3.

연구결과

식물 작물의 생체전류 신호 분석을 통한 스마트 팜 구축

송유빈 ․최우찬․최성빈․백건웅․황용하
대구과학고등학교

Setting Up Smart Farm through Biocurrent Signaling Analysis of Plant Crops

․ ․ ․ ․
Yubin Song Woochan Choi Sungbin Choi Geonung Baek Hwang-yong Ha
Daegu Science High School
나. 국문 초록
본 연구는 식물 외부의 자극에 대한 전기신호 반응을 인식하여 스마트 팜에 활용할 수 있는 방안을
논하려 한다. 아두이노를 활용한 스마트 팜 장치와 Plant Spiker Box 장비를 사용하여 사용자가 쉽
게 식물을 관리할 수 있는 스마트 팜 장치를 제작한다. 스마트 팜 앱에서는 각 센서 모듈에 획득되
는 정보는 온라인 서버에 저장되어 사용자의 웹 앱으로 관리할 수 있도록 데이터 분석 인사이트를
제안한다. 본 연구를 바탕으로 생체전류 신호 인식이 가능한 다른 식물 종에 적용하면, 사용자가 식
물 작물 관리에 유용하게 사용할 수 있을 것이다.

주제어: 농업, 스마트 팜, 아두이노, 생체전류

Ⅰ. 서론
ICT 기술이 발달함에 따라 농작물의 관리부터 품종 개량에 이르기 농업 분야의 상당한 부
분에서 스마트 팜과 같은 IoT 기기의 요구도가 증가해 왔다. 이렇듯 인류가 농업에서 해결해
나가야 하는 과제는 1차 산업인 농업의 자동화로 볼 수 있다. 근래에 들어 식량 부족과 농업 면
적 감소라는 문제 또한 제기되면서 농작물을 재배하는 과정에서 고려되어야 했던 부분들을 수
치화되어 분석되기 시작했다. 이러한 흐름에 맞춰 작물의 생육환경에서 데이터를 수치화시키기
위한 많은 센서가 만들어졌고 비슷한 흐름으로 센서와 함께 데이터 획득에 특화된 아두이노, 라
즈베리 파이와 같은 싱글 보드 컴퓨터도 적극적으로 이루어졌다.
본 연구에서는 ‘생체전류 데어터’라는 수치화 정보를 스마트 팜에 접목해 보며, 기존의 농
업에서 제기된 문제들을 해결할 수 있는 방법이 있을지 모색해 본다.

Ⅱ. 이론적 배경
생체전류란 생명체 내에서 발생하는 미세한 전류를 말한다. 이들은 대부분 동물에서 조직의
움직임에 관여하기도 하며, 장거리의 신호를 전달하는 한 가지 방법으로 알려져 있다. 이러한
전기적 신호는 화학적 신호에 비해 더 먼 조직과 기관에 빠르고 즉각적인 신호 전달이 가능하
다는 이점을 가지고 있다. 생체전류의 관측에 있어서 미소한 크기의 전류를 측정 과정 중의 오
차와 잡음으로부터 구분하는 데 큰 어려움이 있었기에 주로 동물에서 연구가 진행되었으며, 식
물의 경우에서도 파리지옥(Venus Fly Trap)과 미모사(Mimosa)와 같이 외부 자극에 대해 ‘움직
임’이 발생하는 식물에 관한 연구가 초기에 진행되었다. 근래에 들어서는 측정 장비의 발달,
각종 저역(low-pass), 고역(high-pass) 필터를 사용함으로써 신호 대비 잡음 비율을 대폭 낮추고
있다. 식물 측정의 경우, 이와 같은 장비와 함께 증폭기를 사용하여 식물 전류에 해당하는 측
정값을 증폭시켜서 관측할 수 있다.
식물은 변화하는 환경에 대응하기 위해 대사 작용을 조절하며 이를 위해 멀리 떨어진 세포
나 조직, 장기 사이에 복잡한 신호 체계를 유지하고 있다. 식물에서의 전기신호는 성장, 기체
교환, 세포호흡, 광합성, 증산 작용, 유전자 발현 등 다양한 생리학적 과정을 조절하는 것으로
알려져 있다. Ⅲ. 연구 방법 및 절차

