DOI QR코드

DOI QR Code

Study on Establishment of the Greenhouse Environment Monitoring System for Crop Growth Monitoring

작물 생식 모니터링을 위한 온실환경 모니터링 시스템 구축연구

  • Kim, Won-Kyung (Dept. of Agricultural Engineering, National Institute of Agricultural Sciences) ;
  • Cho, Byeong-Hyo (Dept. of Agricultural Engineering, National Institute of Agricultural Sciences) ;
  • Hong, Youngki (Dept. of Agricultural Engineering, National Institute of Agricultural Sciences) ;
  • Choi, Won-Sik (Dept. of Bio-industrial Machinary Engineering, Pusan National University) ;
  • Kim, Kyoung-Chul (Dept. of Agricultural Engineering, National Institute of Agricultural Sciences)
  • 김원경 (국립농업과학원 농업공학부) ;
  • 조병효 (국립농업과학원 농업공학부) ;
  • 홍영기 (국립농업과학원 농업공학부) ;
  • 최원식 (부산대학교 바이오산업기계공학과) ;
  • 김경철 (국립농업과학원 농업공학부)
  • Received : 2022.04.22
  • Accepted : 2022.05.13
  • Published : 2022.06.30

Abstract

Currently, the agricultural population in Korea indicates a decreasing and aging orientation. As the population of farm labor continues to decline, so farmers are feeling the pressure to be stable crop production. To solve the problem caused by the decreasing of farm labor, it is necessary to change over to "Digital agriculture". Digital agriculture is tools that digitally collect, store, analyze, and share electronic data and/or information in agriculture, and aims to integrate the several digital technologies into crop and livestock management and other processes in agriculture fields. In addition, digital agriculture can offer the opportunity to increase crop production, save costs for farmer. Therefore, in this study, for data-based Digital Agriculture, a greenhouse environment monitoring system for crop growth monitoring based on Node-RED, which even beginners can use easily, was developed, and the implemented system was verified in a hydroponic greenhouse. Several sensors, such as temperature, humidity, atmospheric pressure, CO2, solar radiation, were used to obtain the environmental data of the greenhouse. And the environmental data were processed and visualized using Node-RED and MariaDB installed in rule.box digital. The environment monitoring system proposed in this study was installed in a hydroponic greenhouse and obtained the environmental data for almost two weeks. As a result, it was confirmed that all environmental data were obtained without data loss from sensors. In addition, the dashboard provides the names of installed sensors, real time environmental data, and changes in the last three days for each environmental data. Therefore, it is considered that farmers will be able to easily monitor the greenhouse environment using the developed system in this study.

Keywords

1. 서론

현재 우리나라 농업인구는 2020년 12월 기준, 약 265만 명으로 2015년 대비 27만 명 정도(-9.3%) 감소하였고, 65세 이상의 고령인구 비중은 42.3%로 2015년 대비 3.9% 증가한 것으로 나타났다[1]. 또한, COVID-19로 인하여 농업생산 인력수급 불안정이 급증하고 있어, 많은 농가들이 작물 생산에 어려움을 겪고 있다[2]. 이와 같이 지속적인 농업인구의 감소와 농촌 고령화 및 고용노동력 감소에 따른 농업 인력 부족은 작물생산량에 직접적인 영향을 미치게 된다. 이를 해결하기 위해서는 농업생산성 향상과 인력수급 문제해결이 생산비 및 노동력을 절감하고, 농산물의 품질을 향상시킬 수 있는 방안으로 로봇을 이용한 디지털농업으로의 변화가 필요하다.

디지털농업(Digital Agriculture)은 농식품 생산성과 지속가능성 등의 향상을 위해 첨단 ICT (Information and Communications Technology) 기술과 인프라를 활용하는 새로운 농업의 개념으로 정밀농업기술에 지능형 네트워크와 스마트 농자재의 데이터 관리 도구를 결합하여 가용한 모든 정보와 전문 지식을 활용함으로써 농업에 고부가가치를 창출하고 농업의 지속가능성을 확보할 수 있다[3]. 디지털농업은 데이터를 기반으로 하는 시스템으로 농가에서 생산된 데이터와 유통, 소비단계에서 발생한 데이터, 공공데이터를 수집하고 분석·가공하여 관련주체에게 제공할 수 있는 데이터 플랫폼 체계 구축이 요구된다. 이러한 이유로, 국내에서도 다양한 플랫폼을 이용하여 온실환경을 측정하고 모니터링이 가능한 시스템을 개발하기 위해 많은 연구가 수행되었다[4-6].

