[go: up one dir, main page]

KR102577350B1 - 작물 생육 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 - Google Patents

작물 생육 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 Download PDF

Info

Publication number
KR102577350B1
KR102577350B1 KR1020220057194A KR20220057194A KR102577350B1 KR 102577350 B1 KR102577350 B1 KR 102577350B1 KR 1020220057194 A KR1020220057194 A KR 1020220057194A KR 20220057194 A KR20220057194 A KR 20220057194A KR 102577350 B1 KR102577350 B1 KR 102577350B1
Authority
KR
South Korea
Prior art keywords
image
crop
information
transformation
growth
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020220057194A
Other languages
English (en)
Inventor
최하영
고경렬
이경엽
Original Assignee
스페이스워크 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 스페이스워크 주식회사 filed Critical 스페이스워크 주식회사
Priority to KR1020220057194A priority Critical patent/KR102577350B1/ko
Application granted granted Critical
Publication of KR102577350B1 publication Critical patent/KR102577350B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Mining & Mineral Resources (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Husbandry (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Agronomy & Crop Science (AREA)
  • Image Processing (AREA)

Abstract

본 발명의 일 태양에 따르면, 작물 생육 정보를 추정하기 위한 방법으로서, 대상 작물의 특성 또는 형태에 관하여 비파괴적인 방식으로 작물 이미지를 획득하는 단계, 상기 획득된 작물 이미지를 이미지 변환 모델을 이용하여 전처리하는 단계, 및 상기 전처리된 작물 이미지 및 식생 지수를 참조하여 상기 대상 작물의 생장 정보를 추정하고, 상기 추정되는 생장 정보를 참조하여 생장 변화 정보를 결정하는 단계를 포함하고, 상기 이미지 변환 모델은 획득된 제1 작물 이미지와 제2 작물 이미지 사이의 변환에 기초한 손실함수를 이용하여 학습되는 방법이 제공된다.

