AI 모델 및 플랫폼

AI를 활용한 농업: 컴퓨터 비전, 로봇, 그리고 돼지의 무게 측정

Alex Vakulov
Unite.AI를 Google의 선호 소스에 추가
핵심 포인트Neuromation은 컴퓨터 비전을 사용하여 사진에서 돼지의 체중을 추정함으로써 수동 계량에 따른 스트레스를 줄입니다.
더 보기
  • Neuromation은 컴퓨터 비전을 사용하여 사진에서 돼지의 체중을 추정함으로써 수동 계량에 따른 스트레스를 줄입니다.
  • AgMRI는 합성곱 신경망을 초분광 및 3D 레이저 데이터에 적용하여 작물 질병을 조기에 탐지합니다.
  • Prospero 로봇은 군집 농업을 구현하여 개별 식물 단위의 정밀함으로 자율적으로 파종, 관리 및 수확을 수행합니다.

인공지능은 농업과 식품 산업을 빠르게 정복하고 있다.

작물 분석에서의 컴퓨터 비전

수십억 명을 먹여 살리려면 넓은 땅이 필요하다. 오늘날 이를 손으로 경작하는 것은 불가능하다. 한편 식물 질병과 해충의 침입은 종종 흉작을 일으킨다. 현대 농업의 규모에서는 이런 침입을 초기에 제때 발견하고 막기가 어렵다.

컴퓨터 비전 알고리즘이 도움을 줄 수 있는 또 다른 영역이다. 재배자는 잎과 식물의 근접 사진을 이용하는 미시적 수준과 항공 사진에서 식물 질병이나 해충의 초기 징후를 찾는 거시적 수준 모두에서 컴퓨터 비전으로 작물 질병을 식별한다. 이러한 프로젝트는 대개 컴퓨터 비전의 대표적인 접근법인 합성곱 신경망을 기반으로 한다.

여기서는 컴퓨터 비전을 매우 넓은 의미로 이야기하고 있다. 많은 경우 일반적인 이미지는 최선의 데이터원이 아니다. 식물 생명의 중요한 측면 중 상당수는 다른 방법으로 더 잘 연구할 수 있다. 예를 들어 특수 센서로 초분광 영상을 수집하거나 3D 레이저 스캐닝을 하면 식물 건강을 더 잘 이해할 수 있는 경우가 많다. 이런 방법은 작물학에서 점점 더 많이 사용되고 있다. 이러한 데이터는 보통 고해상도이며 사진보다는 의료 영상에 가깝다. 포장 모니터링 시스템 중 하나가 AgMRI다. 데이터를 처리하려면 특수 모델이 필요하지만, 데이터의 공간 구조 덕분에 현대 컴퓨터 비전 기술, 특히 합성곱 신경망을 사용할 수 있다.

식물 표현형 분석과 영상 연구에 수백만 규모의 투자가 이루어지고 있다. 주요 과제는 작물에 관한 대규모 데이터셋을 보통 사진이나 3차원 영상으로 수집하고 표현형 데이터를 식물 유전형과 비교하는 것이다. 결과와 데이터는 전 세계 농업 기술을 개선하는 데 사용할 수 있다.

농업에서의 로봇 기술

Prospero 같은 자율 농업 로봇은 미리 정한 일반적인 패턴을 따르고 지형의 특성을 고려하면서 땅에 구멍을 파고 무언가를 심을 수 있다. 식물마다 개별적으로 작업하며 생장 과정을 관리할 수도 있다. 때가 되면 각 식물에 필요한 방식으로 정확히 대응하며 수확한다. Prospero는 군집 농업 개념을 기반으로 한다. 작은 Prospero 로봇 군대가 들판을 기어 다니며 뒤에 가지런하고 균일한 식물 줄을 남기는 모습을 상상해 보자. 흥미롭게도 Prospero는 현대 딥러닝 혁명의 전성기 이전인 2011년에 이미 등장했다. 오늘날 농업에서 로봇이 빠르게 확산되면서 점점 더 많은 일상 작업을 자동화할 수 있게 되었다.

  • 자동 드론은 작물에 약제를 살포한다. 작고 민첩한 드론은 일반 항공기보다 위험한 화학물질을 더 정확히 전달할 수 있다. 살포용 드론은 항공 사진을 촬영하여 이 글의 앞부분에서 언급한 컴퓨터 비전 알고리즘용 데이터를 얻는 데도 사용할 수 있다.
  • 수확용 전문 로봇이 점점 더 많이 개발되고 사용되고 있다. 콤바인은 오래전부터 존재했다. 하지만 현대 컴퓨터 비전과 로봇 기술 덕분에 이제야 딸기를 따는 로봇 같은 것을 개발할 수 있게 되었다.
  • Hortibot 같은 로봇은 잡초를 하나씩 식별하고 기계적으로 제거할 수 있다. 이전에는 잡초와 유용한 식물을 구별하고 조작기로 작은 식물을 다루는 것이 불가능했으므로, 이는 현대 로봇 기술과 컴퓨터 비전의 또 다른 큰 성공이다.

