KR102234605B1 - 기계학습 예측 모델에 기초한 최적의 소 출하 시점 결정 방법 - Google Patents

기계학습 예측 모델에 기초한 최적의 소 출하 시점 결정 방법 Download PDF

Info

Publication number
KR102234605B1
KR102234605B1 KR1020190053659A KR20190053659A KR102234605B1 KR 102234605 B1 KR102234605 B1 KR 102234605B1 KR 1020190053659 A KR1020190053659 A KR 1020190053659A KR 20190053659 A KR20190053659 A KR 20190053659A KR 102234605 B1 KR102234605 B1 KR 102234605B1
Authority
KR
South Korea
Prior art keywords
cattle
cow
data
information
body composition
Prior art date
Application number
KR1020190053659A
Other languages
English (en)
Other versions
KR20190128589A (ko
Inventor
박지환
천선일
Original Assignee
(주)씽크포비엘
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by (주)씽크포비엘 filed Critical (주)씽크포비엘
Publication of KR20190128589A publication Critical patent/KR20190128589A/ko
Application granted granted Critical
Publication of KR102234605B1 publication Critical patent/KR102234605B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Urology & Nephrology (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Hematology (AREA)
  • Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Electrochemistry (AREA)
  • Microbiology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Cell Biology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Biotechnology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

컴퓨터 시스템 상에서 수행되는, 기계학습 예측 모델에 기초하여, 사육 중인 소에 관한 최적 출하 시점을 제공하는 방법이 제공된다. 본 개시의 방법은, 소에 설치된 하나 이상의 체성분 측정용 전류 센서로부터의 하나 이상의 센싱 데이터- 상기 센싱 데이터 각각은, 전류, 전압, 저항 또는 임피던스 값 중 하나임 -, 상기 소의 측면 및 후면 이미지 데이터, 상기 소에 관한 복수의 생체 특징 데이터- 상기 생체 특징 데이터는, 상기 소의 월령, 품종, 임신 상태, 및 성별 정보를 포함함 -, 및 상기 소에 관한 복수의 유전 정보를 수신하는 단계, 수신된 상기 하나 이상의 센싱 데이터, 상기 측면 및 후면 이미지 데이터, 및 상기 복수의 생체 특징 데이터에 기초하여, 제1 기계학습 예측 모델에 따라, 상기 소의 체성분 값을 예측하는 단계- 상기 체성분 값은, 체수분 함량, 체지방 함량 및 근육량을 포함함 -, 상기 측면 및 후면 이미지 데이터, 상기 복수의 생체 특징 데이터, 상기 예측된 상기 소의 상기 체성분 값, 및 상기 수신된 상기 복수의 유전 정보에 기초하여, 제2 기계학습 예측 모델에 따라, 상기 소의 등급을 예측하는 단계, 상기 복수의 생체 특징 데이터, 및 m주간에 걸쳐 누적된, 상기 소의 상기 예측된 등급들을 이용하여, 제3 기계학습 예측 모델에 따라, 상기 소의 향후 n주간 동안의 시계열적 등급 변동을 예측하는 단계, 및 상기 예측된, 상기 소의 향후 n주간 동안의 시계열적 등급 변동에 기초하여, 상기 소에 관한 최적의 출하 시점을 결정하는 단계를 포함한다.

