Deep learning-driven IoT solution for smart tomato farming
논문 정보
- 제목: Deep learning-driven IoT solution for smart tomato farming
- 저자: Akshit Saxena, Aayushi Agarwal, Bhavya Nagrath, Carmel Sanjana Jayavanth, Shamita Thulasidoss, S. Maheswari, P. Sasikumar (Vellore Institute of Technology)
- 학회/저널: Scientific Reports
- 발행일: 2025-08-24
- DOI: 10.1038/s41598-025-15615-3
- 주요 연구 내용: ESP32 기반 무선 센서 네트워크(토양 수분, 온도, 습도)를 사용하여 온실 환경 데이터를 실시간으로 수집하고, 라즈베리 파이와 YOLOv8 딥러닝 모델을 이용해 토마토의 숙성 단계를 이미지 기반으로 자동 분류하는 IoT 스마트 농업 플랫폼을 제안함.
- 주요 결과 및 결론: 제안된 시스템은 실시간 모니터링 기능을 성공적으로 시연했으며, 양자화 및 가지치기 등 최적화된 YOLOv8 모델은 52.8%의 분류 정확도를 유지하면서 추론 속도를 35% 향상시켰음. 에너지 소비량 분석 결과, ESP32 센서는 일일 8.91Wh, 라즈베리 파이는 78Wh를 소모하는 것으로 나타남.
- 기여점: 실제 온실 환경에서 수집한 이미지를 활용하여 IoT와 딥러닝을 통합한 실용적인 토마토 농업 모니터링 프로토타입을 구현함. 또한, 시스템 구성 요소의 상세한 에너지 소비 프로파일링을 제공하여 향후 엣지 AI 기반의 확장 가능한 시스템 설계에 기여함.
요약
초록
증가하는 식량 수요와 기후 변화 문제로 인해 정밀 농업(Precision Agriculture)의 중요성이 커지고 있다. 본 연구는 토마토 농업에 특화된 IoT 기반 스마트 온실 플랫폼을 제시하며, 환경 감지 센서와 딥러닝 기술을 통합한다. ESP32 기반 무선 센서가 토양 수분, 온도, 습도 데이터를 실시간으로 수집하여 클라우드 대시보드(ThingsBoard)로 전송해 원격 모니터링을 지원한다. 라즈베리 파이와 Pi 카메라, YOLOv8 모델을 사용하여 실제 온실 이미지로부터 토마토 숙성 단계를 '녹색', '반쯤 익음', '완전히 익음'의 세 단계로 분류한다. 모델 최적화를 통해 추론 속도를 35% 향상시키면서 52.8%의 분류 정확도를 달성했으며, 일일 에너지 소비량은 ESP32 센서가 8.91Wh, 라즈베리 파이가 78Wh로 측정되었다.
서론
2050년까지 세계 인구가 97억 명에 도달할 것으로 예상됨에 따라 식량 생산량을 약 70% 늘려야 하는 과제에 직면해 있다. 기존 농업 방식은 기후 변화, 노동력 부족 등의 한계가 있어 IoT, WSN, AI와 같은 스마트 기술을 활용하는 정밀 농업이 대두되고 있다. 본 연구는 온실 토마토 농업을 위한 스마트 시스템을 제안하며, 센서 데이터와 이미지 기반 숙성도 감지를 결합하여 농작물 관리 효율성과 생산성 향상을 목표로 한다.
배경
정밀 농업(PA)은 데이터 수집, 처리, 분석, 의사 결정, 실행의 순환적 주기를 통해 자원 사용을 최적화하고 환경 영향을 최소화하는 농업 방식이다 (논문의 Figure 1 참조). IoT는 토양 수분, 온도, 습도 등을 측정하는 센서 네트워크를 구성하고, WSN을 통해 데이터를 중앙 컨트롤러로 전송한다. 본 연구는 단순 데이터 수집을 넘어, 센서 값과 카메라 이미지를 함께 사용하여 관개나 조명 조절과 같은 즉각적인 조치를 자동화하는 것을 목표로 한다.
모델 아키텍처 / 방법론
- 핵심 구조: 시스템은 크게 두 부분으로 구성된다. 첫째, ESP32 마이크로컨트롤러와 연결된 토양 수분, 온도/습도(DHT11), 조도(LDR) 센서가 환경 데이터를 수집하여 Wi-Fi를 통해 ThingsBoard 클라우드 대시보드로 전송한다. 둘째, 라즈베리 파이와 Pi 카메라가 주기적으로 토마토 이미지를 촬영하고, YOLOv8 모델을 실행하여 숙성 단계를 판별한 후 결과를 클라우드로 업로드한다. 전체 시스템 구조는 논문의 Figure 2와 Figure 4에 제시되어 있다.
- 주요 구성 요소:
- 센서 네트워크: 토양 수분 센서, DHT11, LDR 센서.
- 데이터 수집 및 전송: ESP32 마이크로컨트롤러.
- 이미지 처리 장치: 라즈베리 파이 및 Pi 카메라.
- 딥러닝 모델: YOLOv8n 아키텍처 기반의 모델을 "Laboro Tomato" 데이터셋으로 학습.
- 클라우드 플랫폼: ThingsBoard.
- 수식: 주요 하드웨어의 전력 소모량 계산식은 다음과 같다.
- ESP32 일일 총 에너지 소비량:
- 라즈베리 파이 일일 총 에너지 소비량:
- 알고리즘: YOLOv8n 모델은 제한된 성능의 엣지 디바이스에 배포하기 위해 양자화(Quantization), 가지치기(Pruning), TensorRT 가속과 같은 최적화 기법이 적용되었다.
실험 결과
- 주요 데이터셋: 'Laboro Tomato' 이미지 데이터셋을 사용했으며, 총 804개의 이미지(학습 643, 테스트 161, 8:2)로 구성했다. 데이터셋은 일반 크기와 방울토마토에 대해 각각 3단계의 숙성도(fully_ripened, half_ripened, green)로 레이블링된 6개의 클래스를 포함함.
- 핵심 성능 지표: 제안된 YOLOv8n 모델은 테스트 데이터셋에 대해 52.8%의 분류 정확도를 보였다. 이는 mAP(mean Average Precision) 52.8%와 평균 재현율(recall) 0.478에 해당한다. 모델 성능에 대한 상세한 혼동 행렬(Confusion Matrix)은 논문의 Figure 13에 제시되었다.
- 비교 분석: 기존 연구들이 주로 통제된 실험실 환경이나 공개 데이터셋을 사용하는 것과 달리, 본 연구는 실제 온실에서 촬영한 이미지를 사용하여 프로토타입을 구축하고 테스트함으로써 현실적인 적용 가능성을 높혔다. 또한 논문의 Figure 21에서는 ESP32와 라즈베리 파이의 일일 에너지 소비량(각각 8.91Wh, 78Wh)을 비교 분석하여 시스템의 지속 가능성을 평가하였다.
결론
본 연구는 IoT 센서 네트워크와 YOLOv8 딥러닝 모델을 통합하여 온실 토마토 작물을 모니터링하는 스마트 플랫폼을 성공적으로 구현하였다. 이 플랫폼은 농부에게 실시간 환경 데이터와 자동화된 숙성도 분석 정보를 제공하여 수확량 증대 및 손실 최소화에 기여할 수 있다. 다만, 52.8%의 모델 정확도는 소규모 학습 데이터에 기인한 한계점이며, 인터넷 연결에 대한 의존성 또한 단점으로 지적된다. 향후 연구 방향으로는 데이터셋을 대폭 확장하고, Edge TPU와 같은 엣지 컴퓨팅 기술을 도입하여 오프라인 처리 능력을 강화하며, 관개 및 환기 시스템을 자동으로 제어하는 기능을 추가하는 것이 포함된다.
본 논문은 ITEC0401-002 TA 업무를 위해 읽은 논문이다.