KR101784058B1 - 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치 및 방법 - Google Patents
닭의 발성음을 이용한 스트레스 탐지 및 분류 장치 및 방법 Download PDFInfo
- Publication number
- KR101784058B1 KR101784058B1 KR1020150078010A KR20150078010A KR101784058B1 KR 101784058 B1 KR101784058 B1 KR 101784058B1 KR 1020150078010 A KR1020150078010 A KR 1020150078010A KR 20150078010 A KR20150078010 A KR 20150078010A KR 101784058 B1 KR101784058 B1 KR 101784058B1
- Authority
- KR
- South Korea
- Prior art keywords
- chicken
- stress
- voice
- nodes
- layer
- Prior art date
Links
- 241000287828 Gallus gallus Species 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000035882 stress Effects 0.000 description 82
- 235000013330 chicken meat Nutrition 0.000 description 67
- 238000007781 pre-processing Methods 0.000 description 6
- 230000001755 vocal effect Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008645 cold stress Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000021050 feed intake Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000013632 homeostatic process Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4884—Other medical applications inducing physiological or psychological stress, e.g. applications for stress testing
-
- 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
- A01K31/00—Housing birds
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Environmental Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Physics & Mathematics (AREA)
- Hospice & Palliative Care (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Developmental Disabilities (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Birds (AREA)
- Zoology (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Child & Adolescent Psychology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
본 발명은 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치 및 방법에 대하여 개시하고 있다. 본 발명의 일 실시예에 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치는, 계사내에 설치된 오디오 센서로부터 수신된 닭의 발성음에 대한 스트레스를 탐지하고 스트레스의 종류를 분류하는 프로그램을 저장하는 메모리; 및 프로그램을 실행하는 프로세서를 포함하되, 프로세서는 프로그램의 수행에 따라, 오디오 센서로부터 닭의 발성음에 대하여 소리정보를 획득하고, 획득한 소리정보로부터 닭의 스트레스 여부를 탐지하기 위한 특징정보를 선택하고, 선택된 특징정보를 기초로 닭의 스트레스 종류를 분류한다.
Description
본 발명은 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치 및 방법에 관한 것이다.
최근 IT기술을 접목한 농축산 융합기술(Computer and Electronics in Agriculture)이라는 새로운 연구 분야가 대두됨에 따라, IT기술을 이용하여 축산 농가의 생산성을 높이기 위한 연구가 이루어지고 있다.
계사의 경우 저온 스트레스, 고온 스트레스, 폭력적인 상황에 대한 스트레스가 발생할 경우, 생체 항상성 감소, 사료 섭취량의 감소, 산란율 감소, 계란의 품질저하, 호흡기 내분비기, 순환기 계통의 생리적 변화, 폐사 등의 문제들이 발생하여 농가에 큰 피해가 발생한다.
이를 해결하기 위해서, 닭에 직접적으로 센서를 부착하는 방법이 고려되나, 이는 초기 비용이 발생하게 되며, 센서를 닭에 직접적으로 부착함으로써 추가적으로 개체의 스트레스를 유발하는 문제점을 초래한다.
따라서, 계사내에서 비교적 저가이며, 닭의 스트레스를 조기에 탐지할 뿐만 아니라, 대상 개체에 추가적인 부담을 주지 않으면서 정확하고 효율적인 스트레스 탐지 및 분류 방법이 필요한 실정이다.
한편, 선행문헌인 B. Robert, B.J.White.D.G. Renter and R.L.Larson,”Evaluation of three-dimensional acclerometers to monitor and classify behavior patterns in cattle,”Computer and Electronics in Agriculture, vol. 67, no, 1, pp. 80-84, 2009. 에서는 닭의 고온 스트레스를 탐지하기 위하여 닭의 몸체에 소형 센서를 직접 이식하는 방법을 개시하고 있다.
본 발명은 계사내에서 오디오 센서를 통해 닭의 발성음을 획득하고, 획득된 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치를 제공하는데 그 목적이 있다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 더 존재할 수 있다.
