[학회] 효율적인 작물 재배를 위한 LSTM 기반 작물 잎 중량 예측 모델

📌 프로젝트 개요

📑 프로젝트 내용

❓주제 선정 배경

1. 작물의 수확량을 최고로 끌어올릴 수 있는 시간대별 최적 환경 파악

2. 작물의 일별 잎 중량을 예측하는 AI 예측 모델 생성

🔗 데이터 수집

🙋🏻‍♀️ 본인이 맡은 역할

⓵ 선형 보간법, MinMaxScaler를 통한 데이터 전처리

• 정의 : input(시간 단위) 데이터와 target(일 단위) 데이터의 구조가 맞지 않아, target(일 단위) 데이터를 input(시간 단위) 데이터 형식으로 변경
⭐️ input(시간 단위) 데이터를 target(일 단위) 데이터 형식으로 바꾸지 않은 이유는, 데이터 손실과 시계열의 특성 미반영 문제가 일어나기 때문입니다.

• 계산 : target(일 단위) 데이터를 input(시간 단위) 데이터 형식에 맞추어, 시간 단위 데이터로 변경

data = pd.read_csv('/content/drive/MyDrive/Colab Notebooks/상추/data/scale_train_x.csv', header=0, index_col=0) # MinMaxScaler + 사용할 변수들로만 구성된 데이터
data = data[['DAT', 'obs_time']]
data['predicted_weight_g'] = np.nan
data['predicted_weight_g'].interpolate(method = 'linear', inplace = True)

• 정의 : 모든 데이터의 변수가 0 ~ 1 사이의 값을 갖도록 변경

• 계산 : interpolate 함수를 이용하여, 모든 데이터의 변수 단위를 맞춤

data = pd.read_csv('/content/drive/MyDrive/Colab Notebooks/상추/data/train_x.csv', header=0, index_col=0) # 데이터 [train input] 28일치를 합쳐 놓은 데이터
df = data.loc[:, ('DAT', 'obs_time')]
scaler = preprocessing.MinMaxScaler(feature_range=(0, 1))
values = scaler.fit_transform(data.loc[:, ('내부온도관측치', '내부습도관측치', 'co2관측치', 'ec관측치', '시간당총광량')])
df2 = pd.DataFrame(values, columns = ['내부온도관측치', '내부습도관측치', 'co2관측치', 'ec관측치', '시간당총광량'])

⓶ 모델 생성 및 최적화

from keras.callbacks import ModelCheckpoint, EarlyStopping

checkpoint = ModelCheckpoint("/content/drive/MyDrive/Colab Notebooks/상추/model.h5",            
                             monitor='val_loss',   
                             verbose=1,            
                             save_best_only=True, 
                             mode='min'          
                            )

earlystopping = EarlyStopping(monitor='val_loss',  
                              patience=15,         
                             )

model = Sequential()
model.add(LSTM(400, activation='tanh', dropout=0.2, input_shape=(x_train.shape[1], x_train.shape[2]), kernel_regularizer=regularizers.l2(0.01)))
model.add(Dense(100))
model.add(Dense(1))
model.compile(loss='mae', optimizer='adam', metrics=['mae'])

history = model.fit(x_train, y_train, epochs=400, batch_size=24+28, 
        validation_data=(x_val, y_val), verbose=2, shuffle=False, callbacks=[checkpoint, earlystopping])

model = tf.keras.models.load_model("/content/drive/MyDrive/Colab Notebooks/상추/model.h5")
score = model.evaluate(x_val, y_val, verbose=0)
print('Test loss:', score[0])
print('Test MAE:', score[1])

💡성과/의의

📍결론

📍프로젝트 의의

1. 상추의 일별 잎 중량을 예측하는 AI 모델 생성
1. 스마트팜의 여러 잎채소들에 모델을 적용할 수 있습니다.

2. 생육 변수와 환경 변수 둘 다 고려
1. 잎 중량 예측에서부터 생산량 예측까지 연구가 확장될 수 있습니다.

💬 회고

➕ 보완할 점

• 짧은 관측 기관, 중복되는 변수들로 인해 예측 오차가 높은 편이라, 기상 데이터와 작물에 관한 연구를 바탕으로 정확한 프로젝트를 실시하면 오차가 줄어들 것이라 예상합니다.

• 최종 모델을 기반으로 한 예측 모델을 이용해서 생성 모델을 만든 후, 상추의 일별 잎 중량 예측값을 기반으로 하여 상추가 자랄 수 있는 최적의 생육 환경 조성 수치를 예측하면 효율적인 작물 재배로 농작물 생산량을 증가시킬 수 있을 것이라 예상합니다.

🚶🏻‍♀️‍➡️ 성장한 점

• 데이터 구조가 다른 여러가지 데이터를을 일관되게 정리할 수 있었습니다.

• 모델 최적화를 위한 다양한 최적화 방법을 적용해보는 시간이 되었습니다.