Description

기계학습 예측 모델에 기초한 최적의 소 출하 시점 결정 방법{METHOD FOR PROVIDING AN OPTIMAL TIMING OF CATTLE SLAUGHTER BASED ON MACHINE LEARNING MODEL}
본 개시는, 딥러닝 기반 학습 모델에 기초하여, 사육 중인 소의 체성분과 시간 변화에 따른 등급 변화를 예측하고, 예측된 등급 변화를 기초로 최적의 출하 시점을 예측하는 방법에 관한 것이다.
대부분 축산 농가는 수익 증대를 위하여 최적의 출하 시기가 언제일지를 파악하고 싶어한다. 수익 증대의 관점에서, 최적의 출하 시기는, 출하 시점에서의 소의 등급(육질 및 육량 등급)이 어떻게 되는지와, 그 출하 시점까지의 투입되는 투자 비용(주로, 그 출하 시점까지의 사료비에 의해 결정됨)에 의해 결정된다고 할 수 있다.
그런데, 사육 중인 소의 등급 변화를 예측하는 것은 쉬운 일이 아니다. 지금까지 통상적으로는, 소의 육량 등급 예측을 위하여, 주기적인 우량 계측이 주로 이루어져왔고, 소의 육질 등급 예측을 위하여는, 소의 일부 부위에 대한 초음파 분석 및 그 분석 결과에 대한 전문가 판정이 이루어져왔다. 그런데, 우량 계측이 소에게 큰 스트레스를 주는 것으로 알려짐에 따라 실제 농가에서는 우량 계측을 하는 것을 다소 꺼리는 경향이 있다. 또한, 초음파 분석에 의한 육질 등급 판정과 관련해서는, 국가 정책 등에 따라 판정 기준이 자주 변하고 그에 따라 판정에 혼란이 자주 발생할 수 있는 문제가 있다. 뿐만 아니라, 우량 계측 및 초음파 판정 등의 기존의 방법은 모두 현재 시점에서의 소의 등급을 대략적으로 판정하려는 방안일 뿐, 향후 소의 등급 변화를 예측하고 그러한 예측을 기준으로 투자 비용을 고려한 최적의 출하 시기를 예측할 수 있게 하는 방안이 되지는 못하는 문제가 있다.
따라서, 도축 이전 사육 중인 소의 등급 변화를 예측하고, 그에 기초하여 최적의 출하 시점을 예측할 수 있는 방법의 제공이 필요로 된다.
본 개시의 일 특징에 의하면, 컴퓨터 시스템 상에서 수행되는, 기계학습 예측 모델에 기초하여, 사육 중인 소에 관한 최적 출하 시점을 제공하는 방법이 제공된다. 본 개시의 방법은, 소에 설치된 하나 이상의 체성분 측정용 전류 센서로부터의 하나 이상의 센싱 데이터- 상기 센싱 데이터 각각은, 전류, 전압, 저항 또는 임피던스 값 중 하나임 -, 상기 소의 측면 및 후면 이미지 데이터, 상기 소에 관한 복수의 생체 특징 데이터- 상기 생체 특징 데이터는, 상기 소의 월령, 품종, 임신 상태, 및 성별 정보를 포함함 -, 및 상기 소에 관한 복수의 유전 정보를 수신하는 단계, 수신된 상기 하나 이상의 센싱 데이터, 상기 측면 및 후면 이미지 데이터, 및 상기 복수의 생체 특징 데이터에 기초하여, 제1 기계학습 예측 모델에 따라, 상기 소의 체성분 값을 예측하는 단계- 상기 체성분 값은, 체수분 함량, 체지방 함량 및 근육량을 포함함 -, 상기 측면 및 후면 이미지 데이터, 상기 복수의 생체 특징 데이터, 상기 예측된 상기 소의 상기 체성분 값, 및 상기 수신된 상기 복수의 유전 정보에 기초하여, 제2 기계학습 예측 모델에 따라, 상기 소의 등급을 예측하는 단계, 상기 복수의 생체 특징 데이터, 및 m 기간에 걸쳐 누적된, 상기 소의 상기 예측된 등급들을 이용하여, 제3 기계학습 예측 모델에 따라, 상기 소의 향후 n 기간 동안의 시계열적 등급 변동을 예측하는 단계, 및 상기 예측된, 상기 소의 향후 n 기간 동안의 시계열적 등급 변동에 기초하여, 상기 소에 관한 최적의 출하 시점을 결정하는 단계를 포함한다.
본 개시의 일 실시예에 의하면, 상기 제1 기계학습 예측 모델은, 복수의 소에 관한 데이터에 기초한 딥러닝에 의해 생성된 것이며, 상기 복수의 소에 관한 데이터 각각은, 각 대응 소로부터 획득된 측면 및 후면 이미지 데이터, 상기 대응 소로부터 획득된 하나 이상의 체성분 측정용 전류 센서 센싱 데이터- 상기 체성분 측정용 전류 센서 센싱 데이터 각각은, 전류, 전압, 저항 또는 임피던스 값 중 하나임 -, 상기 대응 소에 관한 복수의 생체 특징 데이터- 상기 복수의 생체 특징 데이터는, 상기 대응 소의 월령, 품종, 임신 상태, 및 성별 정보를 포함함 -, 및 상기 대응 소의 체성분 분석으로부터 획득된 체성분 분석 결과 값을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 상기 제1 기계학습 예측 모델은, HoG(Histogram of Gradient) 알고리즘, 소 랜드마크 예측(Cow Landmark Estimation) 및 이미지 변환(Affine Transformation) 알고리즘, 및 Triplet 학습 알고리즘에 기초하여, 각 소의 측면 이미지 및 후면 이미지 각각으로부터 각각 128개의 특징 벡터를 추출하는 학습 모델을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 상기 소에 설치된 하나 이상의 체성분 측정용 전류 센서는, 각기 다른 주파수를 갖는 복수의 저항 센서를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 상기 제2 기계학습 예측 모델은, 복수의 소에 관한 데이터에 기초한 딥러닝에 의해 생성된 것이며, 상기 복수의 소에 관한 데이터 각각은, 각 대응 소로부터 획득된 측면 및 후면 이미지 데이터, 상기 대응 소에 관한 복수의 생체 특징 데이터- 상기 복수의 생체 특징 데이터는, 상기 대응 소의 월령, 품종, 임신 상태, 및 성별 정보를 포함함 -, 상기 대응 소의 체성분 분석으로부터 획득된 체성분 분석 결과 값, 및 상기 대응 소에 관한 복수의 유전 정보- 상기 복수의 유전 정보는, 상기 대응 소에 관한, 부 유전능력 냉도체중, 부 유전능력 배최장근단면적, 부 유전능력 등지방두께, 부 유전능력 근내지방도, 모 유전능력 냉도체중, 모 유전능력 배최장근단면적, 모 유전능력 등지방두께, 및 모 유전능력 근내지방도 중 복수 개 정보를 포함함 -를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 상기 복수의 소에 관한 데이터 각각은, 상기 대응 소의 무게 정보를 더 포함하고, 상기 소의 등급을 예측하는 단계는, 상기 소의 무게에 더 기초하여 상기 소의 등급을 예측할 수 있다.
본 개시의 일 실시예에 의하면, 상기 소의 등급은, 육질 등급과 육량 등급의 두 가지 기준으로 구성된 15개 등급 중 하나일 수 있다.
본 개시의 일 실시예에 의하면, 상기 제3 기계학습 예측 모델은, 복수의 소에 관한 데이터에 기초하여 RNN(Recurrent Neural Network) LSTM(Long-Short-Term Memory) 알고리즘에 따른 학습에 의해 생성된 것이고, 상기 복수의 소에 관한 데이터 각각은, 각 대응 소에 관한 복수의 생체 특징 데이터- 상기 복수의 생체 특징 데이터는, 상기 대응 소의 월령, 품종, 및 성별 정보를 포함함 -, m 기간 동안 누적된 상기 대응 소의 체중 정보, 및 상기 m 기간 동안 누적된 상기 대응 소의 등급 정보를 포함하고, 상기 제3 기계학습 예측 모델은, 상기 m 기간 및 상기 n 기간에 따라 정해지는 메모리 셀 개수를 가질 수 있다.
본 개시의 일 실시예에 의하면, 상기 m 기간 동안 누적된 상기 대응 소의 체중 정보는, 상기 m 기간 동안에 걸쳐 누적된, 상기 대응 소에 관한 복수 개의 실측 또는 예측 체중 정보이고, 상기 m 기간 동안 누적된 상기 대응 소의 등급 정보는, 상기 m 기간 동안에 걸쳐 누적된, 상기 대응 소에 관한 복수 개의 예측 등급 정보인일 수 있다.
