JP2020092695A - Brdc予兆検知システム - Google Patents
Brdc予兆検知システム Download PDFInfo
- Publication number
- JP2020092695A JP2020092695A JP2019205357A JP2019205357A JP2020092695A JP 2020092695 A JP2020092695 A JP 2020092695A JP 2019205357 A JP2019205357 A JP 2019205357A JP 2019205357 A JP2019205357 A JP 2019205357A JP 2020092695 A JP2020092695 A JP 2020092695A
- Authority
- JP
- Japan
- Prior art keywords
- data
- brdc
- learning
- cow
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 236
- 238000010801 machine learning Methods 0.000 claims abstract description 36
- 241000283690 Bos taurus Species 0.000 claims description 175
- 238000012545 processing Methods 0.000 claims description 45
- 238000005259 measurement Methods 0.000 claims description 26
- 238000002955 isolation Methods 0.000 claims description 11
- 208000002289 Bovine Respiratory Disease Complex Diseases 0.000 description 167
- 238000013500 data storage Methods 0.000 description 59
- 238000009304 pastoral farming Methods 0.000 description 39
- 238000000034 method Methods 0.000 description 36
- 238000013480 data collection Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 22
- 238000007405 data analysis Methods 0.000 description 15
- 229940079593 drug Drugs 0.000 description 13
- 239000003814 drug Substances 0.000 description 13
- 230000001133 acceleration Effects 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 208000024891 symptom Diseases 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 210000001015 abdomen Anatomy 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 229920000728 polyester Polymers 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 2
- 206010027387 Merycism Diseases 0.000 description 2
- 206010039101 Rhinorrhoea Diseases 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000002779 inactivation Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000022676 rumination Effects 0.000 description 2
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 208000036071 Rhinorrhea Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 206010061428 decreased appetite Diseases 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000012173 estrus Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000035611 feeding Effects 0.000 description 1
- 208000021760 high fever Diseases 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 208000010753 nasal discharge Diseases 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 0.000 description 1
- 208000016261 weight loss Diseases 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Theoretical Computer Science (AREA)