1. 선행연구 1. 상추의 생체전류 측정

최근에 이루어진 토마토 식물로 진행한 두 생체전류 관련 연구를 살펴보면, 식물의 과육이
초식을 당하는 과정이나 식물의 수분량에 따라 식물의 각 부위에서 특정한 생체전류가 관측됨
을 보였다. 기존의 움직임이 관찰되지 않는 식물의 연구에서는 그동안 노이즈로 인해 전자파가
차폐되는 패러데이 케이지 내에서 연구가 많이 진행됐다. 토마토의 생체전류 리듬을 분석한 연
구에서는 패러데이 케이지 밖의 보다 일반적인 재배 환경에서 전극을 꽂은 후, 아날로그 필터
와 증폭기 외에 기계학습을 활용한 분석을 통해 2주간의 토마토의 생체전류 데이터에 대한 결
론을 낼 수 있었다.
이들 선행연구는 움직임이 관측되지 않은 다른 식물 특히 많은 수확용 작물 종에게 적용할
수 있음을 의미하며, 본 연구에서는 생체전류가 측정된 작물에서 전류 데이터를 사용하여 스마
트 팜을 제작하는 방안을 모색한다.
2. 스마트 팜 데이터 관리(데이터 획득, 저장, 전처리)
스마트 팜은 정보통신기술(ICT)을 농작물 재배 적용한 시설이나 장치를 말한다. 스마트 팜에
서 획듣한 생육환경 데이터는 다음과 같이 서버의 DB에 저장된다.
가장 흔하게 관찰할 수 있는 작물 채소인 상추로 생체전류 측정을 시도하였다. 일정 재배 기
간을 거친 상추 모종에 대해 수분량에 따른 생체전류 신호에 어떠한 차이가 있는지를 알아보
고자 하였다. 온라인에서 구매한 청상추(Lactuca sativa L.) 모종으로 실험을 진행하였다. 구입
한 모종 중 크기가 유사한 모종 6개를 선정하여, 상업용 상토에 정식하고 적당량 물을 주며 이
틀간 적응 기간을 주었다. 적응 기간이 지난 상추는 3개씩 두 그룹으로 나누어 한 그룹에서는
꾸준히 토양에 수분을 공급해 주었고(대조군), 다른 그룹에서는 수분을 주지 않은(실험군) 채로
5일간 토양의 수분량에 차이를 만들었다. 모종 정식 7일째가 되는 날에 Plant Spiker box 장비
의 안내된 사용 설명을 참고하여, 두 전극을 각각 흙(ground)과 잎에 고정한 후, Spike
Recorder 앱으로 측정 결과를 확인했다.
2. 스마트 팜 구축
2.1 스마트 팜 구축 과정 개요
총 4개의 sensor board에서 오는 데이터를 서버의 DB에 저장하고 이를 바탕으로 스마트
팜 앱이 작동하는 방식이다. 구축하는 스마트 팜은 크게 스마트 팜 구동 장치, 생체전류
측정 장치, 스마트 팜 앱 장치 3개로 구성했다.

[Fig. 1] 스마트 팜의 데이터 수집 및 저장 경로

3. Plant Spiker Box

연구에 사용한 생체전류 측정 장비로는 Backyard Brains 사의 Plant Spiker Box를 사용했다.
Plant Spiker Box 장비의 경우, 측정된 전류 데이터를 가공하여 나타난 수치 정보를 시각화하여
함께 제공하는 앱을 통해 보여준다.
Plant Spiker Box 장비의 input에 입력 전극을 연결할 때, 동봉된 전선 장치(Plant
Communication Cable)를 연결하여 핀이 연결된 전극(Variable Length Grounding)은 흙에 꽂아
접지하고 기록 전극(Variable Recording Cable)은 측정하고자 하는 부위 옆에 고정하고 전도성
젤(Conductive Electrode Gel)로 식물과 전극 사이에 충분히 묻혀서 전기가 통하게 한다.

[Fig. 3] 스마트 팜 개요

2.2 스마트 팜 장치
스마트 팜 키트는 Blueinno 사의 ‘교육용_스마트 팜 인공지능키트’를 조립하여 사용하
[Fig. 2] Plant Spiker Box 사용 였다. 스마트 팜의 센서 보드는 온습도 센서, 조도 센서, 토양 수분 센서를 사용해서 구성
모습
 하였고, LED, 환기 팬, 서보 모터 등의 action 장치를 설치하였다. Wifi 모듈(ESP8266) 모
델을 사용하여 서버의 realtime database에 측정값을 전달한다. 이를 위해 와이파이 연결
을 위한 라이브러리와 firebase 서버 연결을 위한 라이브러리를 다운받아 사용했다. 스마
트 팜의 센서 간 입력 과정이나 action 장치들에 정보를 전달하는 기본적인 코드는
Blueinno 사에서 제공받았다.

2.3 생체전류 측정 장치
생체전류 측정 장치는 Backyard Brains 사의 Plant Spiker Box 3대를 사용하여
Plant Spiker Box 장비의 신호 인식 과정은 ‘(데이터 수집) – (데이터 전처리) – (데이터
저장)’과 같다. 생체전류 데이터에서 피크를 찾는 알고리즘을 작성하기 위해 Backyard
[Fig. 5] 상추 생체전류 측정 모습
Brains 사에서 제공한 Plant Spiker Box 장비의 아두이노 코드를 분석하였다.

