KR102276462B1 - 인공지능 딥러닝을 이용한 스마트 양식장 관리 fems시스템 - Google Patents

Abstract

본 발명은 뿌리 모양의 양식장에 서식하는 물고기의 관리 FEMS시스템에 관한 것으로, 더욱 상세하게는 양식장에서 발생할 수 있는 물고기의 질병상황에 대응할 수 있도록 하는 동시에 후속 조치로서, 바이오플락 기술을 이용함으로써 스마트 양식장을 관리할 수 있는 스마트 양식장 관리 FEMS 시스템에 관한 것이다.
본 발명의 일 실시예에 따른 인공지능 딥러닝을 이용한 스마트양식장 관리 FEMS시스템은 물고기를 풀어주면 각 방으로 흩어져 들어갈 수 있도록 형성된 뿌리 모양의 양식장;과, 상기 양식장에는, 상기 양식장에 설치된 각 방과 통로에 설치되어 물의 온도, pH 및 DO(Dissolved Oxygen)를 측정하여 전송하는 센서가 부착된 고정카메라;와, 상기 양식장에 설치되고, 물고기의 동적 움직임을 촬영하여 컴퓨터로 전송하고, 물고기 드론에 웨어러불 카메라(wearable camera)이 형태로 장착되어 상기 양식장 내부를 돌아다닐 수 있도록 구성된 이동형 카메라;와 상기 컴퓨터로 전송된 물고기의 이미지들은 인공지능중 딥러닝 기능을 이용하여 물고기 질병의 판단을 수행할 수 있는 병해 판단부; 및 상기 병해 판단부의 판단에 따라 무항생제 백신을 공급하는 질병치료부를 포함하되, 상기 병해 판단부에서는, 인공지능 딥러닝 기능을 실행하는 딥러닝 학습부; 상기 딥러닝 학습부에서 딥러닝 학습에 의하여 학습된 결과를 이용하여 상기 양식장에서 이동성 카메라로부터 촬영된 영상을 입력으로 병해 진단을 하는 딥러닝 예측부; 및 상기 질병치료부에 배치되어 있는 바이오플록(biofloc)을 배치하고 바이오플록에 내징되어 있는 미생물을 공급하여 상기 양식장에서 질병을 앓고 있는 물고기를 치유할 수 있는 것일 수 있다.

Description

인공지능 딥러닝을 이용한 스마트 양식장 관리 FEMS시스템{SMART FARM FACTORY ENERGY MANAGEMNET SYSTEM USING ARTIFICIAL INTELLIGENCE DEEP LEARNING}

본 발명은 뿌리 모양의 양식장에 서식하는 물고기의 관리 FEMS 시스템에 관한 것으로, 더욱 상세하게는 양식장에서 발생할 수 있는 물고기의 질병상황에 대응할 수 있도록 하는 동시에 후속 조치로서, 바이오플락 기술을 이용함으로써 스마트 양식장을 관리할 수 있는 스마트 양식장 관리 FEMS 시스템에 관한 것이다.

CNN(Convolution Neural Network)은 인간의 뇌구조를 모방한 것으로서, 인간의 뇌가 최소 단위인 뉴런으로 이루어져 있는 것처럼 CRNN(Convolutional Recursive Neural Network)은 단일 CNN들의 군집으로 모델링하는 것이다.

종래 기술에서 일반적으로 RGB의 입력정보만을 사용하여 CNN장치를 만들어져 왔고, RGB 영상만을 사용할 때에는 별도의 특징 정보를 추출하는 과정이 없으므로 영상의 회전과 조도 변화, 노이즈에 모두 취약한 환경저긴 문제가 발생하는 문제점이 있었다.

도 1은 컨볼루션 신경망(CNN) 기반의 일반적인 딥러닝 시스템 구조를 예시한 도면이다.

도 1에 나타낸 바와 같이, 영상 입력부(110)로부터 학습을 위한 입력 영상이 들어오고, 이 학습 영상을 바로 학습부 CNN(112)으로 전달한다. 학습부 CNN(112)를 통해 얻은 학습 정보(114)와 영상 입력부(110)를 통해 들어오는 새로운 입력 영상을 실행부 CNN(120)에 전달하고, 최종분류부(130)에서 최종적으로 객체의 종류를 분류한다.

