[논문]IoT 및 딥 러닝 기반 스마트 팜 환경 최적화 및 수확량 예측 플랫폼

최호길; 안희학; 정이나; 이병관

doi:10.17661/jkiiect.2019.12.6.672

IoT 및 딥 러닝 기반 스마트 팜 환경 최적화 및 수확량 예측 플랫폼
A Smart Farm Environment Optimization and Yield Prediction Platform based on IoT and Deep Learning 원문보기

한국정보전자통신기술학회논문지 = Journal of Korea institute of information, electronics, and communication technology, v.12 no.6, 2019년, pp.672 - 680

최호길 , 안희학 () , 정이나 (가톨릭관동대학교 컴퓨터학과) , 이병관 (가톨릭관동대학교 소프트웨어학과)

초록
AI-Helper

본 논문은 농장의 바이오 센서 데이터를 수집해서 농장에서 재배중인 농작물의 질병을 진단하고, 그 해 수확량을 예측하는 IoT 및 딥 러닝 기반 스마트 팜 환경 최적화 및 수확량 예측 플랫폼을 제안한다. 이 플랫폼은 현재 날씨, 토양 미생물 등 수집 가능한 모든 정보를 수집하여 작물이 잘 성장할 수 있도록 농장 환경을 최적화하고, 농장에서 재배중인 작물의 잎을 이용하여 작물의 질병을 진단하고, 그리고, 농장의 모든 정보를 사용하여 올해 수확량을 예측한다. 실험 결과 AEOM(Agricultural Environment Optimization Module)의 평균 정확도는 RF(Random Forest)보다 약 15%, GBD(Gradient Boosting Tree)보다 약 8% 높고, 데이터가 증가해도 RF나 GBD에 비해 정확도가 덜 감소한다. 선형 회귀에 따르면 정확도의 기울기는 ReLU의 경우 -3.641E-4, Sigmoid의 경우 -4.0710E-4, 계단함수의 경우 -7.4534E-4이다. 따라서 ReLU 사용시 정확도 기울기가 가장 낮으므로 테스트 데이터의 양이 증가함에 따라 ReLU는 다른 두 가지 활성화 기능보다 더 정확하다. 본 논문에서 제안한 EOYPP는 농장 전체를 관리하는 플랫폼으로 실제 농장에 도입된다면 국내 스마트 팜의 발전에 크게 이바지할 것이다.

Abstract ▼ AI-Helper

This paper proposes "A Smart Farm Environment Optimization and Yield Prediction Platform based on IoT and Deep Learning" which gathers bio-sensor data from farms, diagnoses the diseases of growing crops, and predicts the year's harvest. The platform collects all the information currently available such as weather and soil microbes, optimizes the farm environment so that the crops can grow well, diagnoses the crop's diseases by using the leaves of the crops being grown on the farm, and predicts this year's harvest by using all the information on the farm. The result shows that the average accuracy of the AEOM is about 15% higher than that of the RF and about 8% higher than the GBD. Although data increases, the accuracy is reduced less than that of the RF or GBD. The linear regression shows that the slope of accuracy is -3.641E-4 for the ReLU, -4.0710E-4 for the Sigmoid, and -7.4534E-4 for the step function. Therefore, as the amount of test data increases, the ReLU is more accurate than the other two activation functions. This paper is a platform for managing the entire farm and, if introduced to actual farms, will greatly contribute to the development of smart farms in Korea.

주제어

표/그림 (7)

그림 그림 1. AEOM의 신경망 모델 Fig 1. Neural network model of AEOM
그림 그림 2. 컨블루션과정과 서브 샘플링과정 Fig 2. Convolution and sub-sampling courses
그림 그림 3. AEOM, RF와 GBD의 정확도 Fig 3. Accuracy of AEOM, RF and GBD
표 (표 1) 실험 환경 (Table 1) Experiment environment
그림 그림 4. CNN, R-CNN 및 YOLO의 정확도 Fig 4. Accuracy of convolutional neural network (CNN) compared with R-CNN and YOLO models.
그림 그림 5. YCM의 교차검증 정확도 Fig 5. Cross-validation accuracy of the YCM
그림 그림 6. 활성화 함수에 따른 YCM의 정확도 Fig 6. Accuracy of the YCM by activation function.

