디지털 농업의 머신 비전 혁신 사례
MVTec
디지털화는 대부분의 다른 산업과 마찬가지로 농업에도 부가가치 프로세스에 확대 적용되고 있다. 산업 규모가 큰 농장에서 소규모 농장에 이르기까지 모두가 스마트 농업을 위해 디지털 기술에 많이 의존하고 있다. 이러한 추세는 프로세스를 자동화하고 효율성을 높이는 데 도움이 된다. 본문은 머신 비전은 자동화가 현대 농업 프로세스를 지원하는 구체적인 방식에 대해 소개한다. 다양한 실제 적용 시나리오를 통해 선진 농업이 어떠한 혜택을 받는지 알아보자.
1. 전환기의 농업 분야
농업 분야는 많은 도전에 직면해 있다. 노동력 부족, 법적 기준 및 규정, 비용 상승, 가격 압력, 제한된 농지로 인해 프로세스를 최적화해야 된다. 결과적으로 농부들은 디지털 기술에 의존하여 미래에도 생존을 유지하고 스마트 농업에 대한 최신 정보 및 통신 시스템을 사용한다. 이러한 시스템은 사물 인터넷(IoT), 센서 및 액추에이터, 지형 위치 확인 시스템, 빅 데이터, 드론과 같은 무인 항공기(UAV) 그리고 로봇과 같은 혁신적인 기술과 결합될 수 있다.
머신 비전을 통한 효율적이고 자동화된 프로세스
머신 비전은 하드웨어와 소프트웨어의 두 가지 주요 구성 요소로 구성된다. 하드웨어는 특정 시나리오에서 대량의 디지털 이미지 데이터를 기록하는 카메라, 스캐너 및 센서와 같은 이미지 수집 장치로 알려진 것을 말한다. 이 정보는 머신 비전 소프트웨어에 의해 처리되고 애플리케이션에 사용할 수 있다. 소프트웨어는 일반적으로 관련 산업용 PC(IPC)에서 실행되며 소형 임베디드 장치에서 실행되거나 이미지 수집 장치에서 바로 실행된다. 그러면 시스템은 시각적 특징만을 기반으로 특정 물체와 상황을 자동으로 인식할 수 있다.
물체 감지- 정확하고 빠르고 유연함
머신 비전은 다른 식별 방법에 비해 여러 가지 주요 이점을 제공한다. 높은 정확도와 신뢰할 수 있는 감지 속도는 높은 유연성을 제공한다. 이미지 처리 알고리즘은 다른 각도에서도 다양한 물체를 감지하도록 최적화할 수 있다. 또한 매우 빠른 속도로 작동하며 단 밀리 초 만에 물체를 정확하게 식별할 수 있다.
2. 현대 농업을 위한 기술
머신 비전은 많은 이점을 제공하기 때문에 현대 농업에서 널리 사용된다. 따라서 이 기술은
• - 농기계 및 수확 과정 자동화
• - 온실 과정의 디지털화(온실 농업)
• - 목표 및 부지 별 농지 재배(정밀 농업)
• - 종자 및 농산물의 자동 분류 및 검사
• - 축산 최적화(축산)
등의 분야에 적용된다. 현대의 머신 비전 솔루션은 농업 부가가치 프로세스의 효율성을 지속적으로 높이기 위해 수많은 혁신적인 기술과 함께 제공된다. 여기에는 다음 사항이 포함된다.
임베디드 비전
임베디드 시스템은 소형의 이동 가능한 전자장치이다. 농업 현장의 열악한 환경 조건으로 인해 견고하고 외부 영향에 대한 내구성이 있어야한다. 시스템은 대량의 먼지, 강한 진동 및 높은 습도에 노출되거나 심지어 물과 직접 접촉하기도 한다. 예를 들어, 농부들은 모바일 데이터 수집을 위해 휴대용 장치, 스마트폰 및 태블릿을 사용한다. 스마트 카메라 및 비전 센서와 같은 특수 이미지 획득 장치도 트랙터 또는 기타 농기계에 장착할 수 있다.
