KR20200057839A - 작물장해 진단 시스템 및 방법 - Google Patents

Abstract

본 발명은 작물장해를 진단하는 시스템 및 방법에 관한 것으로서, 더욱 상세하게는, 농장의 농업데이터를 기초로 영양장해, 생리장해, 환경장해, 병충해 등 작물장해에 대해 진단하고 조치할 수 있는 작물의 장해 진단 시스템 및 방법에 관한 것이다.
본 발명의 작물장해 진단 시스템은 학습을 통해 다수의 농업 데이터로부터 작물장해와의 인과관계를 나타내도록 구축된 학습 네트워크를 갖는 러닝 네트워크부; 상기 학습 네트워크에 농장과 관련된 상기 다수의 농업 데이터를 입력하여 발생 확률이 높은 작물장해 항목을 추출하는 증상 진단부; 및 상기 다수의 농업데이터 각각의 상기 작물장해 항목에 대한 기여도를 산출하여 주원인 농업데이터를 하나 이상 추출하는 원인 추출부를 포함하며, 본 발명에 의해 데이터 기반의 작물장해 발생 예측, 원인 진단 및 대응이 가능하며, 재배자의 숙련도에 상관없이 또한 저렴한 자동화 서비스로 농장을 각종 작물장해로부터 보호할 수 있다.

Description

작물장해 진단 시스템 및 방법{CROP INJURY DIAGNOSIS SYSTEM AND METHOD}

본 발명은 작물장해를 진단하는 시스템 및 방법에 관한 것으로서, 더욱 상세하게는, 농장의 농업데이터를 기초로 영양장해, 생리장해, 병충해 등 작물장해에 대해 진단하고 조치할 수 있는 작물의 장해 진단 시스템 및 방법에 관한 것이다.

작물장해는 작물의 성장, 결실, 수확에 악영향을 주는 것으로 영양장해, 생리장해, 충해, 병해 등을 총칭한다.

최근 기후 변화의 영향으로 온실 내 고온다습 및 과다한 광량에 의한 스트레스 등의 피해가 점점 늘어나고 있다. 대기 중 유해가스는 기공을 통해 식물체 내로 직접 침입하거나 비 또는 안개와 같은 잎 표면에 부착하여 침적함으로써 식물대사나 광합성을 저해하고 성장을 방해하거나 고사시키게 된다. 최근에는 불산가스로 인한 직접적 급성 피해를 입는 경우 및 강우와 함께 공해 분진물질이 잎에 부착되는 직접피해를 발생시키는 등 환경에 의한 작물피해가 점점 증가하고 있다.

재배자는 경험과 책자, 인터넷 등 다양한 루트를 통해 작물장해에 대한 지식을 습득하고 필사적으로 이에 대비한다. 습득한 전문적인 지식과 전문가의 사례 등을 본인의 농가 작물 상태와 비교함으로써 스스로 판단하고 있다. 그러나 작물장해에 대한 사전 지식과 경험이 부족한 사람들에게는 작물장해에 대한 정확한 진단 및 예방을 하는 것이 쉽지가 않다.

최근에는, 스마트폰 앱을 통해 농가에서 병충해가 의심되는 작물의 사진을 찍어서 업로드하면 전문가가 이에 대한 검토 답변을 제공하는 서비스가 제공되고 있다. 다만, 재배자가 업로드하는 단편적인 사진과 텍스트를 통해 병충해를 판단하기 때문에 잘못된 판정을 내릴 가능성이 있고, 농장의 상황을 정확히 알 수 없기에 그 원인에 대한 분석 및 방제를 위한 대안을 제공하는데 미치지 못하고 있다.

작물장해 진단 및 예방을 위해 재배자는 재배 컨설턴트를 이용하기도 한다. 재배 컨설턴트는 장해 진단 및 방제를 포함하는 포괄적인 재배 정보를 제공하고 있지만, 재배자는 매달 2회 정도의 상담을 받으면서 1회 방문에 수백만원 그리고 연간 수천만원에 이르는 대가를 지불하고 있는 실정이고, 그나마도 컨설팅 비용 부담이 되는 농가의 경우 방제 시기를 놓쳐 작기를 포기해야 하는 경우도 다반사이다. 그만큼 작물장해는 재배자에게 치명적이리만큼 중차대한 문제이다.