본 발명의 일 실시예에 따르면 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치는 계사내에 설치된 오디오 센서로부터 수신된 상기 닭의 발성음에 대한 스트레스를 탐지하고 상기 스트레스의 종류를 분류하는 프로그램을 저장하는 메모리; 및 상기 프로그램을 실행하는 프로세서를 포함하되, 상기 프로세서는 상기 프로그램의 수행에 따라, 상기 오디오 센서로부터 닭의 발성음에 대하여 소리정보를 획득하고, 상기 획득한 소리정보로부터 상기 닭의 스트레스 여부를 탐지하기 위한 특징정보를 선택하고, 상기 선택된 특징정보를 기초로 상기 닭의 스트레스 종류를 분류한다.
또한, 닭의 발성음을 이용한 스트레스 탐지 및 분류 방법은, 계사내에 설치된 오디오 센서로부터 수신된 닭의 발성음에 대한 소리정보를 획득하는 단계; 및 상기 획득된 상기 소리정보로부터 상기 닭의 스트레스 여부를 탐지하기 위한 특징정보를 선택하는 단계; 상기 선택된 특징 정보를 기초로 닭의 스트레스 종류를 분류하는 단계를 포함한다.
본 발명의 일 실시예에 따르면 계사내에 설치된 오디오 센서로부터 수신된 닭의 발성음만을 이용하여 닭의 스트레스를 탐지하고 분류함으로써, 스트레스를 탐지하는 별도의 센서를 개체 각각에 부착하지 않아도되기 때문에 비용에 있어 합리적이며, 별도의 센서를 개체 각각에 부착시 개체에게 발생되는 추가적 인 스트레스를 줄일 수 있다.
또한, 본 발명의 일 실시예에 따르면 닭의 발성음에 대한 소리정보에서 스트레스 탐지를 위한 특징정보를 선택하여 계산 처리량을 줄임으로써, 닭의 스트레스 종류를 분류하기 위한 기계학습을 빠르게 수행할 수 있다.
또한, 본 발명의 일 실시예에 따르면 기계학습 알고리즘방법을 통하여 스트레스의 탐지에 그치지 않고 스트레스의 종류까지 분류함으로써, 관리자의 능동적인 대처를 기대할 수 있다.
도 1은 본 발명의 일 실시예에 따른 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 닭의 발성음을 이용한 스트레스 탐지 및 분류 방법에 대한 순서도이다.
도 3은 닭의 스트레스 종류에 따른 닭의 발성음 특징의 일예이다.
도 4는 본 발명에서 제안되는 다층 인공신경망 기계학습 방법의 일예를 나타낸다.
도 2는 본 발명의 일 실시예에 따른 닭의 발성음을 이용한 스트레스 탐지 및 분류 방법에 대한 순서도이다.
도 3은 닭의 스트레스 종류에 따른 닭의 발성음 특징의 일예이다.
도 4는 본 발명에서 제안되는 다층 인공신경망 기계학습 방법의 일예를 나타낸다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하의 실시예는 본 발명의 이해를 돕기 위한 상세한 설명이며, 본 발명의 권리 범위를 제한하는 것이 아니다. 따라서 본 발명과 동일한 기능을 수행하는 동일 범위의 발명 역시 본 발명의 권리 범위에 속할 것이다.
본 발명은 계사 등의 실내 환경에 설치한 오디오 센서로부터 닭의 소리 정보를 효과적으로 취득한 후, 취득한 소리 정보를 기계학습을 통해 닭의 스트레스 탐지하고 해당 스트레스 종류를 분류하는 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치 및 방법을 제공한다.
도 1은 본 발명의 일 실시예에 따른 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치의 구성도이다. 본 발명의 일 실시예에 따른 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치(100)는 메모리(110), 프로세서(120), 오디오 센서(130), 수신부(140)을 포함한다. 메모리(110)는 계사내에 설치된 오디오 센서로부터 수신된 닭의 발성음에 대한 스트레스를 탐지하고 스트레스의 종류를 분류하는 프로그램(이하,’스트레스 탐지 프로그램’이라 지칭함)을 저장한다. 메모리(110)는 소리정보 전처리 모듈, 소리특징 최적화 모듈, 스트레스 종류 분류 모듈을 포함할 수 있으며, 각각의 모듈을 통해 프로세서가 수행될 수 있다.
