고 작물의 성장을 모니터링함으로써 기계 학습 알고리즘은 지속적으로 학습하고 변화하는 조건에 적응하여 궁극적으로 농업 성과를 개선하고 보다 지속 가능한 농업 관행을 이끌어낼 수 있도록 한다.The quality and diversity of data are as important as the quantity, so by continuously updating training data with new information and monitoring crop growth, machine learning algorithms can continuously learn and adapt to changing conditions, ultimately improving agricultural performance and making it more sustainable. Encourage viable agricultural practices.

상기의 학습 데이터는,The above learning data is,

인공 신경망과 같은 기계 학습 모델을 학습하여 특정 작물에 대한 최적의 성장 조건을 예측하는 데 사용할 수 있다.Machine learning models, such as artificial neural networks, can be trained and used to predict optimal growing conditions for specific crops.

적합한 기계 학습 모델의 한 가지 예는, 여러 계층이 있는 피드포워드 신경망이다.One example of a suitable machine learning model is a feedforward neural network with multiple layers.

하기는, 제공된 데이터를 사용하여 신경망을 교육하는 방법에 대한 설명이다.Below is a description of how to train a neural network using the provided data.

데이터 전처리: 신경망을 훈련시키기 전에 최적의 성능을 보장하기 위해 훈련 데이터를 전처리하는 과정이 필요하다.Data preprocessing: Before training a neural network, it is necessary to preprocess the training data to ensure optimal performance.

여기에는 입력 데이터(온도, 습도, 광도, 광주기 및 광 스펙트럼)를 0과 1 사이와 같은 공통 척도로 정규화하는 것이 포함될 수 있다.This may include normalizing the input data (temperature, humidity, light intensity, photoperiod, and light spectrum) to a common scale, such as between 0 and 1.

또한, 데이터는 모델을 훈련하는 데 사용되는 훈련 세트와 성능을 평가하는 데 사용되는 테스트 세트로 분할될 수 있다.Additionally, the data can be split into a training set, which is used to train the model, and a test set, which is used to evaluate performance.

신경망 아키텍처: 피드포워드 신경망은 입력 계층, 하나 이상의 숨겨진 계층 및 출력 계층으로 구성될 수 있다.Neural Network Architecture: A feedforward neural network may consist of an input layer, one or more hidden layers, and an output layer.

입력 레이어에는 각 입력 기능(온도, 습도, 광도, 광주기 및 광 스펙트럼)에 대해 하나씩 총 5개의 노드로 형성되고,The input layer is formed by a total of five nodes, one for each input feature (temperature, humidity, light intensity, photoperiod, and light spectrum);

은닉층은 문제의 복잡성과 원하는 정확도 수준에 따라 다양한 수의 노드를 가질 수 있습니다. 출력 레이어에는 예측된 수율을 나타내는 단일 노드로 형성될 수 있다.The hidden layer can have a varying number of nodes depending on the complexity of the problem and the desired level of accuracy. The output layer can be formed with a single node representing the predicted yield.

교육 과정: 역전파와 같은 감독 학습 알고리즘을 사용하여 신경망을 교육할 수 있다.Training process: Neural networks can be trained using supervised learning algorithms such as backpropagation.

교육 과정 중에 입력 기능이 신경망에 입력되어 작물 수확량을 예측할 수 있다.During the training process, input features are fed into a neural network to predict crop yield.

예측된 수율을 실제 수율과 비교하고 두 값 사이의 오차를 계산, 그런 다음, 경사 하강 최적화 알고리즘을 사용하여, 이 오류를 최소화하기 위해 신경망의 가중치와 편향이 업데이트되도록 한다.Compare the predicted yield to the actual yield and calculate the error between the two values. Then, using a gradient descent optimization algorithm, the weights and biases of the neural network are updated to minimize this error.

이 프로세스는 신경망이 만족스러운 수준의 성능에 도달할 때까지 여러 에포크 또는 전체 교육 데이터 세트에 대한 반복에 대해 반복된다.This process is repeated for several epochs or iterations over the entire training data set until the neural network reaches a satisfactory level of performance.

모델 평가: 신경망이 훈련된 후 테스트 세트를 사용하여 평가할 수 있다.Model evaluation: After the neural network has been trained, it can be evaluated using a test set.

모델의 성능은 평균 제곱 오차, R-제곱 또는 상관 계수와 같은 다양한 메트릭을 사용하여 평가할 수 있다.The performance of a model can be evaluated using various metrics such as mean squared error, R-squared, or correlation coefficient.

테스트 세트에서 모델의 성능이 만족스러운 경우 특정 작물에 대한 최적의 성장 조건을 예측하는 데 사용될 수 있다.If the model's performance on the test set is satisfactory, it can be used to predict optimal growth conditions for a specific crop.

