- 0.995과실 탐지 정확도 mAP@50 · 목표 ≥ 0.90 달성
- 17,363장장수 사과 학습 이미지
- 481,272행센서·영상 융합 데이터
- 15+1관제 구역 F01–F15 · 기상 관측점 WX01
핵심 기술
영상과 센서를 융합한
영상과 센서를 융합한
생장 통합 분석·제어
- 01영상 기반 생장 탐지장수 사과로 학습한 YOLO11 모델이 과실을 탐지·계수하고 면적 변화로 이상 징후를 경보합니다.
- 02환경·생장 시계열 예측과거 14일 기온·습도 흐름을 GRU 모델이 학습해 익일 환경을 예측합니다.
- 03센서·영상 융합 제어 판단관수·관비·차광·환기 필요 여부를 판단하고 근거와 함께 기록합니다.
같은 온도, 같은 일사량이라도 나무가 필요로 하는 것은 다릅니다.
비대기의 사과와 착색기의 사과는 같은 환경 수치에서도 필요한 관수·차광이 다릅니다. 나무의 실제 생장 상태가 제어의 기준이 되어야 하는 이유입니다.
사업 영역
현장의 데이터로 농업의 판단을 돕습니다
카메라·센서로 현장 데이터를 모으고, 탐지·예측 모델로 작물과 가축의 상태를 읽어 농가가 매일 내리는 판단을 데이터로 뒷받침합니다.
실증 현황
장수 과원에서 실증·검증 진행 중
2026년 4월 설계, 6~8월 구축·학습을 마치고 8월부터 장수군 과원에 센서·카메라를 설치해 현장 데이터를 누적하며 관수·차광·환기 제어 연동을 테스트하고 있습니다.
실증·로드맵 보기- 완료
설계 · 구축·학습
매니페스트 481,272행, 탐지 본학습 mAP@50 0.995, 예측 표준화 RMSE 0.44σ
- 진행 중
실증·검증
현장 설치, 제어 연동 테스트, 외부 시험기관 성능평가, 예측 재학습
도입 대상
이런 분들을 위한 시스템입니다
노지 사과 재배 농가
육안 관찰과 경험 판단의 부담을 줄이고 생육 위험을 조기에 감지합니다.
영농조합 · 농업법인
여러 과원의 생육 상태와 제어 이력을 데이터로 관리합니다.
농업기술센터
실증 데이터에 기반한 노지 스마트농업 기술 보급과 재배 지도에 활용합니다.
지자체 보급사업
스마트농업·기후변화 대응 정책과 연계 가능한 장수 특화 모델입니다.
우리 과원에도 적용할 수 있을까요?
과원 규모·재배 방식·설치 환경을 알려주시면 맞춤 구성과 도입 절차를 안내해 드립니다.