표제지
목차
I. 서론 10
1.1. 연구의 배경 10
1.2. 연구의 목적 12
II. 관련 연구 16
2.1. 스마트 팜 16
2.2. 인공지능(Artificial Intelligence) 20
2.2.1. DNN(Deep Neural Network) 22
2.2.2. CNN(Convolutional Neural Network) 25
2.3. 딥 러닝(Deep Learning) 파라메터의 초기화 함수 27
2.4. 활성화 함수(Activation Functions) 29
2.4.1. 시그모이드(Sigmoid) 29
2.4.2. 하이퍼볼릭 탄젠트(Hyperbolic Tangemt) 30
2.4.3. ReLU(Rectified Linear Unit) 31
2.4.4. ELU(Exponential Linear Unit) 31
2.5. 객체 탐지 및 분류 32
2.5.1. YOLO(You Only Look Once) 32
2.5.2. Faster R-CNN 32
2.5.3. Softmax 33
2.6. 수확량 예측 33
III. 인공지능 기반 수확량 예측 시스템(AIYPS) 설계 35
3.1. 농장환경 관리 모듈 설계 37
3.2. 농작물 질병 진단 모듈 설계 45
3.3. 농장환경 기반 수확량 예측 모듈 설계 51
3.4. 수확물 이상 감지 모듈 설계 54
IV. 성능분석 66
4.1. 농장환경 관리 모듈의 효율성 검증 67
4.2. 농작물 질병 진단 모듈의 효율성 검증 68
4.3. 수확량 예측 모듈의 효율성 검증 70
4.4. 수확물 이상 감지 모듈의 효율성 검증 71
V. 결론 73
참고문헌 75
ABSTRACT 81
부록 83
〈부록 1〉 농장환경 관리 모듈, RF와 GBT의 정확도에 대한 실험 결과 83
〈부록 2〉 R-CNN, YOLO 및 농작물 질병 진단 모듈의 정확도에 대한 실험 결과 83
〈부록 3〉 R-CNN, YOLO 및 농작물 질병 진단 모듈의 연산 시간에 대한 실험 결과 84
〈부록 4〉 활성화 함수에 따른 수확량 예측 모듈의 정확도 실험 결과 85
〈부록 5〉 작물별 예측 수확량 실험 결과 86
〈표 3-1〉 수확량 예측 모듈의 입력 51
〈표 3-2〉 넬슨 규칙의 8가지 규칙 56
〈표 4-1〉 Confusion Matrix의 Accuracy 계산법 67
[그림 1-1] 세계 스마트 팜의 효용성 11
[그림 2-1] 일반 신경망과 DNN의 차이 22
[그림 2-2] CNN의 기본 구성 25
[그림 2-3] Activation Functions 29
[그림 2-4] 시그모이드 파형 30
[그림 2-5] 하이퍼볼릭 탄젠트 파형 30
[그림 2-6] ReLU 파형 31
[그림 3-1] 수확량 예측 및 환경변화 탐지 시스템의 구성 36
[그림 3-2] 농장환경 관리 모듈의 신경망 모델 44
[그림 3-3] Convolution과정과 max pooling과정 46
[그림 3-4] Convolutional Feature map을 신경망 모델로 계산하는 과정 47
[그림 3-5] 넬슨 규칙이 적용된 그래프 55
[그림 3-6] 농장주 정보 57
[그림 3-7] 경작지(하우스) 정보 58
[그림 3-8] 설치된 센서와 설비의 정보 59
[그림 3-9] 재배 작물의 종류별 정보 59
[그림 3-10] 스마트 팜 운영 Mobile App. 60
[그림 4-1] 농장환경 관리 모듈, RF와 GBT의 정확도 67
[그림 4-2] R-CNN, YOLO 및 농작물 질병 진단 모듈의 정확도 69
[그림 4-3] R-CNN, YOLO 및 농작물 질병 진단 모듈의 연산 시간 69
[그림 4-4] 활성화 함수에 따른 수확량 예측 모듈의 정확도 70
[그림 4-5] 작물별 예측 수확량 71
[알고리즘 3-1] 신경망 모델의 학습과 사용 40
[알고리즘 3-2] Cost Function 48
[알고리즘 3-3] 넬슨 규칙 1 62
[알고리즘 3-4] 넬슨 규칙 2 62
[알고리즘 3-5] 넬슨 규칙 3 63
[알고리즘 3-6] 넬슨 규칙 4 64
[알고리즘 3-7] 넬슨 규칙 8 65
(식 2-1) 시그모이드 수식 29
(식 2-2) 시그모이드 미분식 29
(식 2-3) 시그모이드 함수와 관계식 30
(식 2-4) 하이퍼볼릭 탄젠트 미분식 30
(식 2-5) ReLU 관계식 31
(식 2-6) Reaky ReLU 관계식 31
(식 2-7) ELU 관계식 32
(식 2-8) Softmax 함수식 33
(식 3-1) 농장환경 관리 신경망 모델의 입력 42
(식 3-2) 농장환경 관리 신경망 모델의 출력 42
(식 3-3) 농장환경 관리 신경망 모델의 연결 강도 42
(식 3-4) 농장환경 관리 신경망 모델의 은닉층 42
(식 3-5) 농장환경 관리 신경망 모델의 초기 Weight 값 42
(식 3-6) 각 노드의 결과를 계산하는 방법 42
(식 3-7) 손실함수를 이용한 출력층의 오차신호 계산 방법 43
(식 3-8) 손실함수를 이용한 은닉층의 오차신호 계산 방법 43
(식 3-9) 손실함수를 이용한 입력층의 오차신호 계산 방법 43
(식 3-10) 농장환경 관리 신경망 모델의 출력 노드 Weight 수정 43
(식 3-11) 농장환경 관리 신경망 모델의 은닉층 노드 Weight 수정 43
(식 3-12) 농장환경 관리 신경망 모델의 입력 노드 Weight 수정 43
(식 3-13) Softmax 손실 함수 48
(식 3-14) 수확량 예측 모듈의 입력 노드 51
(식 3-15) 수확량 예측 모듈의 은닉층 노드 52
(식 3-16) 수확량 예측 모듈의 연결 강도 52
(식 3-17) 수확량 예측 모듈의 손실함수인 평균 제곱 오차 함수 53
(식 3-18) 출력 노드의 오차 신호 53
(식 3-19) 마지막 히든 레이어의 오차 신호 53
(식 3-20) 1~4 번째 히든 레이어의 오차 신호 53
(식 4-1) Accuracy 계산법 67
[사진 3-1] 제어모듈과 센싱 모듈 38
[사진 3-2] DB 서버 모듈 38
[사진 3-3] 하우스에 설치된 센싱모듈과 설비제어 모듈 38
[사진 3-4] 하우스에 설치된 단독 설비제어 모듈 39