Korea Digital Contents Society

Journal Archive

Journal of Digital Contents Society - Vol. 21 , No. 12

[ Article ]
Journal of Digital Contents SocietyVol. 21, No. 12, pp.2237-2244
Abbreviation: J. DCS
ISSN: 1598-2009 (Print) 2287-738X (Online)
Print publication date 31 Dec 2020
Received 02 Nov 2020 Revised 30 Nov 2020 Accepted 30 Nov 2020
DOI: https://doi.org/10.9728/dcs.2020.21.12.2237

순천 지역 매실 재배관리 향상을 위한 클라우드형 재배관리 시스템 설계 및 구현
이상윤1 ; 박우준2 ; 김혁주3, *
1국립 순천대학교 산업기계공학과 박사 후 과정
2국립 순천대학교 산업기계공학과 석사과정
3국립 순천대학교 산업기계공학과 부교수

Design and Implementation of Cloud-type Cultivation Management System to Improve Plum Cultivation Management in Suncheon Area
Sang-Yoon Lee1 ; Woo-Jun Park2 ; Hyuck-Joo Kim3, *
1Postdoctoral Course, Department of Industrial Mechanical Engineering, Sunchon National University, Suncheon, 57922, Korea
2Master's Course, Department of Industrial Mechanical Engineering, Sunchon National University, Suncheon, 57922, Korea
3Associate Professor, Department of Industrial Mechanical Engineering, Sunchon National University, Suncheon, 57922, Korea
Correspondence to : *Hyuck-joo Kim Tel: +82-61-750-3268 E-mail: agrihj@sunchon.ac.kr


Copyright ⓒ 2020 The Digital Contents Society
This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-CommercialLicense(http://creativecommons.org/licenses/by-nc/3.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
Funding Information ▼

초록

본 논문에서는 순천 지역 매실 재배관리 향상을 위해 각 농가마다의 복합적 속성과 요구들을 반영하여 접근성이 용이한 빅데이터 플랫폼을 설계하고 Web 기반의 시스템을 개발하였다. 먼저, 재배관리 시스템의 구성을 위해 프로토타입 모델을 작성하고 이를 바탕으로 단계별로 구체화하였다. 이후 데이터 수집 및 처리 단계에서는 공공기관 자료와 실제 농가에 기상, 토양 정보 수집 장치를 설치하여 데이터를 제공받았다. 수집된 데이터를 이용하여 복숭아씨살이좀벌의 우화율을 예측할 수 있는 모델을 개발하였고 방제시기 알람 서비스를 제공하였다. 그리고 매실의 크기 및 병해충의 유·무를 확인 할 수 있는 카메라를 설치하여 이미지를 제공하고 월 2회 드론 촬영을 통해 재배농가의 생육 정보를 확인할 수 있는 식생지수 맵을 제공함으로써 비료 시비와 같은 재배관리를 효율적으로 할 수 있다.

Abstract

In this paper, in order to improve the management of plum cultivation in Suncheon, we designed a big data platform with easy access by reflecting the complex attributes and demands of each farm and developed a web-based system. First, a prototype model was created for the composition of the cultivation management system, and based on this, it was concreted step by step. After that, in the data collection and processing stage, Meteorological and soil information provided by public institutions was collected. In addition, a data collect device was installed and received on the actual farm. Using the collected data, a model was developed to predict the allegory rate of Eurytoma maslovskii, and an alarm service was provided. In addition, a collected image and a vegetation index map were provided to collect images to check the size of plums and the presence of pests and to check the growth status of plum farms using unmanned aerial vehicles. Through this, cultivation management such as fertilizer application can be efficiently performed.


Keywords: Big-data, Cultivation management, Plum, Eurytoma maslovskii, Normalized difference vegetation index
키워드: 빅데이터, 재배관리, 매실, 복숭아씨살이좀벌, 식생지수

Ⅰ. 서 론

매실(Prunus mume Sidbold et Zucc.)의 원산지는 중국의 사천성과 호북성의 산간지로 알려져 있으며, 장미과에 속하는 핵과류로 주로 대만, 일본, 중국, 한국 등에서 재배되고 있다[1]. 매실은 섬유소와 무기질이 풍부하고 구연산을 비롯한 유기산이 다양하게 함유된 알칼리성 과일이다[2]. 뿐만 아니라, 매실은 Rutin이라는 천연물질을 다량 함유하고 있어 혈관계 질환 치료, 모세혈관 강화, 항염증성 등에 효과가 있다는 보고가 있으며[3], 매실 추출물은 강한 항균활성과 인체 내에서 발생하는 활성산소종을 소거함으써 DNA산화를 방지한다고 보고하였다[4, 5].