메모리(110)는 해당 프로그램뿐만 아니라 다양한 프로그램도 함께 저장할 수 있다. 메모리(110)는 캐쉬, ROM(Read Only Memory), PROM(Programmable ROM), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM) 및 플래쉬 메모리(Flash Memory)와 같은 비휘발성 메모리 소자 또는 RAM(Random Access Memory)과 같은 휘발성 메모리 소자 또는 하드디스크 드라이브(HDD, Hard Disk Drive), CD-ROM과 같은 저장 매체 중 적어도 하나로 구현될 수 있으나 이에 한정되지는 않는다
프로세서(120)는 스트레스 탐지 프로그램을 실행한다. 구체적으로, 프로세서(120)는 프로그램의 수행에 따라, 오디오 센서로부터 닭의 발성음에 대하여 소리정보를 획득하고, 획득한 소리정보로부터 닭의 스트레스 여부를 탐지하기 위한 특징정보를 선택하고, 선택된 특징정보를 기초로 닭의 스트레스 종류를 분류한다.
예를 들어, 프로세서(120)는 닭의 스트레스 분류에 있어 다층 인공 신경망 기계학습을 적용할 수 있다.
오디오 센서(130)는 마이크로 닭의 발성음을 센싱하고, 해당 센싱값을 수신부(130)로 전송한다.
예를 들어, 오디오 센서는 계사내에 지정된 위치에 단일 또는 복수개로 설치될 수 있으며, 지정된 위치에서의 닭의 발성음에 대한 센싱값 및 지정된 위치를 식별하는 식별코드를 함께 수신부(140)로 전송할 수 있다.
수신부(140)는 오디오 센서(130)로부터 전송된 센싱값을 수신하여 프로세서(120)로 전송한다
예를 들어, 수신부(140)는 오디오 센서(130)로부터 전송된 식별코드를 수신하여, 식별코드별로 프로세서의 수행이 이루어지도록 할 수 있다. 이를 통해, 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치(100)는 계사의 위치에 따라 닭의 스트레스 종류를 분류해 낼 수 있다.
도 2는 본 발명의 일 실시예에 따른 닭의 발성음을 이용한 스트레스 탐지 및 분류 방법에 대한 순서도이다. 본 발명의 일 실시예에 따른 닭의 발성음을 이용한 스트레스 탐지 및 분류 방법은 소리정보를 획득하는 단계(S210), 특징정보를 선택하는 단계(S220), 닭의 스트레스 종류를 분류하는 단계(S230)를 포함한다.
먼저, 소리정보를 획득하는 단계(S210)는 계사내에 설치된 오디오 센서로부터 수신된 닭의 발성음에 대한 소리정보를 획득한다.
예를 들어, 소리정보를 획득하는 단계(S210)는 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치내 소리정보 전처리 모듈에서 이루어질 수 있다. 이때, 소리정보 전처리 모듈은 계사내의 오디오 센서로부터 입력받은 닭의 발성음으로부터 소리정보를 획득한다. 여기서, 소리정보는 오디오센서로부터 입력받은 닭의 발성음에서 추출되는 벡터값이다.
구체적으로, 소리정보를 획득하는 방법으로는 음성의 특성을 표현하기 위해 주로 사용되는 단구간 신호의 파워 스펙트럼을 사용하고, 시간도메인(Time Domain), 주파수도메인(Frequency Domain)에 따라 소리정보를 획득할 수 있다.
예를들어, 소리정보를 획득하는 단계는MFCC(Mel-Frequency Cepstral Coefficients) 특징 추출 방법을 적용할 수 있다. MFCC특징 추출 방법은 오디오 센서로부터 수신된 닭의 발성음을 단구간에 대한 파워 스펙트럼으로 나타내고, 해당 스펙트럼의 신호처리를 통해 벡터값을 획득하는 것이다.
