AI 및 사물 인터넷을 사용한 농작물 병해충 퇴치
IoT 센서를 사용한 아프리카의 옥수수 생산 증대
옥수수는 강수량이 적은 조건에서도 재배가 가능하기 때문에 동아프리카 전역의 많은 사람들이 잦은 가뭄 중에도 생계와 소득을 유지할 수 있습니다. 농업은 아프리카 대륙 GDP(국내총생산)의 40%를 차지하며, 아프리카 인구의 60%가 농업 활동에 종사하고 있습니다. 농업 생산량의 변동은 이 지역의 경제적 생산량에 커다란 영향을 미칩니다.
University of Rwanda의 African Centre of Excellence in Internet of Things 박사 후보생 Theofrida Maginga는 옥수수의 두 가지 역할에 대해 강조합니다. “옥수수는 식량 공급원이자 상업 작물입니다. 옥수수는 소득을 제공하고 국내 식량 수요를 충족시킵니다.”라고 그녀는 말합니다.
조건이 완벽한 경우 1에이커의 크기의 토지에서는 최대 1,800kg(킬로그램)의 옥수수를 생산할 수 있습니다. 하지만 병충해와 기타 문제로 인해 이 지역의 농부들은 에이커당 평균 668kg의 옥수수를 수확합니다. 이처럼 극명한 대비를 통해, 이러한 문제를 해결하기 위한 혁신적인 해결책이 시급하게 필요하다는 것을 알 수 있었습니다.
University of Rwanda 연구원들은 머신러닝과 IoT(사물 인터넷) 센서를 활용하여 옥수수 병충해의 징후를 검출하는 솔루션을 개발했습니다. 이 새로운 솔루션을 통해 조기에 개입하여 수확량을 증대하고 병충해 완화와 관련된 비용을 절감할 수 있습니다.
이 프로젝트는 이 지역의 시급한 경제적 문제를 해결하는 동시에 다른 분야에도 첨단 기술을 적용할 수 있는 발판을 마련합니다. 이 프로젝트는 아프리카의 농업 부문이 더욱 번영하고 기술적으로 진보하기 위한 고무적인 움직임입니다.
병충해 검출
농부들은 병든 작물을 찾기 위해 외관 검사를 눈으로 직접해야 합니다. 이런 방법은 광범위한 경험이 있거나 전문가의 지원을 받아야 하는데 많은 농장이 외딴곳에 위치해 있기 때문에 전문가의 접근이 제한됩니다. 특수 장치로 샘플을 채취하여 실험실로 보내 분석을 의뢰하는 대안이 있지만 많은 비용과 시간이 소요되며, 시간 손실로 인해 농작물 손실이 가속화될 수 있습니다.
이러한 문제를 인식한 Maginga와 University of Rwanda 연구원들은 옥수수에서 병충해를 신속하게 검출할 수 있는 해결책을 찾기 시작했습니다. 한 가지 확실한 접근법은 농작물을 자동으로 모니터링하고 육안으로 확인 가능한 증상을 검출할 수 있는 컴퓨터 비전 솔루션을 개발하는 것이었습니다.
Maginga와 동료들의 실험 결과, 식물에 육안으로 확인 가능한 증상이 발현되는 데 2~3주가 걸리는 것으로 나타났습니다. 이러한 증상의 검출이 가능한 시점에는 이미 병충해가 농장에 더 확산될 수 있습니다. 이러한 지연은 상당한 농작물 손실로 이어지고 개입 및 치료 비용을 증가시킬 수 있습니다.
“육안으로 확인 가능한 증상이 나타나기 전에 병충해를 검출할 수 있다면 농부는 더 일찍 개입할 수 있습니다.”라고 그녀는 말합니다.
이 팀은 육안으로 확인 가능한 증상이 발현되기 전에 나타나는 다른 신호를 살펴봤습니다. “우리는 식물이 병원균과 싸울 때 방출하는 기체를 파악했습니다.”라고 Maginga는 말합니다. “이는 인체의 작동 방식과 유사합니다. 바이러스에 감염되면 보통 열이 납니다.”
또한, 연구팀은 줄기의 초음파 운동 신호를 병충해 감염의 또 다른 잠재적인 초기 지표로 활용합니다. 목표는 이러한 신호를 기반으로 건강한 농작물과 감염된 농작물을 구분할 수 있는 머신러닝 시스템을 구축하는 것이었습니다. 가설은 이 시스템이 육안으로 확인 가능한 증상이 발현되기 전에 병충해를 검출할 수 있다는 것이었습니다.