통계청 농작물생산조사[6]에 따르면 2019년 전국의 매실 재배 면적은 9,385 ha, 생산량은 46,723 ton으로 보고되었으며 이 중 전라남도는 매실 전체 생산량의 약 40%이상의 수준인 3,796 ha의 재배면적과 19,882 ton의 생산량으로 매실 주산지이다.

본 연구의 대상 지역인 순천시는 광양시와 함께 국내 최대 매실 산지로 2015년 기준 순천시의 매실 재배면적은 총 1,206 ha로 보고되었다[7]. 현재 순천시에서는 순천대학교, 동아대학교 등과 함께 매실을 이용한 식초, 피로 해소 음료, 화장품 등과 같은 기능성 매실 가공품을 개발하고 있으며, 이를 통해 순천시 매실의 소비량을 증가시키고 매실 가공품 제조를 통한 농가소득 증대를 이루고자 노력하고 있다.

최근 네트워크 인프라(Infrastructure)를 기반으로 저비용의 광대역 무선 통신이 가능해지면서 인터넷은 우리 삶에 막대한 영향을 미치게 되었다[8]. 이렇게 인터넷은 사람과 사람 사이를 넘어 사람과 사물 사이, 사물과 사물 사이 상호작용을 실현하는 사물 인터넷(IoT; internet of things)으로 발전하게 되었다. IoT는 물리적 객체가 정보 네트워크에 원활하게 통합되고 그 객체가 비즈니스 프로세스에 적극적으로 참여할 수 있게 하는 기술이다[9].

IoT 기술에서 활용되는 물리적 객체 중 하나인 IoT 디바이스는 센서(Sensor)와 액추에이터(Actuator), 웨어러블(Wearable) 기기 센서 등을 통해 다양한 종류의 데이터를 대량으로 수집하고 생성한다.

빅데이터는 인터넷의 발달, IoT 디바이스의 급속한 보급, 소셜 네트워크 서비스(SNS; social network service) 사용자의 폭발적인 증가로 인하여 데이터가 기하급수적으로 증가하면서 만들어진 결과물이다[10]. 이러한 빅데이터는 데이터의 수집과 관리, 활용의 문제가 중요한 이슈로 대두되고 있다. 또한 그 데이터를 가공하고 분석하는 방법에 따라 상황인식, 의사결정, 그리고 가까운 미래 예측을 가능하게 하는 영역까지 확대되고 있다.

농업에서도 사물인터넷 또는 수집한 데이터를 활용한 재배관리 향상을 모색하는 연구가 활발하게 수행되고 있다. 하지만 넓은 노지를 관리하기 위한 인자를 선정하고 인자에 대한 데이터 수집은 가능하지만 단기간동안 수행된 연구로 최적화 된 결과물을 얻을 수는 없었기 때문에 장기간 데이터 수집 후 인자간의 영향을 비교해볼 필요가 있고 [11] 다른 연구에서는 토마토 생장에 영향을 미칠 수 있는 환경 인자를 선정하였으나 검증이 부족하여 추가적인 연구가 필요하다고 제시하고 있다[12]. 한국형 스마트 팜 시스템은 생산자는 생산을 전담하고 수요기업은 배지공급과 전문가 관리, 판매를 담당하며, IT 기업은 시스템을 수요기업 및 관리자와 사용자의 요구사항에 맞도록 개발하고 공급 및 관리를 하는 체계를 통해 3자가 상생할 수 있는 시스템을 구성하는 것이 이상적이라고 한다[13].

매실의 재배관리 향상을 위해서는 기존의 재배관리와는 다른 정형 데이터와 비정형 데이터를 총칭하는 빅데이터의 통합 분석을 수행하고, 실시간 모니터링을 통해 기상 및 토양 관리와 같은 선제적 대응 및 병충해로 인한 피해 최소화를 위한 노력이 반드시 필요하다. 또한 과실의 선별 방법, 농가별 출하량, 판매 금액 등과 같은 정보 제공이 미흡하여 유통과정에서 어려움을 겪고 있다.

