작물을 재배하는 데 필요한 여러 가지 환경 조건 중 광은 개 화와 밀접한 연관이 있다. 본 연구는 식용화, 매리골드 화아분 화에 영향을 주는 최적의 광주기를 구명하여 완전제어형 식물 공장에서 효율적으로 재배하기 위해 진행되었다. 실험에 사 용된 광주기는 4, 8, 12, 16시간, 총 4가지로 설정하였다. 매리 골드 ‘듀란고 레드’ 종자를 우레탄 스펀지에 파종한 직후부터 광주기를 처리하였다. 화아분화는 꽃봉오리가 약 2mm 이상 일 때 화아분화가 되었다고 정의하였고, 2－3일 간격으로 조 사하였다. 생육 조사는 지상부의 생체중, 건물중, 초장, 엽면 적을 조사하였다. 최적의 광주기는 식물체의 50%가 화아분 화 된 날을 기준으로 정의하였다. 4시간 처리구에서는 식물체 가 제대로 자라지 못하며 화아도 형성되지 않았다. 8시간 이상 의 처리구에서부터 식물체가 정상적으로 생장하고 화아분화 가 이루어졌지만, 8시간 처리구는 12시간 이상의 처리구에 비 해 화아분화가 더디게 일어났다. 반면에 12시간 처리구와 16 시간 처리구는 서로 유의하지 않은 결과를 보였다. 모든 생육 조사 항목에서 16시간 광주기 처리구가 가장 높은 값을 나타 냈으나 지상부의 건물중과 엽면적을 제외한 나머지 항목에서 12시간 처리구와 유의하지 않았다. 실험 결과에 따르면, 8시간 광주기에서도 화아분화가 일어났지만, 화아형성까지의 시 간이 12시간 이상의 광주기일 때보다 더 많이 소요되었으며, 식물체의 생육 또한 12시간 이상의 광주기를 조사받은 식물 체보다 낮게 나타났다. 본 실험에서 에너지 소비량을 고려한 최적의 매리골드 ‘듀란고 레드’의 광주기는 12시간으로 판단 된다.

이 연구에서는 Inception V3, SqueezeNet(local), VGG-16, Painters 및 DeepLoc의 다섯 가지 인공지능(AI) 모 델을 사용하여 차나무 잎의 병해를 분류하였다. 여덟 가지 이미지 카테고리를 사용하였는데, healthy, algal leaf spot, anthracnose, bird’s eye spot, brown blight, gray blight, red leaf spot, and white spot였다. 이 연구에서 사용한 소프트웨 어는 데이터 시각적 프로그래밍을 위한 파이썬 라이브러리로 작동하는 Orange3였다. 이는 데이터를 시각적으로 조작하여 분석하기 위한 워크플로를 생성하는 인터페이스를 통해 작동되었다. 각 AI 모델의 정확도로 최적의 AI 모 델을 선택하였다. 모든 모델은 Adam 최적화, ReLU 활성화 함수, 은닉 레이어에 100개의 뉴런, 신경망의 최대 반복 횟수가 200회, 그리고 0.0001 정규화를 사용하여 훈련되었다. Orange3 기능을 확장하기 위해 새로운 이미지 분석 Add-on을 설치하였다. 훈련 모델에서는 이미지 가져오기(import image), 이미지 임베딩(image embedding), 신경망 (neural network), 테스트 및 점수(test and score), 혼동 행렬(confusion matrix) 위젯이 사용되었으며, 예측에는 이미 지 가져오기(import image), 이미지 임베딩(image embedding), 예측(prediction) 및 이미지 뷰어(image viewer) 위젯 이 사용되었다. 다섯 AI 모델[Inception V3, SqueezeNet(로컬), VGG-16, Painters 및 DeepLoc]의 신경망 정밀도는 각 각 0.807, 0.901, 0.780, 0.800 및 0.771이었다. 결론적으로 SqueezeNet(local) 모델이 차나무 잎 이미지를 사용하여 차 병해 탐색을 위한 최적 AI 모델로 선택되었으며, 정확도와 혼동 행렬을 통해 뛰어난 성능을 보였다.