AI 본문요약
AI-Helper

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

문제 정의

그러므로 본 논문에서는 농업환경 구성 및 수확량을 예측하기 위하여 IoT 및 딥 러닝 기반 스마트 팜을 위한 환경 최적화 및 수확량 예측 플랫폼(EOYPP)을 제안한다.
본 논문에서는 CNN을 생성하여 농작물의 질병을 진단할 수 있는 CIAM(Crop Image Analysis Module)을 제안한다. CIAM은 작물 별로 서로 다른 CNN모델을 생성한다.
본 논문에서는 YCM의 성능을 분석하기 위해 세 가지 실험을 수행한다. 먼저, YCM의 트레이닝 데이터 세트 을 사용하여 five-fold cross-validation을 수행했다.

제안 방법

AEOM은 최적의 농장 환경을 계산하기 때문에, 실시간성보다 정확성이 더 중요하다. AEOM의 정확성을 검증하기 위하여, 본 논문은 학습되지 않은 입력 데이터 세트를 10개에서 50개까지 증가시키면서 AEOM, RF(Random Forest)와 GBD(Gradient Boosting Tree) 의 정확도를 측정하였다. 실험은 일반 PC에서 진행되었으며, 실험 환경은 표 1에 나타낸다.
김주희는 경제적 방제 수준을 설정하고자 고추 흰 가루병이 수량에 미치는 영향을 조사하고 시험했다. 고추 흰 가루병의 병 발병 정도에 따른 수량의 변화에 대한 분석을 10단계로 구분하여 시험했다. 흰 가루병 발생 수준, 과장과 과경 그리고 과중은 부의 상관관계를 형성하고, 발생의 증가에 따라 수량이 감소하여 유의한 부의 상관관계가 형성된다[9].
구체적으로는 첫째, 온·습도 측정 센서와 초음파 센서를 이용하여 온·습도 정보와 사료 저장소인 피드빈 내 사료 잔량을 모으는 센서를 개발했다.
그러므로 국내·외 스마트 팜 정책 동향과 국내의 스마트 농업 동향을 살펴보고 스마트 팜의 오작동과 고장에 의한 이상 상황을 분석하여, 미리 예방하고 문제 상황이 발생할 때 사용자에게 알려주는 시스템을 설계했다[1].
YCM은 이미지의 90%를 트레이닝 데이터 세트로 사용하고 나머지 10%를 테스트 데이터 세트으로 사용한다. 또한 트레이닝 데이터 세트을 나누는 기준인 K를 1에서 50으로 늘려 cross-validation의 정확도를 측정한다. 둘째, ReLU는 YCM에서 활성화 함수로 사용되며 Sigmoid, 계단 함수와 비교된다.
먼저 축산물 온도와 심박 수 및 운동량과 같은 환경 정보를 수집하고, 온· 습도와 조도 등 농장 환경 데이터를 수집하여 THI 지수를 계산한다.
본 논문에서는 YCM의 성능을 분석하기 위해 세 가지 실험을 수행한다. 먼저, YCM의 트레이닝 데이터 세트 을 사용하여 five-fold cross-validation을 수행했다. YCM은 이미지의 90%를 트레이닝 데이터 세트로 사용하고 나머지 10%를 테스트 데이터 세트으로 사용한다.
박용주는 번식 축사 환경에 적용하도록 THI 지수를 계산하여, 농장 환경 자동 제어 시스템과 무선 센서 네트워크를 구현했다. 먼저 축산물 온도와 심박 수 및 운동량과 같은 환경 정보를 수집하고, 온· 습도와 조도 등 농장 환경 데이터를 수집하여 THI 지수를 계산한다.
본 논문에서 제안하는 YCM(Yield Calculation Module)은 현재 기상데이터와 작물의 상태를 계산하여 작물 수확량을 예측한다. YCM은 작물 수확량을 정확하게 예측하기 위해 ANN을 기반으로 설계되었다.
본 논문에서는 현재 날씨, 토양 미생물 함량 등 농장에서 수집 가능한 모든 정보를 수집하여 작물이 잘 성장할 수 있도록 농장 환경을 최적화 하는 AEOM(Agricultural Environment Optimization Module)와 CNN을 생성하여 농작물의 질병을 진단할 수 있는 CIAM(Crop Image Analysis Module) 그리고 현재 기상데이터와 작물의 상태를 계산하여 작물 수확량을 예측하는 YCM(Yield Calculation Module)으로 구성되는 “IoT 및 딥 러닝 기반 스마트 팜을 위한 환경 최적화 및 수확량 예측 플랫폼”을 설계한다.
셋째, AEOM은 트레이닝 데이터를 사용하여 신경망 모델을 학습시킨다. AEOM은 초기화된 연결 강도, 트레이닝 입력 데이터 과 활성화 함수인 ELU함수를 사용하여 트레이닝 입력 데이터의 결과를 계산한다.
오정원은 최상의 품질 상태에서 과일을 수확하고 좋은 가격으로 출하하도록, 수확 시기에 기계 학습을 적용하는 방법을 제안했다. 온실 내에서 재배되는 과일의 내부 온 습도 값과 색상 값 그리고 무게 값을 온 습도 센서와 색상 센서 그리고 무게 센서를 이용하여 수확 시기 예측에 필요한 인자를 실시간으로 수집하고 확보했다[9].
오정원은 최상의 품질 상태에서 과일을 수확하고 좋은 가격으로 출하하도록, 수확 시기에 기계 학습을 적용하는 방법을 제안했다. 온실 내에서 재배되는 과일의 내부 온 습도 값과 색상 값 그리고 무게 값을 온 습도 센서와 색상 센서 그리고 무게 센서를 이용하여 수확 시기 예측에 필요한 인자를 실시간으로 수집하고 확보했다[9].
간벌 시나리오의 설정을 위해 간벌 시기를 15년에서 40년까지 5년 단위로 구분하되 간벌의 주기는 10년 이상이 되도록 하고, 간벌로 제거되는 비율을 전체 60%를 넘지 않도록 제한했다. 이런 제한조건을 적용하여 열 가지 간벌 시나리오를 설정하고 수종별 수확량과 지수별 수확량을 비교 분석했다. [7]
이시현은 두 개의 범용 임베디드 컴퓨팅 플랫폼을 이용하여 사용자의 요구사항을 쉽게 적용하고, 시스템의 유연성과 시장의 적기 성을 증대시키기 위한 목적으로 스마트 팜에 요구되는 기본적인 기능을 설계하였다. 임베디드 컴퓨팅 플랫폼은 스마트 팜의 모터 제어와 센서 등의 기능을 제어하고 임베디드 컴퓨팅 플랫폼과 통신 기능을 수행한다[3].
손영모 외 4명은 삼나무의 생장 및 수확량 평가와 탄소 저장 및 흡수량을 알아보기 위하여 수행했다. 직경 분포 추정을 위하여 흉고 직경, 흉고 단면적, 수고 등 생장 인자 별 생장 추정식을 도출하고, 이들에 대한 적합성을 검증했다. 그리고 삼나무에 대한 지역별 임지생산력을 파악할 수 있는 지위 지수를 Schumacher 모델로서 개발하였다.
황성일은 수경 인삼 식물공장의 사례를 통하여, 스마트 팜 팩토리를 ICT 기반에서 설계하였다. 스마트 팜 팩토리는 환경정보를 수집하여 시설물을 제어하는 기존의 식물공장 개념을 확장하여 식물의 생육을 위한 정보 수집과 시설 운영 그리고 관리의 자동화가 가능하고, 수집된 정보를 이용하여 최적의 작물 생육을 위한 정보의 분석과 적용을 가능하도록 한 전사적인 식물공장 관리 시스템이다[2].

