1 |
1
적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치가 동작하는 방법으로서,작물의 생체중(Fresh Weight)을 포함하는 생육 특성과 상기 작물이 재배되는 공간의 상대 습도를 포함하는 환경 요인을 주기적으로 수집하여 시계열적 데이터를 생성하는 단계, 상기 시계열적 데이터에 상기 작물의 생육 결과를 태깅하여 생성된 학습 데이터로 생육량 예측 모델을 학습시키는 단계, 그리고상기 생육량 예측 모델로 신규 생육 특성과 신규 환경 요인을 입력하고, 상기 작물의 생육량을 예측하는 단계를 포함하는, 동작 방법
|
2 |
2
제1항에서,상기 생육 특성은,상기 작물의 잎의 길이, 잎의 폭, 가지의 수, 그리고 파종 후 날짜(Day After Transplanting, DAT) 중 적어도 어느 하나를 더 포함하는, 동작 방법
|
3 |
3
제1항에서,상기 환경 요인은,상기 작물이 재배되는 공간의 온도, 이산화탄소 농도, 일사량 그리고 상기 작물이 자라는 배지의 수분 함량도 중 적어도 어느 하나를 더 포함하는, 동작 방법
|
4 |
4
제1항에서,상기 생육량 예측 모델은 장단기 메모리(Long Short-Term Memory Model, LSTM)로 구현된 것인, 동작 방법
|
5 |
5
제4항에서,상기 작물의 환경 요인이 조절되도록, 상기 작물이 재배되는 환경의 제어 시스템으로 예측된 작물의 생육량을 제공하는 단계를 더 포함하는, 동작 방법
|
6 |
6
컴퓨팅 장치로서,메모리, 그리고상기 메모리에 로드된 프로그램의 명령들(instructions)을 실행하는 적어도 하나의 프로세서를 포함하고,상기 프로그램은작물의 생체중(Fresh Weight)을 포함하는 생육 특성과 상기 작물이 재배되는 공간의 상대 습도를 포함한 환경 요인을 수집하는 단계, 그리고 상기 생육 특성과 상기 환경 요인을 학습된 생육량 예측 모델에 입력하여 상기 작물의 생육량을 예측하는 단계를 실행하도록 기술된 명령들을 포함하고, 상기 생육량 예측 모델은,임의의 작물에서 주기적으로 수집된 생육 특성과 상기 임의의 작물이 재배되는 환경 요인에 상기 임의의 작물의 생육 결과가 태깅된 시계열적 학습 데이터로 학습된 모델인, 컴퓨팅 장치
|
7 |
7
제6항에서,상기 수집하는 단계는,상기 작물이 자라는 배지의 수분 함량도를 더 수집하는, 컴퓨팅 장치
|
8 |
8
제7항에서,상기 생체중은,상기 작물을 매달아 놓은 프레임 상부에 부착된 하중 센서로부터 측정된 값과 상기 수분 함량도를 이용하여 계산된 값인, 컴퓨팅 장치
|
9 |
9
제6항에서,예측된 생육량을 상기 작물이 재배되는 환경의 제어 시스템에 제공하는 단계, 그리고상기 제어 시스템에 의해 상기 환경 요인이 변경된 이후의 상기 작물의 생육량을 예측하는 단계를 더 포함하는, 컴퓨팅 장치
|
10 |
10
제6항에서,상기 생육량 예측 모델은 순환 신경망(Recurrent Neural Network, RNN)으로 구현된 것인, 컴퓨팅 장치
|