관찰 가능한 형질을 기반으로 한 식물 표현형 분석은 스트레스 탐지와 유전형 연계 육종 모두에서 현대 농업의 핵심 역할을 한다. 비전 기반 시스템은 생장률, 생체량, 수확량과 같은 거시적 변수를 추정할 수 있다. 그러나 기후변화 상황에서 서로 다른 식물 품종이 환경 스트레스에 어떻게 반응하는지 이해하려면 수동 이미징만으로는 얻기 어려운 생리 지표가 필요하다.
엽록소 형광은 광합성 활성을 직접적으로 보여 주며 식물 스트레스에 민감하게 반응하는 지표다. 온실이나 야외 환경에서 전통적으로 사용하는 형광 측정 장치는 개별 잎을 물리적으로 고정하고 제어된 광 자극 프로토콜을 적용해야 하는 휴대형 기기다. 측정 정확도는 높지만 노동 집약적이고 수작업이 필요해, 고처리량 표현형 분석으로 확장하기 어렵다.
소형 전자기술의 발전과 웨어러블 기기용 부품의 보급으로 더욱 작고 간편한 형광 센서가 개발되기 시작했다. Jan IngenHousz Institute가 제공하는 휴대형 장치는 잎에 부착한 상태로 장기간 측정할 수 있다. 이러한 소형 시스템은 시간에 따른 데이터를 고품질로 수집하지만, 설치와 회수에는 여전히 수작업이 필요하다. 따라서 대규모이면서 공간적으로 세밀한 측정을 수행하고 자동화하기에는 시간과 노력이 많이 든다.
한 대의 휴대형 센서를 사용하는 로봇 플랫폼은 여러 잎과 식물을 대상으로 엽록소 형광을 자동 측정한다. 이 시스템은 로봇 매니퓰레이터와 카메라·센서 짐벌을 결합해 형광 프로브를 정밀하게 배치한다. 먼저 플랫폼의 기계 구조와 형광 센서의 통합 및 실험적 검증을 설명한 뒤, 잎을 검출하고 3D 위치를 추정하는 인식 파이프라인을 제시한다. 이어 기하학적 제약과 접근성 제약을 고려해 센서를 배치할 수 있도록 충돌 없는 궤적을 생성하는 모션 플래닝 전략을 다룬다.
능동 생리 센싱을 로봇의 인식 및 조작 기능과 결합함으로써, 이 시스템은 확장 가능하고 반복성이 높으며 공간적으로 정밀한 식물 표현형 분석을 가능하게 한다. 이는 고처리량 농업 검사를 위한 로봇 기반 해법이다.
하드웨어
능동 센싱 플랫폼의 하드웨어 구성은 총 1000~1500달러 수준의 낮은 비용을 유지하도록 설계되었다. 비용의 대부분은 CNC 스테이지와 로봇 팔을 지지하는 알루미늄 구조 프레임에서 발생한다.
5자유도 짐벌
센싱 유닛은 Pi Camera Module 3와 소형 엽록소 형광 센서로 구성되며, PLA, PETG, 알루미늄 부품으로 제작한 경량 로봇 팔의 말단에 맞춤형 3D 프린팅 짐벌로 장착된다.
직교 좌표 위치 제어에는 750 × 750 mm 평면 작업 공간과 31.5 mm의 z축 이동 범위를 제공하는 X-Carve CNC 플랫폼을 사용하며, 정격 정확도는 약 0.05 mm다. 방향 제어는 스테퍼 모터로 구동되는 2축 팬·틸트 메커니즘이 담당하고, 두 축 모두에서 360도 회전이 가능하다. 두 개의 슬립 링은 케이블이 꼬이지 않으면서 전원과 신호를 지속적으로 전달한다.
CNC 축의 모션 제어는 Raspberry Pi 5에 연결된 모터 드라이버가 담당한다. 팬·틸트 스테퍼 모터는 USB로 연결된 Adafruit Feather M0가 구동한다. 짐벌에는 카메라와 형광 센서의 현장 데이터 수집 및 제어를 위한 Raspberry Pi Zero W가 탑재되어 있으며, Wi-Fi를 통해 주 제어기와 무선으로 통신한다.
시스템은 두 개의 분산 노드로 구성된다.
- CNC 모션 노드
- 짐벌 센싱 노드
두 노드는 자동 모듈 검색 기능을 갖춘 요청·응답 프로토콜을 구현한 맞춤형 미들웨어를 통해 통신한다.
형광 센서
이 장치는 능동형 엽록소 형광 센서다. 엽록소의 여기 파장에 해당하는 LED 빛으로 잎을 비추고 방출되는 형광 신호를 측정한다. 이 신호는 광합성 활성의 직접적인 대리 지표다. 정확한 측정을 위해서는 약 5 mm의 이격 거리에서 센서를 잎에 거의 접촉하듯 배치하고, 광축을 잎 표면의 국소 법선 방향에 최대한 가깝게 정렬해야 한다. 이러한 기하학적 제약 때문에 정밀한 로봇 위치 및 방향 제어가 필요하다.