구체적으로, MFCC특징 추출 방법은 오디오 센서로부터 수신된 닭의 발성음에 대한 단구간 파워 스펙트럼의 고역을 강조하는 단계, 강조된 스펙트럼에 대하여 해밍 윈도우를 적용하는 단계, 적용된 스펙트럼에 대하여 페스트 푸리에 변환을 수행하는 단계, 푸리에 변환이 수행된 스펙트럼에 대해 멀티스케일을 적용하여 필터뱅크를 분석을 수행하는 단계, 필터뱅크를 수행한 스펙트럼에 대해 로그 변환을 수행하는 단계, 로그변환된 스펙트럼에 대해 DCT변환하는 단계, DCT변환후 MFCC특징 추출 결과를 추출하는 단계를 통해 소리정보를 추출할 수 있다.
이외에, 소리정보를 획득하기 위하여, 단구간에 대한 스펙트럼에 대하여 시간도메인(Time Domain)의 특징을 활용하는 다른방법을 적용할 수 있다. 구체적으로, 실효치(RMS: Root Mean Square), 파워(Power), 에너지(Energy), 최솟값 최대값(Absolute Extremum), 밀도(Intensity), 주기(Duration), 평균피치(Mean Pitch), 최소피치(Minimum Pitch), 최대피치(Maximum Pitch), 편향 도표 통계(Shimmer, Jitter), 신호대 잡음비(SNR: Signal-to-Noise Ratio) 등을 활용하는 다른방법을 적용할 수 있다.
또한, 소리정보를 획득하기 위하여 단구간에 대한 스펙트럼에 대하여 주파수 도메인(Frequency Domain)의 특징을 활용하는 다른방법을 적용할 수도 있다. 구체적으로, 포먼트 주파수(Formant F1~F4), 파워 스펙트럼 밀도(PSD: Power Spectral Density) 1~39(Extracted every 100Hz in 100~4000Hz), LPCC(Linear Prediction Cepstral Coefficient), BFCC(Bark frequency Cepstral coefficient) 등을 활용하는 다른방법을 적용할 수 있다.
다음으로 특징정보를 선택하는 단계(S220)는 앞선단계(S210)을 통해 획득된 소리정보로부터 닭의 스트레스 여부를 탐지하기 위한 특징정보를 선택한다.
예를들어, 특징정보를 선택하는 단계(S220)는 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치내 소리 특징 최적화 모듈에서 이루어질 수 있다. 이때, 소리 특징 최적화 모듈은 소리정보 전처리 모듈에서 획득된 소리정보로부터 스트레스의 특징에 해당하는 벡터값을 선택한다. 여기서, 특징정보는 소리정보로부터 닭의 스트레스에 탐지 및 분류에 큰 영향을 미치는 중요한 특징에 따라 선택된 벡터값이다.
다시말해, 소리 정보 전처리 모듈에서 획득한 소리정보로부터 특징 부분 집합 선택 알고리즘에 적용하여 스트레스를 탐지할 수 있는 중요한 소리 특징벡터를 선택한다. 여기서, 특징정보는 스트레스 분류 모듈에서 스트레스 탐지 및 분류의 계산 시간을 감소하기 위해 소리정보의 벡터값들에 대한 차원을 축소시킴과 동시에, 닭의 스트레스에 탐지 및 분류에 큰 영향을 미치는 중요한 특징들을 선택함으로써 안정적인 성능을 확보할 수 있도록 한다.
구체적으로 특징정보를 선택하는 단계(S220)는 특징 부분집합 선택 알고리즘을 적용하고, 부분집합 선택 알고리즘은 앞선단계(S210)를 통해 획득한 벡터값으로부터 스트레스 특징에 해당하는 특징 벡터값을 선택할 수 있다.
예를들어, 특징정보를 선택하기 위해서 특징 부분집합 선택 알고리즘으로는 CFS (Correlation Feature Selection)방법을 적용할 수 있다.
도 3은 닭의 스트레스 종류에 따른 닭의 발성음 특징의 일예이다.
도 3을 살펴보면, 닭의 스트레스 종류에 따라 그 발성음의 특징이 다름을 확인할 수 있다. 정상상황에서의 발성음(301), 저온 스트레스시 발성음(302), 고온 스트레스시 발성음(303), 공포 스트레스시 발성음(304)를 나타낸다.
