KR102251643B1 - 딥러닝 기반 예측 모델에 기초한, 산유량, 목표 산유량 달성을 위한 tmr 영양 조성, 목표 비용 달성을 위한 tmr 영양 조성 예측 방법 - Google Patents
딥러닝 기반 예측 모델에 기초한, 산유량, 목표 산유량 달성을 위한 tmr 영양 조성, 목표 비용 달성을 위한 tmr 영양 조성 예측 방법 Download PDFInfo
- Publication number
- KR102251643B1 KR102251643B1 KR1020190053657A KR20190053657A KR102251643B1 KR 102251643 B1 KR102251643 B1 KR 102251643B1 KR 1020190053657 A KR1020190053657 A KR 1020190053657A KR 20190053657 A KR20190053657 A KR 20190053657A KR 102251643 B1 KR102251643 B1 KR 102251643B1
- Authority
- KR
- South Korea
- Prior art keywords
- intake
- date
- cattle
- target
- information
- Prior art date
Links
- 235000013336 milk Nutrition 0.000 title claims abstract description 160
- 239000008267 milk Substances 0.000 title claims abstract description 160
- 210000004080 milk Anatomy 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013135 deep learning Methods 0.000 title claims description 14
- 241000283690 Bos taurus Species 0.000 claims abstract description 191
- 238000004519 manufacturing process Methods 0.000 claims abstract description 168
- 238000004891 communication Methods 0.000 claims abstract description 77
- 230000002503 metabolic effect Effects 0.000 claims abstract description 48
- 244000144972 livestock Species 0.000 claims abstract description 38
- 235000018823 dietary intake Nutrition 0.000 claims abstract description 31
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims abstract description 24
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims abstract description 24
- 239000011575 calcium Substances 0.000 claims abstract description 24
- 229910052791 calcium Inorganic materials 0.000 claims abstract description 24
- 235000019577 caloric intake Nutrition 0.000 claims abstract description 24
- 239000011574 phosphorus Substances 0.000 claims abstract description 24
- 229910052698 phosphorus Inorganic materials 0.000 claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 24
- 235000021075 protein intake Nutrition 0.000 claims abstract description 23
- 239000000203 mixture Substances 0.000 claims description 88
- 235000016709 nutrition Nutrition 0.000 claims description 75
- 238000009304 pastoral farming Methods 0.000 claims description 66
- 230000035764 nutrition Effects 0.000 claims description 19
- 235000015097 nutrients Nutrition 0.000 claims description 18
- 235000021316 daily nutritional intake Nutrition 0.000 claims description 12
- 238000002156 mixing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 235000020247 cow milk Nutrition 0.000 claims 1
- 235000006286 nutrient intake Nutrition 0.000 abstract description 3
- 239000004615 ingredient Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 239000002994 raw material Substances 0.000 description 4
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000035606 childbirth Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 235000019764 Soybean Meal Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000012041 food component Nutrition 0.000 description 1
- 239000004463 hay Substances 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000004455 soybean meal Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23N—MACHINES OR APPARATUS FOR TREATING HARVESTED FRUIT, VEGETABLES OR FLOWER BULBS IN BULK, NOT OTHERWISE PROVIDED FOR; PEELING VEGETABLES OR FRUIT IN BULK; APPARATUS FOR PREPARING ANIMAL FEEDING- STUFFS
- A23N17/00—Apparatus specially adapted for preparing animal feeding-stuffs
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23N—MACHINES OR APPARATUS FOR TREATING HARVESTED FRUIT, VEGETABLES OR FLOWER BULBS IN BULK, NOT OTHERWISE PROVIDED FOR; PEELING VEGETABLES OR FRUIT IN BULK; APPARATUS FOR PREPARING ANIMAL FEEDING- STUFFS
- A23N17/00—Apparatus specially adapted for preparing animal feeding-stuffs
- A23N17/007—Apparatus specially adapted for preparing animal feeding-stuffs for mixing feeding-stuff components
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06N3/0454—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Animal Husbandry (AREA)
- Polymers & Plastics (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Environmental Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Fodder In General (AREA)
- Feeding And Watering For Cattle Raising And Animal Husbandry (AREA)
- Feed For Specific Animals (AREA)
Abstract
통신망을 통해 외부와 통신하는 축산 농가 관리 서버에 의해 수행되는 산유량 예측 방법이 제공된다. 본 개시의 산유량 예측 방법은, 상기 통신망을 통하여, 기준 일자에서 소급하여 과거 p개월(p는 2 이상의 정수) 이전 일자부터 상기 기준 일자까지 누적된 n개(n은 2 이상의 정수)의 데이터 세트를 수신- 상기 n개의 데이터 세트의 각 데이터 세트는, 상기 과거 p개월 이전 일자와 상기 기준 일자 중간의 각 특정 일자를 기준으로 한, 관리 대상 소의 상태 정보 데이터, 상기 관리 대상 소의 영양 섭취 데이터, 및 주변 상태 데이터를 포함함 -하는 단계, 및 제1 예측 모델을 기초로, 상기 수신된 데이터 세트를 적용하여, 상기 기준 일자부터 이후 q개월(q는 1 이상의 정수) 동안 상기 관리 대상 소에 대해 기대할 수 있는 우유 생산량을 예측하는 단계를 포함한다. 상기 관리 대상 소의 상태 정보 데이터는, 상기 관리 대상 소의 생년월일 또는 월령과, 상기 특정 일자에서의 산후 주차를 포함하고, 상기 관리 대상 소의 영양 섭취 데이터는, 상기 특정 일자에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함하며, 상기 주변 상태 데이터는, 상기 특정 일자의 평균 기온 및 평균 습도 정보를 포함한다.
Description
본 개시는, 딥러닝 기반 예측 모델에 기초하여, 축산 농가 젖소의 향후 산유량을 예측하는 방법에 관한 것이다. 본 개시는 또한 딥러닝 기반 예측 모델에 기초하여, 축산 농가 젖소를 위한, 미리 정해진 목표 산유량이 있는 경우 그 목표 산유량 달성을 위한 영양 조성을 예측하고, 나아가 그 영양 조성을 구성하기 위한 최소 비용의 TMR 사료 조합을 제안하는 방법에 관한 것이다. 본 개시는 또한 딥러닝 기반 학습 모델에 기초하여, 축산 농가 젖소에 대해, 미리 정해진 목표 비용이 있는 경우 그 목표 비용 범위 내에서 해당 젖소로부터 기대되는 최대의 산유량과 그 최대 산유량 달성을 위한 해당 젖소를 위한 영양 조성을 예측하고, 나아가 그 영양 조성을 구성하기 위한 최소 비용의 TMR 사료 조합을 제안하는 방법에 관한 것이다.
젖소 사육 농가의 수익은 산유량과 사료 비용에 의해 크게 좌우되며, 산유량은 젖소의 섭취 영양 조성(사료 조성)에 의해 크게 영향을 받는다. 따라서, 각 농가는 현재 사육 중인 각 젖소의 향후 산유량이 어떻게 될 것인지 예측하기를 원하기도 하고, 각 젖소의 산유량을 늘리기 위해서는 어떠한 조성의 사료를 먹이는 것이 필요할 지에 대해 알고 싶어 하기도 한다.
그러나, 종래에는, 개별 젖소의 상태에 대한 고려 없이, 산유량 증산을 위한 일반적인 TMR 사료 조성에 관한 정보 만이 알려져 있을 뿐, 개별 젖소의 상태나 축사 환경 등에 최적화된 산유량 예측 및 산유량 증산을 위한 TMR 사료 조성 등을 제안하는 방법 등은 마련되어 있지 않았다.
따라서, 개별 젖소의 상태 정보 및 기타 축사 주변 환경 정보 등에 기반하여 개별 젖소의 향후 산유량을 예측하거나 개별 젖소에 최적화된 TMR 사료 조성을 제안하는 방법의 제공이 필요로 된다.
