LSTM Autoencoder를 활용한 스마트 온실 데이터 이상 탐지 구현
Implementation of Smart Farm Data Anomaly Detection Using LSTM Autoencoder
0
조회
0
다운로드
4
인용
0
참고문헌
키워드
초록
본 논문에서는 시퀀스 데이터 처리 모델인 LSTM(Long Short Term Memory)을 인코더, 디코더로 구성된 입력값을 복원하는 Autoencoder 방식으로 활용하여 스마트 온실의 이상 데이터를 탐지하는 인공지능 모델을 구현한다. 스마트팜 온실 내부 환경의 정밀한 제어를 위해 설치된 60개의 센서에서 수집된 정상 데이터를 입력값으로 활용하여 LSTM Autoencoder을 학습시켰다. 학습이 완료된 모델은 학습 오차 및 검증 오차가 매우 낮은 수치에 수렴하였으며 최종적으로 학습 과정을 마친 LSTM Autoencoder 모델은 Representation 벡터에 정상 데이터 분포에 대한 정보를 함축하고 있어 해당 정보를 기반으로 시퀀스 입력을 복원한다. 이러한 복원 과정에서 정상 데이터 분포에서 벗어난 시퀀스 입력을 받으면 정확한 복원이 진행되지 않아 재구축 시 오차가 커지는 점을 활용해서 이상 탐지에 적용한다. 정상, 비정상 데이터의 구분이 되는 임계값은 학습 과정에서 얻어진 학습 오차의 분포를 활용하여 설정할 수 있으며, 시퀀스 입력에 대한 오차를 영상으로 시각화하여 이상 탐지에 활용할 수 있다.
Abstract
In this paper, LSTM (Long-Short Term Memory), a sequence data processing model, is used as an Autoencoder method that reconstructs input smart farm sensor data composed of encoders and decoders to implement an artificial intelligence model that detects anomaly in smart farm. The LSTM Autoencoder was trained by using the normal data collected from the 60 sensors installed for precise control of the greenhouse environment of the smart farm as input sequence values. The trained model obtained a very low train and validation error in the learning process, and the LSTM Autoencoder model that has finally completed the learning process contains information about normal data distribution in the representation vector, so sequence input is restored based on that information. In this restoration precess, when a sequence input that is out of the normal data distribution is received, it is applied to anomaly detection by taking advantage of the fact that the reconstruction error increases because accurate restoration does not proceed. The error that becomes the threshold value that distinguishes normal and abnormal data can be set using the loss distribution obtained in the learning process, and the error for sequence input can be visualized as an image and used for anomaly detection.
참고문헌 (17)
- Agriculture, Forestry and Fishery survey, "Statistics Korea", ~
- 최휘민, "스마트팜 ICT기기의 이상탐지 시스템", 한국인터넷방송통신학회 논문지, 19(2), pp.169~174 (2019), 한국인터넷방송통신학회[DOI]
- An analysis of the current status and success factors of smart farms, "Y. J. Kim", Korea Rural Economic Institute, 1~76 (2016)
- 김미진, "다중 원격 제어와 딥러닝 생장 진단 기능을 가지는 스마트 팜", 한국컴퓨터정보학회논문지, 27(9), pp.49~57 (2022), 한국컴퓨터정보학회[DOI]
- 백정현, "클라우드 기반 한국형 스마트 온실 연구 플랫폼 설계 방안", 생물환경조절학회지, 27(1), pp.27~33 (2018), (사) 한국생물환경조절학회[DOI]
- 황인철, "다중 회귀 분석을 이용한 파프리카 생산량 예측", 한국통신학회논문지, 46(11), pp.2048~2055 (2021), 한국통신학회[DOI]
- 김나은, "머신러닝 알고리즘을 이용한 온실 딸기 생산량 예측", 생물환경조절학회지, 31(1), pp.1~7 (2022), (사) 한국생물환경조절학회
- 김용현, "토마토 적과로봇을 위한 토마토 인식 모델 개발", 한국통신학회논문지, 47(11), pp.1990~1997 (2022), 한국통신학회[DOI]
- 고광은, "객체 탐색용 딥러닝 모델 기반 실시간 토마토 숙도 분류 시스템", 제어.로봇.시스템학회 논문지, 24(11), pp.999~1004 (2018), 제어·로봇·시스템학회[DOI]
- 김삼근, "심층 CNN 기반 구조를 이용한 토마토 작물 병해충 분류 모델", 한국산학기술학회논문지, 22(5), pp.7~14 (2021), 한국산학기술학회[DOI]
- 조경호, "딥러닝 기반 표고버섯 병해충 이미지 분석에 관한 연구", 멀티미디어학회논문지, 23(1), pp.50~57 (2020), 한국멀티미디어학회
- 김만배, "합성곱 신경망을 이용하는 수퍼픽셀 기반 사과잎 병충해의 분류", 방송공학회 논문지, 25(2), pp.208~217 (2020), 한국방송∙미디어공학회[DOI]
- 정수호, "딥러닝 기반 과일 선별 시스템", 한국지식정보기술학회 논문지, 13(5), pp.589~595 (2018), 한국지식정보기술학회[DOI]
- 장현성, "Data-mining Based Anomaly Detection in Document Management System", 한국지식정보기술학회 논문지, 10(4), pp.465~473 (2015), 한국지식정보기술학회
- 이용주, "딥 러닝 기반의 CCTV를 활용한 이상 행동 감지 시스템 설계", 한국지식정보기술학회 논문지, 17(2), pp.183~191 (2022), 한국지식정보기술학회[DOI]
- 이철원, "환경 데이터를 활용한 온실형 스마트팜에서 센서 이상 탐지 시스템", 한국데이터정보과학회지, 32(6), pp.1237~1248 (2021), 한국데이터정보과학회[DOI]
- P. Malhortra, "LSTM-based encoder-decoder for multi-sensor anomaly detection", arXiv preprint arXiv:1607.00148v2, ~ (2016)