작물의 생리적 반응 피드백을 이용한 감각기반 지능형 수직농장 제어에 대한 연구

A Study on Sensory-Based Intelligent Vertical Farm Control Using Physiological Response Feedback from Crops

본 연구는 수직농장의 에너지 낭비와 제어 비효율 문제를 해결하기 위해 작물의 생리적 반응을 직접 피드백 신호로 활용하는 작물 상태 기반 피드백 제어 알고리즘을 제안하였다. RGB, 열화상, 스펙트럼 센서로부터 엽온, 엽색, NDVI 등의 생리적 지표를 실시간으로 수집하고, 이를 환경 센서(온도, 습도, CO₂, 조도) 데이터와 융합하여 작물의 생리 상태를 판단하였다. 제어 알고리즘은 정상·스트레스·광포화·스트레스+광포화 상태로 분류된 결과에 따라 조명, 냉난방, 급액 등의 장비를 지능적으로 운용하였다. 순천대학교 수직농장 실증 환경에서 수행된 결과, 제안한 알고리즘은 기존 임계값 기반 제어 대비 LED 조명 27.8%, 냉난방 19.4%, 급액 펌프 31.2%의 에너지 절감 효과를 보였으며, 전체 전력 소비량은 평균 23.6% 감소하였다. 또한 엽온이 평균 1.2℃ 낮아지고 NDVI 값이 향상되어 작물의 광합성 효율 및 생육 안정성이 개선되었다. 본 연구는 수직농장의 제어 패러다임을 환경 중심에서 작물 상태 기반 피드백 제어 구조로 확장하였다는 점에서 의의가 있다. 향후에는 강화학습 기반 제어 모델과 멀티 피드백 루프 구조를 적용하여 다양한 작물과 환경 조건에서도 자율적으로 적응 가능한 지속가능형 스마트 수직농장 모델로 발전시킬 수 있을 것으로 기대된다.

This study proposes a crop-state-based feedback control algorithm that utilizes crop physiological responses as direct feedback signals to address energy waste and control inefficiency issues in vertical farms. Physiological indicators such as leaf temperature, leaf color, and NDVI were collected in real-time from RGB, thermal imaging, and spectral sensors. These were fused with environmental sensor data (temperature, humidity, CO₂, illuminance) to determine the physiological state of the crops. The control algorithm intelligently operated equipment such as lighting, heating/cooling, and irrigation based on the results classified into normal, stress, light saturation, and stress+light saturation states. Results from the pilot environment at Suncheon National University's vertical farm demonstrated that the proposed algorithm achieved energy savings of 27.8% for LED lighting, 19.4% for heating/cooling, and 31.2% for irrigation pumps compared to existing threshold-based control. Overall power consumption decreased by an average of 23.6%. Additionally, leaf temperature decreased by an average of 1.2°C, and NDVI values improved, enhancing crop photosynthetic efficiency and growth stability. This study is significant in expanding the control paradigm of vertical farms from an environment-centric approach to a crop-condition-based feedback control structure. Future work is expected to advance this into a sustainable smart vertical farm model capable of autonomous adaptation across diverse crops and environmental conditions by applying reinforcement learning-based control models and multi-feedback loop structures.