따라서 본 논문에서는 순천 지역의 매실 농가를 대상으로 재배관리 향상을 위해 기상 및 토양과 관련된 실시간 빅데이터와 실제 사용자의 요구 사항 등을 반영한 클라우드형 재배관리 시스템을 설계하고 구현한다. 기상 및 토양 센서를 통한 실시간 데이터의 제공과 동시에 정형화된 공공데이터를 활용하여 통계 및 분석 정보를 제공하며, 병충해 예측 모델 알고리즘을 통해 푸쉬 서비스를 제공하고자 한다. 또한 각 농장에서 실시간으로 매실의 선별, 출하, 판매 금액 등의 정보를 입력할 수 있어 정보를 제공함과 동시에 제공받을 수 있어 접근성을 향상시켰다.


Ⅱ. 매실 재배관리 시스템 설계

매실 재배관리 시스템의 핵심은 매실 재배 농가에 설치된 기상 및 토양 센서를 통해 수집되고 쌓이는 데이터와 이를 가공해 만드는 콘텐츠 등의 소프트웨어에 있다. 본 논문에서는 그림 1의 구성을 통해 기상 및 토양의 데이터를 수집하였다.


Fig. 1. 
Structure of meteorological and soil sensing data collection

그림 1과 같이 매실 재배농가의 과실 사진, 디지털 센서와 아날로그 센서는 마이크로 컨트롤러와 연결되는데 이때 아날로그 센서는 ADC(Analog-digital converter)와 SPI(Serial peripheral interconnect)를 통해 신호를 변환시켜야 정상적으로 수집이 된다. 마이크로 컨트롤러에서는 Wi-Fi를 지원하기 때문에 전달 받은 센싱 데이터를 모뎀과 인터넷을 통해 실시간으로 저장하기 위해 대용량 스토리지가 필요하다. 대부분 용량은 이미지 데이터의 가능성이 크며, 일부분 용량을 메타정보가 차지할 것으로 예상된다. 마지막으로 저장된 빅데이터와 가공한 콘텐츠는 PC 또는 스마트폰을 통해 확인할 수 있고 또한 농장 정보를 입력할 수 있다.

Usecase는 시스템과 사용자의 상호작용을 다이어그램으로 표현한 것으로 사용자의 관점에서 시스템의 서비스 혹은 기능 및 그와 관련된 외부 요소를 나타낸다(그림 2). 사용자가 시스템 내부에 있는 기능 중 어떤 기능을 사용할 수 있는지를 나타내며 Usecase를 사용함으로써 요구사항에 대한 의견을 조율 할 수 있다.


Fig. 2. 
Usecase of plum cultivation management system

그림 2와 같이 대학(연구기관), 매실 재배농가, 선별장 등에서 로그인을 통해 재배관리 시스템에 접근할 수 있으며 메인화면에서 센서 정상 작동의 유·무, 현재 날씨 등을 확인할 수 있고 복숭아씨살이좀벌의 정보 또한 확인할 수 있다. 해당 기능을 선택하게 되면 매실 재배력과 젖산온도를 기반으로 한 씨살이좀벌의 우화율 등을 확인할 수 있다.

그리고 공공데이터를 통해 해당 지역의 일기 예보를 확인할 수 있고 농장에 설치된 기상 및 토양 장치를 통해 각 농장의 환경 상태를 파악할 수 있다. 그리고 농장주가 접속하였을 때는 영농일지 작성과 매실 생산량을 기입할 수 있도록 되어 있어 추후 작성한 내용을 공유할 수 있다. 또한 개인정보 수정 및 관리가 가능하다. 선별장에서는 매실의 품종에 따라 품질을 선별하는 기준, 가격 등의 정보를 입력하여 사용자가 확인할 수 있도록 구성되어 있다.

마지막으로 관리자는 농장 및 선별장의 정보들을 모두 관리하여 유용한 정보만을 제공함으로써 시스템을 이용하는 사용자에게 편의를 제공한다. 그림 3은 Usecase를 내용을 기반으로 Prototype을 제작한 것이며, 각 항목의 개별 기능이 가능하도록 제작하였다. 그림에서 보는 것과 같이 각 농장과 선별장에서 취득된 정보를 무선 통신을 통해 서버로 전송하고 공공데이터를 각 사이트에서 전송받게 되면 각각의 정보들을 그림과 표의 형태로 확인할 수 있도록 데이터를 가공한다. 사용자는 가공된 데이터를 각 항목을 선택하여 확인이 가능하다.