본 개시의 일 실시예에 의하면, 최적의 출하 시점을 결정하는 단계는 미리 정해진 품종/월령별 사료 급여량, 현재 사료비 단가, 미리 정해진 품종/성별 및 육량/육질 등급별 기준 단가를 수신하는 단계, 상기 예측된, 상기 소의 향후 n 기간 동안의 시계열적 등급 변동에 기초하여, 소정 시점(tk)에서의 예상 순수익(tk-profit) = 상기 소정 시점(tk)에서의 예상 수익(tk-revenue) - 상기 소정 시점(tk)까지의 누적 사료비(tk-cost)에 따른 예상 순수익 그래프 정보를 생성하는 단계, 및 상기 예상 순수익 그래프 정보에 기초하여, 상기 예상 순수익이 최고가 되는 소정 시점을 최적의 출하 시점으로 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 방법은, 상기 생성된 예상 순수익 그래프 정보를 시각화하여 소정 디스플레에 상에 표시하는 단계를 더 포함할 수 있다.
본 개시의 다른 특징에 의하면, 컴퓨터에 의해 실행 가능한, 하나 이상의 컴퓨터 판독가능 명령이 수록된 컴퓨터 판독가능 기록매체로서, 상기 하나 이상의 컴퓨터 판독가능 명령은, 상기 컴퓨터에 의해 실행될 경우, 상기 컴퓨터로 하여금, 전술한 방법들 어느 하나의 방법을 수행하게 하는, 컴퓨터 판독가능 기록매체가 제공된다.
본 개시에 따르면 도축 이전 사육 중인 소의 등급 변화를 예측할 수 있고, 그에 기초하여 비용 대비 수익을 고려한 경제성 기반의 최적의 출하 시점을 예측할 수 있다. 이로써, 축산 농가가 농가 운영을 보다 계획적이로 효율적으로 추진할 수 있고 궁극적으로 수익을 증대시킬 수 있게 할 수 있다.
도 1은, 본 개시의 일 실시예에 따른, 축산 농가 관리 시스템(100)의 전체 구성을 개략적으로 도시한 도면이다.
도 2는, 도 1의 축산 농가 관리 서버(140)의 예시적 기능 구성을 도시한 기능 블록도이다.
도 3은, 도 1의 축산 농가 단말(130)의 예시적 기능 구성을 도시한 기능 블록도이다.
도 4는, 본 개시의 일 실시예에 따른 축산 농가 관리 서버(140)의 각 기능 별 입출력의 연계 관계를 전반적이고 개략적으로 도시한 도면이다.
이하, 첨부 도면을 참조하여 본 개시의 실시예에 관하여 상세히 설명한다. 이하에서는, 본 개시의 요지를 불필요하게 흐릴 우려가 있다고 판단되는 경우, 이미 공지된 기능 및 구성에 관한 구체적인 설명을 생략한다. 또한, 이하에서 설명하는 내용은 어디까지나 본 개시의 일 실시예에 관한 것일 뿐 본 개시가 이로써 제한되는 것은 아님을 알아야 한다.
본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 개시를 한정하려는 의도에서 사용된 것이 아니다. 예를 들면, 단수로 표현된 구성요소는 문맥상 명백하게 단수만을 의미하지 않는다면 복수의 구성요소를 포함하는 개념으로 이해되어야 한다. 또한, 본 개시의 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐이고, 이러한 용어의 사용에 의해 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하려는 것은 아니다.
본 명세서에 기재된 실시예에 있어서 '블록' 또는 '부'는 적어도 하나의 기능이나 동작을 수행하는 기능적 부분을 의미하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '블록' 또는 '부'는, 특정한 하드웨어로 구현될 필요가 있는 '블록' 또는 '부'를 제외하고는, 적어도 하나의 소프트웨어 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
덧붙여, 달리 정의되지 않는 한 기술적 또는 과학적인 용어를 포함하여, 본 명세서에서 사용되는 모든 용어들은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의된 용어들은, 관련 기술의 문맥상 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 개시의 명세서에서 명백하게 달리 정의하지 않는 한 과도하게 제한 또는 확장하여 해석되지 않는다는 점을 알아야 한다.
이하, 첨부된 도면을 참조하여, 본 개시의 실시예에 대해 구체적으로 설명하기로 한다.
도 1은, 본 개시의 일 실시예에 따른, 축산 농가 관리 시스템(100)의 전체 구성을 개략적으로 도시한 도면이다. 도시된 바에 의하면, 축산 농가 관리 시스템(100)은, 각각 n개의 센서로 구성된 두 개의 센서 세트(110a, 110b), 축산 농가 단말(120), 통신망(130), 및 통신망(130)을 통해 상기 센서 세트(110a, 110b) 및 상기 축산 농가 단말(120)에 연결된 축산 농가 관리 서버(140)를 포함한다.
본 개시의 일 실시예에 의하면, 센서 세트(110a) 및 센서 세트(110b)는, 각각, 서로 다른 소에 장착된 각기 다른 종류의 n개의 센서로 이루어진 하나의 세트일 수 있다. 본 도면에 도시된 바에 의하면, 축산 농가 관리 시스템(100)은, 두 개의 센서 세트(110a, 110b)를 갖는 것으로 도시되어 있으나 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 다른 실시예에 의하면, 더 많은 수의 소에 부착된 더 많은 수의 센서 세트가 축산 농가 관리 시스템(100)에 포함될 수 있음을 알아야 한다.
본 개시의 일 실시예에 의하면, 센서 세트(110a, 110b)를 구성하는 각 센서는, 생체(소의 몸통)에 소정의 전류를 인가하고 그에 따른 전기 저항을 측정함으로써, 생체 체성분을 분석하는데 사용될 수 있는 소정의 전기 저항 센서일 수 있다. 본 개시의 일 실시예에 의하면, 하나의 소에 부착된 센서 세트의 각 센서에 의해 측정된 값들이 해당 소의 체성분 값 분석, 즉 체수분량, 체지방량, 및 근육량, 뼈 함량 등을 분석하는데 이용될 수 있다.
본 개시의 일 실시예에 의하면, 센서 세트(110a, 110b)의 n개의 센서 각각은, 각각의 성분 분석을 위한 각기 다른 주파수(예컨대, 5KHz, 1MHz, 20MHz, 등을 포함할 수 있으나, 이로써 제한되는 것은 아님)의 전기 저항 센서일 수 있다. 본 개시의 일 실시예에 의하면, 센서 세트(110a, 110b)의 n개의 센서 각각은, 각 소의 소정 위치(예컨대, 소의 등 위 소정 위치 등)에 부착되어 해당 위치에서 측정되는 전류, 전압, 저항 또는 임피던스 값을 측정할 수 있다. 본 개시의 일 실시예에 의하면, 센서 세트(110a, 110b)의 각 센서는, 통신망(130)과 통신 가능하게 결합되어, 각 측정 값을 외부(예컨대, 축산 농가 관리 서버(140))로 전송할 수 있다.
본 개시의 일 실시예에 의하면, 축산 농가 단말(120)은, 축산 농가 관리자를 위한 단말로서, 유선 또는 무선 통신 기능을 구비한 임의의 사용자 전자 장치일 수 있다. 축산 농가 단말(120)은, 예컨대 스마트 폰, 태블릿 PC, 데스크탑, 랩탑, PDA, 디지털 TV, 셋탑박스 등을 포함한 다양한 유선 또는 무선 통신 단말일 수 있으며, 특정 형태로 제한되지 않음을 알아야 한다. 본 도면에서는, 하나의 축산 농가 단말(120) 만이 도시되어 있으나, 본 개시가 이로써 제한되는 것은 아니다.
본 개시의 일 실시예에 의하면, 농가 관리자는, 축산 농가 단말(120)을 통해, 해당 농가에서 관리하는 각 소에 관련된 정보를 입력 및 저장/관리할 수 있다. 본 개시의 일 실시예에 의하면, 농가 관리자는, 예컨대 축산 농가 단말(120) 상에서, 해당 농가에서 관리하는 각 소에 관한 복수의 이미지(예컨대, 측면 및 후면 이미지 등) 데이터를 입력할 수 있다. 본 개시의 일 실시예에 의하면, 농가 관리자는, 예컨대 축산 농가 단말(120) 상에서, 해당 농가에서 관리하는 각 소에 관한 복수의 생체 특징 데이터, 예컨대 각 소의 월령, 품종, 임신 상태, 및 성별 정보 등(그러나 이로써 제한되는 것은 아님)을 입력할 수 있다. 본 개시의 일 실시예에 의하면, 농가 관리자는, 예컨대 축산 농가 단말(120) 상에서, 해당 농가에서 관리하는 각 소에 관한 복수의 유전 정보 데이터, 예컨대 각 소의 부 유전능력 냉도체중, 부 유전능력 배최장근단면적, 부 유전능력 등지방두께, 부 유전능력 근내지방도, 모 유전능력 냉도체중, 모 유전능력 배최장근단면적, 모 유전능력 등지방두께, 및 모 유전능력 근내지방도 등(그러나 이로써 제한되는 것은 아님)을 입력할 수 있다.
