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
- 하우스 내의 장비를 제어하기에 앞서 ID3 알고리즘을 이용하여 가장 직접적인 영향을 미치는 환경요소를 선정한 후, 농민들의 의사결정 선정기준을 포함시켜 복합적인 제어를 위한 전문가시스템을 구현한다. 이번 연구는 무거운 툴을 사용하지 않고 데이터를 이용하여 결과를 도출하는 것을 목표로 하여 진행하였다.
제안 방법
- 이러한 문제점이 있다고 판단하여 표준 제어 시스템을 제시하고, 각기 다른 농장의 환경에 맞추어 전문가시스템을 구축한다. 그 후 매년 쌓이는 데이터를 의사결정나무를 이용하여 보다 좋은 결정을 내릴 수 있으며, 데이터를 활용하여 스스로 학습할 수 있는 시스템을 제안한다.[1]
- 생성한 데이터와 표3을 비교하여 각 생장에 따른 센서 값이 적절한지 높은지 낮은지 확인하고, 각 환경 센서 값에 따라 상황에 맞는 설치장비제어 유무를 정하여 전문가시스템에 의한 가상 데이터를 생성한다.
- 연구의 목표처럼 무거운 툴이 아닌 엑셀을 이용하여 ID3알고리즘을 구현하고, 전문가 시스템을 구축하였으며, 매트랩의 의사결정 나무와 비교하여 의미 있는 결과를 도출하는 것까지 완수를 하였다. 연구를 좀 더 진행하여 엑셀이 아닌 좀 더 손쉽게 시스템에 새로운 데이터를 적용 시킬 수 있는 개발환경을 마련 할 것이다.
- 이러한 문제점이 있다고 판단하여 표준 제어 시스템을 제시하고, 각기 다른 농장의 환경에 맞추어 전문가시스템을 구축한다. 그 후 매년 쌓이는 데이터를 의사결정나무를 이용하여 보다 좋은 결정을 내릴 수 있으며, 데이터를 활용하여 스스로 학습할 수 있는 시스템을 제안한다.
- 하우스 내의 장비를 제어하기에 앞서 ID3 알고리즘을 이용하여 가장 직접적인 영향을 미치는 환경요소를 선정한 후, 농민들의 의사결정 선정기준을 포함시켜 복합적인 제어를 위한 전문가시스템을 구현한다. 이번 연구는 무거운 툴을 사용하지 않고 데이터를 이용하여 결과를 도출하는 것을 목표로 하여 진행하였다.
대상 데이터
- 각 데이터를 기준으로 표 2 ‘센서값 활용을 위한 제어 항목 및 내용’을 기준으로천창, 이중창, 측장 모터, 커튼 모터, CO2 공급 밸브 등 14가지 설치 장비 제어 유무를 선정한다.
- 농촌 진흥청에서 발부한 ‘ICT 융복합 1세대 스마트 팜 운영 가이드’[3] 의 자료 중 표 1 ‘토마토 종합 생장 조절 조견표’를 참고하여 토마토의 생식생장과 영양생장에 따른 조절항목을 ‘농촌 진흥청 농사로 농업인’[4] 홈페이지의 표 3‘토마토 생육단계별, 계절별 시설환경 관리 표’와 비교하여 사계절 중 생식생장과 영양생장에 가장 적합한 계절을 선정하였다.
- 먼저 ‘기상 자료 개방 포털’[5] 에서 받아온 외부온도 센서, 강우센서, 풍속 풍향 센서 등 9가지 센서 값과 표 2를 바탕으로 하우스 재배에 필요한 데이터인 시설 내 온습도, 잔존CO2, 난방관 온도, 지온 값 등 총 14가지 데이터를 2017년 9월부터 2018년 8월까지 매일 2시간 단위로 총 4,380개를 만들었다.