Fig. 3. 
Prototype of plum cultivation management system


Ⅲ. 데이터 수집 및 처리

데이터 수집 단계에서는 다양한 Open API와 제안하는 시스템 서비스에서 제공하는 사용자 메시지 등에서 지도, 상품 출하, 가격 등과 같은 필요한 정보들을 수집한다. 제안하는 시스템에서 사용된 Open API 중에서 기상관련 데이터는 기상청 Open API를 이용하여 데이터를 수집한다. 수집된 기상관련 데이터는 예보 기간과 시·공간적으로 세분화하여 3시간 단위로 기온과 강수량 등 기상예보 자료를 제공한다. 농장 환경정보 수집은 별도의 기상 및 토양 인자 데이터 수집 장치를 설치하여 대기와 토양의 기온 및 습도 데이터를 2분 단위로 수집한다. 재배농가에 설치한 기상 및 토양 인자 데이터의 수집은 선행연구[14]를 통해 검증된 장치를 이용하였다. 태양광 패널을 통해 전력을 공급 받고 공급 제어 장치를 통해 일부는 마이크로 컨트롤러 및 LCD 작동을 위해 사용되고 일부는 배터리에 축적된다. 마이크로 컨트롤러에 연결된 각 센서를 통해 데이터가 수집되고 수집된 데이터는 무선 통신으로 서버에 전송된다(그림 4). 수집한 데이터는 재배관리 시스템에서 10분, 1시간, 24시간 단위의 평균값의 형태로 제공한다. 또한 센서 데이터의 실시간 확인, 오동작 확인 등 다양한 관리자 기능을 추가하여 상황에 맞는 조치가 가능하도록 하였다.


Fig. 4. 
Meteorological and soil data acquisition(DAQ) device installed on the farms

매실에 가장 큰 피해를 입히는 해충은 복숭아씨살이좀벌(Eurytoma maslovskii)로 알려져 있다. 복숭아씨살이좀벌은 그 유충이 핵 속에서 씨앗을 섭식하여 낙과를 유발하고 이로 인한 낙과 피해가 매실 생산량의 절반에 이른다. 그렇기 때문에 방제 수확적기를 정확하게 판단하는 것이 중요하지만, 최근의 급격한 기후변화 등의 영향으로 방제적기 판단이 어려워 매실농가에서의 피해가 심각한 실정이다. 특히, 성숙중인 매실의 외관상으로는 씨살이좀벌 감염 여부가 판단이 어려워 농가의 대책 마련이 시급한 상황이다.

그림 5와 같이 포장의 지면에 낙과된 핵을 모아 놓고 사각뿔의 콘트랩(cone trap, L 100 cm × B 100cm × H 90 cm)을 설치하여 우화한 성충의 개체수를 조사하였다. 그림 6은 기상청에서 제공받은 지면 및 기상 온도, 동네 예보 자료와 농장의 실측 센서 데이터 그리고 매실의 크기와 복숭아씨살이좀벌의 우화율 조사 결과를 나타낸 것이다.


Fig. 5. 
Cone trap for adult Eurytoma maslovskii emergence monitoring in a plum


Fig. 6. 
Collected data of accumulated temperature, adult emergence rate, and plum size

먼저, 적산온도에 따른 매실의 성장을 예측하기 위하여 일반적으로 많이 이용되는 SSweibull 모델을 통해 회귀계수를 구하고 검정하였다(식 1).

y=Asym-Drop*exp-explrc*xpwr(1) 

여기서, x는 적산온도, y는 매실의 크기를 의미한다. Asym은 우측의 수평 점근선을 나타내는 숫자 매개 변수, DropAsymy절편 사이의 차이를 나타내는 숫자 매개 변수, lrc는 성장속도의 자연 로그를 나타내는 숫자 매개 변수, pwrx의 지수를 나타내는 숫자 매개 변수이다.

실제 복숭아씨살이좀벌의 산란이 가능한 매실의 크기인 10~20 mm일 때의 적산온도를 계산하기 위해서는 식 2와 같이 성장 모델의 역함수를 이용하였다.

x= -1elrclnAsym-yDrop1pwr(2) 

복숭아씨살이좀벌 유충의 발육영점온도는 참고문헌[15]에 의해 제시된 10.02℃로 하여 적산온도를 계산하였다. 표 12에 기재되어있는 값들은 그림 6을 통해 얻은 값을 나타낸 것이다. 매실의 크기를 예측하는 모델과 우화율 50%를 예측하는 모델에 각 변수의 값을 넣어 계산하면 추정된 매실크기 10 mm와 20 mm일 때의 적산온도는 농장에 설치한 기상 측정 데이터를 기준으로 각각 64 DD(Degree-day)와 135.8DD로 나타났다. 또한 방제 적기는 우화율이 50%를 기준으로 92.4 DD로 나타났는데 이때, 5~7일 전과 후를 포함하여 3회 정도 약제를 살포하면 효과적인 산란회피가 가능하다.