Description

작물 생육 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체{METHOD, SYSTEM AND NON-TRANSITORY COMPUTER-READABLE RECORDING MEDIUM FOR ESTIMATING CROP GROWTH INFORMATION}
본 발명은 작물 생육 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체에 관한 것이다.
현재 인류는 전 세계적인 식량 수요의 증가, 기후 변화 위험 관리의 필요성 증가, 노동력 부족 등의 문제에 직면해 있으며, 이로 인해 재배 생산성을 높여야 한다는 목소리가 커지고 있다.
현재까지의 통상적인 재배 전략은 예전부터 전해 내려오거나, 재배 전문가 혹은 연구자들이 개발한 것으로서, 적정 환경 요소 범위를 지정하여 재배 기간에 걸쳐서, 환경 요소에 대한 값을 고정적으로 유지한다는 특징이 있다. 그러나, 이러한 재배 전략은 재배 주기가 끝나고 난 후에 비로소 그 전략에 대한 성과를 평가할 수 있을 뿐만 아니라, 실제 재배 환경에서 작물의 생육에 방해가 되는 요소가 발생하는 경우와 같은 상황을 대비할 수 없다는 점에서 한계가 분명하다. 또한, 작물의 환경 요소에 따라 다양한 조합이 생성될 수 있으므로 통상적인 재배 전략으로부터 최적의 재배 전략을 찾는 것은 쉽지 않다.
한편, 4차 산업 혁명 시대가 도래함에 따라 인공지능에 대한 관심이 커지고 있다. 그 중 강화학습은 최적화 개념과 행동심리학 개념을 결합한 인공지능 기반 기계학습 알고리즘 중 하나로서, 시스템 최적화 문제를 풀기 위해 많은 연구 및 개발이 이루어지고 있다. 이에 따라, 강화학습을 작물 재배에 도입하여 재배 생산성을 높이고자 하는 시도가 이어지고 있다.
하지만, 지금까지 소개된 기술에 의하면, 재배 주기가 끝난 후에 비로소 보상이 제공되는 방식으로 강화학습이 이루질 뿐이므로, 재배 중에 보상을 제공할 수 없어 데이터의 절대적인 수량이 부족하고, 데이터의 수집 속도가 느린 작물 재배 환경에서 최적의 재배 전략을 찾는 것이 어렵다는 한계가 있었다. 또한, 작물에 관한 이미지 처리를 하는 과정에서, 작물의 구성 요소에 대한 개별적인 라벨링을 통해 작물의 생장 정도를 파악한다는 점에서 학습 시간이 더욱 오래 걸린다는 한계가 있었다.
이에 본 발명자(들)는, 대상 작물의 특성 또는 형태에 관하여 비파괴적인 방식으로 작물 이미지를 획득하고, 획득된 작물 이미지를 이미지 변환 모델을 이용하여 전처리하고, 전처리된 작물 이미지 및 식생 지수를 참조하여 대상 작물의 생장 정보를 추정하고, 추정되는 생장 정보를 참조하여 생장 변화 정보를 결정함으로써 강화학습에서 중간 보상을 제공할 수 있도록 하여 최적의 작물 재배를 가능하게 하는 기술을 제안하는 바이다.
한국등록특허공보 제10-2231968호 (2021.03.19)
본 발명은 전술한 종래 기술의 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 야간 이미지에 대한 전처리를 통해 작물 생장 정보를 추정하여, 주간 이미지만을 활용하여 작물의 생장 정도를 판단하지 않게 됨에 따라 짧은 주기 내에 작물 생장 정보를 추정할 수 있도록 하는 것을 다른 목적으로 한다.
또한, 본 발명은, 이미지 변환 모델을 이용하여 야간 이미지를 주간 이미지로 변환시키는 전처리를 통해서 야간에 빛을 조사할 필요성이 없어짐에 따라, 작물의 생장에 영향을 미칠 수 있는 광 요인을 통제한 상태에서 작물 생장 정보를 추정할 수 있도록 하는 것을 또 다른 목적으로 한다.
또한, 본 발명은, 식생 지수를 참조하여 작물의 생장 정보를 추정함으로써, 작물의 구성 요소에 대해 개별적인 라벨링 없이 작물의 생장 정보를 파악하는 것을 또 다른 목적으로 한다.
또한, 본 발명은, 작물의 생장 변화 정보를 결정하고, 강화학습의 중간 보상으로 제공함으로써 강화학습을 용이하게 하는 것을 또 다른 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 태양에 따르면, 작물 생육 정보를 추정하기 위한 방법으로서, 대상 작물의 특성 또는 형태에 관하여 비파괴적인 방식으로 작물 이미지를 획득하는 단계, 상기 획득된 작물 이미지를 이미지 변환 모델을 이용하여 전처리하는 단계, 및 상기 전처리된 작물 이미지 및 식생 지수를 참조하여 상기 대상 작물의 생장 정보를 추정하고, 상기 추정되는 생장 정보를 참조하여 생장 변화 정보를 결정하는 단계를 포함하고, 상기 이미지 변환 모델은 획득된 제1 작물 이미지와 제2 작물 이미지 사이의 변환에 기초한 손실함수를 이용하여 학습되는 방법이 제공된다.
본 발명의 다른 태양에 따르면, 작물 생육 정보를 추정하기 위한 시스템으로서, 대상 작물의 특성 또는 형태에 관하여 비파괴적인 방식으로 작물 이미지를 획득하는 이미지 획득부, 상기 획득된 작물 이미지를 이미지 변환 모델을 이용하여 전처리하는 이미지 전처리부, 및 상기 전처리된 작물 이미지 및 식생 지수를 참조하여 상기 대상 작물의 생장 정보를 추정하고, 상기 추정되는 생장 정보를 참조하여 생장 변화 정보를 결정하는 정보 결정부를 포함하고, 상기 이미지 변환 모델은 획득된 제1 작물 이미지와 제2 작물 이미지 사이의 변환에 기초한 손실함수를 이용하여 학습되는 시스템이 제공된다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명에 의하면, 야간 이미지에 대한 전처리를 통해 작물 생장 정보를 추정하여, 주간 이미지만을 활용하여 작물의 생장 정도를 판단하지 않게 됨에 따라 짧은 주기 내에 작물 생장 정보를 추정할 수 있게 된다.
