유엔은 2050년 세계 인구가 91억 명에 이를 것으로 예상하고, 이에 따라 세계 식량 수요는 70% 증가할 것으로 전망했습니다.
그러나 세계 농업의 불균형적인 발전으로 인해 많은 지역의 곡물 생산량을 정확하게 집계할 수 없어 이 지역의 농업 발전을 위한 합리적인 계획을 세우는 것이 불가능합니다. 곡물 생산량을 계산하는 기존 방법은 홍보하기 어렵거나 더 높은 수준의 기술이 필요합니다.
이를 위해 교토 대학의 연구진은 합성곱 신경망(CNN)을 사용하여 농지 사진을 분석하고 지역 식량 생산량을 효율적이고 정확하게 계산하여 글로벌 농업 개발을 촉진하는 새로운 방법을 제공했습니다.

저자 | 쉐차이

편집자 | 산양

본 기사는 HyperAI WeChat 공개 플랫폼에 처음 게재되었습니다.~

인구 증가, 소득 증가, 바이오연료의 광범위한 사용에 힘입어 2050년까지 세계 식량 수요는 70% 증가할 것으로 예상됩니다.

그러나 지구 온난화와 생물 다양성 감소로 인해전 세계의 식량 생산은 환경 변화에 매우 취약하며, 지역별로 개발이 고르지 않습니다.

그림 1: 2020년 세계 곡물 생산 지도

곡물의 주요 생산지는 중국, 미국, 인도, 브라질이라는 것을 알 수 있습니다.남반구의 식량 생산량은 상대적으로 낮습니다. 게다가 남반구의 농업 생산성이 낮기 때문에 식량 생산량을 정확하게 측정하기 어렵습니다.그러므로 우리가 지역 농업 생산성을 효과적으로 평가하는 것은 어렵고, 더 나아가 생산을 증대시킬 수 있는 효과적인 수단을 제공하는 것은 더욱 어렵습니다.

현재 곡물 생산 통계에 일반적으로 사용되는 방법은 자체 보고, 실제 측정, 원격 감지 통계 등 세 가지가 있습니다.처음 두 가지 방법은 대규모로 추진하기 어렵고, 원격 감지 기술을 활용하려면 현지 과학기술 수준에 제약을 받게 됩니다.

이를 위해 교토 대학의 연구진은 합성곱 신경망(CNN)을 사용하여 현장에서 촬영한 농경지 사진을 분석한 다음 현지 곡물 생산량을 계산했습니다. 결과는 다음과 같습니다CNN 모델은 다양한 조명 조건에서 수확 단계와 후기 성숙 단계에서 벼 수확량을 빠르고 정확하게 계산할 수 있습니다.이 결과는 Plant Phenomics에 게재되었습니다.

논문 링크:

https://spj.science.org/doi/10.34133/plantphenomics.0073

실험 절차

1. 데이터베이스 생성:벼 캐노피 사진 + 곡물 수확량

연구진은 7개국 20개 농장의 쌀과 곡물 수확량 사진을 수집했습니다. 벼가 성숙되면 디지털 카메라를 사용하여 벼 수관 위 0.8~0.9m 높이에서 수직으로 아래로 촬영하여 1m의 거리를 얻었습니다.² 쌀의 RGB 사진.

참고사항: 벼의 윗부분은 빽빽한 벼 가지와 잎으로 이루어진 최상층이며, 식물의 광합성을 담당하는 주요 부분입니다.

그런 다음 촬영 각도, 시간, 기간을 변경하고, 일부 실험에서는 벼 꽃차례를 하나하나 제거하여 CNN 모델의 수확량 예측 메커니즘을 탐구했습니다.최종적으로 그들은 4,820개의 촬영 장소에서 462종의 벼 품종에 대한 22,067장의 RGB 사진을 얻었습니다.

실험에서의 곡물 수확량은 채워진 쌀알과 비어 있는 쌀알의 총 중량을 포함한 조립질 수확량이었습니다. 통계적 곡물 수확량은 헥타르당 톤(0.1t/ha)에서 16.1t/ha 사이로 정규분포를 보이며, 평균 수확량은 약 5.8t/ha입니다.

그림 2: 벼 캐노피 이미지 및 곡물 수량 분포

A: 7개국의 조곡물 생산 분포;

B: 다양한 국가의 평균 조립곡물 생산량에 대한 원형 차트.

C: 가장 높은 조립수확량을 가진 쌀의 이미지;

D: 조립수율이 가장 낮은 쌀의 이미지입니다.

2. 생산 예측:캐노피 사진 + CNN → 식량 생산

CNN 모델, 손실 함수, 최적화 도구는 Python 언어와 PyTorch 프레임워크를 사용하여 배포됩니다. 그런 다음 연구자들은 다양한 배치 크기와 학습 속도를 결합하여 모델 학습이 완료되었을 때 검증 손실과 상대적 평균 제곱근 오차(rRMSE)를 계산했습니다.모델의 최적 배치 크기(32)와 학습률(0.0001)이 얻어졌습니다.

CNN 모델은 메인 스트림(MS)에 5개의 합성곱 계층과 브랜칭 스트림(BS)에 4개의 합성곱 계층을 갖습니다.모델의 풀링 계층에는 평균 풀링 계층(AveragePooling)과 최대 풀링 계층(MaxPooling)이 포함됩니다. 활성화 함수는 주로 정류 선형 유닛(ReLU)을 사용하고, 일부 부분에서는 지수 선형 유닛(ELU)을 사용합니다.마지막으로 MS와 BS를 결합하고 추정된 곡물 수확량을 ReLU 계층을 통해 출력합니다.

그림 3: CNN 모델 다이어그램

CNN 모델은 이미지를 구별하는 능력이 뛰어납니다.지상 샘플링 간격(GSD, 사진의 각 픽셀에 대응하는 실제 거리로 해상도와 반대)이 0.2cm/픽셀일 때 CNN 모델 예측 결과와 실제 결과 사이의 상관 계수 R은² 0.65 이상. GSD가 3.2cm/픽셀로 증가하더라도 R² 0.55 이상으로 유지될 수도 있습니다.

그림 4: CNN 모델 예측 결과와 GSD 간의 관계

A: CNN 모델의 R2와 검증 세트와 테스트 세트 사진의 GSD의 관계;

B: CNN 모델의 예측 출력과 실제 출력의 산점도.

C & D: 0.2cm/픽셀과 3.2cm/픽셀 GSD의 개략적 사진.

또한 연구진은 예측 세트의 데이터를 사용하여 CNN 모델을 테스트했습니다. CNN 모델은 도쿄의 다카나리와 고시히카리의 쌀 수확량 차이를 구분할 수 있으며, 예측된 데이터는 실제 데이터와 거의 일치합니다.

그림 5: 가오청쌀과 고시히카리쌀의 실제 수량(A)과 예측 수량(B)

그런 다음 연구팀은 CNN 모델이 이미지를 분석하고 식량 생산량을 예측하는 메커니즘을 탐구하기 위해 이미지를 차단했습니다. 그들은 사진의 특정 영역을 회색 블록으로 차단한 뒤, 차단 전후의 CNN 모델이 예측한 수율의 차이를 계산했습니다.

그림 6: 폐색 실험의 개략도

A: 교합 전 사진;

B: 교합 후 사진;

C: 예상 수율에 대한 사진의 다양한 영역의 가중치.

실험 결과, 곡물 수확량은 벼 꽃차례의 수와 양의 상관관계를 보였으며, 그림 속 줄기, 잎, 땅과 같은 요소의 비율과는 음의 상관관계를 보였습니다.

따라서 연구진은 꽃차례 제거 실험을 통해 수량 예측에 있어서 꽃차례의 역할을 검증했습니다. 그들은 각 벼에서 꽃차례를 두 개씩 따서 사진을 찍고, 모든 꽃차례를 따올 때까지 굵은 곡물 수확량을 세었습니다.

그림 7: 꽃차례 제거 실험 및 결과

A: 꽃차례 제거 실험의 개략도;

B: 꽃차례 제거 후 사진;

C: 예상 출력과 실제 출력의 선형 차트

D: 꽃차례 제거 시 예상 수확량과 실제 수확량 간의 관계.

꽃차례의 수가 감소함에 따라 CNN 모델의 수량 예측 결과는 계속 감소하여 최종적으로 1.6t/ha로 떨어졌습니다.이 실험은 CNN 모델이 주로 사진 속 꽃차례의 수를 기준으로 곡물 수확량을 판단한다는 것을 보여줍니다.

3. 견고성:사진 각도, 시간 및 기간

CNN 모델의 곡물 생산량 예측 능력을 검증한 후,연구자들은 다양한 조건에서 CNN 모델의 견고성을 알아보기 위해 촬영 각도, 시간, 기간을 다양하게 변경했습니다.

사진은 10°의 테스트 간격으로 20°에서 90° 사이의 각도에서 촬영되었습니다.결과는 CNN 모델의 예측 정확도가 촬영 각도가 증가함에 따라 증가한다는 것을 보여줍니다.촬영오차가 20°일 때, CNN 모델의 예측 결과는 -3.7-2.4 t/ha이다. 사격 각도가 60°일 때 예측 오차는 -0.45~2.44 t/ha로 90°에서의 예측 결과와 유사했습니다.

그림 8: 촬영 각도 테스트 및 결과

A: 사격 각도 실험의 개략도;

B: 다양한 촬영 각도에서 촬영한 사진;

C: 다양한 각도에서 촬영한 사진에서 예상 수확량과 실제 수확량의 차이.

그런 다음 카메라를 고정된 위치에 설치하여 30분마다 농장 사진을 찍어 CNN 모델에 대한 촬영 시간의 효과를 알아보았습니다.결과는 조명 환경이 바뀌었음에도 불구하고 하루 종일 사진에 대한 CNN 모델의 예측 결과가 기본적으로 안정적임을 보여줍니다.

그림 9: 촬영 시간 테스트 및 결과

A: 사격시간 실험의 개략도;

B: 다른 촬영 시간에 촬영한 사진;

C: 다양한 시간에 촬영된 사진에 대한 CNN 모델의 예측 수율.

마지막으로 연구진은 촬영 기간이 CNN 모델의 예측 결과에 미치는 영향을 살펴보았습니다.50% 벼가 수확된 후, 매주 밭으로 나가 사진을 수집하고 CNN 모델을 사용하여 분석했습니다. 벼 성숙 초기에는 꽃차례가 아직 완전히 성숙되지 않았기 때문에 CNN 모델의 예측 수량이 수확기의 실제 수량보다 낮습니다.

시간이 지남에 따라 CNN 모델의 예측은 점차 실제 생산에 가까워지고 있습니다. 4주 후, CNN 모델의 예측 결과는 기본적으로 안정적이었으며 실제 50% 수확량과 비슷했습니다.

그림 10: 촬영 중 테스트 및 결과

A: 서로 다른 촬영 시기에 찍은 사진입니다. DAH는 수확 후 날짜를 의미하고, DBH는 수확 전 날짜를 의미합니다.

B: 다양한 시간에 촬영된 사진에 대한 CNN 모델의 예측 결과.

위의 결과는 CNN 모델이 다양한 촬영 각도, 시간, 기간에 걸쳐 촬영된 농경지 사진을 정확하게 분석하고, 안정적인 수확량 예측 결과를 얻을 수 있음을 보여줍니다. CNN 모델은 강력합니다.

스마트 농업: AI가 농업 계획에 도움을 줍니다

유엔에 따르면, 세계 인구는 2050년에 약 91억 명에 이를 것으로 예상됩니다. 세계 인구가 증가하고 소득이 증가함에 따라 식량 수요도 증가하고 있습니다.

동시에 농업 생산의 집약화, 디지털화, 지능화로 인해 무당 곡물 수확량이 꾸준히 증가했습니다. 2000년부터 2019년까지 전 세계 농경지 면적은 3% 감소한 반면, 주요 작물 생산량은 52% 증가했고, 과일과 채소 생산량도 약 20% 증가했습니다.

대형 수확기나 드론과 같은 전문 장비를 사용하면 농부들이 농지를 정확하고 편리하게 계획할 수 있습니다. 빅데이터와 사물 인터넷과 같은 기술은 농부들이 농지의 상태를 실시간으로 파악하는 데 도움이 되며 온실 내부 환경을 자동으로 조절할 수도 있습니다. 딥 러닝과 대규모 모델을 활용한 조기 기상 예보는 극심한 기상 현상이 발생하기 전에 이를 방지하고 생계를 위해 기상에 의존하는 전통 농업의 문제를 완화할 수 있습니다.

그림 11: 스마트 농업 시스템 개략도

그러나 2021년 현재 전 세계적으로 기아에 시달리는 사람의 수는 전년 대비 약 4,600만 명이 늘어나 8억 2,800만 명에 달했습니다.불균형적인 농업 생산과 불완전한 시스템 문제는 여전히 존재하며 더욱 두드러진다.

AI의 도움으로 우리는 지역 농업 개발을 위한 더 나은 계획을 세울 수 있습니다.세계 농업 생산의 균형 잡힌 발전을 촉진하고, 세계적 기아 문제를 해결하기 위한 만족스러운 답을 제공합니다.

참조 링크:

[1] https://www.fao.org/documents/card/en/c/cc2211en

[2] https://www.deccanherald.com/opinion/smart-farming-tech-new-age-700994.html