• 한국건설관리학회논문집
• /
• 제23권1호
• /
• pp.98-105
• /
• 2022

밀폐된 공간에서 인공적인 방법으로 작물을 재배하는 수직형 스마트 팜은 공기 환경 설비를 적절히 활용하여 적정한 생육환경을 조성하는 것이 중요하다. 하지만 국내 수직형 스마트 팜 기업들은 체계적인 방법이 아닌 경험적 데이터에 의존하여 생육환경을 조성하고 있다. IoT를 활용하여 체계적이고 정밀한 모니터링을 토대로 생육환경을 조성한다면 작물의 생산 수율을 높이고 수익성을 극대화할 수 있다. 본 연구의 목적은 IoT를 활용하여 모니터링 시스템을 구성하고, 작물 재배에 주요한 요인인 온도 환경의 불균형을 실증하여 그 원인을 분석하는 데 있다. LED와 냉방기의 가동 방식을 달리하며 1) 다층 선반의 수평 온도 분포를 측정한 결과 센서 간에 "최대 1.7℃"의 온도 격차를 보였다. 2) 수직 온도 분포를 측정한 결과 "최대 6.3℃"의 온도 차이를 보였다. 이러한 온도 격차를 줄이기 위해서는 공조설비의 적절한 배치와 운영 방식에 대한 전략이 필요하다.

• 산업과 과학
• /
• 제1권2호
• /
• pp.24-29
• /
• 2022

최근 농업 경랭력 향상 및 비용 절감을 최소화하기 위해서 IoT 기술을 다양한 농장에 적용하는 스마트 팜 연구가 활발하게 진행되고 있다. 특히, IoT 장치를 통해 스마트 팜 주변의 환경정보 데이터를 원격 제어할 수 있는 방법들이 연구되고 있다. 본 논문에서는 스마트 팜에서 수집된 환경정보 데이터를 머신러닝 기반으로 실시간 모니터링하여 최적의 생육환경을 유지할 수 있는 모델을 제안한다. 제안 모델은 머신러닝 기술을 사용하기 때문에 풍부한 빅데이터 확보 방안을 통해 지속적인 데이터 수집이 가능하도록 다중 블록체인으로 환경 정보를 묶는다. 또한, 제안 모델은 수집된 환경 정보 데이터를 가중치와 상관관계 지수를 이용하여 우선 순위에 따라 선택(또는 바인딩)적으로 지정한다. 마지막으로, 제안 모델은 실시간으로 환경 정보를 처리할 수 있도록 환경 정보 처리 비용을 최소한으로 n-계층으로 확장할 수 있도록 한다.

• 반도체디스플레이기술학회지
• /
• 제22권1호
• /
• pp.104-112
• /
• 2023

Agriculture plays an industrial and economic role, as well as an environmental and ecological conservation role, group harmony and the inheritance of traditional culture. However, no matter how advanced the industry is, the basic food necessary for human life can only be produced through the photosynthesis of plants with natural resources such as the sun, water, and air. The Food and Agriculture Organization of the United Nations (FAO) predicts that the world's population will increase by another 2 billion people by 2050, and it faces a myriad of complex and diverse factors to consider, including climate change, food security concerns, and global ecosystems and political factors. In particular, in order to solve problems such as increasing productivity and production of agricultural products, improving quality, and saving energy, it is difficult to solve them with traditional farming methods. Recently, with the wind of the 4th industrial revolution, ICT convergence technology and artificial intelligence have been rapidly developing in many fields, but it is also true that the application of new technologies is somewhat delayed due to the unique characteristics of agriculture. However, in recent years, as ICT and artificial intelligence utilization technologies have been developed and applied by many researchers, a revolution is also taking place in agriculture. This paper summarizes the current state of research so far in four categories of agriculture, namely crop cultivation environment management, soil management, pest management, and irrigation management, and smart farm research data that has recently been actively developed around the world.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2021년도 춘계학술대회
• /
• pp.287-288
• /
• 2021

전 세계적으로 식물공장에 대한 관심이 높아지고 있으며, 최근에는 도시환경에서도 작물을 재배할 수 있는 자동화된 관리시스템에 대한 연구가 진행되고 있다. 이러한 관리시스템의 발전은 ICT(Information Communications Technology) 기술의 발전으로 기반으로 하고 있으며, 식물의 생산성을 높이기 위하여 시설, 광원, 온도, 습도 및 자동화를 중심으로 연구되고 있으며, 재배 과정의 자동화에 대한 운영 표준화에 대한 연구가 진행되고 있다. 본 논문에서는 컨테이너 환경에서 수경인삼을 재배할 수 있는 테스트 배드를 구축하여 생육과정에 대한 환경을 모바일에서 모니터링하고 관리할 수 있는 모델을 제시하고자 한다.

• 한국정보전자통신기술학회논문지
• /
• 제12권3호
• /
• pp.201-210
• /
• 2019

본 논문에서는 농장의 위성 사진 혹은 드론 사진을 이용하여 농장을 구분하고 농장 드론과 트랙터의 자율주행 및 행동을 제어하는 'AMCS(Agricultural Machine Control System)'를 제안한다. AMCS는 드론과 트랙터의 센서 데이터 및 비디오 영상 데이터로부터 농장 경계를 구분하고, 메인 서버에서 원격 제어 명령어를 읽어 들인 후 드론 및 트랙터 스프링클러와의 연동을 통해, 관리지역 내의 원격 제어 명령을 전달하는 'LSM(Local Server Module)'과 드론과 트랙터가 농장 밖에서 농장으로 이동하는 경로와 농장 안에서 저비용, 고효율로 일을 처리할 수 있는 경로를 설정하는 'PSM(Path Setting Module)'으로 구성된다. 본 논문에서 제안하는 AMCS의 성능분석 결과 AMCS의 PSM은 외부 출발점에서 농장까지 도달하는 경로를 설정할 때 다익스트라 알고리즘보다 약 100% 향상된 성능을 보였으며, 농장 내부 작업 경로를 설정할 때 기존 경로보다 약 13% 높은 작업 효율을 보였고 36% 낮은 작업 거리를 설정했다. 따라서 PSM은 기존 방식보다 더 효율적으로 트랙터와 드론을 제어할 수 있다.

