Missing/Noise Smart Farm Time Series Sensor Data A Study on a Lightweight Deep Learning Model for Restoration

본 연구는 전통적 보간법(Linear, Spline, KNN, Kalman)과 경량 딥러닝(LSTM-AE, Masked-AE, TCN-Lite)을 동일 조건에서 비교하고, 라즈베리파이5 기반 엣지에서 ONNX 추론으로 실시간 적용가능성을 검증하였다. 1분 간격 다변량 센서(온도·습도·CO₂·토양수분·EC·일사량·관수·생산량)에 대해 점 결측 5%, 6분 블록 결측 2%, 가우시안 잡음(σ=0.05), 드리프트(±5%)를 주입해 벤치마크를 구성하였다. 결과적으로 딥러닝군이 전통법 대비 RMSE/MAE 감소와 R², SNR/PSNR 향상을 보였으며, 특히 TCN-Lite는 R²≈0.874로 가장 우수했다. 엣지 실험에서 LSTM-AE와 TCN-Lite 모두 PC대비 성능 손실 < 2%로 실시간 복원 가능성을 입증하였다. 본 연구는 (i) 전통법–경량 딥러닝–엣지 배치의 단일 파이프라인, (ii) 정확도와 효율을 함께 평가하는 다면 지표 체계, (iii) 현장 적용을 위한 설계 지침을 제시한다.