이와 같이 학습된 이미지를 병해 진단 서버에 저장해 놓았다가, 카메라를 통해서 촬영된 이미지와 비교해서 이러한 병해 상황을 치유할 수 있는 인공지능(artificial intelligence) 딥러닝(deep learning) 중 CNN을 적용할 수 있는 스마트 양식장 관리 시스템이 필요 하다고 할 수 있다.

(0001) 한국특허공개 제2004-19772호(어병병원성 세균 살균액, 그의 제조방법 및 중화방법(2004.03.06.)

상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 인공지능 딥러닝 기능 중 하나의 알고리즘인 CNN(Convolution Neural Network)를 적용하여 물고기에 대한 직접 관찰을 하지 않더라도 물고기에 대한 상태 판단이 가능하고, 이에 대한 대응방안으로서 바이오플락을 공급할 수 있는 인공지능 딥러닝을 이용한 스마트 양식장 관리 FEMS 시스템을을 제공하는데 있다.

또한, 종래의 다양한 환경문제(흔들림, 조도, 노이즈, 인식률 저하 등)에 취약한 영상 학습 정보의 질을 높일 수 있는 컨볼루션 신경망(CNN) 기반의 영상 패턴 정보를 이용한 딥러닝 시스템을 이용하여 이미지인식 기술의일종인 SIFT(Scale Invariant Figure trensform) 또는 HOG(Histogram of Oriented Gradient)를 뛰어넘는 정확도를 보이는 인공지능 딥러닝을 이용한 스마트양식장 관리 FEMS 시스템의 운영방법을 제공하는데 또 다른 목적이 있다.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 인공지능 딥러닝을 이용한 스마트양식장 관리 FEMS시스템은 인공지능 딥러닝을 이용한 스마트 양식장 관리 FEMS(Factory Energy Management System)에 있어서,
물고기를 풀어주면 각 방으로 흩어져 들어갈 수 있도록 형성된 뿌리 모양의 양식장;
상기 양식장에는,
상기 양식장에 설치된 각 방과 통로에 설치되어 물의 온도, pH 및 DO(Dissolved Oxygen)를 측정하여 전송하는 센서가 부착된 고정카메라를 통해서 시설과 장비의 관리를 수행하는 FEMS(Factory Energy Management System; 시설 관제 시스템),
풍력, 태양광 에너지를 에너지 저장장치(Energy Storage System)에 저장하고, 열병합 발전을 이용하여 전력이 부족한 경우 예비전력을 제공할 수 있고, 블랙아웃 상태에서 기동할 수 있는 에너지 저장장치(Energy Storage System)를 포함하고
FEMS(Factory Energy Management System)이 센서류, 계측기, 설비운영 S/W를 통해 집계되는 에너지 사용 설비 및 기기의 에너지 사용량을 계측하는 모니터링 장치, 계측을 통해 수집된 데이터를 이용하여 에너지 사용설비 및 기기에 대해 관리하는 제어 장치 및 집계, 보관, 통계를 통해 사용현황을 분석하고, 모니터링 장치의 분석결과를 토대로 시뮬레이션 분석을 예측하여 교체 시점 정보를 제공하는 에너지 분석 장치를 포함하고,
상기 FEMS(Factory Energy Management System)의 모니터링 장치는 에너지 사용 설비 및 기기의 에너지 사용량을 계측하여 집계하고 저장하여 실시간으로 관리자에게 제공할 수 있으며, 센서류, 계측기, 설비운영 S/W로부터 에너지 사용현황을 포함하는 다양한 에너지 관련 데이터를 수집하고, 에너지 효율 개선을 위하여 센서나 계측기를 추가 설치하는 것이 가능하며,
상기 FEMS(Factory Energy Management System)의 제어 장치는 계측을 통해 수집된 데이터를 이용하여 에너지 사용설비 및 기기에 대한 관리 기능을 제공할 수 있으며,
