3A: Agriculture-Ai-Agent, 스마트팜 해충 방제 자동화를 위한 AI Agent 도입 가능성 연구 = 3A: Agriculture-Ai-Agent: Feasibility of AI Agent Adoptation for Automated Pest Control in Smart Farms

국문 초록 (Abstract)

본 연구는 스마트팜 환경에서 해충 관리 자동화를 실현하기 위해 인공지능(Art ificial Intelligence, AI) 기반 다중 에이전트 시스템(3A: Agriculture-AI-Agent)의 도입 가능성을 탐구하였다. 기존 스마트팜 해충 관리 절차는 주로 단일 탐지 모델 에 의존하여 탐지 이후의 의사결정 체계가 부재한 한계가 있었다. 이를 보완하기 위해 본 연구는 해충 탐지–의사결정–행동 실행으로 이어지는 3단계 구조의 3A 시스템을 제안하였다. 첫 번째 단계인 멀티 모델 모니터링 에이전트(Multi-Model Monitoring Agent, MMA)는 노린재 18종과 일반 해충 31종을 학습한 YOLOv8 기 반 탐지 모델과 IP102 데이터셋 기반 분류 모델을 순차적으로 통합하여 구현하였 다. 탐지된 해충 종류·개체수·신뢰도 등의 정보는 의사결정 에이전트(Decision-Maki ng Agent, DMA)로 전달되어 고위험 해충 가중치, 기온·습도 기반 보정계수, 작물 생육 단계 등의 요인을 반영하여 동적 임계값을 산출하고 이에 따라 방제 전략을 결정한다. 결정된 전략은 행동 에이전트(Action Agent, AA)를 통해 표준·긴급 방제 또는 관찰 유지 등 실제 실행 단계로 전달된다. 시스템의 초기 안정성을 확보하기 위해 룰 기반 시나리오 구조를 적용하였으며, 예기치 못한 상황 대응력 확장을 위 해 강화학습의 적용 가능성도 탐색적으로 검토하였다. 실환경 실험이 제한적인 상 황에서 제안 구조의 기본 동작 타당성을 확인하기 위해 Unity ML-Agents 기반 시 뮬레이션을 수행하였고, 대표 시나리오(S1–S10)에서 정상적인 전략 수행 흐름이 일관적으로 나타남을 확인하였다. 본 연구는 ‘탐지–판단–대응’ 전 과정을 통합한 자율 방제 프레임워크를 제시하여 스마트팜 해충 관리의 정밀성·효율성·지속가능성 을 높일 수 있는 기반을 마련하였으며, 향후 실환경 기반 강화학습을 통한 자율 제 어(Adaptive 3A)로의 확장 가능성을 제시한다.

다국어 초록 (Multilingual Abstract)

This study investigates the feasibility of introducing an artificial intelligence (AI)-driven multi-agent system, referred to as the Agriculture-AI-Agent (3A), to enable autonomous pest management in smart farm environments. Conventional pest management workflows rely primarily on a single detection model and consequently lack a structured decision-making mechanism after the detection stage. To address this limitation, the present study proposes a three-stage 3A framework—comprising detection, decision-making, and action execution—to establish an integrated autonomous control loop. The first module, the Multi-Model Monitoring Agent (MMA), sequentially combines a YOLOv8-based detection model trained on 18 stinkbug species with a classification model trained on 31 agricultural pests using the IP102 dataset. The extracted information—pest classes, counts, and confidence scores—is then passed to the Decision-Making Agent (DMA), which computes a dynamic threshold by incorporating high-risk pest weighting, environmental correction factors (temperature and humidity), and crop growth stage. Based on this threshold, the DMA determines an appropriate pest-control strategy, which is subsequently executed by the Action Agent (AA) through standard or emergency control actions, or continued monitoring. To secure initial system stability, a rule-based scenario structure was applied, while the applicability of reinforcement learning was also explored in a preliminary manner to assess its potential for expanding adaptive decision-making capabilities. Because real-environment evaluation is constrained at this stage, a Unity ML-Agents simulation was conducted to validate the fundamental operational soundness of the proposed architecture. Across representative scenarios (S1–S10), the system consistently demonstrated coherent strategic behavior. By presenting an integrated framework that unifies detection, reasoning, and action, this study establishes a foundational approach for enhancing the precision, efficiency, and sustainability of pest management in smart farms, and it further suggests the potential extension toward adaptive control (Adaptive 3A) through reinforcement learning under real-world conditions.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1. 연구 배경 및 필요성 1
• 1.2. 연구 문제 정의 및 목표 8
• 1.3. 연구 기여 10
• 1.4. 논문의 구성 11
• 제2장 이론적 배경 및 관련연구 11
• 2.1. 스마트팜의 현황과 도전 과제 11
• 2.2. 스마트팜에서의 AI 활용 사례 12
• 2.3. 해충 탐지 기술 연구 동향 20
• 2.4. AI 에이전트와 멀티 에이전트 시스템의 개념과 활용 21
• 제3장 연구설계 및 방법 23
• 3.1. 연구개요 23
• 3.1.1. 3A 구조 및 동작 개요 23
• 3.1.2. 최신 AI 에이전트 아키텍처와의 비교 32
• 3.2. 데이터셋 구성 및 전처리 34
• 3.2.1. 학습용 데이터셋 34
• 3.2.2. 데이터 전처리 전략 43
• 3.3. 모델 선정 44
• 3.4. 학습 설정 49
• 3.5. 3A 설계 50
• 3.5.1. 3A 전체 동작 설계 개요 50
• 3.5.2. MMA 설계 51
• 3.5.3. DMA 설계 52
• 3.5.4. AA 설계 54
• 3.5.5. 강화학습 기반 정책 최적화의 대안 가능성 54
• 제4장 실험 설계 및 시스템 구현 55
• 4.1. 실험 목적 및 개요 55
• 4.2. 시스템 구성 및 에이전트 구현 56
• 4.2.1. 전체 시스템 아키텍처 56
• 4.2.2. MMA: 해충 모니터링 57
• 4.2.3. DMA: 해충 관리 전략 수립 59
• 4.2.4. AA: 전략 실행 74
• 4.2.5. 전체 파이프라인 정리 77
• 4.3. 시스템 동작 설계 및 성능 검증 78
• 4.3.1. 탐지·분류 성능 검증 79
• 4.3.2. 실시간 및 최적화 검증 84
• 4.3.3. 룰 기반 의사결정 동작 검증 89
• 4.3.4. 강화학습 기반 정책 반응 실험 90
• 4.3.5. 시뮬레이션 환경 구축 및 구현 93
• 제5장 실험 결과 분석 및 논의 95
• 5.1. MMA-DMA-AA 작동 결과 95
• 5.1.1. MMA: 해충 탐지·분류 모델 성능 결과 95
• 5.1.2. DMA: 동적 임계값 기반 의사결정 성능 결과 102
• 5.1.3. AA: 방제 전략 실행 단계 기능 검증 107
• 5.2. 시나리오 기반 종합 검증 결과 109
• 5.2.1. 환경·생육·해충 조합별 시스템 반응 109
• 5.2.2. 전략 전환 패턴 분석 114
• 5.3. 강화학습 기반 정책 실험 결과 114
• 5.4. 3A 시스템의 실효성·혁신정 종합 분석 117
• 5.5. 개선 방향 및 실환경 적용 가능성 118
• 제6장 결론 119
• 6.1. 연구 요약 119
• 6.2. 도입 가능성 평가에 따른 기대 효과 120
• 6.3. 실용적 함의 120
• 6.4. 한계점과 향후 연구 과제 120
• 참고문헌 122
• 영문초록 128