.svg)
AI 솔루션 문의하기
농업 현장에 자율주행과 로봇 기술이 적용되면서 작물의 상태를 카메라로 확인하고 필요한 작업을 수행하는 시스템이 개발되고 있습니다. 수확 시기가 된 작물을 찾아내거나 잡초를 구분하고, 병해가 의심되는 잎을 찾아내는 과정에서 카메라에 포착된 농작물과 주변 환경을 AI가 구별할 수 있는 학습데이터가 필요합니다. 농업용 로봇은 공장처럼 일정한 공간에서 움직이는 것이 아니라 토양 상태와 작물의 생육 정도, 햇빛, 날씨 등에 따라 촬영 환경이 크게 달라집니다. 따라서 특정 조건에서 촬영한 이미지에만 의존하기보다 실제 재배환경에서 나타나는 다양한 장면을 수집하는 방식이 요구됩니다.
같은 작물이라도 씨앗에서 발아한 시기와 생장기, 개화기, 수확기에 따라 화면에 나타나는 모습이 달라집니다. 잎의 크기와 색, 줄기의 형태, 열매의 위치가 계속 변하기 때문입니다. 작물의 종류뿐 아니라 생육단계에 따른 외형 변화를 데이터에 포함하는 것이 중요합니다. 특히 로봇이 특정 시기의 작물만 대상으로 움직인다면 다른 생육단계에서는 인식 결과가 달라질 수 있습니다. 한 작물 안에서도 크기가 서로 다른 개체와 잎이 겹쳐 있는 상태 등을 함께 수집하면 실제 농경지에서 마주치는 장면을 보다 폭넓게 구성할 수 있습니다.
작물의 상태와 촬영환경을 함께 기록해야 동일한 대상이 서로 다른 조건에서 어떻게 보이는지 데이터에서 확인할 수 있습니다.
농업 로봇이 수확 작업에 활용되는 경우에는 화면에 보이는 모든 열매를 대상으로 처리해서는 안 됩니다. 아직 충분히 자라지 않은 열매나 수확을 마친 자리, 잎 뒤에 일부만 보이는 열매 등이 함께 나타날 수 있기 때문입니다. 수확 가능한 대상과 아직 수확 시기가 아닌 대상을 구분할 수 있도록 데이터 범위를 세분화하는 작업이 필요합니다. 색상만으로 숙도를 판단하기 어려운 작물도 있어 크기와 형태, 표면 상태 등 여러 특징을 함께 살펴야 합니다. 로봇의 집게나 수확 장치가 접근할 수 있는 위치인지 여부까지 고려한다면 단순한 객체 검출보다 실제 작업에 가까운 데이터 구성이 가능합니다.
제초 작업을 수행하는 농업 로봇에서는 잡초를 찾아내는 능력이 중요합니다. 하지만 실제 밭에서는 잡초와 작물이 가까이 붙어 자라거나 잎의 모양이 비슷한 경우가 있습니다. 작물과 잡초가 단독으로 존재하는 장면뿐 아니라 서로 겹치거나 가까이 붙어 있는 상황도 데이터에 포함해야 실제 작업환경에서 나타나는 구분 문제를 반영할 수 있습니다. 초기 생육단계처럼 작물의 형태가 충분히 드러나지 않는 시기의 영상도 함께 수집하면 특정 크기나 모양에만 의존하는 학습을 피하는 데 도움이 됩니다.
농업용 비전 AI는 작물의 위치를 찾는 것뿐 아니라 잎의 변색이나 열매의 손상처럼 상태 변화를 확인하는 데에도 활용될 수 있습니다. 이때 정상적인 생육 과정에서 나타나는 자연스러운 색상 변화와 실제 이상 상태를 구분할 수 있는 데이터가 필요합니다. 햇빛에 노출된 부분과 그늘진 부분은 같은 잎이라도 색이 다르게 보일 수 있으며 흙이나 물방울이 묻은 경우에도 표면이 달라 보입니다. 따라서 이상 상태만 모으기보다 정상 작물의 다양한 모습을 충분히 함께 수집해야 AI가 단순한 색상 차이를 이상 징후로 오인하는 문제를 줄일 수 있습니다.
