'전체 글'에 해당되는 글 25건

2023년부터 개발해온 임도설계프로그램이 드디어 2025년 8월말에 출시될 예정입니다.
설계사의 피드백을 받아서 일부 수정중에 있으며 상품화를 거쳐 판매예정입니다.

간단한 임도설계과정을 설명하는 영상을 첨부합니다.
설계과정은
- Unity3D 프로그램을 통한 속성 가설계 과정
- Unity3D로부터 출력한 임도야장 데이터를 기반으로 CAD상에서 상세설계
- 종횡단도 출력 / 물량산출 / 보고서 출력
등의 기능을 제공합니다.

내부적으로 진행되고있는 업그레이드 작업은
- 임도망도를 이용한 자동화 설계
- 강화학습을 통한 설계자동화
입니다. 업그레이드 버전은 FROAD 먼저 출시후 버전업 배포시 제공예정입니다.

현재 개발중인 말벌디펜더에 대한 간략한 소개영상을 제작해보았습니다.
Yolo 기반의 AI 객체검출과 말벌기피제를 결합한 모델로 

- 농가 수익성 향상
- 말벌로 인한 꿀벌 피해 최소화

하는 목적을 우선으로 하는 재미있는 제품입니다. 아비요는 재미있는 일만 찾아 개발하고 제작하고 싶습니다.
농진청 국립농업과학원과 제품의 안정성및 다양한기피제의 적용등 테스트를 마친후 내년 상반기에 국내향 먼저 출시후 하반기 수출예정입니다. 개발중인 제품으로 일정과 기능은 추후 업데이트하겠습니다 ~.^

자사는 LLM으로 AI에 접근하여 call center를 대체하고 농가에 고품질의 영농정보를 제공하는 것에 주목하고 시스템을 구성해왔습니다. 그래서 Markup Language 기반의 text llm을 구축하여 서비스를 지원하였고 Multi-modal llm으로 발전해오고있습니다. LLM에서도 입력자료가 중요한 역할을 하고있습니다. LLM 에서 우리는 강화학습으로 확대하여 스마트벌통, 온실정보, 식물생장 데이터를 카테고리별 과 혼합형의 시나리오를 기반으로 강화학습을 통해 유의마한 결과를 얻을수 있었습니다. 강화학습을 통해 얻은 스마트팜 운영정보를 농가에 LLM을 통해 Multi-Modal로 지원하면 농가가 스마트팜 데이터에 쉽게 접근할수있도록 높은 벽을 낮추고 개별 조건에 맞는 방안을 제시하여 생산성을 높일수 있는 진정한 농가를 위한 서비스로 거듭날수 있을것입니다.

아래는 강화학습을 통한 AI 스마트팜에 대한 구현 절차 및 고려해야할 사항입니다.

구현 절차 및 고려사항

1. 초기 데이터 수집 및 환경 시뮬레이터 구축: 기존 농업 데이터, 기후 데이터를 활용하여 기본적인 환경 모델을 구축합니다. 이는 강화 학습 에이전트의 초기 훈련에 필수적입니다.
2. 강화 학습 에이전트 초기 훈련: 구축된 시뮬레이터 환경에서 에이전트를 훈련시킵니다. 이 단계에서는 다양한 정책을 탐색하며 보상을 최대화하는 방법을 학습합니다.
3. 실제 농장 적용 및 데이터 수집: 시뮬레이터에서 충분히 훈련된 에이전트를 실제 스마트 농장에 적용합니다. 실제 농장에서의 에이전트의 행동과 그 결과 (생산량, 자원 사용량 등)를 지속적으로 수집합니다.
4. 환경 모델 및 에이전트 개선: 실제 농장에서 얻은 데이터를 활용하여 환경 모델을 더욱 정교하게 만들고, 에이전트를 재훈련하여 성능을 지속적으로 개선합니다 (Transfer Learning 또는 Continual Learning).
5. 불확실성 및 외부 요인 반영: 기후 변동성, 병해충 돌발 발생 등 예측 불가능한 요인에 대한 강건성을 확보하기 위해 불확실성을 모델링하거나, 에이전트가 이러한 상황에 유연하게 대처할 수 있도록 설계해야 합니다.
6. 설명 가능성 (Explainability): 강화 학습 모델이 왜 특정 행동을 취했는지 설명할 수 있도록 해석 가능한 모델 (XAI)을 도입하는 것을 고려해야 합니다. 이는 농부들이 모델의 결정을 신뢰하고 받아들이는 데 도움이 됩니다.

마지막 포스트입니다. 인공지능 기술을 스마트팜에 적용하는 부분에서 가장 쉽게 생각하는 부분이 데이터 수집과 전처리에 대한 내용입니다. 하지만 오히려 가장 중요한 내용이며 의미없는 데이터의 수집과 사용은 무의미한 결론에 도달하게 됩니다.

강화 학습 에이전트의 훈련 및 환경 모델링을 위해 고품질의 데이터가 필수적입니다.

• 다양한 센서 데이터:
  • 기상 센서: 온도, 습도, 일사량, 강수량, 풍속 센서.
  • 토양 센서: 토양 수분, 토양 온도, 토양 영양분 (EC, pH) 센서.
  • 식물 센서: 엽록소 측정기, 줄기 직경 변화 센서, 잎 온도 센서, 근적외선 (NIR) 카메라 등을 활용한 생장 지표 데이터.
• 이미지 데이터: 드론 또는 고정 카메라를 이용한 정기적인 작물 이미지 촬영을 통해 잎 면적, 병해충 감지, 생육 단계 판별 등의 정보를 얻습니다. 컴퓨터 비전 기술을 활용하여 이미지에서 유의미한 특징을 추출합니다.
• 농업 활동 로그: 실제 농부의 관수량, 비료 투입량, 병해충 방제 기록 등 관리 활동 데이터를 기록합니다. 이는 환경 모델 학습 및 초기 에이전트 행동 탐색에 유용합니다.
• 데이터 전처리:
  • 결측치 처리: 센서 오류 등으로 인한 결측치 보간.
  • 이상치 제거: 오작동 센서 데이터 등 이상치 제거.
  • 정규화/표준화: 다양한 단위의 데이터를 강화 학습 모델에 적합하게 스케일링.
  • 시계열 데이터 처리: LSTM, GRU 등 시계열 예측 모델을 활용하여 미래 기후 및 생장 예측에 활용.