수확 공정 또는 기타 시나리오의 디지털 이미지 정보를 기록한다. 공간이 중요하기 때문에 임베디드 장치가 특히 적합하다. 크기가 작고 고효율이며 폐열이 거의 발생하지 않는다. 시스템에 통합된 머신 비전 소프트웨어가 있는 경우 다양한 이미지 처리 애플리케이션에 사용할 수 있으며, 이를 임베디드 비전이라고 한다.
규칙기반의 머신 비전 시스템
규칙기반 머신 비전 시스템은 농업에서 물체 또는 결함을 감지하는 데 중요한 역할을 한다. 산업적 맥락에서 수십 년 동안 사용돼 매우 안정적이며 농업 부문에도 관련성이 높다. 인공 지능(AI)과 달리 규칙기반 머신 비전에는 특별한 프로그래밍이 필요하다. 개발자는 특정 규칙 또는 기능을 수동으로 정의하여 이미지 데이터에서 감지 프로세스에 필요한 정보를 추출한다.
이 기술은 AI 기반 방법보다 훨씬 덜 엄격한 시스템 요구사항을 요구하므로 농업 시나리오에서 효율성이 눈에 띄게 증가한다. 또한 시스템 의사 결정 프로세스는 투명하며 언제든 추적할 수 있다.
딥 러닝
AI 기술은 특정 상황에서 탐지 정확도와 관련하여 훨씬 많은 가능성을 제공할 수 있다. 여기에는 주로 기계 학습, 특히 CNN(Convolutional Neural Network) 아키텍처를 기반으로 하는 딥 러닝 프로세스가 포함된다. 이는 머신 비전 소프트웨어가 이미지 획득 장치에서 생성된 이미지 데이터를 자세히 분석하는 폭넓은 교육을 기반으로 스스로 새로운 것을 학습한다.
학습 전에 이미지는 디지털 레이블로 표시된다. 이 라벨링은 많은 양의 이미지 데이터를 관리하는, 매우 노동 집약적이다. 따라서 이러한 프로세스를 매핑하고 제어할 수 있는 적절한 레이블 도구가 필요하다. 학습과정에서 딥 러닝 알고리즘은 감지할 대상을 특정 클래스에 할당할 수 있는 일반적인 특징(예: 사과 또는 배에 대한 특징)을 학습한다. 딥 러닝은 모든 종류의 결함을 정확하게 식별하고 현지화 하는데도 적합하다. 이 기술은 규칙 기반 접근 방식으로 작업을 수행할 수 없거나 매우 어려운 경우에만 사용된다.
규칙 기반 및 AI 시스템의 결합
딥 러닝과 같은 규칙 기반 및 AI 시스템은 특정 애플리케이션에 대한 최적의 결과를 얻을 수 있다. 이러한 방식으로 두 기술이 상호 작용함으로써 개별 기술보다 더 나은 결과를 얻을 수 있다. 따라서 농민은 엔드 투 엔드 솔루션, 훨씬 높은 감지율 및 빠른 머신 비전 프로세스의 이점을 누릴 수 있다. 객체 분류에 중요한 결정 기준을 투명하게 추적할 수 있다.
클라우드 기술
혁신적인 농업 기업은 디지털 애플리케이션을 사용하기 위해 클라우드에 의존한다. 최신 머신 비전 제공 업체는 이제 클라우드에서 특정 서비스를 사용할 수도 있다. 클라우드는 필요한 리소스를 유연하게 확장할 수 있으며 언제든지 용량을 추가할 수 있다.
실제로 사용되는 서비스에 대해서만 비용을 지불하기 때문에 매우 비용 효율적이다. 농민은 일반적으로 가용성이 높고 안정적인 인프라를 운영하는 숙련된 클라우드 서비스 제공 업체에 시스템 호스팅을 아웃소싱 할 수 있다. 마지막으로 클라우드를 사용하면 사용자가 자체 시스템 환경을 확보할 필요가 없기 때문에 비용을 절약할 수 있다.