센서는 직렬 어댑터를 거쳐 USB로 짐벌 센싱 노드에 연결되며, 명령 기반 직렬 프로토콜을 통해 통신한다. 시스템은 프로그래밍 가능한 여기 시퀀스를 지원하므로 실험 목적에 따라 임의의 광 자극 프로토콜을 설정할 수 있다. 따라서 표준 형광 분석뿐 아니라 맞춤형 동적 자극 방식에도 활용할 수 있다.
센서의 반응을 특성화하기 위해, 세기를 점차 높인 1초 광 펄스를 적용하고 펄스 사이에는 30초의 암조건을 두었다. 두 개의 독립적인 Pilea peperomioides 식물에서 각 펄스 동안의 평균 형광 신호를 기록했다. 그 결과 얻은 광 반응 곡선은 예상된 양상을 보였다. 약한 빛 영역에서는 선형적으로 증가한 뒤 포화되었고, 더 높은 세기에서는 비광화학적 소광으로 인해 점차 감소했다. 비광화학적 소광은 강한 빛에 대한 스트레스 반응이다. 이 결과는 센서가 생리학적으로 의미 있는 형광 동역학을 포착할 수 있음을 확인해 준다.
이 측정값을 바탕으로 일시적인 감소 구간과 포화 플래시에서 나타나는 상대 형광 반응으로부터 비율을 계산한다. 이 스칼라 지표는 광 스트레스를 간결하고 안정적으로 나타내며, 자동화된 로봇 식물 표현형 분석 워크플로에 쉽게 통합할 수 있다.
표적 측정
형광 센서는 잎을 기준으로 정밀하게 배치되어야 한다. 이는 측정 재현성을 확보하고 신호 잡음 수준을 제어하는 데 필수적이다. 따라서 각 잎을 검출한 뒤 센서의 작업 거리에서 잎 표면을 향하도록 센서 자세를 설정해야 한다.
인식 구성 요소
잎의 위치를 파악하려면 먼저 식물의 3D 형상을 정확히 복원한 다음, 개별 잎을 기하학적으로 분할해야 한다. 식물의 형상을 복원하기 위해 표본 주위를 원형으로 배치한 여러 시점에서 RGB 이미지를 촬영한다. 실험에서는 80개 시점을 사용했다. 카메라 자세는 Structure-from-Motion 파이프라인으로 추정한다.
Structure-from-Motion은 희소 또는 조밀한 포인트 클라우드를 직접 생성하지만, 여기서는 복원된 카메라 자세를 스페이스 카빙 알고리즘의 입력으로 사용해 체적 복원을 수행한다. 이 구성에서 스페이스 카빙은 Structure-from-Motion이 직접 출력하는 결과보다 더 조밀하고 잡음이 적은 포인트 클라우드를 제공한다. 다만 스페이스 카빙은 실루엣 제약 아래에서 사진 일관성이 유지된다고 가정하며, 강한 오목부를 정확히 복원하지 못한다는 한계가 있다. 그 결과 잎이 심하게 말려 있거나 서로 겹쳐 가리는 경우 일부만 복원될 수 있다.
촬영 환경은 배경이 균일한 검은색이므로 단순한 색상 기반 분할만으로도 장면에서 식물을 분리할 수 있다. Excess Green 지수를 계산해 이진 마스크를 생성하고, 이를 3D 복원 파이프라인의 실루엣으로 사용한다.
복원된 3D 포인트 클라우드에서는 국소 기하 디스크립터를 이용해 잎을 분할한다. 각 점에 대해 여러 공간 스케일에서 주변 국소 영역의 공분산 행렬을 계산한다. 약 30개, 100개, 300개의 점으로 이루어진 주변 영역에 해당하는 세 가지 스케일을 사용한다. 이 공분산 행렬을 고유값 분해하면 국소 표면 기하를 간결하게 표현할 수 있다.
잎의 엽육처럼 평면적인 구조는 두 개의 주요 고유값과 하나의 0에 가까운 고유값을 보이는 반면, 줄기와 같은 선형 구조는 하나의 주요 고유값을 보인다. 이러한 기하학적 특징을 이용하면 잎 표면과 이를 지지하는 구조를 구별할 수 있다.
분류가 끝나면 잡음과 가변적인 점 밀도에 강한 밀도 기반 클러스터링으로 개별 잎을 추출한다. 분할된 각 잎에 대해 중심점을 계산하고 해당 지점의 국소 표면 법선을 추정한다. 이후 이 기하학적 특징을 이용해 형광 센서의 목표 자세를 정의한다. 이를 통해 센서가 잎에 직교하도록 정렬되고 로봇 측정이 가능한 위치에 배치된다.
