| 1 |
1
인터넷 또는 AI 허브 이미지 네트워크(AI hub image network)에서 리프 이미지(leaf image)를 수집하여 이미지 프로세싱을 수행하는 이미지 프로세싱 모듈(image processing module, IPM);상기 이미지 프로세싱 모듈에서 이미지 프로세싱이 수행된 리프 이미지를 이용하여 CNN(convolutional neural network) 모델을 생성하고, 생성된 CNN 모델을 이용하여 작물 질병을 진단하는 작물 질병 진단 모듈(crop disease diagnosis module, CDDM);상기 작물 질병 진단 모듈에서 진단된 작물 질병을 기반으로 ANN(artificial neural network)을 이용하여 단위 면적당 작물 수확량을 예측하는 작물 수확량 예측 모듈(crop yield prediction module, CYPM)을 포함하고,상기 이미지 프로세싱 모듈은,상기 리프 이미지를 수집하거나 별도로 입력받는 이미지 수집/입력부;상기 이미지 수집/입력부에서 수집되거나 입력된 복수의 리프 이미지를 하나의 단일 리프 이미지로 전환하여 정규화하는 리프 이미지 정규화부;상기 리프 이미지 정규화부에서 정규화된 리프 이미지에 대해 질병명이 확실하게 진단된 이미지는 훈련용 이미지(training image)로 분류하고, 질병명이 확실하게 진단되지 않은 이미지는 테스트용 이미지(test image)로 분류하는 리프 이미지 분류부;상기 리프 이미지 분류부에서 분류된 리프 이미지가 저장되는 리프 이미지 저장부;상기 리프 이미지 저장부에 저장된 각 리프 이미지에 대해 R, G, B의 3채널 이미지로 변환하여 각각 출력하는 3채널 이미지 출력부를 포함하도록 구성되고,상기 이미지 수집/입력부는,AI 허브(hub) 이미지 네트워크를 통해 검색하거나 인터넷 상에서 웹 크롤링(web crawling)을 하여 리프 이미지를 수집하는 리프 이미지 수집부;질병 진단이나 수확량 예측을 위해 소정의 농장에서 드론을 통해 촬영되는 리프 이미지를 별도로 입력받는 리프 이미지 입력부를 포함하도록 구성되고,상기 리프 이미지 정규화부는,상기 복수의 리프 이미지에서 구글(Goolge) 사의 비젼 API(vision API)를 이용하여 단일 리프 영역의 좌측 상단, 우측 상단, 좌측 하단, 우측 하단의 좌표를 각각 리턴하여 하나의 영역인 단일 리프 이미지를 추출하는 단일 리프 이미지 추출부;상기 비젼 API에서 리턴한 좌표를 기준으로 단일 리프 이미지를 128*128 크기로 리사이징하여 정규화하는 리프 이미지 리사이징부를 포함하도록 구성되고,상기 리프 이미지 저장부는,상기 리프 이미지 분류부에서 훈련용 이미지로 분류된 리프 이미지가 저장되는 훈련용 리프 이미지 저장부;상기 리프 이미지 분류부에서 테스트용 이미지로 분류된 리프 이미지가 저장되는 테스트용 리프 이미지 저장부를 포함하도록 구성되고,상기 작물 질병 진단 모듈은,상기 3채널 이미지 출력부에서 출력된 R, G, B의 3채널 이미지를 입력받는 3채널 이미지 입력부;각 작물별로 CNN 모델을 생성하는 CNN 모델 생성부;상기 CNN 모델 생성부에 의해 생성된 CNN 모델에 따른 작물 질병 진단 결과를 출력하는 CNN 모델 출력부를 포함하도록 