본 개시의 다른 실시예에 의하면, 축산 농가 단말(120)은, 통신망(130)을 통하여 외부의 별도 데이터베이스(구체적으로 도시되지 않았음)로부터, 해당 농가에서 관리하는 각 소의 생체 특징 정보 및 유전 정보 등을 획득할 수 있다. 예컨대, 한우의 경우, 정부나 지자체에서 관리하는 한우 데이터베이스가 있는데, 본 개시의 일 실시예에 의하면, 한우 축산 농가의 농가 관리자는, 축산 농가 단말(120)을 이용해서, 외부의 한우 데이터베이스로부터 자신의 농가의 각 소에 관한 필요한 정보를 가져올 수 있다(그러나 본 개시가 이로써 제한되는 것은 아니다).
본 개시의 일 실시예에 의하면, 축산 농가 단말(120)은, 통신망(130)을 통해서, 축산 농가 관리 서버(140)와 통신, 즉 필요한 정보를 송수신할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(120)은, 통신망(130)을 통해, 해당 농가에서 관리하는 각 소에 관련된 정보, 예컨대 각 소의 이미지 정보, 생체 특징 정보, 유전 정보 등의 각종 정보를 축산 농가 관리 서버(140)로 전송할 수 있고, 축산 농가 관리 서버(140)로부터 해당 소에 관한 정보, 예컨대 체성분 값 예측 정보, 등급 예측 정보, 시계열적 등급 변동 예측 정보, 및 최적의 출하 시점 정보 등을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(120)은, 축산 농가 관리 서버(140)로부터 수신된 각종 정보들을 디스플레이를 통해 표시할 수 있다.
본 개시의 일 실시예에 의하면, 통신망(130)은, 임의의 유선 또는 무선 통신망, 예컨대 TCP/IP 통신망을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 통신망(104)은, 예컨대 Wi-Fi망, LAN망, WAN망, 인터넷망 등을 포함할 수 있으며, 본 발명이 이로써 제한되는 것은 아니다. 본 개시의 일 실시예에 의하면, 통신망(130)은, 예컨대 이더넷, GSM, EDGE(Enhanced Data GSM Environment), CDMA, TDMA, OFDM, 블루투스, VoIP, Wi-MAX, Wibro 기타 임의의 다양한 유선 또는 무선 통신 프로토콜을 이용하여 구현될 수 있다.
본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(140)는, 통신망(130)을 통하여 센서 세트(110a, 110b)의 각 센서로부터 각 측정 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(140)는, 통신망(130)을 통하여, 축산 농가 단말(120)과 필요한 정보를 송수신할 수 있다.
본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(140)는, 소의 체성분 값, 예컨대 체수분 함량, 체지방 함량 및 근육량 등을 예측하는데 이용될 수 있는 체성분 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(140)는, 임의의 다양한 방법으로 수집된 소의 체성분 관련 빅데이터에 기초하여, 신경망 방식에 따라 구축된 체성분 예측 모델을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(140)는, 센서 세트(110a, 110b)의 각 센서로부터 수신된 각 측정 센싱 데이터를 수신하고, 그에 대응하는 각 소에 관한 이미지 데이터 및 생체 특징 정보를 축산 농가 단말(120)로부터 수신할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(140)는, 수신된 센싱 데이터, 이미지 데이터 및 생체 특징 정보에 기초하여 해당 소에 관한 체성분 값을 예측할 수 있다.
본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(140)는, 소의 등급을 예측할 수 있는 등급 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(140)는, 임의의 다양한 방법으로 수집된 소의 등급 관련 빅데이터에 기초하여, 신경망 방식에 따라 구축된 등급 예측 모델을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(140)는, 축산 농가 단말(120)로부터 수신된 각 소에 관한 이미지 데이터, 생체 특징 데이터, 및 유전 정보와, 해당 소에 관하여 앞서 체성분 예측 모델을 통해 획득된 체성분 예측 값에 기초하여, 해당 소에 관한 등급을 예측할 수 있다. 본 개시의 일 실시예에 의하면, 예측되는 등급은, 육량 등급과 육질 등급의 두 가지 유형에 의해 분류되는 15가지 유형 중 하나일 수 있다.
본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(140)는, 향후 소정 기간 동안에 걸친 각 소의 시계열적 등급 변동을 예측할 수 있는 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(140)는, 임의의 다양한 방법으로 수집된 소의 등급 관련 빅데이터에 기초하여, RRN LSTM 방식에 따라 구축된 시계열 등급 예측 모델을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(140)는, 축산 농가 단말(120)로부터 수신된 각 소에 관한 생체 특징 데이터와, 소정 기간에 걸쳐 누적된, 해당 소에 관하여 앞서 등급 예측 모델에 기초하여 예측된 등급 값들에 기초하여, 해당 소에 관한 향후 소정 기간에 걸친 등급 변동을 예측할 수 있다.
본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(140)는, 앞서 시계열 등급 변동 예측 모델에 기초하여 예측된, 각 소의 향후 소정 기간 동안의 시계열적 등급 변동에 기초하여, 해당 소에 관한 최적의 출하 시점을 결정할 수 있다.
도 2는, 도 1에 도시된 축산 농가 관리 서버(140)의 예시적 기능 구성을 도시한 기능 블록도이다. 도시된 바에 의하면, 축산 농가 관리 서버(140)는, 통신부(210), 체성분 값 예측부(220), 등급 예측부(230), 시계열 등급 예측부(240), 및 최적의 출하 시점 결정부(250)를 포함한다.
본 개시의 일 실시예에 의하면, 통신부(210)는, 축산 농가 관리 서버(140)가, 통신망(130)을 통해 외부와 통신할 수 있도록 지원할 수 있다. 본 개시의 일 실시예에 의하면, 통신부(210)는, 소정의 프로토콜에 따라 통신망(130)으로부터 데이터를 수신할 수 있고, 통신망(130)을 통하여 축산 농가 관리 서버(140)로부터 외부로 데이터가 전송되도록 필요한 절차를 수행할 수 있다.
본 개시의 일 실시예에 의하면, 체성분 값 예측부(220)는, 체성분 값 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 체성분 값 예측부(220)는, 통신망(130) 및 통신부(210)를 통하여, 도 1의 센서 세트(110a)로부터 수신된 센싱 데이터, 즉 주어진 소에 설치된 체성분 측정용 전류 센서(110a)로부터의 체성분 예측용 센싱 데이터(전술한 바와 같이, 센싱 데이터 각각은 전류, 전압, 저항 또는 임피던스 값 중 하나일 수 있음)를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 체성분 값 예측부(220)는, 통신망(130) 및 통신부(210)를 통하여, 주어진 소의 측면 및 후면 이미지 데이터(예컨대, 각 이미지 데이터로부터 추출된 128개의 특징 벡터 데이터)와, 해당 소의 월령, 품종, 임신 상태, 및 성별 정보를 포함하는 생체 특징 데이터를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 체성분 값 예측부(220)는 수신된 체성분 측정용 전류 센서(110a)로부터의 체성분 예측용 센싱 데이터, 소의 측면 및 후면 이미지 데이터, 및 소의 생체 특징 정보를 이용하여, 전술한 체성분 값 예측 모델에 기초하여, 해당 소의 체성분 정보, 즉 체수분 함량, 체지방 함량 및 근육량 등의 예측 값을 결정할 수 있다.
