-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.1 2023-12-06 데이터 최종 개방 1.0 2023-04-30 데이터 개방(Beta Version) 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2023-12-06 산출물 전체 공개 소개
산업용 헴프가 개화하여 수확하기까지의 주요 단계(화아분화 단계, 암꽃/수꽃 개화 단계, 미수정암꽃 단계)에 대한 이미지, 라벨링 데이터(JSON), 각 이미지별 생육 환경 데이터로 구성되어 있음
구축목적
산업용 헴프를 재배하는 과정 중, 주요 단계에서 재배자가 적절한 행동(생육 환경 조절, 수분 방지를 위한 수꽃 제거, 수확)을 취할 수 있도록 AI 기반의 생육 보조를 위한 데이터셋
-
메타데이터 구조표 데이터 영역 농축수산 데이터 유형 이미지 데이터 형식 JPG 데이터 출처 자체 수집 라벨링 유형 폴리곤 세그멘테이션 라벨링 형식 JSON 데이터 활용 서비스 인공지능 기반 산업용 헴프 생육 알람(앱) 서비스 데이터 구축년도/
데이터 구축량2022년/102,015건 -
1. 데이터 구축 규모
구분-대 구분-소 데이터 형태 구축 수량(건) 마디 화아분화 JPG 46,940 JSON 암꽃/수꽃 JPG 13,050 JSON 꽃 미수정암꽃 JPG 42,025 합계 102,015
2. 데이터 분포(표)구분 분포 화아분화(여,부) 분포 화아분화 개수 분포 부(false) 151,303 79.29% 여(true) 39,515 20.71% 합계 190,818 100% 형태(암/수꽃) 분포 형태 개수 분포 암꽃(female) 16,469 54.51% 수꽃(male) 13,744 45.49% 합계 30,213 100% 수지량(1~3단계) 분포 수지량 개수 분포 1단계 4,774 11.36% 2단계 22,607 53.79% 3단계 14,644 34.85% 합계 42,025 100% 갈변여부 분포 갈변 개수 분포 부(false) 5,508 13.11% 여(true) 36,517 86.89% 합계 42,025 100% 이미지당 세그멘테이션 분포 구분 라벨링 개수 개수 분포 마디 1 6,856 6.72% 2 14,764 14.47% 3 13,133 12.87% 4 9,817 9.62% 5 5,467 5.36% 6 3,678 3.61% 7 2,081 2.04% 8 1,435 1.41% 9 939 0.92% 10 592 0.58% 11 411 0.40% 12 247 0.24% 13 160 0.16% 14 121 0.12% 15 101 0.10% 16 52 0.05% 17 46 0.05% 18 33 0.03% 19 21 0.02% 20 15 0.01% 21 6 0.01% 22 8 0.01% 23 1 0.00% 25 4 0.00% 26 1 0.00% 27 1 0.00% 미수정암꽃 1 42,025 41.19% 합계 102,015 100% 재배실별 주수 분포 재배실 개수 분포 A 336 43.75% B 336 43.75% C 24 3.13% D 72 9.38% 합계 768 100% 헴프 부위 분포 헴프 부위 개수 분포 마디 59,990 58.81% 미수정암꽃 42,025 41.19% 합계 102,015 100%
3. 데이터 분포(차트)구분 분포 화아분화(여,부) 분포 
형태(암/수꽃) 분포 
수지량(1~3단계) 분포 
갈변여부 분포 
이미지당 세그멘테이션 분포 
재배실별 주수 분포 
헴프 부위 분포 
-
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드1. 활용 모델
1) 분류모델 - ResNet-50
● 2015년 제안된 ResNet은 초기 CNN 모델 layer가 깊어지면서 발생한 기울기 소실/폭팔 문제를 해결하기위해 입력 값을 몇 layer 이후의 출력 값에 더해주는 residual connection 구조를 제안하면서, 기존보다 더 깊은 CNN 모델을 생성할 수 있도록 해준 모델.
● License : apache-2.0
● Source Code : https://pytorch.org/vision/main/models/resnet.html
2) 영역탐지모델 - Mask-RCNN (resnet50)
● 2016년 제안된 Mask-RCNN의 경우, 기존의 박스탐지모델인 Faster-RCNN 모델에서 폴리곤 영역 탐지가 가능하도록 추가적인 네트워크 헤더를 붙여 만든 모델.
