최근 몇 년 동안 정밀 농업 또는 지능형 농업은 기하급수적으로 성장했습니다. 지능형 농업에서 잡초나 야생 식물의 제거는 점점 더 중요해지고 있습니다. 이는 잡초가 농작물에 유해하고 기생하기 때문입니다. 통제되지 않은 잡초의 성장은 영양분, 물, 공간 및 토양을 흡수하여 작물의 성장을 제한할 수 있습니다.
전통적인 잡초 제거 방법은 잡초가 들판에 균일하게 분포되어 있다는 가정 하에 제초제를 사용하는 것입니다. 그러나 대부분의 농지에서 잡초는 균일하게 분포되어 있지 않습니다. 경작지에서 무작위로 자란 잡초를 감지하는 것은 어려운 작업입니다.
물론, 로봇 및 기계 공학의 발전으로 원격 제어 기계 차량을 통해 로봇 팔을 사용하여 잡초를 정확하게 뽑을 수 있게 되었습니다. 하지만 이러한 시스템의 단점은 차량을 제어하고 잡초를 식별하고 로봇이 작물에서 잡초를 뽑도록 지시하기 위해 여전히 사람의 모니터링이 필요하다는 것입니다.
최근 머신 비전, 딥 러닝 및 인공 지능의 발전으로 잡초 제거 시스템에서 인적 요소를 대체할 가능성이 생겼습니다. 그러나 이는 "지능" 프로세스의 2가지 측면, 즉 지능 데이터(이미지)의 캡처와 해당 데이터를 기반으로 한 의사 결정이 모두 가능한 경우에만 이루어질 수 있습니다.
AI 시스템이 땅에서 개체(잡초)를 제거할지를 결정하기 위해서는 우선 개체를 시각적으로 식별하는 기능과 이를 잡초 또는 작물로 분류하는 기능이 필요합니다. 잡초와 작물은 일반적으로 스펙트럼 특성이 다르기 때문에 멀티 스펙트럼 카메라의 광학 센서를 통해 올바른 유형의 이미지를 제공하는 경우 정확한 분류가 가능할 수 있습니다.
머신 비전 카메라는 머신 러닝에 사용될 수 있는 시나리오의 실시간 이미지를 제공합니다. 이러한 기능은 매우 정확한 스펙트럼 데이터를 제공할 수 있지만 전체 이미지 데이터를 지원하지는 않는 단순화되고 매우 저렴한 광학 센서와 비교해 가장 큰 이점입니다. 반면에 머신 비전 카메라의 과제는 제초 애플리케이션과 관련된 제한된 수의 대역으로 멀티 스펙트럼 데이터를 제공해야 한다는 것입니다.
가능한 멀티 스펙트럼 시나리오 중 하나는 광 분리를 위해 여러 머신 비전 카메라에 광학 필터를 사용하는 것이지만 이러한 유형의 시스템은 복잡한 광학 정렬 어셈블리, 복잡한 데이터 처리 및 상승된 비용으로 인해 사용하기 어렵습니다.
잡초 제거는 실외 애플리케이션이기 때문에 광학 시스템의 견고성이 매우 중요합니다. 이러한 까다로운 환경에서 여러 대의 카메라 조합을 광학적으로 잘 정렬하여 사용하는 것은 그다지 실용적이지 않습니다. 다양한 스펙트럼 이미지의 광학적 정렬이 어긋나면 부정확한 머신 러닝이 발생하여 인공 지능 프로세스 효율성에 영향을 줄 수 있습니다.
잡초 제거 과정에 필요한 대역 수는 딥 러닝/AI 방식에 따라 달라집니다. RGB 이미지 기반 시스템은 RGB 그레이 레벨로 구성된 상대 컬러 인덱스를 사용합니다. 그러나 RGB 채널만 사용하는 경우 AI 프로세스에서 잎 방향, 일광 효과, 식물 질감, 그림자 및 캐노피 오버레이에 대한 민감도가 낮아질 수 있습니다. RGB와 NIR 파장을 결합하면 잡초와 작물을 구별하기 위해 적색과 NIR 반사율의 비율을 측정하는 NDVI 분석에 더 도움이 됩니다. 토양 및 죽은 식물의 배경 반사 역시 RGB-NIR 파장 조합을 기반으로 한 구별을 향상하기 위해 사용될 수 있습니다.
프리즘 기반 카메라는 RGB 외에도 1개 또는 2개의 추가 NIR 대역을 선택할 수 있는 멀티 센서의 고정밀 광학 정렬을 제공합니다. 이를 통해 자율 잡초 제거 차량은 정확히 동일한 시나리오를 사용하여 싱글 광학 평면에서 멀티 스펙트럼 이미지를 캡처할 수 있습니다.
최신 세대의 프리즘 기반 멀티 스펙트럼 카메라는 지능형 농업 시스템의 충격, 진동 및 온도 조건을 견딜 수 있는 높은 견고성을 제공하며 고속 10GigE 인터페이스를 통해 주어진 시간 내에 처리 가능한 농장 면적에 대해 높은 처리량을 제공합니다.
또한 이러한 카메라의 높은 프레임 속도 또는 라인 속도는 인공 지능 프로세스 기능에 매우 중요한 역할을 합니다. 머신 러닝에 사용되는 신경망이 분석되는 데이터의 품질 변화에 매우 민감하기 때문입니다. 고속 카메라는 햇빛이나 일반적인 일광 조건과 같은 외부 조명이 전체 이미지 품질에 미치는 영향을 줄여줍니다. 백엔드에서 AI 워크플로는 일반적으로 임베디드 처리 장치(예: Nvidia Jetson Xavier)에 연결되어 카메라 장치가 USB, MiPi-CSI 또는 1GigE 인터페이스를 지원하지 않는 경우 인터페이스 보드(PCIe gen4에서 10GigE까지)를 사용하여 카메라 장치에 연결할 수 있습니다.
JAI 3-CMOS 멀티 스펙트럼 에어리어 스캔 카메라에 대한 기술 자료 다운로드.
지능형 농업을 위한 JAI의 프리즘 기반 카메라에 대한 자세한 내용은 JAI로 문의하시기 바랍니다.