본 개시의 일 실시예에 의하면, 체성분 값 예측 모델은, 다양한 방식에 의해 획득된 수 많은 소에 관련된 데이터에 기초한 딥러닝에 의해 생성된 것일 수 있다. 여기서 이용되는 소에 관한 데이터는, 많은 수의 소에 관한 데이터 세트로서, 각각의 소로부터 획득된 측면 및 후면 이미지 데이터, 각 대응 소로부터 획득된 하나 이상의 체성분 측정용 전류 센서 센싱 데이터, 및 각 대응 소에 관한 월령, 품종, 임신 상태, 및 성별 정보를 포함하는 복수의 생체 특징 데이터와 함께, 각 대응 소의 체성분 분석으로부터 획득된 체성분 분석 결과 값을 포함하는 데이터 세트일 수 있다. 예컨대, 이전에 도축되어 이미 체성분 분석이 완료(즉, 체성분 분석 결과 값이 이미 확보)된 많은 수의 소에 대해, 그 각 소의 이미지 데이터와, 해당 소에 관한 체성분 측정용 전류 센서 센싱 데이터를 축적하고, 이들 축적된 데이터들을 신경망 방식의 딥러닝에 의해 훈련시킴으로써 체성분 값 예측 모델이 도출될 수 있다.
본 개시의 일 실시예에 의하면, 체성분 값 예측 모델은, HoG(Histogram of Gradient) 알고리즘, 소 랜드마크 예측(Cow Landmark Estimation) 및 이미지 변환(Affine Transformation) 알고리즘, 및 Triplet 학습 알고리즘에 기초하여, 각 소의 측면 이미지 및 후면 이미지 각각으로부터 각각 128개의 특징 벡터를 추출하는 학습 모델을 포함할 수 있다. 당업자라면 알 수 있듯이, HoG 알고리즘은, 주어진 각각의 이미지를 그 이미지 밝기에 관계없이 이미지의 주요 특징을 캡쳐한 HoG 표현으로 변경하는 것이다. 본 개시의 일 실시예에 의하면, 체성분 값 예측 모델은, 주어진 소의 측면 또는 후면 이미지로부터 해당 소의 HoG 패턴과 가장 유사하게 보이는 부분을 이미지내에서 검색해낼 수 있고, 이로써 어떠한 이미지에서도 소가 위치한 영역을 쉽게 식별해낼 수 있다. 또한, 체성분 값 예측 모델은, HoG 결과 이미지에 소 랜드마크 예측(Cow Landmark Estimation) 및 이미지 변환(Affine Transformation) 알고리즘을 적용하여, 촬영 각도에 따라 다르게 이미지가 인식되는 문제를 해결할 수 있다. 본 개시의 일 실시예에 의하면, 체성분 값 예측 모델은, Triplet 학습 알고리즘에 기초하여, 전술한 이미지 변환(Affine Transformation) 완료된 이미지로부터 128개의 특징 벡터를 추출해낼 수 있다
본 개시의 일 실시예에 의하면, 등급 예측부(230)는, 등급 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 등급 예측 모델은, 통신망(130) 및 통신부(210)를 통하여, 주어진 소의 측면 및 후면 이미지 데이터와, 해당 소의 월령, 품종, 임신 상태, 및 성별 정보를 포함하는 생체 특징 데이터와, 해당 소의 유전 정보, 예컨대 부 유전능력 냉도체중, 부 유전능력 배최장근단면적, 부 유전능력 등지방두께, 부 유전능력 근내지방도, 모 유전능력 냉도체중, 모 유전능력 배최장근단면적, 모 유전능력 등지방두께, 및 모 유전능력 근내지방도 등을 포함하는 유전 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 등급 예측부(230)는 수신된 전술한 체성분 예측부(220)로부터 획득된 체성분 예측 값을 수신할 수 있다. 본 개시의 일실시예에 의하면, 등급 예측부(230)는, 수신된 소의 측면 및 후면 이미지 데이터, 무게 정보, 소의 생체 특징 정보 및 유전 정보, 및 전술한 체성분 예측 값을 이용하여, 해당 소의 등급을 예측할 수 있다.
본 개시의 일 실시예에 의하면, 등급 예측 모델은, 다양한 방식에 의해 획득된 수 많은 소에 관련된 데이터에 기초한 딥러닝에 의해 생성된 것일 수 있다. 여기서 이용되는 소에 관한 데이터는, 많은 수의 소에 관한 데이터 세트로서, 각각의 소로부터 획득된 측면 및 후면 이미지 데이터, 각 대응 소로부터 획득된 하나 이상의 체성분 측정용 전류 센서 센싱 데이터(예컨대, 5KHz, 1MHz, 20MHz 등과 같이 다양한 주파수의 복수의 각 센서에서 측정된 센싱 데이터), 소의 체중 정보, 및 각 대응 소에 관한 월령, 품종, 임신 상태, 및 성별 정보를 포함하는 복수의 생체 특징 데이터와 함께, 각 대응 소의 체성분 분석으로부터 획득된 체성분 분석 결과 값을 포함하는 데이터 세트일 수 있다. 예컨대, 이전에 도축되어 이미 체성분 분석이 완료(즉, 체성분 분석 결과 값이 이미 확보)된 많은 수의 소에 대해, 그 각 소의 이미지 데이터와, 해당 소에 관한 체성분 측정용 전류 센서 센싱 데이터를 축적하고, 이들 축적된 데이터들을 신경망 방식의 딥러닝에 의해 훈련시킴으로써 등급 예측 모델이 도출될 수 있다.
본 개시의 일 실시예에 의하면, 예측되는 소의 등급은 육질 등급과 육량 등급의 두 가지 기준으로 구성된 15개 등급(예컨대, A1++, A1+, A1, A2, A3, B1++, B1+, B1, B2, B3, C1++, C1+, C1, C3, C3) 중 하나일 수 있다.
본 개시의 일 실시예에 의하면, 시계열 등급 예측부(240)는, 시계열 등급 변동 예측 모델을 포함할 수 있다., 본 개시의 일 실시예에 의하면, 시계열 등급 예측부(240)는, 각 소에 관한 월령, 품종, 임신 상태, 및 성별 정보를 포함하는 생체 특징 데이터, 및 m 기간에 걸쳐 누적된, 소의 예측된 등급 값들을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 시계열 등급 예측 모델은, 소에 관한 생체 특징 데이터 및 m 기간에 걸처 누적된 소의 예측된 등급 값들을 이용하여, 시계열 등급 예측 모델에 따라 해당 소의 향후 n 기간 동안의 시계열적 등급 변동을 예측할 수 있다.
본 개시의 일 실시예에 의하면, 시계열 등급 예측 모델은, 복수의 소에 관한 데이터에 기초하여 RNN(Recurrent Neural Network) LSTM(Long-Short-Term Memory) 알고리즘에 따른 학습에 의해 생성된 모델일 수 있다. 본 개시의 일 실시예에 의하면, 시계열 등급 예측 모델은, 생체중, 도체중, 육량등급, 육질등급을 기반으로 다음 t 시간 이후의 생체중, 도체중, 육량등급, 육질등급을 예측하므로 시계열 문제로 정의할 수 있다. 당업자라면, 주지하듯이 LSTM 알고리즘은, 시계열적으로 누적된 입력 데이터 중 소정 범위 내의 과거 데이터가 망각되지 않고 결과에 영향을 미치도록 하기 위한 모델이다. 본 개시의 일 실시예에 의하면, 시계열 등급 예측 모델은, 각 소의 월령, 품종, 및 성별 정보를 포함하는 생체 특징 정보와 함께, m 기간 동안 누적된 대응 소의 체중 정보, 및 m 기간 동안 누적된 해당 소의 등급 정보를 포함한 복수의 데이터에 기초하여 학습될 수 있다. 본 개시의 일 실시예에 의하면, 시계열 등급 예측 모델은, 과거 m 기간에 걸친 누적 데이터에 기초하여 향후 n 기간 동안의 값을 예측함에 있어서, 그 m 기간 및 n 기간의 길이에 따라 정해지는 메모리 셀 개수를 가질 수 있다.
본 개시의 일 실시예에 의하면, 출하 시점 결정부(250)는, 통신망(130) 및 통신부(210)를 통하여, 미리 정해진 품종/월령별 사료 급여량, 현재 사료비 단가, 미리 정해진 품종/성별 및 육량/육질 등급별 기준 단가를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 위 예측된, 주어진 소의 향후 n 기간 동안의 시계열적 등급 변동에 기초하여, 소정 시점(tk)에서의 예상 순수익(tk-profit) = 상기 소정 시점(tk)에서의 예상 수익(tk-revenue) - 상기 소정 시점(tk)까지의 누적 사료비(tk-cost)에 따른 예상 순수익 그래프 정보를 생성할 수 있다. 본 개시의 일 실시예에 의하면, 출하 시점 결정부(250)는, 생성된 예상 순수익 그래프 정보를 통신망(130) 및 통신부(210)를 통해 축산 농가 단말(130)로 전송할 수 있다. 본 개시의 일 실시예에 의하면, 출하 시점 결정부(250)는, 예상 순수익 그래프 정보에 기초하여, 예상 순수익이 최고가 되는 소정 시점을 최적의 출하 시점으로 결정할 수 있다. 본 개시의 일 실시예에 의하면, 출하 시점 결정부(250)는, 결정된 최적의 출하 시점에 관한 정보를, 통신망(130) 및 통신부(210)를 통해 도 1의 축산 농가 단말(120)로 전달할 수 있다.