대상 데이터

즉, YCM의 출력 노드의 수는 1개이며, #수식로 표시한다. YCM은 히든 레이어를 5개 사용하고, 각 히든 레이어의 노드 수는 20개로 설계한다. YCM에서 사용하는 히든 레이어는 수식 4에서 표현된다.
AEOM이 가지는 히든레이어는 수식 4에 표현된다. 본 논문에서는 4개의 히든레이어을 사용하였으며, 히든 레이어의 노드 수는 입력 레이어의 노드 수와 같다.
이 논문에서 CAIM에 사용된 CNN은 작동 시간 및 정확도 면에서 R-CNN 및 YOLO와 비교된다. 잎 이미지와 질병 이름으로 구성된 5,000-20,000개의 테스트 데이터 세트을 사용하여 실험을 진행하였다. 실험 환경은 AEOM을 실험한 환경과 같다.

이론/모형

본 논문에서 제안하는 YCM(Yield Calculation Module)은 현재 기상데이터와 작물의 상태를 계산하여 작물 수확량을 예측한다. YCM은 작물 수확량을 정확하게 예측하기 위해 ANN을 기반으로 설계되었다. YCM은 입력으로 CIAM의 출력(질병 명), 작물 이름, 수확까지 남은 시간(일 단위), 해당 지역의 현재 기온, 습도, 강수량(강설량), 일조량, 지면 온도, 현지 기압, 지면의 수분 증발량을 사용한다.
직경 분포 추정을 위하여 흉고 직경, 흉고 단면적, 수고 등 생장 인자 별 생장 추정식을 도출하고, 이들에 대한 적합성을 검증했다. 그리고 삼나무에 대한 지역별 임지생산력을 파악할 수 있는 지위 지수를 Schumacher 모델로서 개발하였다. [10]

