완전제어형 식물공장에서 인공지능 CNN(Convolutional Neural Network)모델을 이용한 상추의 정식 후 일수 예측

백영택; 설성관; 조영열

추천

검색

질문

자료유형: 학술저널

저자정보: 백영택 (제주대학교) 설성관 (제주대학교) 조영열 (제주대학교)

저널정보: 한국원예학회HST 원예과학기술지 원예과학기술지 제41권 제1호

발행연도: 2023.2

수록면: 81 - 90 (10page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

작물의 재배에서 실시간으로 생육상태를 측정하는 것은 중요하다. 완전제어형 식물공장에서는 정확한 환경관리와 재배식물의 균일한 생육으로 인해 정식 후 일수(DAT)가 생육상태의 지표가 될 수 있다. 본 연구는 폐쇄형 식물공장 시스템에서 인공지능 모델을 이용하여 상추의 DAT를 이미지 데이터를 통해 추정하기 위해 수행되었다. 사용된 종묘는 Nunhems사의 청상추 ‘Thimble’품종으로, DAT별 이미지 데이터를 수집하였고 재배시스템은 NFT 시스템[240×60×200㎝(L×W×H)]이었으며 LED 조명 RGB의 비율은 8:1:1로 세팅하였고 12시간 일장으로 광량은 265(±50)μ㏖·m-2·s-1로 조절하였다. 재배 환경은 온도 19–21℃, 상대습도 55–65%, CO₂ 500–800μ㏖·㏖-1였다. 동일한 환경에서 수행한 3번의 실험을 통해 총 12개체의 ‘Thimble’에서 DAT별 이미지를 촬영하였다. 모든 실험에서 정식 4일, 8일, 12일, 15일, 18일과 22일 후에 중복으로 이미지 데이터를 확보하였다. 수집된 DAT별 이미지 데이터 중 10개체에서 촬영된 총 240장의 이미지 데이터는 학습에 사용하였고, 학습에 사용되지 않은 2개체의 총 48장의 이미지 데이터는 인공지능 모델의 정확도를 검정하기 위해 사용하였다. 파이썬의 텐서플로를 활용하여 생성한 합성곱 신경망(CNN)을 통해 생성된 인공지능 모델은 검정 정확도가 91.7%였으며, 티처블 머신을 통해 생성한 인공지능 모델은 86.7%의 검정 샘플에서 정확한 정식 후 일수를 최대확률로 예측하였다. 본 실험의 경우, 적은 수의 이미지 데이터로 생성한 인공지능 모델이지만, 생육 환경을 정밀하게 조절할 수 있고 재배 식물의 생장 상태가 균일하여 규격화된 이미지 데이터가 생산되는 식물공장의 특성에 의해 통계적으로 유의미한 정확도를 보였다. 데이터가 많아질수록 모델의 정확도가 상승하는 인공신경망의 특성으로 미루어 추후 실험들을 통하여 더 많은 이미지 데이터를 수집한다면 인공지능 모델이 보다 더 정밀해질 것으로 보인다. 이를 통해 식물공장 재배 현장에 인공지능 예측, 판별을 도입하여 재배 식물의 생장을 실시간으로 확인하고 피드백할 수 있는 시스템을 갖출 수 있을 것으로 생각된다.

It is important to measure the growth status in real time during the cultivation of crops. In a fully controlled plant factory, the number of days after transplanting (DAT) can be an indicator of growth status due to accurate environmental management and the uniform growth of cultivated plants. This study was conducted to estimate the number of DAT of lettuce through image data using an artificial intelligence model in a closed plant factory system. The seedlings used were the ’Thimble’ variety of green lettuce from Nunhems, and image data were collected according to the number of DAT. The RGB ratio was set to 8:1:1, and the amount of light was adjusted to 265(±50) μ㏖·m-2·s-1 with a photoperiod of 12 hours. The cultivation environment maintained a temperature of 19–21℃, relative humidity of 55–65%, and CO₂ in the range of 500–800 μ㏖·㏖-1. Through three experiments conducted in identical environments, images were taken according to the date of growth from 12 specimens of ‘Thimble’ in total. In all three duplicated experiments, images were collected 4th, 8th, 12th, 15th, 18th, and 22nd DAT. Among collected image set, 240 images from ten objects were used for learning dataset and 48 images from two objects were used to test dataset the accuracy of the generated artificial intelligence model. The artificial intelligence model created through the convolutional neural network (CNN) generated with Python’s TensorFlow had a test accuracy rate of 91.7%, and the artificial intelligence model created through a teachable machine showed accuracy of 86.7% for the test samples in this experiment. The number of DAT was predicted with the maximum probability. In this research, although the artificial intelligence model was created with a small amount of image data, it showed significantly high accuracy due to the characteristics of the plant factory where standardized image data were produced by precise environmental control and the uniform growth of the cultivated plants. Given the nature of the artificial neural network, which increase the accuracy of the model as more data are inputted, it is expected that the artificial intelligence model will become more precise if more image data can be collected through additional experiments in the future. Through these efforts, it will be possible to have a system capable of checking and offering feedback of the growth of cultivated plants in real time by introducing artificial intelligence prediction and discrimination to the plant factory cultivation site.

#artificial neural network #deep learning #image data #machine learning #teachable machine #인공신경망 #딥러닝 #이미지 데이터 #머신러닝 #티처블 머신

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

이 논문의 저자 정보

백영택

소속기관 제주대학교

주요연구분야 농수해양학 > 농학 TOP 5%

논문수 8 이용수 1,707

설성관

소속기관 제주대학교

주요연구분야 농수해양학 > 농학 TOP 5%

논문수 8 이용수 1,707

조영열

소속기관 제주대학교

주요연구분야 농수해양학 > 농학

논문수 1 이용수 65

이 논문과 함께 이용한 논문

파이썬을 이용한 미사일 피격 이미지 추출 및 CNN 기반 머신러닝을 이용한 명중정보 분석 연구

김세라 , 최영두 , 장원석 외 4명 Journal of the KNST 2024 .12

스마트팜 환경에서의 Object Detection 기반 작물 생장 단계 예측 모델 개발

정현지 , 오상현 , 이지환 대한산업공학회 추계학술대회 논문집 2024 .10

완전제어형 식물 생산 시스템에서 선형 지수 함수를 이용한 Common Ice Plant의 생육 모델

차미경 , 김주성 , 조영열 원예과학기술지 2014 .08

실내 스마트팜 모니터링을 위한 NDVI 보정 방식 및 LSTM을 이용한 작물 생장예측

최준식 , Wahla Ib , a 외 5명 대한전자공학회 학술대회 2022 .06

스마트 팜 재배 작물의 실시간 성장률 수집 시스템과 LSTM 기반 예측 시스템 설계 및 구현

백지수 , 김도연 , 조동섭 한국정보과학회 학술발표논문집 2019 .12

최근 본 자료

전체보기

UCI(KEPA) : I410-151-24-02-090532713

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)