요약하면, 피드포워드 신경망은,In summary, a feedforward neural network is:

작물에 대한 최적의 성장 조건을 예측하기 위해 제공된 훈련 데이터를 사용하여 훈련되고,trained using the provided training data to predict optimal growth conditions for the crop,

훈련 데이터를 새로운 정보로 지속적으로 업데이트하고, 작물의 성장을 실시간 모니터링함으로써, 신경망은 지속적으로 학습하고 변화하는 조건에 적응하여 궁극적으로 농업 성과를 개선하고 보다 지속 가능한 농업 관행을 이끌어낼 수 있도록 한다.By continuously updating training data with new information and monitoring crop growth in real time, neural networks can continuously learn and adapt to changing conditions, ultimately improving agricultural performance and leading to more sustainable agricultural practices.

하기는 주어진 교육 데이터에 대해 정규화 기술을 사용하는 데이터 전처리의 구체적인 실시 예이다.Below is a specific example of data preprocessing using normalization techniques for given training data.

원본 훈련 데이터로,With the original training data,

실시 예 1인,Example 1,

온도: 22°C,Temperature: 22°C;

습도: 65%,Humidity: 65%,

광도: 350 μmol/m²/s,Luminous intensity: 350 μmol/m²/s,

광주기 : 14시간,Photoperiod: 14 hours,

수율: 2.0kg/m²을 조건으로,Yield: Based on 2.0kg/m²,

각 기능에 대해 하기와 같은 최소값과 최대값을 수집했다고 가정하면,Assuming that you have collected the following minimum and maximum values for each function:

온도: 최소 10°C, 최대 40°C,Temperature: Min 10°C, Max 40°C;

습도: 최소 30%, 최대 90%,Humidity: minimum 30%, maximum 90%,

광도: 최소 200 μmol/m²/s, 최대 600 μmol/m²/s,Luminance: 200 μmol/m²/s minimum, 600 μmol/m²/s maximum,

광주기: 최소 8시간, 최대 20시간과 같다.Photoperiod: Minimum 8 hours, maximum 20 hours.

정규화에는 각 기능의 값을 0에서 1 범위로 조정하는 작업이 포함된다.Normalization involves adjusting the values of each feature to range from 0 to 1.

공식을 사용하여 각 값을 정규화할 수 있다.You can normalize each value using a formula:

normalized_value = (현재_값 - 최소_값) / (최대_값 - 최소_값)이 적용되어,normalized_value = (current_value - minimum_value) / (maximum_value - minimum_value) is applied,

정규화된 훈련 데이터로서의,As normalized training data,

실시 예 1은,Example 1 is,

온도: (22 - 10) / (40 - 10) = 0.4,Temperature: (22 - 10) / (40 - 10) = 0.4,

습도: (65 - 30) / (90 - 30) = 0.583,Humidity: (65 - 30) / (90 - 30) = 0.583,

광도: (350 - 200) / (600 - 200) = 0.375,Luminance: (350 - 200) / (600 - 200) = 0.375,

광주기: (14 - 8) / (20 - 8) = 0.375,Photoperiod: (14 - 8) / (20 - 8) = 0.375;

빛 스펙트럼: 60% 빨간색, 25% 녹색, 15% 파란색(이미 백분율 형식, 정규화가 필요하지 않음.),Light spectrum: 60% red, 25% green, 15% blue (already in percentage format, no normalization required);

수율: 2.0kg/m²(목표 변수, 정규화 불필요.)로,Yield: 2.0 kg/m² (target variable, no normalization required.)

입력 기능을 정규화하여 기능이 기계 학습 알고리즘의 성능과 수렴을 개선할 수 있는 비교 가능한 척도를 갖도록 한다.Normalize input features to ensure that the features have comparable scales, which can improve the performance and convergence of machine learning algorithms.

데이터가 전처리되면 신경망을 훈련하는 데 사용할 수 있으며, 특정 작물에 대한 최적의 성장 조건을 예측할 수 있다.Once the data is preprocessed, it can be used to train neural networks, which can predict optimal growing conditions for specific crops.

데이터 세트를 학습 및 테스트 데이터로 분할할 때의 일반적인 관행은,A common practice when splitting a data set into training and testing data is:

데이터의 70-80%를 학습에 사용하고, 20-30%를 테스트에 사용하는 것이다.70-80% of the data is used for learning, and 20-30% is used for testing.

10,000개의 교육 데이터 예제가 있는 경우 교육용으로 8,000개(80%), 테스트용으로 2,000개(20%)를 예약할 수 있다.If you have 10,000 training data examples, you can reserve 8,000 (80%) for training and 2,000 (20%) for testing.

모델 평가에는 모델이 이전에 본 적이 없는 데이터 포인트로 구성된 테스트 데이터 세트에서 훈련된 신경망의 성능을 측정하는 작업이 포함된다.Model evaluation involves measuring the performance of a trained neural network on a test data set consisting of data points the model has never seen before.

이는, 본 적이 없는 새로운 데이터를 일반화하고 예측하는 모델의 능력을 평가하는 데 도움이 된다.This helps evaluate the model's ability to generalize and predict new, never-seen data.