● 이미지의 feature를 추출 할 수 있는 Backbone 영역과 RoI, box/mask 추론 모듈이 분리되어 있어 다양한 조합의 네트워크를 사용할 수 있으며, instance segmentation 모델 중 가장 기본이 되는 모델
● License: MIT
● Source Code : https://pytorch.org/vision/main/models/mask_rcnn.html2. 모델 훈련 과정
1) 모델 구현 환경
● GPU Cloud 환경을 구성하여 모델을 구축함.구분 성능 Host OS Ubuntu 18.04 Container Image Ubuntu 18.04 vCPU 8 cores, 2.4 GHz GPU V100 * 4대 Memory 92GB python 3.6.9 pytorch 1.3.0 2) 모델 구현 절차
① 데이터 준비
● 수집된 데이터를 train set, validation set, test set으로 구분하고, 비율은 train set : validation set : test set 을 7:1:2 로 분할
● 수집된 데이터는 이미지, 판단이 필요한 부분의 폴리곤 세그멘테이션 좌표, label에 대한 검토 수행
● 모델의 임무에 따라 모델 입력, 정답 데이터 선정
※ 분류 모델 데이터
■ 모델 입력 : 폴리곤 세그멘테이션 영역 부분만 잘라 입력으로 사용
■ 정답 데이터 : 폴리곤 세그멘테이션 영역 상태 값을 one-hot encoding 사용
※ 탐지 모델 데이터
■ 모델 입력 : 수집된 이미지 그대로 입력으로 사용
■ 정답 데이터 : 폴리곤 세그멘테이션 영역 좌표 값, 상태값 사용② 모델 학습
● 준비한 train set과 validation set을 이용하여 딥러닝모델을 훈련 진행
● 모델의 임무에 따라 모델 출력 값 형태, 학습 시 사용하게 될 손실함수 결정※ 분류 모델
■ 입력형태(224 x 224 크기의 이미지), 출력형태(객체 유형별 확률 값), 손실 함수(Cross-Entropy Loss) 사용
※ 탐지 모델
■ 입력형태(512 x 512 (또는 512 이상 임의의 이미지), 출력형태 (픽 셀 별 각 영역에 속할 확률), 손실 함수(Cross-Entropy Loss) 사용
■ 추가적으로 Backbone Network 부분과 Classifier Network부분에서 성능 측정 및 두 가지 확률값을 측정함.
● Train set을 모델에 입력하고, 모델 출력 값과 실제 정답 값이 유사해지도록 반복적으로 모델 parameter를 업데이트하여 모델 학습
● 훈련 중 주기적으로 validation set으로 모델 성능을 측정하고, validation set 성능이 더 이상 오르지 않으면 훈련 종료
[ 반복 학습 흐름 ]
③ 모델 평가
● 훈련 때 사용하지 않은 Test set을 이용하여 모델의 최종 성능을 평가
● 성능 평가 시 사용하는 지표는 분류모델 Accuracy, 객체탐지모델 IoU 사용
※ 학습 데이터
■ Tagging 데이터 중 70%를 사용하여 학습모델을 생성
■ 학습에 사용하는 데이터는 산업용 헴프의 마드, 꽃, 미수정꽃 이미지를 학습함.
※ 학습모델 검증
■ 분류모델 : 정확도(Accurancy) 측정을 통하여 모델의 유효성을 검증
■ 객체탐지 모델 : mAP 산출을 통하여 모델의 유효성을 검증3. 모델 성능 지표
항목명 측정 지표 정량 목표 결과값(%) 마디 화아분화 탐지 성능 mAP 40% 이상 75.80% 마디 암/수꽃 담지 성능 mAP 70% 이상 80.15% 미수정암꽃 갈변 탐지 성능 mAP 85% 이상 90.69% 미수정암꽃 수지량 분류 성능 정확도 74% 이상 83.91% -
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 미수정암꽃 수지량 분류 성능 Image Classification ResNet-50 Accuracy 74 % 83.97 % 2 마디 화아분화 탐지 성능 Object Detection Mask-RCNN mAP 40 % 75.81 % 3 마디 암/수꽃 탐지 성능 Object Detection Mask-RCNN mAP 70 % 80.14 % 4 미수정암꽃 갈변 탐지 성능 Object Detection Mask-RCNN mAP 85 % 90.69 %
※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.