도 3에 나타난 발성음의 특징을 활용하여 특징정보를 추출하고, 또한 하기에서 설명될 스트레스의 종류를 분류할 수도 있다.
다음으로 닭의 스트레스 종류를 분류하는 단계(S230)는 앞선 단계(S220)를 통해 선택된 특징 정보를 기초로 닭의 스트레스 종류를 분류한다.
구체적으로, 다층 인공신경망 기계학습 방법은 하나 이상의 노드를 포함하는 입력층, 하나 이상의 노드를 포함하는 하나 이상의 은닉층 및 하나 이상의 노드를 포함하는 출력층을 통해서 스트레스 종류를 분류할 수 있다.
이때, 다층 인공 신경망 기계학습 방법은 입력층 각각의 노드에 선택하는 단계를 통해 선택된 특징정보를 입력하는 단계, 입력하는 단계를 통해 입력된 특징정보에 대하여 은닉층의 학습가충치와 학습률을 적용하는 단계, 적용하는 단계를 통해 적용된 결과를 분석하여 닭의 스트레스 종류를 출력하는 단계를 더 포함할 수 있다.
이때, 입력층의 노드수와 각각의 은닉층의 노드수는 동일하고, 입력층의 각각의 노드에 입력된 특징정보는 하나 이상의 은닉층이 포함하는 모든 노드를 차례로 거쳐 학습이 이루어질 수 있다.
또한, 본 발명의 일 실시예에 따른 다층 인공 신경망 기계학습 방법은 입력하는 단계 및 적용하는 단계를 수행할 때마다, 은닉층에 설정된 학습가중치와 학습률이 재조정되고, 출력하는 단계는 입력하는 단계 내지 적용하는 단계에 대하여 기설정된 반복횟수에 따라 반복학습한 결과를 출력할 수 있다.
한편, 다층 인공신경망 기계학습 방법은 과적합을 피하고, 입력층 및 은닉층에 해당하는 노드들 간의 상호적응을 피하기 위하여 드롭 아웃기법을 적용하여 학습을 진행한다.
도 4는 본 발명에서 제안되는 다층 인공신경망 기계학습 방법의 일예를 나타낸다. 스트레스 분류 모듈에서는 스트레스의 분류를 위하여 기계학습 및 딥러닝 알고리즘 중 하나인 DNN(Deep Neural Network)기계학습 방법을 사용한다.
스트레스 분류 모듈에서는 미리 학습된 DNN모델을 통하여 실시간으로 취득되는 소리들을 입력으로 하여 닭의 스트레스를 탐지 및 분류 할 수 있다.
도 4를 살펴보면, DNN 기계학습방법은, 입력층을 통해 소리 특징 최적화 모듈에서 획득한 차원이 축소된 특징 벡터를 입력하고, 출력층을 통해 고온상황에서의 스트레스, 저온상황에서의 스트레스, 폭력상황에서의 스트레스, 낯선 이가 계사에 침입한 상황을 구분하여 스트레스1, 스트레스2, 스트레스3과 같이 구분하여 분류할 수 있다.
또한, DNN기계학습방법은, 기존 인공 신경망과 달리 입력층과 출력층 사이에 하나 이상의 은닉층을 가지는 구조를 가지는 신경망 모델이다.
하나 이상의 은닉층을 가지는 깊은 신경망은 많은 수의 가중치를 포함하여 학습 수용력(capacity)이 증가하기 때문에 매우 많은 수의 학습 데이터가 사용 가능한 경우는 그로부터 많은 정보를 학습 할 수 있게 된다.
또한 DNN기계학습방법은 은닉층의 노드에 드롭아웃(dropout) 기법(401)을 적용할 수 있다. 이를 통해서, DNN모델의 과적합(Over-fitting)을 피하고, 신경망 모델의 노드들 간의 상호적응을 피할 수 있다. 즉, 드롭아웃(dropout) 기법을 사용하여 학습 과정에서 문제가 발생하는 임의의 노드들을 배제한 후 학습을 진행할 수 있다.
