About Us

바이오센서 및 농업전자 연구실 (Lab of Biosensors and Agricultural Electronics, BSLAB)은 농업 4.0 시대에 맞춰 Green Biotechnology와 생물시스템에 필요한 센서 개발 및 농업 전자 응용에 대한 연구를 수행합니다. 

The Lab of Biosensors and Agricultural Electronics (BSLAB) conducts research on the development of sensors and applications in agricultural electronics for green biotechnology and biological systems in the era of Agriculture 4.0.

연구 관심사 (Research Interests)

• 식물공장 재배 관리 시스템 (Plant Factory Cultivation Management System)

• 가정용 식물 재배 장치 (Household Plant Cultivation Device)

• 식물 생육 건강 모니터링 시스템 (System for Monitoring Plant Growth and Health)

• 미세유체칩 기반 모니터링 (Microfluidic chip based monitoring)

• 타겟 물질 검출 알고리즘 (Algorithms for target material detection)

최근 연구 (Recent Research)

머신비전 기반 양상추의 생체 중량 예측

• OpenCV 4와 Python을 사용한 이미지 전처리를 위해 면적, 둘레, 장축 길이, 단축 길이와 같은 윤곽 특징을 양상추(Lactuca sativa L.) 이미지에서 추출

• CNN을 사용한 자동 특징 추출 기반 모델을 통해 결정 계수(R²) 0.95와 평균 제곱근 오차(RMSE) 8.06g을 기록하며, 생체 중량을 정확하게 예측

• 실내 농업 환경에서 일하는 현장 근로자들이 농작물의 생체 중량을 비파괴적으로 쉽게 측정하고 수확 시기를 결정하는데 도움을 줄 것으로 기대

Biomass Prediction of Lettuce Using Machine Vision

• Contour features were extracted from images of lettuce (Lactuca sativa L.) using OpenCV 4 and Python for image preprocessing

• A CNN model achieved a coefficient of determination (R²) of 0.95 and a root mean square error (RMSE) of 8.06g, accurately predicting the biomass

• This system is expected to help on-site workers easily and non-destructively measure the biomass of crops and determine the optimal harvest time

생체 임피던스 분광법과 머신러닝 모델을 이용한 스위트 바질의 비생물적 스트레스 분류 

• VIS-NIR과 생체 임피던스 분광법을 바탕으로 머신러닝을 이용해 스위트 바질(Ocimum basilicum L.)의 스트레스의 유형과 심각성을 분류

• 각 스트레스 유형을 높은 정확도로 분류하며 저비용의 현장 측정 시스템에 적용 가능

• 가장 높은 정확도를 기록한 SVM 모델은 VIS-NIR 기반 식생 지수와 생체 임피던스를 통합한 데이터를 사용하였을 때 정확도가 0.90으로 향상

Classification of Stresses in Sweet Basil Using Bioimpedance Spectroscopy and Machine Learning

• The types and severity of abiotic stresses in sweet basil (Ocimum basilicum L.) were classified using bioimpedance, VIS-NIR and machine learning  

• Each stress type was classified with high accuracy, showing the potential for application in low-cost and on-site measurement systems

• The SVM model reached a classification accuracy of 0.90 when integrating VIS-NIR-based vegetation indices and bioimpedance data

종이기반 미세유체칩의 유속 프로파일을 이용한 유종 분류

• 종이기반 미세유체칩을 통해 흐르는 오일의 유속 프로파일을 머신러닝으로 분석하여 오일 유형을 분류

• Raspberry Pi를 이용해 획득한 유속 프로파일 데이터에 머신러닝을 적용해 crude oil은 90%, non-crude oil은 81%의 정확도로 분류

• 실험실 장비 없이 간단한 방법으로 30초 이내에 오일 유형을 5가지 범주로 분류 가능

Oil Type Classification Using Flow Profiles in Paper-Based Microfluidic Chips

• Oil types were classified by analyzing flow profiles of oils passing through paper-based microfluidic chips using machine learning

• Using a Raspberry Pi and machine learning, crude oils were classified with 90% accuracy and non-crude oils with 81% accuracy

• Enables classification within 30 seconds, without the need for laboratory equipment which offers a simple and rapid solution

수자원 모니터링을 위한 노로바이러스 검출 센서 개발 

• 종이기반 미세유체칩과 스마트폰, 그리고 이미지 처리 앱을 통해 물속에 존재하는 극소량의 노로바이러스를 검출

• 형광 마이크로 비드에 항체를 부착해 항원과의 면역반응을 통해 발생한 비드의 응집을 분석

• 저렴한 비용으로 현장에서 실시간 진단 (Point of Care)이 가능한 센서 개발

Development of a Norovirus Detection Sensor for Water Resource Monitoring

• A paper-based microfluidic chip, a smartphone, and an image processing application were used to detect trace amounts of norovirus in water

• The aggregation of fluorescent microbeads functionalized with antibodies that bind to viral antigens through immunoreactions were analyzed

• This low-cost sensor enables real-time, point-of-care diagnostics in field conditions

© BSLAB All Rights Reserved

Lab of Biosensors and Agricultural Electronics (바이오센서 및 농업전자 연구실) @ Seoul National University

1 Gwanak-ro, Gwanak-gu, Seoul, Republic of Korea (08826)

TEL : (+82) 2-880-4606 

FAX : (+82) 2-873-2049 

Office : Bldg.200 Rm 2217