딥러닝으로 딸기 수확 효율을 높이다: AI 기반 근로자 활동 인식 시스템

본 연구는 AI 기반 시스템을 활용하여 딸기 수확 과정의 효율성을 높이는 데 성공했습니다. CNN-LSTM 딥러닝 모델을 통해 근로자 활동을 정확하게 분류하고, 수확 시간 비율과 상자 채우는 시간을 측정하여 효율성을 정량적으로 평가했습니다. 이 시스템은 농업 생산성 향상과 노동 관리 최적화에 크게 기여할 것으로 기대됩니다.

수확 과정에서의 비효율적인 활동으로 인해 농업 생산성이 저하되는 문제는 오래된 과제입니다. 특히 수작업으로 이루어지는 과일 수확은 숙련된 인력이 필요하지만, 근로자들이 실제 수확 작업에 얼마나 많은 시간을 할애하는지 정확히 파악하기 어려워 효율적인 노동 관리에 어려움을 겪습니다. Uddhav Bhattarai 등 연구진은 이러한 문제를 해결하기 위해 딥러닝 기술을 활용한 혁신적인 시스템을 개발했습니다.

캘리포니아 딸기 농장에서의 실증 실험

연구진은 캘리포니아 산타 마리아의 상업용 딸기 농장에서 실증 실험을 진행했습니다. 특별히 제작된 계측 카트를 이용하여 수확량, 위치 정보, 카트 이동 경로 등을 실시간으로 기록했습니다. 이렇게 수집된 방대한 데이터는 CNN-LSTM 기반 딥 뉴럴 네트워크를 학습하는 데 사용되었습니다. CNN-LSTM 모델은 근로자의 활동을 '수확'과 '비수확'으로 정확하게 분류하는 데 탁월한 성능을 보였습니다. 실험 결과, F1 점수 기준 최대 0.974의 높은 정확도를 달성했습니다. 이는 AI가 근로자의 활동을 매우 정확하게 인식할 수 있음을 보여줍니다.

수확 효율성 측정 및 분석

이 시스템은 단순히 활동을 분류하는 것을 넘어, 수확 효율성을 정량적으로 평가하는 지표를 제공합니다. 근로자가 실제 수확에 사용한 시간의 비율과 한 상자를 채우는 데 걸리는 시간을 측정하여 효율성을 분석했습니다. 분석 결과, 근로자들은 전체 수확 시간의 평균 73.56%를 딸기 수확에 사용했으며, 한 상자를 채우는 데 평균 6.22분이 걸렸습니다. 이러한 지표의 정확도는 각각 96.29%와 95.42%로 매우 높았습니다.

농업의 미래를 위한 혁신

이 연구는 농업 분야에 AI 기술을 적용하여 생산성을 향상시킬 수 있는 실질적인 가능성을 제시합니다. 개발된 시스템은 상업 규모로 확장될 경우, 근로자 활동 모니터링 자동화 및 수확 최적화에 크게 기여할 것으로 기대됩니다. 비생산적인 시간을 줄이고 수확 효율을 높임으로써 농업 경쟁력 강화에 중요한 역할을 할 수 있을 것입니다. 향후 이 기술은 다양한 농작물 수확 및 농업 관리 분야에 적용되어 농업의 디지털 전환을 가속화할 것으로 예상됩니다.