선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 한국식품연구원은 소비자에게 쌀의 이력 및 품질정보를 제공하고, 규모화되는 2ndG RPC의 효율적인 관리를 위해 GIS/LBS 등 IT, Fuzzy theory 및 Spectrometry 등의 관련기술이 융합된 총 16가지 세부기술을 선정하고, ICT기반 들녘별경영체와의 생산·유통연계시스템, RPC이력관리시스템, 실시간품질관리시스템, 쌀 이력추적시스템 등 4개 시스템을 개발하여 2ndG RPC에서 농림축산식품부 사업비 지원으로 u-RPC 적용을 위한 시범사업을 진행하고 있다. 본 자료에서는 u-RPC의 세부기술 중 농지에서 수확된 벼를 RPC로 반입할 때 생산 및 품질이력을 추적 및 관리할 수 있는 IT기반의 자동반입관리시스템에 관하여 서술하고자 한다.
제안 방법
- 작업 scheduling은 제한적 지역에서 제한된 시간동안 최적경로를 예측하는 MCA(Max Coverage Algorithm)과 로봇청소기 등에 주로 이용되는 Boustrophedon경로 방법 등이 보고되고 있다. 2가지 algorithm과, 품질우선 수확방법 및 수확면적 우선수확방법을 포함한 총 4가지 방법에 대하여 이중 가장 우수한 1개의 방법을 탐색하기 위하여 적용방법의 타당성을 검토하였다. 이를 위해 목적함수(objective function)는 각 농지의 QI가 최대가 되는 QIi에서 Transportation loss 와 Quality loss를 뺀 값의 합이 최대가 되도록 하였으며, 제한조건으로는 1일 반입량과 반입기간으로 하였으며, 이 때 각 combine의 cycle time과 이송차량의 숫자와 combine의 작업속도는 다음의 식으로 계산하였다.
- GIS/LBS 기반의 mobile 장치를 이용하는 field mapping은 DB에 저장된 농가/농지정보(성명, field주소, field크기, 품종, 과거년도 품질측정결과, 재배이력 등)는 field에서 mobile장치를 통해 확인 가능하도록 구축하였고, 저장된 농가/농지정보는 RF card를 소지하고 반입시 인식되는 농가/농지정보와 반입량/반입품질 정보가 자동으로 matching되도록 개발하였다. 시스템운용을 위해 성명, field주소, field크기, 품종, 과거년도 품질측정결과, 재배이력 등 계약농가 및 농지정보를 등록할 수 있는 구조로서, 농가 정보를 등록 및 관리할 수 있는 트리구조의 탐색 시스템과 주소기반으로 전자지도에 표출이 가능하도록 하였다.
- 시뮬레이션 프로그램은 Microsoft사의 웹 스크립트 언어인 ASP(Active Server Page)를 이용하여 구성하였으며, 모든 자료는 대표적 관계형 데이터베이스인 Oracle Database로 제공이 가능하도록 설계하였으며, 입출력 인자로는 벼의 수확 장치인 콤바인정보, 수확 예정 field의 규모와 위치, 수확 후 반입 하는 RPC 및 DSC의 처리능력 등으로 설정하였다. MCA(Max Coverage Algorithm), Boustrophedon경로 방법, 품질우선 수확방법 및 수확면적 우선수확방법 등 4가지 algorithm중 combine의 작업 scheduling 에 최적인 algorithm을 탐색하기 위하여 프로그램은 C++을 이용하여 single combine 반입 scheduling 프로그램을 개발하고 simulation을 실시하였다. 네 가지 algorithm의 평균 작업면적은 각각 43,531㎡, 35,004㎡, 39,946㎡ 및 39,946㎡이었으며, 평균 총품질지수(∑QI)는 각각 32,927㎡/day, 22,422㎡/day, 29,488㎡/day 및 24,813㎡/day로서 MCA가 다른 algorithm에 비해 평균 작업면적과 총품질지수(∑ QI)가 최대로 나타나 가장 적합한 algorithm으로 탐색되었다.
- QI 및 MCA에 의해 전체 field(i=n)가 max(∑QIi)이 되는 combine scheduling에 의해 반입능력(투입 및 건조능력, ton/hr)에 적합한 반입계획을 수립하도록 프로그램을 구성하였으며, 누적반입량 및 1일반입량을 DB 농지자료를 이용하여 자동으로 추정하여 투입 및 건조능력에 적정한 양이 반입될 수 있도록 조정할 수 있는 기능과, 강우 등 반입계획에 변경이 필요한 경우에도 신속한 수정이 가능하도록 구성하였다.