성능/효과

그림 3의 점은 데이터 세트의 개수 마다 AEOM, RF, GBD의 정확도를 나타내고, 점선은 데이터 세트가 10개부터 50개까지 증가할 때 AEOM, RF, GBD의 정확도 감소 추이를 나타내는 추세선이다. AEOM의 정확도는 데이터 세트의 개수가 15개일 때 93.33%, 25개일 때 88%, 35개일 때 88.57%, 50개일 때 86%로 측정되었다. AEOM의 정확도는 데이터 세트의 개수가 15개일 때 93.
그림 6은 각 활성화 함수에 따른 YCM의 정확도를 나타낸다. YCM이 활성화 함수로 ReLU를 사용했을 때 평균 정확도는 97.8332%이고, Sigmoid를 사용했을 때 정확도는 96.2454%, 계단 함수를 사용했을 때는 92.759%로 측정되었다. 선형 회귀에 따르면 정확도의 기울기는 ReLU의 경우 –3.
그림 5에서 five-fold cross-validation에 사용되는 유효성 검사 횟수는 1 ~ 50이다. cross-validation의 평균 정확도는 fold가 1개일 경우 91.6%, fold가 2개일 경우 93%, fold가 4개일 경우 96.8%, fold가 8개일 경우 91.8%, fold가 20개일 경우 86.4%, fold가 50개일 경우 83.4%로 측정되었다. YCM은 4개의 validation folds를 사용하여 학습 속도를 최적화해야 한다.
넷째, AEOM이 수식 7을 통하여 트레이닝 입력 데이터에 대한 결과 O를 계산했다면, 트레이닝 출력 데이터와 손실함수를 이용하여 연결 강도를 수정한다. 수식 8, 9, 10은 손실 함수를 이용한 오차 신호 #수식를 계산하고, 수식 11, 12, 13은 AEOM이 연결 강도를 수정하는 과정은 나타낸다.
셋째, 실시간 적인 작물, 환경이 분석이 가능하다. 넷째, 작물의 관리뿐만 아니라 작물의 수확량을 예측하여 효과적인 스마트 팜 환경을 개선할 수 있다.
다섯째, AEOM의 학습이 끝나면 AEOM은 현재 농장의 상태를 입력 I로 사용하고 수식 7을 통하여 농장 환경을 최적화하는 출력 O를 계산한다.
둘째, AEOM은 입력과 출력 벡터를 0으로 설정하고, Glorot Initialization 방식을 사용하여 연결 강도를 초기화하고, 학습률 는 0.001로, 편향은 0으로 초기화한다. 수식 5는 Glorot Initialization를 통하여 AEOM이 연결 강도를 초기화하는 것을 나타낸다.
또한 트레이닝 데이터 세트을 나누는 기준인 K를 1에서 50으로 늘려 cross-validation의 정확도를 측정한다. 둘째, ReLU는 YCM에서 활성화 함수로 사용되며 Sigmoid, 계단 함수와 비교된다.
4프로 높은 정확도를 갖는다. 둘째, 제안하는 CYM은 ReLU를 활성화함수로 사영하여 약 97%의 정확도를 갖는다. 셋째, 실시간 적인 작물, 환경이 분석이 가능하다.
둘째, 제안하는 CYM은 ReLU를 활성화함수로 사영하여 약 97%의 정확도를 갖는다. 셋째, 실시간 적인 작물, 환경이 분석이 가능하다. 넷째, 작물의 관리뿐만 아니라 작물의 수확량을 예측하여 효과적인 스마트 팜 환경을 개선할 수 있다.
그림 4는 테스트 데이터 세트 수에 따른 CNN, R-CNN 및 YOLO의 정확도를 나타낸다. 실험 결과, CNN의 평균 정확도는 99.6 %, R-CNN의 평균 정확도는 96.1 %, YOLO의 평균 정확도는 94.2 %로 측정되었다. CNN의 평균 정확도는 R-CNN보다 약 3.
004이다. 즉, AEOM의 평균 정확도는 RF보다 약 15%, GBD보다 약 8% 높고, 데이터가 증가해도 RF나 GBD에 비해 정확도가 덜 감소한다. 따라서 AEOM은스마트 팜의 농장 환경을 가장 잘 최적화할 수 있다.
AEOM은 다음과 같이 동작한다. 첫째, AEOM은 우선 신경망 모델의 입력, 출력, 연결 강도, 학습률, 편향(bias)을 초기화한다. 수식 1은 AEOM의 입력을, 수식 2는 출력을, 수식 3은 연결 강도를 나타낸다.
제안하는 플랫폼의 기대효과는 다음과 같다. 첫째, 제안하는 CIAM은 R-CNN보다 약 3.5%, YOLO보다 약 5.4프로 높은 정확도를 갖는다. 둘째, 제안하는 CYM은 ReLU를 활성화함수로 사영하여 약 97%의 정확도를 갖는다.