도 3은, 도 1에 도시된 축산 농가 단말(120)의 예시적 기능 구성을 도시한 기능 블록도이다. 도시된 바에 의하면, 축산 농가 단말(120)은, 통신부(310), 소 특징 데이터 입력부(320), 표시부(330) 및 이력 저장부(340)를 포함한다.
본 개시의 일 실시예에 의하면, 통신부(310)는, 축산 농가 단말(130)이, 통신망(130)을 통해 외부와 통신할 수 있도록 지원할 수 있다. 본 개시의 일 실시예에 의하면, 통신부(310)는, 소정의 프로토콜에 따라 통신망(130)으로부터 데이터를 수신할 수 있고, 통신망(130)을 통하여 축산 농가 단말(120)로부터 외부로 데이터가 전송되도록 필요한 절차를 수행할 수 있다.
본 개시의 일 실시예에 의하면, 소 특징 데이터 입력부(320)는, 소정의 데이터 입력 장치, 예컨대 키보드, 터치패드, 터치스크린, 마우스, 스캐너, 트랙볼, 카메라 등을 비롯한 다양한 유형의 데이터 입력 장치를 포함할 수 있다. 본 개시의 일 실시예에 의하면, 소 특징 데이터 입력부(320)를 통해, 농가 관리자는, 해당 농가에서 관리하는 각 소에 관련된 정보를 입력 및 저장/관리할 수 있다. 본 개시의 일 실시예에 의하면, 농가 관리자는, 예컨대 소 특징 데이터 입력부(320) 상에서, 해당 농가에서 관리하는 각 소에 관한 복수의 이미지(예컨대, 측면 및 후면 이미지 등) 데이터를 입력할 수 있다. 본 개시의 일 실시예에 의하면, 농가 관리자는, 예컨대 소 특징 데이터 입력부(320) 상에서, 해당 농가에서 관리하는 각 소에 관한 복수의 생체 특징 데이터, 예컨대 각 소의 월령, 품종, 임신 상태, 및 성별 정보 등(그러나 이로써 제한되는 것은 아님)을 입력할 수 있다. 본 개시의 일 실시예에 의하면, 농가 관리자는, 예컨대 소 특징 데이터 입력부(320) 상에서, 해당 농가에서 관리하는 각 소에 관한 복수의 유전 정보 데이터, 예컨대 각 소의 부 유전능력 냉도체중, 부 유전능력 배최장근단면적, 부 유전능력 등지방두께, 부 유전능력 근내지방도, 모 유전능력 냉도체중, 모 유전능력 배최장근단면적, 모 유전능력 등지방두께, 및 모 유전능력 근내지방도 등(그러나 이로써 제한되는 것은 아님)을 입력할 수 있다. 표 1은, 농가 관리자가 축산 농가 단말(120)을 통하여 수집 및 관리할 수 있는 각 소에 관한 예시적 데이터들을 보여주는 표이며, 본 개시가 이로써 제한되는 것은 아님을 알아야 한다.
항목 내용
수집
데이터
(예시)		 소 체성분
센서 데이터		 체성분 측정 센서 주파수별 센서 값
소 도축
데이터		 판정축종명, 도축일자, 도축시작번호, 도축종료번호, 등급판정품종, 등급판정성별, 도체중량, 육량지수, 육질등급, 육량등급, 등급코드, 등급명, 개체식별번호
소 유전평가 데이터 특징(모색, 면선, 미선, 배선, 뿔, 기타), 개체유전능력(냉도체중, 배최장근단면적, 등지방두께, 근내지방도(점)), 체형 및 심사성적(체고, 체장, 흉심, 좌골폭, 종합평가, 일반외모, 자질, 전구, 중구, 후구, 지제, 심사점수) 등
소 혈통정보 데이터 3대 혈통정보(정액번호/명호, 생년월일, 개체식별번호, 등록구분, 등록번호), 형매정보(등록번호, 개체식별번호, 등록구분, 성별, 생년월일, 씨수소명, 심사최종점수) 등
소 번식정보 데이터 교배정보(예정산차, 교배차수, 교배일자, 수정방법, 씨수소(종모우), 인공수정사, 분만일자, 임신기간, 교배농가(목장명)), 분만정보(산차, 교배차수, 씨수소(종모우), 분만일자, 분만구분, 송아지 개체식별번호, 성별, 생시체중, 분만농가명(목장명)) 등
본 개시의 다른 실시예에 의하면, 축산 농가 단말(120)은, 통신망(130)을 통하여 외부의 별도 데이터베이스(구체적으로 도시되지 않음)로부터, 해당 농가에서 관리하는 각 소의 생체 특징 정보 및 유전 정보 등을 획득할 수 있다. 예컨대, 한우의 경우, 정부나 지자체에서 관리하는 한우 데이터베이스가 있는데, 본 개시의 일 실시예에 의하면, 한우 축산 농가의 농가 관리자는, 축산 농가 단말(120)을 이용해서, 외부의 한우 데이터베이스로부터 자신의 농가의 각 소에 관한 필요한 정보를 가져올 수 있다(그러나 본 개시가 이로써 제한되는 것은 아니다).
본 개시의 일 실시예에 의하면, 표시부(330)는, LCD, LED, 터치스크린 등의 다양한 디스플레이 장치를 포함할 수 있다. 본 개시의 일 실시예에 의하면, 표시부(330)는, 통신망(130) 및 통신부(310)를 통하여 축산 농가 관리 서버(140)로부터 수신되는 각종 정보, 예컨대 전술한 축산 농가 관리 서버(140) 상에서 획득된 체성분 예측 값, 등급 예측 값을 수신 및 표시할 수 있다. 본 개시의 일 실시예에 의하면, 표시부(330)는, 통신망(130) 및 통신부(310)를 통하여 축산 농가 관리 서버(140)로부터 주어진 소의 향후 n 기간 동안의 시계열적 등급 변동 정보를 수신할 수 있고, 수신된 정보를 시각화하여 표시부(330)의 디스플레이 상에 표시할 수 있다. 본 개시의 일 실시예에 의하면, 표시부(330)는, 통신망(130) 및 통신부(310)를 통하여 축산 농가 관리 서버(140)로부터 최적의 출하 시점 정보를 수신할 수 있고, 디스플레이를 통해 수신된 정보를 표시할 수 있다.
본 개시의 일 실시예에 의하면, 이력 저장부(340)는, 해당 농가에서 관리되는 복수의 소에 관한 각종 정보, 예컨대 소 특징 데이터 입력부(320)를 통해 입력된 이미지 정보, 생체 특징 정보, 유전 정보 등을 저장하는 데이터베이스일 수 있다. 본 개시의 일 실시예에 의하면, 이력 저장부(340)는 또한, 통신망(130) 및 통신부(310)를 통하여 축산 농가 관리 서버(140)로부터 수신되는 각종 예측 정보, 예컨대 체성분 예측 값, 등급 예측 값, 시계열정 등급 변동 정보, 및 최적의 출하 시점 정보 등을 누적하여 저장할 수 있다.
도 4는, 본 개시의 일 실시예에 따른 축산 농가 관리 서버(140)의 각 기능 별 입출력의 연계 관계를 전반적이고 개략적으로 도시한 도면이다. 도시된 바에 의하면, 축산 농가 관리 서버(140)의 전술한 각 기능 및 관련된 예시적 입력 및 출력 데이터와, 각 기능별 관계를 보다 용이하게 이해할 수 있을 것이다.
당업자라면 알 수 있듯이 본 개시는 본 명세서에서 기술된 예시에 한정되는 것이 아니라 본 개시의 범주를 벗어나지 않는 범위 내에서 다양하게 변형, 재구성 및 대체될 수 있다. 예를 들어, 본원에 기술된 다양한 기술들은 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 조합에 의해 구현될 수 있다. 따라서, 본원에 따른 소프트웨어 안전성 분석을 위한 분석 머신의 특정한 양태나 부분은 범용 또는 전용 마이크로프로세서, 마이크로-컨트롤러 등에 의해 실행 가능한 하나 이상의 컴퓨터 프로그램으로 구현될 수 있다. 본 개시의 일 실시예에 따른 컴퓨터 프로그램은, 컴퓨터 프로세서 등에 의해 판독 가능한 저장 매체, 예컨대 EPROM, EEPROM, 플래시 메모리장치와 같은 비휘발성 메모리, 내장형 하드 디스크와 착탈식 디스크 같은 자기 디스크, 광자기 디스크, 및 CDROM 디스크 등을 포함한 다양한 유형의 저장 매체에 저장된 형태로 구현될 수 있다. 또한, 프로그램 코드(들)는 어셈블리어나 기계어로 구현될 수 있고, 전기 배선이나 케이블링, 광섬유, 또는 기타 임의의 다른 형태의 전송 매체를 통해 전송되는 형태로 구현될 수도 있다.
본 명세서에서는, 예시적인 실시예에 대해 다양한 도면를 참조하여 주로 기술했지만, 다른 유사한 실시예들이 이용될 수 있다. 본 개시의 진정한 사상 및 범주에 속하는 모든 변형 및 변경을 이하의 특허청구범위에 의해 모두 포괄하고자 한다.