Table 1. 
Regression coefficient of variable by each measured temperature data for plum size prediction
Asym Drop lrc pwr
A 22.1701 19.3023 -9.3767 2.0685
B 22.6969 22.9574 -12.6527 2.4913
C 22.8515 23.4846 -12.5676 2.4591
D 23.0282 27.2990 -15.7801 2.8861
* A: Accumulated temp. of ground (measured by KMA), B: Accumulated temp. (measured by KMA), C: Accumulated temp. (measured by Digital forecast), D: Accumulated temp. (The actual measurement)

Table 2. 
Regression coefficient of variable by each measured temperature data for emergence rate of Eurytoma maslovskii
Asym Drop lrc pwr
A 1.02629 1.02389 -20.40996 4.41957
B 1.01405 1.02168 -32.78316 6.33894
C 1.01400 1.01194 -34.40635 6.60780
D 1.01183 1.03879 -46.14171 8.27383
* A: Accumulated temp. of ground (measured by KMA), B: Accumulated temp. (measured by KMA), C: Accumulated temp. (measured by Digital forecast), D: Accumulated temp. (The actual measurement)

기상 및 토양 데이터 수집을 통해 매실 농가의 상태를 확인할 수 있고 가공된 정보는 재배 과정에서 발생할 수 있는 병충해 피해를 최소화 할 수 있도록 도움을 준다. 특히, 방제시기가 필요한 시점에 문자서비스 알람을 통해 미리 대처를 할 수 있도록 하였다. 그리고 매실 농장에서 재배되고 있는 매실의 생육 상태 확인 과 영상을 통해 병해충의 유무를 확인하기 위해 대표 나무를 선정하여 실시간 확인이 가능한 카메라(RealSense™ Depth Camera D415, Intel®, USA)를 설치하였다. 또한, 매실 재배 농가의 생육 현황을 파악하기 위해 2주 간격으로 무인항공기(Phantom 4, DJI, China)에 다중분광카메라(Sequoia, Parrot, France)를 장착하여 촬영한 이미지를 통해 식생지수를 분석한 이미지 또한 제공하여 재배 지역에 대한 생육 정보를 확인할 수 있어 적절한 비료 시비 처방을 진행할 수 있다.


Ⅳ. 매실 재배관리 향상을 위한 빅데이터 시스템

그림 2그림 3에서 설명한 매실 재배관리 Usecase와 프로토타입을 기준으로 상세 항목을 작성하여 Cloud web service를 개발하였다. 표 3은 최종 설계된 항목들을 나타내었다.

Table 3. 
Cloud web service final item
No. Table ID Explanation
1 TB_AUTHORGROUP_I Manage authority group information.
2 TB_CNTC_DATA_M Manage linked data information.
3 TB_CNTC_REQUST_CMMND_M Manage the order for requesting connection.
4 TB_CNTC_REQUST_HIST_H Manage connection request history.
5 TB_FRLND_M Manage farmland information.
6 TB_FRLND_PRDLST_M Manage item information of farmland.
7 TB_FRLND_ZONE_M Manage area information of farmland.
8 TB_FRMHS_M Manage farm information.
9 TB_MENU_M Manage menu information.
10 TB_MENUAUTHOR_M Manage menu permission information.
11 TB_OBSR_INSTL_EQPMN_M Manage installation equipment information.
12 TB_OBSR_INSTL_EQPMN_MESURE_L Manage installation equipment measurement information.
13 TB_SCRIN_M Manage screen information.
14 TB_SM_DALY_MCHN Manage machine information by day.
15 TB_SM_DALY_SENSOR Manages sensor information per day.
16 TB_SM_MNT_MCHN Aggregate minute machine information is managed.
17 TB_SM_MNT_SENSOR Manage aggregate minute sensor information.
18 TB_SM_TEMNT_MCHN Manage ten minutes of aggregate machine information.
19 TB_SM_TEMNT_SENSOR Manages sensor information for ten minutes.
20 TB_SM_TIME_MCHN Aggregate time to manage machine information.
21 TB_SM_TIME_SENSOR Manage aggregate time sensor information.
22 TB_SMS_SETUP Manage SMS configuration information.
23 TB_SMS_SNDNG Manage SMS sending information.
24 TB_STDR_CODE Manage reference code information.
25 TB_STDR_EQPMN_ABNRML_VALUE_M Manage the information of outliers of the reference equipment.
26 TB_STDR_EQPMN_CHNNL_D Manage channel information of reference equipment.
27 TB_STDR_EQPMN_M Manage reference equipment information.
28 TB_STDR_PRDLST Manage reference item information.
29 TB_STDR_USE_INSTT_M Manage the information of the organization using the standard.
30 TB_USER_FRMHS_I Manages interface information between users and farms.
31 TB_USER_M Manage user information.
32 TB_WHSAL_MRKT_DATA_H Manage wholesale market data information.

