라즈베리파이를 활용한 해충 인식 시스템 설계
Design of the Pest Recognition System using Raspberry Pi
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
4차 산업혁명의 발달과 함께 농업에 최신 ICT기술을 도입하기 위한 많은 연구가 진행되고 있다. 그러나 노지농업의 경우 외부에서 작업하는 특성상 환경 제어가 힘들고 해충에 의한 질병이 가장 문제가 되고 있다. 이러한 문제를 해결하기 위해 현재 IT페로몬 트랩을 사용하여 문제를 해결하고 있으 나, 진단 결과가 전문가에게 전달되기까지는 매우 오래 걸리며 이를 진단하기까지 전문 노동력을 소비하여 결과를 받을 수 있는 문제가 있다. 위의 문제점을 해결하기 위해 설치비용이 적게 드는 라즈 베리파이를 활용한 CNN기법을 통해 해충 이미지에서 해충의 개수를 파악하는 시스템을 제안하고자 한다. CNN분석을 위해해충이미지를 국가기관 및 구글 이미지에서 추출하였으며 실제 해충이 발생하는 농가에 설치하여 추출한 이미지를 포함시켰다. 부족한 이미지는 8개의 방향으로 이미지를 회전시켜 학습시키고 1차적으로 라즈베리에서 해충의 특징을 추출한 뒤 2차로 클라우드 서버에서 이미지를 통해 분석을 실시하는 시스템이다. 위의 방법을 사용함으로써 농민 해충의 생산성을 증대시키고, 전문 조직의 선진 인력의 노동력을 감소시킬 것으로 기대된다.
Abstract
With the development of the 4th industrial revolution, much research is underway to introduce the latest ICT technology in agriculture. In the case of the bare ground agriculture, however, it is difficult to control the environment in order to work from the outside, and diseases caused by pests are the most problematic. Currently, IT pheromone traps are being used by farmers to solve the above problems, but it takes a very long time to send the results to the experts to receive the diagnosis and the result of the action, which is problematic because of the high labor consumption. In order to solve the above problem, we try to understand the number of insect pests by analyzing the image through the proposed CNN method by taking pest image using Raspberry pie with low installation cost. For CNN analysis, pest images were extracted from national organizations and Google images, and images were extracted from farms where actual pests were generated. The insufficient pest image is a system that rotates the image in eight directions, first extracts the characteristics of the pest from raspberry pi, and secondly analyzes the image through the cloud server. By using the above method, it is expected that it will reduce productivity of pests of farmers and increase the productivity and reduce the labor force of advanced manpower of professional organizations.
참고문헌 (14)
- 김태우, "페로몬 트랩 영상에서 해충 검출을 위한 객체 분할", 한국산학기술학회논문지, 18(12), pp.157~163 (2017), 한국산학기술학회[DOI]
- Recognition for Plant Disease Using Deep Learning, "K.B. Kim", THE INSTITUTE OF ELECTRONICS ENGINEERS OF KOREA, 1774~1777 (2016)
- 김용균, "Real-time monitoring of oriental fruit moth, Grapholita molesta, populations using a remote sensing pheromone trap in apple orchards", Journal of Asia-Pacific Entomology, 14(3), pp.259~262 (2011), 한국응용곤충학회
- 홍영기, "객체 분할과 SVM 분류기를 이용한 해충 개체 수 추정", 한국산학기술학회논문지, 18(11), pp.705~710 (2017), 한국산학기술학회[DOI]
- 김현옥, "농촌지역 토지피복분류를 위한 객체기반 영상분석기법 연구", 한국지리정보학회지, 15(4), pp.26~41 (2012), 한국지리정보학회[DOI]
- J.Y. Kim, "Introduction to Google TensorFlow", The Korean Society Of Computer And Information, 23(2), pp.9~15 (2015)
- Apple Moth Monitoring System Using IT-Pheromone Trap : Development of Remote Communication System, "Y.K. Kim", An Dong University, Ministry of Agriculture, Food and Rural Affairs, ~ (2011)
- 이상일, "GPGPU와 Combined Layer를 이용한 필기체 숫자인식 CNN구조 구현", 문화기술의 융합, 3(4), pp.165~169 (2017), 국제문화기술진흥원[DOI]
- S.J. Kim, "Design of Deep Learning Based Injurious insect Prediction System in Fruit tree Environment", pp.96~97 (2017), Korean Institute of Communication Sciences
- "National Crop Pest Management System"[URL]
- W. Ding, "Automatic moth detection from trap images for pest management", Computers and Electronics in Agriculture, (123), pp.17~28 (2016)
- "Timely customized pest control with IT pheromone trap" (2013)[URL]
- C. Szegedy, "Going Deeper with Convolutions, IEEE Advancing Technology for Humanity", 1~9 (2015)
- "TensorFlow System"[URL]