Advanced Industrial SCIence (산업과 과학)

Convergence Society for SMB (중소기업융합학회)
권호 표지
DOI QR코드

DOI QR Code

IoT Data Processing Model of Smart Farm Based on Machine Learning

머신러닝 기반 스마트팜의 IoT 데이터 처리 모델

  • Yoon-Su, Jeong (Department of information Communication Engineering, Mokwon University)
  • 정윤수 (목원대학교 정보통신융합공학부)
  • Received : 2022.11.19
  • Accepted : 2022.12.20
  • Published : 2022.12.30
Download PDF
⟨ Previous Next ⟩

Abstract

Recently, smart farm research that applies IoT technology to various farms is being actively conducted to improve agricultural cooling power and minimize cost reduction. In particular, methods for automatically and remotely controlling environmental information data around smart farms through IoT devices are being studied. This paper proposes a processing model that can maintain an optimal growth environment by monitoring environmental information data collected from smart farms in real time based on machine learning. Since the proposed model uses machine learning technology, environmental information is grouped into multiple blockchains to enable continuous data collection through rich big data securing measures. In addition, the proposed model selectively (or binding) the collected environmental information data according to priority using weights and correlation indices. Finally, the proposed model allows us to extend the cost of processing environmental information to n-layer to a minimum so that we can process environmental information in real time.

최근 농업 경랭력 향상 및 비용 절감을 최소화하기 위해서 IoT 기술을 다양한 농장에 적용하는 스마트 팜 연구가 활발하게 진행되고 있다. 특히, IoT 장치를 통해 스마트 팜 주변의 환경정보 데이터를 원격 제어할 수 있는 방법들이 연구되고 있다. 본 논문에서는 스마트 팜에서 수집된 환경정보 데이터를 머신러닝 기반으로 실시간 모니터링하여 최적의 생육환경을 유지할 수 있는 모델을 제안한다. 제안 모델은 머신러닝 기술을 사용하기 때문에 풍부한 빅데이터 확보 방안을 통해 지속적인 데이터 수집이 가능하도록 다중 블록체인으로 환경 정보를 묶는다. 또한, 제안 모델은 수집된 환경 정보 데이터를 가중치와 상관관계 지수를 이용하여 우선 순위에 따라 선택(또는 바인딩)적으로 지정한다. 마지막으로, 제안 모델은 실시간으로 환경 정보를 처리할 수 있도록 환경 정보 처리 비용을 최소한으로 n-계층으로 확장할 수 있도록 한다.

Keywords

References

  1. Alves, R. G. et al.(2020). A digital twin for smart farming. 2019 IEEE Global Humanitarian Technology Conference (GHTC)(pp. 1-4). IEEE.
  2. Jans-Singh, M., Leeming, K., Choudhary, R., & Girolami, M. (2020). Digital twin of an urban-integrated hydroponic farm. Data-Centric Engineering, 1, 1-26. DOI : 10.1017/dce.2020.21
  3. Ghandar, A., Ahmed, A., Zulfiqar, S., Hua, Z., Hanai, M., & Theodoropoulos, G. (2021). A Decision Support System for Urban Agriculture Using Digital Twin: A Case Study With Aquaponics. IEEE Access, 9, 35691-35708. DOI : 10.1109/ACCESS.2021.3061722
  4. Mitchell, D. et al. (2021). Symbiotic System of Systems Design for Safe and Resilient Autonomous Robotics in Offshore Wind Farms, IEEE Access, 9, 141421-141452. DOI : 10.1109/ACCESS.2021.3117727
  5. Niu, G.. & Masabni, J. (2018). Plant production in controlled environments. Horticulturae, 4(4), 28.
  6. Orsini, F., Kahane, R., Nono-Womdim, R., & Gianquinto, G. (2013). Urban agriculture in the developing world: a review. Agronomy for sustainable development, 33(4), 695-720. DOI : 10.1007/s13593-013-0143-z
  7. Chen, B. et al. (2018). Global land-water nexus: Agricultural land and freshwater use embodied in worldwide supply chains. Science of the Total Environment, 613, 931-943. DOI : 10.1016/j.scitotenv.2017.09.138
  8. Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8), 2674.
  9. Ramos, P. J., Prieto, F. A., Montoya, E. C., & Oliveros, C. E. (2017). Automatic fruit count on coffee branches using computer vision. Computers and Electronics in Agriculture, 137, 9-22. https://doi.org/10.1016/j.compag.2017.03.010
  10. Franchetti, B., Ntouskos, V., Giuliani, P., Herman, T., Barnes, L., & Pirri, F. (2019). Vision based modeling of plants phenotyping in vertical farming under artificial lighting. Sensors, 19(20), 4378.
  11. Ballesteros, R., Ortega, J. F., Hernandez, D., & Moreno, M. A. (2018). Onion biomass monitoring using UAV-based RGB imaging. Precision agriculture, 19(5), 840-857.