하기는, 신경망이 8,000개의 정규화된 훈련 예제에 대해 훈련되었다고 가정하고, 이제 2,000개의 테스트 데이터 예제를 사용하여 성능을 평가하는 프로세스를 예를 들어 설명한다.Below, we assume that the neural network has been trained on 8,000 normalized training examples, and now describe the process of evaluating performance using 2,000 test data examples as an example.

테스트 데이터 전처리: 먼저 테스트 데이터는 훈련 데이터와 같은 방식으로 전처리되어야 한다.Test data preprocessing: First, test data must be preprocessed in the same way as training data.

예측하기: 테스트 데이터가 사전 처리되면 테스트 데이터 기능을 훈련된 신경망에 입력하여 예측된 수율 값을 생성할 수 있다.Making predictions: Once the test data is preprocessed, test data features can be fed into a trained neural network to generate predicted yield values.

오류 메트릭 계산: 모델의 성능은 예측된 수율 값을 테스트 데이터 세트의 실제 수율 값과 비교하여 평가할 수 있다.Calculate error metrics: The performance of the model can be evaluated by comparing the predicted yield values with the actual yield values of the test data set.

이때, 오류 메트릭 계산은, 다양한 오류 메트릭을 사용하여 예상 수율 값과 실제 수율 값의 차이를 측정할 수 있다.At this time, the error metric calculation can measure the difference between the expected yield value and the actual yield value using various error metrics.

평균 제곱 오차(MSE): MSE는 예상 수율 값과 실제 수율 값 사이의 제곱 차이의 평균이다.Mean Squared Error (MSE): MSE is the average of the squared differences between the expected yield value and the actual yield value.

MSE가 낮을수록 모델 성능이 우수함을 나타낸다.A lower MSE indicates better model performance.

RMSE(Root Mean Squared Error): RMSE는 MSE의 제곱근이다.RMSE (Root Mean Squared Error): RMSE is the square root of MSE.

수율 값과 같은 단위를 가지므로 해석하기 쉽다.It has the same units as the yield value, so it is easy to interpret.

평균 절대 오차(MAE): MAE는 예측 수율 값과 실제 수율 값 사이의 절대 차이의 평균이다.Mean Absolute Error (MAE): MAE is the average of the absolute differences between the predicted yield value and the actual yield value.

또한, 해석하기 쉬운 모델 성능 측정값을 제공한다.Additionally, it provides model performance measurements that are easy to interpret.

R-제곱: 결정 계수라고도 하는 R-제곱은 독립 변수(입력 특성)에서 예측할 수 있는 종속 변수(수율)의 분산 비율을 측정한다.R-squared: R-squared, also known as the coefficient of determination, measures the proportion of variance in the dependent variable (yield) that can be predicted from the independent variables (input characteristics).

R-제곱 값이 1에 가까울수록 더 나은 모델 적합도를 나타낸다.The closer the R-squared value is to 1, the better the model fit.

모델에 대해 계산된 오류 메트릭이,The error metric calculated for the model is:

MSE: 0.1,MSE: 0.1;

RMSE: 0.316,RMSE: 0.316;

MAE: 0.25,MAE: 0.25;

결정계수: 0.85로,Coefficient of determination: 0.85;

상기와 같다고 가정하면,Assuming the same as above,

이러한 값은 모델이 낮은 MSE, RMSE 및 MAE와 상대적으로 높은 R-제곱 값으로 표시된 것처럼 작물 수확량을 예측하는 데 합리적인 수준의 정확도를 가지고 있음을 시사한다.These values suggest that the model has a reasonable level of accuracy in predicting crop yield, as indicated by the low MSE, RMSE and MAE and relatively high R-squared values.

오류 메트릭의 선택은, 특정 문제와 원하는 해석 수준에 따라 다를 수 있다.The choice of error metric may depend on the specific problem and desired level of interpretation.

테스트 데이터 및 오류 메트릭을 사용하여 모델을 평가하면 모델의 성능에 대한 통찰력을 얻고 신경망 아키텍처를 변경하거나 훈련 데이터의 양을 늘리는 등의 조정을 통해 정확도 및 일반화 기능을 향상시킬 수 있다.Evaluating your model using test data and error metrics can give you insight into the model's performance and make adjustments such as changing the neural network architecture or increasing the amount of training data to improve accuracy and generalization ability.

신경망이 훈련되고 평가되면 실제로 작물 성장 조건을 최적화하고 수확량을 최대화하며 수확 기간을 단축하는 작물 생장에 대한 최적의 조건을 도출할 수 있다.Once a neural network is trained and evaluated, it can actually derive optimal conditions for crop growth that optimize crop growth conditions, maximize yields, and shorten harvest periods.

하기는, 훈련된 신경망의 특정 응용 프로그램의 예이다.Below is an example of a specific application of a trained neural network.