Claims (12)

  1. 컴퓨터 시스템 상에서 수행되는, 기계학습 예측 모델에 기초하여, 사육 중인 소에 관한 최적 출하 시점을 제공하는 방법으로서,
    소에 설치된 하나 이상의 체성분 측정용 전류 센서로부터의 하나 이상의 센싱 데이터- 상기 센싱 데이터 각각은, 전류, 전압, 저항 또는 임피던스 값 중 하나임 -, 상기 소의 측면 및 후면 이미지 데이터, 상기 소에 관한 복수의 생체 특징 데이터- 상기 생체 특징 데이터는, 상기 소의 월령, 품종, 임신 상태, 및 성별 정보를 포함함 -, 및 상기 소에 관한 복수의 유전 정보를 수신하는 단계,
    수신된 상기 하나 이상의 센싱 데이터, 상기 측면 및 후면 이미지 데이터, 및 상기 복수의 생체 특징 데이터에 기초하여, 제1 기계학습 예측 모델에 따라, 상기 소의 체성분 값을 예측하는 단계- 상기 체성분 값은, 체수분 함량, 체지방 함량 및 근육량을 포함함 -,
    상기 측면 및 후면 이미지 데이터, 상기 복수의 생체 특징 데이터, 상기 예측된 상기 소의 상기 체성분 값, 및 상기 수신된 상기 복수의 유전 정보에 기초하여, 제2 기계학습 예측 모델에 따라, 상기 소의 등급을 예측하는 단계,
    상기 복수의 생체 특징 데이터, 및 m주간(m은 양의 정수)에 걸쳐 누적된, 상기 소의 상기 예측된 등급들을 이용하여, 제3 기계학습 예측 모델에 따라, 상기 소의 향후 n주간(n은양의 정수) 동안의 시계열적 등급 변동을 예측하는 단계, 및
    상기 예측된, 상기 소의 향후 n주간 동안의 시계열적 등급 변동에 기초하여, 상기 소에 관한 최적의 출하 시점을 결정하는 단계
    를 포함하는, 최적의 소 출하 시점 제공 방법.
  2. 제1항에 있어서,
    상기 제1 기계학습 예측 모델은, 복수의 소에 관한 데이터에 기초한 딥러닝에 의해 생성된 것이며,
    상기 복수의 소에 관한 데이터 각각은, 각 대응 소로부터 획득된 측면 및 후면 이미지 데이터, 상기 대응 소로부터 획득된 하나 이상의 체성분 측정용 전류 센서 센싱 데이터- 상기 체성분 측정용 전류 센서 센싱 데이터 각각은, 전류, 전압, 저항 또는 임피던스 값 중 하나임 -, 상기 대응 소에 관한 복수의 생체 특징 데이터- 상기 복수의 생체 특징 데이터는, 상기 대응 소의 월령, 품종, 임신 상태, 및 성별 정보를 포함함 -, 및 상기 대응 소의 체성분 분석으로부터 획득된 체성분 분석 결과 값을 포함하는, 최적의 소 출하 시점 제공 방법.
  3. 제2항에 있어서,
    상기 제1 기계학습 예측 모델은, HoG(Histogram of Gradient) 알고리즘, 소 랜드마크 예측(Cow Landmark Estimation) 및 이미지 변환(Affine Transformation) 알고리즘, 및 Triplet 학습 알고리즘 중 적어도 하나에 기초하여, 각 소의 측면 이미지 및 후면 이미지 각각으로부터 각각 128개의 특징 벡터를 추출하는 학습 모델을 포함하는, 최적의 소 출하 시점 제공 방법.
  4. 제1항에 있어서,
    상기 소에 설치된 하나 이상의 체성분 측정용 전류 센서는, 각기 다른 주파수를 갖는 복수의 저항 센서를 포함하는, 최적의 소 출하 시점 제공 방법.
  5. 제1항에 있어서,
    상기 제2 기계학습 예측 모델은, 복수의 소에 관한 데이터에 기초한 딥러닝에 의해 생성된 것이며,
    상기 복수의 소에 관한 데이터 각각은, 각 대응 소로부터 획득된 측면 및 후면 이미지 데이터, 상기 대응 소에 관한 복수의 생체 특징 데이터- 상기 복수의 생체 특징 데이터는, 상기 대응 소의 월령, 품종, 임신 상태, 및 성별 정보를 포함함 -, 상기 대응 소의 체성분 분석으로부터 획득된 체성분 분석 결과 값, 및 상기 대응 소에 관한 복수의 유전 정보- 상기 복수의 유전 정보는, 상기 대응 소에 관한, 부 유전능력 냉도체중, 부 유전능력 배최장근단면적, 부 유전능력 등지방두께, 부 유전능력 근내지방도, 모 유전능력 냉도체중, 모 유전능력 배최장근단면적, 모 유전능력 등지방두께, 및 모 유전능력 근내지방도 중 복수 개 정보를 포함함 -를 포함하는, 최적의 소 출하 시점 제공 방법.
  6. 제5항에 있어서,
    상기 복수의 소에 관한 데이터 각각은, 상기 대응 소의 무게 정보를 더 포함하고,
    상기 소의 등급을 예측하는 단계는, 상기 소의 무게에 더 기초하여 상기 소의 등급을 예측하는, 최적의 소 출하 시점 제공 방법.
  7. 제1항에 있어서,
    상기 소의 등급은, 육질 등급과 육량 등급의 두 가지 기준으로 구성된 15개 등급 중 하나인, 최적의 소 출하 시점 제공 방법.
  8. 제1항에 있어서,
    상기 제3 기계학습 예측 모델은, 복수의 소에 관한 데이터에 기초하여 RNN(Recurrent Neural Network) LSTM(Long-Short-Term Memory) 알고리즘에 따른 학습에 의해 생성된 것이고,
    상기 복수의 소에 관한 데이터 각각은, 각 대응 소에 관한 복수의 생체 특징 데이터- 상기 복수의 생체 특징 데이터는, 상기 대응 소의 월령, 품종, 및 성별 정보를 포함함 -, m주간 동안 누적된 상기 대응 소의 체중 정보, 및 상기 m주간 동안 누적된 상기 대응 소의 등급 정보를 포함하고,
    상기 제3 기계학습 예측 모델은, 상기 m주간 및 상기 n주간에 따라 정해지는 메모리 셀 개수를 갖는, 최적의 소 출하 시점 제공 방법.
  9. 제8항에 있어서,
    상기 m주간 동안 누적된 상기 대응 소의 체중 정보는, 상기 m주간 동안에 걸쳐 누적된, 상기 대응 소에 관한 복수 개의 실측 또는 예측 체중 정보이고,
    상기 m주간 동안 누적된 상기 대응 소의 등급 정보는, 상기 m주간 동안에 걸쳐 누적된, 상기 대응 소에 관한 복수 개의 예측 등급 정보인,
    최적의 소 출하 시점 제공 방법.
  10. 제1항에 있어서,
    상기 최적의 출하 시점을 결정하는 단계는,
    미리 정해진 품종 및 월령별 사료 급여량, 현재 사료비 단가, 미리 정해진 품종 및 성별, 및 육량 및 육질 등급별 기준 단가를 수신하는 단계,
    상기 예측된, 상기 소의 향후 n주간 동안의 시계열적 등급 변동에 기초하여, 소정 시점(tk)에서의 예상 순수익(tk-profit) = 상기 소정 시점(tk)에서의 예상 수익(tk-revenue) - 상기 소정 시점(tk)까지의 누적 사료비(tk-cost)에 따른 예상 순수익 그래프 정보를 생성하는 단계, 및
    상기 예상 순수익 그래프 정보에 기초하여, 상기 예상 순수익이 최고가 되는 소정 시점을 최적의 출하 시점으로 결정하는 단계를 포함하는, 최적의 소 출하 시점 제공 방법.
  11. 제10항에 있어서,
    상기 생성된 예상 순수익 그래프 정보를 시각화하여 소정 디스플레이 상에 표시하는 단계를 더 포함하는, 최적의 소 출하 시점 제공 방법.
  12. 컴퓨터에 의해 실행 가능한, 하나 이상의 컴퓨터 판독가능 명령이 수록된 컴퓨터 판독가능 기록매체로서, 상기 하나 이상의 컴퓨터 판독가능 명령은, 상기 컴퓨터에 의해 실행될 경우, 상기 컴퓨터로 하여금, 제1항 내지 제11항 중 어느 한 항에 따른 방법을 수행하게 하는, 컴퓨터 판독가능 기록매체.
KR1020190053659A 2018-05-08 2019-05-08 기계학습 예측 모델에 기초한 최적의 소 출하 시점 결정 방법 KR102234605B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20180052298 2018-05-08
KR1020180052298 2018-05-08