- Animal Husbandry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Marine Sciences & Fisheries (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
肥育に要する期間内にBRDCを発症した牛の、BRDCを発症していない所定期間における状態を示すデータと、肥育に要する期間経過後にBRDCを発症していない牛の、所定期間における状態を示すデータとを取得する取得部と、
取得した前記所定期間における状態を示すデータと、BRDCを発症したか否かを示す情報との対応関係を機械学習する機械学習部と、
前記対応関係を機械学習することで生成される学習済みモデルに、新たな牛の前記所定期間における状態を示すデータを入力することで、該新たな牛がBRDCを発症するか否かを示す情報を推論し、推論結果を出力する推論部とを有することを特徴とする。
<BRDC予兆検知システムのシステム構成>
はじめに、BRDC予兆検知システムのシステム構成について説明する。図1は、BRDC予兆検知システムのシステム構成の一例を示す図である。
次に、肥育場140の各牛に装着されるセンサについて説明する。図2は、牛に装着されるセンサと、センサが装着される位置とを示す図である。
次に、肥育場140における撮像装置群130の配置例について説明する。図3は、肥育場における撮像装置群の配置例を示す図である。図3の例は、撮像装置群130として、肥育場140の周囲に5台の撮像装置310、320、330、340、350を配置した様子を示している。
次に、検知装置110及び学習装置111のハードウェア構成について説明する。なお、検知装置110と学習装置111とは、概ね同じハードウェア構成を有しているため、ここでは、検知装置110のハードウェア構成について説明する。
次に、BRDC予兆検知システム100全体の処理の流れについて、図5を用いて説明する。図5は、BRDC予兆検知システム全体の処理の流れを示すシーケンス図である。
次に、学習装置111及び検知装置110の機能構成について説明する。図6は、学習装置及び検知装置の機能構成の一例を示す第1の図である。
・予兆検知用データ格納部623に格納された予兆検知用データと、
・肥育場140の肥育管理者により判定された判定結果と、
を用いて、学習用データ(詳細は図12を用いて後述)を生成する機能を有しているものとする。
次に、学習装置111の各部(ここでは、実験データ処理部611、学習部613)の詳細について説明する。
はじめに、学習装置111の実験データ処理部611の詳細について説明する。図7は、実験データ処理部の詳細を示す図である。図7に示すように、実験データ処理部611は、特徴量抽出部710、行動データ解析部720、非行動データ解析部730、バイタルデータ解析部740を有する。
次に、学習装置111の学習部613の詳細について説明する。図9は、学習部の詳細を示す第1の図である。学習部613は、予兆検知部624にインストールされる、学習済みモデルを生成する。
・学習モデル901より出力された出力結果(BRDC発症、発症時期、重症化、重症化時期、あるいはBRDC発症せず)と、
・学習用データ格納部614から読み出した学習用データの"結果データ"の項目に含まれる判定結果(BRDC発症、発症時期、重症化、重症化時期、あるいはBRDC発症せず)と、
を比較することで誤差を算出する。また、比較変更部902は、算出した誤差に基づいて学習モデル901内のモデルパラメータを変更することで、学習モデル901について機械学習を行う。
次に、検知装置110の各部(ここでは、フィードロットデータ処理部622、予兆検知部624、第1出力部625)の詳細について説明する。
はじめに、検知装置110のフィードロットデータ処理部622の詳細について説明する。なお、フィードロットデータ処理部622の処理内容は、学習装置111の実験データ処理部611の処理内容と概ね同じである。このため、ここでは、フィードロットデータ処理部622より出力され、予兆検知用データ格納部623に格納される予兆検知用データについて説明する。
次に、検知装置110の予兆検知部624の詳細について説明する。図11は、予兆検知部の詳細を示す第1の図である。図11に示すように、予兆検知部624は、学習済みモデル1101を有する。
・"BRDC発症の予兆を検知する"、または、
・"BRDC発症の予兆を検知したことを通知する"、
とは、学習済みモデル1101が、BRDCを発症することを示す情報を、推論結果として出力することに他ならない。
次に、検知装置110の第1出力部625の処理の詳細として、第1出力部625により生成される表示画面の一例である、検知結果画面について説明する。図13は、検知結果画面の一例を示す図である。
次に、BRDC予兆検知システム100の効果について説明する。上述したように、BRDC予兆検知システム100によれば、BRDC発症前に予兆を検知することが可能になる。この結果、牛の廃棄に伴う損失を低減することが可能になる。発症または重症化する前の早い段階で検知して処置を施すことで、重症化する牛の絶対量を減らすことができるからである。
以上の説明から明らかなように、第1の実施形態に係るBRDC予兆検知システム100は、
・肥育の工程に要する期間内にBRDCを発症した牛の、BRDCを発症していない所定期間における状態を示すデータ(各データ項目の時系列データ)を取得する。また、肥育の工程に要する期間経過後にBRDCを発症していない牛の、所定期間における状態を示すデータ(各データ項目の時系列データ)を取得する。
・取得した所定期間における状態を示すデータと、BRDCを発症したか否かを示す情報との対応関係を機械学習する。
・対応関係を機械学習することで生成される学習済みモデルに、新たな牛の所定期間における状態を示すデータを入力することで、当該新たな牛がBRDCを発症するか否かを示す情報を推論し、推論結果を出力する。
