http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
APSIM 모형을 이용한 밀 재배 환경 요인에 따른 생산량 예측 시나리오 분석
석승원 ( Seungwon Seok ),김솔희 ( Solhee Kim ),김태곤 ( Taegon Kim ) 한국농공학회 2023 한국농공학회 학술대회초록집 Vol.2023 No.0
노지 작물은 시설에서 재배하는 작물과 다르게 외부 환경 조절이 어렵고, 기후와 같은 환경 요인이 작물의 생산량에 큰 영향을 미친다. 국내에서의 겨울 밀 생산은 대게 10월에 파종을 시작하여 다음 해 초여름에 수확하는 과정으로, 재배 시기별로 적절한 비료 공급, 관개 조절, 수확 시기 등의 결정하기 위해서는 환경과 작물 성장 상황을 고려해야 한다. 본 연구는 밀을 재배하기 위한 의사결정 체계를 구축하기 위해 대표적인 노지 작물 모형 중 하나인 APSIM-Wheat를 활용하여 국내 과거 40년 기상자료를 시뮬레이션하고, 각 성장 단계마다 환경 요인과 생산량이 어떠한 관계가 있는지 분석하고자 한다. 과거 40년 기상자료는 공공데이터포털 API를 통해 수집하였으며, 누락된 광량의 경우 Penman-monteith 방법을 사용하여 보간하였다. 작기는 2022년 10월 파종하여 2023년 6월 수확으로 설정하였으며, 2023년 3월 1일 이후는 과거 40년 기상자료로 전처리하여 시뮬레이션하였다. 성장 단계는 파종기(Sowing), 분얼기(Tillering), 신장기(Booting), 개화 및 출수기(Heading), 등숙기(Ripening), 수확기(Harvest)를 일적산온도(Growing Degree Days, GDD)에 따라 나누어 분류하였다. 강수량의 경우 파종기에서 상위 5개년과 하위 5개년에서 유의한 차이가 없었으나, 토양수분함량의 경우 파종기와 수확기를 제외한 단계에서 생산량 상위 5개년이 하위 5개년보다 높았으며 통계적으로 유의미 하였다. 이는 모형이 신장기, 개화 및 출수기와 등숙기에 관개시 밀 생산량 증대를 설명할 수 있음을 의미하며, APSIM-Wheat 모형을 향후 국내 밀 생산량 및 품질 증대를 위한 의사결정 시스템에 활용 가능할 것으로 사료된다.
딥러닝 적용 선별 모델 비교 및 프로토타입 개발: 파프리카 중심으로
석승원 ( Seungwon Seok ),김태곤 ( Taegon Kim ) 한국농공학회 2022 한국농공학회 학술대회초록집 Vol.2022 No.-
소비자의 생활 수준이 향상됨에 따라 고품질 농산물에 대한 수요가 증가하고 있다. 과실의 선별은 상품성과 직결되기 때문에 현 소비 트렌드를 따라가기 위해 고려해야 할 주요한 요인 중 하나이다. 중량 선별기의 경우 과실의 중량만을 이용하여 선별하기 때문에 과실의 완숙도 및 장해 여부 선별에 한계가 있고, 광학 선별기의 경우 NIR 카메라 및 다수의 고가 장비를 통해 중량 선별기의 한계를 극복하였으나, 비용적 측면에서 농가에 부담이 따른다. 본 연구에서는 넓은 선별 스펙트럼을 유지하는 동시에 투입되는 장비의 비용을 줄일 수 있는 선별기 제작을 위해 딥러닝 알고리즘인 Faster R-CNN과 YOLO v5를 비교하고, 선별기 프로토타입을 개발하였다. CNN(Convolutional Neural Network)은 이미지 분류에 특화된 딥러닝 알고리즘으로 다중 클래스 분류가 가능하다. Faster R-CNN은 기존 CNN 알고리즘에 별도의 영역 제안 네트워크(RPN, Region Proposal Network)를 적용하여 학습 및 수행 속도가 개선되었다. YOLO(You Only Look Once)는 실시간 객체 인식에 특화된 딥러닝 알고리즘으로 Faster R-CNN과 달리 영역 제안을 위한 별도의 네트워크를 사용하지 않아 처리속도가 빠르다. 코코넛 성숙 단계 분류 연구(Kim et al.등, 2020)에서 Faster R-CNN 모델인 ResNet-50으로 코코넛 이미지 2,000장을 학습한 결과 mAP(평균 정밀도, mean Average Precision)이 89.4% 정확도로 분류하였다. YOLO v3를 이용한 사과 장해 여부 검출 연구(Valdez et al.등, 2020)는 웹으로부터 모은 사과 이미지 452장을 학습한 결과 mAP 74.3%의 정확도를 보고하였다. 본 연구에서 선별 모델로 적합하다고 판단되는 Faster R-CNN의 ResNet-50과 YOLO 모델 중 경량화 특징이 있는 YOLO v5를 이용한 선별 알고리즘을 개발하여 라즈베리파이4 (Raspberry Pi 4, 8GB RAM) 에 구현하여 성능을 비교하였다. 전라북도 부안군 계화면 소재의 ‘파프리카’ 온실에서 파프리카(machay)를 수확하였다. 수확한 파프리카를 촬영하여 학습에 사용할 이미지 데이터를 확보하였고, 웹크롤링을 통해 부족한 이미지 데이터를 추가로 확보하였다. 구득한 이미지 데이터는 ‘성숙과’, ‘미성숙과’, ‘판정보류’, 그리고 ‘비정상과’로 분류하였고, 바운딩 박스를 추가한 라벨데이터를 구축하였다. 전체 이미지 및 라벨 데이터의 80%와, 20%를 각각 학습, 검증에 사용하였다. 카메라 모듈을 통해 실시간으로 촬영하는 영상에 학습한 모델을 적용하여 객체의 클래스를 판별하고, 서보모터가 판별 결과에 따라 레버를 지정한 각도로 움직이도록 설계하였다. 모델의 성능은 mAP, 판별 소요 시간을 평가하였다. 본 연구는 딥러닝을 이용하여 과실의 완숙도 및 장해 여부를 선별하는 데에 그쳤지만, 향후 연구에서 다양한 종류의 이미지 데이터를 확보한다면 병해, 충해, 냉해, 한해 등의 다양한 작물피해 또한 선별하여 범용적으로 적용 가능할 것으로 기대한다.
노지 스마트팜 도입에 따른 과채류 생산단계 탄소배출량 평가
김솔희 ( Solhee Kim ),석승원 ( Seungwon Seok ),김태곤 ( Taegon Kim ) 한국농공학회 2023 한국농공학회 학술대회초록집 Vol.2023 No.0
Smart agriculture is emerging as a new agricultural technology to improve the productivity and quality of agricultural products with minimizing labor, energy, and nutrients compared to conventional farming. This study aims to evaluate the carbon emissions of the production stage considering the productivity of introducing smart farms to open-field crops using the life cycle assessment technique. The sample of open-field crops consists of open-field fruit trees (apple, pear, citrus, peach, etc.) and open-field vegetables (cabbage, radish, onion, pepper, etc.). The sample for the performance survey is 25 farmers in the first year, 91 farmers in the second year, and 51 farmers in the third year. The functional unit is set as the amount of carbon emissions generated in the production process (kg CO<sub>2</sub>e) per kilogram of crops grown in the open-field Smart Farm. The system boundary is set as cradle-to-gate (CtG) from the production of agricultural materials required for crop cultivation upstream to the core stage of cultivation. By evaluating the amount of carbon emissions relative to the amount of production due to the introduction of open-field smart farms compared to the conventional cultivation method based on labor-intensive and empirical farming methods in the past, we evaluate the possibility of trading off environmental impacts for high-quality crop production.