• 한국농림기상학회:학술대회논문집
• /
• 한국농림기상학회 2017년도 추계 학술발표초록집
• /
• pp.56-57
• /
• 2017

• 한국작물학회:학술대회논문집
• /
• 한국작물학회 2022년도 추계학술대회
• /
• pp.58-58
• /
• 2022

With the development of advanced technology, automation of agricultural work is spreading. In association with the 4th industrial revolution-based technology, research on field smart farm technology is being actively conducted. A state-of-the-art unmanned automated agricultural production demonstration complex was established in Naju-si, Jeollanam-do. For the operation of the demonstration area platform, it is necessary to build a sophisticated, advanced, and intelligent field smart farming model. For the operation of the unmanned automated agricultural production demonstration area platform, we are building data on the growth of soybean for smart cultivated crops and conducting research to determine the optimal time for agricultural work. In order to operate an unmanned automation platform, data is collected to discover digital factors for water management immediately after planting, water management during the growing season, and determination of harvest time. A subsurface drip irrigation system was established for smart water management. Irrigation was carried out when the soil moisture was less than 20%. For effective water management, soil moisture was measured at the surface, 15cm, and 30cm depth. Vegetation indices were collected using drones to find key factors in soybean production prediction. In addition, major growth characteristics such as stem length, number of branches, number of nodes on the main stem, leaf area index, and dry weight were investigated. By discovering digital factors for effective decision-making through data construction, it is expected to greatly enhance the efficiency of the operation of the unmanned automated agricultural production demonstration area.

• 스마트미디어저널
• /
• 제11권4호
• /
• pp.19-29
• /
• 2022

IoT 기술의 발전에 따라 스마트팜을 활용하는 농가가 증가하고 있다. 스마트팜은 환경을 모니터링하고, 원격 또는 자동으로 최적의 내부 환경을 조성하여 작물의 생산량 및 품질을 향상시킨다. 이를 위해 수집되는 농업 디지털 데이터를 활용하여 작물의 생산성을 예측하는 기술에 대한 연구가 활성화되고 있다. 그러나 생산량 예측을 위한 연구에서는 기존의 통계자료를 바탕으로 하는 통계모델 기반의 연구가 대부분이며, 이에 따라 예측 정확도가 낮은 문제점이 존재한다. 본 연구에서는 시설 원예 스마트팜에 수집된 농업 디지털 데이터를 활용하여 다양한 머신러닝 모델을 통해 생산량 및 판매 수익금을 예측하고, 성능을 비교하였다. 성능을 비교한 모델은 다중선형회귀, 서포트벡터머신, 인공신경망, 순환신경망, LSTM, ConvLSTM이다. 성능 비교 결과 ConvLSTM가 R2 값 및 RMSE 값에서 가장 우수한 성능을 나타내었다.

• 한국농공학회논문집
• /
• 제64권5호
• /
• pp.27-39
• /
• 2022

The smart farm is recognized as a solution for future farmers having positive effects on the sustainability of the poultry industry. Intelligent microclimate control can be a key technology for broiler production which is extremely vulnerable to abnormal indoor air temperatures. Furthermore, better control of indoor microclimate can be achieved by accurate prediction of indoor air temperature. This study developed predictive models for internal air temperature in a mechanically-ventilated broiler house based on the data measured during three rearing periods, which were different in seasonal climate and ventilation operation. Three machine learning models and a mechanistic model based on thermal energy balance were used for the prediction. The results indicated that the all models gave good predictions for 1-minute future air temperature showing the coefficient of determination greater than 0.99 and the root-mean-square-error smaller than 0.306℃. However, for 1-hour future air temperature, only the mechanistic model showed good accuracy with the coefficient of determination of 0.934 and the root-mean-square-error of 0.841℃. Since the mechanistic model was based on the mathematical descriptions of the heat transfer processes that occurred in the broiler house, it showed better prediction performances compared to the black-box machine learning models. Therefore, it was proven to be useful for intelligent microclimate control which would be developed in future studies.

• 농업과학연구
• /
• 제46권2호
• /
• pp.381-393
• /
• 2019

A smart farm is a system that combines information and communication technology (ICT), internet of things (IoT), and agricultural technology that enable a farm to operate with minimal labor and to automatically control of a greenhouse environment. Machine learning based on recently data-driven techniques has emerged with big data technologies and high-performance computing to create opportunities to quantify data intensive processes in agricultural operational environments. This paper presents research on the application of machine learning technology to diagnose the growth status of crops and predicting the harvest time of strawberries in a greenhouse according to image processing techniques. To classify the growth stages of the strawberries, we used object inference and detection with machine learning model based on deep learning neural networks and TensorFlow. The classification accuracy was compared based on the training data volume and training epoch. As a result, it was able to classify with an accuracy of over 90% with 200 training images and 8,000 training steps. The detection and classification of the strawberry maturities could be identified with an accuracy of over 90% at the mature and over mature stages of the strawberries. Concurrently, the experimental results are promising, and they show that this approach can be applied to develop a machine learning model for predicting the strawberry harvesting time and can be used to provide key decision support information to both farmers and policy makers about optimal harvest times and harvest planning.