다중 스펙트럼 이미징
특히 작물의 경우 가시적인 스펙트럼 범위 뿐만 아니라 사람의 눈으로 인식할 수 없는 다른색 스펙트럼도 고려하는 것이 도움이 된다. 하드웨어는 이러한 스펙트럼을 감지하고 다중 스펙트럼 색상 채널을 감지할 수 있는 특수 머신 비전 방법으로 평가할 수 있다.
예를 들어, 작물 질병이나 영양 부족은 결과가 가시 범위에서 감지되기 전에 조기에 식별될 수 있다. 따라서 농부들은 조기에 대응하고 목표에 맞는 대응책을 마련할 수 있다. 이것은 유해 물질을 줄이고 더 많은 수확 결과로 이어진다.
3D 비전
3D 비전 기술은 하이테크 농업에서도 매우 중요하다. 센서 지원 3D 정보를 감지, 평가 및 처리하면 기계 시스템 또는 프로세스를 더욱 잘 제어할 수 있다. 이를 통해 2D 접근 방식의 기능을 넘어서는 농업 애플리케이션을 구현할 수 있다. 이를 통해 고정된 물체의 정확한 위치를 파악할 수 있을 뿐만 아니라 3차원 공간에서 움직이는 물체를 정확하게 추적하고 잡을 수 있다. 이를 위해 여러 대의 카메라가 서로 다른 각도에서 이미지 정보를 기록한다. 정밀한 3D 지원 위치 결정은 로봇 지원 수확과 같은 특수 농업 애플리케이션 시나리오에서 필수 불가결하다.
3. 현대적인 스마트 농업 개념
3.1. 정밀 농업- 농지의 표적 경작
머신 비전은 농지의 표적 모니터링, 비료 및 관개를 용이하게 하고 토지를 보다 효율적이고 지속 가능한 방식으로 경작할 수 있도록 한다. 또한 농약, 물, 비료 등 귀중한 자원을 필요에 따라 사용할 수 있다. 이를 통해 농부는 비용을 절감하고 노동력을 줄이며 비료 및 살충제 사용에 대한 법적 요건을 쉽게 충족할 수 있다. 다음 예제는 실제로 어떻게 작동되는지 보여준다.
정확한 해충 제어
고해상도 카메라가 장착된 드론이 들판을 날아다니고 통합 머신 비전 소프트웨어는 기록된 이미지를 평가하고 공중에서 특정 기능을 자동으로 감지한다. 예를 들어, 식물의 비정상적인 엽록소 함량은 곰팡이 질병 또는 해충 감염과 같은 스트레스 상황을 나타낸다.
이러한 결과를 바탕으로 농민들은 고도로 표적화된 조치를 실행할 수 있다. 예를 들어, 감염된 부위에만 살충제 또는 살균제를 정확하게 뿌릴 수 있다. 위에서 설명한 멀티 스펙트럼 프로세스는 머신 비전 시스템에 통합되어 플랜트의 상태를 결정하는 데 도움이 된다. 특수 다중 스펙트럼 카메라는 육안으로 볼 수 없는 추가 색상 채널을 감지하고 처리하는 데 사용된다. 이를 통해 초목의 이상을 자동으로 조기에 감지 할 수 있다.
효율적인 수정과 관개(fertilization, irrigation)
또 다른 적용 시나리오는 표적 수정이다. 머신 비전 소프트웨어는 디지털 이미지 데이터를 기반으로 작물 높이를 정밀하게 측정하여 필요에 따라 저성장 영역만 수정하는 것이 가능하다. 동일한 원칙에 따라 현장별로 관개할 수도 있다. 예를 들어 적외선 카메라는 온도를 측정하고 해당 지역의 맵을 준비한다. 측정된 증발 냉기를 기반으로 개별 영역의 실제 정확한 수분 수준이 가시화된다. 일부 애플리케이션에서는 위성으로 캡처할 수도 있다.