한편, 시설원예 및 스마트팜이 확산되면서 농업에 대한 패러다임이 데이터 기반 정밀 농업으로 바뀌고 있다. 즉, 작물 및 재배 환경에 대한 다양한 데이터를 기초로 양액 및 온습도를 제어하고 최고 품질의 작물을 최대로 생산할 수 있는 농업 제어기술이 더욱 발전하고 있다.

ICT 기반의 농업 기술은 다양한 농업 데이터를 제공하고 있기 때문에 농장의 병충해 등 장해에 대한 예방, 원인분석, 방제 등에 대한 효율적인 방법을 제공할 수 있을 것으로 기대되고 있다.

대한민국특허 제1027327호 (2011. 3. 30)

본 발명은 전술한 종래 작물장해 진단 기술의 문제점을 해소하기 위해 안출된 것으로서, 농장 고유의 재배 환경 및 각종 농업 정보를 기초로 작물장해 예측, 원인 진단 및 대응에 관한 자동화된 작물장해 진단 솔루션을 제공하는 것을 목적으로 한다.

상기 목적을 달성하기 위한 본 발명의 작물장해 진단 시스템은 학습을 통해 다수의 농업 데이터로부터 작물장해와의 인과관계를 나타내도록 구축된 학습 네트워크를 갖는 러닝 네트워크부; 상기 학습 네트워크에 농장과 관련된 상기 다수의 농업 데이터를 입력하여 발생 확률이 높은 작물장해 항목을 추출하는 증상 진단부; 및 상기 다수의 농업데이터 각각의 상기 작물장해 항목에 대한 기여도를 산출하여 주원인 농업데이터를 하나 이상 추출하는 원인 추출부를 포함하는 것을 특징으로 한다.

그리고, 상기 주원인 농업데이터의 시계열 데이터를 획득하고, 상기 시계열 데이터의 변화율의 크기 및 시각 데이터, 값의 크기 및 시간 데이터, 미리 결정된 이벤트 및 시간 데이터 중 적어도 하나를 포함하는 특이정보를 추출하는 원인 분석부를 더 포함할 수 있고, 상기 특이정보를 미리 결정된 룰에 적용하여 상기 작물장해 항목에 대한 발생 확률을 검증하고 조치 정보를 제공하는 조치 제공부를 더 포함할 수 있다.

그리고 상기 원인추출부는 상기 주원인 농업데이터 중 하나에 대해 원래의 데이터를 입력하고, 나머지 주원인 농업데이터는 0으로 상기 러닝 네트워크부에 제공한 후 상기 러닝 네트워크가 상기 작물장해 항목이 상기 학습 네트워크에서 일어날 확률을 산출하여 상기 원래의 데이터가 입력된 주원인 농업데이터의 기여도로 결정하는 것으로 할 수 있다.

또한, 상기 목적은 본 발명의 또다른 양태에 따른 작물장해 진단 방법에 있어서, (a) 학습을 통해 다수의 농업 데이터로부터 작물장해 결과와의 인과관계를 나타내도록 학습 네트워크를 구축하는 단계; (b) 상기 학습 네트워크에 농장과 관련 상기 다수의 농업 데이터를 입력하고, 발생 확률이 높은 작물장해 항목을 추출하는 단계; (c) 상기 다수의 농업데이터 각각의 상기 작물장해 항목에 대한 기여도를 산출하는 단계; 및 (d) 상기 기여도에 기초하여 주원인 농업데이터를 하나 이상 추출하는 단계를 포함하는 것을 특징으로 하는 작물장해 진단 방법에 의해 달성될 수 있다.

그리고, 상기 방법은 (e) 상기 주원인 농업데이터의 시계열 데이터를 획득하는 단계; 및 (f) 상기 시계열 데이터의 변화율의 크기 및 시각 데이터, 값의 크기 및 시간 데이터, 미리 결정된 이벤트 및 시간 데이터 중 적어도 하나를 포함하는 특이정보를 추출하는 단계를 더 포함할 수 있고, (g) 상기 특이정보를 미리 결정된 룰에 적용하여 상기 작물장해 항목에 대한 발생 확률을 검증하는 단계; 및 (h) 상기 작물장해 항목 및 상기 특이정보를 기초로 미리 결정된 조치 정보를 제공하는 단계를 더 포함할 수 있다.

특히, 상기 기여도를 산출하는 단계는, (i) 산출 대상이 되는 농업데이터를 제외한 나머지 주원인 농업데이터의 값을 0으로 변경하여 상기 학습 네트워크에 입력하여 상기 작물장해 항목이 발생할 확률을 산출하는 단계; 및 (j) 상기 하나 이상의 주원인 농업데이터 각각에 대해 (i) 단계를 반복하는 단계를 포함하는 것일 수 있다.

본 발명에 의해 데이터 기반의 작물장해 발생 예측, 원인 진단 및 대응이 가능하며, 재배자의 숙련도에 상관없이 또한 저렴한 자동화 서비스로 농장을 각종 작물장해로부터 보호할 수 있다.

도1은 본 발명의 실시예에 따른 작물장해 진단 시스템의 블록 구성도;
도2는 본 발명의 실시예에 따른 작물장해 진단 방법의 흐름도; 및
도3은 본 발명의 실시예에 따른 데이터 처리 절차에 관한 모식도이다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명하도록 한다.

도1은 본 발명의 실시예에 따른 작물장해 진단 시스템의 블록 구성도이다.

도1을 참조하면, 본 발명의 실시예에 따른 작물장해 진단 시스템은 농업데이터 제공부(10), 러닝 네트워크부(20), 증상 진단부(30), 원인 추출부(40), 원인 분석부(50), 조치 제공부(60), 및 사용자 인터페이스(70)를 포함하여 구성된다.

농업데이터 제공부(10)는 작물 재배와 관련한 다양한 농업데이터를 생성하고 제공하기 위한 것으로서, 농장의 재배 환경 데이터를 수집하는 각종 센서모듈, 스마트팜의 각종 제어정보 예컨대, 측창 개폐 여부 및 시간, 양액의 농도 및 양액 제어 알고리즘 정보를 제공하는 통합환경제어기, 농장의 작업에 관한 일체의 정보를 제공하는 작업관리 서버, 대기정보, 풍속 등에 대한 외부 환경정보를 제공하는 통합DB, 전산화된 영농일지, 작물의 생육정보 데이터 취득수단 예컨대 적외선 카메라, 분광센서, 가스 센서 등을 이용하여 포괄적으로 구현할 수 있다.

따라서 농업데이터 제공부(10)는 데이터 수집장치, 데이터 관리장치, 스마트팜 제어장치 등에 의해 구현될 수 있고, 또는 이러한 장치들로부터 데이터를 제공받아 관리하는 데이터베이스 형태로 구현될 수 있다.

러닝 네트워크부(20)는 학습을 통해 다수의 농업 데이터로부터 작물장해와의 인과관계를 나타내도록 구축된 학습 네트워크 및 이를 저장하는 메모리 및/또는 프로세서를 포함하여 구현될 수 있다. 여기에서, 학습 네트워크는 딥러닝 기반의 네트워크로서, MLP(MultiLayer Processing, CNN(Convolution Neural Network), RNN(Recurrent Neural Network) 등 공지의 딥러닝 네트워크로 구현될 수 있고, 향후 개발될 다양한 AI 네트워크를 통해 대체 구현될 수 있지만 어느 유형의 네트워크이든지 특별히 본 발명을 한정하는 것은 아니다.

증상 진단부(30)는 학습 네트워크에 농장과 관련된 다수의 농업 데이터를 입력하여 발생 확률이 높은 작물장해 항목을 추출하기 위한 것으로서, 상기 농업데이터 제공부(10)로부터 입력되는 다수의 농업 데이터를 러닝 네트워크부(20)로 제공하여 작물장해들의 발생 확률을 얻는다.

작물장해에는 전술한 바와 같이 영양장해, 생리장해, 환경장해, 충해, 병해 등이 있다. 예컨대, 토마토의 작물장해로는, N, P, K, Ca, Mg, S, Fe, B, Mn, Zn, Cu, Mo 등의 결핍 및 과다에 의한 영양장해; 순멎이, 이상줄기, 막눈형성, 잎말림 등의 생리장해; 잡초, 기후변화, 토양오염, 수질오염, 유해가스, 대기오염 등의 환경장해; 40여종의 해충 피해로 인한 충해; 및 공기 전염성, 토양전염성, 곤충 전염성의 병해를 들 수 있다.

학습 네트워크를 통해, 증상 진단부(30)는 농장에서 취득한 농업 데이터를 입력으로 농장에서의 작물장해 항목들이 발생할 확률을 추정 또는 발생 가능성이 높은 작물장해 항목을 추출한다.

원인 추출부(40)는 작물장해를 일으키는 원인으로서 다수의 농업데이터 각각의 기여도를 산출하여 주원인 농업데이터를 추출한다. 여기에서, 기여도는 학습 네트워크의 구조에 따라서 가중치를 활용하는 방법을 선택할 수 있지만, 평가 대상이 되는 농업데이터를 제외한 나머지 데이터들을 모두 '0'으로 입력하였을 때 작물장해 항목의 발생확률을 산출함으로써 평가 대상이 되는 농업데이터의 기여도를 산출하는 방식을 취하도록 한다.

원인 분석부(50)는 주원인 농업데이터의 시계열 데이터를 획득하고 이를 분석함으로써 특이정보를 추출한다. 예를 들어, 2주간의 스마트팜의 내부 온도의 추이 정보를 획득하고, 일출 전후의 온도 변화율, 평균 온도 변화율, 고온 또는 저온의 피크값 등이 미리 결정된 기준을 벗어나는 것인지를 판단하여 특이정보로서 이를 활용할 수 있다.

조치 제공부(60)는 룰(rule) 기반 특이정보가 작물장해 항목의 원인이 맞는지 검증하고, 이에 대한 조치 정보를 제공한다. 여기에서 룰은 전문가들이 제공하는 작물장해의 원인을 농업데이터와의 매칭이 가능한 데이터 구조로 구성되어, 작물장해 원인 규명을 검증 수단을 제공한다.

예를 들어, 토마토 잿빛 곰팡이병의 발병 원인은 온도 섭씨 17-24도의 범위에서 기온이 계속되고, 습도가 높을 때 발생하는 것으로 알려져 있으며, 따라서 이를 정량화하여 17-24도 온도 범위 및 70% 이상의 평균습도가 지속되는 시간에 비례하여 발병 확률이 높은 것으로 정량화한 규칙이 제공된다.

토마토 탄저병은 종자 전염하는 대표적인 균으로서, 포자비산에 의하여 공기전염한다. 26도 이상의 고온과 잦은 강우시 발생하고, 질소질 비료를 편용하면 많이 발생하는 것으로, 이에 대해 평균온도 26도, 습도조건 및 배지의 함수량 조건 각각 70% 및 80% 이상이 지속되는 시간에 비례하고, 양액 조성비 및 양액 공급량에 대한 정보를 정량화한 규칙이 적용된다.

농장의 주원인 농업데이터의 특이정보를 각종 작물장해의 룰과 비교함으로써 작물장해 발생확률에 대한 검증을 수행하고, 이에 부합하면 해당 작물장해에 대한 조치를 제공한다. 조치는 해당 주원인 농업데이터의 특이정보를 기초로 정량적인 수치의 관리 방안을 제공하고, 정성적인 작업 방법을 제공한다.

사용자 인터페이스(70)는 사용자에게 작물장해에 대한 발생 확률 등을 제공하고, XAI 타입의 원인 규명 정보를 제공하며, 이에 대한 조치 정보를 제공하여 확인할 수 있는 수단으로서 역할한다.

사용자 인터페이스(70)는 일반적인 디스플레이, 휴대단말기로서 구현될 수 있고, 농업데이터 제공부(10)에 대한 데이터 가공 및 입력 수단으로서 활용될 수도 있다.

도2는 본 발명의 실시예에 따른 작물장해 진단 방법의 흐름도이다.

도2를 참조하여, 도1에 개시된 본 발명의 실시예에 따른 작물장해 진단 시스템의 동작에 대해서 설명하도록 한다.

먼저, 학습을 통해 다수의 농업 데이터로부터 장해 결과와의 인과관계를 나타내도록 학습 네트워크를 구축한다(S100). 러닝 네트워크부(20)는 농업데이터 제공부(10)로부터 입력되는 다수의 농업데이터를 기반으로 MLP, CNN, RNN 등의 딥러닝 네트워크를 이용하여 작물장해를 학습시키거나, 이미 구축된 작물장해에 관련 학습 네트워크를 저장하도록 할 수 있다.

학습 네트워크에 농장과 관련된 다수의 농업 데이터를 입력하고, 발생 확률이 높은 작물장해 항목을 추출한다(S200).

여기에서, 농장과 관련된 다수의 농업 데이터는 학습시 입력된 다수의 농업데이터와 일치하는 것이 바람직하나, 농장에 설치된 센서 및 정보 획득 수단이 일치하지 않을 수 있기 때문에 학습시 입력된 농업데이터보다 데이터는 다소 제한된 종류일 수 있다.

농업 데이터는 스마트팜 조도, 적산 광량, 온도, 습도, CO2 농도, 이미지센서, 적외선 이미지, 양액 조성정보, 양액 공급량, 양액 공급주기, 양액 살균, 양액 EC, pH, 배지 함수량, 줄기 직경, 화방수, 개화수준, 기상정보, 스마트팜 실내 온도 편차, 적과 등 작업정보, 영농일지의 영농계획 및 수행정보, 작업자 정보 등 100 여종의 데이터를 포함하여 구성된다.

일반적인 딥러닝 네트워크는 결과에 대한 확률적 결과를 제공하므로, 농장과 관련된 농업 데이터를 학습 네트워크에 입력하여 발생 확률이 높은 작물장해 항목을 추출할 수 있다.

다음, 발생 확률이 높은 작물장해 항목에 대한 기여도를 다수의 농업데이터 각각의 산출한다(S300).

여기에서 기여도는 작물장해를 일으킨 주요 인자를 확인하기 위한 값으로서, 학습 네트워크의 입력값을 변화시켜 해당 작물장해 항목의 발생 확률의 변화량을 측정하거나, 농업데이터 중 하나 또는 소수만 그대로 두고 나머지 농업데이터를 '0' 으로 입력함으로써 농업데이터의 기여도를 얻을 수 있다.

즉, 산출 대상이 되는 농업데이터를 제외한 나머지 주원인 농업데이터의 값을 '0'으로 변경하여 학습 네트워크에 입력하여 작물장해 항목이 발생할 확률을 산출하고, 주원인 농업데이터 각각에 대해 반복적으로 수행함으로써 농업데이터 각각의 기여도를 얻을 수 있다.

기여도는 1개 작물장해에 대해서 각각의 농업데이터에 기한 발생 확률을 정규화한 확률 값으로 얻어질 수 있다.

이에 따라 기여도에 기초하여 다수의 농업데이터 중 주원인 농업데이터를 하나 이상 추출하게 된다(S400).

추출된 주원인 농업데이터는 100여 가지의 농업데이터 중 예를 들어, 적산광량, 평균온도, 평균습도, 평균CO₂ 농도, 개화수준, 줄기 직경 등의 6가지 항목으로 정해질 수 있다.

주원인 농업데이터에 대해서는 시계열 데이터를 획득하고(S500). 시계열 데이터의 변동율의 크기 및 시각 데이터, 값의 크기 및 시간 데이터, 미리 결정된 이벤트 및 시간 데이터 중 적어도 하나를 포함하는 특이정보를 추출한다(S600).

시계열 데이터는 농업데이터 제공부(10)로부터 원인 분석부(50)로 제공되며, 원인 분석부(50)는 다각적인 측면에서 농업데이터의 특이정보를 추출하게 된다.

예를 들어, 특이정보는 어느 시점의 평균온도 변화율이 미리 결정된 기준보다 큰 경우 시간 정보 및 평균온도 변화율이 특이정보로 채택될 수 있다. 또한, 줄기 직경의 크기 및 변화율이 미리 결정된 기준보다 작은 시점 내지 시간 정보를 확인하여 특이정보로 선택할 수 있다.

이러한 특이정보들을 예시된 6개의 농업데이터 각각에 대해서 추출되고, 6개의 특이정보가 시간적 동시성 또는 시간적 인과성 관계를 기초로 통합된다.

다음, 특이정보를 미리 결정된 룰에 적용하여 작물장해 항목에 대한 발생 확률을 검증하고(S700), 작물장해 항목 및 특이정보를 기초로 미리 결정된 조치 정보를 제공한다(S800)

특이정보는 작물장해별 원인과 관련된 룰과 매칭 비교되어 작물장해 항목에 대한 발생 원인이 맞는지를 검증된다. 다수의 특이정보들이 상호 결합되어 다수의 조합으로 비교될 수 있고, 각각의 조합에 대해서는 ML (Maximum Likelihood) 기준에 의해 확률적으로 가장 높은 시계열적으로 구체적으로 밝혀지는 발병원인을 제공할 수 있다.

조치 제공부(60)는 특이정보의 조합이 룰에 부합하는 것으로 판정되면, 해당 작물장해 항목 및 특이정보를 기초로 미리 결정된 조치 정보를 사용자 인터페이스(70)를 통해 제공한다.

도3은 본 발명의 실시예에 따른 데이터 처리 절차에 관한 모식도이다.

도3을 참조하면, 학습 네트워크를 이용하여 농장과 관련된 100 여종의 농업데이터로부터 주원인 농업데이터 6종이 추출되었다. 전술한 바와 같이, 발생확률이 높은 하나의 작물장해 항목에 대해서 기여도가 높은 농업데이터 6종이 추출된 것이다. 물론, 발생확률이 높은 다른 작물장해 항목에 대해서 동일한 프로세스가 직, 병렬적으로 진행될 수 있다.

주원인 농업데이터로 선정된 6종의 농업데이터는 과거의 기록 혹은 기준이 된 시점(학습 네트워크에 입력된 농업데이터의 취득시점) 이후의 기록까지 포함하는 시계열정보로부터 특이정보가 추출되고, 이들이 조합된다.

조합된 특이정보는 다시 룰이 적용되어 발생 원인을 시간적 측면과 다수의 원인의 상호조합에 의한 것임이 검증된다. 도3에서는, 6종의 주원인 농업데이터로부터 이들의 값의 크기 및 변화량, 변화된 시간 정보의 선후 및 인과성 등의 관련도로부터 탄저병의 룰과 대비하여 검증한 결과 질소질 비료 함량에 대한 부분을 제외한 다른 인자에 대해서는 높은 확률적 원인을 찾아내고 있다. 룰을 모두 만족하고 있지 않고, 기준이 되는 각 항목별 문턱값과의 차이 및 시간을 고려해 확률이 미리 결정된 ML 판정에 의해 부여된다.

이상 본 발명의 실시예를 도면을 참조하였으나, 본 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상을 벗어나지 않는 범위에서 실시예의 일부를 치환하거나 변형하는 것이 가능하다는 것을 이해할 수 있을 것이다.

예를 들어, 도1에 개시된 각 구성요소는 소프트웨어, 메모리, 프로세서의 조합으로 수행될 수 있음을 이해할 수 있을 것이다. 각각의 구성요소는 메모리 및 프로세서를 공유하고, 소프트웨어만 달리 사용할 수 있으므로 소프트웨어 및 이를 저장하는 메모리로 정의할 수도 있다. 이러한 데이터 처리에 관한 프로세싱 단위의 구성요소는 다양한 시스템으로 통합 및 개별 구성이 가능한 것을 이해할 수 있을 것이다.

따라서 본 발명의 보호범위는 특허청구범위에 기재된 발명 및 그 균등물에 미치는 것으로 이해되어야 할 것이다.

Claims (8)

1. 작물장해 진단 시스템에 있어서,
   학습을 통해 다수의 농업 데이터로부터 작물장해와의 인과관계를 나타내도록 구축된 학습 네트워크를 갖는 러닝 네트워크부;
   상기 학습 네트워크에 농장과 관련된 상기 다수의 농업 데이터를 입력하여 발생 확률이 높은 작물장해 항목을 추출하는 증상 진단부; 및
   상기 다수의 농업데이터 각각의 상기 작물장해 항목에 대한 기여도를 산출하여 주원인 농업데이터를 하나 이상 추출하는 원인 추출부를 포함하는 것을 특징으로 하는 작물장해 진단 시스템.
   
2. 제1항에 있어서,
   상기 주원인 농업데이터의 시계열 데이터를 획득하고, 상기 시계열 데이터의 변화율의 크기 및 시각 데이터, 값의 크기 및 시간 데이터, 미리 결정된 이벤트 및 시간 데이터 중 적어도 하나를 포함하는 특이정보를 추출하는 원인 분석부를 포함하는 것을 특징으로 하는 작물장해 진단 시스템.
   
3. 제2항에 있어서,
   상기 특이정보를 미리 결정된 룰에 적용하여 상기 작물장해 항목에 대한 발생 확률을 검증하고 조치 정보를 제공하는 조치 제공부를 포함하는 것을 특징으로 하는 작물장해 진단 시스템.
   
4. 제1항 내지 제3항 중 어느 한 항에 있어서,
   상기 원인추출부는 상기 주원인 농업데이터 중 하나에 대해 원래의 데이터를 입력하고, 나머지 주원인 농업데이터는 0으로 상기 러닝 네트워크부에 제공한 후 상기 러닝 네트워크가 상기 작물장해 항목이 상기 학습 네트워크에서 일어날 확률을 산출하여 상기 원래의 데이터가 입력된 주원인 농업데이터의 기여도로 결정하는 것을 특징으로 하는 작물장해 진단 시스템.
   
5. 작물장해 진단 방법에 있어서,
   (a) 학습을 통해 다수의 농업 데이터로부터 작물장해 결과와의 인과관계를 나타내도록 학습 네트워크를 구축하는 단계;
   (b) 상기 학습 네트워크에 농장과 관련 상기 다수의 농업 데이터를 입력하고, 발생 확률이 높은 작물장해 항목을 추출하는 단계;
   (c) 상기 다수의 농업데이터 각각의 상기 작물장해 항목에 대한 기여도를 산출하는 단계; 및
   (d) 상기 기여도에 기초하여 주원인 농업데이터를 하나 이상 추출하는 단계를 포함하는 것을 특징으로 하는 작물장해 진단 방법.
   
6. 제5항에 있어서,
   (e) 상기 주원인 농업데이터의 시계열 데이터를 획득하는 단계; 및
   (f) 상기 시계열 데이터의 변화율의 크기 및 시각 데이터, 값의 크기 및 시간 데이터, 미리 결정된 이벤트 및 시간 데이터 중 적어도 하나를 포함하는 특이정보를 추출하는 단계를 더 포함하는 것을 특징으로 하는 작물장해 진단 방법.
   
7. 제6항에 있어서,
   (g) 상기 특이정보를 미리 결정된 룰에 적용하여 상기 작물장해 항목에 대한 발생 확률을 검증하는 단계; 및
   (h) 상기 작물장해 항목 및 상기 특이정보를 기초로 미리 결정된 조치 정보를 제공하는 단계를 더 포함하는 것을 특징으로 하는 작물장해 진단 방법.
   
8. 제5항 내지 제7항 중 하나에 있어서,
   상기 기여도를 산출하는 단계는,
   (i) 산출 대상이 되는 농업데이터를 제외한 나머지 주원인 농업데이터의 값을 0으로 변경하여 상기 학습 네트워크에 입력하여 상기 작물장해 항목이 발생할 확률을 산출하는 단계; 및
   (j) 상기 하나 이상의 주원인 농업데이터 각각에 대해 (i) 단계를 반복하는 단계를 포함하는 것을 특징으로 하는 작물장해 진단 방법.
   
   

Images