http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
케일의 생중량 및 Glucosinolates 증대를 위한 Generative Rewarding Network (GRN) 기반의 대기 환경 제어 알고리즘
정대현 ( Dae-hyun Jung ),박수현 ( Soo Hyun Park ),박재억 ( Jai-eok Park ) 한국농업기계학회 2021 한국농업기계학회 학술발표논문집 Vol.26 No.2
스마트팜에서 재배된 채소는 인공적으로 통제된 환경에서 생산량 증대를 궁극적인 목표로 한다. 이를 위해서는 다양한 생장 영향 요소 모델의 구성이 중요하다. AI와 딥러닝의 기술 발달로 인해 기존의 단순화된 경험식 기반의 생육 모델에서 데이터 기반의 블랙박스 모델 개발이 가능하다. AI를 통한 의사결정을 식물 재배환경을 통제하는 데 사용하기 위해서 강화학습과 같은 비지도 방법의 가능성이 제안되었지만, 가상의 환경을 구축해야 하는 어려움이 있으므로 지도학습을 통해 일부 모델을 선택적으로 구성해 줄 필요가 있다. 본 연구에서는 생성적 적대 신경망과 강화학습의 reward 시스템을 기반으로 식물공장 내 대기 환경을 최적화하기 위한 알고리즘 개발을 제안하고자 한다. 구체적인 목적으로, 딥러닝 기반의 지도학습인 CNN 구조를 통해 대기 환경 (온도, 습도, CO2) 조건에 따른 케일 생육과 glucosinolates 함량 변화를 예측하는 모델을 개발을 목표로 하였다. 이를 위해, 총 18개의 독립된 환경조건이 구성 가능한 공간에서 두 작기 케일 재배를 통해 학습 데이터 세트를 확보하였다. 확보된 데이터를 통해 개발된 예측모델을 본 연구에서 제안하는 GRN 구조의 인공지능 기술을 적용하여 최적의 환경조건을 찾는 시뮬레이션을 수행하였다. 생중량 예측 모델의 결과는 결정계수(R2) 0.95를 확인하였으며, glucosinolates 성분 예측모델에서는 결정계수(R2) 0.80의 결과를 얻었다. GRN 모델에서 생성된 최적화된 환경에서 케일 재배를 시뮬레이션 결과 약 9.59%의 평균 생육량 증대된 결과를 얻었다. 추후 케일 실증 실험을 통해 GRN을 통한 대기환경 제어 방법을 확인하고자 한다.