효율적인 식물 보호
식물 보호는 현대 농업에서 중요한 주제이다. 머신 비전을 사용하면 실시간으로 작물과 잡초를 구별하고 제초제를 효율적으로 적용할 수 있다. 식물을 구별하기 위해 산업용 카메라(다중 스펙트럼 이미지 데이터)가 분무기에 장착되어 사진을 찍는다. 카메라는 통합 머신 비전 소프트웨어를 실행하고 애플리케이션을 제어하는 임베디드 장치로 데이터를 전송한다.
이 소프트웨어는 농작물 사이의 잡초를 발견하기 위해 심층 소득 기반 물체 감지를 사용하고 식별된 잡초에 제초제를 정확하게 살포하도록 시스템에 신호를 보낸다. 표적 적용은 환경 영향을 줄이고, 제초제는 비용 효율적으로 사용되며, 이는 자연 보호 규정 준수 및 최적의 품질 높은 수율로 보장한다.
3.2. 농업 기계- 수확 프로세스의 자동화
머신 비전은 현대 농기계에서도 많이 사용되고 있다. 예를 들어 트랙터, 콤바인, 로봇 수확기에는 스마트 카메라와 같은 내장형 장치가 장착되어 있다. 이러한 장치는 대량의 디지털 이미지 데이터를 생성하며 통합 머신 비전 소프트웨어에서 세부적으로 평가된다. 결과는 광범위한 분야에 활용될 수 있다.
충분한 크기의 익은 사과 감지
벨기에 ACRO 연구소(연구 및 교육 자동화 센터)의 사과 수확기는 머신 비전의 도움으로 익은 사과와 같은 과일 수확을 자동화했다. 로봇 수확기는 먼저 나무 앞에 배치된다. 3D 센서는 40개 위치에서 전면 영역을 스캔하고 동일한 수의 섹터로 나눈다. 각 섹터의 사과를 감지하여 그리퍼로 하나씩 수확할 수 있다.
통합된 머신 비전 소프트웨어는 이미지에서 사과의 위치를 정확하게 결정하고 충분한 크기의 익은 열매만 선택한다. 로봇 팔이 사과에 접근하는 동안 소프트웨어는 대상 물체까지의 남은 거리를 결정하기 위해 동시에 여러 이미지를 처리한다. 그리퍼를 통해 동시에 공기를 불어 잎을 제거한다. 그리퍼는 조심스럽게 과일에 접근하여 사과를 비스듬히 비틀어 수확한 다음 조심스럽게 용기에 넣는다.
자동 수확의 이점
로봇의 사용은 농부들에게 커다란 이점을 제공한다. 전체 수확 과정을 자동화하여 경제성과 수익성을 모두 높일 수 있다. 하나의 로봇이 6명의 과수원 노동자의 작업을 수행할 수 있으며 수확 품질 측면에서 매우 높은 기준을 유지할 수 있다. 또한 농업 기업은 수확을 위해 계절 수확기를 찾는 어려움을 보완할 수 있다.
3.3. 종자 및 농산물- 묘목 및 곡물 검사의 자동화
머신 비전 시스템은 묘목, 종자 및 수확된 작물 검사를 자동화하는 데 사용할 수 있다. 독일 Ilmenau의 Technical University는 밀 품질을 정확하게 측정하기위한 시스템을 개발했다. 밀 샘플을 빠르게 분석하기 위해 커널(wheat)을 먼저 호퍼에 넣고 거기서 컨베이어 벨트로 떨어져 분리 장치를 통과하면 커널이 서로 분리된다.
그런 다음 카메라를 하나씩 지나쳐 스캔한다. 머신 비전 알고리즘은 다양한 색상, 질감 및 모양 기준에 따라 기록된 이미지를 분석한다. 특수 카메라를 사용하고 밝은 배경에서 밀을 이미징 하면 크기, 모양 및 색상 측면에서 커널 패턴의 주요 차이점을 볼 수 있다. 다음과 같이 OK/NOK(불량) 기준에 따라 개체를 스캔하고 분류한다.