Plant Spiker Box 장비의 경우, 생체전류 측정값의 상대적인 변화량을 알아보기 쉽게 변환하
2.4 스마트 팜 앱 개발
는 과정이 존재하고, 이는 다음과 같은 이유에서 상추의 생체전류 측정에 바람직하지 않다고
서버의 DB에 저장된 데이터를 가져와서 사용자에게 보여주고, 사용자의 명령을 다시 웹
판단했다. 우선, 주로 피크가 크게 발생하는 운동성이 있는 식물이 아니라면, 노이즈와 데이터
서버로 보내서 스마트 팜의 action 장치가 작동되도록 했다.
의 차이가 작으므로 상대적인 변화량에 영향을 줄 수 있다. 두 번째로 문제가 되는 점은 선행
[Fig. 4] 는 웹 앱을 개발하는 과정에서 초기에 그린 UML 개요도이다. 센서 보드에서 측
논문에서와 같이 생체전류 데이터 경향성을 분석하여 식물의 상태를 파악하기 위해서는 식물
정된 스마트 팜 내부의 온습도, 조도, CO2 농도 등과 각 식물에 연결된 생체전류 측정
의 장기적인 측정이 필요하다. 이는 주변의 데이터에 영향을 받는 Plant Spiker Box의 데이터
장비에서 측정된 피크 발생 데이터는 모두 DB에 저장되고, DB에 저장된 데이터들은
전처리 방식으로는 데이터가 훼손될 가능성이 크다.
Smart Farm Analyzement Manager 와 Plant Analyzement Manager 에서 한 번 가공하여
본 연구의 추후 실험에서는 생체전류 데이터를 사용한 스마트 팜 개발이라는 점에 주목하여
식물 불쾌지수, 식물의 수분 부족도 등의 유의미한 데이터를 만든다. 이 데이터들은 다시
연구를 진행하였고, Plant Spiker Box 장비를 개발에 가장 유용하게 사용할 수 있도록 피크 발
Smart Farm Action Manager 에서 스마트 팜이 사용자에게 Action 장치를 조절하는 것을
견 목적으로 사용하였다. 피크를 위해 상추를 대체하여 파리지옥과 미모사 식물을 사용했다.
제안하고 실행한다. User Control Manager 에서는 사용자의 명령을 실행한다.

2. 스마트 팜 구축

2.1 생체전류 측정 장치 구현
Plant Spiker Box 장비의 코드에서는 데이터를 가공하고 저장하는 과정에서 데이터를 다
루기 위한 변수가 존재한다. 해당 변수가 나타나는 부분을 수정하여 아두이노 장비에 업
로드를 시도하였으나, 변형된 코드가 아두이노 메인보드에 접근할 시 장비의 일부 기능이
구현되지 않으면서 정상적인 데이터 가공이 이루어지지 않았다. 변형된 코드가 업로드된
아두이노에서 나타난 한 가지 특징은 기존에 비해 잡음이 데이터 처리 과정에서 덜 상쇄
되어 연결된 Spike Recorder에서 노이즈가 커졌다는 점이다.
Plant Spiker Box 장비에 코드 수정이 가능하다고 가정한다면, 생체전류 데이터의 피크 발
견 과정은 [Fig. 6] 와 같이 나타낼 수 있다.

[Fig. 4] 웹 앱 개발 개요도 - UML

Ⅳ. 연구 결과
[Fig. 6] 상추 생체전류 측정 모습
1. 상추의 생체전류 측정 결과
상추의 경우, 데이터 측정이 [Fig. 5]와 같이 나왔으며, 노이즈와 측정값의 차이가 거의 없어 위의 두 부분에 필요하게 메서 들을 파이선 코드로 구현할 수 있었고, Plant Spiker Box
서 결과 분석이 불가능하였다. 이 그래프의 경우, 분석에 필요한 피크가 발견되지 않았다. 장비와 신호 인식 과정이 유사한 다른 장비에서 make_file.py 와 check_peak.py 의 코드
 를 상황에 맞게 변수를 설정하여 사용한다면, 생체전류 데이터에서 어느 순간에 피크가
발생하는지 알 수 있는 모델을 만들 수 있다.