※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)
-
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드1. 데이터 설명
● 이미지(JPG) 데이터는 산업용 헴프의 생육 주요 단계에 맞춰 1)화아분화, 2)암꽃/수꽃, 3)미수정암꽃으로 구성되어 있음
● 각 이미지별 예시는 다음과 같으며, 데이터 분포는 데이터 통계 참조구분 이미지 예시 마디 화아분화 
수꽃 
암꽃 
꽃 미수정암꽃 
2. 원시데이터 구성
2.1. 파일명 형식
- 파일명 형식 : 개체식별ID_yy-mm-dd-hh-mm-데이터종류
- 파일명 예시 : A_a03_A_2_1_22-05-25-14-05-0012.jpg생육 이미지 데이터 종류 표기 형식 마디 화아분화-부(000) 0000 (0) 화아분화-여(010) 0010 형태-수꽃(011) 0011 형태-암꽃(012) 0012 미수정암꽃 수지량-1단계-갈변-부(010) 1010 (1) 수지량-1단계-갈변-여(011) 1011 수지량-2단계-갈변-부(020) 1020 수지량-2단계-갈변-여(021) 1021 수지량-3단계-갈변-부(030) 1030 수지량-3단계-갈변-여(031) 1031 2.2. 헴프 생육환경 데이터 (데이터 유형 – 텍스트)
구분 데이터 종류 데이터 설명 지상부 생육환경 데이터 온도 온·습도 측정기를 통해 측정된 재배실의 온도 습도 온·습도 측정기를 통해 측정된 재배실의 습도 CO2 농도 CO2 측정기를 통해 측정된 재배실의 CO2 농도 광량 조도 분광계를 통해 측정된 재배실의 광량 지하부 생육환경 수온 수온 측정기를 통해 측정된 수온 데이터 EC EC 측정기를 통해 측정된 EC pH pH 측정기를 통해 측정된 pH ● 헴프 생육정보 데이터 (데이터 유형 – 텍스트)
구분 데이터 종류 데이터 설명 생육 이미지 데이터 마디 화아분화-부 마디부분의 화아분화 전 이미지 화아분화-여 마디부분의 화아분화 후 이미지 형태-수꽃 마디부분에서 개화된 수꽃 이미지 형태-암꽃 마디부분에서 개화된 암꽃 이미지 미수정암꽃 수지량-1단계 갈변-여 미수정암꽃의 수지량 이미지 및 수지량 단계별 갈변여부 분리 갈변-부 수지량-2단계 갈변-여 갈변-부 수지량-3단계 갈변-여 갈변-부 3. 어노테이션 데이터 포맷
구분 속성명 타입 필수 설명 비고 여부 1 Metadata object Y 메타데이터 1-1 Images object Y 이미지 설명 1-1-1 object_id string Y Object ID 해당 헴프 사진의 파일명 1-1-2 path string Y 이미지 위치 (학습용데이터 구분)_원천데이터_(촬영대상)_(클래스) 1-1-3 width int Y 이미지 너비 1-1-4 height int Y 이미지 높이 1-2 environment object Y 생육환경 1-2-1 area_id string Y 재배실 구분 id - 1작기 가(A).나(B),다(C),라(D) - 2작기 가(E),나(F),다(G),라(H) 1-2-2 hemp_id string Y 헴프 주(株)의 id 동_수조번호_재배기번호_팟 1-2-3 area_temp double Y 온도(℃) 1-2-4 area_hum double Y 습도(%) 1-2-5 area_co2 double Y CO2 농도(ppm) 1-2-6 area_Illum double Y 광량(μmol/m2/s) 1-2-7 water_ec double Y EC(dS/m) 1-2-8 water_ph double Y pH(pH) 1-2-9 water_temp double Y 수온(℃) 1-3 Growth_info object Y 생육정보 1-3-1 period int Y 생육 기간(days) 1-3-2 length double Y 초장(식물의 길이) (cm) 1-3-3 node_number int Y 마디개수 1-3-4 node_length double Y 평균 마디 길이(cm) 1-3-5 root_round double Y 근부직경(mm) 2 annotations object Y 라벨링 정보 2-1 object_id string Y Object ID 해당 헴프 사진의 파일명 2-2 polygon[] array Y 폴리곤 2-2-1 type string Y 타입 POLYGON 2-2-2 vertices array Y 폴리곤 좌표 2-2-2-1 x float Y X좌표 2-2-2-2 y float Y Y좌표 2-2-3 differentiation boolean 분화 여부 화아분화 여(true),부(false) 2-2-4 flower string 형태 암꽃(female), 수꽃(male) 2-2-5 resin int 수지량 1~3단계 2-2-6 browning boolean 갈변 여부 갈변 여(true),부(false) 2-3 label object Y 라벨 2-3-1 category int Y 마디/미수정암꽃 구분 마디(0) 미수정암꽃(1) 4. 라벨링데이터 포맷 예시
화아분화 라벨링 데이터 포맷 예시(A_a01_A_1_1_22-08-12-09-40-0010.json) { "annotations": {
"label": {
"category": 0
},
"polygon": [
{
"type": "POLYGON",
"vertices": [
{
"x": 1321.2081416665455,
"y": 675.1487785726612
},
{
"x": 1336.9536388070624,
"y": 691.681550570204
},
{
"x": 1346.4009370913727,
"y": 717.6616208520569
