KR-20260060602-A - Device and method for early diagnosis of crop infection

KR20260060602AKR 20260060602 AKR20260060602 AKR 20260060602AKR-20260060602-A

Abstract

본 발명은 작물의 감염 여부 조기 진단장치 및 방법을 제안한다. 본 발명의 진단장치는, 진단하고자 할 작물을 대상으로 초분광 이미지를 획득하기 위해 초분광 카메라로 구비된 이미지 획득부와, 상기 획득된 초분광 이미지에서 적어도 하나의 관심 영역을 설정하는 관심 영역 설정부, 상기 관심 영역에 대한 파장 정보를 추출하는 파장 정보 추출부, 상기 추출된 파장 정보에서 유의미한 파장 대역을 선별 및 정제하여 데이터 프레임을 생성하는 데이터 프레임 생성부, 및 상기 데이터 프레임을 인공 지능 학습 데이터로 사용하여 학습 모델을 생성하는 학습 모델 생성부를 포함하여 구성된다. 그리고 본 발명은 상기 학습 모델 생성부가 생성한 학습 모델을 이용하여 작물의 병 감염 여부를 무증상 감염 상태에서 조기에 진단할 수 있다.

Inventors

김윤하
이민주
기미레 아미트

Assignees

경북대학교 산학협력단

Dates

Publication Date: 20260506
Application Date: 20241025

Claims (7)

작물을 대상으로 초분광 이미지를 획득하는 이미지 획득부; 상기 획득된 초분광 이미지에서 적어도 하나의 관심 영역을 설정하는 관심 영역 설정부; 상기 관심 영역에 대한 파장 정보를 추출하는 파장 정보 추출부; 상기 추출된 파장 정보에서 유의미한 파장 대역을 선별 및 정제하여 데이터 프레임을 생성하는 데이터 프레임 생성부; 및 상기 데이터 프레임을 인공 지능 학습 데이터로 사용하여 학습 모델을 생성하는 학습 모델 생성부를 포함하고, 상기 학습 모델을 이용하여 작물의 병 감염 여부를 진단하는 것을 특징으로 하는, 작물의 감염 여부 조기 진단 장치.
제1항에 있어서, 상기 데이터 프레임 생성부는, 주성분 분석(Principal component analysis; PCA) 기법이 사용되는, 작물의 감염 여부 조기 진단 장치.
제1항에 있어서, 상기 데이터 프레임 생성부는, 상기 인공 지능 학습 데이터로 사용될 전체 데이터를 리드하는 데이터 리드부; 상기 리드한 전체 데이터의 특징 값을 정규화하는 정규화부; 상기 정규화 결과 값을 기초로 주성분 분석을 수행하는 분석부; 상기 주성분 중 분산의 95%를 나타내는 주성분의 개수를 찾아 주성분을 추출하는 제1 추출부; 및 상기 추출된 각 주성분에서 로딩 값이 가장 큰 상위 소정 개수의 변수를 추출하는 제2 추출부를 포함하는, 작물의 감염 여부 조기 진단 장치. 여기서, 상기 로딩 값은, 주성분을 형성하는데 사용된 각 변수의 기여 값을 말함.
작물의 병 감염 여부 진단 장치가, 초분광 이미지로부터 작물의 관심 영역을 설정하는 단계; 설정된 관심 영역의 파장 정보를 추출하는 단계; 상기 추출된 파장 정보로부터 주성분 분석(Principal component analysis; PCA) 기법을 사용하여 파장 대역을 선별하고, 정제하여 데이터 프레임을 생성하는 단계; 상기 생성된 데이터 프레임을 인공 지능 학습 데이터로 사용하여 학습 모델을 생성하는 단계; 및 상기 생성된 학습 모델을 이용하여 작물의 무증상 감염 상태에서 감염 여부를 조기 진단하는 단계를 포함하여 수행하는 것을 특징으로 하는, 작물의 감염 여부 조기 진단 방법.
제4항에 있어서, 상기 학습 모델은, 분류 기준을 작성하고, 상기 분류 기준에 따라 감염 또는 비감염 여부를 학습 결과로 제공하는, 작물의 감염 여부 조기 진단 방법.
제4항에 있어서, 상기 데이터 프레임을 생성하는 단계는, 상기 인공 지능 학습 데이터로 사용될 전체 데이터를 리드하는 단계; 상기 전체 데이터의 특징 값을 정규화하는 단계; 상기 정규화 결과 값을 기초로 주성분 분석을 수행하는 단계; 상기 주성분 중 분산의 95%를 나타내는 주성분의 개수를 찾아 주성분을 추출하는 단계; 및 상기 추출된 각 주성분에서 주성분을 형성하는데 사용된 각 변수의 기여 값이 큰 상위 소정 개수의 변수를 추출하는 단계를 포함하여 수행하는, 작물의 감염 여부 조기 진단 방법.
초분광 카메라를 이용하여 작물을 촬영하는 단계; 상기 촬영된 초분광 영상정보에서 파장정보를 추출하는 단계; 상기 추출된 파장정보 중 감염군과 비감염군으로 라벨링 된 파장정보를 선별하는 단계; 상기 선별된 파장정보를 정제하여 데이터 프레임을 생성하는 단계; 상기 생성된 데이터 프레임을 train_test_split 함수를 사용하여 분할하는 단계; 및 상기 분할된 데이터 프레임을 RandomForestClassifier를 사용하여 학습하는 단계를 수행하여 생성하는 것을 특징으로 하는, 작물의 병 감염 여부를 진단하는 학습 모델 생성 방법.

Description

작물의 감염 여부 조기 진단장치 및 방법{Device and method for early diagnosis of crop infection} 본 발명은 무증상 감염 단계에서 작물의 감염 여부를 조기에 진단할 수 있는 장치 및 방법에 관한 것이다. 작물장해는 작물의 성장, 결실, 수확에 악영향을 주는 것으로, 병해, 충해, 생리장해 등을 총칭한다. 최근에는 이상기후로 인해 작물장해의 발생이 심해지고, 이로 인해 생산량이 급감하여 농가들의 피해가 급증하고 있다. 특히, 작물장해는 그 작물의 종류나 생장 환경 등에 따라 확산 속도가 매우 가변적이어서, 작물장해에 대한 예측과 신속한 진단, 대책이 요구되고 있다. 예컨대, 온실이나 스마트 팜(smart farm) 등 상대적으로 좁은 경자 공간에서 재배되는 작물은 병충해가 수 시간 내에 전체 작물들로 확산될 수 있다. 종래에 작물 재배자들이 경험이나 인터넷 등 다양한 루트를 통해 이러한 작물장해에 대한 지식을 습득하거나 전문가의 도움으로 대비하는 정도이다. 물론 근래에는 카메라 등을 이용하여 작물을 촬영하고 촬영된 작물 이미지를 분석하여 병충해의 종류와 해결 방법을 제시하는 방안들도 여러 제안되고 있다. 또 기계학습을 이용하여 농작물의 병충해 등을 진단하는 방안도 있는데, 관련 기술로 한국공개특허 10-2023-0057811호가 있다. 그러나 여전히 작물장해에 대한 정확한 진단 및 예방하는 것이 쉽지가 않다. 특히 현재 대부분의 진단 방안들은 병충해 초기 또는 어느 정도 병충해가 진행되는 것과 같이 증상이 직접적으로 관찰된 이후에 이루어지고 있기 때문에, 이로 인한 피해를 선제적으로 효율적으로 방지할 수 없었다. 그래서 작물의 감염 여부를 조기에 진단하고 이에 대해 신속한 대처를 통해 피해를 최소화할 필요가 요구된다. 도 1은 본 발명의 실시 예에 따른 작물의 감염 여부 조기 진단 장치의 전체 구성도이다. 도 2는 도 1의 데이터 프레임 생성부의 상세 구성도이다. 도 3은 본 발명의 실시 예에 따른 작물의 감염 여부를 조기에 진단하는 방법을 설명하는 흐름도이다. 도 4a는 초분광 스펙트럼 이미지를 획득 예를 나타낸 도면이고, 도 4b는 초분광 스펙트럼 이미지에서 일부를 관심 영역으로 설정한 예를 나타낸 도면이다. 도 5는 본 발명의 다른 실시 예에 따라 작물의 감영 여부 조기 진단에 필요한 학습 모델을 생성하는 방법을 보인 흐름도이다. 본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 본 발명에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 본 발명에서 사용되는 “부” 또는 “부분” 등의 일부분을 나타내는 표현은 해당 구성요소가 특정 기능을 포함할 수 있는 장치, 특정 기능을 포함할 수 있는 소프트웨어, 또는 특정 기능을 포함할 수 있는 장치 및 소프트웨어의 결합을 나타낼 수 있음을 의미하나, 꼭 표현된 기능에 한정된다고 할 수는 없으며, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위 뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다. 이하에서는 도면에 도시한 실시 예에 기초하면서 본 발명에 대하여 더욱 상세하게 설명하기로 한다. 도 1은 본 발명의 실시 예에 따른 작물의 감염 여부 조기 진단 장치의 전체 구성도이다. 도 1을 참조하면, 작물의 병 조기 진단 장치(100)는, 이미지 획득부(110), 관심 영역 설정부(120), 파장 정보 추출부(130), 데이터 프레임 생성부(140), 학습 모델 생성부(150)를 포함하여 구성될 수 있다. 본 실시 예에서 이미지 획득부(110)는, 작물로부터 획득된 영상 정보, 예를 들어 초분광 스펙트럼 이미지(Hyperspectral spectrum image)일 수 있다. 초분광 스펙트럼 이미지를 획득하기 위해 초분광 카메라가 이용될 수 있다. 알려진 바와 같이 초분광 스펙트럼 이미지는 이미지 픽셀마다 세분화된 대역의 스펙트럼 정보를 얻어 특정 대상이나 물질을 보다 쉽게 식별할 수 있는 이점이 있다. 눈에 보이는 것 이상으로 확장될 수 있어 전자기 스펙트럼에서 정보를 수집하고 처리하는 일이 가능하고, 이를 이용하면 농산물 생육 단계와 같은 과정을 확인할 수 있는 것과 같이 일반 카메라로는 가능하지 않는 작업을 수행할 수 있다. 본 실시 예에서 이미지 획득부가 획득한 초분광 스펙트럼 이미지는 원본 이미지일 수 있다. 관심영역 설정부(120)는, 이미지 획득부(110)가 획득한 초분광 스펙트럼 이미지로부터 작물의 관심영역(ROI)을 설정할 수 있다. 관심영역(ROI)은 적어도 하나 이상일 수 있다. 파장정보 추출부(130)는, 관심영역 설정부(120)에 의해 설정된 관심영역에 대한 파장 정보를 추출할 수 있다. 본 실시 예에서 파장정보 추출부가 추출한 파장 정보를 그대로 사용할 수 있으나, 바람직하게 병 감염의 조기 진단의 신속성과 정확성을 위해 이를 가공할 필요가 있다. 데이터 프레임 생성부(140)는, 파장정보 추출부(130)가 추출한 파장 정보로부터 유의미한 파장대역을 선별 및 정제하여 생성할 수 있다. 구체적으로 추출된 파장 정보를 대상으로 주성분 분석(Principal component analysis; PCA) 기법을 사용하여 차원 감소된 데이터 프레임을 생성할 수 있다. 주성분 분석 기법을 이용하는 이유는, 차원이 많을수록 데이터 공간이 기하급수적으로 커지게 되어 데이터 양이 급증하고, 이와 같은 고차원 데이터는 계산 복잡도의 증가로 인해 인공 지능 모델 학습에 더 많은 계산 자원과 시간이 요구되며, 데이터의 분포를 시각화하고 해석하기 어렵다는 문제가 있기 때문이다. 학습 모델 생성부(150)는, 차원 감소된 데이터를 입력받아 작물의 병 감염 여부를 판단할 수 있는 학습 모델을 생성할 수 있다. 이때 학습 모델 생성부는, train_test_split 함수를 사용하여 전체 데이터를 8:2로 분할하고, RandomForestClassifier를 사용하여 데이터 학습을 위한 학습 모델을 생성하게 된다. 이렇게 생성된 학습 모델을 이용하여 작물의 병 감염여부 증상을 조기에 진단하게 된다. 도 2는 도 1의 데이터 프레임 생성부의 상세 구성도이다. 도 2를 참조하면, 앞서 언급한 바와 같이 데이터 프레임 생성부(140)는 주성분 분석 기법을 사용하며, 이러한 주성분 분석 기법은 데이터의 차원을 줄이는 특징 추출(feature extraction) 방법일 수 있다. 즉 본 실시 예에서 채택하고 있는 초분광 스펙트럼 이미지는 사진마다 데이터의 크기가 매우 크고 복잡하기 때문에 차원을 낮추고 특징의 개수를 줄여서 인공지능 학습시에 과적합을 방지하기 위함이다. 데이터 프레임 생성부(140)는, 데이터 리드부(141), 정규화부(142), 분석부(143), 제1 추출부(144) 및 제2 추출부(145)를 포함하여 구성될 수 있다. 데이터 리드부(141)는, 상기 파장정보 추출부(130)가 추출한 파장 정보를 리드할 수 있다. 정규화부(142)는, 상기 파장 정보의 특징 값을 스케일링(scaling) 과정을 통해 정규화(normalization)할 수 있다. 즉 상기 파장 정보가 가지는 특징 값의 범위를 일정하게 맞출 필요가 있다. 특징 값의 범위가 크게 다를 경우, 데이터 분석이 어려워지거나 학습 모델을 적용하기 어려워지기 때문이다. 분석부(143)는, 정규화 결과 값을 기초로 주성분 분석을 진행할 수 있고, 제1 추출부(144)는, 분산의 95%를 나타내는 주성분의 개수를 찾은 다음 주성분을 추출할 수 있고, 제2 추출부(145)는, 추출된 각 주성분에서 로딩 값이 가장 큰 상위 10개의 변수를 추출할 수 있다. 여기서 상기 로딩 값은 각 변수가 주성분을 형성하는데 얼마나 기여하는지를 나타내는 값을 말한다. 도 3은 본 발명의 실시 예에 따른 작물의 감염 여부를 조기에 진단하는 방법을 설명하는 흐름도이다. 도 3의 진단 방법은, 이미지 획득 단계(S100), 관심 영역 설정 단계(S110), 파장 정보 추출 단계(S120), 데이터 프레임 생성 단계(S130), 증상 감염 여부를 진단하기 위해 필요한 학습 모델을 생성하는 학습 모델 생성 단계(S140)를 포함하여 수행할 수 있다. 도 3을 구체적으로 설명하면, 이미지 획득 단계(S100)는, 이미지 획득부(110)가 감염 여부의 진단을 위해 작물의 소정 부위를 카메라를 이용하여 촬영하여 영상 정보를 획득한다. 실시 예에서는 초분광 카메라가 사용되며, 이를 이용하여 작물에 대한 초분광 스펙트럼 이미지를 획득하게 된다. 이미지 획득 예는 도 4a와 같다. 작물에 대한 초분광 스펙트럼 이미지가 획득되면, 관심 영역 설정 단계(S110)가 수행되며, 이에 관심영역 설정