[논문]농산물 생산성 향상을 위한 딥러닝 기반 농업 의사결정시스템

박진욱; 안희학; 이병관

doi:10.17661/jkiiect.2018.11.5.521

농산물 생산성 향상을 위한 딥러닝 기반 농업 의사결정시스템
The Agriculture Decision-making System(ADS) based on Deep Learning for improving crop productivity 원문보기

한국정보전자통신기술학회논문지 = Journal of Korea institute of information, electronics, and communication technology, v.11 no.5, 2018년, pp.521 - 530

박진욱 (Computer Engineering of Graduate School, Catholic Kwandong University) , 안희학 (Department of Software, Catholic Kwandong University) , 이병관 (Department of Software, Catholic Kwandong University)

초록
AI-Helper

본 논문에서 제안하는 "농산물 생산성 향상을 위한 딥러닝 기반 농업 의사결정 시스템"에서는 정밀농업을 지원하는 농장의 위치 정보를 기반으로 기상 정보를 수집하고, 수집한 기상 정보와 농작물의 실시간 데이터를 이용하여, 작물의 현재 상태를 예측하고 그 결과를 농장 관리인에게 알려준다. 제안하는 시스템은 첫째, 정밀농업을 지원하는 농장의 위치 정보를 기반으로 기상 정보를 수집하는 ICM(Information Collection System)을 설계하고, 둘째, 딥러닝 알고리즘을 기반으로 현재 날씨에 따라 농장 토지의 탄소, 수소, 산소, 질소, 수분 함유량이 재배하고 있는 작물에 적합특정 작물을 재배하기 좋은 상태인지 판단하는 DRCM(Deep learning based Risk Calculation Module)을 설계하고, 셋째, DRCM의 결과를 기반으로 사용자에게 작물의 상태를 점검할 것을 알려주는 메시지를 전송하는 RNM(Risk Notification Module)을 설계한다. 제안하는 시스템은 기존의 시스템과 비교하였을 때, 데이터양의 증가로 인해 발생하는 정확도 감소 비율이 낮고, 분석 단계에 비지도학습을 적용하기 때문에 안정성을 향상 시킬 수 있다. 결과적으로 농장 데이터 분석 성공률이 약 5.15%가량 향상되었고, 환경 변화에 따른 작물 성장의 위험한 상태정보 다양하게 적용하였을 때, 위험한 상태정보에 대하여 상세하게 추론할 수 있었다. 이는 다양한 내 외부 환경으로부터 발생할 수 있는 작물의 질병을 미연에 예방할 수 있고, 작물이 성장하는데 최적화된 환경을 제공할 수 있는 효과를 나타낸다.

Abstract ▼ AI-Helper

This paper proposes "The Agriculture Decision-making System(ADS) based on Deep Learning for improving crop productivity" that collects weather information based on location supporting precision agriculture, predicts current crop condition by using the collected information and real time crop data, and notifies a farmer of the result. The system works as follows. The ICM(Information Collection Module) collects weather information based on location supporting precision agriculture. The DRCM(Deep learning based Risk Calculation Module) predicts whether the C, H, N and moisture content of soil are appropriate to grow specific crops according to current weather. The RNM(Risk Notification Module) notifies a farmer of the prediction result based on the DRCM. The proposed system improves the stability because it reduces the accuracy reduction rate as the amount of data increases and is apply the unsupervised learning to the analysis stage compared to the existing system. As a result, the simulation result shows that the ADS improved the success rate of data analysis by about 6%. And the ADS predicts the current crop growth condition accurately, prevents in advance the crop diseases in various environments, and provides the optimized condition for growing crops.

주제어

표/그림 (6)

그림 그림 1. 농산물 생산성 향상을 위한 딥러닝 기반 농업 의사결정 시스템 Fig. 1. The Agriculture Decision-making System(ADS) based on Deep Learning for improving crop productivity
그림 그림 2. 정보 수집 모듈 Fig. 2. ICM(Information Collection Module)
그림 그림 3. DRCM의 구성도 Fig. 3. The Construction of the DRCM
그림 그림 5. Training Sample에 대한 학습시간에 대한 그래프 Fig. 5. The Graph for Learning Time according to Training Samples
그림 그림 6. Test Sample에 대한 진단 성공률 그래프 Fig. 6. The Graph for Diagnosis Success Rate according to Test samples
표 표 1. 시뮬레이션을 위한 통제변수와 값 Table 1. Control variables for simulation

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 다양한 내·외부 환경으로부터 발생할 수 있는 작물의 질병을 미연에 예방할 수 있고, 작물이 성장하는데 최적화된 환경을 제공할 수 있는 ”농산물 생산성 향상을 위한 딥러닝 기반 농업 의사결정 시스템“을 제안하였다.

가설 설정

4) 네 번째 히든레이어와 출력 레이어 사이의 연결 강도 수정: DRCM은 네 번째 히든 레이어와 출력 레이어 사이의 연결 강도를 수정한다.
첫째, 출력 레이어의 결과 P (yj | h4)을 계산하고, P (yj | h4)을 #라고 가정한다.

제안 방법

CNN을 구성하여 기존의 영상처리 기법으로 해결이 어려웠던 분광특성이 유사한 물질간의 분류 및 GIS속성정보에 따른 분류를 수행하였으며, 항공초분광센서인 AISA(Airborne Imaging Spectrometer for Application)와 CASI(Compact Airborne Spectrographic Imaging)로 얻은 영상을 사용했다.
THI 지수를 계산하여 번식 축사 환경에 적용하기 위해 무선 센서 네트워크와 농장 환경 자동 제어 시스템을 구현했다.
넷째, 오차 신호 δy를 이용하여 마지막 히든 레이어와 출력 레이어 사이의 연결 강도를 수정한다.
센서 고장을 분류하기 위하여 multi-layer SVM을 구성하여 multi-class를 이용했다. 데이터 샘플들을 사용하여 CNN을 학습시키고 앙상블 기법을 적용하여 성능을 높인다[10].
둘째, ICM은 자신의 위치정보를 기상청 서버에 전송하여 현재 위치에 대한 온도, 습도, 일조량, 풍량, 풍속 등의 기상 정보를 수집하여 내부 데이터 버퍼에 기록한다.
학습 및 생성 모델을 단순화함으로써, 계산을 감소시키고 중간 프레임의 변경된 영역만을 생성하는 견고한 모델을 구성 할 필요가 있다. 변화된 영역에서 픽셀을 생성하는 단순화 된 모델을 구현하기 위해 CNN과 RNN(Recurrent Neural Network)을 기반으로 동작 특징 추출 및 학습 모델을 구성했다. 또한 모션이 발생하는 영역에 대해 디컨 볼루션 계층을 통해 중간 프레임을 생성하기 위해 모션 확률 맵을 사용한 알고리즘을 사용한다[11].
본 논문에서 제안하는 “농산물 생산성 향상을 위한 딥러닝 기반 농업 의사결정 시스템”에서는 정밀농업을 지원하는 농장의 위치 정보를 기반으로 기상 정보를 수집하고, 수집한 기상 정보와 농작물의 실시간 데이터를 이용하여, 작물의 상태에 대한 세 가지 위험도를 산출한다.
본 논문에서 제안하는 DRCM은 DBN을 기반으로 하는 신경망 모델이며, 클라우드에서 동작한다.
본 논문에서 제안하는 DRCM의 성능분석을 위하여 농장의 상태를 판단하는 모델을 DRCM 학습 방식, LSTM 학습 방식 및 CNN 학습 방식으로 구성한 각 신경망 모델의 학습속도와 신뢰성을 비교하였다.
본 논문에서 제안하는 RNM에서는 DRCM의 결과를 기반으로 사용자에게 작물의 상태를 점검할 것을 알려주는 메시지를 전송한다.
센서에서 발생되는 erratic fault와 spike fault, hard-over fault, drift fault 그리고 stuck fault 등의 고장유형에 대하여 기계학습 알고리즘인 SVM(Support Vector Machine)과 CNN을 적용하여 검출하고 분류했다.
셋째, DRCM의 결과를 기반으로 사용자에게 작물의 상태를 점검할 것을 알려주는 메시지를 전송하는 RNM(Risk Notification Module)을 설계한다.
셋째, 작물이 심어진 토양의 센서들로부터 실시간 다량원소 데이터를 수집하여 내부 데이터 버퍼에 기록한다.
수치 테스트를 위해 GNSS(Global Navigation Satellite System) 신호의 대류권 지연을 기반으로 PWV (Precipitable Water Vapour)를 계산 한 다음 깊은 학습 기법을 강수 예측에 적용했다[12].
저전력 장거리 무선통신기술(LPWA) 기반으로 원격감시 및 제어가 가능한 자가설치형 농업 자동화 시스템 "씽커넥트-Green" 을 설계 및 구현했다.
첫 번째 실험은 Training Sample에 따른 신경망 모델의 학습시간을 비교하였고, 그 결과는 그림 5와 같다.

대상 데이터

기상 정보의 경우, 농장의 GPS를 기반으로 국가에서 제공하는 날씨 정보를 사용한다.
본 논문에서 제안하는 정보 수집 모듈에서는 정밀 농업 시스템의 위치 정보를 기반으로 기상청으로부터 날씨 정보를 수집하고, 농장의 토지에 설치된 센서들로부터 실시간 다량원소 데이터를 수집한다.
CNN을 구성하여 기존의 영상처리 기법으로 해결이 어려웠던 분광특성이 유사한 물질간의 분류 및 GIS속성정보에 따른 분류를 수행하였으며, 항공초분광센서인 AISA(Airborne Imaging Spectrometer for Application)와 CASI(Compact Airborne Spectrographic Imaging)로 얻은 영상을 사용했다. 실험대상지역은 세 곳이고 사이트 1과 사이트 2는 벼, 양파, 감자 등의 다양한 농작물을 포함하며 사이트 3은 단독주거시설과 공동주거시설 등으로 구성된 건물을 포함한다[9].
실험은 GeForce GTX 1080 CPU를 사용하는 서버 PC와 센서 데이터를 보내는 클라이언트 PC를 사용하여 진행하였다.
예측인자로는 기온, 강수일, 태양과 달 궤도 관련 자료를 선정했다.

데이터처리

검증 결과로 획득한 예측 값 등은 확률 값을 갖고 임계값을 사용하여 강수유무를 판별했다.
두 번째 실험은 Test Sample에 대한 진단 성공률을 비교하였고, 그 결과를 나타내면 그림 6과 같다.

이론/모형

LSTM (Long Short-Term Memory)은 연속 데이터에 대한 강력한 알고리즘이기 때문에 이 연구에서 강수량 예측에 사용되었다.
SVM의 학습 및 테스트를 위해 데이터 샘플들로부터 시간영역 통계 특징들을 추출하고 최적의 특징을 찾기 위해 유전 알고리즘(genetic algorithm)을 적용했다.
강수 정확도의 척도로 양분예보기법 중 Bias(frequency bias) CSI(Ccritical Successive Index)를 계산했다[8].
그러나 DRCM은 입력 데이터와 출력 데이터의 개수와 형식이 다르기 때문에, 입력 레이어 부터 마지막 히든레이어 까지는 RBM기반 비지도 학습을 실행하고, 마지막 레이어와 출력 레이어 사이에는 지도 학습 기반인 Back-propagation 방식을 사용하여 학습을 실행한다.
기후 변화로 인한 심각한 피해를 처리하기 위해 고도의 정확도를 가진 심층 학습에 기반한 강수 예측 알고리즘을 이용한다.
SVM의 학습 및 테스트를 위해 데이터 샘플들로부터 시간영역 통계 특징들을 추출하고 최적의 특징을 찾기 위해 유전 알고리즘(genetic algorithm)을 적용했다. 센서 고장을 분류하기 위하여 multi-layer SVM을 구성하여 multi-class를 이용했다. 데이터 샘플들을 사용하여 CNN을 학습시키고 앙상블 기법을 적용하여 성능을 높인다[10].

성능/효과

1) 데이터 입력과 변수 초기화 : DRCM은 학습을 위하여 결과를 알고 있는 훈련 샘플들을 입력받고 노드들의 수와 노드들 사이의 가중치를 초기화한다.
2) 입력 레이어와 첫 번째 히든레이어 사이의 학습: DRCM은 첫 번째 히든 레이어의 결과를 계산하고 입력 레이어와 첫 번째 히든레이어 사이의 연결 강도를 수정한다.
3) 두 번째부터 네 번째 히든레이어 사이의 학습: DRCM은 두 번째 히든 레이어 부터 네 번째 히든레이어 사이의 연결 강도를 수정한다. 방식은 입력 레이어와 첫 번째 히든 레이어 사이의 연결 강도를 수정할 때와 같다.
CNN기반 신경망 모델은 500개 sample을 테스트할 경우 95.8%, 700개 sample을 테스트할 경우 94.14%, 1500개 sample을 테스트할 경우 89.8%, 2000개 sample을 테스트할 경우 87.8%의 성공률을 가졌다.
DRCM은 평균적으로 CNN보다 5.16%, LSTM보다 5.14% 높은 성공률을 기록하였다.
LSTM 기반 신경망 모델은 500개 sample을 테스트할 경우 88.40%, 700개 sample을 테스트할 경우 93%, 1500개 sample을 테스트할 경우 94.07%, 2000개 sample을 테스트할 경우 94.05%의 성공률을 가졌다.
결과적으로 DRCM의 학습시간은 LSTM보다 약 0.44초 빠르고, CNN보다 약 0.23초 느리다.
결과적으로 실험을 통하여 제안하는 DRCM은 기존 LSTM보다 학습 속도가 빠르고, CNN보다 높은 성공률을 갖는 것을 알 수 있다.
그러나 두 번째 실험을 통하여 CNN보다 DRCM이 농장 진단에 더 적합하다는 것이 확인되었다.
그림 6을 살펴보면, DRCM기반 신경망 모델은 500개 sample을 테스트할 경우 98.6%, 700개 sample을 테스트할 경우 98%, 1500개 sample을 테스트할 경우 97.13%, 2000개 sample을 테스트할 경우 96.7%의 성공률을 가졌다.
넷째, ADS의 DRCM은 기존 LSTM과 비교하였을 때, 데이터양의 증가로 인해 발생하는 정확도 감소 비율이 낮고, 분석 단계에 비지도학습을 적용하기 때문에 안정성을 향상시킬 수 있다.
넷째, 내부 데이터 버퍼에 수집된 기상정보 및 토양 정보를 DRCM에 전달한다.
다섯째, DRCM은 LSTM보다 약 0.44초 빠른 학습시간을 갖는다.
다섯째, 오차 E가 Emax보다 작아질 때까지 둘째부터 넷째 단계를 반복한다. 만약 E가 Emax보다 작아지면 학습을 종료한다.
따라서 본 논문에서 제안하는 ”농산물 생산성 향상을 위한 딥러닝 기반 농업 의사결정 시스템“은 다양한 내·외부 환경으로부터 발생할 수 있는 작물의 질병을 미연에 예방할 수 있고, 작물이 성장하는데 최적화된 환경을 제공할 수 있는 효과를 나타낸다.
따라서 본 논문에서 제안하는 기상 정보와 농장 데이터를 활용한 “농산물 생산성 향상을 위한 딥러닝 기반 농업 의사결정 시스템”은 다양한 내·외부 환경으로부터 발생할 수 있는 작물의 질병을 미연에 예방할 수 있고, 작물이 성장하는데 최적화된 환경을 제공할 수 있는 효과를 나타낸다.
여섯째, DRCM은 평균적으로 CNN보다 5.16%, LSTM보다 5.14% 높은 성공률을 갖는다.

후속연구

둘째, 실내,외 환경을 고려하여 작물의 최적화된 성장 환경을 제공해줄 수 있다.
셋째, 토지의 다량 원소뿐만 아니라 미량원소까지 고려하여 작물의 성장에 필수 영양소 성분 함량을 추론하는데 활용될 수 있다.
첫째, 작물의 기본 성장 요소를 고려하는 위험도 추론 모듈을 통해 다양한 작물들의 질병을 미연에 예방할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	스마트 팜 공장이란 무엇인가?	스마트 팜 공장은 이전의 식물공장 개념을 확장하여 식물 생육을 위한 정보의 수집과 관리의 자동화와 시설의 운영이 가능하고, 수집된 정보를 이용한 최적의 작물 생육을 위한 정보 분석의 적용이 가능한 전사적 식물공장 관리 시스템이다[2].
	농업 문제의 해결 방안으로 첨단 기술과의 융합이 주목을 받는 이유는 어떠한 문제 때문인가?	국내 농업은 농업 인구 고령화 및 인력과 농경지 감소 그리고 생산액 비중 감소 등의 문제점으로 인해 국내 농업 활성화를 위한 대책 마련이 시급한 상황이다. 이런 문제점들을 해결하기 위하여 ICT, BT, ET 등 첨단 기술과의 융합이 농업 문제의 해결 방안으로 빠르게 부상하고 있는 추세이며 특히, 고효율화, 고품질 지원이 가능한 IT 기반의 스마트 농업이 기상이변과 농지 감소 및 노동인구 등의 문제해결 방안으로 대두되고 있다.
	클라우드 기반 스마트팜 서비스의 장점은 무엇인가?	Stand-Alone방식 스마트팜에서는 온실별로 설치하는 센서, 제어기, 운영PC 등 각종 장치들을 가상화하여 서비스의 형태로 제공한다. 클라우드 기반 스마트팜 서비스는 사용자 관점에서 필요한 기능만을 서비스의 형태로 적용하기 때문에 도입비를 획기적으로 낮출 수 있고, 설치 및 관리가 용이하다[1].

참고문헌 (13)

Small and Medium Business Administration, "Technology Roadmap for SME", 27, Small and Medium Business Administration, 2017
Seyong Lee, "Cloud-based smart farm technology", Information & communications magazine, Vol.34, No.1, pp.51-57, 2016.
Sung-Il Hwang, Jong-Moon Joo, Seong-Yong Joo, "ICT-Based Smart Farm Factory Systems through the Case of Hydroponic Ginseng Plant Factory", The Journal of Korean Institute of Communications and Information Sciences, Vol.40, No.4, pp.780-790, 2015.

원문보기 상세보기
JaeGu Back, Hying-Woo Lee, "Design and Implementation of Self-installing Agricultural Automation System for Remote Monitoring and Control Based on LPWA Technology", Journal of The Korea Internet of Things Society, Vol.3, No.1, pp.13-19, 2017.
Sang-il Na, Chan-won Park, Kyu-ho So, Jae-moon Park, Kyung-do Lee, "Satellite Imagery based Winter Crop Classification Mapping using Hierarchica Classification", Korean journal of remote sensing, Vol.33, No.5, pp.677-687, 2017.
Wonyoung An, YunHi Chang, "A Study on the Livestock Feed Measuring Sensor and Supply Management System Implementation based on the IoT", Journal of Korea institute of information, electronics, and communication technology, Vol.10, No.5, pp.442-454, 2017.

원문보기 상세보기
Yongju Park, Jun Moon, "Smart Dairy Management System Development Using Biometric/Environmental Sensors and Farm Control Gateway", IEMEK Journal of embedded systems and applications, Vol.11, No.1, pp.15-20, 2016.

원문보기 상세보기
Woongsup Lee, Seong Hwan Kim, Jongyeol Ryu, Tae-Won Ban, "Fast Detection of Disease in Livestock based on Deep Learning", Journal of the Korea Institute of Information and Communication Engineering, Vol.21, No.5, pp.1009-1015, 2017.
Ji-Hun Ha, Yong Hee Lee, Yong-Hyuk Kim, "Forecasting the Precipitation of the Next Day Using Deep Learning", Journal of Korean institute of intelligent systems, Vol.26, No.2, pp.93-98, 2016.

원문보기 상세보기
Ahram Song, Yongil Kim, "Deep Learning-based Hyperspectral Image Classification with Application to Environmental Geographic Information Systems", Korean Journal of Remote Sensing, Vol.33, No.6, pp.1061-1073, 2017.
Jae-Wan Yang, Young-Doo Lee, In-Soo Koo, "Sensor Fault Detection Scheme based on Deep Learning and Support Vector Machine", The journal of the Institute of Internet Broadcasting and Communication, Vol.18, No.2, pp.185-195, 2018.
Soo-Hwan Lee, "Image reconstruction technique using deep learning architecture", Journal of the Korean Society of Marine Engineering, 42권, 2호, pp.121-126, 2018.

상세보기
Kim Hee-Un, Bae Tae-Suk, "Preliminary Study of Deep Learning-based Precipitation", Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol.35, No.5, pp.423-430, 2017

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증