본 개시의 일 특징에 의하면, 통신망을 통해 외부와 통신하는 축산 농가 관리 서버에 의해 수행되는 산유량 예측 방법이 제공된다. 본 개시의 산유량 예측 방법은, 상기 통신망을 통하여, 기준 일자에서 소급하여 과거 p개월(p는 2 이상의 정수) 이전 일자부터 상기 기준 일자까지 누적된 n개(n은 2 이상의 정수)의 데이터 세트를 수신- 상기 n개의 데이터 세트의 각 데이터 세트는, 상기 과거 p개월 이전 일자와 상기 기준 일자 중간의 각 특정 일자를 기준으로 한, 관리 대상 소의 상태 정보 데이터, 상기 관리 대상 소의 영양 섭취 데이터, 및 주변 상태 데이터를 포함함 -하는 단계, 및 제1 예측 모델을 기초로, 상기 수신된 데이터 세트를 적용하여, 상기 기준 일자부터 이후 q개월(q는 1 이상의 정수) 동안 상기 관리 대상 소에 대해 기대할 수 있는 우유 생산량을 예측하는 단계를 포함한다. 상기 관리 대상 소의 상태 정보 데이터는, 상기 관리 대상 소의 생년월일 또는 월령과, 상기 특정 일자에서의 산후 주차를 포함하고, 상기 관리 대상 소의 영양 섭취 데이터는, 상기 특정 일자에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함하며, 상기 주변 상태 데이터는, 상기 특정 일자의 평균 기온 및 평균 습도 정보를 포함한다.
본 개시의 일 실시예에 의하면, 상기 누적된 n개의 데이터 세트를 수신하는 단계는, 상기 통신망을 통하여 통신 가능한 축산 농가 단말로부터, 상기 각 데이터 세트를 수신하는 단계, 및 상기 수신된 각 데이터 세트를 누적하여 저장하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 상기 제1 예측 모델은, LSTM(Long-Short-Term Memory) RNN(Recurrent Neural Network) 알고리즘에 따르며, 복수의 소 각각에 관한 복수의 산유량 데이터 세트를 이용한 훈련에 의해 생성된 것일 수 있다/. 각 대응 소에 관한 상기 복수의 산유량 데이터 세트는, 시계열상의 복수의 기준일 각각에서 획득된, 상기 대응 소의 상태 정보 데이터, 상기 대응 소의 영양 섭취 데이터, 주변 상태 데이터, 및 상기 기준일 이후 소정 기간 동안 누적된 상기 대응 소의 산유량 이력 데이터를 포함하며, 상기 대응 소의 상태 정보 데이터는, 상기 대응 소의 생년월일 또는 월령과, 상기 기준일에서의 산후 주차를 포함하고, 상기 대응 소의 영양 섭취 데이터는, 상기 기준일에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함하며, 상기 주변 상태 데이터는, 상기 기준일의 평균 기온 및 평균 습도 정보를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 상기 p 및 상기 q에 따라, 상기 LSTM RNN 알고리즘의 셀 개수가 조정될 수 있다.
본 개시의 일 실시예에 의하면, 방법은, 상기 통신망을 통해, 상기 통신망에 연결된 축산 농가 단말로부터, 상기 관리 대상 소에 관한 산유량 예측 요청을 수신하는 단계, 및 상기 관리 대상 소에 관하여, 상기 예측된 상기 우유 생산량을 상기 축산 농가 단말로 통지하는 단계를 더 포함할 수 있다.
본 개시의 다른 특징에 의하면, 통신망을 통해 외부와 통신하는 축산 농가 관리 서버에 의해 수행되는 목표 산유량 달성을 위한 TMR 제안 방법이 제공된다. 본 개시의 방법은, 상기 통신망을 통하여 축산 농가 단말로부터, 기준 일자에서의 관리 대상 소의 상태 정보- 상기 관리 대상 소의 상태 정보는, 상기 관리 대상 소의 생년월일 또는 월령, 품종, 및 상기 기준 일자에서의 산후 주차를 포함함 -를 수신하는 단계, 상기 통신망을 통하여 외부로부터 주변 상태 정보- 상기 주변 상태 정보는 상기 기준 일자의 평균 기온 및 평균 습도 정보를 포함함 -를 수신하는 단계, 상기 통신망을 통하여 상기 축산 농가 단말로부터, 목표 산유량 정보를 수신하는 단계, 및 제2 예측 모델을 기초로, 상기 관리 대상 소의 상태 정보, 상기 주변 상태 정보, 및 상기 목표 산유량 정보를 적용해서, 상기 목표 산유량을 달성하기 위한 영양 조성을 예측하는 단계- 상기 예측되는 영양 조성은, 목표 건물섭취량, 목표 수분섭취량, 목표 대사에너지 섭취량, 목표 대사단백질 섭취량, 목표 MET 섭취량, 목표 LYS 섭취량, 목표 칼슘 섭취량, 및 목표 인 섭취량을 포함함 -를 포함한다.
본 개시의 일 실시예에 의하면, 방법은 상기 통신망을 통하여 상기 축산 농가 단말로부터, 상기 관리 대상 소에 관한, 상기 기준 일자에서의 일일 영양 섭취량- 상기 일일 영양 섭취량은, 상기 관리 대상 소의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함함 - 및 상기 기준 일자의 산유량 정보를 수신하는 단계를 더 포함할 수 있다. 또한 상기 목표 산유량을 달성하기 위한 영양 조성을 예측하는 단계는, 상기 제2 예측 모델을 기초로, 상기 관리 대상 소의 상태 정보, 상기 주변 상태 정보, 상기 목표 산유량 정보, 상기 관리 대상 소의 일일 영양 섭취량 및 상기 기준 일자의 산유량 정보를 적용해서, 상기 목표 산유량을 달성하기 위한 영양 조성을 예측하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 방법은, 상기 축산 농가 단말로부터 n개(n은 6 이상의 정수)의 사료 종류를 수신하는 단계, 미리 준비된 사료 영양/단가표를 참조하여, 상기 수신된 n개의 사료 종류 중에서 선택된 소정 수의 사료를 이용한, 상기 예측된 영양 조성을 달성하기 위한 최소 비용의 사료 조합- 상기 사료 조합은, 상기 소정 수의 사료 종류와 각 사료 종류의 배합함량(%)을 포함함 -을 구성하는 단계, 및 상기 통신망을 통하여, 상기 구성된 사료 조합을, 상기 축산 농가 단말에 제공하는 단계를 더 포함할 수 있다.
본 개시의 일 실시예에 의하면, 상기 제2 예측 모델은, 복수의 소 각각에 관한 복수의 산유량 데이터 세트를 이용한 딥러닝 알고리즘에 따른 훈련에 의해 생성된 모델이고, 상기 복수의 산유량 데이터 세트 각각은, 특정 일자를 기준으로 한 각 대응 소의 상태 정보, 주변 상태 정보, 상기 대응 소의 영양 섭취량, 및 상기 대응 소의 산유량 정보를 포함하고, 상기 대응 소의 상태 정보는, 상기 대응 소의 생년월일 또는 월령과, 상기 특정 일자에서의 산후 주차를 포함하고, 상기 대응 소의 영양 섭취량은, 상기 특정 일자에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함하며, 상기 주변 상태 데이터는, 상기 특정 일자의 평균 기온 및 평균 습도 정보를 포함할 수 있다.
본 개시의 또 다른 특징에 의하면, 통신망을 통해 외부와 통신하는 축산 농가 관리 서버에 의해 수행되는 최대 산유량 달성을 위한 TMR 제안 방법이 제공된다. 본 개시의 방법은, 상기 통신망을 통하여 상기 축산 농가 단말로부터, 기준 일자에서의 관리 대상 소의 상태 정보- 상기 관리 대상 소의 상태 정보는, 상기 관리 대상 소의 생년월일 또는 월령, 품종, 및 상기 기준 일자에서의 산후 주차를 포함함 -를 수신하는 단계, 상기 통신망을 통하여 외부로부터 주변 상태 정보- 상기 주변 상태 정보는 상기 기준 일자의 평균 기온 및 평균 습도 정보를 포함함 -를 수신하는 단계, 상기 통신망을 통하여 상기 축산 농가 단말로부터, 목표 비용 정보를 수신하는 단계, 및 제3 예측 모델을 기초로, 상기 관리 대상 소의 상태 정보, 상기 주변 상태 정보, 및 상기 목표 비용 정보를 적용해서, 상기 목표 비용 범위 내에서 달성 가능한 최대 산유량 및 상기 최대 산유량 달성을 위한 영양 조성을 예측하는 단계- 상기 예측되는 영양 조성은, 목표 건물섭취량, 목표 수분섭취량, 목표 대사에너지 섭취량, 목표 대사단백질 섭취량, 목표 MET 섭취량, 목표 LYS 섭취량, 목표 칼슘 섭취량, 및 목표 인 섭취량을 포함함 -를 포함한다.