},
{
"x": 1341.6772879492175,
"y": 749.1526151330909
},
{
"x": 1329.86816509383,
"y": 770.4090362727887
},
{
"x": 1313.3353930962871,
"y": 783.7927088422281
},
{
"x": 1265.3116268177102,
"y": 799.5382059827451
},
{
"x": 1255.8643285334,
"y": 772.7708608438662
},
{
"x": 1247.9915799631417,
"y": 753.876264275246
},
{
"x": 1262.162527389607,
"y": 756.2380888463234
},
{
"x": 1274.7589251020206,
"y": 757.8126385603751
},
{
"x": 1294.4407965276666,
"y": 757.8126385603751
},
{
"x": 1310.9735685252094,
"y": 752.3017145611942
},
{
"x": 1318.846317095468,
"y": 742.8544162768841
},
{
"x": 1324.357241094649,
"y": 723.1725448512378
},
{
"x": 1325.9317908087005,
"y": 715.2997962809794
},
{
"x": 1323.569966237623,
"y": 701.91612371154
},
{
"x": 1321.9954165235713,
"y": 686.9579014280489
},
{
"x": 1310.9735685252094,
"y": 683.0215271429197
},
{
"x": 1299.1644456698218,
"y": 677.5106031437388
},
{
"x": 1277.9080245301238,
"y": 673.5742288586094
},
{
"x": 1268.4607262458137,
"y": 685.3833517139972
},
{
"x": 1261.375252532581,
"y": 680.6597025718421
},
{
"x": 1255.0770536763744,
"y": 677.5106031437388
},
{
"x": 1259.0134279615036,
"y": 671.212404287532
},
{
"x": 1263.7370771036587,
"y": 674.3615037156353
},
{
"x": 1273.1843753879689,
"y": 668.8505797164544
},
{
"x": 1281.844398815253,
"y": 664.9142054313252
},
{
"x": 1297.58989595577,
"y": 666.4887551453769
},
{
"x": 1317.2717673814163,
"y": 671.212404287532
}
],
"diffrentiation": false
},
{
"type": "POLYGON",
"vertices": [
{
"x": 744.9229463236252,
"y": 712.150696852876
},
{
"x": 865.3759994485798,
"y": 758.599913417401
},
{
"x": 929.9325377246994,
"y": 780.6436094141247
},
{
"x": 956.6998828635782,
"y": 789.303632841409
},
{
"x": 967.72173086194,
"y": 787.7290831273574
},
{
"x": 981.8926782884052,
"y": 790.8781825554607
},
{
"x": 994.4890760008188,
"y": 797.9636562686934
},
{
"x": 1017.3200468545684,
"y": 812.1346036951586
},
{
"x": 1017.3200468545684,
"y": 742.8544162768841
},
{
"x": 1011.0218479983616,
"y": 735.7689425636514
},
{
"x": 1000.7872748570256,
"y": 746.0035157049874
},
{
"x": 961.4235320057333,
"y": 735.7689425636514
},
{
"x": 914.9743154412082,
"y": 733.4071179925738
},
{
"x": 856.7159760212955,
"y": 722.385269994212
},
{
"x": 780.3503148897884,
"y": 700.3415739974882
},
{
"x": 729.1774491831083,
"y": 689.3197259991264
},
{
"x": 704.7719286153069,
"y": 674.3615037156353
},
{
"x": 701.6228291872036,
"y": 679.8724277148162
},
{
"x": 709.495577757462,
"y": 692.4688254272298
},
{
"x": 722.8792503269015,
"y": 701.91612371154
}
],
"diffrentiation": false
},
{
"type": "POLYGON",
"vertices": [
{
"x": 976.3817542892243,
"y": 654.6796322899892
},
{
"x": 1017.3200468545684,
"y": 703.4906734255917
},
{
"x": 1024.405520567801,
"y": 681.446977428868
},
{
