TL;DR

  • AI 수확 예측은 과거 농장 데이터와 날씨를 활용해 작물별 수확량과 적기를 전망하며, 농가별 데이터 품질에 따라 정확도가 달라짐.
  • Vivid Machines와 FruitCast는 영상 분석으로 과실을 세고 수확 시기를 예측하며, 딸기·라즈베리·블랙베리·블루베리·토마토 등을 대상으로 함.
  • 베리류는 수확 가능 기간이 짧고 질병 위험이 커 예측이 특히 중요하며, FruitCast는 1주 전 실제 수확량의 10% 이내, 3주 전 17% 이내 오차를 제시함.
  • 프린스턴대학교 연구진은 과실 내부의 수분과 당에 반응하는 밀리미터파를 활용해 익은 정도를 감지하는 기술을 개발 중임.
  • 도입 비용과 데이터 공유 우려가 남아 있으며, 농가의 중요한 수확 결정에는 계속 사람의 판단이 필요함.

날씨와 농장 여건을 반영하는 수확 예측

  • 지난해 워싱턴주에서 사과 수확 첫날 과실은 익었지만 기온이 약 38도까지 올라 작업자 안전 문제로 오전 10시에 수확을 중단함.
  • Okanagan Specialty Fruits의 Joel Carter는 날씨를 고려해 이상적인 수확일뿐 아니라 실제로 수확할 수 있는 기간까지 알려주는 인공지능(AI) 모델이 유용하다고 설명함.
  • 이 회사는 워싱턴주에 1,250에이커가 넘는 사과 과수원을 보유하며, 호텔과 학교 등에 판매되는 슬라이스 사과를 재배함. 생산성 극대화를 기대하며 기술에 투자하고, 자른 뒤 쉽게 갈변하지 않도록 사과를 유전자 조작하기도 함.
  • 과실을 세고 분석하거나 작물의 익는 시기를 예측하는 새 도구가 등장하고 있음. 딸기와 블루베리 같은 고부가가치 과일은 가격 변동이 클 수 있어 수확일을 잘못 잡으면 필요하지 않은 계절 노동자를 고용하거나 최대 수익을 놓칠 위험이 있음.

영상 분석으로 작물과 수확 시기 파악

  • Okanagan Specialty Fruits는 캐나다 기업 Vivid Machines의 카메라를 시험 중임. 카메라를 트랙터 위에 장착해 지나가며 사과나무 영상을 수집하고, AI가 영상에서 꽃눈·꽃·과실을 식별함.
  • Carter에 따르면 시스템은 현재 작황 추정치와 수확일을 알려주며, 육안으로는 한눈에 알아보기 어려운 아주 작은 꽃눈도 잘 식별함.
  • 예측 정확도는 시스템에 입력하는 과거 정보의 품질에 크게 좌우됨. 농장별 특성이 달라 인터넷에서 평균 수확량을 긁어 모으는 방식으로는 충분하지 않으며, 각 농장에 맞춘 데이터가 필요함.
  • Granny Smith 사과의 수확 가능 기간은 약 3주지만, 베리류는 며칠에 불과할 수 있음.
  • 영국 기업 FruitCast의 공동 창업자 겸 최고운영책임자 Raymond Martin은 딸기는 수확 시기를 놓치면 작물 전체가 매우 빠르게 병에 걸릴 수 있다고 설명함.
  • FruitCast는 딸기와 라즈베리, 블랙베리, 블루베리, 토마토의 작황을 예측하며, 내년에는 포도도 대상으로 삼을 계획임.
  • 숙련 농민도 과실이 익는 시기를 대체로 알지만, 농장이 여러 에이커에 걸쳐 있거나 노지와 실내 재배 구역을 모두 포함하면 전체 상황을 파악하기 어려울 수 있음. Martin은 농민이 할 수 있는 일을 더 큰 규모로 수행하는 것이 자사 시스템의 역할이라고 설명함.
  • 시스템은 드론, 밭을 오가는 사람의 스마트폰, 농장 차량에 장착된 카메라로 촬영한 과실 영상을 분석함.
  • Martin은 올해 영국의 고온과 심한 가뭄으로 많은 과실 식물이 스트레스를 받았으며, 열 휴면 상태에 들어가 과실 생산이 둔화됐다고 설명함.
  • FruitCast는 날씨와 관개 조건을 예측에 반영함. 회사가 제시한 수치는 실제 수확량과 비교해 1주 전 예측은 10% 이내 오차(정확도 90%), 3주 전 예측은 17% 이내 오차(정확도 83%)이며, 오차가 20% 미만임을 보장한다고 밝힘.
  • Angus Soft Fruits는 FruitCast와 협력해 왔음. 운영 책임자 Neill Finlayson은 과실 익음 예측 기술이 아직 완성된 해결책은 아니며, 진전은 있었지만 업계가 완전히 통합된 예측 체계를 갖추기까지는 갈 길이 남아 있다고 설명함.
  • 캘리포니아에 본사를 두고 영국에서 큰 규모로 사업을 운영하는 과일 판매업체 Driscoll's는 영국의 독립 과일 재배자 일부가 FruitCast 기술을 사용했다고 확인함.

과실의 익은 정도를 측정하는 기술

  • 많은 농민은 작물의 당도를 확인할 때 휴대용 브릭스(Brix) 측정기를 사용함. 이 기기는 액체를 통과한 빛의 방향이 얼마나 바뀌었는지, 즉 굴절 정도를 측정해 고형분 함량을 추정함.
  • 일부 측정기는 적외선을 사용해 과실을 자르지 않고도 측정할 수 있음. 프린스턴대학교의 Yasaman Ghasempour는 고주파 전파인 밀리미터파가 과실 내부 깊숙이 침투하며 습도·수분·당에 잘 반응한다고 설명함.
  • Ghasempour와 학생들은 농민이나 매장에서 잘 익은 과일을 찾는 고객이 사용할 수 있는 밀리미터파 기반 숙도 감지기를 개발함. 학생들이 뉴저지의 한 지역 시장에서 시험하자 직원들이 수상한 일을 하는 줄 알고 다소 겁을 먹었다고 Ghasempour가 농담함.
  • 익지 않은 과실을 세밀하게 분석하면 언제 익을지 예측하는 데도 도움이 될 수 있음.

도입 장벽과 사람의 판단

  • 일부 농가는 새 기술을 시험하는 데 관심이 있지만, 투자할 가치가 있는지 의문을 품는 농가도 많음. North Carolina State University의 Jing Zhang은 기술 도입이 복잡하며, 농가가 연구와 기술의 실제 작동 여부를 신뢰해야 한다고 설명함.
  • Zhang은 스마트폰으로 촬영한 블루베리 덤불 사진에서 블루베리 개수를 자동으로 세는 시스템을 개발 중임.
  • 플로리다대학교의 Kevin Wang은 100달러짜리 드론으로 영상을 수집할 수 있는 작물 계수 도구를 개발함. 앞으로 이런 정보가 과실 숙도 예측에 활용될 수 있음.
  • Wang은 일부 농가가 비료·관개 계획과 같은 상업적으로 민감한 재배 전략을 제삼자나 AI 모델과 공유하는 데 불편함을 느낄 수 있다고 지적함.
  • 미국 서부 농민을 대표하는 단체 Western Growers의 자동화·사업화 담당 수석 이사 Ben Palone은 수확 예측이 최적화 도구로서 잠재력이 있다고 설명함.
  • 농가는 계속 사람의 판단에 의존할 가능성이 큼. Palone은 특히 수확처럼 매우 중요한 결정을 내릴 때 농민이 사람을 판단 과정에 포함하기를 원한다고 설명함.