[논문]기상 데이터 기반 감귤 당도 예측 인공지능 모델 개발

서동민

doi:10.5392/jkca.2021.21.06.035

[국내논문] 기상 데이터 기반 감귤 당도 예측 인공지능 모델 개발
Development of Artificial Intelligence Model for Predicting Citrus Sugar Content based on Meteorological Data 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.21 no.6, 2021년, pp.35 - 43

초록
AI-Helper

감귤의 품질은 일반적으로 당도와 산도로 결정된다. 특히, 당도는 감귤의 맛을 결정하기 때문에 매우 중요한 요소이다. 현재 농가에서 가장 많이 사용하는 감귤 당도 측정 방법은 휴대용 착즙당도계 및 비파괴당도계로 측정하는 방식이다. 이 방법은 개인이 손쉽게 측정 가능한 방법이지만, 감귤농협 정식기계보다 당도수치의 정확성이 떨어지며 특히 0.5 Brix 이상 오차 차이가 발생해 현장에서 사용하기에는 아직 많이 부족하다. 또한, 현재 시점의 측정이지 예측 측정이 아니다. 그래서 본 논문에서는 기존 수집된 감귤 당도 값과 기상 데이터(평균 온도, 습도, 강우량, 일사량, 평균 풍속)을 기반으로 측정되지 않은 날짜의 감귤 당도를 0.5 Brix 이하 오차범위 내에서 예측하는 AI 모델을 제안했다. 또한, 성능평가를 통해 제안하는 예측 모델이 제주 성산 지역에 대해서는 절대 평균 오차가 0.1154, 하원 지역에 대해서는 0.1983인 것을 확인했다. 마지막으로 제안한 모델은 0.5 Brix 이하 오차 차이를 지원하며, 예측 측정을 지원하는 기술이기에 그 활용성에 있어 진보성이 매우 높을 것으로 기대된다.

Abstract ▼ AI-Helper

Citrus quality is generally determined by its sugar content and acidity. In particular, sugar content is a very important factor because it determines the taste of citrus. Currently, the most commonly used method of measuring citrus sugar content in farms is a portable juiced sugar meter and a non-destructive sugar meter. This method can be easily measured by individuals, but the accuracy of the sugar content is inferior to that of the citrus NongHyup official machine. In particular, there is an error difference of 0.5 Brix or more, which is still insufficient for use in the field. Therefore, in this paper, we propose an AI model that predicts the citrus sugar content of unmeasured days within the error range of 0.5 Brix or less based on the previously collected citrus sugar content and meteorological data (average temperature, humidity, rainfall, solar radiation, and average wind speed). In addition, it was confirmed that the prediction model proposed through performance evaluation had an mean absolute error of 0.1154 for Seongsan area and 0.1983 for the Hawon area in Jeju Island. Lastly, the proposed model supports an error difference of less than 0.5 Brix and is a technology that supports predictive measurement, so it is expected that its usability will be highly progressive.

Keyword

표/그림 (18)

그림 그림 1. 감귤 당도 데이터를 제공하는 과실품질정보 웹페이지
그림 그림 2. 기상 데이터를 제공하는 기상모니터링 웹페이지
그림 그림 3. 출원번호 10-2018-0166842 특허에서 제안하는 당도 검량선
그림 그림 4. 제안하는 예측 모델의 시스템 구성도
그림 그림 5. 성산 지역, 특정 조사일자 별 당도 데이터 시각화
그림 그림 6. 성산 지역, 월 상반기·하반기 별 당도 데이터 시각화
그림 그림 7. [표 3]의 당도 예측 결과
표 표 1. 제안하는 AI 학습용 데이터 성산 지역 예시
표 표 2. AI 기반 감귤 당도 예측 모델의 성능 평가 방법
표 표 3. 평가 1에서 hidden layer 노드 수 변경에 대한 평가 결과
그림 그림 8. [표 4]의 당도 예측 결과
그림 그림 9. [표 5]의 당도 예측 결과
표 표 4. 평가 1에서 hidden layer 깊이 변경에 대한 평가 결과
표 표 5. 평가 2의 평가 결과
표 표 6. 평가 3에서 hidden layer 깊이 변경에 대한 평가 결과
그림 그림 10. [표 6]의 당도 예측 결과
그림 그림 11. [표 7]의 당도 예측 결과
표 표 7. 평가 4에서 hidden layer 깊이 변경에 대한 평가 결과

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 기존 수집된 감귤 당도 값과 기상 데이터(평균 온도, 습도, 강우량, 일사량, 평균 풍속)을 기반으로 측정되지 않은 날짜의 감귤 당도를 예측하는 AI 모델을 제안했다. 특히, 제안한 모델은 0.