또한 데이터 기반의 모니터링 시스템을 농용로봇에 적용하여 안정적으로 생산기술을 확보할 수 있는 작물 모니터링 로봇연구가 선행적으로 많이 수행되었다[7-8].

Seo 등[7]은 딥러닝 모델을 이용하여 토마토를 인식하고 이미지 데이터를 기반으로 토마토의 성숙도를 판별하는 실시간 토마토 모니터링 로봇개발 연구를 수행하였고 Fernando 등[8]은 모니터링 로봇이 수집한 이미지를 기반으로 이미지 처리, 머신러닝, 딥러닝 기법을 이용하여 온실 작물에서 황색을 일으키는 질병을 감지하는 기술연구를 수행하였다. 이러한 모니터링 로봇 연구를 통해 온실작물의 수확량을 미리 예측하거나 병해를 조기 발견하여 대처함으로써 안정적인 농업생산이 가능하다.

그러나 이러한 시스템들은 현재까지 연구단계이기 때문에 높은 전문성을 필요로 하고 국내 농업환경에 접목하기에는 비용 및 유지관리 측면에 있어 한계가 존재한다. 따라서 본 논문에서는 이러한 한계를 보완할 수 있는 플랫폼으로 Node-RED를 제안하였다.

Node-RED는 IBM에서 개발한 브라우저 기반의 편집기로 Node.js를 이용하는 경량의 시각화 도구이다. 노드 간의 데이터 플로우로 전개되기 때문에 초보자도 쉽게 사용할 수 있으며, 재편집에 용이하다. 또한, 자바스크립트 언어로 스크립팅을 하고 드래그 앤 드랍의 GUI로 브라우저에서 사물인터넷 서비스를 개발할 수 있기 때문에 최근 국내외에서 Node-RED를 이용한 많은 연구사례가 보고되고 있다[9-11].

본 연구에서는 작물 모니터링 로봇을 개발하기 위한 기초 연구로써 데이터 기반의 플랫폼을 확보하기 위해 Node-RED를 이용하여 실시간으로 환경 데이터를 수집하고 수집한 데이터를 가시화 할 수 있는 온실환경 모니터링 시스템을 구축하였으며, 구축된 시스템은 실제 수경재배 방식의 온실에 설치하여 실증실험을 수행하였다.

2. 작물 모니터링 로봇

Fig. 1은 기존 연구[9]에서 개발한 모니터링 로봇의 개략도와 실제이미지로 온실에 설치된 온수관 위를 주행할 수 있도록 이중구조의 구동 휠을 가지며(Fig. 1(a)), 로봇 하단에 설치된 2개의 근접센서를 이용하여 작물구간의 시작과 끝 위치를 인식하고, 마그네틱 센서를 이용하여(Fig. 1(b)) 바닥의 자력선을 인식하여 주행할 수 있다. 또한 이미지를 기반으로 작물의 상태를 모니터링하기 위해 산업용 컴퓨터인 Nuvo-8108(Neousys tech., New Taipei City, Taiwan)와 NVIDIA RTX 2080 ti GPU(NVIDIA, California, USA)를 탑재하였으며 ELP 4K USB(ELP, Guangdong, China) 웹캠으로 이미지를 수집한다.

SOOOB6_2022_v25n3_349_f0001.png 이미지

Fig. 1 The schematic and the actual image of the crop monitoring robot((a) wheel part, (b) lower part, (c) actual image)

이렇게 구성된 모니터링 로봇에 본 연구에서 구축한 온실환경 모니터링 시스템을 탑재하여 작물 생식을 모니터링 하고자한다.

3. 온실환경 모니터링 시스템 설계

Fig. 2은 본 논문에서 제안하는 온실환경 모니터링 시스템의 구성도로 온실의 환경 데이터 취득을 위한 센서부와 취득한 데이터를 관리하고 가시화하기 위한 데이터 관리부로 구성하였다. 각 모듈은 PoE (Power of Ethernet)를 활용하여 전력과 데이터를 동시에 취급할 수 있도록 하였다.