上記第1の実施形態では、学習モデル901に時系列データを入力するものとして説明した。しかしながら、学習モデル901に入力するデータは、時系列データに限定されない。
はじめに、学習装置111及び検知装置110の機能構成について説明する。図14は、学習装置及び検知装置の機能構成の一例を示す第2の図である。
次に、学習用データ格納部1402に格納される学習用データの詳細について説明する。図15A、図15Bは、学習用データ格納部に格納される学習用データの一例を示す第4及び第5の図である。図8A、図8Bに示した学習用データ800、800'との相違点は、学習用データ1500、1500'の場合、ヘッダ情報の項目として、"事前データ"が含まれている点である。図15A、図15Bに示すように、本実施形態において、"事前データ"には、放牧データが格納される。
次に、学習装置111の学習部1403の詳細について説明する。図16は、学習部の詳細を示す第2の図である。図16に示すように、学習部1403は、前処理部1601、学習モデル1602、比較変更部1603を有する。
・放牧データ、
・各データ項目の時系列データの変化量(所定期間)、
である(符号1611参照)。
・矢印840で示す所定期間内の時系列データと、
・基準データ(例えば、矢印820で示す所定期間内の時系列データの代表値(例えば、平均値))と、
の差分を算出することで、時系列データの変化量を算出する。
・学習モデル1602より出力された出力結果(BRDC発症、発症時期、重症化、重症化時期、あるいはBRDC発症せず)と、
・学習用データ格納部1402から読み出した学習用データの"結果データ"の項目に含まれる判定結果(BRDC発症、発症時期、重症化、重症化時期、あるいはBRDC発症せず)と、
を比較することで誤差を算出する。また、比較変更部1603は、算出した誤差に基づいて学習モデル1602内のモデルパラメータを変更することで、学習モデル1602について機械学習を行う。
次に、予兆検知用データ格納部1423に格納される予兆検知用データの詳細について説明する。図17は、予兆検知用データ格納部に格納される予兆検知用データの一例を示す第2の図である。図10に示した予兆検知用データ1001との相違点は、ヘッダ情報の項目として、"事前データ"が含まれている点である。図17に示すように、本実施形態において、"事前データ"には、放牧データが格納される。
次に、検知装置110の予兆検知部1424の詳細について説明する。図18は、予兆検知部の詳細を示す第2の図である。図18に示すように、予兆検知部1424は、前処理部1801、学習済みモデル1802を有する。
・放牧データ、
・各データ項目の時系列データの変化量(予兆監視期間)、
である(符号1811参照)。
・矢印1040で示す所定期間内の時系列データと、
・基準データ(例えば、矢印1020で示す所定期間内の時系列データの代表値(例えば、平均値))と、
の差分を算出することで、時系列データの変化量を算出する。
以上の説明から明らかなように、第2の実施形態に係るBRDC予兆検知システム100は、
・肥育の工程に要する期間内にBRDCを発症した牛の、BRDCを発症していない所定期間における状態を示すデータ(各データ項目の時系列データの変化量)を取得する。また、肥育の工程に要する期間経過後にBRDCを発症していない牛の、所定期間における状態を示すデータ(各データ項目の時系列データの変化量)を取得する。
・各牛の放牧データを取得する。
・取得した所定期間における状態を示すデータ及び放牧データと、BRDCを発症したか否かを示す情報との対応関係を機械学習する。
・対応関係を機械学習することで生成される学習済みモデルに、新たな牛の所定期間における状態を示すデータ及び放牧データを入力することで、当該新たな牛がBRDCを発症するか否かを示す情報を推論し、推論結果を出力する。
上記第1及び第2の実施形態では、学習部613、1403が学習モデル901、1602を有し、学習用データを用いて、機械学習を行うことで、学習済みモデルを生成するものとして説明した。また、上記第1及び第2の実施形態では、予兆検知部624、1424が、予兆検知用データを用いて学習済みモデルを実行し、推論結果を出力するものとして説明した。
・新たに取得した事前データ及び各データ項目の時系列データ(または各データ項目の時系列データの変化量)と、
・過去に蓄積した事前データ及び各データ項目の時系列データ(または各データ項目の時系列データの変化量)と、
を対比し、類似するものを検索する。そして、第3の実施形態では、予兆検知部624、1424が、検索結果に対応付けられた判定結果を、推論結果として出力する。以下、第3の実施形態の詳細について説明する。なお、以下では、主に、上記第1の実施形態との相違点を中心に説明する。
はじめに、学習装置111の学習部の詳細について説明する。図20は、学習部の詳細を示す第3の図である。
次に、検知装置110の予兆検知部624の詳細について説明する。図21は、予兆検知部の詳細を示す第3の図である。図21に示すように、予兆検知部624は、類似度判定部2101を有する。
・"BRDC発症の予兆を検知する"、または、
・"BRDC発症の予兆を検知したことを通知する"、
とは、類似度判定部2101が、検索結果に対応付けられた判定結果のうち、BRDCを発症することを示す情報を、推論結果として出力することに他ならない。
以上の説明から明らかなように、第3の実施形態に係るBRDC予兆検知システム100は、
・肥育の工程に要する期間内にBRDCを発症した牛の、BRDCを発症していない所定期間における状態を示すデータ(各データ項目の時系列データまたは各データ項目の時系列データの変化量)を、BRDCを発症したことを示す情報と対応付けて格納する。
