[논문 리뷰] sCrop: A Internet-of-Agro-Things (IoAT) Enabled Solar Powered Smart Device for Automatic Plant Disease Prediction

U. Venkanna, Saraju P. Mohanty외 2명|arXiv (Cornell University)|2020. 05. 09.

Smart Agriculture and AI참고 문헌 44인용 수 6

한 줄 요약

이 논문은 태양광으로 구동되는 임베디드 센서 노드와 카메라, ESP8266 마이크로컨트롤러를 탑재한 인터넷 오브 애그로-식물(LoAT) 시스템인 sCrop을 제안한다. 이 시스템은 컨volutional 신경망(CNN)을 통해 실시간으로 자동으로 식물 병해를 예측할 수 있도록 한다. 시스템은 2개월간의 현장 배치에서 실생활 조건에서 99.2%의 테스트 정확도를 기록하며 뛰어난 에너지 효율성과 견고한 성능을 입증하였다.

ABSTRACT

Internet-of-Things (IoT) is omnipresent, ranging from home solutions to turning wheels for the fourth industrial revolution. This article presents the novel concept of Internet-of-Agro-Things (IoAT) with an example of automated plant disease prediction. It consists of solar enabled sensor nodes which help in continuous sensing and automating agriculture. The existing solutions have implemented a battery powered sensor node. On the contrary, the proposed system has adopted the use of an energy efficient way of powering using solar energy. It is observed that around 80% of the crops are attacked with microbial diseases in traditional agriculture. To prevent this, a health maintenance system is integrated with the sensor node, which captures the image of the crop and performs an analysis with the trained Convolutional Neural Network (CNN) model. The deployment of the proposed system is demonstrated in a real-time environment using a microcontroller, solar sensor nodes with a camera module, and an mobile application for the farmers visualization of the farms. The deployed prototype was deployed for two months and has achieved a robust performance by sustaining in varied weather conditions and continued to remain rust-free. The proposed deep learning framework for plant disease prediction has achieved an accuracy of 99.2% testing accuracy.

연구 동기 및 목표

• 기존 농업에서 미생물 병해로 인한 높은 작물 손실(최대 80%) 문제를 해결하기 위해 조기 자동 감지를 가능하게 하기 위해.
• 배터리 의존도를 제거하고 원격 농업 환경에서 지속적인 모니터링을 지원하기 위해 에너지 효율적인 태양광 구동 센서 노드를 개발하기 위해.
• 실시간 데이터 수집(토양 수분, 작물 이미지)과 클라우드 기반 병해 예측을 통합하여 농가에게 실질적인 인사이트를 제공하기 위해.
• 저비용, 확장 가능하고 견고한 IoT 기반 솔루션을 통해 정밀 농업의 운영 비용 절감과 지속 가능성 향상하기 위해.
• 모바일 애플리케이션과 클라우드 분석을 통해 농가의 의사결정을 지원하고 식물 건강 상태에 대한 즉각적인 경고를 제공하기 위해.

제안 방법

• 시스템은 Wi-Fi 연결을 위한 추가 하드웨어 없이도 클라우드와의 연결을 가능하게 하는 태양광 구동 NodeMCU(ESP8266) 마이크로컨트롤러를 중심 처리 장치로 사용한다.
• 통합 센서로는 온도와 습도를 측정하는 DHT11, 자체 개발한 녹슬지 않는 토양 수분 센서, 잎 이미지를 촬영하기 위한 OV7670 카메라 모듈이 포함되어 있다.
• 이미지 데이터는 저장 및 처리를 위해 ThingSpeak 클라우드 플랫폼으로 전송되며, 여기서 사전 훈련된 CNN 모델이 자동으로 병해 유형을 분류한다.
• CNN 모델은 38종의 다른 작물 병해를 나타내는 총 54,306장의 이미지로 구성된 데이터셋을 기반으로 훈련되어 종단 간 자동 병해 예측이 가능하다.
• 모바일 애플리케이션은 실시간 센서 데이터와 병해 예측 결과를 시각화하여 농가가 현장 조건을 모니터링하고 예방 조치를 취할 수 있도록 한다.
• 낮은 일조량 조건에서도 지속적인 운영을 보장하기 위해 백업 배터리가 포함되어 있어 기상 변화에 대한 신뢰성을 향상시킨다.

실험 결과

연구 질문

• RQ1 태양광 구동, 저비용 센서 노드가 실생활 농업 환경에서 식물 건강 상태와 환경 파ameters를 신뢰성 있게 지속적으로 모니터링할 수 있는가?
• RQ2 현장에서 촬영한 잎 이미지로부터 CNN 기반의 이미지 분류 모델이 얼마나 정확하게 식물 병해를 탐지할 수 있는가?
• RQ3 태양 에너지와 Wi-Fi 기능을 탑재한 마이크로컨트롤러의 통합이 IoT 기반 농업 시스템의 에너지 효율성과 구현 가능성에 어떤 영향을 미치는가?
• RQ4 맞춤형으로 설계된 녹슬지 않는 토양 수분 센서가 실외 환경에서의 시스템 수명과 데이터 정확도에 어떤 영향을 미치는가?
• RQ5 모바일 애플리케이션 인터페이스는 농가가 실시간 병해 예측 결과를 이해하고 조치를 취하는 데 얼마나 효과적인가?

주요 결과

• 제안된 sCrop 시스템은 54,306장의 다양한 잎 이미지로 훈련된 깊이 신경망(CNN) 모델을 활용해 병해 유형을 99.2%의 테스트 정확도로 분류하였다.
• 태양광 구동 센서 노드는 실생활 기상 조건에서 2개월간 견고하고 지속적인 운영을 수행하였으며, 녹슬지 않고 기능을 유지하였다.
• 내장된 Wi-Fi 기능을 가진 ESP8266 마이크로컨트롤러의 통합은 추가 통신 하드웨어가 필요 없게 하여 시스템 비용과 복잡성을 감소시켰다.
• 자체 개발한 토양 수분 센서는 내구성이 뛰어나 부식에 강하여 실외 배치에서 기존 센서보다 뛰어난 성능을 보였다.
• 모바일 애플리케이션은 센서 데이터와 병해 예측 결과를 실시간으로 시각화하여 농가의 즉각적인 대응을 지원하였다.
• 에너지 효율성, 비용, 정확도 측면에서 기존 솔루션보다 뚜렷이 뛰어나며, 프로토타입 비용이 낮고 현장 조건에서도 높은 신뢰성을 확보하였다.