구성되고,상기 CNN 모델 생성부는,상기 3채널 이미지에 대하여 각각 3회의 CNN 모델을 생성하는 컨벌루션 수행부상기 3채널 이미지에 대하여 각각 3회의 서브-샘플링을 수행하는 서브-샘플링 수행부상기 컨벌루션 수행부 및 상기 서브-샘플링 수행부에 의해 산출된 컨벌루셔널 특징 맵을 이용하여 신경망 모델로 바꾸어 계산하는 CNN 모델 변환부를 포함하도록 구성되고,상기 작물 수확량 예측 모듈은,상기 작물 질병 진단 모듈에서 진단된 작물 질병 데이터를 수신하여 입력하는 작물 질병 데이터 수신/입력부;농장 서버로부터 농장 환경 데이터를 수신하여 입력하는 농장 환경 데이터 수신/입력부;기상 정보 제공 서버로부터 현재 날씨 및 재배/수확기의 예상 날씨를 포함하는 날씨 데이터를 수신하여 입력하는 날씨 데이터 수신/입력부;작물 수확 통계 서버로부터 작물별 수확량 통계 데이터를 수신하여 입력하는 작물별 수확량 통계 데이터 수신/입력부;상기 작물 질병 데이터 수신/입력부로부터 입력되는 작물 질병 데이터, 상기 농장 환경 데이터 수신/입력부로부터 입력되는 농장 환경 데이터, 상기 날씨 데이터 수신/입력부로부터 입력되는 날씨 데이터, 상기 작물별 수확량 통계 데이터 수신/입력부로부터 입력되는 통계 데이터에 기반하여 ANN을 이용하여 농장의 단위 면적당 수확량 및 농장의 면적에 따른 수확량을 산출하는 ANN 수확량 예측부;상기 ANN 수확량 예측부에서 예측된 수확량 예측 결과를 출력하는 수확량 예측 결과 출력부;상기 수확량 예측 결과 출력부에서 출력된 수확량 예측 결과를 상기 농장 서버 또는 농장주 단말로 송신하는 수확량 예측 결과 송신부를 포함하도록 구성되고,상기 컨벌루션 수행부는,상기 3채널 이미지를 n*n 정방 행렬을 이용하여 이미지를 스캔하여 이미지의 특징을 추출하고 그 결과물로서 컨벌루셔널 특징 맵(convolutional feature map)을 출력하며, 4*4 필터를 이용하여 이미지의 특징을 추출하되 첫 연산에서는 20개, 두번째 연산에서는 40개, 3번째 연산에서는 60개를 사용하여 총 3회의 컨벌루션 과정에서 스트라이드는 모두 1을 사용하고 이미지와 필터 사이에 ReLU 함수를 사용하여 컨벌루셔널 특징 맵을 산출하도록 구성되며,상기 서브-샘플링 수행부는,상기 컨벌루션 수행부에서 출력된 컨벌루셔널 특징 맵을 서브-샘플링을 통해 간소화하며, 소정 크기의 이미지 픽셀들 중 가장 특징이 강한 영역을 추출하여 하나의 픽셀로 만드는 2*2 맥스 풀링 기법을 이용하여 컨벌루셔널 특징 맵을 간소화하도록 구성되며,상기 CNN 모델 변환부는,16*16*60의 컨벌루셔널 특징 맵을 n 개의 출력 배열로 전환하되, 풀리 커넥티드 신경망을 이용하여 작물의 질병의 수와 같은 크기의 배열을 생성하며, 상기 n은 작물에서 발생할 수 있는 질병의 수로 구성되며,상기 CNN 모델 출력부는,각 작물의 정상 노드 1개와 각 작물이 가질 수 있는 질병의 수에 따른 n개의 질병 노드로 구성되는 출력 노드가 구비되며, 각 출력 노드를 통해 각 질병에 대한 0 내지 1의 값을 출력하고, 각 출력 노드의 값 중에서 가장 큰 값을 갖는 질병을 해당 작물의 질병으로 규정하도록 구성되는 것을 특징으로 하는 딥러닝을 이용한 작물 질병 진단 기반 수확량 예측 시스템
|