또한, 본 발명에 의하면, 이미지 변환 모델을 이용하여 야간 이미지를 주간 이미지로 변환시키는 전처리를 통해서 야간에 빛을 조사할 필요성이 없어짐에 따라, 작물의 생장에 영향을 미칠 수 있는 광 요인을 통제한 상태에서 작물 생장 정보를 추정할 수 있게 된다.
또한, 본 발명에 의하면, 식생 지수를 참조하여 작물의 생장 정보를 추정함으로써, 작물의 구성 요소에 대해 개별적인 라벨링 없이 작물의 생장 정보를 파악할 수 있게 된다.
또한, 본 발명에 의하면, 작물의 생장 변화 정보를 결정하고, 강화학습의 중간 보상으로 제공함으로써 강화학습을 용이하게 할 수 있게 된다.
도 1은 본 발명의 일 실시예에 따라 작물 생육 정보를 추정하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 정보 추정 시스템의 내부 구성을 상세하게 도시하는 도면이다.
도 3 내지 도 4는 본 발명의 일 실시예에 따라 획득된 작물 이미지로부터 작물의 생장 정보를 추정하고, 생장 변화 정보를 결정하는 과정을 예시적으로 나타내는 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
전체 시스템의 구성
도 1은 본 발명의 일 실시예에 따라 작물 생육 정보를 추정하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 전체 시스템은 통신망(100), 정보 추정 시스템(200) 및 디바이스(300)를 포함할 수 있다.
먼저, 본 발명의 일 실시예에 따른 통신망(100)은 유선 통신이나 무선 통신과 같은 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 통신망(LAN; Local Area Network), 도시권 통신망(MAN; Metropolitan Area Network), 광역 통신망(WAN; Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 바람직하게는, 본 명세서에서 말하는 통신망(100)은 공지의 인터넷 또는 월드 와이드 웹(WWW; World Wide Web)일 수 있다. 그러나, 통신망(100)은, 굳이 이에 국한될 필요 없이, 공지의 유무선 데이터 통신망, 공지의 전화망 또는 공지의 유무선 텔레비전 통신망을 그 적어도 일부에 있어서 포함할 수도 있다.
예를 들면, 통신망(100)은 무선 데이터 통신망으로서, 와이파이(WiFi) 통신, 와이파이 다이렉트(WiFi-Direct) 통신, 롱텀 에볼루션(LTE; Long Term Evolution) 통신, 5G 통신, 블루투스 통신(저전력 블루투스(BLE; Bluetooth Low Energy) 통신 포함), 적외선 통신, 초음파 통신 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다. 다른 예를 들면, 통신망(100)은 광 통신망으로서, 라이파이(LiFi; Light Fidelity) 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다.
다음으로, 본 발명의 일 실시예에 따른 정보 추정 시스템(200)은 대상 작물의 특성 또는 형태에 관하여 비파괴적인 방식으로 작물 이미지를 획득하고, 획득된 작물 이미지를 이미지 변환 모델을 이용하여 전처리하고, 전처리된 작물 이미지 및 식생 지수를 참조하여 대상 작물의 생장 정보를 추정하고, 추정된 생장 정보를 참조하여 생장 변화 정보를 결정하는 기능을 수행할 수 있다.
본 발명에 따른 정보 추정 시스템(200)의 구성과 기능에 관하여는 이하의 상세한 설명을 통하여 자세하게 알아보기로 한다.
다음으로, 본 발명의 일 실시예에 따른 디바이스(300)는 정보 추정 시스템(200)에 접속한 후 통신할 수 있는 기능을 포함하는 디지털 기기로서, 재배기, 스마트폰, 태블릿, 스마트 워치, 스마트 밴드, 스마트 글래스, 데스크탑 컴퓨터, 노트북 컴퓨터, 워크스테이션, PDA, 웹 패드, 이동 전화기 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기라면 얼마든지 본 발명에 따른 디바이스(300)로서 채택될 수 있다.
특히, 디바이스(300)는, 사용자가 정보 추정 시스템(200)으로부터 본 발명에 따른 서비스를 제공받을 수 있도록 지원하는 애플리케이션(미도시됨)을 포함할 수 있다. 이와 같은 애플리케이션은 정보 추정 시스템(200) 또는 외부의 애플리케이션 배포 서버(미도시됨)로부터 다운로드된 것일 수 있다. 한편, 이러한 애플리케이션의 성격은 후술할 바와 같은 정보 추정 시스템(200)의 이미지 획득부(210), 이미지 전처리부(220), 정보 결정부(230), 통신부(240) 및 제어부(250)와 전반적으로 유사할 수 있다. 여기서, 애플리케이션은 그 적어도 일부가 필요에 따라 그것과 실질적으로 동일하거나 균등한 기능을 수행할 수 있는 하드웨어 장치나 펌웨어 장치로 치환될 수도 있다.
정보 추정 시스템의 구성
이하에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 정보 추정 시스템(200)의 내부 구성과 각 구성요소의 기능에 대하여 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른 정보 추정 시스템(200)의 내부 구성을 상세하게 도시하는 도면이다.