"x": 992.1272514297412,
"y": 648.3814334337824
},
{
"x": 979.5308537173278,
"y": 633.4232111502913
},
{
"x": 970.8708302900434,
"y": 633.4232111502913
},
{
"x": 970.8708302900434,
"y": 639.721410006498
},
{
"x": 972.4453800040951,
"y": 646.8068837197306
}
],
"diffrentiation": false
},
{
"type": "POLYGON",
"vertices": [
{
"x": 943.3665286588431,
"y": 786.6564008858207
},
{
"x": 938.6207070380758,
"y": 791.4022225065881
},
{
"x": 938.3043189300247,
"y": 795.8316560193042
},
{
"x": 938.9370951461269,
"y": 803.7413587205831
},
{
"x": 938.9370951461269,
"y": 808.8035684494016
},
{
"x": 937.03876649782,
"y": 813.5493900701689
},
{
"x": 936.0896021736665,
"y": 817.3460473667827
},
{
"x": 929.4454519045923,
"y": 823.6738095278058
},
{
"x": 924.0668540677227,
"y": 826.5213025002662
},
{
"x": 918.0554800147509,
"y": 831.5835122290847
},
{
"x": 916.7899275825462,
"y": 834.7473933095962
},
{
"x": 912.6768821778812,
"y": 836.6457219579031
},
{
"x": 912.0441059617789,
"y": 842.3407079028239
},
{
"x": 909.1966129893185,
"y": 847.0865295235913
},
{
"x": 905.3999556927047,
"y": 849.6176343880004
},
{
"x": 903.8180151524489,
"y": 847.0865295235913
},
{
"x": 902.8688508282954,
"y": 844.8718127672331
},
{
"x": 904.4507913685512,
"y": 841.0751554706193
},
{
"x": 908.5638367732162,
"y": 835.0637814176473
},
{
"x": 909.5130010973696,
"y": 830.6343479049312
},
{
"x": 913.6260465020347,
"y": 828.103243040522
},
{
"x": 919.0046443389043,
"y": 824.6229738519593
},
{
"x": 921.2193610952623,
"y": 823.6738095278058
},
{
"x": 923.7504659596716,
"y": 822.4082570956012
},
{
"x": 926.597958932132,
"y": 818.9279879070385
},
{
"x": 932.2929448770527,
"y": 812.9166138540666
},
{
"x": 933.8748854173085,
"y": 805.9560754769412
},
{
"x": 934.1912735253596,
"y": 797.41359655956
},
{
"x": 933.8748854173085,
"y": 795.5152679112531
},
{
"x": 927.8635113643365,
"y": 799.6283133159181
},
{
"x": 923.1176897435693,
"y": 801.5266419642251
},
{
"x": 920.58658487916,
"y": 801.2102538561738
},
{
"x": 920.58658487916,
"y": 798.0463727756623
},
{
"x": 922.8013016355181,
"y": 795.5152679112531
},
{
"x": 927.8635113643365,
"y": 793.6169392629462
},
{
"x": 934.824049741462,
"y": 788.8711176421789
},
{
"x": 936.4059902817178,
"y": 783.4925198053093
},
{
"x": 939.5698713622293,
"y": 779.6958625086954
},
{
"x": 945.8976335232524,
"y": 772.1025479154677
},
{
"x": 953.8073362245312,
"y": 765.1420095383423
},
{
"x": 957.6039935211451,
"y": 762.294516565882
},
{
"x": 961.71703892581,
"y": 764.8256214302911
},
{
"x": 964.5645318982704,
"y": 767.3567262947004
},
{
"x": 968.0448010868331,
"y": 768.622278726905
},
{
"x": 972.7906227076005,
"y": 770.520607375212
},
{
"x": 975.954503788112,
"y": 771.1533835913142
},
{
"x": 972.7906227076005,
"y": 775.8992052120816
},
{