표 3의 항목들은 클라우드형 매실 재배관리 시스템을 구성하는데 실질적으로 사용된 항목들을 의미한다. 32가지의 항목들은 각각의 기능을 내포하고 있다. 가장 큰 역할은 11, 12, 31, 32번 항목과 같이 기상 장치의 센서 정보, 측정 정보, 사용자, 선별장 등을 관리하는 것이며 취득된 데이터는 5, 6, 7, 8의 설명과 같이 지도, 그래프, 표 등과 같이 가공한 형태로 제공될 수 있도록 구성하였다.

표 3의 항목들을 이용하여 최종적으로 구성한 클라우드형 매실 재배관리 시스템은 그림 7과 같다. 매실 재배관리 시스템에 접속하여 사용자 등록 및 로그인을 진행할 수 있다. 로그인을 하게 되면 그림 8(a)와 같이 메인화면에 접속하여 해당 지역에 등록되어 있는 재배 농가의 위치를 확인할 수 있다. 또한 상단에 있는 기상대 정보 조회를 통해 당일 시간 대별 기온과 강수량을 확인할 수 있으며 농장별 보기에서는 데이터 수집 장치에서 수집된 정보를 기반으로 환경 정보를 제공한다. 또한 이상 농가와 정상 농가로 나누어 센서가 잘 작동하고 있는지에 대한 정보를 메인화면에서 확인할 수 있다.


Fig. 7. 
Main screen of plum cultivation management system


Fig. 8. 
Plum cultivation management system based on big data Web site

좌측에 위치한 각각의 항목들을 통해 필요한 정보를 얻을 수 있는데 그림 8(b)에서는 선별장에서 제공하는 정보를 가공하여 표와 그래프의 형태로 확인할 수 있다. 선별장 수, 데이터의 수를 나타내고 등급별 출하금액 및 출하량을 막대 그래프와 곡선 그래프를 통해 확인할 수 있다. 해당 데이터는 누적되어 일 단위로 업데이트 하여 제공된다. 그리고 그림 8(c)에서는 농장에서 가입하였을 경우 상세주소와 추후 알림 서비스를 제공 받을 연락처, 이메일 등을 기입할 수 있도록 되어 있으며, 재배 유형, 재배 품종 등 자세한 농장의 정보를 작성할 수 있다. 입력된 정보는 분류하여 재배 유형별, 품종별의 형태로 나타낼 수 있다.

그림 8(d)에서는 현재 운영되고 있는 기상 및 토양 정보를 습득할 수 있는 장비가 설치된 농가의 장비 상태를 확인할 수 있다. 온도, 습도, 지온, 지습, EC, 강우 채널로 각각 구성되어 있으며 설치 일자와 최소, 최대 값을 설정할 수 있다. 각각의 채널을 부여하여 데이터를 전송받으며 장비 상태란을 확인하여 정상이 아닌 경우, 시스템 내에서 우선적으로 조치를 취할 수 있고 배선 연결 불량이나 다른 기타 문제의 경우 방문하여 즉시 조치를 취할 수 있다.