스마트 온실: 스마트 온실의 제어 시스템에 훈련된 신경망을 구현하여 모델에 의해 결정된 최적의 조건을 기반으로 온도, 습도 및 광도와 같은 환경 매개변수를 자동으로 조정한다.Smart greenhouse: Implement a trained neural network in the control system of a smart greenhouse to automatically adjust environmental parameters such as temperature, humidity, and light intensity based on optimal conditions determined by the model.

신경망은 식물 성장이나 개화와 같은 특정 성장 단계를 촉진하기 위해 RGB LED 조명에서 방출되는 광 스펙트럼을 조정하는 데에도 사용할 수 있다.Neural networks can also be used to adjust the light spectrum emitted by RGB LED lights to promote specific growth stages, such as plant growth or flowering.

정밀 농업: 신경망을 사용하여 특정 작물에 대한 정확하고 표적화된 재배 전략을 개발할 수 있다.Precision agriculture: Neural networks can be used to develop precise, targeted cultivation strategies for specific crops.

이 모델은 농부들이 각 작물의 예측된 성장 조건을 기반으로 최적의 식재 밀도, 관개 일정 및 영양분 요구 사항을 결정하는 데 도움을 줄 수 있다.The model can help farmers determine optimal planting densities, irrigation schedules and nutrient requirements based on each crop's predicted growth conditions.

이것은 보다 효율적인 자원 사용과 더 높은 수율로 이어질 수 있다.This can lead to more efficient resource use and higher yields.

작물 관리 소프트웨어: 신경망을 작물 관리 소프트웨어에 통합하여 농민에게 개인화된 권장 사항을 제공한다.Crop management software: Integrating neural networks into crop management software to provide personalized recommendations to farmers.

지역 환경 데이터와 작물별 정보를 입력함으로써 소프트웨어는 농부들이 수확량을 극대화하고 자원 낭비를 줄이는 데 도움이 되는 맞춤형 성장 조건 권장 사항을 생성할 수 있다.By inputting local environmental data and crop-specific information, the software can generate customized growing conditions recommendations to help farmers maximize yields and reduce resource waste.

농업 연구: 신경망을 활용하여 새로운 작물 품종, 재배 기술 및 농업 기술에 대한 연구를 안내한다.Agricultural research: Use neural networks to guide research into new crop varieties, cultivation techniques, and agricultural technologies.

특정 작물에 대한 최적의 성장 조건을 예측함으로써 연구원은 이러한 조건에 맞는 솔루션을 개발하는 데 노력을 집중할 수 있으며 궁극적으로 보다 지속 가능하고 효율적인 농업 관행으로 이어질 수 있다.By predicting optimal growing conditions for specific crops, researchers can focus their efforts on developing solutions that fit those conditions, ultimately leading to more sustainable and efficient agricultural practices.

기후 적응: 신경망을 적용하여 다양한 시나리오에서 다양한 작물에 대한 최적의 성장 조건을 식별하여 농민이 변화하는 기후 조건에 적응하도록 도모한다.Climate adaptation: Apply neural networks to identify optimal growth conditions for different crops under different scenarios, helping farmers adapt to changing climate conditions.

이 정보는, 새로운 환경 조건에 더 적합한 작물 품종을 선택하거나 적응 재배 기술을 구현하는 것과 같은 기후 탄력적 농업 관행을 개발하는 데 사용될 수 있다.This information can be used to develop climate-resilient agricultural practices, such as selecting crop varieties better suited to new environmental conditions or implementing adaptive growing techniques.

요약하면, 훈련된 신경망은,In summary, the trained neural network is:

작물 성장 조건을 최적화하고 수확량을 최대화하며 농업 지속 가능성을 개선하기 위해 다양한 실제 응용 프로그램에 사용될 수 있으며,It can be used in a variety of practical applications to optimize crop growth conditions, maximize yields and improve agricultural sustainability.

스마트 온실, 정밀 농업, 작물 관리 소프트웨어, 연구 및 기후 적응 전략에 모델을 구현함으로써 농부와 농업 전문가는 신경망에서 생성된 통찰력을 통해 정보에 입각한 결정을 내리고 농업 관행을 향상시킬 수 있다.By implementing models in smart greenhouses, precision agriculture, crop management software, research, and climate adaptation strategies, farmers and agricultural experts can make informed decisions and improve agricultural practices through insights generated by neural networks.

한편, 역전파는 예측 출력과 실제 출력 간의 오류를 최소화하여 피드포워드 신경망을 훈련하는 데 사용되는 지도 학습 알고리즘이다.Meanwhile, backpropagation is a supervised learning algorithm used to train a feedforward neural network by minimizing the error between the predicted output and the actual output.

출력 레이어에서 입력 레이어까지 체인 규칙을 반복 적용하여 각 가중치에 대한 손실 함수의 그래디언트를 계산하는 것은 미적분학의 체인 규칙을 적용한 것이다.Calculating the gradient of the loss function for each weight by repeatedly applying the chain rule from the output layer to the input layer is an application of the chain rule of calculus.

