BLOG
정밀 농업에서의 IoT 필요성
현재 세계 인구는 73 억 명으로, 2050 년까지 97 억 명에 달할 것으로 추산됩니다. 전세계 인구는 매년 약 8300 만 명에 이릅니다. 이 성장은 식품 생산량의 증가에 의해 뒷받침 되어야합니다.
현재의 생산량과 비교했을 때, 식량 수요를 따라 잡기 위해서는 농업 생산량이 적어도 1/3 이상 증가해야 합니다. 농지 면적은 인구 증가를 따라갈 수 없기 때문에 농민들은 농업 자체를 정밀 농업사업으로 전환하기 시작했습니다.
그 핵심에서, 정밀 농업은 농부들이 농작물을 재배 할 때 작물 수확량과 비용 요소에 대한 가시성을 확보 할 수 있도록 해당 분야에 정보를 배포하고 있습니다. 인텔리전스는 데이터를 지속적으로 처리하고 데이터 처리 위치로 전송하는 센서가 장착 된 스마트 장치 또는 IoT로 수집됩니다. 오늘날 농민들은 토양 성분을 평가하고, 비료 및 살충제 유형을 분석하며, 정확한 산출량 산정을 얻기 위해 농지의 미시적 부분에서 작물을 관리하며 새로 개발된 기술을 사용하고 있습니다.
IoT 기반 솔루션이 없다면 정밀 농법이 불가능할 것입니다. 농작물 수확량 및 측정 된 생산량 및 원가에 영향을 미치는 요소의 주요 원인에 대한 농부들의 이해를 가속화하기 때문입니다.
- 비료 및 그 적용시기 및 방법.
- 관개 및 강수량 패턴.
- 공기 온도 및 수분 수준.
- 토양 조성과 처리.
- 농작물 관리 프로세스.
- 사용 된 씨앗의 종류.
발달된 IoT 솔루션으로 필드, 작물 및 주변 데이터를 측정하고 수집하는 것이 핵심 기능입니다.
대부분의 농장은 데이터 네트워크 연결이 불안정한 원격 위치에 있습니다. 날씨가 자주 변동하면 센서 및 장치가 손상되거나 손실 될 수 있습니다. 이러한 유형의 문제는 견고하고 간단하며 관리하기 쉬운 IoT 솔루션을 필요로 합니다.
Yanmar의 IoT 스마트 온실
Yanmar는 일본의 디젤엔진 설계 및 제조 전문 회사입니다. 이 업체의 존재감은 온실에서의 식물 성장 관리를 적극적으로 하는 것에서 시작합니다. 그들의 과제 중 하나는 적당한 양의 물 (똑똑한 수경법)을 관리하고 토마토와 같은 온실 식물을 위한 팬과 에어컨을 포함한 환경 지원입니다.
Yanmar의 R & D팀은 생산량을 극대화하기 위해 영양, 관리 및 환경을 조정하고 채소의 주요 성장 단계를 자동으로 감지하고 인식함으로써 온실 운영을 보다 지능화하고자 합니다.
Yanmar는 토마토 나무에 몇 가지 성장 단계를 정의했습니다. 그리고 이러한 단계를 모니터하기 위해 각 온실에 최대 12 대의 카메라를 설치하여 정기적으로 식물 사진을 찍을 계획입니다. Yanmar는 카메라 생태계에 배치 된 머신러닝 (ML) 알고리즘을 사용하여 높이, 잎 수, 꽃 수 및 과일 수에 따라 식물 성장 단계를 인식하고 수경법 적용 패턴 및 빈도와 같은 식물 관리 요인에 대한 속성을 수행 할 계획입니다 수분 및 온도도 물론 체크합니다.
스마트 카메라의 사진을 사용하여 식물 잎, 꽃, 식물 높이를 정기적으로 모니터링, 인식 및 계산하고 예측 된 온실 수확량을 계산합니다. 최적의 식물 단계 성장에서 영양소, 물 및 기타 요소의 적절한 투입물을 효과적으로 사용하여 온실 운영을 최적화하면 온실 농업이보다 경제적으로, 환경적으로 지속 가능해집니다.
다음은 이미지 인식 기능을 갖춘 경제적인 스마트 온실 솔루션 구현과 관련된 몇 가지 과제입니다.
- 카메라에 의해 생성 된 데이터의 양.
- 오프 사이트 처리를 위해 데이터를 전송하는 데 필요한 대역폭 및 비용.
- 카메라의 이미지 인식 지능에 액세스
Yanmar의 R & D 팀은 람다 기능을 사용하는 AWS Greengrass 머신러닝 추론을 온실 카메라 생태계에 배포하기로 결정했습니다. 그 이유는 다음과 같은 주요 문제를 해결하기 위함입니다.
- 첫째, Yanmar는 카메라에서 수집 한 사진을 3G 네트워크를 통해 AWS IoT Core로 전송할 필요가 없으므로 3G 사용료를 피할 수 있습니다.
- 둘째, Greengrass는 온실 식물 사진을 처리하고 AWS IoT 코어로 전송하기 위한 간단한 형식으로 데이터를 저장하여 교육 딥러닝 ML 모델에 액세스합니다.
- 셋째, Yanmar는 지역 ML 모델을 사용, 람다 (Lambda) 기능을 사용하여 환경 이상 (수분, 온도 및 습도)을 감지하고 경고를 내려 시정 조치를 취할 수 있는 Logic 프로세싱을 수행 할 계획입니다.
그림 2. Yanmar IoT Smart Greenhouse 도표에는 팬, 에어컨, 엣지 컴퓨터와 온도, 습도, 햇빛, CO2 책정을 위한 센서 등을 포함한 Greenhouse 성분이 표시되어 있습니다.
결론
이 블로그는 우리가 어떻게 스마트 농업과 스마트 그린하우스 사용 케이스를 위해 AWS Greengrass ML Inference를 활용할 수 있는지 사례를 보여줍니다.
유용한 링크
원문 URL: https://aws.amazon.com/ko/blogs/iot/aws-iot-driven-precision-agriculture/
** 메가존 TechBlog는 AWS BLOG 영문 게재글중에서 한국 사용자들에게 유용한 정보 및 콘텐츠를 우선적으로 번역하여 내부 엔지니어 검수를 받아서, 정기적으로 게재하고 있습니다. 추가로 번역및 게재를 희망하는 글에 대해서 관리자에게 메일 또는 SNS페이지에 댓글을 남겨주시면, 우선적으로 번역해서 전달해드리도록 하겠습니다.