제안 방법

본 논문에서는 기존 수집된 감귤 당도 값과 기상 데이터인 평균 온도, 습도, 강우량, 일사량, 평균 풍속을 기반으로 측정되지 않은 날짜의 감귤 당도를 예측하는 AI 예측 모델을 개발했다. 특히, 개발한 예측 모델은 실제 감귤의 당도와 예측된 감귤의 당도 오차가 0.
본 논문에서는 기존 수집된 감귤 당도 값과 기상 데이터인 평균 온도, 습도, 강우량, 일사량, 평균 풍속을 기반으로 측정되지 않은 날짜의 감귤 당도를 예측하는 AI 예측 모델을 개발했다. 특히, 개발한 예측 모델은 실제 감귤의 당도와 예측된 감귤의 당도 오차가 0.5 Brix 이하인 예측 정확도를 제공한다. [그림 4]는 제안하는 예측 모델에 대한 시스템 구성도를 보여준다.
[그림 4]는 제안하는 예측 모델에 대한 시스템 구성도를 보여준다. 제안하는 시스템은 웹 크롤러, AI 데이터 생성기, AI 기반 감귤 당도 예측 모델로 분류된다.

대상 데이터

농촌진흥청 국립원예특작과학원 과수 생육·품질 관리시스템에서는 2017년부터의 기상 데이터만을 제공하고 있기에 2017년부터 2020년까지의 기상 데이터 와당도 데이터만을 가지고 개발한 예측 모델의 성능 평가를 수행했다
[표 5]는 평가 2를 평가 1에서 가장 좋은 성능을 보여준 hidden layer의 깊이가 6인 모델을 가지고 온도 데이터와 당도 데이터만을 가지고 측정된 성능 평가 결과를 보여준다. 온도 데이터와 당도 데이터만을 사용할 경우 입력 변수의 총 수는 199개이다. 평가 1에서 입력변수의 4배가 되는 첫 hidden layer의 노드 수가 가장 좋은 성능을 보였다.
평가 1에서 입력변수의 4배가 되는 첫 hidden layer의 노드 수가 가장 좋은 성능을 보였다. 이에 평가 2의 첫 hidden layer 의 노드 수를 800개로 설정했다. [그림 9]는 [표 5] 의당도 예측 결과를 보여준다.

데이터처리

농촌진흥청 국립원예특작과학원 과수 생육·품질 관리시스템에서는 2017년부터의 기상 데이터만을 제공하고 있기에 2017년부터 2020년까지의 기상 데이터 와당도 데이터만을 가지고 개발한 예측 모델의 성능 평가를 수행했다. 성능 평가는 [표 2]와 같이 다양한 환경에서 다양한 모델(hidden layer 노드 수, hidden layer 깊이)을 구축 후 테스트에 사용된 모델의 손실(Loss)과 절대 평균 오차(Mean Absolute Error, MAE)를 통해 성능을 측정했다. 참고로 총 990개의 입력 변수가 사용되기에 첫 hidden layer의 노드 수는 입력 변수 총 개수의 1/2 근사 값인 500개로 설정 했고, 이후부터는 평가에 의미 있게 변경했다.