・肥育の工程に要する期間経過後にBRDCを発症していない牛の、所定期間における状態を示すデータ(各データ項目の時系列データまたは各データ項目の時系列データの変化量)を、BRDCを発症していないことを示す情報と対応付けて格納する。
・新たな牛の所定期間における状態を示すデータ(各データ項目の時系列データまたは各データ項目の時系列データの変化量)を取得した場合に、格納した所定期間における状態を示すデータと類似するデータを検索する。これにより、新たな牛がBRDCを発症するか否かを示す情報を推論する。
上記第1乃至第3の実施形態では、学習用データとして、BRDCを発症した牛(または実験牛)と、BRDCを発症しなかった牛(または実験牛)の両方について、学習用データを生成するものとして説明した。
110 :検知装置
111 :学習装置
130 :撮像装置群
131 :中継器
140 :肥育場
150、160 :端末装置
610 :実験データ収集部
611 :実験データ処理部
612 :学習用データ収集部
613 :学習部
621 :フィードロットデータ収集部
622 :フィードロットデータ処理部
624 :予兆検知部
625 :第1出力部
710 :特徴量抽出部
720 :行動データ解析部
730 :非行動データ解析部
740 :バイタルデータ解析部
800、800' :学習用データ
901 :学習モデル
902 :比較変更部
1001 :予兆検知用データ
1101 :学習済みモデル
1300 :検知結果画面
1403 :学習部
1424 :予兆検知部
1601 :前処理部
1801 :前処理部
1802 :学習済みモデル
Claims (8)
- 肥育に要する期間内にBRDCを発症した牛の、BRDCを発症していない所定期間における状態を示すデータと、肥育に要する期間経過後にBRDCを発症していない牛の、所定期間における状態を示すデータとを取得する取得部と、
取得した前記所定期間における状態を示すデータと、BRDCを発症したか否かを示す情報との対応関係を機械学習する機械学習部と、
前記対応関係を機械学習することで生成される学習済みモデルに、新たな牛の前記所定期間における状態を示すデータを入力することで、該新たな牛がBRDCを発症するか否かを示す情報を推論し、推論結果を出力する推論部と
を有することを特徴とするBRDC予兆検知システム。 - 肥育に要する期間内にBRDCを発症した牛の、BRDCを発症していない所定期間における状態を示すデータと、肥育に要する期間経過後にBRDCを発症していない牛の、所定期間における状態を示すデータとを取得する取得部と、
取得した前記所定期間における状態を示すデータと、BRDCを発症したか否かを示す情報との対応関係を機械学習することで生成した学習済みモデルを、機械学習に用いたデータと対応付けて格納する格納部と、
新たな牛の前記所定期間における状態を示すデータを取得した場合に、該所定期間における状態を示すデータと類似するデータを、前記機械学習に用いたデータの中から検索し、類似するデータに付随する学習済みモデルにより、該新たな牛がBRDCを発症するか否かを示す情報を推論し、推論結果を出力する推論部と
を有することを特徴とするBRDC予兆検知システム。 - 肥育に要する期間経過後にBRDCを発症していない牛の、所定期間における状態を示すデータを取得する取得部と、
取得した前記所定期間における状態を示すデータを入力した場合に、BRDCを発症しないことを示す情報が出力されるように機械学習する機械学習部と、
機械学習することで生成される学習済みモデルに、新たな牛の前記所定期間における状態を示すデータを入力し、該新たな牛がBRDCを発症しないことを示す情報が出力されなかった場合に、該新たな牛がBRDCを発症することを示す情報を、推論結果として出力する推論部と
を有することを特徴とするBRDC予兆検知システム。 - 肥育に要する期間経過後にBRDCを発症していない牛の、所定期間における状態を示すデータを格納する格納部と、
新たな牛の前記所定期間における状態を示すデータを取得した場合に、前記格納部における前記所定期間における状態を示すデータと類似するデータを検索し、いずれのデータとも類似しない場合に、該新たな牛がBRDCを発症することを示す情報を、推論結果として出力する検索部と
を有することを特徴とするBRDC予兆検知システム。 - 前記所定期間における状態を示すデータは、前記所定期間における状態を示す時系列データの、前記所定期間より前の健康な状態を示すデータからの変化量であることを特徴とする請求項1乃至4のいずれか1項に記載のBRDC予兆検知システム。
- 前記推論結果として、新たな牛がBRDCを発症することを示す情報が出力された場合に、該新たな牛を特定するための情報を出力することを特徴とする請求項1乃至4のいずれか1項に記載のBRDC予兆検知システム。
- 前記推論結果として、新たな牛がBRDCを発症することを示す情報が出力され、隔離処置を行うと判定された場合に、前記新たな牛を特定するための情報を含む隔離指示を出力することを特徴とする請求項1乃至4のいずれか1項に記載のBRDC予兆検知システム。
- 前記牛を撮影した画像データと、前記牛に装着されたセンサにより測定された測定データとを処理し、個体ごとに前記状態を示すデータを生成する処理部を更に有することを特徴とする請求項1乃至4のいずれか1項に記載のBRDC予兆検知システム。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
AU2019387813A AU2019387813B2 (en) | 2018-11-29 | 2019-11-20 | BRDC sign detection system |
US17/296,696 US20220053737A1 (en) | 2018-11-29 | 2019-11-20 | Brdc sign detecting system |
EP19891213.1A EP3888456A4 (en) | 2018-11-29 | 2019-11-20 | BRDC CHARACTER RECOGNITION SYSTEM |
