농업에서 거친 토양 표면은 다양한 문제를 일으킨다. 물, 토양, 씨앗, 비료와 같은 자원을 낭비하여 생산비를 높이고 환경에도 부정적인 영향을 끼친다. 또, 농업 기계는 거친 토양에서 균형을 잡기 어려워 농부들의 편의성을 해치고, 장비의 내구성과 자율 주행 성능을 떨어뜨리는 등 정밀농업의 실현을 방해한다. 거친 토양 표면은 입자가 큰 토양으로 구성되어 있을 가능성이 높으며, 이는 식물 생장을 방해하고 물빠짐에도 영향을 준다. 거친 표토를 측정하는 방식은 농지 전체를 측정하기보단 일부 지점의 거칠기를 측정하여 나머지 지점의 거칠기를 추정하는 것이 다수다. 따라서, 본 연구는 무인비행체(UAV)를 이용해 효율적으로 표토 거칠기를 측정할 수 있는 방안을 제안하고자 한다. 실험은 경상남도 밀양시 부북면에서 40m 높이에서 180장, 86%의 중첩률로 획득한 항공 사진을 이용했다. 이미지 데이터를 바탕으로 만들어진 조밀 점군에서 파이썬으로 중심점으로부터 일정한 반경 이내에 있는 가까운 주변 8개 점을 선택하여 고도차를 이용하여 결과값을 계산하였다. TRI 지수, Roughness 지수, 표준편차 세 가지 지표는 계산 후 농지에 시각화되었다. 일부 지점에서 측정한 표토 거칠기를 바탕으로 나머지 농지에 대한 거칠기 값을 추정하는 방식과 달리, 본 연구는 모든 지점에서의 거칠기 지수를 점군 단계에서 습득할 수 있는 방식을 통해 측정의 정밀도를 높이고 농지 운영을 돕고자 하였다.

Determining the size or area of a plant's leaves is an important factor in predicting plant growth and improving the productivity of indoor farms. In this study, we developed a convolutional neural network (CNN)-based model to accurately predict the length and width of lettuce leaves using photographs of the leaves. A callback function was applied to overcome data limitations and overfitting problems, and K-fold cross-validation was used to improve the generalization ability of the model. In addition, ImageDataGenerator function was used to increase the diversity of training data through data augmentation. To compare model performance, we evaluated pre-trained models such as VGG16, Resnet152, and NASNetMobile. As a result, NASNetMobile showed the highest performance, especially in width prediction, with an R_squared value of 0.9436, and RMSE of 0.5659. In length prediction, the R_squared value was 0.9537, and RMSE of 0.8713. The optimized model adopted the NASNetMobile architecture, the RMSprop optimization tool, the MSE loss functions, and the ELU activation functions. The training time of the model averaged 73 minutes per Epoch, and it took the model an average of 0.29 seconds to process a single lettuce leaf photo. In this study, we developed a CNN-based model to predict the leaf length and leaf width of plants in indoor farms, which is expected to enable rapid and accurate assessment of plant growth status by simply taking images. It is also expected to contribute to increasing the productivity and resource efficiency of farms by taking appropriate agricultural measures such as adjusting nutrient solution in real time.

본 논문에서는 건물, 교량 및 해양구조물에 많이 적용되는 기본적인 형상인 벽면에 부착되어 있는 사각실린더 주변의 유동에 대해, 3개의 난류모델(v2-f 모델, k-ω 모델, k-ε 모델)을 적용하여 URANS 수치해석을 각각 수행하고, 그 결과를 비교하였다. 이 유동 은 물체의 모서리에서 발생하는 칼만와(karman vortex) 때문에 본질적으로 강한 비정상성을 가지고 있으며, 물체의 후류 영역에서도 매우 복잡한 유동구조를 가지고 있다고 알려져 있다. 3개의 난류모델이 적용된 수치해석으로부터 예측되는 평균 유동장과 지배적인 유동 의 주파수를 Wang et al.(2004; 2006)의 실험결과와 비교하였다. 비교 결과, v2-f 모델이 적용된 URANS 결과가 실험결과와 가장 유사한 결과를 보여주었고, k-ω 모델도 우수한 결과를 보인 반면, k-ε 모델은 본 대상 유동에 적용하기에 부족함을 확인하였다. 따라서 강한 박리가 존재하는 유동의 해석 시에는 v2-f 모델은 좋은 선택이다. 그리고 유동의 박리 제어를 위한 연구에 활용될 것으로 기대된다.

건물 주변의 다양한 공기역학적 현상을 예측하는데 있어서 난류모델의 성능을 평가하고자 수치해석을 수행 하였다. TTU 건물을 대상으로 했고, 해석결과들은 실제 측정치, 풍동 실험 결과 그리고 난류모델을 이용하여 얻은 수치해석결과 등과 비교하였다. 평균풍압계수의 분포는 다른 참고자료와 잘 일치하였고, 난류모델과 비교했을 때 rms 풍압계수 그리고 peak 풍압계수의 분포도 좋은 결과를 보였다.