경사 하강법은 오류를 최소화하기 위해 신경망의 가중치와 편향을 업데이트하는 데 사용되는 최적화 알고리즘이다.Gradient descent is an optimization algorithm used to update the weights and biases of a neural network to minimize errors.

하기는, 역전파 및 경사 하강법 프로세스를 설명하기 위한 특정 수치와 공식이 포함된 간단한 예이다.Below is a simple example with specific numbers and formulas to illustrate the backpropagation and gradient descent processes.

하나의 입력 노드, 하나의 출력 노드 및 간단한 선형 활성화 함수(정체 함수) f(x) = x가 있는 단일 계층 신경망이 있다고 가정한다.Assume we have a single-layer neural network with one input node, one output node, and a simple linear activation function (stationary function) f(x) = x.

목표는 온도(T)를 기반으로 수율(Y)을 예측하는 것이다.The goal is to predict yield (Y) based on temperature (T).

예를 들어,for example,

정규화 온도(T): 0.4,Normalized temperature (T): 0.4;

실제 수율(Y_actual): 2.0과 같은 학습 데이터가 입력되면,Actual yield (Y_actual): When training data such as 2.0 is input,

신경망은 학습할 하나의 가중치(w)와 하나의 편향(b)을 갖게 된다.The neural network has one weight (w) and one bias (b) to learn.

예측 수율(Y_pred)은,The predicted yield (Y_pred) is,

하기의 공식을 사용하여 도출된다.It is derived using the formula below.

Y_pred = f(w * T + b)Y_pred = f(w * T + b)

이 예에서는, 가중치 및 편향의 초기 값이 하기와 같다고 가정하면,For this example, assuming the initial values of weight and bias are:

승 = 1.0,win = 1.0;

b = 0.0,b = 0.0;

예상 수율은,The expected yield is,

Y_pred = f(1.0 * 0.4 + 0.0) = 0.4,Y_pred = f(1.0 * 0.4 + 0.0) = 0.4,

평균 제곱 오차(MSE) 손실 함수를 사용하여 오차(E)를 계산하면,Calculating the error (E) using the mean squared error (MSE) loss function:

E = 0.5 * (Y_current - Y_pred)^2 = 0.5 * (2.0 - 0.4)^2 = 1.28로 도출된다.It is derived as E = 0.5 * (Y_current - Y_pred)^2 = 0.5 * (2.0 - 0.4)^2 = 1.28.

이때, 역전파를 적용하여 가중치와 편향에 대한 오차의 기울기를 계산하면,At this time, if backpropagation is applied to calculate the slope of the error for the weight and bias,

dE/dw = dE/dY_pred * dY_pred/dw,dE/dw = dE/dY_pred * dY_pred/dw,

dE/db = dE/dY_pred * dY_pred/db,dE/db = dE/dY_pred * dY_pred/db,

dE/dY_pred = -(Y_actual - Y_pred) 및 dY_pred/dw = T이므로,Since dE/dY_pred = -(Y_actual - Y_pred) and dY_pred/dw = T,

dY_pred/db = 1,dY_pred/db = 1;

dE/dw = -(2.0 - 0.4) * 0.4 = -0.64,dE/dw = -(2.0 - 0.4) * 0.4 = -0.64,

dE/db = -(2.0 - 0.4) * 1 = -1.6,dE/db = -(2.0 - 0.4) * 1 = -1.6,

여기에, 기울기 하강법을 사용하여 가중치와 편향을 업데이트,Here, we update the weights and biases using gradient descent,

최적화 프로세스 중에 단계 크기를 제어하기 위해 학습 속도(lr)를 설정한다.Set the learning rate (lr) to control the step size during the optimization process.

리터 = 0.1,liter = 0.1,

가중치 및 편향 업데이트:Weight and bias updates:

w_new = w - lr * dE/dw = 1.0 - 0.1 * (-0.64) = 1.064,w_new = w - lr * dE/dw = 1.0 - 0.1 * (-0.64) = 1.064,

b_new = b - lr * dE/db = 0.0 - 0.1 * (-1.6) = 0.16,b_new = b - lr * dE/db = 0.0 - 0.1 * (-1.6) = 0.16,

업데이트된 가중치와 편향은 이제 w_new = 1.064 및 b_new = 0.16이다.The updated weights and biases are now w_new = 1.064 and b_new = 0.16.

교육 프로세스는, 오류가 최소값으로 수렴될 때까지 역전파 및 경사 하강법을 사용하여 매번 가중치와 편향을 업데이트하면서 여러 에포크 또는 반복에 대해 반복된다.The training process is repeated for several epochs, or iterations, updating the weights and biases each time using backpropagation and gradient descent until the error converges to a minimum value.

본 발명의 강점으로는,The strengths of the present invention are:

1. 작물 수확량 개선: 특정 작물에 대한 최적의 성장 조건을 예측하고 구현함으로써 작물 수확량을 최대화하는 데 도움을 줄 수 있으며,1. Crop Yield Improvement: Can help maximize crop yield by predicting and implementing optimal growing conditions for specific crops.