그림 8(e)에서는 각 농장에서 수집된 기상 및 토양 데이터를 조회 기간을 설정할 수 있고 데이터 집계 주기를 10분, 1시간 1일로 선택할 수 있어 사용자가 원하는 데이터를 확인 할 수 있도록 하였다. 그리고 각 센서 데이터는 표와 그래프를 통해 항목마다 확인하거나 확인하고자하는 항목을 선택하여 동시에 표시가 되도록 하여 육안으로 상관관계를 파악할 수 있다. 또한 농장에 매실 생육기간 동안 한 위치에서 생육 과정을 촬영하기 위해 카메라를 설치하여 일별 매실 사진을 자동으로 업로드하여 매실 성장 과정을 확인할 수 있도록 하였고 재배관리 시스템을 관리하는 학교 실험실에서는 월 2회 무인항공기와 다중분광영상 장치를 이용하여 식생지수를 파악할 수 있는 이미지를 업로드하여 사용자에게 제공한다. 업로드되어 있는 이미지는 사용자가 언제든지 다운로드를 받아 활용할 수 있으며 특히, 식생지수 이미지의 경우 비료 시비 시기 결정 및 처방을 효과적으로 할 수 있을 것으로 판단된다.

마지막으로 그림 8(f)에서는 관리자가 시스템에 가입한 사용자에게 문자메세지를 전송할 수 있다. 앞에서 언급한 것과 같이 적산온도를 이용한 복숭아씨살이좀벌 발생 예측 모델을 통해 문자 알림을 전송하여 효과적으로 복숭아씨살이좀벌 피해에 대처할 수 있으며, 매실 재배력을 바탕으로 일정 시기에 필요한 작업들에 대한 정보를 제공하여 편리하고 쉽게 매실을 재배하고 관리할 수 있도록 한다.


Ⅴ. 결 론

본 논문에서는 매실 주산지인 순천시를 대상으로 매실 재배 농가의 재배관리를 향상시키고 재배농가들의 접근성을 향상시킬 수 있는 방법을 모색하였다. 매실의 재배관리에 있어 복숭아씨살이좀벌과 같은 병해충을 예방하는 것이 가장 중요하고 이후 비료 시비나 수확 시기 결정, 수확 후 선별 및 유통 또한 중요한 작업이다. 본 논문에서는 공공기관 및 매실 선별장, 가격 정보 등과 같은 방대한 양의 정보를 지원함과 동시에 개별 농가에 기상 및 토양 정보 수집 장치를 설치하여 수집된 정보를 빠르고 간편하게 Web을 통해 확인할 수 있는 빅데이터기반 클라우드 시스템을 개발하였다. 현재 수집된 데이터를 가공하여 복숭아씨살이좀벌의 우화율 예측 모델을 개발하고 이를 통해 방제시기에 문자알람서비스를 제공하는 수준이지만 추후 매실의 영상 정보와 무인항공기 기반 식생지수 맵 등을 축적하고 이를 통해 매실의 수확시기 예측 모델 또는 비료시비 시기 결정 및 시비량 조절 등과 같은 서비스를 제공하고자 한다.


Acknowledgments

본 결과물은 농림축산식품부의 재원으로 농림식품기술기획평가원의 농생명기술개발사업의 지원을 받아 연구되었음(316009-5)