모션 플래닝
인식 모듈이 추정한 잎의 중심점과 표면 법선을 바탕으로, 식물의 체적과 충돌하지 않는 로봇 팔의 궤적을 생성한다. 전략은 두 단계로 작동한다.
- 전역 경로 계획 단계에서는 식물을 우회하면서 말단 장치를 연속된 목표 잎 사이로 이동시킨다.
- 국소 접근 단계에서는 각 잎 표면에서 기하학적으로 일관된 이격 거리에 센서를 배치한다.
시각화 인터페이스
Dash 프레임워크로 구현한 웹 기반 인터페이스는 복원된 포인트 클라우드와 각 잎의 측정 위치를 대화형으로 시각화한다. 사용자는 3D 공간에서 샘플링된 점의 분포를 살펴보는 동시에, 측정한 잎의 RGB 이미지와 기록된 형광 시계열을 함께 확인할 수 있다.
이 통합 시각화 기능을 통해 목표 지점의 정확도와 생리 측정 결과를 정성적으로 평가할 수 있다.
결론
식물의 엽록소 형광을 자동으로 능동 센싱하기 위한 저비용 로봇 플랫폼을 제시했다. 3D 인식, 기하학적 추론, 정밀 조작을 통합함으로써 이 시스템은 잎 단위에서 표적 형광 측정을 반복적으로 수행할 수 있다. 제안한 자극 프로토콜을 사용한 실험에서, 플랫폼은 광합성 광 스트레스의 표준 지표를 바탕으로 암순응 잎과 빛에 노출된 잎을 구별할 수 있음을 보였다.
암순응 잎과 광 스트레스 잎을 이진 분류한 결과는 센싱 및 위치 결정 능력을 검증한다. 그러나 더욱 미세한 스트레스 이질성을 파악하려면 형광 동역학에 대한 고차원 분석이 필요하다. 이러한 맥락에서 dictionary learning과 같은 머신러닝 기법을 활용하면 시간에 따른 형광 신호에서 유용한 특징을 추출하고 복잡한 생리 상태에 대한 민감도를 높일 수 있다. 또한 식물 전체의 이질성에 따라 잎 부착형 장치의 배치 위치를 결정하는 데에도 이 결과를 활용할 수 있다.
현재 평가는 구조가 비교적 단순한 식물을 대상으로 수행했다. 구조가 매우 복잡하거나 서로 가리는 표본에서는 스페이스 카빙 방식의 한계로 인해 복원 및 분할 파이프라인이 실패할 수 있다. 최근의 신경망 기반 방법과 같은 더욱 발전된 3D 복원 기법은 더 복잡한 형상을 처리할 수 있지만, 포인트 클라우드의 잡음이 커질 가능성이 있다.
마지막으로 온실이나 야외 환경에 적용하려면 복원 시간을 줄이는 일이 중요하다. 향후 연구에서는 시점 수를 줄이는 등의 방법으로 인식 파이프라인을 가속하는 데 초점을 맞출 예정이다. 센싱 암을 이동형 로봇 플랫폼에 통합하는 방안도 유망하다. 이를 통해 실제 농업 환경에서 식물 단위의 표현형 분석을 확장하고 자율화할 수 있다.
감사의 글
저자들은 형광 장비의 초기 버전을 사용할 수 있도록 지원한 Jan IngenHousz Institute의 Ludovico Caracciolo와 David Kramer, 그리고 유익한 논의를 함께하고 장비 보정을 도와준 Paris Research, Sony CSL의 Aliénor Lahlou에게 감사드린다.
논문 작성 과정에서 언어를 명확히 하고 교정하기 위해 LLM 보조 도구를 사용했다. 모든 과학적 내용과 해석에 대한 책임은 전적으로 저자들에게 있다.
자주 묻는 질문
로봇 플랫폼은 식물의 어떤 신호를 측정하나요? 광합성 활성을 직접적으로 보여 주며 식물 스트레스의 지표가 되는 엽록소 형광을 측정한다.
시스템은 개별 잎의 위치를 어떻게 파악하나요? 여러 RGB 시점으로부터 식물을 3D로 복원한 뒤, 국소 기하 디스크립터와 밀도 기반 클러스터링을 사용해 개별 잎을 분할한다.
형광 센서를 정밀하게 배치해야 하는 이유는 무엇인가요? 측정하려면 약 5 mm의 이격 거리와 잎 표면의 법선 방향에 가까운 광학적 정렬이 필요하다.
현재 시스템의 주요 한계는 무엇인가요? 스페이스 카빙은 심하게 말리거나 서로 가리는 잎에서 제대로 작동하지 않을 수 있으며, 온실과 야외 환경에 적용하려면 복원 시간을 줄여야 한다.