•- 완벽한 곡물
•- 손상되거나 건조된 곡물
•- 해충에 감염된 밀
•- 외국 종자 및 짚
공압 분류 장치를 사용하여 계량 및 보관을 위한 특정 등급으로 나뉜다. 이렇게 하면 각 개별 개체가 자동으로 처리되고 분리된다. 분류 시스템은 처리율이 매우 높다. 재배자는 자동 분석 덕분에 매우 짧은 시간 내에 곡물 품질에 대한 자세한 정보를 얻는다. 분석된 곡물의 구성도 그래픽으로 표시될 수 있으며 총 샘플 중량, 무결점 곡물 비율의 중량, 분석된 샘플 수치 및 그래픽 통계를 계산하여 데이터베이스에 저장할 수 있다.
쌀 곡물 검사 자동화
쌀알의 품질도 비슷한 속도와 성능으로 검사할 수 있다. 일본 회사인 Kett Electric Laboratory는 LINX Corporation과 공동으로 자동 검사 시스템을 개발했다. 이 시스템의 머신 비전 소프트웨어는 복잡한 이미지 처리 작업을 수행하고 매우 빠르게 처리해야한다. 이 소프트웨어는 강력한 임베디드 플랫폼에서 실행된다.
수많은 작업자가 품질 분류를 위해 카메라 보정, 쌀알 분할, 특징 추출 및 크기 측정 프로세스를 최적화한다. 전체 솔루션을 통해 전체 검사 프로세스를 자동화하고 가속화했으며, 개선된 결과는 쌀 곡물의 품질을 극대화하고 비용을 절감하는 데 도움이 됐다.
토마토 모종 분류
또 다른 적용 시나리오에서는 머신 비전 시스템이 토마토 묘목을 자동으로 분류한 것이다. 농산물 재배자는 공급 업체로부터 받은 씨앗이 안정적으로 발아하는지 확인해야 한다. 네덜란드 회사인 Westland Plantenkwerkerij(WPK)는 Dutch Wageningen UR-FBR(식품 및 바이오 연구센터)과 협력하여 시간당 18,000개의 묘목을 분류하고 분류하는 시스템을 개발했다.
이 시스템에서 묘목은 자동으로 재배 트레이에 심고 12일의 발아 기간 후에 컨베이어 벨트를 통해 머신 비전 시스템으로 운반된다. 식물이 도착하면 10대의 카메라가 동시에 이미지를 녹화하여 묘목의 3차원 모델을 준비한다. 사용된 소프트웨어는 밀리 초 만에 3D 모델을 생성하고 식물의 바이오 매스를 계산한다.
묘목은 이 데이터를 기반으로 4가지 즉 1등급, 2등급 및 3등급과 NOK(불량)으로 분류된다. NOK는 식물이 너무 작거나 발아에 실패했음을 의미한다. 결과는 PC에서 PLC(프로그래밍 가능 로직 컨트롤러)로 전송되어 분류에 따라 각 플랜트를 컨베이어 벨트로 보낸다.
자동 분류의 이점
품질 관리 프로세스를 자동화하면 농업 기업의 생산성을 크게 높일 수 있다. 균일한 표준을 정의하고 모든 검사 및 분류 프로세스에 일관되게 적용할 수 있다. 또한 높은 인건비가 감소될 수 있다.
3.4. 온실 농업- 온실 프로세스의 자동화
머신 비전 기술은 온실 농업에도 사용된다. 오픈 필드와 마찬가지로 여기에서 프로세스를 자동화하고 간소화할 수 있다.
