이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Laser Weeding의 가장 큰 병목은 작물과 잡초를 서로 다른 지역과 생육 단계에서 안정적으로 구분하는 일이었고, Carbon Robotics는 이를 위해 작물별 모델 묶음 대신 단일 Plant Foundation Model을 구축했습니다. 이 모델은 184종 이상의 식물 유형을 포함한 거의 100만 장의 주석 이미지를 학습했으며, 농부가 iPad 앱에서 자기 밭의 이미지 일부를 작물 또는 잡초로 태그하면 새 소프트웨어 배포나 재학습 주기 없이 즉시 조정됩니다. iMerit는 2020년 5명 규모의 검증 작업에서 시작해 80명 이상의 전문 인력과 다층 품질 검수, 사전 주석, 확대 기능, 실시간 오류 분류를 운영했고, 복잡한 장면의 작업 시간을 61% 줄였습니다. 그 결과 LaserWeeder는 시간당 최대 500,000개의 잡초를 서브밀리미터 정밀도로 제거하는 기반을 마련했으며, Carbon ATK를 통한 트랙터 자율주행으로 농장 자동화 범위가 확장되고 있습니다.
섹션별 상세
LaserWeeder는 Computer Vision으로 식물의 위치를 찾고 잡초에 레이저를 조준해 서브밀리미터 정밀도로 제거하지만, 어린 작물과 잡초처럼 형태가 비슷한 대상을 지역과 생육 단계별로 구분해야 합니다. 기존 작물별 Vision Model 구조에서는 새 작물이나 잡초 유형이 추가될 때마다 처음부터 재학습해야 했습니다. 오분류는 단순한 인식 오류가 아니라 잡초를 놓치거나 작물을 태워 수확량에 영향을 줄 수 있는 운영 문제였습니다.
Carbon Robotics는 작물별 모델을 따로 운영하는 대신 184종 이상의 식물 유형과 거의 100만 장의 주석 이미지를 학습한 단일 Plant Foundation Model을 구축했습니다. 농부는 iPad 앱에서 자신의 밭 이미지 썸네일 일부를 작물 또는 잡초로 태그하고, 시스템은 새 소프트웨어를 배포하거나 전체 재학습을 기다리지 않고 해당 환경에 맞춰 조정됩니다. 그 결과 아침에는 Arizona의 당근 밭에 사용한 장비를 오후에는 다른 농장의 상추나 허브 밭에 맞게 몇 분 안에 재설정할 수 있는 운영 방식이 마련됐습니다.
Carbon Robotics의 초기 주석 작업은 현장 수집 뒤 팀원이 직접 이미지를 표시하는 방식이었지만, 데이터 규모가 커지면서 지속하기 어려워졌습니다. 2020년 iMerit와 협업한 뒤 주석 방식은 식물 외곽선을 표시하는 polygon 기반 작업에서 레이저 조준에 필요한 중심점을 표시하는 keypoint 및 원형 방식으로 발전했습니다. 작업자들은 184종 이상의 작물과 잡초 변형을 구분하도록 훈련받았고, iMerit는 사전 주석과 확대 기능, 작업 흐름 단순화를 적용해 복잡한 장면의 완료 시간을 61% 줄였습니다.
iMerit와 Carbon Robotics의 협업은 2020년 5명 규모의 검증 작업에서 80명 이상의 숙련 전문가가 참여하는 다년간 운영으로 확대됐습니다. 여러 단계의 품질 검수는 대량 데이터에서도 주석 정확도를 일정하게 유지했고, 양사는 주석 도구 자체를 현장 피드백에 맞춰 계속 개선했습니다. 이후 작업자는 학습 데이터만 만드는 데 그치지 않고 실제 운용 중인 장비의 작물·잡초 판별 결과를 실시간으로 검토해 오류를 다시 시스템에 반영했습니다.
Carbon ATK는 2019년 이후 생산된 John Deere 6R, 8R, 8RX, 8RT 트랙터에 영구 개조 없이 장착하는 자율주행 키트로, 카메라와 위치 추적 센서를 사용해 장애물 회피와 경로 계획, 임무 설정을 수행합니다. LaserWeeder 같은 스마트 작업기를 결합하면 운전자가 탑승하지 않은 상태에서 제초 임무를 진행할 수 있고, 같은 키트는 경운, 살포, 수확에도 활용될 수 있습니다. 이 확장은 식물 구조를 빠르게 판별하는 모델과 농경지 센서 데이터를 안정적으로 결합하는 기반이 있어야 가능하며, LaserWeeder는 시간당 최대 500,000개의 잡초를 서브밀리미터 정밀도로 제거하는 수준까지 확장됐습니다.
용어 해설
- 식물 파운데이션 모델(Plant Foundation Model)
- — 여러 작물과 잡초 유형, 지역, 생육 단계의 이미지를 폭넓게 학습해 특정 작물마다 별도 모델을 만들지 않고 식물의 구조와 종류를 인식하는 기반 모델입니다. 이 기사에서는 184종 이상 식물 유형과 거의 100만 장의 주석 이미지를 학습 데이터로 사용했습니다.
- Computer Vision
- — 카메라로 얻은 이미지에서 식물의 위치와 형태를 판별하는 기술입니다. LaserWeeder는 Computer Vision으로 작물과 잡초를 구분한 뒤, 잡초 위치에 레이저를 조준하므로 인식 오류가 작물 손상이나 제초 실패로 이어질 수 있습니다.
- Human-in-the-Loop
- — 모델이 처리한 결과를 사람이 확인하고 오류를 다시 시스템에 반영하는 운영 방식입니다. 이 사례에서는 현장 배치 중인 장비의 작물·잡초 판별 결과를 작업자가 실시간으로 검토해 학습과 운영 성능을 함께 다듬었습니다.
- Sensor Fusion
- — 카메라와 위치 센서처럼 서로 다른 센서의 출력을 결합해 주변 환경과 장비의 상태를 판단하는 방식입니다. Carbon ATK는 농경지의 먼지, 고르지 않은 지형, 작물 캐노피 환경에서 장애물 회피와 경로 계획에 필요한 센서 결합을 수행합니다.
- Polygon Annotation
- — 이미지 속 객체의 외곽선을 다각형으로 표시하는 주석 방식입니다. Carbon Robotics와 iMerit의 작업은 이후 레이저 조준에 필요한 식물 중심점을 더 빠르고 정확하게 표시하도록 keypoint 및 원형 주석 방식으로 확장되었습니다.
기술
- Computer Vision
- Plant Foundation Model
- LaserWeeder
- iPad 앱
- Carbon ATK
- John Deere 6R
- John Deere 8R
- John Deere 8RX
- John Deere 8RT
활용 사례
- 작물과 잡초의 실시간 식별
- 레이저 기반 정밀 제초
- 농장별 작물 모델 즉시 재설정
- 자율주행 트랙터의 제초·경운·살포·수확
- 현장 운용 결과를 활용한 Human-in-the-Loop 개선
언급된 리소스
문서The Robot Report
문서Precision Weeding Case Study
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 09. 09.수집 2026. 09. 09.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