- 실제 토마토 비닐하우스의 환경제어 센서 값을 받아 올수 없어서 가상데이터를 생성하였다. 먼저 ‘기상 자료 개방 포털’[5] 에서 받아온 외부온도 센서, 강우센서, 풍속 풍향 센서 등 9가지 센서 값과 표 2를 바탕으로 하우스 재배에 필요한 데이터인 시설 내 온습도, 잔존CO2, 난방관 온도, 지온 값 등 총 14가지 데이터를 2017년 9월부터 2018년 8월까지 매일 2시간 단위로 총 4,380개를 만들었다.
성능/효과
- 그 후 매트랩에서 데이터를 이용하여 정밀트리 모델만을 이용하여 각 계절별로 2940개의 트레이닝 데이터를 이용하여 학습 시키고, 나머지 각 계절별 1440개의 테스트 데이터를 이용하여 확인해보니 트레이닝 데이터의 학습 정확도는 96.5%이며, 테스트 결과는 81.2% 로 확인되었다.
- 매트랩에서는 시설 내 온도 23.45°C를 기준으로 하였고 엑셀을 이용한 ID3 알고리즘에서도 (시설 내)온도의 정보 이득이 약 0.336으로 2번째 값 일사량과 큰 차이를 보이며 가장 높게 나타났다.
- 결과에서 볼 수 있듯이 스마트 팜 내.외부 센서를 통하여 들어오는 일관적이지 않은 데이터들을 시설의 상황과 환경에 맞추어 정확한 기준으로 나누고, 이 값을 이용한 전문가시스템을 사용한다면 의사결정나무의 오차를 상당부분 줄일 수 있다는 것을 확인할 수 있다.
- 그림 1은 데이터를 기반으로 생성한 전문가시스템의 천창개폐 유무만을 응답변수로 설정하고 매트랩 툴 박스 중 ‘Statistics and Machine Learning Toolbox’의 의사 결정 나무 중 조밀트리를 모델과 비교한 결과이다. 조밀트리의 정확도는 전문가 시스템과 동일한 결과가 나와서 100%의 정확도를 보였으며, 전문가 시스템의 결과와 전문가 시스템을 생성하기 위하여 사용한 변수만을 이용하여 조밀트리 모델로 비교 했을 때의 결과는 97.4%의 정확도를 보였다.
후속연구
- 외부의 센서 값 등 주변 환경을 기준으로 환경제어에 농민들이 직접적으로 개입하여 판단 및 결정을 하였다. 그래서 전문가 시스템에 의사결정나무를 접목시킨 제어시스템을 설계하여 보다 농민들의 의사결정과 비슷하며, 나아가서 다년간의 데이터를 축적하여 더욱 정확한 결정을 내릴 수 있다고 기대한다.
- 연구의 목표처럼 무거운 툴이 아닌 엑셀을 이용하여 ID3알고리즘을 구현하고, 전문가 시스템을 구축하였으며, 매트랩의 의사결정 나무와 비교하여 의미 있는 결과를 도출하는 것까지 완수를 하였다. 연구를 좀 더 진행하여 엑셀이 아닌 좀 더 손쉽게 시스템에 새로운 데이터를 적용 시킬 수 있는 개발환경을 마련 할 것이다.
- 이 연구가 완료 된다면, 현재 많은 농장에서 쏟아져 나오고 있는 스마트 팜의 데이터들을 농민들이 손쉽고 빠르게 접근하여 직접적인 개입을 줄일 수 있는 방법론에 대한 표준이 될 수 있을 것으로 예상 한다.
- 이번 연구 결과를 바탕으로 더 나아가서 ID3 알고리즘을 이용하여 변수들의 가중치를 선정하고 퍼지이론을 이용하여 정확하지 못하고 일관되지 못한 센서 값들을 안정적인 값이 될 수 있도록 하여 오차를 줄이고[6], 결과를 도출하는 것뿐만 아니라 실제 토마토 스마트 팜에서 얻어지는 실측값을 이용하여 실제 제어 값과 시스템에서 도출되어진 제어 값이 어느 정도 일치 하는지 확인할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.