식물을 꾸준히 키우는 데 도움을 주는 서비스
다들 식물을 키워보신 경험이 있나요?
식물을 키울 때 다양한 어려움이 발생합니다. 현재 나의 식물 상태가 궁금한데 알 방법이 없고, 처음엔 그렇게 관심을 많이 줬는데 시간이 흐르면 물 주는 걸 깜빡하거나 방치하게 되는 일을 겪으신 분들이 있을 겁니다.
그래서 저희는 이러한 문제점들을 해결하고자 웹 애플리케이션, 인공지능, 아두이노를 활용하여 식물을 스마트하고 재밌게 키울 수 있는 서비스를 기획하게 되었습니다.
나만의 무럭이의 주요 기능으로는 다음과 같습니다:
- 맞춤형 식물 관리 정보 제공: 사용자의 식물에 맞는 맞춤형 관리 정보를 제공합니다.
- 실시간 모니터링 및 기록: 센서를 이용하여 식물 상태를 실시간으로 모니터링하고 기록합니다.
- 퀘스트 및 알림 기능: 식물 관리에 필요한 퀘스트와 알림을 통해 사용자가 식물을 안정적으로 관리할 수 있도록 도와줍니다.
- 식물과의 대화: 실제 식물 데이터를 기반으로 학습된 AI와의 대화를 통해 사용자에게 식물과 상호작용하는 재미를 제공합니다.
이러한 기능들을 통해 사용자는 식물과 상호작용하는 즐거움을 느끼고, 식물을 지속적으로 키울 수 있도록 도와줍니다.
|
|
|
|
|
|
|
이상희 Frontend |
이효진 Frontend |
박재연 Backend |
전준영 Backend |
이연주 AI |
이고운 AI |
클라이언트, Spring WAS 서버, Python Flask 서버, 그리고 MySQL 데이터베이스가 유기적으로 연결되어 작동합니다. 이를 통해 사용자는 식물의 상태를 쉽게 모니터링하고, 필요한 정보를 얻을 수 있습니다.
- 클라이언트는 리액트로 만든 정적 웹 페이지를 Vercel 웹서버를 통해 제공받습니다.
- 대부분의 API 통신은 AWS EC2에 배포된 Spring WAS 서버를 통해 이루어지며, 이때 데이터는 MySQL 데이터베이스에 저장됩니다.
- 식물 기록 측정을 위한 하드웨어인 아두이노는 WiFi를 통해 원격으로 Spring 서버에 센서 측정 값을 전송합니다. 이 정보 역시 MySQL 데이터베이스에 저장되고 웹을 통해 언제든지 확인이 가능합니다.
-
질병 분류 기능: 클라이언트에서 이미지를 플라스크 서버로 바로 전송을 하면 이미 학습시킨 모델을 통해 이미지를 분석하여 질병 분류 결과를 반환해줍니다.
-
챗봇 기능: 식물과 대화할 수 있는 챗봇 기능은 클라이언트에서 채팅을 시작하면, Flask 서버는 Spring 서버에 현재 식물의 상태를 요청하여 정보를 받아온 후, 이를 바탕으로 상황에 맞게 답변을 생성하여 클라이언트로 반환합니다.
https://aihub.or.kr/aihubdata/data/view.do?currMenu=115&topMenu=100&aihubDataSe=realm&dataSetSn=153
식물 질병 이미지 분류를 통해 스마트팜 시스템의 메인 기능 구현합니다. 그 중 상추의 3가지 이미지 데이터(정상, 균핵병, 노균병)를 활용해 총 3가지 클래스를 대상으로 이미지 분류를 진행합니다.
- 훈련 데이터: 데이터 증강을 통해 모델의 일반화 성능을 높이기 위해 무작위 수평 뒤집기와 -30도에서 30도 사이의 무작위 회전을 적용했습니다.
- 검증 데이터 및 테스트 데이터: 검증 및 테스트 데이터에는 데이터 증강을 적용하지 않고, 이미지 크기 조정과 정규화만 수행했습니다.
- 전이 학습 모델: torchvision의 ResNet50 모델을 사용하여 전이 학습을 수행했습니다.
- 드롭아웃 추가: 모델의 마지막 fully connected 레이어에 드롭아웃(0.5) 레이어를 추가하여 과적합을 방지하고 모델의 일반화 성능을 향상시켰습니다.
- 최종 출력: 3개의 클래스(정상, 균핵병, 노균병)로 분류하도록 모델의 마지막 레이어를 수정했습니다.
- 손실 함수: CrossEntropyLoss를 사용하여 다중 클래스 분류 문제에 맞게 학습을 진행했습니다.
- 최적화 기법: Adam 옵티마이저를 사용하였으며, 학습률은 1e-4로 설정했습니다.
| Epoch | Phase | Loss | Accuracy |
|---|---|---|---|
| 1 | train | 0.423 | 83.32% |
| 1 | val | 0.223 | 94.01% |
| 2 | train | 0.196 | 93.49% |
| 2 | val | 0.163 | 94.24% |
| 3 | train | 0.137 | 95.13% |
| 3 | val | 0.140 | 95.12% |
| 4 | train | 0.108 | 96.12% |
| 4 | val | 0.118 | 95.79% |
| 5 | train | 0.094 | 96.55% |
| 5 | val | 0.107 | 96.23% |
| 6 | train | 0.057 | 97.93% |
| 6 | val | 0.084 | 96.90% |
| 7 | train | 0.077 | 97.37% |
| 7 | val | 0.110 | 96.23% |
| 8 | train | 0.048 | 98.29% |
| 8 | val | 0.116 | 96.01% |
| 9 | train | 0.045 | 98.42% |
| 9 | val | 0.084 | 96.23% |
| 10 | train | 0.032 | 99.01% |
| 10 | val | 0.080 | 97.56% |
| Batch Index | Batch Loss | Batch Accuracy |
|---|---|---|
| 1 | 0.0898 | 96.88% |
| 2 | 0.1209 | 96.88% |
| 3 | 0.1841 | 90.62% |
| 4 | 0.0454 | 100.00% |
| 5 | 0.0532 | 96.88% |
| 6 | 0.0901 | 96.88% |
| 7 | 0.1023 | 96.88% |
| 8 | 0.0386 | 100.00% |
| 9 | 0.0689 | 100.00% |
| 10 | 0.1843 | 96.88% |
| 11 | 0.2795 | 84.38% |
| 12 | 0.4331 | 84.38% |
| 13 | 0.3521 | 84.38% |
| 14 | 0.3773 | 78.12% |
| 15 | 0.1772 | 90.00% |
- Total Test Loss:
0.1729 - Total Test Accuracy:
93.01%
https://github.com/Isonade2/smart_plant_back
https://github.com/sanghee01/namoo-front
