.svg)
AI 솔루션 문의하기
수확 로봇이나 정밀 방제 장비에 쓰이는 작물탐지는 넓은 농지를 살피는 항공 촬영이나 농민이 찍어 올리는 병해충 사진과는 다른 성격의 데이터를 요구합니다. 로봇이 실제로 팔을 뻗어 열매를 따내야 하는 만큼, 어느 위치에 무엇이 있는지를 근접 거리에서 정밀하게 확인하는 자료가 필요합니다. 로봇의 실제 작업으로 이어지는 근접 관찰이라는 목적을 고려하면, 넓은 범위를 살피는 항공 데이터나 진단용 사진과는 다른 근접 촬영 자료를 별도로 구성해야 합니다.
단순히 열매가 있다는 사실만 확인해서는 로봇이 언제 수확해야 할지를 판단할 수 없습니다. 색깔과 크기, 표면 질감의 변화를 함께 살펴 익은 정도를 여러 단계로 나누어 라벨링해야, 아직 덜 익은 열매를 건드리지 않고 수확 시기에 이른 열매만 골라내는 판단이 가능해집니다. 열매의 존재 여부를 넘어 숙성 단계를 함께 라벨링하는 작업이, 수확 시기를 판단해야 하는 로봇에게 필요한 핵심 정보가 됩니다.
작물은 잎이나 줄기에 가려 한쪽 각도에서는 전혀 보이지 않는 경우가 흔하며, 하나의 각도에서 촬영한 자료만으로 학습하면 로봇은 가려진 열매를 놓치고 지나가게 됩니다. 여러 각도에서 촬영한 자료를 함께 확보해야, 어느 한 각도에서 가려진 열매도 다른 각도의 정보를 통해 위치를 짐작할 수 있는 근거가 마련됩니다. 여러 각도에서 촬영한 자료를 함께 학습에 반영해야, 잎에 가려 한 방향에서는 보이지 않는 열매도 놓치지 않을 가능성이 커집니다.
사람이 눈으로 확인하는 수준의 대략적인 위치 정보로는 로봇팔이 실제로 열매를 붙잡을 수 없습니다. 평면 영상에서의 위치뿐 아니라 카메라로부터의 거리까지 포함한 입체적인 위치 정보가 라벨링 단계에서부터 함께 기록되어야 합니다. 평면상의 위치를 넘어 거리 정보까지 포함한 입체적인 위치 라벨링이, 로봇팔의 실제 조작으로 이어지는 정밀도를 만들어냅니다.
같은 나무나 줄기에는 꽃과 갓 맺힌 어린 열매, 이미 익은 열매가 동시에 달려 있는 경우가 많으며, 이 셋을 구분하지 못하면 로봇이 아직 열매가 되지 않은 꽃을 잘못 건드리는 오류로 이어질 수 있습니다. 꽃과 어린 열매, 익은 열매를 서로 다른 대상으로 명확히 구분해 라벨링해야 아직 수확 대상이 아닌 부분을 로봇이 잘못 건드리는 상황을 줄일 수 있습니다.
같은 종류의 작물이라도 품종에 따라 색깔이나 형태가 다르게 나타나는 경우가 있으며, 특정 품종만으로 학습된 모델은 다른 품종의 농장에 적용했을 때 정확도가 떨어질 수 있습니다. 여러 품종의 자료를 고르게 확보하면 특정 품종에만 익숙한 편향된 탐지 모델이 되는 상황을 피할 수 있습니다.
작물은 파종부터 수확까지 시간이 지나며 외형이 계속 달라지므로, 특정 시기에 촬영한 자료만으로는 재배 기간 전체를 아우르는 탐지 능력을 갖추기 어렵습니다. 생육 초기부터 수확기까지 여러 시점의 자료를 지속적으로 확보해야 재배 기간 전체에 걸쳐 안정적인 탐지가 가능합니다. 생육 초기부터 수확기까지 이어지는 여러 시점의 자료를 꾸준히 확보하는 작업이, 시간에 따라 계속 달라지는 작물의 외형 변화를 따라잡는 방법이 됩니다.
스마트팜 작물탐지 데이터는 로봇의 실제 작업으로 이어지는 근접 관찰이라는 목적에 맞추어 숙성 단계 판별과 입체적인 위치 정보, 가림 상황에 대한 다각도 촬영까지 함께 갖추어야 완결됩니다. 꽃과 열매의 구분, 품종별 다양성, 생육 단계에 따른 지속적인 자료 보완이 함께 이루어질 때 이 데이터는 특정 시점의 특정 품종에만 통하는 좁은 데이터뿐만 아니라 다양한 재배 환경에서 활용할 수 있는 기반으로 자리를 잡아갑니다.
.svg)
.svg)