- RF card 및 mobile/web프로그램을 활용한 반입/품질관리시스템은 반입과정에서 RF card에 의해 인식 되는 field, 생산자 및 품종정보에 예비품질검사에서 측정 또는 확인할 수 있는 품종, 제현율, 노린재피해발생여부, 간이등급, 함수율 등을 검사자가 입력 가능하도록 휴대용 smart device에 mobile 프로그램을 탑재하였으며, 계약재배 물량이 아닌 건벼/일반 (비계약 농가)의 경우에도 field, 생산자 및 품종정보와 예비품질검사결과를 입력 가능하도록 구성하였다. 검사자가 휴대한 Smart device는 물론 사무실에서도 web을 통해 동일한 반입업무를 진행할 수 있도록 구성하였으며, 반입이 진행되는 동안 실시간으로 web을 통해 입력된 정보의 조회 및 변경이 가능하도록 구성하였는데 주요입력항목으로는 smart device와 동일하게 농가정보, 품종, 예비품질, 병충해 발생여부 등이다.
- RPC로의 원료 반입은 품종 및 등급별 구분처리, 이력관리가 현실적으로 어려운 실정으로 향후 농촌 노동력의 노령화 등에 대비하여 이력 및 품질관리가 가능한 반입체계의 구축이 필요하며, 이를 위해 RPC에 산물상태로 반입되는 원료 품질의 최대화 (Max∑QIi, 여기서 i : 각 field)를 도모하기 위해 QI를 이용한 최적 반입 scheduling 기술을 개발하였다.
- 856)가 낮았다. 그러나, 벼 잎의 형태상 잎 색도를 색차계로 측정에 한계가 있었으며, 특히, 색차계를 농지에서 직접 사용하는 데는 한계가 많으므로 hand-held type의 color 측정장치를 개발하여 calibration과 validation을 거쳐 현장실험에 사용하였으며, 그 결과를 이용하여 중회귀분석으로 함수율 예측모델을 개발하였다. 다음 표 5는 Lab color system의 L, a, b값을 조합한 모델을 개발 하여 실제 벼의 함수율 측정치와 상관관계를 비교한 결과로서 표에서 알 수 있듯이 L, a, b의 모든 칼라인자를 사용한 모델의 결정계수(r²=0.
- 검사자가 휴대한 Smart device는 물론 사무실에서도 web을 통해 동일한 반입업무를 진행할 수 있도록 구성하였으며, 반입이 진행되는 동안 실시간으로 web을 통해 입력된 정보의 조회 및 변경이 가능하도록 구성하였는데 주요입력항목으로는 smart device와 동일하게 농가정보, 품종, 예비품질, 병충해 발생여부 등이다. 반입된 벼의 예비품질검사 후 검사자는 품종, 등급 및 노린재피해여부 등에 따라 구분 건조 및 저장을 위해 투입구를 지정하게 되며, 투입구 지정시에는 투입구별 불균형적인 정체현상이 발생하지 않도록 투입구별 대기자 수 정보를 smart device에서 확인이 가능하도록 프로그램을 구성하였으며, 반입기간 중 사무실에 비치된 대형 모니터와의 연동을 통해 총 반입목표량, 현재까지 누적반입량, 품종별 및 반입시설별 반입현황, 금일반입현황 등 실시간 반입정보가 표출되어 반입지도 및 반입계획 변경에 활용될 수 있도록 하였다. QI 및 MCA에 의해 전체 field(i=n)가 max(∑QIi)이 되는 combine scheduling에 의해 반입능력(투입 및 건조능력, ton/hr)에 적합한 반입계획을 수립하도록 프로그램을 구성하였으며, 누적반입량 및 1일반입량을 DB 농지자료를 이용하여 자동으로 추정하여 투입 및 건조능력에 적정한 양이 반입될 수 있도록 조정할 수 있는 기능과, 강우 등 반입계획에 변경이 필요한 경우에도 신속한 수정이 가능하도록 구성하였다.
- QI 및 MCA에 의해 전체 field(i=n)가 max(∑QIi)이 되는 combine scheduling에 의해 반입능력(투입 및 건조능력, ton/hr)에 적합한 반입계획을 수립하도록 프로그램을 구성하였으며, 누적반입량 및 1일반입량을 DB 농지자료를 이용하여 자동으로 추정하여 투입 및 건조능력에 적정한 양이 반입될 수 있도록 조정할 수 있는 기능과, 강우 등 반입계획에 변경이 필요한 경우에도 신속한 수정이 가능하도록 구성하였다. 생산/재배 이력정보는 mobile과 web 프로그램을 이용하여 DB에 저장되며, 주요이력정보는 파종/육묘/ 시비/방제/품질/기타 항목으로 구성하였고, 세부적인 설계도는 다음과 같았으며, 저장된 정보는 단지별, 농가별, 필지별로 조회가 가능하고, 영농지도 시중요한 기초데이터로 활용할 수 있도록 구성하였다. 연도별, 품종별, 단지별, 농가별, field별로 다년간 수집되는 big data를 활용하여 field별 품종선택, 지력 향상 및 재배방법개선 등 영농지도, 기후변동 대응 방안의 모색, 계약재배 지속여부 판단, 등급별 구분수매, 반입시설능력의 확충계획, 경영개선 등에 활용할 수 있도록 sorting기능을 추가하였으며, 전자지도에 matching이 가능하도록 구성하였다.