# txt 파일 생성용 코드
f = open("result.txt", 'w', encoding='UTF8')

f.close()

[Fig. 7] make_file.py

result_file = open('result.txt', 'r')

data_list = list(map(float, result_file.readlines()))

stable_range = 0.1
pick_range = 0.5 [Fig. 10(좌)] 스마트 팜 내부에 Plant Spiker box 배치하는 모습
[Fig. 11(우)] 생체전류 스마트 팜 제작 후 전체 모습
average = 0
for index in range(10): # 처음10번까지의 측정값은 무시
average += data_list[index]
average /= 10 Ⅴ. 고찰
for index, data in enumerate(data_list):
if not((1 + pick_range) * average >= data >= (1 - pick_range) * average):
print(f'{index}번째에서 전류 발생\n측정값: {data} 안정 범위: {average}± {average * 생체전류 데이터를 바탕으로 스마트 팜 서비스를 제작하기 위해 총 3가지 단계로 나누어 연
pick_range}')
if (1 - stable_range) * average < data < (1 + stable_range) * average: 구를 진행하였다. (측정 가능 여부 – 데이터 추출 여부 – 하드웨어/소프트웨어 구현)
average = (average * index + data) / (index + 1)
우선 진행한 것은 생체전류 데이터의 측정 여부였다. 처음에는 기존의 선행 연구에서 진행한
result_file.close()
방식으로 진행하기 위해 비슷한 재료를 구하려 하였으나 해당 연구에 사용된 전극과 센서, 센서

[Fig. 8] check_peak.py
입력 장치를 온라인에서 구할 수 없었다. 우리는 충분히 교육을 목적으로 만들어진, 데이터의
전처리가 내부에서 이루어지는 ‘Plant Spiker Box’장비를 사용하기로 했다. 해당 장비에서는

2.2 스마트 팜 장치 구현 데이터의 상대적인 변화값을 제공한다는 점에서 움직임이 관측되지 않은 식물에서는 적용하기

Plant Spiker box의 데이터가 자동으로 서버의 DB에 업로드가 불가능하여, 실제 측정한 데이터 측정이 어려웠고, 생체전류 데이터를 활용하는 스마트 팜 구현이라는 점에서 Plant

데이터들을 직접 기록하여 스마트 팜 앱을 개발하였다. Spiker box 장비로 측정이 가능한 파리지옥과 미모사 식물을 사용해서 연구를 진행하였다.
두 번째는 Plant Spiker Box 장비로부터 수치화된 데이터를 추출할 수 있는지를 탐구했다. 장
비의 아두이노 코드를 분석하여 수치화된 데이터를 관리하는 변수를 수정하여 다시 장치의 아
두이노에 업로드하였으나 장치가 비정상적으로 작동하는 문제가 발생했다. 이 부분에 대해서는
코드를 여러 차례 수정하였으나 비슷한 문제가 발생하여 우리가 직접 데이터 시트에 입려하여
스마트 팜을 완성하였다.
마지막으로 웹 앱을 개발하는 과정에서는 구축된 데이터베이스를 바탕으로 소프트웨어를 구
현하였고, 서버의 데이터를 데이터 매니저를 거쳐 유의미한 데이터로 가공한 후, MySQL에 저장
하였다. 저장된 데이터는 한 번 더 가공되어 자연어에 가까운 정보로 변환되어 사용자에게 제공
될 수 있도록 했다.

Ⅵ. 결론

본 연구에서는 아두이노 기반의 스마트 팜 키트와 생체전류 측정 키트(Plant Spiker Box)를

센서 보드로 사용하여 실내 환경의 온도, 습도, 조도, 토양의 습도 그리고 식물의 생체전류 신
호 데이터를 수집하고, ‘생체전류 데이터’를 바탕으로 스마트 팜을 구현하였다. 연구 과정에
서 Plant Spiker box의 한계로 일반적인 작물의 사용과 스마트 팜의 완전 자동화는 불가능하였
지만, 이 연구를 바탕으로 다른 생체전류 측정 장비를 활용한다면, 이 연구를 방법으로 생체
전류 데이터를 활용한 스마트 팜을 제작할 수 있을 것이다.
[Fig. 9] 스마트 팜 앱 웹 페이지 제작 모습 식물의 다양한 데이터를 스마트 팜에 활용한다면 식물의 상태 예측하고 개선 방안을 모색하
는 데 도움이 될 것이며, 현재의 농업 문제를 해결할 수 있는 실마리를 찾을 수 있을 것이다.
■ 참고문헌
[1] Gabriela Niemeyer Reissig, Thiago Francisco de Carvalho Oliveira, Ricardo Padilha de Oliveira, Douglas Antônio Posso, André
Geremia Parise, DoriEdsonNava and GustavoMaiaSouza, 2021. Fruit Herbivory Alters Plant Electrome: Evidence for Fruit-Shoot
Long-Distance Electrical Signaling in Tomato Plants
[2] Daniel tran, fabien Dutoit, elena najdenovska, nigel Wallbridge, carrol plummer, Marco Mazza, Laura elena Raileanu & cédric
camps, 2019. Electrophysiological assessment of plant outside a Faraday case using supervised machine learnig
[3] 한석호, 장훈석, 2023. 스마트팜 생육환경 데이터 획득 및 분석
[4] Plant Spiker box 아두이노 코드, https://github.com/BackyardBrains/Plant-SpikerBox
[5] 파이어베이스 연결 라이브러리, https://github.com/FirebaseExtended/firebase-arduino