SOOOB6_2022_v25n3_349_f0002.png 이미지

Fig. 2 System configuration

3.1 센서 구성

온실환경을 모니터링 하기 위해 환경요소를 측정할 수 있는 온도-습도-기압센서(Web-Thermo-Hygrobarometer, W&T, Wuppertal, Germany), CO2센서(Web-IO CO2, W&T, Wuppertal, Germany), 일사량센서(SMP10-V, KIPP & ZONEN, Delft, Netherlands)를 이용하였다. 일사량센서의 경우에는 아날로그 신호인 전압신호로 출력되기 때문에 데이터 로거(Web-IO 4.0 Analog 0-10V, W&T, Wuppertal, Germany)를 사용하여 디지털 신호로 변환하였다. Table 1은 온실환경 모니터링 시스템에 사용된 환경센서의 사양을 보여준다. 환경센서로부터 취득한 데이터는 PoE (Power of Ethernet) 포트를 통해 온실환경 데이터 관리부로 전달된다.

Table 1. Features of sensors used in monitoring system

SOOOB6_2022_v25n3_349_t0001.png 이미지

3.2 온실환경 데이터 관리

환경센서에서 수집된 데이터를 관리하고 모니터링하는 장치로 rule.box digital (W&T, Wuppertal, Germany)를 사용하였으며, 장치 내부에 CPU (88F6820, Marvell, California, USA), 4GB 플래쉬 메모리(eMMC), 1GB RAM (DDR3)이 탑재되어 있어 다른 저장장치 없이 개발한 플로우를 저장하고 운영할 수 있다. 또한 시각화 프로그래밍을 위해 플로우 기반의 오픈소스 개발도구인 Node-RED (ver.1.2.2, IBM Emerging Technology, California, USA)를 이용하여 데이터의 입출력 처리 및 데이터 모니터링을 수행하였다.

Fig. 3는 Node-RED를 이용하여 구현된 모니터링 시스템의 개략도를 나타낸 것이다. 본 연구에서 구현된 모니터링 시스템은 각 환경센서로부터 데이터를 취득하기 위한 Analog IN-노드, 입력된 데이터를 각각의 변수로 지정하고 데이터베이스에 저장하는 function-노드, 환경센서로부터 입력받은 여러 데이터를 나열하고 적합한 데이터만 선정하는 delay-노드와 trigger-노드, 데이터베이스에 연결하고 관련 설정을 수행하는 mysqul-노드(본 연구에서는 MariaDB)로 구성된다. 또한, 입력된 데이터의 가시화는 text-노드, gauge-노드, chart-노드로 구성되었다.

SOOOB6_2022_v25n3_349_f0003.png 이미지

Fig. 3 Node-red flow of a environment monitoring system

환경센서로부터 취득된 데이터는 rule.box digital에 탑재된 데이터베이스인 MariaDB (ver.10.2.33, MariaDB Foundation, Delaware, USA)에 저장된다. MariaDB는 오픈소스의 관계형 데이터베이스 시스템으로 MySQL과 동일한 소스 코드를 기반으로 하기 때문에 사용방법과 구조가 간단하여 사용에 용이한 장점이 있다[12]. MariaDB에 저장된 데이터는 데이터베이스 관리프로그램인 DBeaver(ver. 10.2.33, DBeaver Corporation, New York, USA)를 통해 구성되었다. 본 연구에서 제안된 시스템은 양방향 제어가 아닌 온실환경을 측정하는 시스템이기 때문에 Fig. 4와 같이 측정시간(date), 온도, 습도, 기압, CO2 농도, 일사량으로 이루어진 한 개의 env-테이블로 구성하였다. 한편, 결측 데이터를 방지하기 위해 데이터 처리를 수행하는 노드를 제외하고 입력된 모든 데이터를 수집하는 raw data 테이블을 추가적으로 작성하였으며, 테이블 내부 구성은 env-테이블과 동일하게 구성하였다.

SOOOB6_2022_v25n3_349_f0004.png 이미지

Fig. 4 Data table of MariaDB

3.3 실증 실험

본 연구에서 구현한 온실환경 모니터링 시스템의 작동을 확인하기 위해 국립농업과학원(전라북도 완주군)의 실험온실에 설치하여 약 2주(2022.2.10.~2022.2.24.) 동안 실증실험을 진행하였다.