본 개시의 일 실시예에 의하면, 상기 통신망을 통하여 상기 축산 농가 단말로부터, 상기 관리 대상 소에 관한, 상기 기준 일자에서의 일일 영양 섭취량- 상기 일일 영양 섭취량은, 상기 관리 대상 소의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함함 - 및 상기 기준 일자에서의 산유량 정보를 수신하는 단계를 더 포함하고, 상기 목표 비용 범위 내에서 달성 가능한 최대 산유량 및 상기 최대 산유량 달성을 위한 영양 조성을 예측하는 단계는, 상기 제3 예측 모델을 기초로, 상기 관리 대상 소의 상태 정보, 상기 주변 상태 정보, 상기 목표 비용 정보, 상기 관리 대상 소의 일일 영양 섭취량 및 상기 기준 일자의 산유량 정보를 적용해서, 상기 최대 산유량 및 상기 최대 산유량 달성을 위한 영양 조성을 예측하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 방법은, 상기 축산 농가 단말로부터 n개(n은 6 이상의 정수)의 사료 종류를 수신하는 단계, 미리 준비된 사료 영양/단가표를 참조하여, 상기 수신된 n개의 사료 종류 중에서 선택된 소정 수의 사료를 이용한, 상기 예측된 영양 조성을 달성하기 위한 최소 비용의 사료 조합- 상기 사료 조합은, 상기 소정 수의 사료 종류와 각 사료 종류의 배합함량(%)을 포함함 -을 구성하는 단계, 및 상기 통신망을 통하여, 상기 구성된 사료 조합을, 상기 축산 농가 단말에 제공하는 단계를 더 포함할 수 있다.
본 개시의 일 실시예에 의하면, 상기 제3 예측 모델은, 복수의 소 각각에 관한 복수의 산유량 데이터 세트를 이용한 딥러닝 알고리즘에 따른 훈련에 의해 생성된 모델이고, 상기 복수의 산유량 데이터 세트 각각은, 특정 일자를 기준으로 한 각 대응 소의 상태 정보, 주변 상태 정보, 상기 대응 소의 영양 섭취량, 및 상기 대응 소의 산유량 정보를 포함하고, 상기 대응 소의 상태 정보는, 상기 대응 소의 생년월일 또는 월령과, 상기 특정 일자에서의 산후 주차를 포함하고, 상기 대응 소의 영양 섭취량은, 상기 특정 일자에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함하며, 상기 주변 상태 데이터는, 상기 특정 일자의 평균 기온 및 평균 습도 정보를 포함할 수 있다.
본 개시의 실시예에 의한 방법에 따르면, 개별 젖소의 상태 정보 및 기타 온도나 습도 등 축사 주변의 환경 정보 등에 기반하여 개별 젖소에 맞춤화된 향후 산유량을 예측하거나 개별 젖소에 최적화된 TMR 사료 조성을 제안하는 방법이 제공된다. 본 개시의 방법에 의하면, 현재의 주어진 환경 하에서 현재의 영양 섭취 상태를 유지할 경우 얻을 수 있는 산유량을 예측할 수 있을 뿐 아니라, 목표 산유량이 정해진 경우에는 그 목표 산유량 달성을 위해 어떠한 영양 조성을 섭취시킬 것인가와 더 나아가 최저 비용의 범위에서 어떠한 TMR 사료 조합으로 그러한 영양 조성을 달성할 것인가의 정보를 제공할 수 있다. 본 개시의 방법에 의하면, 또한, 미리 정해진 목표 비용이 있는 경우 그 목표 비용 범위 내에서 해당 젖소로부터 기대되는 최대의 산유량과 그 최대 산유량 달성을 위한 해당 젖소에게 어떠한 영양 조성을 섭취시킬 것인가와 더 나아가 최저 비용의 범위에서 어떠한 TMR 사료 조합으로 그러한 영양 조성을 달성할 것인가의 정보를 제공할 수 있다.
따라서, 본 개시에 의하면, 개별 젖소의 특징이나 주변 환경 특징을 반영하여 각 젖소에 최적화된 영양 조성 및 제공함으로써 산유량의 극대화를 도모하고 축산 농가의 수익 증대를 도모할 수 있다. 본 개시에 의하면, 축산 농가는, 전체 유유 생산량 계획을 수립하고 농가 소득을 미리 예측할 수 있게 되어, 효율적 농가 운영을 도모할 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(130)의 예시적 기능 구성을 도시한 기능 블록도이다.
도 3은, 도 1의 축산 농가 단말(120)의 예시적 기능 구성을 도시한 기능 블록도이다.
도 4는, 본 개시의 일 실시예에 따라, 도 2의 축산 농가 단말(120)의 표시부(330) 상에 표시될 수 있는 예시적 시뮬레이션 화면을 도시한 도면이다.
도 5는, 본 개시의 일 실시예에 따른 축산 농가 관리 서버(130)의 각 기능 별 입출력 및 활용 방안을 전반적으로 도시한 도면이다.
도 2는, 도 1의 축산 농가 관리 서버(130)의 예시적 기능 구성을 도시한 기능 블록도이다.
도 3은, 도 1의 축산 농가 단말(120)의 예시적 기능 구성을 도시한 기능 블록도이다.
도 4는, 본 개시의 일 실시예에 따라, 도 2의 축산 농가 단말(120)의 표시부(330) 상에 표시될 수 있는 예시적 시뮬레이션 화면을 도시한 도면이다.
도 5는, 본 개시의 일 실시예에 따른 축산 농가 관리 서버(130)의 각 기능 별 입출력 및 활용 방안을 전반적으로 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, 복수의 축산 농가 단말(110), 통신망(120), 및 축산 농가 관리 서버(130)를 포함한다.
본 개시의 일 실시예에 의하면, 복수의 축산 농가 단말(110) 각각은, 축산 농가 관리자를 위한 단말로서, 유선 또는 무선 통신 기능을 구비한 임의의 사용자 전자 장치일 수 있다. 본 도면에서는, 3개의 축산 농가 단말(110)이 도시되어 있으나 본 개시가 이로써 제한되는 것은 아니다. 각 축산 농가 단말(110)은, 예컨대 스마트 폰, 태블릿 PC, 데스크탑, 랩탑, PDA, 디지털 TV 등을 포함한 다양한 유선 또는 무선 통신 단말일 수 있으며, 특정 형태로 제한되지 않음을 알아야 한다.
본 개시의 일 실시예에 의하면, 농가 관리자는, 축산 농가 단말(110)을 통해, 해당 축산 농가에서 사육 중인 각 젖소에 관련된 정보를 입력 및 저장/관리할 수 있다. 본 개시의 일 실시예에 의하면, 예컨대 축산 농가 단말(110) 상에서, 해당 농가에서 사육 중인 각 젖소에 관한 상태 정보 데이터, 예컨대 각 젖소의 생년월일(월령), 품종, 산후 주차(출산 후 몇주가 지났는가) 등(그러나 이로써 제한되는 것은 아님)가 입력 및 저장될 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(110) 상에서, 예컨대 해당 축산 농가의 축사 주변 환경 정보 데이터, 예컨대 평균 기온이나 평균 습도 정보 등이 입력 및 저장될 수 있으며, 다만 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(110)을 통해, 해당 축산 농가에서 사육 중인 각 젖소에 관한 영양 섭취 정보(예컨대, TMR 사료 조성, 즉 각 원료 사료 의 종류 및 함량 정보, 섭취량, 그에 포함된 영양 조성 정보 등을 포함할 수 있으며, 이로써 제한되는 것은 아님) 및 산유량 정보(예컨대, 일일 산유량)가 입력 및 저장/관리할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(110) 상에 입력된 이러한 각 젖소의 영양 섭취 정보 및 산유량 정보는 시계열적으로 계속 누적 저장되고 관리될 수 있다.
본 개시의 일 실시예에 의하면, 축산 농가 단말(110)은, 통신망(120)을 통해서, 축산 농가 관리 서버(130)와 통신, 즉 필요한 정보를 송수신할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(110)은, 통신망(120)을 통해, 해당 농가에서 사육 중인 각 젖소의 상태 및 환경에 관련된 정보, 예컨대 각 젖소의 나이 및 산후 주차 정보, 기온이나 습도 정보, 각 젖소의 영양 섭취 정보 및 산유량 정보 등의 각종 정보를 축산 농가 관리 서버(130)로 전송할 수 있고, 축산 농가 관리 서버(130)로부터 해당 젖소에 관련된 예측 정보, 예컨대 산유량 예측 정보나 목표 산유량 달성을 위한 영양 조성 정보, 비용 최적의 TMR 사료 조합 정보 등을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(110)은, 축산 농가 관리 서버(130)로부터 수신된 각종 정보들을 디스플레이를 통해 표시할 수 있다.
본 개시의 일 실시예에 의하면, 통신망(120)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(120)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(130)는, 젖소의 산유량을 예측하는데 이용될 수 있는 산유량 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(130)는, 임의의 다양한 방법으로 수집된 젖소 관련 시계열적 누적 빅데이터 정보, 예컨대 시계열적으로 누적된 상태 정보 데이터(예컨대, 젖소의 월령 및 산후 주차 등), 영양 섭취 데이터(예컨대, 각 주요 영양소의 섭취량 등), 주변 상태 데이터(예컨대, 기온 및 습도 정보 등), 및 시계열적 산유량 정보 등을 포함하는 빅데이터 정보에 기초하여, 순환 신경망 방식에 따라 구축된 산유량 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 산유량 예측 모델은, LSTM RNN 알고리즘에 기초하여 구축된 모델일 수 있다.
본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(130)는, 또한, 젖소의 목표 산유량이 정해진 경우, 그 목표 산유량을 달성하기 위한 영양 조성을 예측할 수 있는 영양 조성 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(130)는, 임의의 다양한 방법으로 수집된 젖소 관련 빅데이터 정보, 예컨대 상태 정보 데이터(예컨대, 젖소의 월령 및 산후 주차 등), 영양 섭취 데이터(예컨대, 각 주요 영양소의 섭취량 등), 주변 상태 데이터(예컨대, 기온 및 습도 정보 등), 및 산유량 정보 등을 포함하는 빅데이터 정보에 기초하여, 딥러닝 방식에 따라 구축된 영양 조성 예측 모델을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(130)는, 또한, 목표 사육 비용(예컨대, 목표 일일 사료비용 등)이 정해진 경우, 그 목표 사육 비용의 범위에서 달성 가능한 최대 산유량을 예측할 수 있는 최대 산유량 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(130)는, 임의의 다양한 방법으로 수집된 젖소 관련 빅데이터 정보, 예컨대 상태 정보 데이터(예컨대, 젖소의 월령 및 산후 주차 등), 영양 섭취 데이터(예컨대, 각 주요 영양소의 섭취량 등), 주변 상태 데이터(예컨대, 기온 및 습도 정보 등), 및 산유량 정보 등을 포함하는 빅데이터 정보에 기초하여, 딥러닝 방식에 따라 구축된 최대 산유량 예측 모델을 포함할 수 있다.
도 2는, 도 1에 도시된 축산 농가 관리 서버(130)의 예시적 기능 구성을 도시한 기능 블록도이다. 도시된 바에 의하면, 축산 농가 관리 서버(130)는, 통신부(210), 산유량 예측부(220), 목표 산유량 기반 영양 조성 예측부(230), 사료 영양/단가표(240), 최소 비용 사료 조합 결정부(250), 및 목표 비용 기반 최대 산유량 및 영양 조성 예측부(260)를 포함한다.
본 개시의 일 실시예에 의하면, 통신부(210)는, 축산 농가 관리 서버(130)가, 통신망(120)을 통해 외부와 통신할 수 있도록 지원할 수 있다. 본 개시의 일 실시예에 의하면, 통신부(210)는, 소정의 프로토콜에 따라 통신망(120)으로부터 데이터를 수신할 수 있고, 통신망(120)을 통하여 축산 농가 관리 서버(130)로부터 외부로 데이터가 전송되도록 하기 위해 필요한 절차를 수행할 수 있다.
본 개시의 일 실시예에 의하면, 산유량 예측부(220)는, 산유량 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 산유량 예측 모델은, 다양한 방식에 의해 획득된 수 많은 젖소 관련 데이터에 기초한 순환 신경망 방식, 특히 RNN(Recurrent Neural Network) LSTM(Long-Short-Term Memory) 알고리즘에 따른 학습에 의해 생성된 것일 수 있다. 당업자라면, 주지하듯이 LSTM RNN 알고리즘은, 시계열적으로 누적된 입력 데이터 중 소정 범위 내의 과거 데이터가 망각되지 않고 결과에 영향을 미치도록 하기 위한 모델이다. 본 개시의 일 실시예에 의하면, 산유량 예측 모델은, 많은 수의 젖소에 관한 시계열적 누적 데이터 세트로서, 예컨대 각각의 데이터 세트는, 주어진 젖소에 관하여, 시계열상 복수의 기준일 각각에서 획득된, 해당 젖소의 상태 정보 데이터(예컨대, 그 기준일 상의 젖소의 월령 및 산후 주차 등), 해당 젖소의 영양 섭취 데이터(예컨대, 그 기준일에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량 등 각 주요 영양소의 섭취량 등), 주변 상태 데이터(예컨대, 그 기준일의 평균 기온 및 습도 정보 등), 및 시계열적 산유량 정보 등을 포함하는 빅데이터 정보를 이용한 학습에 의해 생성된 것일 수 있다. 본 개시의 일 실시예에 의하면, 산유량 예측 모델은, 과거 p개월에 걸친 누적 데이터에 기초하여 향후 q개월 동안의 산유량 값을 예측함에 있어서, 그 p 기간 및 q 기간의 길이에 따라 정해지는 메모리 셀 개수를 가질 수 있다.
본 개시의 일 실시예에 의하면, 산유량 예측부(220)는, 통신망(120) 및 통신부(210)를 통하여 축산 농가 단말(110)로부터 수신된 소정 젖소에 관한 산유량 예측 요청과 함께, 해당 젖소에 관련된 소정 기간 동안의 누적 데이터 세트, 예컨대 과거 소정 기간 이전부터 현재에 이르기까지 중간에 속한 임의의 일자에서 각각 획득한 데이터 세트들(예컨대, 지난 7개월 동안 매월 같은 날을 기준으로 획득한 7개의 데이터 세트들 등일 수 있으나, 단지 예시일 뿐 본 개시가 이로써 제한되는 것은 아님)을 수신할 수 있다. 그 누적 데이터 세트에 속한 각 데이터 세트는, 각 주어진 날짜에서의 해당 젖소의 상태 정보 데이터(예컨대, 그 날짜에서의 해당 젖소의 월령 및 산후 주차 등), 해당 젖소의 영양 섭취 데이터(예컨대, 그 날짜에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량 등 각 주요 영양소의 섭취량 등), 및 주변 상태 데이터(예컨대, 그 날짜의 평균 기온 및 습도 정보 등)를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 산유량 예측부(220)는, 수신된 누적 데이터 세트를 산유량 예측 모델에 적용함으로써, 해당 젖소에 관한 향후 소정 기간(예컨대, 향후 2개월 등) 동안의 시계열적 산유량 흐름을 예측할 수 있다.
본 개시의 일 실시예에 의하면, 목표 산유량 기반 영양 조성 예측부(230)는, 목표 산유량 기반 영양 조성 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 목표 산유량 기반 영양 조성 예측 모델은, 다양한 방식에 의해 획득된 수 많은 젖소 관련 데이터에 기초하여 딥러닝 알고리즘에 따른 학습에 의해 생성된 것일 수 있다.
본 개시의 일 실시예에 의하면, 목표 산유량 기반 영양 조성 예측 모델은, 임의의 다양한 방법으로 수집된 젖소 관련 빅데이터 정보, 예컨대 상태 정보 데이터(예컨대, 특정 일자를 기준으로 한 젖소의 월령 및 산후 주차 등), 영양 섭취 데이터(예컨대, 그 특정 일자에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량 등 각 주요 영양소의 섭취량 등), 주변 상태 데이터(예컨대, 그 특정 일자의 평균 기온 및 습도 정보 등), 및 산유량 정보 등을 포함하는 빅데이터 정보에 기초하여, 딥러닝 방식에 따라 구축된 예측 모델일 수 있다.
본 개시의 일 실시예에 의하면, 목표 산유량 기반 영양 조성 예측부(230)는, 통신망(120) 및 통신부(210)를 통하여 축산 농가 단말(110)로부터 수신된 소정 젖소에 관한 목표 산유량 정보와 함께, 해당 젖소에 관한 상태 정보(예컨대, 해당 젖소의 월령 또는 생년월일, 품종, 및 산후 주차 등), 및 주변 상태 정보(예컨대, 해당 축산 농가의 평균 기온 및 평균 습도 정보 등) 등을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 목표 산유량 기반 영양 조성 예측부(230)는, 축산 농가 단말(110)로부터 수신된 전술한 소정 젖소 관련 정보와 목표 산유량 정보를 위 목표 산유량 기반 영양 조성 예측 모델에 적용하여, 위 목표 산유량 달성을 위해 필요한 영양 조성을 예측할 수 있다. 본 개시의 일 실시예에 의하면, 목표 산유량 기반 영양 조성 예측부(230)에 의해 예측되는 영양 조성은, 예컨대 목표 건물섭취량, 목표 수분섭취량, 목표 대사에너지 섭취량, 목표 대사단백질 섭취량, 목표 MET 섭취량, 목표 LYS 섭취량, 목표 칼슘 섭취량, 및 목표 인 섭취량을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 사료 영양/단가표(240)는, 젖소를 위한 상용 사료 원료들(예컨대, 옥수수, 콩, 옥수수사일리, 티모시건초, 석회석, 대두박 등 200여가지 사료원료들) 각각마다에 관한 각 영양 성분 함량 정보 및 단가를 포함하는 데이터베이스일 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(130)는, 소정 주기로 외부로부터 수신된 정보에 기초하여 사료 영양/단가표(240)를 갱신할 수 있다.
본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)는, 전술한 목표 산유량 기반 영양 조성 예측부(230)로부터 획득된 영양 조성 예측 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)는, 사료 영양/단가표(240)를 참조하여, 위 영양 조성 예측 정보를 달성하기 위한 최소 비용의 사료 조합을 제공할 수 있다, 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)는, 통신망(120) 및 통신부(210)를 통하여 축산 농가 단말(110)로부터 선호하는 몇 가지 사료 원료들(예컨대, 주로 사용하는 소정 수의 사료 원료들)의 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)는, 전술한 바와 같이, 사료 영양/단가표(240)를 참조하여, 위 수신된 소정 수의 사료 원료들 중에서 선택된 소정 수의 사료를 이용하여, 위 예측된 영양 조성을 달성하기 위한 최소 비용의 사료 조합을 제공할 수 있다. 최소 비용 사료 조합 결정부(250)에 의해 제공되는 사료 조합은, 각 사료 종류와 각각의 사료 종류의 배합함량(%)을 포함하는 정보일 수 있다. 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)에 의하여 결정된 사료 조합의 정보는, 통신부(210) 및 통신망(120)을 통하여, 축산 농가 단말(110)로 전송될 수 있다.
본 개시의 일 실시예에 의하면, 목표 비용 기반 최대 산유량 및 영양 조성 예측부(260)는, 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측 모델은, 다양한 방식에 의해 획득된 수 많은 젖소 관련 데이터에 기초하여 딥러닝 알고리즘에 따른 학습에 의해 생성된 것일 수 있다.
본 개시의 일 실시예에 의하면, 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측 모델은, 임의의 다양한 방법으로 수집된 젖소 관련 빅데이터 정보, 예컨대 상태 정보 데이터(예컨대, 특정 일자를 기준으로 한 젖소의 월령 및 산후 주차 등), 영양 섭취 데이터(예컨대, 그 특정 일자에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량 등 각 주요 영양소의 섭취량 등), 주변 상태 데이터(예컨대, 그 특정 일자의 평균 기온 및 습도 정보 등), 및 산유량 정보 등을 포함하는 빅데이터 정보에 기초하여, 딥러닝 방식에 따라 구축된 예측 모델일 수 있다.
본 개시의 일 실시예에 의하면, 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측부(250)는, 통신망(120) 및 통신부(210)를 통하여 축산 농가 단말(110)로부터 수신된 소정 젖소에 관한 목표 비용 정보와 함께, 해당 젖소에 관한 상태 정보(예컨대, 해당 젖소의 월령 또는 생년월일, 품종, 및 산후 주차 등), 및 주변 상태 정보(예컨대, 해당 축산 농가의 평균 기온 및 평균 습도 정보 등) 등을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측부(250)는, 축산 농가 단말(110)로부터 수신된 전술한 소정 젖소 관련 정보와 목표 비용 정보를 위 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측 모델에 적용하여, 위 목표 비용 범위 내에서 달성 가능한 최대 산유량 및 그 최대 산유량 달성을 위한 영양 조성을 예측할 수 있다. 본 개시의 일 실시예에 의하면, 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측부(250)에 의해 예측되는 영양 조성은, 예컨대 목표 건물섭취량, 목표 수분섭취량, 목표 대사에너지 섭취량, 목표 대사단백질 섭취량, 목표 MET 섭취량, 목표 LYS 섭취량, 목표 칼슘 섭취량, 및 목표 인 섭취량을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 전술한 최소 비용 사료 조합 결정부(250)는, 전술한 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측부(250)로부터 획득된 영양 조성 예측 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)는, 사료 영양/단가표(240)를 참조하여, 위 영양 조성 예측 정보를 달성하기 위한 최소 비용의 사료 조합을 제공할 수 있다, 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)는, 통신망(120) 및 통신부(210)를 통하여 축산 농가 단말(110)로부터 선호하는 몇 가지 사료 원료들(예컨대, 주로 사용하는 소정 수의 사료 원료들)의 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)는, 전술한 바와 같이, 사료 영양/단가표(240)를 참조하여, 위 수신된 소정 수의 사료 원료들 중에서 선택된 소정 수(예컨대 5개)의 사료를 이용하여, 위 예측된 영양 조성을 달성하기 위한 최소 비용의 사료 조합을 제공할 수 있다. 최소 비용 사료 조합 결정부(250)에 의해 제공되는 사료 조합은, 각 사료 종류와 각각의 사료 종류의 배합함량(%)을 포함하는 정보일 수 있다. 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)에 의하여 결정된 사료 조합의 정보는, 통신부(210) 및 통신망(120)을 통하여, 축산 농가 단말(110)로 전송될 수 있다.
도 3은, 도 1에 도시된 축산 농가 단말(110)의 예시적 기능 구성을 도시한 기능 블록도이다. 도시된 바에 의하면, 축산 농가 단말(110)은, 통신부(310), 데이터 입력부(320), 표시부(330) 및 이력 저장부(340)를 포함한다.
본 개시의 일 실시예에 의하면, 통신부(310)는, 축산 농가 단말(110)이, 통신망(120)을 통해 외부와 통신할 수 있도록 지원할 수 있다. 본 개시의 일 실시예에 의하면, 통신부(310)는, 소정의 프로토콜에 따라 통신망(120)으로부터 데이터를 수신할 수 있고, 통신망(120)을 통하여 축산 농가 단말(110)로부터 외부로 데이터가 전송되도록 필요한 절차를 수행할 수 있다.
본 개시의 일 실시예에 의하면, 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, 데이터 입력부(320)를 통해, 농가 관리자는, 해당 농가에서 사육 중인 각 젖소에 관련된 정보를 입력 및 저장/관리할 수 있다. 본 개시의 일 실시예에 의하면, 예컨대 데이터 입력부(320)를 통하여, 각 젖소에 관한 상태 정보 데이터, 예컨대 각 젖소의 생년월일(월령), 품종, 산후 주차(출산 후 몇주가 지났는가) 등(그러나 이로써 제한되는 것은 아님)가 입력 및 저장될 수 있다. 본 개시의 일 실시예에 의하면, 데이터 입력부(320)를 통하여, 예컨대 해당 축산 농가의 축사 환경 정보 데이터, 예컨대 평균 기온이나 평균 습도 정보 등이 입력 및 저장될 수 있으며, 다만 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 일 실시예에 의하면, 데이터 입력부(320)를 통해, 해당 축산 농가에서 사육 중인 각 젖소에 관한 영양 섭취 정보(예컨대, TMR 사료 조성, 즉 각 원료 사료 의 종류 및 함량 정보, 섭취량, 그에 포함된 영양 조성 정보 등을 포함할 수 있으며, 이로써 제한되는 것은 아님) 및 산유량 정보(예컨대, 일일 산유량)가 입력 및 저장/관리할 수 있다. 본 개시의 일 실시예에 의하면, 데이터 입력부(320) 상에 입력된 이러한 각 젖소의 상태 정보, 영양 섭취 정보 및 산유량 정보 등은 이력 저장부(340)에 시계열적으로 계속 누적 저장되고 관리될 수 있다.
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(120) 및 통신부(310)를 통하여 축산 농가 관리 서버(130)로부터 수신되는 각종 정보, 예컨대 전술한 축산 농가 관리 서버(130) 상에서 획득된 정보들, 예컨대 산유량 예측 값, 목표 산유량 기반 영양 조성, 목표 산유량 기반 영양 조성을 달성하기 위한 사료 조성(사료 원료 및 함량), 목표 비용 기반 최대 산유량 예측 값, 최대 산유량 예측 값 달성을 위한 영양 조성, 최대 산유량 예측 값 달성을 위한 영양 조성을 달성하기 위한 사료 조성 등을 수신 및 표시할 수 있다.
본 개시의 일 실시예에 의하면, 이력 저장부(340)는, 해당 농가에서 사육되는 각 젖소에 관련되어 획득된 정보, 예컨대 데이터 입력부(320)를 통해 입력된 젖소 상태 정보, 주변 상태 정보, 산유량 정보, 영양 섭취량 정보 등, 통신망(120) 및 통신부(210)를 통해 축산 농가 관리 서버(130)로부터 각종 정보, 예컨대 산유량 예측 값, 목표 산유량 기반 영양 조성, 목표 산유량 기반 영양 조성을 달성하기 위한 사료 조성(사료 원료 및 함량), 목표 비용 기반 최대 산유량 예측 값, 최대 산유량 예측 값 달성을 위한 영양 조성, 최대 산유량 예측 값 달성을 위한 영양 조성을 달성하기 위한 사료 조성 등을 누적하여 저장할 수 있다.
도 4는, 본 개시의 일 실시예에 따라, 도 2의 축산 농가 단말(120)의 표시부(330) 상에 표시될 수 있는 예시적 시뮬레이션 화면을 도시한 도면이다.
도시된 바에 의하면, 화면 좌측에는 현재의 영양 섭취량 및 산유량이 표시된 것을 알 수 있다. 화면 중앙부에는, 많은 수의 사료 원료들 가운데 농가 관리자가 선호하는 소정 수의 사료 원료들을 입력할 수 있는 부분이 표시되어 있고, 그 하단에는 2개의 작업 요청 버튼, 즉 최대 산유량 최적 TMR 배합 버튼(주어진 비용 범위에서 최대로 가능한 산유량 예측과 그에 맞는 영양 조성 및 최대 산유량 달성을 위한 최적의 사료 조합, 즉 TMR 조성을 요청하는 버튼)과, 최소 비용 및 최대 효과 TMR 버튼(주어진 목표 산유량 달성을 위한 영양 조성 및 최적의 사료 조합, 즉 TMR 조성을 요청하는 버튼)이 표시되어 있다.
본 개시의 일 실시예에 의하면, 농가 관리자는, 도 3의 화면 중앙부에서 선호하는 소정 수의 사료 원료들을 입력할 수 있고, 하단의 2개의 작업 요청 버튼 중 하나를 선택하고, 맨 아래 시뮬레이트 버튼을 선택할 수 있다. 본 개시의 일 실시예에 의하면, 농가 관리자가, 예컨대 2개의 작업 요청 버튼 중 위쪽의 최대 산유량 최적 TMR 배합 버튼을 선택하고 시뮬레이트 버튼을 선택한 경우, 축산 농가 단말(110)은, 축산 농가 관리 서버(130)로부터 미리 주어진 비용 범위 내에서 가능한 최대 산유량 예측 결과와 그에 맞는 영양 조성, 그리고 그 최대 산유량 달성을 위한 최적의 사료 조합 정보(본 개시의 일 실시예에 의하면, 사료 조합 정보는, 농가 관리자가 선택했던 사료 원료들 중에서 선택된 일부 사료 원료들에 의해 구성될 수 있음)을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 수신된 사료 조합 정보는, 도 3의 화면 중앙부의 상단의 각 사료 원료 옆의 급여량, 배합비, 및 배합비용 부분에 반영되어 표시될 수 있다. 도 3의 화면 우측에는, 시뮬레이션에 따른 결과, 예컨대 최대 산유량 예측 결과 및 영양 조성과, 비용 정보가 표시되어 있다. 도 4의 시뮬레이션 화면은 어디까지나 예시적인 것일 뿐이며, 본 개시가 이로써 제한되는 것은 아님을 알아야 한다.
도 5는, 본 개시의 일 실시예에 따른 축산 농가 관리 서버(130)의 각 기능 별 입출력 및 활용 방안을 전반적으로 도시한 도면이다. 도시된 바에 의하면, 축산 농가 관리 서버(130)의 전술한 각 기능 및 관련된 예시적 입력 및 출력 데이터와, 각 기능별 활용 방안을 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 (13)
- 통신망을 통해 외부와 통신하는 축산 농가 관리 서버에 의해 수행되는, 관리 대상 소에 관한 산유량 예측 방법으로서,
상기 통신망을 통하여, 기준 일자로부터 소급하여 과거 p개월(p는 2 이상의 정수) 이전 일자부터 상기 기준 일자까지 중에 누적된 n개(n은 2 이상의 정수)의 데이터 세트를 수신- 상기 n개의 데이터 세트의 각 데이터 세트는, 상기 과거 p개월 이전 일자와 상기 기준 일자 중간의 각 특정 일자를 기준으로 한, 상기 관리 대상 소의 상태 정보 데이터, 상기 관리 대상 소의 영양 섭취 데이터, 및 주변 상태 데이터를 포함함 -하는 단계, 및
제1 예측 모델을 기초로, 상기 수신된 데이터 세트를 적용하여, 상기 기준 일자부터 이후 q개월(q는 1 이상의 정수) 동안 상기 관리 대상 소에 대해 기대할 수 있는 우유 생산량을 예측하는 단계를 포함하고,
상기 특정 일자의 상기 관리 대상 소의 상기 상태 정보 데이터는, 상기 관리 대상 소의 생년월일 또는 상기 특정 일자에서의 상기 관리 대상 소의 월령과, 상기 특정 일자에서의 상기 관리 대상 소의 산후 주차를 포함하고,
상기 특정 일자의 상기 관리 대상 소의 영양 섭취 데이터는, 상기 특정 일자에서의 상기 관리 대상 소의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함하며,
상기 주변 상태 데이터는, 상기 특정 일자에서의 평균 기온 및 평균 습도 정보를 포함하고,
상기 제1 예측 모델은, LSTM(Long-Short-Term Memory) RNN(Recurrent Neural Network) 알고리즘에 따르며, 복수의 소들 각각에 관하여 획득된 복수의 산유량 데이터 세트를 이용한 훈련에 의해 생성된 것이고,
상기 복수의 소들 중의 각 소별로 획득된 상기 복수의 산유량 데이터 세트는, 시계열상에서 특정된 복수의 일자 각각을 기준으로 획득된, 상기 소의 상태 정보 데이터- 상기 소의 상태 정보 데이터는, 상기 소의 생년월일 또는 상기 일자에서의 상기 소의 월령과, 상기 일자에서의 상기 소의 산후 주차를 포함함 -, 상기 소의 영양 섭취 데이터- 상기 소의 영양 섭취 데이터는, 상기 일자에서의 상기 소의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함함 -, 상기 일자의 주변 상태 데이터- 상기 주변 상태 데이터는, 상기 일자에서의 평균 기온 및 평균 습도 정보를 포함함 -, 및 상기 일자 이후 소정 기간 동안 누적된 상기 소의 산유량 이력 데이터를 포함하는, 산유량 예측 방법. - 제1항에 있어서,
상기 누적된 n개의 데이터 세트를 수신하는 단계는,
상기 통신망을 통하여 통신 가능한 축산 농가 단말로부터, 상기 각 데이터 세트를 수신하는 단계, 및
상기 수신된 각 데이터 세트를 누적하여 저장하는 단계를 포함하는, 산유량 예측 방법. - 삭제
- 제1항에 있어서,
상기 p 및 상기 q에 따라, 상기 LSTM RNN 알고리즘의 셀 개수가 조정되는, 산유량 예측 방법. - 제1항에 있어서,
상기 통신망을 통해, 상기 통신망에 연결된 축산 농가 단말로부터, 상기 관리 대상 소에 관한 산유량 예측 요청을 수신하는 단계, 및
상기 관리 대상 소에 관하여, 상기 예측된 상기 우유 생산량을 상기 축산 농가 단말로 통지하는 단계를 포함하는, 산유량 예측 방법. - 통신망을 통해 외부와 통신하는 축산 농가 관리 서버에 의해 수행되는, 관리 대상 소에 관한 목표 산유량 달성을 위한 TMR 제안 방법으로서,
상기 통신망을 통하여 축산 농가 단말로부터, 기준 일자에서의 상기 관리 대상 소의 상태 정보- 상기 관리 대상 소의 상태 정보는, 상기 관리 대상 소의 생년월일 또는 상기 기준 일자에서의 상기 관리 대상 소의 월령, 상기 관리 대상 소의 품종, 및 상기 기준 일자에서의 상기 관리 대상 소의 산후 주차를 포함함 -를 수신하는 단계,
상기 통신망을 통하여 외부로부터 주변 상태 정보- 상기 주변 상태 정보는 상기 기준 일자의 평균 기온 및 평균 습도 정보를 포함함 -를 수신하는 단계,
상기 통신망을 통하여 상기 축산 농가 단말로부터, 상기 관리 대상 소에 관한 목표 산유량 정보를 수신하는 단계, 및
제2 예측 모델을 기초로, 상기 기준 일자에서의 상기 관리 대상 소의 상기 상태 정보, 상기 주변 상태 정보, 및 상기 목표 산유량 정보를 적용해서, 상기 목표 산유량을 달성하기 위한, 상기 관리 대상 소를 위한 영양 조성을 예측하는 단계- 상기 예측되는 영양 조성은, 목표 건물섭취량, 목표 수분섭취량, 목표 대사에너지 섭취량, 목표 대사단백질 섭취량, 목표 MET 섭취량, 목표 LYS 섭취량, 목표 칼슘 섭취량, 및 목표 인 섭취량을 포함함 -를 포함하고,
상기 제2 예측 모델은, 복수의 소들 각각에 관하여 획득된 복수의 산유량 데이터 세트를 이용한 딥러닝 알고리즘에 따른 훈련에 의해 생성된 모델이고,
상기 복수의 소들 중의 각 소별로 획득된 상기 복수의 산유량 데이터 세트는, 시계열상에서 특정된 복수의 일자 각각을 기준으로 획득된, 상기 소의 상태 정보- 상기 소의 상태 정보는, 상기 소의 생년월일 또는 상기 일자에서의 상기 소의 월령과, 상기 일자에서의 상기 소의 산후 주차를 포함함 -, 주변 상태 정보- 상기 주변 상태 정보는, 상기 일자에서의 평균 기온 및 평균 습도 정보를 포함함 -, 상기 소의 영양 섭취량- 상기 소의 영양 섭취량은, 상기 일자에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함함 -, 및 상기 일자에서의 상기 소의 산유량 정보를 포함하는, 목표 산유량 달성을 위한 TMR 제안 방법. - 제6항에 있어서,
상기 통신망을 통하여 상기 축산 농가 단말로부터, 상기 관리 대상 소에 관한, 상기 기준 일자에서의 일일 영양 섭취량- 상기 일일 영양 섭취량은, 상기 관리 대상 소의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함함 - 및 상기 기준 일자의 산유량 정보를 수신하는 단계를 더 포함하고,
상기 목표 산유량을 달성하기 위한 영양 조성을 예측하는 단계는, 상기 제2 예측 모델을 기초로, 상기 기준 일자에서의 상기 관리 대상 소의 상기 상태 정보, 상기 기준 일자에서의 상기 주변 상태 정보, 상기 목표 산유량 정보, 상기 기준 일자에서의 상기 관리 대상 소의 상기 일일 영양 섭취량, 및 상기 기준 일자에서의 상기 관리 대상 소의 상기 산유량 정보를 적용해서, 상기 목표 산유량을 달성하기 위한 영양 조성을 예측하는 단계를 포함하는, 목표 산유량 달성을 위한 TMR 제안 방법. - 제6항에 있어서,
상기 축산 농가 단말로부터 n개(n은 6 이상의 정수)의 사료 종류를 수신하는 단계,
미리 준비된 사료 영양/단가표를 참조하여, 상기 수신된 n개의 사료 종류 중에서 선택된 소정 수의 사료를 이용한, 상기 예측된 영양 조성을 달성하기 위한 최소 비용의 사료 조합- 상기 사료 조합은, 상기 소정 수의 사료 종류와 각 사료 종류의 배합함량(%)을 포함함 -을 구성하는 단계, 및
상기 통신망을 통하여, 상기 구성된 사료 조합을, 상기 축산 농가 단말에 제공하는 단계를 포함하는, 목표 산유량 달성을 위한 TMR 제안 방법. - 삭제
- 통신망을 통해 외부와 통신하는 축산 농가 관리 서버에 의해 수행되는, 관리 대상 소에 관한 최대 산유량 달성을 위한 TMR 제안 방법으로서,
상기 통신망을 통하여 상기 축산 농가 단말로부터, 기준 일자에서의 상기 관리 대상 소의 상태 정보- 상기 관리 대상 소의 상태 정보는, 상기 관리 대상 소의 생년월일 또는 상기 기준 일자에서의 상기 관리 대상 소의 월령, 상기 관리 대상 소의 품종, 및 상기 기준 일자에서의 상기 관리 대상 소의 산후 주차를 포함함 -를 수신하는 단계,
상기 통신망을 통하여 외부로부터 주변 상태 정보- 상기 주변 상태 정보는 상기 기준 일자의 평균 기온 및 평균 습도 정보를 포함함 -를 수신하는 단계,
상기 통신망을 통하여 상기 축산 농가 단말로부터, 목표 비용 정보를 수신하는 단계, 및
제3 예측 모델을 기초로, 상기 기준 일자에서의 상기 관리 대상 소의 상기 상태 정보, 상기 주변 상태 정보, 및 상기 목표 비용 정보를 적용해서, 상기 목표 비용 범위 내에서 달성 가능한 최대 산유량 및 상기 최대 산유량 달성을 위한 영양 조성을 예측하는 단계- 상기 예측되는 영양 조성은, 목표 건물섭취량, 목표 수분섭취량, 목표 대사에너지 섭취량, 목표 대사단백질 섭취량, 목표 MET 섭취량, 목표 LYS 섭취량, 목표 칼슘 섭취량, 및 목표 인 섭취량을 포함함 -를 포함하고,
상기 제3 예측 모델은, 복수의 소들 각각에 관하여 획득된 복수의 산유량 데이터 세트를 이용한 딥러닝 알고리즘에 따른 훈련에 의해 생성된 모델이고,
상기 복수의 소들 중의 각 소별로 획득된 상기 복수의 산유량 데이터 세트는, 시계열상에서 특정된 복수의 일자 각각을 기준으로 획득된, 상기 소의 상태 정보- 상기 소의 상태 정보는, 상기 소의 생년월일 또는 상기 일자에서의 상기 소의 월령과, 상기 일자에서의 상기 소의 산후 주차를 포함함 -, 주변 상태 정보- 상기 주변 상태 정보는, 상기 일자에서의 평균 기온 및 평균 습도 정보를 포함함 -, 상기 소의 영양 섭취량- 상기 소의 영양 섭취량은, 상기 일자에서의 상기 소의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함함 -, 및, 상기 일자에서의 상기 소의 산유량 정보를 포함하는, 최대 산유량 달성을 위한 TMR 제안 방법. - 제10항에 있어서,
상기 통신망을 통하여 상기 축산 농가 단말로부터, 상기 관리 대상 소에 관한, 상기 기준 일자에서의 일일 영양 섭취량- 상기 일일 영양 섭취량은, 상기 관리 대상 소의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함함 - 및 상기 기준 일자에서의 상기 관리 대상 소의 산유량 정보를 수신하는 단계를 더 포함하고,
상기 목표 비용 범위 내에서 달성 가능한 최대 산유량 및 상기 최대 산유량 달성을 위한 영양 조성을 예측하는 단계는, 상기 제3 예측 모델을 기초로, 상기 기준 일자에서의 상기 관리 대상 소의 상기 상태 정보, 상기 기준 일자에서의 상기 주변 상태 정보, 상기 목표 비용 정보, 상기 기준 일자에서의 상기 관리 대상 소의 일일 영양 섭취량 및 상기 기준 일자에서의 상기 관리 대상 소의 상기 산유량 정보를 적용해서, 상기 최대 산유량 및 상기 최대 산유량 달성을 위한 영양 조성을 예측하는 단계를 포함하는, 최대 산유량 달성을 위한 TMR 제안 방법. - 제10항에 있어서,
상기 축산 농가 단말로부터 n개(n은 6 이상의 정수)의 사료 종류를 수신하는 단계,
미리 준비된 사료 영양/단가표를 참조하여, 상기 수신된 n개의 사료 종류 중에서 선택된 소정 수의 사료를 이용한, 상기 예측된 영양 조성을 달성하기 위한 최소 비용의 사료 조합- 상기 사료 조합은, 상기 소정 수의 사료 종류와 각 사료 종류의 배합함량(%)을 포함함 -을 구성하는 단계, 및
상기 통신망을 통하여, 상기 구성된 사료 조합을, 상기 축산 농가 단말에 제공하는 단계를 포함하는, 최대 산유량 달성을 위한 TMR 제안 방법. - 삭제
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20180052297 | 2018-05-08 | ||
| KR1020180052297 | 2018-05-08 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| KR20190128588A KR20190128588A (ko) | 2019-11-18 |
| KR102251643B1 true KR102251643B1 (ko) | 2021-05-14 |
| KR102251643B9 KR102251643B9 (ko) | 2022-01-17 |
Family
ID=68467388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190053657A KR102251643B1 (ko) | 2018-05-08 | 2019-05-08 | 딥러닝 기반 예측 모델에 기초한, 산유량, 목표 산유량 달성을 위한 tmr 영양 조성, 목표 비용 달성을 위한 tmr 영양 조성 예측 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102251643B1 (ko) |
| WO (1) | WO2019216647A1 (ko) |
Families Citing this family (4)
| 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 |
| CN111102669B (zh) * | 2019-12-31 | 2021-11-26 | 珠海格力电器股份有限公司 | 多冷媒回路的空调系统及其控制方法和装置 |
| CN111401727A (zh) * | 2020-03-12 | 2020-07-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种雪灾对草地畜牧经济传导效应的直观表达方法 |
| CN112568141A (zh) * | 2020-12-09 | 2021-03-30 | 东莞中融数字科技有限公司 | 对猪进行疾病预防的监管系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140116341A1 (en) * | 2012-10-26 | 2014-05-01 | Farmeron, Inc. | Method for managing dairy production |
| US20170231199A1 (en) * | 2015-11-05 | 2017-08-17 | N.V. Nederlandsche Apparatenfabriek Nedap | Method of monitoring the physical condition and/or suitability of animal feed of ruminant animals |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060036419A1 (en) * | 2004-07-29 | 2006-02-16 | Can Technologies, Inc. | System and method for animal production optimization |
| KR100673506B1 (ko) * | 2006-05-11 | 2007-01-25 | (주)바리오 | 우유품질 및 젖소개체 관리를 위한 서버 및 그를 위한프로그램이 저장된 컴퓨터 판독가능 기록매체 |
| NL1033926C2 (nl) * | 2007-06-03 | 2008-12-08 | Maasland Nv | Werkwijze en inrichting voor het beheren van een groep melkdieren, alsmede een computerprogrammaproduct daarvan. |
-
2019
- 2019-05-08 KR KR1020190053657A patent/KR102251643B1/ko active IP Right Grant
- 2019-05-08 WO PCT/KR2019/005509 patent/WO2019216647A1/ko active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140116341A1 (en) * | 2012-10-26 | 2014-05-01 | Farmeron, Inc. | Method for managing dairy production |
| US20170231199A1 (en) * | 2015-11-05 | 2017-08-17 | N.V. Nederlandsche Apparatenfabriek Nedap | Method of monitoring the physical condition and/or suitability of animal feed of ruminant animals |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102251643B9 (ko) | 2022-01-17 |
| WO2019216647A1 (ko) | 2019-11-14 |
| KR20190128588A (ko) | 2019-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102251643B1 (ko) | 딥러닝 기반 예측 모델에 기초한, 산유량, 목표 산유량 달성을 위한 tmr 영양 조성, 목표 비용 달성을 위한 tmr 영양 조성 예측 방법 | |
| da Rosa Righi et al. | Towards combining data prediction and internet of things to manage milk production on dairy cows | |
| van Beest et al. | Behavioural responses to thermal conditions affect seasonal mass change in a heat-sensitive northern ungulate | |
| KR102188099B1 (ko) | 반려동물의 성장 관리 시스템 | |
| WO2017159109A1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| Sundberg et al. | Genotype by environment interaction of Swedish dairy cows in organic and conventional production systems | |
| Cabrera et al. | Future of dairy farming from the Dairy Brain perspective: Data integration, analytics, and applications | |
| CN108292385B (zh) | 用于农业生产和性能管理的基因组技术 | |
| Menendez III et al. | ASAS–NANP Symposium: Mathematical Modeling in Animal Nutrition: Opportunities and challenges of confined and extensive precision livestock production | |
| Doole | Economic feasibility of supplementary feeding on dairy farms in the Waikato region of New Zealand | |
| CN112331303A (zh) | 宠物喂食计划生成方法、装置、电子设备及存储介质 | |
| Liebe et al. | Analytics in sustainable precision animal nutrition | |
| KR102561722B1 (ko) | 반려동물 맞춤형 식단 관리 서비스를 제공하는 방법 및 장치 | |
| Doole | Improving the profitability of Waikato dairy farms: Insights from a whole-farm optimisation model | |
| Singh et al. | Dissemination of information to dairy farmers in Jammu and Kashmir: Developing a web module | |
| US20230207100A1 (en) | Nutritional information exchange system | |
| CN110889645A (zh) | 一种牧场牲畜饲养管理方法、系统和计算机可读存储介质 | |
| Brunson et al. | Behavioral factors in rotational grazing systems | |
| Oostra et al. | The effects of feeding frequency on waiting time, milking frequency, cubicle and feeding fence utilization for cows in an automatic milking system | |
| Woli et al. | Modifying the National Research Council weight gain model to estimate daily gain for stockers grazing bermudagrass in the southern United States | |
| Alberts | The nature of nurturant niches in ontogeny | |
| CN101101644A (zh) | 农场运作系统以及方法 | |
| Carstens et al. | The growth response of ostrich (Struthio camelus var. domesticus) chicks fed on diets with three different dietary protein and amino acid concentrations | |
| Koch et al. | the future of the dairy industry–2030 scenario analysis | |
| CN112735562A (zh) | 饮食推荐方法、装置、电子设备及存储介质 |
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 | ||
| G170 | Re-publication after modification of scope of protection [patent] |