PCT/JP2019/045466 WO2020110862A1 (ja) | 2018-11-29 | 2019-11-20 | Brdc予兆検知システム |
BR112021009480-6A BR112021009480A2 (pt) | 2018-11-29 | 2019-11-20 | sistema de detecção de sinal de brdc |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018223742 | 2018-11-29 | ||
JP2018223742 | 2018-11-29 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020092695A true JP2020092695A (ja) | 2020-06-18 |
JP7534041B2 JP7534041B2 (ja) | 2024-08-14 |
Family
ID=71085780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019205357A Active JP7534041B2 (ja) | 2018-11-29 | 2019-11-13 | Brdc予兆検知システム |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220053737A1 (ja) |
EP (1) | EP3888456A4 (ja) |
JP (1) | JP7534041B2 (ja) |
AU (1) | AU2019387813B2 (ja) |
BR (1) | BR112021009480A2 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016171077A1 (ja) * | 2015-04-24 | 2016-10-27 | Jcアライアンス株式会社 | 情報処理システム |
JP2018023377A (ja) * | 2016-08-08 | 2018-02-15 | 板垣 和子 | 人工哺乳牛用乳首、および人工哺乳牛用嚥下補助具 |
WO2018105222A1 (ja) * | 2016-12-08 | 2018-06-14 | ソニー株式会社 | 表示制御装置、表示制御方法およびプログラム |
JP2018170969A (ja) * | 2017-03-31 | 2018-11-08 | Nttテクノクロス株式会社 | 行動特定装置、行動特定方法、及びプログラム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130281871A1 (en) * | 2012-04-18 | 2013-10-24 | Professional Beef Services, Llc | System and method for classifying the respiratory health status of an animal |
US20180108440A1 (en) * | 2016-10-17 | 2018-04-19 | Jeffrey Stevens | Systems and methods for medical diagnosis and biomarker identification using physiological sensors and machine learning |
-
2019
- 2019-11-13 JP JP2019205357A patent/JP7534041B2/ja active Active
- 2019-11-20 BR BR112021009480-6A patent/BR112021009480A2/pt unknown
- 2019-11-20 AU AU2019387813A patent/AU2019387813B2/en active Active
- 2019-11-20 US US17/296,696 patent/US20220053737A1/en active Pending
- 2019-11-20 EP EP19891213.1A patent/EP3888456A4/en not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016171077A1 (ja) * | 2015-04-24 | 2016-10-27 | Jcアライアンス株式会社 | 情報処理システム |
JP2018023377A (ja) * | 2016-08-08 | 2018-02-15 | 板垣 和子 | 人工哺乳牛用乳首、および人工哺乳牛用嚥下補助具 |
WO2018105222A1 (ja) * | 2016-12-08 | 2018-06-14 | ソニー株式会社 | 表示制御装置、表示制御方法およびプログラム |
JP2018170969A (ja) * | 2017-03-31 | 2018-11-08 | Nttテクノクロス株式会社 | 行動特定装置、行動特定方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
BR112021009480A2 (pt) | 2021-08-10 |
EP3888456A4 (en) | 2022-08-24 |
EP3888456A1 (en) | 2021-10-06 |
AU2019387813B2 (en) | 2022-06-02 |
JP7534041B2 (ja) | 2024-08-14 |
AU2019387813A1 (en) | 2021-06-03 |