4. 결과 및 고찰

본 연구에서 제안된 Node-RED를 이용한 온실환경 모니터링 시스템은 토마토 재배 온실에 설치되어 약 2주 동안 실증실험을 진행하였으며, Fig. 5는 온실에 설치된 시스템을 나타낸 것이다. 작물의 생육시기에 따른 온실의 환경 변화를 즉각적으로 측정하기 위하여 일사량 센서를 제외한 환경센서는 작물의 생육지점 에 근접하여 설치하였다. 일사량센서의 경우에는 관수 시 수분이 센서 표면에 직접적으로 닿지 않도록 하기 위해 관수가 이루어지는 작물 지역이 아닌 위치에 설치하였다. 설치된 센서로 부터 데이터는 10분 간격으로 취득되도록 설정하였다.

SOOOB6_2022_v25n3_349_f0005.png 이미지

Fig. 5 Environment monitoring system installed in hydroponic greenhouse

Fig. 6은 현재 온실환경을 가시화하여 보여주는 대시보드 화면으로 환경센서로부터 취득된 온실의 환경 상태를 10분 단위로 보여준다. Fig. 6에 표현된 정보는 각 센서들의 명칭, 실제 데이터 값, 상태를 쉽게 확인할 수 있는 도표와 그래프이며, 각 그래프는 최근 3일간의 변화추이를 나타내도록 설정하였다. 일사량센서의 경우에는 실제 입력되는 전압 값(Voltage)과 계산식에 의해 변환된 일사량 값을 텍스트로 확인가능하다.

SOOOB6_2022_v25n3_349_f0006.png 이미지

Fig. 6 Real-time dashboard of environment monitoring system

또한 각각의 센서로부터 입력된 데이터는 rule.box digital 내부에 설치된 데이터베이스(MariaDB)에 저장되는데 이는 데이터베이스 관리프로그램인 DBeaver를 통해 추출하였으며, 저장된 데이터는 csv, DbUnit, HTML, JSON, Markdown, SQL, Source code, TXT, XML 및 XLSX 형식으로 추출할 수 있다.

Fig. 7은 본 연구에서 제안된 시스템의 실증실험을 통해 취득한 데이터를 나타낸 것이다. 온도r값(Fig. 7(a))의 경우 평균적으로 야간에는 18℃, 주간에는 28℃로 주간과 야간에 따라 데이터가 반복적으로 변화하는 것으로 나타났다. 습도 값(Fig. 7(b))의 경우에는 평균적으로 53.3% 정도로 유지되었으나, 주간과 야간에 따라 약 20%정도의 차이를 보이며 온도 값와 유사하게 데이터가 반복적으로 변화하는 것으로 나타났다. CO2 값(Fig. 7(c))의 경우 초반 5일(2022.02.10.~2022.02.14.)은 평균 440.88ppm, 후반 10일(2022.02.15.~ 2022.02.21.)은 평균 540.044ppm으로 나타났다. 이처럼 주간 및 야간에 따라 반복적으로 변화하는 것으로 나타났으며, 이는 다른 센서값과 유사하였다. 이러한 이유는 작물의 생육시기에 따라 필요로 하는 CO2의 양이 다르기 때문에 CO2 공급량이 달라짐에 따라 나타난 결과로 실제 작물시기에 따른 CO2 변화량의 차이를 확인할 수 있었다. 일사량 값(Fig. 7(d))의 경우에는 평균 81.82 W/m2로 나타났으며, 주간 및 야간에 따른 일사량 변화를 확인할 수 있었다. 기압 값(Fig. 7(e))은 평균적으로 1024.7 hPa로 나타났다. 기압 r값의 경우에는 주·야간이 아닌 1주 단위로 데이터가 반복적으로 변화하는 것으로 나타났으며, 이는 2주간의 데이터로는 변화추세를 대표할 수 없을 것으로 판단되며 장기적인 실험을 통해 확인해야 할 것으로 사료된다.

SOOOB6_2022_v25n3_349_f0007.png 이미지

Fig. 7 Imported data from environment monitoring system (a): temperature, (b): humidity, (c): CO2 concentration, (d): solar radiation, (e): air pressure

한편, 환경센서들 간에 설정된 내부 시간차이로 인해 데이터가 중복으로 입력되는 문제점이 발생하였으나 이는 추후에 외부 인터넷을 연결하여 서버시간을 통해 동기화 시키는 방법으로 해결가능할 것으로 판단되었다.