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 정보 추정 시스템(200)은, 이미지 획득부(210), 이미지 전처리부(220), 정보 결정부(230), 통신부(240) 및 제어부(250)를 포함하여 구성될 수 있다. 본 발명의 일 실시예에 따르면, 이미지 획득부(210), 이미지 전처리부(220), 정보 결정부(230), 통신부(240) 및 제어부(250)는 그 중 적어도 일부가 외부의 시스템(미도시됨)과 통신하는 프로그램 모듈일 수 있다. 이러한 프로그램 모듈은 운영 시스템, 응용 프로그램 모듈 또는 기타 프로그램 모듈의 형태로 정보 추정 시스템(200)에 포함될 수 있고, 물리적으로는 여러 가지 공지의 기억 장치에 저장될 수 있다. 또한, 이러한 프로그램 모듈은 정보 추정 시스템(200)과 통신 가능한 원격 기억 장치에 저장될 수도 있다. 한편, 이러한 프로그램 모듈은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.
한편, 정보 추정 시스템(200)에 관하여 위와 같이 설명되었으나, 이러한 설명은 예시적인 것이고, 정보 추정 시스템(200)의 구성요소 또는 기능 중 적어도 일부가 필요에 따라 디바이스(300) 또는 서버(미도시됨) 내에서 실현되거나 외부 시스템(미도시됨) 내에 포함될 수도 있음은 당업자에게 자명하다.
먼저, 본 발명의 일 실시예에 따른 이미지 획득부(210)는, 대상 작물의 특성 또는 형태에 관하여 비파괴적인 방식으로 작물 이미지를 획득하는 기능을 수행할 수 있다.
본 발명의 일 실시예에 따른 이미지 획득부(210)는 대상 작물에 직접적으로 광을 조사하지 않는 방식으로 작물 이미지를 획득할 수 있다. 예를 들어, 이미지 획득부(210)는 특별한 광 조사 없이, 대상 작물로부터 적외선 에너지를 감지하는 방식으로 작물 이미지를 획득할 수 있다.
이를 통해, 작물의 생체 리듬에 영향을 주어 생리작용을 변화시키는 등 생육 상태를 변동시키는 광 조사 방식과는 달리 후술할 생장 정보를 정확하게 추정할 수 있는 효과가 달성된다.
한편, 본 발명의 일 실시예에 따라 획득된 작물 이미지는 광도 또는 조도를 기준으로 주간 이미지에 대응되는 제1 작물 이미지와 야간 이미지에 대응되는 제2 작물 이미지로 구분될 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 작물 이미지는 촬영 당시 색감이 일정한 작물 이미지들의 광도 또는 조도를 기준으로 야간 이미지와 주간 이미지로 구분될 수 있다.
보다 구체적으로, 본 발명의 일 실시예에 따른 작물 이미지는 촬영 당시 색감이 일정한 작물 이미지들의 광도값 중 최소값을 기준값으로 하여, 기준값 이상일 경우 제1 작물 이미지로, 기준값 미만일 경우 제2 작물 이미지로 구분될 수 있다. 본 발명의 일 실시예에 따른 기준값은 촬영 장치의 스펙, 대상 작물의 종류 및 크기, 배경 등에 따라 달라질 수 있음을 밝혀둔다.
다만, 본 발명의 일 실시예에 따른 작물 이미지의 구분 기준은 위에서 설명된 것에 한정되지 않으며, 본 발명의 목적을 달성할 수 있는 범위 내에서 다양하게 변경될 수 있다.
다음으로, 이미지 전처리부(220)는 획득된 작물 이미지를 이미지 변환 모델을 이용하여 전처리하는 기능을 수행할 수 있다.
본 발명의 일 실시예에 따른 이미지 변환 모델은 제1 작물 이미지와 제2 작물 이미지의 변환에 기초한 손실함수를 이용하여 학습될 수 있다. 구체적으로, 본 발명의 일 실시예에 따른 이미지 변환모델은 제1 작물 이미지와 제2 작물 이미지의 변환, 역변환 및 자가 변환에 기초한 손실함수를 이용하여 학습될 수 있다.
예를 들어, 제1 작물 이미지로부터의 제2 작물 이미지로의 변환을 G 변환, 제2 작물 이미지로부터의 제1 작물 이미지로의 변환을 F 변환이라고 가정했을 때, 제1 작물 이미지로부터 G 변환을 통해 제2 작물 이미지를 생성하고, 생성된 제2 작물 이미지로부터 G 변환의 역변환인 F 변환을 통해 제1 작물 이미지를 생성할 수 있다. 여기서, 본 발명의 일 실시예에 따른 이미지 변환 모델은 본래의 제1 작물 이미지와 변환(예를 들어, G 변환)을 통해 생성된 제2 작물 이미지 사이에서 설정된 손실함수 및 본래의 제2 작물 이미지와 역변환(예를 들어, F 변환)을 통해 생성된 제1 작물 이미지 사이에서 설정된 손실함수를 최소화하도록 학습될 수 있다.
또한, 본 발명의 일 실시예에 따른 이미지 변환 모델은 본래의 제1 작물 이미지와 자가 변환(예를 들어, 변환)을 통해 생성된 제1 작물 이미지 사이에서 설정된 손실함수를 최소화하도록 학습할 수 있다. 이는 마찬가지로 제2 작물 이미지에 대해서도 적용할 수 있다.
이를 통해, 본 발명의 일 실시예에 따른 이미지 변환 모델을 통해 제1 작물 이미지 또는 제2 작물 이미지 사이에서 도메인(예를 들어, 화풍, 색조, 광도, 조도, 질감 등)에 대한 변환이 이루어질 수 있다.
본 발명의 일 실시예에 따라 획득된 작물 이미지는 광 노출 환경에 따른 차이가 적어지는 방향으로 전처리될 수 있다. 예를 들어, 본 발명의 일 실시예에 따라 획득된 제2 작물 이미지는 이미지 변환 모델을 통해 제1 작물 이미지로 변환될 수 있다. 즉, 본 발명의 일 실시예에 따른 야간 이미지를 이미지 변환 모델을 통해 주간 이미지로 변환할 수 있으므로, 짧은 주기 동안 많은 작물 이미지의 획득이 가능해지는 효과가 달성될 수 있다.