성능/효과

[표 3]은 평가 1에서 hidden layer 노드 수를 변경하면서 측정된 성능 평가 결과를 보여준다. 첫 hidden layer의 노드 수가 4,000일 때 가장 좋은 성능을 보인다. [그림 7]은 [표 3]에서 첫 hidden layer의 노드 수가 4,000일 때 당도 예측 결과를 보여준다.
앞의 실에서 첫 hidden layer의 노드 수가 4,000일 가장 좋은 성능을 보이기 때문에 기준 첫 hidden layer의 노드 수를 4,000으로 설정했다. Hidden layer 깊이가 6일 때 가장 좋은 성능을 보인다. [그림 8]은 [표 4]에서 hidden layer의 깊이가 6일 때 당도 예측 결과를 보여준다.
즉, 평가 1의 평가 결과를 통해 성산 지역은 hidden layer의 노드 수가 4,000이고 hidden layer의 깊이가 6일 때 가장 좋은 예측 성능(Loss: 0.0148, MAE: 0.1154)을 보이는 것을 확인했다.
온도 데이터와 당도 데이터만을 사용할 경우 입력 변수의 총 수는 199개이다. 평가 1에서 입력변수의 4배가 되는 첫 hidden layer의 노드 수가 가장 좋은 성능을 보였다. 이에 평가 2의 첫 hidden layer 의 노드 수를 800개로 설정했다.
평가 1과 평가 2를 통해 온도 데이터만 활용하기 보다는 다른 기상 데이터를 사용할 때 예측 모델의 정확도가 향상되는 것을 확인했다.
하지만, 평가 1의 결과와 비교하면 예측 결과의 정확도가 떨어지는 것을 확인할 수 있다. 이를 통해, 전체 지역을 예측하는 한 개의 모델 사용보다는 각 지역별 최적화된 모델 사용이 필요하다는 것을 확인했다. [그림 10]은 [표 6]에서 hidden layer의 깊이가 8일 때 당도 예측 결과를 보여준다.
[표 7]은 평가 4에서 첫 hidden layer 노드 수를 4, 000으로 하고 hidden layer 깊이를 변경하면서 측정된 성능 평가 결과를 보여준다. Hidden layer 깊이가 5일 때 가장 좋은 성능을 보인다. 평가 1, 평가 3, 평가 4를 통해 각 지역별 예측 모델을 구성하는 것이 가장 좋은 성능을 도출하는 것을 확인했다.
Hidden layer 깊이가 5일 때 가장 좋은 성능을 보인다. 평가 1, 평가 3, 평가 4를 통해 각 지역별 예측 모델을 구성하는 것이 가장 좋은 성능을 도출하는 것을 확인했다. [그림 11]은 [표 7]에서 hidden layer의 깊이가 5일 때 당도 예측 결과를 보여준다.
[그림 11]은 [표 7]에서 hidden layer의 깊이가 5일 때 당도 예측 결과를 보여준다. 즉, 평가 4의 평가 결과를 통해 하원지역은 hidden layer의 노드 수가 4, 000이고 hidden layer의 깊이가 5일 때 가장 좋은 예측 성능(Loss: 0.0526, MAE: 0.1983)을 보이는 것을 확인했다.

후속연구

본 논문에서는 기존 수집된 감귤 당도 값과 기상 데이터(평균 온도, 습도, 강우량, 일사량, 평균 풍속)을 기반으로 측정되지 않은 날짜의 감귤 당도를 예측하는 AI 모델을 제안했다. 특히, 제안한 모델은 0.5 Brix 이하 오차 차이를 지원하며, 예측 측정을 지원하는 기술이기에 그 활용성에 있어 진보성이 매우 높을 것으로 기대된다.
단, 특허에는 온도 차에 대한 당도 값을 어떻게 보정하는지에 대해서는 명확히 설명되어 있지 않다. 결론적으로, 본 특허에서 제안하는 기술은 AI 기반 기술이 아니며, 기준 당도 검량선을 선택하기 위해서 예측을 원하는 날짜의 당도 값이 요구되고 감귤의 당도에 영향을 주는 다양한 기상 데이터가 있음에도 온도만을 사용하고 있어서 예측 정확도를 높일 수 있는 여지가 있다.

참고문헌 (15)

https://ko.wikipedia.org/wiki/인공지능
이정우, "인공지능(빅데이터) 시장 및 기술 동향," S&T Market Report, Vol.71, pp.1-26, 2019.
https://www.public.harvestai.com/
서동민, "감귤 상품성 예측 인공지능 모델 개발," 한국 콘텐츠학회 종합학술대회 논문집, 2021.
https://www.nihhs.go.kr/usr/main/mainPage.do
http://www.citrus.or.kr/
김창길, 2018 식품소비행태조사 통계보고서, 한국농촌경제연구원, 2018.
https://fruit.nihhs.go.kr/
Kurtulmus, Ferhat, W. S. Lee, and Ali Vardar, "Immature peach detection in colour images acquired in natural illumination conditions using statistical classifiers and neural network," J. of Precision Agriculture, Vol.15, No.1, pp.57-79, 2014.
이희준, 이원석, 최인혁, 이충권, "YOLOv3을 이용한 과일표피 불량검출 모델: 복숭아 사례," J. of Information Systems Review, Vol.22, No.1, pp.113-124, 2020.
정결, 최영수, "VIS/NIR 스펙트럼을 이용한 배 당도 예측 인공신경망 개발," 한국농업기계학회 2014 추계학술대회 논문집, Vol.19, No.2, pp.226-227, 2014.
장인국, 김세한, 박현, 김명은, 은지숙, 스마트팜을 위한 인공신경망 기술 및 발전 방향, 네이버 블로그, 2017.
https://selenium-python.readthedocs.io/
https://dataon.kisti.re.kr/, DOI: 10.22711/0101LB017494156611.0
https://twinw.tistory.com/247

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