“센서와 IoT 장치를 사용하여 병충해를 원격으로 모니터링하고 조기 경고가 가능하다면 개입을 더 일찍 할 수 있습니다.”라고 Maginga는 말합니다. “농부들은 농촌지도사의 지원 없이도 농장의 치료를 시작할 수 있습니다.”
“센서와 IoT 장치를 사용하여 병충해를 원격으로 모니터링하고 조기 경고가 가능하다면 개입을 더 일찍 할 수 있습니다.”
현재 옥수수 작물에서 병충해를 검출하는 작업은 농부들이 맡고 있으며, 농부들은 잎의 외관 검사에 의존합니다. (이미지 출처: Theofrida Maginga)
밭을 실험실로 가져오다
옥수수 작물에서 병충해의 초기 징후를 검출할 수 있는 머신러닝 모델을 개발하기 위해 연구원들은 건강한 농작물과 감염된 농작물에서 훈련 데이터를 수집하는 실험실을 구축했습니다. 연구진은 식물 일부를 병충해에 노출시키고 일정 시간 동안 파라미터를 측정하여 모델을 훈련시키기 위한 시계열 데이터를 생성했습니다. 연구팀은 아프리카에서 흔히 발생하며 옥수수 작물에 심각한 피해를 주는 것으로 알려진 옥수수 잎마름병(northern corn leaf blight)에 집중하기로 결정했습니다.
“우리는 ThingSpeak를 사용하여 초음파 센서의 데이터를 수집하고 데이터 변화를 실시간으로 모니터링했습니다.”
“우리는 실험실에서 병원균을 쉽게 배양할 수 있는 병충해를 선택했습니다. 그리고 옥수수 잎마름병은 옥수수 작물의 수확량을 크게 저해하는 경향이 있습니다.”라고 Maginga는 말합니다. “더 큰 문제는 식물에 육안으로 확인 가능한 증상이 발현되기 전에 IoT 센서를 사용하여 이러한 신호를 측정하는 것이었습니다.”
연구원들은 각각 네 가지 종류의 옥수수가 포함된 두 개의 다른 치료군을 설정했습니다. 대조군은 병원균에 노출되지 않은 옥수수로 구성되었습니다. 시험군에는 병충해에 노출된 옥수수가 포함되었습니다. 연구원들은 별도의 실험실 환경에서 병충해를 배양하고 적절한 시점에 시험 옥수수에 감염시켜 접종 과정을 모방했습니다. 두 군의 옥수수에 설치된 IoT 센서로 데이터를 수집했습니다.
Maginga와 동료들은 식물의 운동을 모니터링하기 위해 식물 가까이에 초음파 센서를 설치하고, 화학적 성분의 변화를 모니터링하기 위해 토양에 NPK 센서를 삽입했습니다. ThingSpeak를 사용하여 NPK 데이터를 수집, 모니터링, 시각화되었습니다. (이미지 출처: Theofrida Maginga)
“수집된 데이터를 통해 우리는 시간 경과에 따른 패턴을 조사하고 휘발성 유기 화합물의 방출이나 옥수수의 초음파 운동이 건강한 농작물과 감염된 농작물 사이에 차이가 있는지를 확인할 수 있었습니다.”라고 Maginga는 말합니다.
옥수수 식물에서 방출되는 기체를 모니터링하기 위해 이 팀은 VOC(휘발성 유기 화합물) 공기질 센서를 사용했습니다. 그리고 식물 가까이에 초음파 센서를 설치하여 식물의 운동을 모니터링하고, 토양에 NPK 센서를 삽입하여 토양의 질소, 인, 칼륨 변화를 모니터링했습니다.
연구원들은 IoT 센서 데이터를 모니터링, 수집, 시각화하기 위해 설계된 플랫폼인 ThingSpeak™를 사용했습니다. ThingSpeak는 클라우드 서비스를 통해 원격으로 데이터를 직접 모니터링할 수 있는 툴을 제공합니다.
Maginga는 “ThingSpeak를 통해 초음파 센서의 데이터를 수집하고 변화를 실시간으로 모니터링했습니다.”라고 말합니다. “최고의 경험 중 하나는 ThingSpeak로 수집한 데이터를 사용하여 팀과 공유한 것이었습니다.”
공기질 센서의 데이터는 로컬 SD 카드에 저장되었습니다. NPK 센서 데이터는 온실 실험실의 로컬 컴퓨터로 전송되었습니다.
머신러닝 모델 훈련
데이터 수집 절차 이후에 연구원들은 머신러닝 모델을 훈련시키는 작업을 시작했습니다. 초기 EDA(탐색적 데이터 분석)를 통해 연구원들은 NPK 센서의 데이터를 삭제하기로 결정했습니다. “그 이유는 건강한 농작물과 감염된 농작물을 분류하기 위해 사용할 수 있는 특정 패턴이 나타나지 않았기 때문입니다.”라고 Maginga는 설명합니다. “전력도 많이 필요했습니다.”
이 팀은 공기질 센서와 초음파 센서에서 수집한 데이터에 주목했습니다. 웨이블릿 변환으로 데이터의 전처리를 수행한 후, 각 데이터셋에 대해 별도의 머신러닝 모델을 훈련시켰습니다. 초음파 데이터에는 LSTM(장단기 기억) 신경망을 사용했습니다. 이러한 유형의 딥러닝 모델은 순차 데이터에 특히 효과적입니다. Maginga는 “우리는 데이터에 대한 이상 감지를 수행하도록 신경망을 훈련시킬 수 있었습니다.”라고 말합니다.
VOC 센서 데이터의 경우 패턴이 현저하게 달랐기 때문에 다른 접근법이 필요했습니다. 연구원들은 CNN(컨벌루션 신경망) 계층으로 강화된 LSTM 신경망을 선택했습니다. 이 조합을 통해 모델은 시공간적 패턴을 포착하고 데이터의 더욱 세밀한 분석을 수행할 수 있었습니다.
“전처리 방법을 도입하고 두 개의 LSTM 및 CNN 계층도 포함한 이후에 모델은 건강한 식물과 감염된 식물을 우수하게 구분할 수 있었으며, 여러 차례의 개발 테스트를 거쳐 성능이 향상되었습니다.”
건강한 옥수수와 NLB를 접종한 옥수수의 초음파 데이터로 훈련 및 테스트를 수행한 결과 99.97%의 정확도를 달성했습니다. (이미지 출처: Theofrida Maginga)
Maginga는 “전처리 방법을 도입하고 이러한 두 개의 LSTM 및 CNN 계층도 포함한 이후에 모델은 건강한 식물과 감염된 식물을 우수하게 구분할 수 있었으며, 여러 차례의 개발 테스트를 거쳐 성능이 향상되었습니다.”라고 말합니다. “이제 우리는 이러한 모델을 배포하고 현장에서 잘 작동하는지 확인하고 있습니다.”
연구원들은 다양한 머신러닝 아키텍처를 살펴보면서 가능한 신경망 조합을 살펴봤습니다.
Maginga는 “MathWorks는 LSTM과 CNN의 조합에 대한 수많은 학습 리소스를 제공했습니다.”라고 말합니다. “그리고 웨이블릿 변환을 살펴보려는 아이디어도 이러한 리소스에서 비롯된 것입니다.”
농장에 센서 설치
Maginga와 팀이 개발한 머신러닝 모델과 IoT 센서의 응용 분야는 매우 전망이 밝습니다. 이 시스템은 병충해 접종 후 4~5일 만에 옥수수 작물의 병충해를 검출할 수 있으며, 이는 보통 육안으로 증상을 확인하는 데 걸리는 14~21일에 비해 대폭 개선된 것입니다.
“이 시스템을 설치하면 병충해로 손실되는 농작물의 양이 이전에 비해 절반으로 감소합니다.”
그러나 이 기술의 가격이 농부들에게 장벽으로 다가올 수 있습니다. 현재 센서와 데이터 수집 장비 전체 세트의 가격은 약 50달러입니다. 농부들은 농작물의 상태를 종합적으로 파악하기 위해 여러 대의 센서를 구입하여 농장 전체에 설치해야 합니다. 연구원들은 이러한 배포 비용을 낮추기 위해 노력하고 있습니다.
“우리의 목표는 설치 비용을 절반으로 줄이는 것입니다. 하지만 실질적인 투자비 회수는 농작물의 수확량 증가입니다.”라고 Maginga는 말합니다. “이 시스템을 설치하면 병충해로 손실되는 농작물의 양이 이전에 비해 절반으로 감소합니다.”
농부들은 각 설치마다 얻은 투자 수익을 활용하여 점진적으로 밭 전체에 더 많은 센서를 설치하고, 더 세분화된 데이터를 제공받아서 병충해 검출 및 예방 시스템을 개선할 수 있습니다. 즉, 이 시스템을 사용하여 증가한 농작물 수확량을 통해 비용을 회수할 수 있습니다.
어시스턴트 챗봇
연구원들은 농부들이 시스템에 더 쉽게 접근할 수 있도록 챗봇을 개발하고 있습니다. 이러한 디지털 어시스턴트는 시스템 사용을 간소화하여 농부들에게 이해하기 쉬운 정보와 조언을 제공할 수 있습니다. Maginga와 팀은 농부들이 사용할 수 있는 LLM(대규모 언어 모델) 챗봇 MkulimaGPT를 개발했습니다. 이 플랫폼의 이름은 농부를 의미하는 스와힐리어 단어 mkulima에서 착안하여 명명되었습니다.
이 프로젝트의 궁극적인 목표는 병충해 예측 모델의 결과를 농부들이 이해할 수 있는 단순한 메시지로 변환하는 것입니다.
ChatGPT와 같은 LLM은 온라인 데이터가 풍부한 영어와 같은 언어에서 우수한 성능을 발휘합니다. 하지만 많은 탄자니아 농부들의 모국어는 스와힐리어이며, 이 언어는 LLM을 위한 훈련 데이터가 풍부하지 않습니다. 이 문제를 해결하기 위해 연구원들은 식물 병충해 진단 모델을 사용자 지정하기 위해 사용할 수 있는 데이터를 수집하는 작업을 진행하고 있습니다.
“우리는 질문과 답변으로 구성된 샘플 데이터셋을 구축했습니다. 예를 들어, 병충해가 발견된 경우 어떤 단계인지를 어떻게 알 수 있을까요? 병충해를 관리하려면 어떻게 해야 할까요? 전문가가 도착하기 전에 일반적으로 어떻게 개입해야 할까요?”라고 Maginga는 말했습니다. “우리는 사용자 경험을 향상하기 위해 현재 제공되고 있는 ChatGPT 모델의 활용 방향에 대해 살펴보고 있습니다. 우리는 소규모 농부들이 이러한 최신 기술을 가장 간단한 맞춤형 방식으로 활용할 수 있도록 돕고 싶습니다.”
Maginga와 팀은 ChatGPT와 같은 LLM(대규모 언어 모델)을 활용하여 식물 병충해를 진단하고 농부에게 권장 사항과 조언을 제공할 수 있는 방법을 살펴보고 있습니다. (이미지 출처: Theofrida Maginga)
이 프로젝트의 궁극적인 목표는 병충해 예측 모델의 결과를 농부들이 이해할 수 있는 단순한 메시지로 변환하는 것입니다. 이는 데이터 사이언스 및 분석 역량이 없거나 전문가의 즉각적인 도움을 받을 수 없는 사람들에게 특히 중요합니다. 이러한 노력의 목적은 농부들이 조기에 개입하여 병충해로부터 농작물을 보호할 수 있도록 역량을 강화하는 것입니다. 이는 현대 기술을 활용하여 지역에 어려움을 가져다주는 고질적인 문제에 즉각적인 영향을 미칠 수 있음을 보여주는 대표적인 예입니다.
미세 조정
실험실의 통제된 환경에서 예측할 수 없는 실제 현장 조건으로 전환하면서, 연구원들은 데이터를 수집하고 모델을 미세 조정하여 데이터에 잡음이 더 많고 시간 경과에 따라 분포가 달라질 수 있는 실제 상황에 맞게 조정하고 있습니다.
Maginga는 “현재 우리는 모델의 재훈련과 미세 조정을 수행하고 있습니다.”라고 말합니다. “통제된 실험실 환경이 아닌 통제 불가능한 인수가 많은 실제 현장에 설치를 시작하는 시점에 온 우리는 VOC 센서에 큰 기대를 걸고 있습니다.”
연구팀은 병충해로 인한 큰 손실을 보고 있는 토마토와 같은 다른 농작물로 연구를 확대할 것을 고려하고 있습니다. 그리고 기법을 더 정교하게 다듬기 위해 더 많은 전문 지식을 통합하고 있습니다.
Maginga는 “아직 연구되지 않은 부분이 많기 때문에 농업 분야는 잠재력이 높으며, 전문가들이 해결해야 할 연구 공백이 많다고 생각합니다.”라고 말합니다.