Publications (2)

Publication Number Publication Date
KR20190128589A KR20190128589A (ko) 2019-11-18
KR102234605B1 true KR102234605B1 (ko) 2021-04-01

Family

ID=68728036

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190053659A KR102234605B1 (ko) 2018-05-08 2019-05-08 기계학습 예측 모델에 기초한 최적의 소 출하 시점 결정 방법

Country Status (1)

Country Link
KR (1) KR102234605B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102598065B1 (ko) 2022-08-25 2023-11-03 주식회사 아이트 한우 및 육우의 육량 예측 방법 및 그 시스템

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889645A (zh) * 2019-12-05 2020-03-17 中国农业科学院草原研究所 一种牧场牲畜饲养管理方法、系统和计算机可读存储介质
KR102457182B1 (ko) * 2020-01-10 2022-10-20 순천대학교 산학협력단 돈사 내 온도 및 습도 센싱정보를 활용한 돼지 성장예측 시스템
KR102461697B1 (ko) * 2020-05-12 2022-11-02 엘지이노텍 주식회사 육계 출하관리를 위한 성장 모니터링 장치
KR102495607B1 (ko) * 2020-12-07 2023-02-06 나영준 Ai 기반의 우시장 정보 제공 장치 및 방법
KR102442886B1 (ko) * 2021-01-05 2022-09-13 경일대학교 산학협력단 축산물 부위별 등급 판정 장치
KR102698220B1 (ko) * 2021-11-30 2024-08-26 이채빈 음영도 기반 체지방 측정 장치 및 방법
KR102667638B1 (ko) * 2021-12-27 2024-05-22 주식회사 이모션 인공지능 기반의 실시간 능동 제어형 가금사 환경 제어 시스템
KR102462098B1 (ko) * 2022-05-18 2022-11-03 (주)호현에프앤씨 빅데이터 학습 기반의 예측 모델을 이용한 최적의 양돈 출하 시점 결정 시스템 및 방법
KR102470326B1 (ko) * 2022-08-09 2022-11-25 주식회사 안심엘피씨 사육 효과를 개선하기 위한 가축의 성장 상태 분석 및 모니터링 방법, 장치 및 시스템
KR102575889B1 (ko) * 2022-12-29 2023-09-07 주식회사 앤틀러 영양소 요구량 정보 제공 장치 및 이에 의한 영양소 요구량 정보 제공 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100948406B1 (ko) * 2007-11-13 2010-03-19 성균관대학교산학협력단 닭도체의 품질등급 자동 판정 및 중량 산출시스템
KR101294868B1 (ko) * 2011-10-19 2013-08-08 남궁성 원격 가축 모니터링 시스템 및 방법
KR20150080314A (ko) * 2013-12-31 2015-07-09 하나 마이크론(주) 가축의 도체 등급 예측 시스템 및 그 방법
KR101651771B1 (ko) * 2015-01-29 2016-08-31 신민준 가축 및 축사 관리 장치
KR102324668B1 (ko) * 2015-09-11 2021-11-10 전남대학교산학협력단 한우 개체 관리 및 교배 예측 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102598065B1 (ko) 2022-08-25 2023-11-03 주식회사 아이트 한우 및 육우의 육량 예측 방법 및 그 시스템

Also Published As

Publication number Publication date
KR20190128589A (ko) 2019-11-18

Similar Documents

Publication Publication Date Title
KR102234605B1 (ko) 기계학습 예측 모델에 기초한 최적의 소 출하 시점 결정 방법
Fernandes et al. A novel automated system to acquire biometric and morphological measurements and predict body weight of pigs via 3D computer vision
Ghotbaldini et al. Predicting breeding value of body weight at 6-month age using Artificial Neural Networks in Kermani sheep breed
CN110929650B (zh) 豢养物身份识别方法、装置、计算设备、可读存储介质
Greenwood et al. New ways of measuring intake, efficiency and behaviour of grazing livestock
Serenius et al. Selection potential of different prolificacy traits in the Finnish Landrace and Large White populations
WO2017217169A1 (ja) 情報処理装置、方法及びプログラム
CN110991222A (zh) 一种物体状态监测、母猪发情监测方法、装置及系统
WO2020031050A1 (en) A system and a device for health and fertility management of one or more milch animals
Aldridge et al. The use of walk over weigh to predict calving date in extensively managed beef herds
Shahinfar et al. Optimization of reproductive management programs using lift chart analysis and cost-sensitive evaluation of classification errors
Gu et al. A two-stage recognition method based on deep learning for sheep behavior
KR102324668B1 (ko) 한우 개체 관리 및 교배 예측 방법
CN113989538A (zh) 基于深度图像的鸡群均匀度估测方法、装置、系统及介质
KR20220106397A (ko) 머신러닝 기반의 가축 무게 예측 방법 및 장치
Græsbøll et al. A robust statistical model to predict the future value of the milk production of dairy cows using herd recording data
van der Werf et al. An index for beef and veal characteristics in dairy cattle based on carcass traits
US20240202200A1 (en) Evaluation method
CN112461342A (zh) 水产品称重方法、终端设备及存储介质
WO2021085806A1 (ko) 가축사양표준에 기초한 가축사양관리 가이드 제공 방법
Bastiaansen et al. Continuous real-time cow identification by reading ear tags from live-stream video
Wang et al. Vision-based measuring method for individual cow feed intake using depth images and a Siamese network
JP3774120B2 (ja) 家畜管理システム
Thakur et al. Digitalization of livestock farms through blockchain, big data, artificial intelligence, and Internet of Things
Upadhyay et al. Phenomics in livestock research: Bottlenecks and promises of digital phenotyping and other quantification techniques on a global scale

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right