농경지는 같은 작물을 재배하더라도 토양의 색과 상태, 이랑의 형태, 재배 간격 등에 따라 화면이 달라집니다. 로봇이 이동하는 과정에서는 흙이 튀거나 카메라에 먼지가 묻어 영상 품질이 변할 수도 있습니다. 작물 자체뿐 아니라 로봇의 이동면과 주변 토양이 화면에 어떻게 나타나는지도 데이터 수집 조건에 포함할 필요가 있습니다.노지와 시설재배 환경 역시 조명과 배경이 크게 다르기 때문에 동일한 기준으로 묶기보다 재배환경별 특성을 구분해 관리하는 편이 적합합니다.
농업 로봇은 한곳에 멈춰 사진을 촬영하는 방식보다 밭 사이를 이동하면서 연속적으로 영상을 수집하는 경우가 많습니다. 이때 작물이 가까워졌다가 멀어지고, 로봇의 진행 방향에 따라 동일한 개체가 다른 각도로 나타납니다. 정면에서 또렷하게 촬영된 이미지뿐 아니라 이동 과정에서 발생하는 부분 가림과 기울어진 시점도 데이터에 포함해야 실제 로봇의 시야를 반영할 수 있습니다. 동일한 작물이 연속 프레임에 반복적으로 등장하는 경우에는 중복 데이터를 어떻게 선별할지도 함께 정해야 합니다.
농업 로봇의 촬영환경은 시간과 날씨에 따라 크게 달라집니다. 강한 햇빛에서는 잎이나 열매의 일부가 지나치게 밝게 나타날 수 있고, 흐린 날에는 전체적인 색상이 달라질 수 있습니다. 비가 내린 뒤에는 잎 표면에 물방울이 남거나 토양의 색이 변하기도 합니다. 맑은 날의 선명한 이미지에만 편중되지 않고 실제 로봇이 운용되는 다양한 환경의 영상을 수집하는 것이 데이터 활용성을 높이는 데 도움이 됩니다. 다만 촬영환경의 차이를 무작정 섞기보다 시간대와 기상조건을 함께 기록해 나중에 데이터 구성을 확인할 수 있도록 관리해야 합니다.
농업 로봇 비전 AI 학습데이터는 이미지가 선명한지만 확인해서 끝내기 어렵습니다. 작물과 잡초가 정확하게 구분됐는지, 수확 대상의 상태가 실제 농작업 기준과 맞는지, 가려진 객체에 대한 라벨 기준이 일관적인지 함께 살펴야 합니다. 특히 농업 데이터는 계절과 재배지역에 따라 같은 작물의 모습이 달라질 수 있어 특정 농장의 영상만으로 전체 환경을 대표하기 어렵습니다. 서로 다른 재배조건에서 수집된 데이터를 비교하고, 라벨러가 판단하기 어려운 사례를 별도 검토 대상으로 관리하면 데이터 품질을 유지하는 데 도움이 됩니다.
농업 로봇을 위한 비전 AI 학습데이터는 단순히 농작물 사진을 많이 모으는 방식으로 구성하기 어렵습니다. 작물의 생육단계와 상태, 주변 토양, 로봇의 이동 시점, 촬영각도, 날씨와 일조조건까지 함께 고려해야 실제 농작업에서 나타나는 장면을 데이터에 담을 수 있습니다. 특히 계절에 따라 재배환경과 작물의 모습이 달라지는 만큼 한 시기에 수집한 데이터만 반복해서 사용하는 것보다 작업 목적에 맞는 조건을 나눠 지속적으로 데이터를 관리하는 구조가 필요합니다.
.svg)
.svg)