이처럼 본 연구에서 구축한 온실환경 모니터링 시스템을 실제 온실에 적용하여 실증실험을 진행한 결과, 5개의 환경센서 모두 데이터 누락 없이 수집되는 것을 확인하였다. 또한, 온실환경을 가시화하는 대시보드 역시 잘 구현되어 작업자들이 쉽게 온실환경을 모니터링 할 수 있을 것이라고 판단된다. 그러나 각 환경센서들 사이의 설정된 시간차이로 인하여 데이터가 중복으로 입력되는 문제점이 발생하였다. 이는 추후에 외부 인터넷을 연결하여 서버시간을 통해 동기화할 경우 문제해결이 가능할 것으로 판단된다. 따라서 본 연구에서 제안된 시스템에 외부 인터넷을 연결할 경우, 작물의 영양 및 생식생장에 따라 변화하는 온실의 환경 모니터링이 가능할 것으로 판단된다.

5. 결론

본 연구에서는 작물 모니터링 로봇개발을 위한 기초연구로써 작물생식 모니터링을 위해 Node-RED를 이용하여 실시간으로 환경 데이터를 수집하고, 데이터를 가시화 할 수 있는 온실환경 모니터링 시스템을 구축하였고 실제 온실에 설치하여 실증실험을 진행하였다. 본 시스템의 대시보드를 통해 현재 상태를 가시화하여 온실상태를 즉각적으로 확인할 수 있고, 수집된 데이터를 사용자가 쉽게 가공할 수 있기 때문에 추후 연구에서 온실의 환경조건과 작물의 생육 사이의 상관관계를 규명하여 완전 제어형 디지털농업 시스템을 구축하는 것이 가능하다고 판단된다.

또한 본 연구에서 구축한 온실환경 모니터링 시스템을 작물 모니터링 로봇에 탑재하여 작물의 생육정보와 온실 환경정보를 통합적으로 수집하고 분석할 수 있는 고도화된 작물 모니터링 로봇을 개발할 예정이다.

사사

연구는 농림축산식품부 및 과학기술정보통신부, 농촌진흥청의 재원으로 농림식품기술기획평가원과 재단법인 스마트팜 연구개발사업단의 스마트팜 다부처패키지 혁신기술개발사업(421031-04)의 지원을 받아 연구되었습니다.

References

  1. 2020년 농림어업총조사, 통계청, (2021).
  2. 엄진영 : 코로나 19와 농업 고용노동력, 한국농촌경제연구원, (2020).
  3. 박지연, 서대석, 이정민 : 제6장 농업의 미래, 디지털농업. 한국농촌경제연구원, 159, (2021).
  4. 정진형, 임창목, 조재현, 김주희, 김수환, 이기영, 이상식, 한국정보전자통신기술학회논문지, 12, 3, 290, (2019). https://doi.org/10.17661/JKIIECT.2019.12.3.290
  5. 나성주, 송주환, 디지털콘텐츠학회논문지, 22, 4, 737, (2021).
  6. 양오석, 이홍로, 허정욱, 이재수, 김태현, 김현종, 임동혁, 백정현, 한국통신학회, 46, 11, (2021).
  7. Seo Dasom, Cho B. H. and Kim K. C., Agronomy, 11, 11, 2211, (2021). https://doi.org/10.3390/agronomy11112211
  8. Fernando S., Nethmi R., Silva A., Perera A., De Silva R., and Abeygunawardhana P. K . W.: Intelligent Disease Detection System for Greenhouse with a Robotic Monitoring System. Proceedings of the 2020 2nd International Conference on Advancements in Computing (ICAC), Malabe, pp. 204-209, (2020).
  9. Rajalakshmi A. and Shahnasser H.: Internet of Things using Node-Red and Alexa. Proceeding of 2017 17th International Symposium on Communications and Information Technologies (ISCIT), Cairns, pp. 1-4, (2017).
  10. Lekic M. and Gardasevic G.: IoT sensor integration to Node-RED platform. Proceeding of the 17th International Symposium INFOTEH-JAHORINA, East Sarajevo, pp.1-5, (2018).
  11. Sicari S., Rizzardi A. and Porisini A. C. Internet Technology Lett., 2, 2, e88, (2019). https://doi.org/10.1002/itl2.88
  12. Monge O. I., Jimenez G. M. and Carro P. P. Ibero-American Congress of Smart Cities, 1555, 273, (2022).