2. 자원 효율성: 성장 조건을 최적화함으로써, 물, 비료 및 에너지와 같은 자원의 효율적인 사용을 촉진하고,2. Resource efficiency: Promotes efficient use of resources such as water, fertilizer and energy, by optimizing growing conditions;

3. 수확 기간 단축: 신경망은 작물 개발을 가속화하는 조건을 식별하여 잠재적으로 단일 성장기 내에서 여러 수확을 가능하게 하고,3. Shorten the harvest period: Neural networks can identify conditions that accelerate crop development, potentially enabling multiple harvests within a single growing season;

4. 기후 적응: 다양한 기후 시나리오에서 최적의 성장 조건을 예측함으로써, 농부들이 변화하는 기후 조건에 적응하도록 도울 수 있고,4. Climate adaptation: By predicting optimal growing conditions under different climate scenarios, we can help farmers adapt to changing climate conditions.

5. 맞춤형 권장 사항: 신경망은 개별 작물 및 환경 설정에 대한 맞춤형 성장 조건 권장 사항을 생성하여 정밀 농업 기술을 촉진할 수 있다.5. Customized recommendations: Neural networks can facilitate precision agriculture technologies by generating customized growing conditions recommendations for individual crops and environmental settings.

본 발명을 통한 기회로는,Opportunities through the present invention include:

1. 스마트 온실 시스템과의 통합: 작물 성장을 향상시키기 위해 환경 매개 변수 및 광 스펙트럼의 자동 조정을 가능하게 하는 스마트 온실 제어 시스템에서 구현될 수 있고,1. Integration with smart greenhouse systems: Can be implemented in smart greenhouse control systems that enable automatic adjustment of environmental parameters and light spectrum to improve crop growth,

2. 정밀 농업 도구의 개발: 최적의 성장 조건에 기초하여 파종 밀도, 관개 일정 및 양분 요구 사항을 조정할 수 있는 정밀 농업 장비를 개발하는 데 적용될 수 있고,2. Development of precision farming tools: Can be applied to develop precision farming equipment that can adjust seeding density, irrigation schedule, and nutrient requirements based on optimal growing conditions;

3. 작물 관리 소프트웨어 솔루션: 신경망은 작물 관리 소프트웨어에 통합되어 농민에게 성장 조건을 최적화하고 작물 수확량을 최대화하기 위한 개인화된 권장 사항을 제공할 수 있고,3. Crop management software solutions: Neural networks can be integrated into crop management software to provide farmers with personalized recommendations to optimize growing conditions and maximize crop yields;

4. 농업 연구 및 혁신: 최적의 성장 조건을 예측하여 새로운 작물 품종, 재배 기술 및 농업 기술에 대한 연구를 안내할 수 있다.4. Agricultural research and innovation: Predicting optimal growing conditions can guide research into new crop varieties, cultivation techniques, and agricultural technologies.

결론적으로, 본 발명은,In conclusion, the present invention,

기계 학습 알고리즘, RGB LED 광원 및 환경 데이터를 사용하여 작물 성장 패턴을 최적화하고 수확량을 최대화하며 수확 기간을 단축하기 위한 시스템 및 방법을 제공함으로서,By providing systems and methods to optimize crop growth patterns, maximize yields, and shorten harvest periods using machine learning algorithms, RGB LED light sources, and environmental data,

작물 수확량 개선, 자원 효율성 및 기후 적응을 비롯한 다양한 장점을 갖는다.It has a variety of advantages including improved crop yields, resource efficiency and climate adaptation.

즉, 작물 성장을 위해 조정 가능하고 사용자 정의 가능한 광 스펙트럼을 제공하도록 구성된 RGB LED 광원,That is, an RGB LED light source configured to provide a tunable and customizable light spectrum for crop growth;

최적의 작물 재배를 용이하게 하기 위해 온도, 습도, 광도 및 광주기와 같은 작물별 성장 및 환경 데이터를 포함하는 데이터베이스,A database containing crop-specific growth and environmental data such as temperature, humidity, light intensity and photoperiod to facilitate optimal crop cultivation;

데이터베이스의 데이터를 분석하고 특정 작물에 대한 최적의 성장 조건을 결정하도록 설계된 기계 학습 알고리즘을 기반으로,Based on machine learning algorithms designed to analyze data in a database and determine optimal growing conditions for a specific crop.

데이터베이스에서 작물별 성장 및 환경 데이터 수집(수집된 데이터를 기계 학습 알고리즘에 입력한다.),Collect growth and environmental data for each crop from the database (collected data is input into machine learning algorithm),

기계 학습 알고리즘을 사용하여 데이터를 분석하여 작물의 최적 성장 조건을 결정,Analyzing data using machine learning algorithms to determine optimal growing conditions for crops,

결정된 최적의 조건에 따라 RGB LED 광원을 조정,Adjust the RGB LED light source according to the determined optimal conditions,

작물 성장을 모니터링하고 새로운 데이터로 데이터베이스를 업데이트하여 시스템이 지속적으로 학습하고 개선할 수 있도록 함으로서,By monitoring crop growth and updating the database with new data, the system can continuously learn and improve.