US20220053737A1 (en) | 2022-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | A review: development of computer vision-based lameness detection for dairy cows and discussion of the practical applications | |
WO2011120529A1 (en) | Model for classifying an activity of an animal | |
WO2016171077A1 (ja) | 情報処理システム | |
Bowen et al. | Early prediction of respiratory disease in preweaning dairy calves using feeding and activity behaviors | |
JP6828928B1 (ja) | 家畜疾病管理システム、家畜疾病管理サーバ、家畜疾病管理方法、及び家畜疾病管理プログラム | |
JP2021136868A (ja) | 動物の健康状態を推定する推定システム、推定方法、学習モデルの生成方法 | |
US20210400920A1 (en) | Livestock stillbirthing alerting system | |
Dittrich et al. | Variable selection for monitoring sickness behavior in lactating dairy cattle with the application of control charts | |
Liakos et al. | Machine Learning Based Computational Analysis Method for Cattle Lameness Prediction. | |
JP7092624B2 (ja) | 行動特定装置、行動特定方法及びプログラム | |
Yaseer et al. | A review of sensors and Machine Learning in animal farming | |
WO2020110862A1 (ja) | Brdc予兆検知システム | |
JP7553971B2 (ja) | 評価装置、評価方法、評価プログラム、及び記録媒体 | |
JP2020092695A (ja) | Brdc予兆検知システム | |
US20230084267A1 (en) | System and a control method thereof | |
JP7410200B2 (ja) | 特定装置、特定方法、及びプログラム | |
Pirinen et al. | Validation of a tail-mounted triaxial accelerometer for measuring foals' lying and motor behavior | |
Barwick et al. | On-animal motion sensing using accelerometers as a tool for monitoring sheep behaviour and health status | |
JP6635995B2 (ja) | 行動特定装置、行動特定方法、及びプログラム | |
Dissanayakea et al. | Evaluating ROCKET and Catch22 features for calf behaviour classification from accelerometer data using Machine Learning models | |
Panda et al. | Development of a Decision Support System for Animal Health Management Using Geo-Information Technology: A Novel Approach to Precision Livestock Management | |
Wang et al. | Horse-Expert: An aided expert system for diagnosing horse diseases | |
Thakur et al. | Digitalization of livestock farms through blockchain, big data, artificial intelligence, and Internet of Things | |
GB2618780A (en) | Health tracking method and system | |
WO2021182314A1 (ja) | 異常検知システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221012 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231121 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20240111 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240319 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240702 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240730 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7534041 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |