| 1 |
1
순환식 수경 재배 환경의 온실에 장착된 센서로부터 온실 데이터 및 양액 데이터를 미리 설정된 주기마다 수집하는 데이터 수집부, 상기 온실데이터 및 상기 양액 데이터에 기초한 복수의 환경 변수를 통해 양액의 다량이온의 잔여량을 예측하는 장단기 메모리(LONG SHORT-TERM MEMORY: LSTM) 방식으로 신경망을 학습시키는 학습부, 그리고상기 신경망을 통해 미리 설정된 시간 동안의 수집 데이터 변화에 기초하여 당일 양액에 포함된 다량이온의 농도 또는 비율을 예측하는 다량이온 예측부 를 포함하는 양액 다량이온 추정 장치
|
| 2 |
2
제1항에서, 상기 환경 변수는, 양액의 EC 변화 정보, pH 변화, 급액량, 배액량, 관수량, 또는 광도 중 하나 이상을 포함하고, 상기 다량이온 예측부는,상기 당일 양액의 K+, Ca2+, Mg2+, SO42-, NO3-, 또는 H2PO4- 중에서 하나 이상의 이온 농도 또는 비율을 예측하는 양액 다량이온 추정 장치
|
| 3 |
3
제1항에서, 상기 학습부는, 상기 장단기 메모리 방식과 MTL(multi-task learning) 방식을 이용하여 양액의 이온의 잔여량을 예측하는 상기 신경망을 학습시키는 양액 다량이온 추정 장치
|
| 4 |
4
제1항에서, 상기 다량이온 예측부는,상기 신경망이 일정 기준치 이상의 정확성을 얻으면, 상기 신경망을 통해 얻어진 n가지 모델의 평균 값을 보간 값으로 사용하여 상기 다량이온의 농도 또는 비율의 보간을 수행하는 양액 다량이온 추정 장치
|
| 5 |
5
제1항에 있어서, 상기 다량이온의 농도 또는 비율에 기초하여 양액 혼합 비율, 양액 투입량, 또는 배액량 중에서 하나 이상을 제어하는 양액 공급기 제어 신호를 생성하는 양액 제어부를 더 포함하는 양액 다량이온 추정 장치
|
| 6 |
6
제5항에서, 상기 온실데이터, 상기 양액 데이터, 그리고 상기 환경 변수에 따라 시계열 분석된 상기 다량이온의 농도 또는 비율 그리고 상기 양액 공급기 제어 신호를 작물별, 다량이온별, 그리고 시간대별로 정렬하여 데이터베이스에 저장하는 양액 다량이온 추정 장치
|
| 7 |
7
순환식 수경 재배 환경의 온실에 장착된 센서로부터 온실 데이터 및 양액 데이터를 미리 설정된 주기마다 수집하는 단계, 상기 온실데이터 및 상기 양액 데이터에 기초한 복수의 환경 변수를 통해 양액의 이온의 잔여량을 예측하는 장단기 메모리 방식으로 신경망을 학습시키는 단계, 그리고 상기 신경망을 통해 미리 설정된 시간 동안의 수집 데이터 변화에 기초하여 당일 양액에 포함된 다량이온의 농도 또는 비율을 예측하는 단계, 를 포함하는 양액 다량이온 추정 장치의 추정 방법
|
| 8 |
8
제7항에서, 상기 환경 변수는, 양액의 EC 변화 정보, pH 변화, 급액량, 배액량, 관수량, 또는 광도 중 하나 이상을 포함하며, 상기 다량이온의 농도 또는 비율을 예측하는 단계는, 상기 당일 양액의 K+, Ca2+, Mg2+, SO42-, NO3-, 또는 H2PO4- 중에서 하나 이상의 이온 농도 또는 비율을 예측하는 양액 다량이온 추정 장치의 추정 방법
|
| 9 |
9
제7항에 있어서, 상기 신경망을 학습시키는 단계는, 상기 장단기 메모리 방식과 MTL(multi-task learning) 방식을 이용하여 양액의 이온의 잔여량을 예측하는 상기 신경망을 학습시키는 양액 다량이온 추정 장치의 추정 방법
|
| 10 |
10
제7항에서, 상기 다량이온의 농도 또는 비율을 예측하는 단계는,상기 신경망이 일정 기준치 이상의 정확성을 얻으면, 상기 신경망을 통해 얻어진 n가지 모델의 평균 값을 보간 값으로 사용하여 상기 다량이온의 농도 또는 비율의 보간을 수행하는 양액 다량이온 추정 장치의 추정 방법
|