작물 성장을 최적화하는 방법을 제공, 농업 생산성 및 효율성이 향상될 수 있고, 개선된 수확 결과 및 보다 지속 가능한 농업 관행으로 이어질 수 있도록 도모한다.By providing methods to optimize crop growth, agricultural productivity and efficiency can be improved, leading to improved harvest results and more sustainable agricultural practices.

즉, 본 발명은,That is, the present invention:

작물이 특정 조건으로 재배될 수 있도록 재배 공간이 마련된 작물재배챔버(CH) 내에, 재배 작물에 대한 최적화 생육 조건을, RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템(1)을 통해 구현, 조성함으로서, 양질(良質)의 작물 수확은 물론, 작물 수확량을 최대화하고 수확 기간을 단축할 수 있도록 하는 것을 특징으로 한다.In the crop cultivation chamber (CH), where cultivation space is provided so that crops can be grown under specific conditions, optimized growth conditions for cultivated crops are established through a machine learning-based crop growth optimization system (1) using RGB LED light sources and environmental data. By implementing and creating it, it is characterized by not only harvesting high-quality crops, but also maximizing crop yield and shortening the harvest period.

이상에서와 같이, 본 발명은, 기재된 실시 예에 한정되는 것이 아니고, 본 발명의 사상 및 범위를 벗어나지 않고 다양하게 수정 및 변형할 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명하다.As described above, the present invention is not limited to the described embodiments, and it is obvious to those skilled in the art that various modifications and changes can be made without departing from the spirit and scope of the present invention. .

즉, 본 발명의 상세한 설명은, 당업자가 본 발명을 만들고 사용할 수 있도록 제공된다.That is, the detailed description of the present invention is provided to enable those skilled in the art to make and use the present invention.

실시 예에 대한 다양한 수정은, 당업자에게 명백할 것이며, 본 명세서에서 정의된 일반적인 원리는 본 발명의 사상 또는 범위를 벗어나지 않고 다른 실시 예에 적용될 수 있다.Various modifications to the embodiments will be apparent to those skilled in the art, and the general principles defined herein may be applied to other embodiments without departing from the spirit or scope of the invention.

따라서, 본 발명은 여기에 제시된 실시 예에 제한되는 것이 아니라 여기에 개시된 원리 및 신규 특징과 일치하는 가장 넓은 범위에 부여되어야 한다.Accordingly, the present invention is not intended to be limited to the embodiments shown herein but is to be accorded the widest scope consistent with the principles and novel features disclosed herein.

이에, 기술적 사상 또는 주요한 특징으로부터 벗어남이 없이 다른 여러가지 형태로 실시될 수 있으므로, 본 발명의 실시 예들은 모든 점에서 단순한 예시에 지나지 않으며 한정적으로 해석되어서는 아니되며, 다양하게 변형하여 실시할 수 있다.Accordingly, since it can be implemented in various other forms without departing from the technical idea or main features, the embodiments of the present invention are merely examples in all respects and should not be construed as limited, and may be implemented with various modifications. .

본 발명은, RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템에 관한 것으로서,The present invention relates to a machine learning-based crop growth optimization system using an RGB LED light source and environmental data,