질의응답

핵심어	질문	논문에서 추출한 답변
	스마트 팜 팩토리는 무엇인가?	황성일은 수경 인삼 식물공장의 사례를 통하여, 스마트 팜 팩토리를 ICT 기반에서 설계하였다. 스마트 팜 팩토리는 환경정보를 수집하여 시설물을 제어하는 기존의 식물공장 개념을 확장하여 식물의 생육을 위한 정보 수집과 시설 운영 그리고 관리의 자동화가 가능하고, 수집된 정보를 이용하여 최적의 작물 생육을 위한 정보의 분석과 적용을 가능하도록 한 전사적인 식물공장 관리 시스템이다[2].
	각 활성화 함수 별로 YCM의 정확도는 어떻게 나타나는가?	그림 6은 각 활성화 함수에 따른 YCM의 정확도를 나타낸다. YCM이 활성화 함수로 ReLU를 사용했을 때 평균 정확도는 97.8332%이고, Sigmoid를 사용했을 때 정확도는 96.2454%, 계단 함수를 사용했을 때는 92.759%로 측정되었다. 선형 회귀에 따르면 정확도의 기울기는 ReLU의 경우 –3.
	딥 러닝 기반 스마트 팜에서 어느 모델을 사용하는 것이 더 정확도가 높은가?	제안하는 플랫폼의 기대효과는 다음과 같다. 첫째, 제안하는 CIAM은 R-CNN보다 약 3.5%, YOLO보다 약 5.4프로 높은 정확도를 갖는다. 둘째, 제안하는 CYM은 ReLU를 활성화함수로 사영하여 약 97%의 정확도를 갖는다. 셋째, 실시간 적인 작물, 환경이 분석이 가능하다.

참고문헌 (10)

Choi, Hwi-Min, Kim, Joo-Man, "Anomaly Detection System of Smart Farm ICT Device", The Institute of Internet, Broadcasting and Communication, Vol. 19, No. 2, pp. 169-174, 2019.
Sung-Il Hwang, Jong-Moon Joo, Seong-Yong Joo "ICT-Based Smart Farm Factory Systems through the Case of Hydroponic Ginseng Plant Factory", J The Journal of Korean Institute of Communications and Information Sciences, Vol 40, No. 4, pp. 780-790, 2015.

원문보기 상세보기
Sihyun Lee, "Fundamental Functionality Design of a Smart Farm Using an Embedded Computing Platform", Journal of the Institute of Electronics Engineers of Korea, Vol 55, No. 4, pp. 151-157, 2018.
Wonyoung An, YunHi Chang, "A Study on the Livestock Feed Measuring Sensor and Supply Management System Implementation based on the IoT.", kiiect, Vol. 10, No. 5, pp. 442-454, 2017.
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
Kim Young-hwan, Kim Tae-wook, Won Hyun-kyu, Lee Kyung-hak, Shin Man-yong, "Estimation of Timber Production by Thinning Scenarios Using a Forest Stand Yield Model.", Korean Society Of Forest Science, Vol. 101, No. 4, pp. 592-598, 2012.
Jae Hun Sung, Dong Hun Lee, "Rice Yield Prediction Based on the Soil Chemical Properties Using Neural Network Model.", Korean Society for Agricultural Machin, Vol. 30, No. 6, pp. 360-365, 2005.
Ju-Hee Kim, Seong-Soo Cheong, Ju-Rak Yim, Ki-Kwon Lee, "Yield Loss Assessment and Determination of Control Thresholds for Powdery Mildew of Chili pepper (Capsicum annuum L).", The Korean society of pesticide science, Vol. 19, No. 2, pp. 113-118, 2015.

원문보기 상세보기
Jung-won Oh, Haeng-gon Kim, Il-tae Kim, "Design and implementation of fruit harvest time predicting system based on machine learning.", Smart media journal, Vol. 8, No. 1, pp. 74-71, 2019.
Yeong Mo Son, Jin Taek Kang, Jeong Sun Hwang, Park Hyun, Kang Su Lee, "Assessment and Prediction of Stand Yield in Cryptomeria japonica Stands.", Korean Society Of Forest Science, Vol. 104, No. 3, pp. 421-426, 2015.

원문보기 상세보기

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