한편, 닭의 스트레스 탐지 및 분류 모델을 위한 기계학습방법으로는 Multi-class SVM(Support Vector Machine), SRC(Sparse Representation Classifier) 등이 있다.
이상에서 설명한 바와 같이, 본 발명에서는 실시간으로 계사 등에서 이용할 수 있는 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치 및 방법을 개시하고 있다.
즉, 본 발명에서 제안하는 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치 및 방법은, 소리 정보 전처리 모듈에서 오디오 센서로부터 소리정보를 획득하고, 소리 특징 최적화 모듈에서 스트레스 분류에 영향을 미치는 중요한 특징정보를 선택하며, 스트레스 분류 모듈에서는 다양한 기계학습 알고리즘을 통해 스트레스를 탐지 및 식별하여 관리자에게 통보할 수 있다.
본 발명은 닭의 스트레스를 분류하기 위하여 개체에 다른 센서를 부착할 필요가 없으며, 특징 벡터의 차원 축소로 모델의 연산비용 감소할 수 있다. 즉, 초기 설치비용이 발생하는 동영상을 이용한 방법, 센서를 직접 닭에 부착하여 2차 스트레스를 유발할 수 있는 방법 등과 달리 대상 개체가 활동하는데 아무런 제약을 받지 않은 상태에서 저비용 및 효과적으로 닭의 생체 정보를 취득할 수 있는 장점이 있다.
또한 소리 특징 정보를 닭의 스트레스 탐지 및 분류에 적용하게 되면, 실제 닭이 스트레스를 받고 있는 상황을 즉시, 효과적이며, 안정적으로 탐지할 수 있으며, 관리자의 능동적인 대처를 기대할 수 있다.
상기 설명된 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치 및 방법은 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치
110: 메모리
120: 프로세서
130: 오디오 센서
140: 수신부
110: 메모리
120: 프로세서
130: 오디오 센서
140: 수신부
Claims (11)
- 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치에 있어서,
계사내에 설치된 오디오 센서로부터 수신된 상기 닭의 발성음에 대한 스트레스를 탐지하고, 탐지된 스트레스의 종류를 분류하는 프로그램을 저장하는 메모리; 및
상기 프로그램을 실행하는 프로세서를 포함하되,
상기 프로세서는 상기 프로그램의 수행에 따라, 상기 오디오 센서로부터 닭의 발성음에 대하여 소리정보를 획득하고, 획득한 상기 소리정보로부터 닭의 스트레스 여부를 탐지하기 위한 특징정보를 선택하고, 선택된 상기 특징정보를 기반으로 하나 이상의 노드를 포함하는 입력층, 하나 이상의 노드를 포함하는 하나 이상의 은닉층 및 하나 이상의 노드를 포함하는 출력층을 통해서 수행되는 다층 인공신경망 기계학습 방법에 기초하여 상기 닭의 스트레스 종류를 분류하고,
상기 닭의 스트레스 종류는, 상기 입력층 각각의 노드에 상기 선택된 특징 정보를 입력하고, 입력된 상기 특징 정보에 대하여 상기 은닉층에 설정된 학습가중치와 학습률을 적용하고, 적용 결과를 분석하여 상기 출력층을 통해 출력되는 것인, 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치. - 삭제
- 닭의 발성음을 이용한 스트레스 탐지 및 분류 방법에 있어서,
계사내에 설치된 오디오 센서로부터 수신된 닭의 발성음에 대한 소리정보를 획득하는 단계;
상기 획득된 상기 소리정보로부터 상기 닭의 스트레스 여부를 탐지하기 위한 특징정보를 선택하는 단계; 및
상기 선택된 특징 정보를 기반으로 하나 이상의 노드를 포함하는 입력층, 하나 이상의 노드를 포함하는 하나 이상의 은닉층 및 하나 이상의 노드를 포함하는 출력층을 통해서 수행되는 다층 인공신경망 기계학습 방법에 기초하여 닭의 스트레스 종류를 분류하는 단계
를 포함하고,
상기 분류하는 단계는,
상기 입력층 각각의 노드에 상기 선택하는 단계를 통해 선택된 특징정보를 입력하는 단계;
상기 입력하는 단계를 통해 입력된 상기 특징정보에 대하여 상기 은닉층에 설정된 학습가중치와 학습률을 적용하는 단계; 및
상기 적용하는 단계를 통해 적용된 결과를 분석하여 상기 닭의 스트레스 종류를 출력하는 단계
를 포함하는, 닭의 발성음을 이용한 스트레스 탐지 및 분류 방법. - 제 3항에 있어서
상기 획득하는 단계는 MFCC(Mel-Frequency Cepstral Coefficients)특징 추출방법을 적용하고,
상기 MFCC특징 추출방법은 상기 오디오 센서로부터 수신된 닭의 발성음을 단구간에 대한 파워 스펙트럼으로 나타내고, 해당 스펙트럼의 신호처리를 통해 벡터값을 획득하는 것인, 닭의 발성음을 이용한 스트레스 탐지 및 분류 방법. - 제 3항에 있어서,
상기 선택하는 단계는 특징 부분집합 선택 알고리즘을 적용하고,
상기 특징 부분집합 선택 알고리즘은 상기 획득하는 단계를 통해 획득한 상기 소리정보에 해당하는 벡터값으로부터 스트레스 특징에 해당하는 특징 벡터값을 선택하는 것인, 닭의 발성음을 이용한 스트레스 탐지 및 분류 방법. - 삭제
- 삭제
- 제 3항에 있어서,
상기 입력층의 노드수와 상기 은닉층의 노드수는 동일하고,
