장수 사과에서
시작한 이유
장수는 해발 400m 안팎의 고원 지대에 자리한 사과 주산지입니다. 큰 일교차가 만드는 단단한 과육과 진한 착색은 장수 사과의 자산이지만, 노지 과원은 그만큼 기상 변화에 그대로 노출됩니다. ㈜크리는 장수 사과의 실제 데이터로 모델을 학습하고, 장수 과원에서 실증합니다.
- 01장수 사과로 학습한 AI전북 장수 사과 당도·품질 데이터(AI Hub) 4품종 426,951장과 환경센서·당도·세그멘테이션 라벨을 융합해 학습합니다. 다른 지역 데이터로 만든 범용 모델이 아닙니다.
- 02고원 노지 환경에 맞춘 제어 기준고온 32℃, 강한 일사 700W/㎡, 토양수분 15~45%, 다습 95% 등 제어 임계값을 생육 단계별로 조정합니다. 비대성기와 착색기의 판단이 다릅니다.
- 03실증 거점: 장수군 중상 사과&오미자 농장15개 관측 구역(F01~F15)과 기상 관측점(WX01)을 관제 화면에서 한눈에 관리합니다.
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.
노지 사과 재배,
센서만으로는 부족합니다
사과는 일사량·온도·습도·토양수분 변화에 민감한 과수 작물입니다. 노지 과원은 기상 변화에 그대로 노출되고, 같은 환경 조건에서도 나무의 생육 단계에 따라 필요한 관리가 달라집니다. 기존 스마트팜이 놓치는 지점입니다.
기후변화로 커지는 생육 편차
고온·강한 일사·가뭄·강우 편차로 과실 비대 불균형, 착색 불량, 수분 스트레스 등 품질 저하가 매년 반복되고 있습니다.
환경 데이터만 보는 기존 시스템
온도·습도·일사량은 수집해도, 잎·수관·과실의 실제 발달 정도와 생육 스트레스 여부는 판단하지 못합니다. 같은 수치라도 필요한 제어는 다릅니다.
고령화와 노동력 부족
육안 관찰과 경험에 의존하는 반복적인 판단·제어 작업이 고령 농가에 큰 부담입니다. 시설재배용 기술은 노지 과원에 그대로 적용하기 어렵습니다.
생육 단계에 따라
달라지는 판단
장수 과원의 기상과 토양 조건에 맞춰 제어 임계값을 두고, 비대기·착색기 등 생육 단계별로 다르게 적용합니다. 임계값 초과는 관제 화면의 시계열 차트에 기준선과 함께 표시됩니다.
- 고온
32℃
차광·환기 판단 기준이 되는 고온 임계값
- 강한 일사
700 W/㎡
차광 필요 여부를 판단하는 일사량 기준
- 토양수분
15 ~ 45 %
관수 기준 15%, 적정 범위 밴드로 표시
- 다습
95 %
병해 위험과 환기 필요를 판단하는 습도 기준
장수 사과 17,363장으로
학습한 탐지 모델
원본 3,472px 촬영본을 스트리밍 추출해 학습셋 17,363장, 검증셋 3,472장으로 YOLO11 모델을 60에폭 본학습했습니다. 개체 단위 무누수 분할로 검증해 같은 사과가 학습과 검증에 동시에 들어가지 않도록 했습니다.
핵심 기술과 검증 결과 →
우리 과원에도 적용할 수 있을까요?
과원 규모·재배 방식·설치 환경을 알려주시면 맞춤 구성과 도입 절차를 안내해 드립니다.