"x": 970.5759059512424,
"y": 778.4303100764907
},
{
"x": 967.0956367626796,
"y": 780.6450268328489
},
{
"x": 962.3498151419124,
"y": 780.0122506167465
},
{
"x": 959.8187102775031,
"y": 781.2778030489511
},
{
"x": 956.0220529808893,
"y": 783.8089079133604
},
{
"x": 953.49094811648,
"y": 785.3908484536162
},
{
"x": 948.4287383876616,
"y": 786.6564008858207
},
{
"x": 945.26485730715,
"y": 787.2891771019231
}
],
"diffrentiation": true
},
{
"type": "POLYGON",
"vertices": [
{
"x": 889.0038836066786,
"y": 181.03580140859194
},
{
"x": 924.1478332243125,
"y": 213.91239943799133
},
{
"x": 947.9550249007741,
"y": 239.9869427026874
},
{
"x": 957.0244312537119,
"y": 250.19002484974237
},
{
"x": 994.4357324595802,
"y": 263.794134379149
},
{
"x": 1029.579682077214,
"y": 283.0666228791418
},
{
"x": 1044.3174674007378,
"y": 278.5319197026729
},
{
"x": 1037.5154126360346,
"y": 263.794134379149
},
{
"x": 1010.3071935772213,
"y": 236.58591532033574
},
{
"x": 992.1683808713457,
"y": 210.51137205563967
},
{
"x": 963.8264860184153,
"y": 184.4368287909436
},
{
"x": 933.2172395772503,
"y": 171.96639505565417
},
{
"x": 904.8753447243198,
"y": 150.426554967427
},
{
"x": 876.5334498713893,
"y": 142.49082440860644
},
{
"x": 844.7905276361071,
"y": 147.02552758507534
},
{
"x": 816.4486327831765,
"y": 161.7633129085992
},
{
"x": 774.5026284008394,
"y": 179.90212561447473
},
{
"x": 746.1607335479089,
"y": 196.90726252623304
},
{
"x": 732.5566240185022,
"y": 203.70931729093635
},
{
"x": 731.4229482243851,
"y": 218.44710261446022
},
{
"x": 743.8933819596745,
"y": 230.91753634974964
},
{
"x": 757.4974914890811,
"y": 230.91753634974964
},
{
"x": 785.8393863420116,
"y": 215.04607523210856
},
{
"x": 827.7853907243488,
"y": 198.04093832035025
},
{
"x": 859.528312959631,
"y": 184.4368287909436
},
{
"x": 879.934477253741,
"y": 181.03580140859194
}
],
"diffrentiation": false
}
],
"object_id": "A_a01_A_1_1_22-08-12-09-40-0010"
},
"Metadata": {
"Images": {
"object_id": "A_a01_A_1_1_22-08-12-09-40-0010",
"path": "1.Traning_원천데이터_마디_화아분화",
"width": 2000,
"height": 1500
},
"environment": {
"area_id": "A",
"hemp_id": "A_a01_A_1",
"area_temp": 30.3,
"area_hum": 74.2,
"area_co2": 171,
"area_Illum": 337,
"water_temp": 26.5,
"water_ec": 1.7,
"water_ph": 6
},
"Growth Info": {
"period": 42,
"length": 47.6,
"node_number": 17,
"node_length": 2.8,
"root_round": 13.1
}
}
} -
데이터셋 구축 담당자
수행기관(주관) : 데이터헌트㈜
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 민병준 팀장 02-2135-1017 byoungjoon.min@thedatahunt.com 데이터 구축 총괄, 데이터 가공 수행기관(참여)
수행기관(참여) 기관명 담당업무 ㈜농부심보 데이터 수집 엔에이치엔클라우드㈜ AI모델 구축 ㈜비투엔 품질 검증 안동스마트팜사업단 데이터 수집 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 민병준 팀장 02-2135-1017 byoungjoon.min@thedatahunt.com
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.