예를 들어, 스마트 온실 시스템(훈련된 신경망은 스마트 온실의 제어 시스템에 통합되어 예측된 최적의 성장 조건을 기반으로 환경 매개 변수 및 광 스펙트럼의 자동 조정을 가능하게 하여 작물 성장 및 수확량을 향상시킬 수 있다.), 정밀 농업 도구 및 장비(신경망에 의해 예측된 최적의 성장 조건을 기반으로 심기 밀도, 관개 일정 및 영양소 요구 사항을 조정할 수 있다.), 작물 관리 소프트웨어(신경망은 작물 관리 소프트웨어 솔루션에 통합되어 농민에게 성장 조건을 최적화하고 작물 수확량을 최대화하기 위한 개인화된 권장 사항을 제공할 수 있다.), 농업 연구(최적의 성장 조건을 예측하여 새로운 작물 품종, 재배 기술 및 농업 기술에 대한 연구를 안내할 수 있으므로 연구원은 이러한 조건에 부합하는 솔루션에 노력을 집중하고 지속 가능한 농업 관행을 촉진할 수 있다.) 및 기후 탄력적 농업(신경망은 다양한 기후 시나리오에서 다양한 작물의 최적 성장 조건을 식별하여 기후 탄력적 농업 관행을 개발하는 데 사용할 수 있으며, 농민들이 변화하는 환경 조건을 견딜 수 있는 작물 품종과 재배 기술을 선택하도록 도모할 수 있다.)과 관련된 기술 분야 등, 작물의 수확량을 높이고 수확 기간을 단축하며 지속 가능한 농업을 촉진하기 위한 작물 생육 산업 분야 증진에 기여하는 데에 적용할 수 있다.For example, smart greenhouse systems (trained neural networks can be integrated into the control system of a smart greenhouse to enable automatic adjustment of environmental parameters and light spectrum based on predicted optimal growth conditions, thereby improving crop growth and yield). ), precision farming tools and equipment (planting densities, irrigation schedules, and nutrient requirements can be adjusted based on optimal growing conditions predicted by neural networks), crop management software (neural networks are integrated into crop management software solutions) can provide farmers with personalized recommendations to optimize growing conditions and maximize crop yields), and agricultural research (predicting optimal growing conditions to guide research into new crop varieties, cultivation techniques and farming techniques). This allows researchers to focus their efforts on solutions that meet these conditions and promote sustainable agricultural practices) and climate-resilient agriculture (neural networks can identify optimal growth conditions for different crops under different climate scenarios, thereby promoting climate-resilient agriculture). It can be used to develop practices and help farmers select crop varieties and growing techniques that can withstand changing environmental conditions, including in technological fields related to crop yields, shorten harvest periods and sustain sustainable growth. It can be applied to contribute to the promotion of the crop growth industry to promote viable agriculture.

1: RGB LED 광원과 환경 데이터를 이용한 기계 학습 기반 작물 생육 최적화 시스템
100: 작물별생육환경데이터수집모듈
200: 작물별생육환경데이터전처리모듈
300: 작물별생육환경데이터기계학습모듈
400: 작물별생육환경최적조건도출모듈
500: 작물별생육환경자동조절모듈
600: 작물별생육환경데이터기계학습보강안정화모듈1: Machine learning-based crop growth optimization system using RGB LED light source and environmental data
100: Growth environment data collection module for each crop
200: Crop-specific growth environment data preprocessing module
300: Crop-specific growth environment data machine learning module
400: Module for deriving optimal growth environment conditions for each crop
500: Automatic growth environment control module for each crop
600: Crop-specific growth environment data machine learning reinforcement stabilization module

Claims

In the machine learning-based crop growth optimization system (1) using RGB LED light source and environmental data,
A crop-specific growth environment data collection module (100) that collects and acquires crop-specific growth and environmental data;
A crop-specific growth environment data preprocessing module (200) that preprocesses the data by normalizing the characteristics of the growth and environmental data for each crop collected and acquired from the crop-specific growth environment data collection module (100);
a crop-specific growth environment data machine learning module (300) that trains a neural network using data pre-processed from the crop-specific growth environment data pre-processing module (200);
It consists of a crop-specific growth environment optimal condition derivation module (400) that predicts the optimal growth conditions for crops based on data derived from the crop-specific growth environment data machine learning module (300),
Using a neural network trained by the crop-specific growth environment data machine learning module (300), an optimization method for crop growth conditions is derived through the crop-specific growth environment optimal condition derivation module (400), producing high-quality crops. Characterized by not only harvesting, but also maximizing crop yield and shortening the harvest period,
Machine learning-based crop growth optimization system using RGB LED light source and environmental data.

According to clause 1,
Environmental data on crops collected and obtained from the crop-specific growth environment data collection module 100 are:
Contains information about temperature, humidity, light intensity, photoperiod, and light spectrum;
Characterized in that crop yield information is included according to the relationship between the crop and specific growth data,
Machine learning-based crop growth optimization system using RGB LED light source and environmental data.

According to clause 1,
In the machine learning-based crop growth optimization system (1) using RGB LED light source and environmental data,
By implementing a neural network trained from the crop-specific growth environment data machine learning module (300), environmental parameters and light are determined based on the optimal growth condition information for crops derived from the crop-specific growth environment optimal condition derivation module (400). Characterized in that it further includes and consists of a crop-specific growth environment automatic control module (500) that improves crop growth and yield by automatically adjusting the spectrum,
Machine learning-based crop growth optimization system using RGB LED light source and environmental data.

According to clause 1,
The neural network of the crop-specific growth environment data machine learning module (300) is,
Characterized by being a feedforward neural network with multiple layers trained using a supervised learning algorithm such as backpropagation and optimized with gradient descent,
Machine learning-based crop growth optimization system using RGB LED light source and environmental data.

According to clause 1,
In the machine learning-based crop growth optimization system (1) using RGB LED light source and environmental data,
Using test dataset and error metrics,
Crop-specific growth environment data evaluates the performance of the neural network trained from the crop-specific growth environment data machine learning module 300, refines the neural network structure based on the evaluation results to improve model accuracy and generalization, or increases the amount of training data. Characterized in that it further includes and consists of a data machine learning reinforcement stabilization module (600),
Machine learning-based crop growth optimization system using RGB LED light source and environmental data.