- 수확시기(출수일)에 따른 벼, 미숙립, 왕겨, 미강 및 쌀의 생산비율은 다음의 표와 같이 수확시기가 경과할수록 지속적으로 증가하다가 감소하는 경향이다. 생산비율 자료를 이용하여 미숙립, 왕겨, 미강, 싸라기 및 백미의 판매가격과 건조료를 적용하여 QI(Quality Index)를 산출하였으며, 함수율을 독립변수로 한 QI 예측모델은 다음과 같다.
- 시뮬레이션 프로그램은 Microsoft사의 웹 스크립트 언어인 ASP(Active Server Page)를 이용하여 구성하였으며, 모든 자료는 대표적 관계형 데이터베이스인 Oracle Database로 제공이 가능하도록 설계하였으며, 입출력 인자로는 벼의 수확 장치인 콤바인정보, 수확 예정 field의 규모와 위치, 수확 후 반입 하는 RPC 및 DSC의 처리능력 등으로 설정하였다. MCA(Max Coverage Algorithm), Boustrophedon경로 방법, 품질우선 수확방법 및 수확면적 우선수확방법 등 4가지 algorithm중 combine의 작업 scheduling 에 최적인 algorithm을 탐색하기 위하여 프로그램은 C++을 이용하여 single combine 반입 scheduling 프로그램을 개발하고 simulation을 실시하였다.
- GIS/LBS 기반의 mobile 장치를 이용하는 field mapping은 DB에 저장된 농가/농지정보(성명, field주소, field크기, 품종, 과거년도 품질측정결과, 재배이력 등)는 field에서 mobile장치를 통해 확인 가능하도록 구축하였고, 저장된 농가/농지정보는 RF card를 소지하고 반입시 인식되는 농가/농지정보와 반입량/반입품질 정보가 자동으로 matching되도록 개발하였다. 시스템운용을 위해 성명, field주소, field크기, 품종, 과거년도 품질측정결과, 재배이력 등 계약농가 및 농지정보를 등록할 수 있는 구조로서, 농가 정보를 등록 및 관리할 수 있는 트리구조의 탐색 시스템과 주소기반으로 전자지도에 표출이 가능하도록 하였다.
- 생산/재배 이력정보는 mobile과 web 프로그램을 이용하여 DB에 저장되며, 주요이력정보는 파종/육묘/ 시비/방제/품질/기타 항목으로 구성하였고, 세부적인 설계도는 다음과 같았으며, 저장된 정보는 단지별, 농가별, 필지별로 조회가 가능하고, 영농지도 시중요한 기초데이터로 활용할 수 있도록 구성하였다. 연도별, 품종별, 단지별, 농가별, field별로 다년간 수집되는 big data를 활용하여 field별 품종선택, 지력 향상 및 재배방법개선 등 영농지도, 기후변동 대응 방안의 모색, 계약재배 지속여부 판단, 등급별 구분수매, 반입시설능력의 확충계획, 경영개선 등에 활용할 수 있도록 sorting기능을 추가하였으며, 전자지도에 matching이 가능하도록 구성하였다.
- 2가지 algorithm과, 품질우선 수확방법 및 수확면적 우선수확방법을 포함한 총 4가지 방법에 대하여 이중 가장 우수한 1개의 방법을 탐색하기 위하여 적용방법의 타당성을 검토하였다. 이를 위해 목적함수(objective function)는 각 농지의 QI가 최대가 되는 QIi에서 Transportation loss 와 Quality loss를 뺀 값의 합이 최대가 되도록 하였으며, 제한조건으로는 1일 반입량과 반입기간으로 하였으며, 이 때 각 combine의 cycle time과 이송차량의 숫자와 combine의 작업속도는 다음의 식으로 계산하였다.
- 탐색된 MCA를 이용하여 combine 작업 scheduling algorithm을 ① 수확 가능 농지정보 입력, ② 작업 가능 콤바인정보 입력, ③ 작업시간 입력, ④ 콤바인 실작업능력(CC)을 이용하여 순위를 결정, ⑤ 총품질지수(TQI) 순위 결정, ⑥ 총품질지수(TQI)의 우선순위를 콤바인 우선순위로 작업일정 매칭, ⑦ 매칭된 농지의 면적(㎡)과 매칭된 콤바인의 실작업능력(㎡/h)을 이용하여 해당 농지의 실작업시간 산출 (금일 작업 시간을 초과할 경우 알림), ⑧ 실작업시간을 금일 작업시간과 비교하여 금일작업시간을 초과하지 않을 경우, 콤바인 작업으로 스케줄에 입력, ⑨ 수확 작업이 끝난 농지는 수확 작업 대상에서 제외, ⑩ 작업하고 있는 농지와 다른 수확 대상 농지 간의 거리 산출, ⑪ 농지간의 거리의 순위 결정, ⑫ 농지간의 거리가 가장 짧은 농지를 택하여 이동시간 산정, ⑬ 실이동시간을 금일 작업시간과 비교하여 금일작업시간을 초과하지 않는 경우, 작업 금일콤바인 작업으로 스케줄에 입력, ⑭ 콤바인이 다수일 경우, 다음 콤바인으로 변경, ⑮ ⑦~⑭를 반복하여도 금일 작업 내에 작업 농지가 없을 경우 금일 작업 종료, 최종 금일 스케줄을 출력하도록 구성하였다.
성능/효과
- 3%로 이었다. QI 최대치가 다소 차이가 나타나는 이유는 강우, 태풍 및 서리 등 매년 되풀이되는 기상변화의 영향으로 판단되었다. 예측 모델에서의 QI가 최대가 되는 함수율 범위는 22.
- 네 가지 algorithm의 평균 작업면적은 각각 43,531㎡, 35,004㎡, 39,946㎡ 및 39,946㎡이었으며, 평균 총품질지수(∑QI)는 각각 32,927㎡/day, 22,422㎡/day, 29,488㎡/day 및 24,813㎡/day로서 MCA가 다른 algorithm에 비해 평균 작업면적과 총품질지수(∑ QI)가 최대로 나타나 가장 적합한 algorithm으로 탐색되었다.
- 다음 표 5는 Lab color system의 L, a, b값을 조합한 모델을 개발 하여 실제 벼의 함수율 측정치와 상관관계를 비교한 결과로서 표에서 알 수 있듯이 L, a, b의 모든 칼라인자를 사용한 모델의 결정계수(r²=0.931)가 가장 높게 나타났으나, b(+70-Yellow ↔ -80-blue)값만을 이용한 모델의 결정계수(r²=0.911)도 대단히 높게 나타나, 농지에서 측정된 color인자를 mobile로 RPC로 전송하는 작업공정의 간소화, hand-held type의 color 측정장치 실용화 등을 고려할 때 b값만을 사용하는 것이 유리할 것으로 판단된다.
- 재배기간 중 서리(霜)로 인하여 동할율이 증가하고 함수율이 급격히 감소하므로 서리가 발생하기 전 수확하는 것이 하나의 수확방법으로 알려져 있다. 다음의 표에서와 같이 실험기간 중 총 4회에 걸쳐 서리가 내렸으며, 이때 동할율은 1.2% 이었으며, 함수율은 급격히 감소하였다. 따라서, 서리로 인하여 동할발생율은 크지 않음을 알 수 있었다.
- 6%까지 감소하였다. 수확시기가 경과할수록 미숙립비율 및 천립중은 감소하는 경향이었으며, 벼정립비율 및 동할율은 반대로 증가하는 경향이었다. 재배기간 중 서리(霜)로 인하여 동할율이 증가하고 함수율이 급격히 감소하므로 서리가 발생하기 전 수확하는 것이 하나의 수확방법으로 알려져 있다.
- 수확시기에 따른 전문패널의 관능검사에 의한 냄새, 외관, 맛, 조직감 및 전반적인 품질 등 모든 식미 값에서의 유의적인 차이는 나타나지 않았다(표 2).
- QI 최대치가 다소 차이가 나타나는 이유는 강우, 태풍 및 서리 등 매년 되풀이되는 기상변화의 영향으로 판단되었다. 예측 모델에서의 QI가 최대가 되는 함수율 범위는 22.7~17.2%이었으며, 각 모델의 평균값을 이용한 평균모델의 함수율은 약 19.5%로 나타났다.
- 재배과정에서 벼의 함수율을 예측하기 위하여 벼잎의 색도를 색차계를 이용하는 방법과, 적산온도를 이용하는 방법을 검토하였으며, 벼 잎의 색도를 이용하여 함수율 예측모델을 개발하여 잎 색도(b value)의 예측인자로서의 가능성을 확인하였으며, 적산온도를 이용하는 방법은 잎 색도를 이용하는 방법에 비해 결정계수(r²=0.856)가 낮았다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.