많은 농업 로봇이 아직 시제품이거나 소규모 시험 중이지만, ML, AI, 로봇 기술이 농업에서 잘 작동할 수 있다는 점은 이미 분명하다. 가까운 미래에 점점 더 많은 농업 작업이 자동화될 것이라고 확신 있게 예측할 수 있다.

농장 동물 돌보기

농업에 AI를 활용하는 다른 방법도 활발히 개발되고 있다. 예를 들어 Neuromation의 시범 프로젝트는 딥러닝 커뮤니티에서 아직 큰 관심을 받지 못한 축산업에 컴퓨터 비전을 도입한다.

물론 가축 추적 데이터에 머신러닝을 적용하려는 시도는 있었다. 예를 들어 파키스탄 스타트업 Cowlar는 ‘소를 위한 FitBit’이라는 인상적인 구호 아래 소의 활동과 체온을 원격으로 감시하는 목걸이를 선보였다. 프랑스 과학자들은 소의 얼굴 인식 기술을 개발하고 있다.

그동안 소외되었던 수천억 달러 규모의 양돈업에 컴퓨터 비전을 적용하려는 시도도 있다. 현대 농장에서는 가장 비슷한 돼지들을 골라 비교적 작은 무리로 사육한다. 돼지 생산에서 가장 큰 비용은 사료이며, 비육 과정을 최적화하는 것이 현대 양돈업의 핵심 과제다.

농부들이 돼지의 체중 증가에 관한 상세한 정보를 갖고 있다면 이 문제를 해결할 수 있을 것이다. 이 사이트에 따르면 동물은 대개 평생 단 두 번, 비육 시작과 끝에만 체중을 잰다. 전문가들이 새끼 돼지마다 어떻게 살이 찌는지 알면 돼지별 비육 계획뿐 아니라 개별 사료 첨가제 배합까지 마련할 수 있어 생산성이 크게 향상될 것이다. 동물을 저울 위로 모는 것은 그리 어렵지 않지만 동물에게 큰 스트레스를 주며, 돼지는 스트레스로 체중이 줄어든다. 새로운 AI 프로젝트는 동물의 무게를 재는 새로운 비침습적 방법을 개발할 계획이다. Neuromation은 사진과 영상 데이터로 돼지 체중을 추정하는 컴퓨터 비전 모델을 만들 예정이다. 추정값은 이미 널리 사용되는 전통적인 분석형 머신러닝 모델에 입력되어 비육 과정을 개선할 것이다.

인공지능의 최전선에 선 농업

농업과 축산업은 흔히 구식 산업으로 여겨진다. 하지만 오늘날 농업은 점점 더 인공지능의 최전선에 등장하고 있다.

주된 이유는 많은 농업 과제가 다음 두 특성을 동시에 갖기 때문이다.

  • 현대 인공지능과 딥러닝 없이는 자동화할 수 없을 만큼 복잡하다. 재배 식물과 돼지는 서로 비슷해도 같은 조립 라인에서 나오지 않았다. 토마토 한 그루와 돼지 한 마리마다 개별적인 접근이 필요하므로 아주 최근까지도 사람의 개입이 반드시 필요했다.
  • 오늘날 인공지능의 발전 수준으로 식물과 동물의 개체 차이를 고려하면서 작업 기술도 자동화하여 해결할 수 있을 만큼 단순하다. 탁 트인 들판에서 트랙터를 운전하는 것은 도로 교통 속에서 자동차를 운전하는 것보다 쉽고, 돼지 체중을 재는 것은 튜링 테스트를 통과하는 방법을 배우는 것보다 쉽다.

농업은 여전히 지구에서 가장 크고 중요한 산업 중 하나이며, 그 규모가 워낙 크기 때문에 효율이 아주 조금만 높아져도 막대한 이익을 가져올 것이다.

Alex는 20년 이상의 악성 코드 분석 경험을 가진 사이버 보안 연구자입니다. 그는 강력한 악성 코드 제거 기술을 가지고 있으며, 그의 보안 경험을 공유하기 위해 수많은 보안 관련 출판물에 글을 씁니다.