References
1. Y. Chuda, H. Ono, M. O. Kameyama, K. Matsumoto, T. Nagata and Y. Kikuchi, “Mumefural, Citric Acid Derivative Improving Blood Fluidity from Fruit-Juice Concentrate of Japanese Apricot (Prunusmume Sieb. et Zucc),” Journal of Agricultural and Food Chemistry, Vol. 47, No. 3, pp. 828-831, February 1999.
2. Y. D. Kim, S. H. Kang, and S. K. Kang, “Studies on the acetic acid fermentation using maesil juice,” Journal of the Korean Society of Food Science and Nutrition, Vol. 25, No. 4, pp. 695-700, August 1996.
3. J. T. Han, S. Y. Lee, K. N. Kim, and N. I. Baek, “Rutin, Antioxidant Compound Isolated from the Fruit of Prunus menu,” Journal of the Korean Society of Agricultural Chemistry and Biotechnology, Vol. 44, No. 1, pp. 35-37, February 2001.
4. K. S. Seo, C. K. Huh, and Y. D. Kim, “Comparison of Antimicrobial and Antioxidant Activities of Prunus mume Fruit in Different Cultivars,” Korean Journal of Food Preservation, Vol. 15, No. 2, pp. 288-292, April 2008.
5. H. J. Park, M. M. Kim, and Y. H. Oh, “Effect of Fruit Extract of Prunus mume on the Scavenging Activity of Reactive Oxygen Species and Melanin Production in B16F1 Cells,” Journal of Life Science, Vol. 22, No. 7, pp. 936-942, July 2012.
6. Korean Statistical Information Service. Amount of fruit production[Internet]. Avaliable: http://kosis.kr/statHtml/statHtml.do?orgId=101&tblId=DT_1ET0292&vw_cd=MT_ZTITLE&list_id=K1_19&seqNo=&lang_mode=ko&language=kor&obj_var_id=&itm_id=&conn_path=MT_ZTITLE
7. S. M. Choo, S. W. Lee, D. H. Ahn, H. J. Kim, and K. S. Kim, “Analysis of Factors Influencing Purchase Intention of Functional Plum Processed Products: Focusing on the Case of Suncheon Plum,” Journal of Rural Development, Vol. 41, No. 2, pp. 35-60, June 2018.
8. C. Doukas and I. Maglogiannis, “Bringing IoT and Cloud Computing towards Pervasive Healthcare,” in 2012 Sixth International Conference on Innovative Mobile and Internat Services in Ubiquitous Computing, Palermo, pp. 922-926, 2012.
9. S. Haller, S. Karnouskos, and C. Schroth, “The Internet of Tings in an Enterprise Context,” in First Future Internet Symposium 2008, Vienna, pp. 14-28, 2008.
10. M. Y. Yoon, “Data Analysis for a Better Future-Big Data Global Best Practices Ⅱ,” 1st ed. National Information Society Agency, 2013.
11. S. K. Youm, S. K. Hong, and W. K. Koh, “The smart outdoor cultivation system using internet of things,” Journal of the Korea Convergence Society, Vol. 9, No. 7, pp. 63-68, July 2018.
12. M. H. Na, Y. H. Park, and W. H. Cho, “A study on optimal environmental factors of tomato using smart farm data,” Journal of the Korean Data and Information Science Society, Vol. 28, No. 6, pp. 1427-1435, November 2017.
13. K. S, Roh, K. I. Lee, K. J. Kim, J. Y. Kim, I. Ullah, and H. J. Lee, “Korean smart farm system modeling,” The Institute of Electronics and Information Engineers, pp. 622-625, 2016.
14. Rural Development Administration, “Development of vision monitoring technology of determining the optimum timing to control Eurytoma maslovskii for increasing plum productivity,” Jeonju, PJ012292, 2018. Available: https://www.ndsl.kr/ndsl/commons/util/ndslOriginalView.do?dbt=TRKO&cn=TRKO201900016000&rn=&url=&pageCode=PG18
15. Rural Development Administration, “Biology and control of Eurytoma maslovskii, a new pest of stone fruit trees,” Jeonju, PJ010206, 2016. Available: http://www.ndsl.kr/ndsl/commons/util/ndslOriginalView.do?dbt=TRKO&cn=TRKO201700006399&rn=&url=&pageCode=PG18

저자소개

이상윤(Sang-Yoon Lee)

2013년 : 국립 경상대학교 (공학사-생물산업기계공학)

2015년 : 국립 경상대학교 (공학석사-생물산업기계공학)

2020년 : 국립 경상대학교 (공학박사-바이오시스템공학)

2020년~현 재: 국립 순천대학교 산업기계공학과 박사 후 과정

※관심분야: 영상분석, 인공지능, 농업기계 자동화 등

박우준(Woo-Jun Park)

2020년 : 국립 순천대학교 (공학사-산업기계공학)

2020년~현 재: 국립 순천대학교 산업기계공학과 석사과정

※관심분야: 농업기계 자동화, 정밀 농업, 스마트 농업 등

김혁주(Hyuck-Joo Kim)

1988년 : 서울대학교 대학원 (농학석사-농업기계공학)

2001년 : 경북대학교 대학원 (농학박사-농업기계공학)

1988년~1997년: 대동공업주식회사 기술연구소 선임연구원

1998년~2002년: 경북대학교 농과대학 생물산업기계공학과 강사 및 학술연구교수

2003년~2004년: 농촌진흥청 농업기계화연구소 농산가공과 농공연구사

2004년~2008년: 농촌진흥청 농업공학연구소 이용기술공학과 농업연구사

2008년~2010년: 농촌진흥청 국립농업과학원 재해예방공학과 농업연구사

2010년~2015년: 농촌진흥청 국립농업과학원 생산자동화기계과 농업연구사

2015년~현 재: 국립 순천대학교 산업기계공학과 교수

※관심분야: 농업기계 자동화 및 농작업 안전기술, 농업기계 표준화 및 OECD 트랙터 코드 운영 등