한편, 또 다른 예를 들어, 본 발명의 일 실시예에 따라 획득된 작물 이미지는 색 온도가 동일하게 보정될 수 있다. 보다 구체적으로, 본 발명의 일 실시예에 따른 색 온도는 외부 광원에 의해 달라질 수 있으나, 본 발명의 일 실시예에 따른 이미지 전처리부(220)는 화이트 밸런싱(White Balancing) 보정을 수행함으로써 획득된 작물 이미지에 대한 광 노출 환경의 차이를 최소화할 수 있다.
이와 같이, 획득되는 작물 이미지는 광 노출 환경에 따른 차이가 적어지는 방향으로 전처리됨으로써, 후술할 객체 검출 알고리즘을 이용한 작물의 생장 정보 추정이 용이해지는 효과가 달성될 수 있다.
다음으로, 본 발명의 일 실시예에 따른 정보 결정부(230)는 전처리된 작물 이미지 및 식생 지수를 참조하여 대상 작물의 생장 정보를 추정하고, 추정되는 생장 정보를 참조하여 생장 변화 정보를 결정하는 기능을 수행할 수 있다.
본 발명의 일 실시예에 따른 대상 작물의 생장 정보는 대상 작물의 형태 또는 특성에 따라 대상 작물의 생육 상태를 분석할 수 있는 정보를 의미할 수 있다. 예를 들어, 작물의 생장 정보는 수분 포텐셜, 생장 기대 확률 분포, 생체중, 대상 작물의 엽면적, 대상 작물의 정사영 엽면적, 광학적 흐름에 따른 생장 속도, 광합성 속도 등에 관한 정보를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 대상 작물의 생장 변화 정보는 시간의 흐름에 따라 나타나는 대상 작물의 생육 상태의 변화에 관한 정보를 의미할 수 있다. 예를 들어, 작물의 생장 변화 정보는 시간에 따른 수분 포텐셜의 변화, 생체중의 변화, 엽면적의 변화, 정사영 엽면적의 변화, 광학적 흐름에 따른 생장 속도의 변화, 광합성 속도의 변화 등에 관한 정보를 포함할 수 있다.
한편, 본 발명의 일 실시예에 따른 정보 결정부(230)는, 식생 지수에 관한 객체 검출 알고리즘을 이용하여 대상 작물의 생장 정보를 추정할 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 대상 작물의 정사영 엽면적은 획득된 작물 이미지로부터 대상 작물과 배경을 분리하는 ExG 필터(Excess Green index filter)를 이용하여 추정될 수 있다.
예를 들어, 본 발명의 일 실시예에 따른 대상 작물의 정사영 엽면적은 다음의 수학식 1에 표현된 값에 기초하여 추정될 수 있다.
여기서, 는 각각 작물 이미지에 포함되어 있는 빨간색, 초록색, 파란색에 관한 서브 픽셀 수를 의미할 수 있다.
보다 구체적으로, 본 발명의 일 실시예에 따른 정사영 엽면적은 ExG 필터의 값과 임계값을 비교하여 추정될 수 있다.
본 발명의 일 실시예에 따른 위의 임계값은 오츠의 알고리즘(Otsu's algorithm)을 기초로 설정되고, 대상 작물의 크기 또는 종류를 참조하여 상기 임계값의 최소값과 최대값이 결정될 수 있다. 본 발명의 일 실시예에 따른 오츠의 알고리즘은 먼저 임계값을 임의로 정하여 픽셀을 두 부류로 나눈 뒤, 두 부류의 명암 분포를 구하는 반복된 작업을 통하여 두 부류의 명암 분포가 가장 균일할 때의 임계값을 설정하는 알고리즘을 의미할 수 있다.
보다 구체적으로, 본 발명의 일 실시예에 따라 전처리된 작물 이미지에 대하여 대상 작물의 크기 또는 종류를 참조하여 기설정된 임계값의 최소값과 최대값 사이의 범위에서 반복된 작업을 통해 정사영 엽면적을 배경과 분리할 수 있는 최적의 임계값이 도출될 수 있고, 정사영 엽면적의 값(예를 들어, 픽셀 수)이 추정될 수 있다.
다만, 본 발명의 일 실시예에 따른 위의 임계값은 전문가의 입력 또는 조작에 의해 결정될 수 있으며, 본 발명의 목적을 달성할 수 있는 범위 내에서 다양하게 변경될 수 있다.
또한, 본 발명의 일 실시예에 따라 추정된 대상 작물의 정사영 엽면적은 총 픽셀 수와의 연산에 기초하여 0에서 1사이의 값을 가지도록 정규화될 수 있다. 예를 들어, 정사영 엽면적에 해당하는 픽셀 수를 작물 이미지의 총 픽셀 수(예를 들어, 480 X 680)로 나누는 방식으로 정규화될 수 있다. 이를 통해, 획득되는 작물 이미지 사이에서 추정되는 정사영 엽면적의 값이 정규화된 범위 내에 있게 되므로, 후술할 강화학습에서 가중치와 편향이 불균형하게 학습되는 것을 막을 수 있는 효과가 달성된다.
한편, 본 발명의 일 실시예에 따른 작물의 생장 변화 정보는 광학적 흐름(Optical Flow)에 기초하여 결정될 수 있다. 본 발명의 일 실시예에 따른 광학적 흐름(Optical Flow)은 시간적으로 인접하게 획득한 작물 이미지 사이에서의 명암 변화를 의미할 수 있다. 여기서, 본 발명의 일 실시예에 따른 광학적 흐름(Optical Flow)은 명시적으로 작물의 움직임을 반영하지는 않지만, 시간의 흐름에 기초하여 작물의 크기 또는 형태의 변화에 따른 명암 변화가 발생하므로 암시적으로 작물의 움직임을 반영할 수 있다.
예를 들어, 본 발명의 일 실시예에 따른 시간적으로 인접한 작물 이미지 사이에서 광학적 흐름(Optical Flow)에 기초하여 정사영 엽면적의 변화량 또는 정사영 엽면적의 변화 속도 등이 결정될 수 있다.
또한, 본 발명의 일 실시예에 따른 생장 변화 정보를 기초로 대상 작물에 관한 재배의 종료 여부가 결정될 수 있다. 예를 들어, 일정 기간 동안 정사영 엽면적의 변화량(예를 들어, 제t+1 시점의 정규화된 정사영 엽면적의 값 - 제t 시점의 정규화된 정사영 엽면적의 값)이 0 또는 보다 작을 경우, 대상 작물이 더 이상 생육하지 않는다고 판단되어, 재배의 종료가 결정될 수 있다. 다른 예를 들어, 일정 기간 이후에 정사영 엽면적이 0 또는 보다 작을 경우, 대상 작물이 죽은 것으로 판단되어, 재배의 종료가 결정될 수 있다.
또 다른 예를 들어, 일정 기간 동안의 정사영 엽면적의 변화량(예를 들어, 달성해야 하는 정규화된 정사영 엽면적의 값 - 현재의 정규화된 정사영 엽면적의 값) 또는 일정 기간 이후의 정사영 엽면적이 0 또는 보다 작을 경우, 재배기에 재배가 종료되었다는 신호가 전달될 수 있다.
한편, 본 발명의 일 실시예에 따른 작물의 생장 변화 정보를 참조하여 강화학습에 대한 보상이 제공될 수 있다. 구체적으로, 본 발명의 일 실시예에 따른 정사영 엽면적의 변화량을 참조하여 재배 중에도 강화학습에 대한 보상이 제공될 수 있다.
예를 들어, 시점 구간을 동일하다고 가정하고, 제t+1 시점 구간의 정사영 엽면적의 변화량이 제t 시점 구간의 정사영 엽면적의 변화량보다 크다면, 재배 중에도 강화학습에 대한 보상이 제공될 수 있다. 또 다른 예를 들어, 제t+1 시점 구간의 정사영 엽면적의 변화량이 제t 시점 구간의 정사영 엽면적의 변화량보다 작다면, 재배 중에도 강화학습에 대한 음의 보상이 제공될 수 있다.
다음으로, 본 발명의 일 실시예에 따른 통신부(240)는 이미지 획득부(210), 이미지 전처리부(220) 및 정보 결정부(230)로부터의/로의 데이터 송수신이 가능하도록 하는 기능을 수행할 수 있다.
마지막으로, 본 발명의 일 실시예에 따른 제어부(250)는 이미지 획득부(210), 이미지 전처리부(220), 정보 결정부(230) 및 통신부(240) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명의 일 실시예에 따른 제어부(250)는 정보 추정 시스템(200)의 외부로부터의/로의 데이터 흐름 또는 정보 추정 시스템(200)의 각 구성요소 간의 데이터 흐름을 제어함으로써, 이미지 획득부(210), 이미지 전처리부(220), 정보 결정부(230) 및 통신부(240)에서 각각 고유 기능을 수행하도록 제어할 수 있다.
도 3 내지 도 4는 본 발명의 일 실시예에 따라 획득된 작물 이미지로부터 작물의 생장 정보를 추정하고, 생장 변화 정보를 결정하는 과정을 예시적으로 나타내는 도면이다.
도 3을 참조하면, 본 발명의 일 실시예에 따라 적외선 촬영 방식에 기초하여 대상 작물에 관한 작물 이미지가 획득될 수 있다.
다음으로, 본 발명의 일 실시예에 따라 획득된 작물 이미지는 이미지 변환 모델을 이용하여 전처리될 수 있다(310).
구체적으로, 본 발명의 일 실시예에 따라 획득된 작물 이미지가 야간에 촬영된 이미지인 경우를 가정하면, 위의 작물 이미지는 이미지 변환 모델을 통해 주간에 촬영된 이미지로 변환될 수 있다.
또한, 본 발명의 일 실시예에 따라 획득된 작물 이미지는 광 노출 환경에 따른 차이가 적어지는 방향으로 전처리될 수 있다. 구체적으로, 본 발명의 일 실시예에 따른 화이트 밸런싱(White Balancing) 보정을 통해 색 온도가 동일하게 보정될 수 있다.
다음으로, 본 발명의 일 실시예에 따라 전처리된 작물 이미지에 대하여 식생 지수에 관한 객체 검출 알고리즘을 이용하여 대상 작물의 정사영 엽면적의 값을 추정할 수 있다(320). 또한, 위의 정사영 엽면적의 값은 총 픽셀 수와의 연산을 기초로 정규화될 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 대상 작물의 정사영 엽면적은 획득된 작물 이미지로부터 대상 작물과 배경을 분리하는 ExG 필터(Excess Green index filter)를 이용하여 추정될 수 있다.
또한, 본 발명의 일 실시예에 따른 정사영 엽면적은 ExG 필터의 값과 오츠의 알고리즘을 기초로 설정된 임계값을 비교하여 추정될 수 있다.
보다 구체적으로, 본 발명의 일 실시예에 따라 대상 작물의 크기 또는 종류를 참조하여 기설정된 임계값의 최소값과 최대값 사이의 범위에서 반복된 작업을 통해 정사영 엽면적을 배경과 분리할 수 있도록 도출되는 최적의 임계값(예를 들어, 0.14750)을 기준으로 정규화된 정사영 엽면적의 값(예를 들어, 0.01718)이 추정될 수 있다.
다음으로, 본 발명의 일 실시예에 따른 이미지 후처리를 통해 정사영 엽면적의 값은 보정될 수 있다(330, 340). 예를 들어, 엽면적이 아닌 부분이 위의 값을 도출할 때 반영된 경우(예를 들어, 재배기의 센서가 녹색을 띄어 정사영 엽면적의 값을 도출할 때 반영되는 경우), 이를 제거하는 보정을 통해 정규화된 정사영 엽면적의 보정값(예를 들어, 0.01532)이 도출될 수 있다. 또 다른 예를 들어, 이미지의 형태 또는 크기를 조절하는 보정을 통해 정규화된 정사영 엽면적의 보정값(예를 들어, 0.02043)이 도출될 수 있다.
한편, 본 발명의 일 실시예에 따라 대상 작물에 관한 작물 이미지를 획득하는 과정에서 재배 당시의 환경 정보 및 환경 제어 정보가 획득될 수 있다(350).
도 4를 참조하면, 본 발명의 일 실시예에 따른 생장 변화 정보는 광학적 흐름(Optical Flow)에 기초하여 결정될 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 시간적으로 인접한 작물 이미지 사이에서의 명암 변화에 기초하여 정사영 엽면적의 변화량 또는 정사영 엽면적의 변화 속도 등이 결정될 수 있다. 여기서 정사영 엽면적의 변화량 또는 변화 속도는 화살표의 크기 또는 방향으로 표현될 수 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
100: 통신망
200: 정보 추정 시스템
210: 이미지 획득부
220: 이미지 전처리부
230: 정보 결정부
240: 통신부
250: 제어부
300: 디바이스

Claims (15)

  1. 작물 생육 정보를 추정하기 위한 시스템에서 구현되는 방법으로서, - 상기 시스템은 이미지 획득부, 이미지 전처리부, 정보 결정부를 포함함 -,
    상기 이미지 획득부가, 대상 작물에 대한 별도의 광 조사 없이 상기 대상 작물의 특성 또는 형태에 관하여 비파괴적인 방식으로 작물 이미지를 획득하는 단계,
    상기 이미지 전처리부가, 상기 획득된 작물 이미지를 이미지 변환 모델을 이용하여 전처리하는 단계, 및
    상기 정보 결정부가, 상기 전처리된 작물 이미지 및 식생 지수를 참조하여 상기 대상 작물의 생장 정보를 추정하고, 상기 추정되는 생장 정보를 참조하여 생장 변화 정보를 결정하는 단계를 포함하고,
    상기 획득된 작물 이미지는 광도 또는 조도를 기준으로 주간 이미지에 대응되는 제1 작물 이미지와 야간 이미지에 대응되는 제2 작물 이미지로 구분되고,
    주간 이미지로부터 야간 이미지로의 변환이 제1 변환이고, 야간 이미지로부터 주간 이미지로의 변환이 제2 변환인 경우에, 상기 이미지 변환 모델은 상기 제1 작물 이미지에 상기 제1 변환 및 상기 제2 변환을 순차적으로 적용한 결과로서 생성되는 변환 이미지와 상기 제1 작물 이미지 사이의 차이에 기초하여 설정되는 손실함수를 최소화하는 방향으로 학습되고,
    상기 전처리 단계에서, 상기 이미지 전처리부가, 상기 이미지 변환 모델을 이용하여 상기 제2 작물 이미지를 상기 제1 작물 이미지로 변환하는
    방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 전처리 단계에서, 상기 획득된 작물 이미지는 광 노출 환경에 따른 차이가 적어지는 방향으로 전처리되는
    방법.
  4. 제1항에 있어서,
    상기 전처리 단계에서, 상기 획득된 작물 이미지의 색 온도가 동일하게 보정되는
    방법.
  5. 제1항에 있어서,
    상기 결정 단계에서, 상기 대상 작물의 생장 정보는 객체 검출 알고리즘을 이용하여 추정되는
    방법.
  6. 제1항에 있어서,
    상기 결정 단계에서, 상기 생장 변화 정보는 시간적으로 인접하게 획득한 작물 이미지 사이에서의 명암 변화에 기초하여 결정되는
    방법.
  7. 제1항에 있어서,
    상기 결정 단계에서, 상기 생장 변화 정보를 기초로 상기 대상 작물에 관한 재배의 종료 여부가 결정되는
    방법.
  8. 제1항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능 기록 매체.
  9. 작물 생육 정보를 추정하기 위한 시스템으로서,
    대상 작물에 대한 별도의 광 조사 없이 상기 대상 작물의 특성 또는 형태에 관하여 비파괴적인 방식으로 작물 이미지를 획득하는 이미지 획득부,
    상기 획득된 작물 이미지를 이미지 변환 모델을 이용하여 전처리하는 이미지 전처리부, 및
    상기 전처리된 작물 이미지 및 식생 지수를 참조하여 상기 대상 작물의 생장 정보를 추정하고, 상기 추정되는 생장 정보를 참조하여 생장 변화 정보를 결정하는 정보 결정부를 포함하고,
    상기 획득된 작물 이미지는 광도 또는 조도를 기준으로 주간 이미지에 대응되는 제1 작물 이미지와 야간 이미지에 대응되는 제2 작물 이미지로 구분되고,
    주간 이미지로부터 야간 이미지로의 변환이 제1 변환이고, 야간 이미지로부터 주간 이미지로의 변환이 제2 변환인 경우에, 상기 이미지 변환 모델은 상기 제1 작물 이미지에 상기 제1 변환 및 상기 제2 변환을 순차적으로 적용한 결과로서 생성되는 변환 이미지와 상기 제1 작물 이미지 사이의 차이에 기초하여 설정되는 손실함수를 최소화하는 방향으로 학습되고,
    상기 전처리 단계에서, 상기 이미지 전처리부가, 상기 이미지 변환 모델을 이용하여 상기 제2 작물 이미지를 상기 제1 작물 이미지로 변환하는
    시스템.
  10. 삭제
  11. 제9항에 있어서,
    상기 획득된 작물 이미지는 광 노출 환경에 따른 차이가 적어지는 방향으로 전처리되는
    시스템.
  12. 제9항에 있어서,
    상기 획득된 작물 이미지의 색 온도가 동일하게 보정되는
    시스템.
  13. 제9항에 있어서,
    상기 대상 작물의 생장 정보는 객체 검출 알고리즘을 이용하여 추정되는
    시스템.
  14. 제9항에 있어서,
    상기 생장 변화 정보는 시간적으로 인접하게 획득한 작물 이미지 사이에서의 명암 변화에 기초하여 결정되는
    시스템.
  15. 제9항에 있어서,
    상기 생장 변화 정보를 기초로 상기 대상 작물에 관한 재배의 종료 여부가 결정되는
    시스템.
KR1020220057194A 2022-05-10 2022-05-10 작물 생육 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 Active KR102577350B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220057194A KR102577350B1 (ko) 2022-05-10 2022-05-10 작물 생육 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220057194A KR102577350B1 (ko) 2022-05-10 2022-05-10 작물 생육 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Publications (1)

Publication Number Publication Date
KR102577350B1 true KR102577350B1 (ko) 2023-09-12

Family

ID=88019581

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220057194A Active KR102577350B1 (ko) 2022-05-10 2022-05-10 작물 생육 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Country Status (1)

Country Link
KR (1) KR102577350B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119354146A (zh) * 2024-10-21 2025-01-24 广东省农业科学院农业经济与信息研究所 一种基于物联网的农耕土地状态详情测绘方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170074602A (ko) * 2015-12-22 2017-06-30 삼성전자주식회사 영상 출력 장치 및 영상 출력 방법
KR20170105402A (ko) * 2016-12-21 2017-09-19 주식회사 엔씽 사물 인터넷을 활용한 식물 생장 레시피 제공 방법
KR20190115542A (ko) * 2018-04-02 2019-10-14 동국대학교 산학협력단 보행자 검출 장치 및 방법
KR102231968B1 (ko) 2019-03-20 2021-03-25 농업회사법인 한라에스디주식회사 온라인 유통과 연계 가능한 스마트팜 통합 관리 시스템
KR102307036B1 (ko) * 2019-08-28 2021-09-30 주식회사 어밸브 기계 학습을 이용한 작물의 최대 생장 구현 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170074602A (ko) * 2015-12-22 2017-06-30 삼성전자주식회사 영상 출력 장치 및 영상 출력 방법
KR20170105402A (ko) * 2016-12-21 2017-09-19 주식회사 엔씽 사물 인터넷을 활용한 식물 생장 레시피 제공 방법
KR20190115542A (ko) * 2018-04-02 2019-10-14 동국대학교 산학협력단 보행자 검출 장치 및 방법
KR102231968B1 (ko) 2019-03-20 2021-03-25 농업회사법인 한라에스디주식회사 온라인 유통과 연계 가능한 스마트팜 통합 관리 시스템
KR102307036B1 (ko) * 2019-08-28 2021-09-30 주식회사 어밸브 기계 학습을 이용한 작물의 최대 생장 구현 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119354146A (zh) * 2024-10-21 2025-01-24 广东省农业科学院农业经济与信息研究所 一种基于物联网的农耕土地状态详情测绘方法及系统

Similar Documents

Publication Publication Date Title
Liang et al. A visual detection method for nighttime litchi fruits and fruiting stems
US10977494B2 (en) Recognition of weed in a natural environment
CN109255758B (zh) 基于全1*1卷积神经网络的图像增强方法
CN114170137B (zh) 一种辣椒病害识别方法、识别系统、计算机可读存储介质
CN112200736B (zh) 基于强化学习的图像处理方法及模型训练方法、装置
CN111064904A (zh) 一种暗光图像增强方法
KR102577350B1 (ko) 작물 생육 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
BR112021005139A2 (pt) aparelho e método de processamento de imagem, e, programa para fazer com que um aparelho de processamento de imagem execute um processo de imagem
CN118941988B (zh) 一种基于无人机的农机作业规划方法及系统
CN110866872A (zh) 一种路面裂缝图片预处理智能选择方法、装置及电子设备
CN118470071B (zh) 一种通网智能视觉监控跟踪方法及系统
CN119514594A (zh) 一种基于知识蒸馏的轻量级图像分类神经网络架构系统
CN112365428B (zh) 一种基于dqn的高速公路监测视频去雾方法和系统
CN110288634A (zh) 一种基于改进粒子群优化算法的目标跟踪方法
CN117218043A (zh) 基于监控图像质量的摄像头调控方法
KR102104312B1 (ko) 드론 플랫폼 기반 멀티 스펙트럼 영상의 인공 지능 분류 및 검색 장치
KR20230159321A (ko) 강화학습 기반 작물 재배를 제어하는 방법, 시스템및 비일시성의 컴퓨터 판독 가능한 기록 매체
KR20230101441A (ko) 양계 데이터 처리 방법 및 장치
CN116091436A (zh) 一种应用于农业领域的图像样本采集方法及装置
KR102104314B1 (ko) 드론 플랫폼 기반 멀티 스펙트럼 영상의 인공 지능 분류 및 검색 장치
CN119131614B (zh) 一种高分辨率卫星遥感影像的目标监测方法、介质及系统
CN113870180A (zh) 图像处理方法、装置、计算机设备和存储介质
CN112541859A (zh) 一种光照自适应的人脸图像增强方法
CN118247618B (zh) 应用于智慧农业园区的监控图像分析方法及系统
CN117789095B (zh) 一种切花开放周期优化方法、系统、设备及存储介质

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20220510

PA0201 Request for examination
PA0302 Request for accelerated examination

Patent event date: 20220603

Patent event code: PA03022R01D

Comment text: Request for Accelerated Examination

Patent event date: 20220510

Patent event code: PA03021R01I

Comment text: Patent Application

PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20220804

Patent event code: PE09021S01D

PE0601 Decision on rejection of patent

Patent event date: 20221222

Comment text: Decision to Refuse Application

Patent event code: PE06012S01D

Patent event date: 20220804

Comment text: Notification of reason for refusal

Patent event code: PE06011S01I

PX0901 Re-examination

Patent event code: PX09011S01I

Patent event date: 20221222

Comment text: Decision to Refuse Application

Patent event code: PX09012R01I

Patent event date: 20220929

Comment text: Amendment to Specification, etc.

PX0701 Decision of registration after re-examination

Patent event date: 20230607

Comment text: Decision to Grant Registration

Patent event code: PX07013S01D

Patent event date: 20230425

Comment text: Amendment to Specification, etc.

Patent event code: PX07012R01I

Patent event date: 20221222

Comment text: Decision to Refuse Application

Patent event code: PX07011S01I

Patent event date: 20220929

Comment text: Amendment to Specification, etc.

Patent event code: PX07012R01I

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20230906

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20230907

End annual number: 3

Start annual number: 1

PG1601 Publication of registration