피망 수확 자동화
예를 들어, 네덜란드 Wageningen University & Research에서 "CROPS(Clever Robots for Crops)"라는 제목의 유럽 연구 프로젝트의 일환으로 개발한 SWEEPER 로봇 수확기를 사용하여 익은 피망을 수확했다. 수확기는 배터리로 작동하는 플랫폼을 사용하여 온실을 통해 자율적으로 이동한다. 로봇에 통합된 표준 머신 비전 소프트웨어에는 모양 및 색상 기반 감지 기능이 포함되어 있다.
알고리즘은 목표 색상 임계값과 일치하는 영역에 대해 각 이미지를 검사한다. 익은 피망을 안정적으로 감지하려면 각 항목의 3D 위치를 높은 정확도로 결정해야한다. 3D 카메라 시스템이 익은 피망을 찾으면 로봇 팔이 수확 도구를 작물 줄기에 배치한다. 그런 다음 팔은 진동하는 칼로 몇 센티미터 아래로 이동하고 식물 줄기 가까이에서 피망을 자른다.
로봇 수확기의 이점
수확 프로세스를 자동화하면 품질, 위생, 식품 안전 및 생산 추적성에 대한 요구사항을 충족할 수 있다. 자동화는 또한 성장에 필요한 까다로운 기후 조건에서 온실에서 육체적으로 까다로운 작업을 수행할 인력 부족을 보완한다. 결과적으로 로봇 수확기의 사용은 온실에서도 효율적이고 지속 가능한 식물 생산을 촉진한다.
3.5. 축산- 축산의 머신 비전
현대 축산은 머신 비전 기술의 중요한 응용 분야이다. 특수 애플리케이션은 가축 관리 조건을 개선하고 수확량을 크게 높일 수 있다.
성장 및 신체적 특징을 정확하게 결정
예를 들어, 머신 비전 소프트웨어를 사용하여 소와 같은 동물의 성장을 추적할 수 있다. 소는 먼저 3D 센서를 사용하여 개별적으로 스캔된다. 동물의 등은 3D 이미지 처리와 결합된 ToF 센서로 먹이를 주는 동안 측정된다. 이러한 방식으로 일반적인 체형 특징을 정확하게 결정할 수 있다. 여기에는 특히 동물의 길이와 너비는 물론 엉덩이 또는 어깨를 포함한 특수 신체 부위의 크기가 포함된다. 농부들은 이 정보로부터 소의 건강상태와 임신 경과와 같은 결과를 도출할 수 있다. 시간이 지남에 따라 여러 번 측정하면 적절한 사료 공급과 동물의 건강 상태에 대한 통찰력을 얻을 수 있다.
로봇으로 젖소 착유(milking)
또 다른 어플리케이션은 자동화된 착유 공정을 지원한다. ToF 센서는 젖소의 젖꼭지를 정확하게 찾기 위해서도 사용된다. 3D 좌표를 기반으로 착유기는 로봇을 사용하여 원하는 방식으로 유방으로 안내된다. 젖꼭지는 매우 민감하기 때문에 장비의 위치와 방향을 가능한 한 정확하게 결정해야한다. 따라서 착유기를 젖통에 쉽고 부드럽게 부착하여 동물에게 불필요한 고통과 스트레스를 피할 수 있다.
4. 결론
농업 분야는 전 세계적으로 많은 도전에 직면해 있다. 농업 산업은 생산적이고 효율적이며 지속 가능하도록 스마트 농업 기술을 도입해야 한다. 결국, 장기적으로 국제 시장에서 경쟁력을 유지하려면 디지털화와 자동화가 필요하다.
머신 비전은 이에 중요한 역할을 한다. 디지털 농업의 성장 시장에서 핵심 기술 역할을 담당하며 다양한 애플리케이션 시나리오에서 프로세스 효율성을 최적화하는 데 도움이 된다. 따라서 농부들은 생산성을 높이고 비용을 절감할 수 있을 뿐만 아니라 귀중한 자원을 보존하여 환경을 보호할 수 있다.
자료 제공: MVTec(www.mvtec.com)