상기 입력층 각각의 노드에 입력된 특징정보는 상기 하나 이상의 은닉층의 모든 노드를 차례로 거쳐 학습되는 것인, 닭의 발성음을 이용한 스트레스 탐지 및 분류 방법. - 제 3항에 있어서,
상기 입력하는 단계 및 상기 적용하는 단계를 수행할 때마다, 상기 은닉층에 설정된 학습가중치와 학습률이 재조정되고,
상기 출력하는 단계는, 상기 입력하는 단계 내지 적용하는 단계에 대하여 기설정된 반복횟수에 따라 반복 학습한 결과를 출력하는 것인, 닭의 발성음을 이용한 스트레스 탐지 및 분류 방법. - 닭의 발성음을 이용한 스트레스 탐지 및 분류 방법에 있어서,
계사내에 설치된 오디오 센서로부터 수신된 닭의 발성음에 대한 소리정보를 획득하는 단계;
상기 획득된 상기 소리정보로부터 상기 닭의 스트레스 여부를 탐지하기 위한 특징정보를 선택하는 단계; 및
상기 선택된 특징 정보를 기반으로 하나 이상의 노드를 포함하는 입력층, 하나 이상의 노드를 포함하는 하나 이상의 은닉층 및 하나 이상의 노드를 포함하는 출력층을 통해서 수행되는 다층 인공신경망 기계학습 방법에 기초하여 닭의 스트레스 종류를 분류하는 단계
를 포함하고,
상기 다층 인공신경망 기계학습 방법은 과적합을 피하고, 상기 입력층 및 상기 은닉층에 해당하는 노드들 간의 상호적응을 피하기 위하여 드롭 아웃기법을 적용하여 학습을 진행하는 것인, 닭의 발성음을 이용한 스트레스 탐지 및 분류 방법. - 제3항 내지 제5항, 또는 제8항 내지 제10항 중 어느 한 항에 기재된 방법을 컴퓨터 상에서 수행하기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150078010A KR101784058B1 (ko) | 2015-06-02 | 2015-06-02 | 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150078010A KR101784058B1 (ko) | 2015-06-02 | 2015-06-02 | 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20160142095A KR20160142095A (ko) | 2016-12-12 |
| KR101784058B1 true KR101784058B1 (ko) | 2017-10-10 |
Family
ID=57573990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020150078010A KR101784058B1 (ko) | 2015-06-02 | 2015-06-02 | 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101784058B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220165846A (ko) | 2021-06-08 | 2022-12-16 | 숙명여자대학교산학협력단 | 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치 및 그 방법 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3435295A1 (de) * | 2017-07-26 | 2019-01-30 | Siemens Aktiengesellschaft | Vorverarbeitung für einen klassifikationsalgorithmus |
| KR101884000B1 (ko) * | 2017-09-21 | 2018-08-01 | 이동환 | PFD(Peak Frequency Detect)기술을 이용하여 조류독감을 포함한 동물 질병 감염개체의 소리를 비교, 구분, 판독하는 전자공학적 하모닉스 알고리즘에 관한 서비스 제공방법 및 장치 |
| KR102364172B1 (ko) * | 2019-11-29 | 2022-02-21 | 한국과학기술연구원 | 가축 발성음 센싱 시스템 및 방법 |
| KR102433951B1 (ko) * | 2020-06-05 | 2022-08-19 | 한국전자기술연구원 | 가축 행동생리 발생음 기반의 활동 에너지 모니터링에 의한 농장 내 가축 이상징후 검출 방법 |
| EP4321018A1 (en) * | 2022-08-09 | 2024-02-14 | Cealvet Slu | Method and system for assessing livestock welfare based on the analysis of animals vocalization audio signals |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070162283A1 (en) * | 1999-08-31 | 2007-07-12 | Accenture Llp: | Detecting emotions using voice signal analysis |
-
2015
- 2015-06-02 KR KR1020150078010A patent/KR101784058B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070162283A1 (en) * | 1999-08-31 | 2007-07-12 | Accenture Llp: | Detecting emotions using voice signal analysis |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220165846A (ko) | 2021-06-08 | 2022-12-16 | 숙명여자대학교산학협력단 | 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20160142095A (ko) | 2016-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101784058B1 (ko) | 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치 및 방법 | |
| Priyadarshani et al. | Automated birdsong recognition in complex acoustic environments: a review | |
| US10475442B2 (en) | Method and device for recognition and method and device for constructing recognition model | |
| Heinicke et al. | Assessing the performance of a semi‐automated acoustic monitoring system for primates | |
| CN107928673B (zh) | 音频信号处理方法、装置、存储介质和计算机设备 | |
| EP3444809B1 (en) | Personalized speech recognition method and system | |
| Ittichaichareon et al. | Speech recognition using MFCC | |
| US20190050710A1 (en) | Adaptive bit-width reduction for neural networks | |
| Zeppelzauer et al. | Towards an automated acoustic detection system for free-ranging elephants | |
| KR102281676B1 (ko) | 파형 음원 신호를 분석하는 신경망 모델에 기반한 음원 분류 방법 및 분석장치 | |
| JPWO2009139052A1 (ja) | 信号判定方法、信号判定装置、プログラム、信号判定システム | |
| CN109817227B (zh) | 一种养殖场的异常声音监测方法和系统 | |
| JPWO2016117358A1 (ja) | 検査データ処理装置および検査データ処理方法 | |
| US20160210988A1 (en) | Device and method for sound classification in real time | |
| Leonid et al. | Retracted article: statistical–model based voice activity identification for human-elephant conflict mitigation | |
| Keen et al. | Automated detection of low-frequency rumbles of forest elephants: A critical tool for their conservation | |
| Crump et al. | Designing better frog call recognition models | |
| CN115273904A (zh) | 一种基于多特征融合的愤怒情绪识别方法及装置 | |
| Várkonyi et al. | Dynamic noise filtering for multi-class classification of beehive audio data | |
| Xie et al. | Detecting frog calling activity based on acoustic event detection and multi-label learning | |
| Gunawan et al. | Repurposing transfer learning strategy of computer vision for owl sound classification | |
| Bergler et al. | Deep Learning for Orca Call Type Identification-A Fully Unsupervised Approach. | |
| Al Bashit et al. | MFCC-based houston toad call detection using LSTM | |
| KR102364172B1 (ko) | 가축 발성음 센싱 시스템 및 방법 | |
| Weerasena et al. | Continuous automatic bioacoustics monitoring of bird calls with local processing on node level |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| N231 | Notification of change of applicant | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |