스마트팜 시계열 센서데이터의 결측·노이즈 복원을 위한 경량 딥러닝 모델 연구
Missing/Noise Smart Farm Time Series Sensor Data A Study on a Lightweight Deep Learning Model for Restoration
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 전통적 보간법(Linear, Spline, KNN, Kalman)과 경량 딥러닝(LSTM-AE, Masked-AE, TCN-Lite)을 동일 조건에서 비교하고, 라즈베리파이5 기반 엣지에서 ONNX 추론으로 실시간 적용가능성을 검증하였다. 1분 간격 다변량 센서(온도·습도·CO₂·토양수분·EC·일사량·관수·생산량)에대해 점 결측 5%, 6분 블록 결측 2%, 가우시안 잡음(σ=0.05), 드리프트(±5%)를 주입해 벤치마크를구성하였다. 결과적으로 딥러닝군이 전통법 대비 RMSE/MAE 감소와 R², SNR/PSNR 향상을 보였으며, 특히 TCN-Lite는 R²≈0.874로 가장 우수했다. 엣지 실험에서 LSTM-AE와 TCN-Lite 모두 PC 대비 성능 손실 < 2%로 실시간 복원 가능성을 입증하였다. 본 연구는 (i) 전통법–경량 딥러닝–엣지 배치의 단일 파이프라인, (ii) 정확도와 효율을 함께 평가하는 다면 지표 체계, (iii) 현장 적용을위한 설계 지침을 제시한다.
Abstract
This study compares traditional interpolation methods (Linear, Spline, KNN, Kalman) and lightweight deep learning models (LSTM-AE, Masked-AE, TCN-Lite) under identical conditions, and verifies real-time applicability on a Raspberry Pi 5 edge device via ONNX inference. For 1-minute-interval multivariate sensors (temperature, humidity, CO₂, soil moisture, EC, solar irradiance, irrigation, yield), we constructed a benchmark by injecting 5% point-wise missingness, 2% six-minute block missingness, Gaussian noise (σ = 0.05), and drift (±5%). Consequently, the deep-learning group outperformed the traditional methods with reduced RMSE/MAE and improved R² and SNR/PSNR, with TCN-Lite achieving the best performance at approximately R² ≈ 0.874. In edge experiments, both LSTM-AE and TCN-Lite showed < 2% performance loss compared to PC runs, demonstrating feasibility for real-time reconstruction. This study presents (i) a single pipeline that spans traditional methods–lightweight deep learning–edge deployment, (ii) a multi-dimensional metric framework that evaluates accuracy and efficiency together, and (iii) design guidelines for practical field deployment.