상기 FEMS(Factory Energy Management System)의 에너지 분석 장치는 집계, 보관, 통계를 이용한 시간, 일/월/년 별로 사용 현황을 분석하고, 모니터링 장치의 분석결과를 토대로 시뮬레이션 분석을 예측하고, 설비 및 기기의 운전 성능 분석을 통해 라이프 사이클 관점에서 종합 평가하여 교체 시점에 대한 정보를 제공할 수 있고,
물고기 드론에 웨어러불 카메라(wearable camera) 형태인 이동형 카메라를 장착하여 상기 양식장 내부를 돌아다닐 수 있도록 구성되고 물고기의 동적 움직임을 촬영하여 컴퓨터로 이미지를 전송하고,
상기 컴퓨터로 전송된 물고기의 이미지들을 통해 인공지능중 딥러닝 기능을 이용하여 물고기 질병의 판단을 수행할 수 있는 병해 판단부; 및
상기 병해 판단부의 판단에 따라 무항생제 백신을 공급하는 질병치료부를 포함하되,
상기 병해 판단부는 인공지능 딥러닝 기능을 실행하는 딥러닝 학습부; 상기 딥러닝 학습부에서 딥러닝 학습에 의하여 학습된 결과를 이용하여 상기 양식장의 이동성 카메라로부터 전송된 영상에 대하여 병해 진단을 하는 딥러닝 예측부;를 포함하고,
상기 질병치료부는 바이오플록(biofloc)이 배치되어 바이오플록에 내장되어 있는 미생물 및 무항생제 백신을 물고기에게 공급할 수 있고,
상기 양식장에 공급되는 물은,
물을 저장하는 챔버;
상기 물을 펌핑하고 상기 챔버의 물을 역삼투를 통해 상기 물을 담수와 농축된 농축수로 분리하는 역삼투막;
상기 물을 상기 역삼투막으로 공급하고, 상기 역삼투막에 의해 분리된 담수는 수 챔버로 이동시키며, 상기 농축된 농축수는 하수구로 방류시키는 동작을 주기적으로 반복실행하되, 상기 수챔버에서 상기 담수의 배출량이 측정되고 상기 측정된 상기 수 챔버에서의 상기 담수의 배출량에 따라 구동력이 제어되는 리니어 펌프;
수직한 방향으로 구성되는 케이스와, 상기 케이스 내부 중앙에 구성되는 영구자석과, 상기 케이스 내부에 구성되며 상기 영구자석의 양측에 각각 위치하도록 구성되고, 부도체인 플라스틱 블록의 외주면에 코일이 감겨 지게 구성되어 전류가 공급되면 서로 간에 발생되는 척력에 의해 상기 영구자석을 상기 케이스 내에서 아래로 미는 다수의 제1코일 블록과, 전류가 공급되면 서로 간에 발생되는 척력에 의하여 상기 영구자석을 상기 케이스 내에서 위로 미는 다수의 제2코일 블록과, 상기 케이스 안쪽에 구성되며, 상기 제1, 제2코일 블록들을 구성하는 코일의 접점에 전류를 접촉방식으로 공급하는 전선을 포함하여 구성되어 상기 리니어 펌프를 구동하는 리니어 모터;
상기 제1 코일블록과 제2코일블록들을 구성하는 코일에 대한 전류 공급을 제어하는 것에 따라 상기 케이스 내부의 상기 영구자석의 위치를 변화시키도록 제어하되, 목표 전압에 따라 직류전압을 구동 전압인 제1 전압과 제2 전압으로 분배하는 분배회로 및 구동전류를 구동전압에 따라 제1전류와 제2 전류로나누어 상기 리니어 모터의 제1 코일블록들과 제2 코일 블록들을 구동하는 차동회로를 포함하는 구동회로;
상기 담수의 배출량을 측정하고, 물의 공급과 담수 배출에 대한 동작 데이터를 검출하여 서버로 전송하는 센서;
상기 센서에서 측정된 상기 담수의 배출량에 따라 상기 리니어 펌프의 구동력을 제어하는 제어기; 및
상기 센서의 동작데이터를 모니터링하고, 이상 발생시 조치하는 서버로 구성되어 상기 센서의 동작데이터를 공유하는 물의 담수화 장치를 통해서 공급되는 것을 특징으로 하고,
상기 병해 판단부에 배치된 딥러닝 예측부는,
상기 컴퓨터로 전송된 물고기 이미지에 대한 추출작업을 수행하는 합성곱(convolution) layer와, 상기 합성곱레이어를 통해서 얻어진 수를 뽑아낸 피쳐맵(feature map)과, 상기 피처맵의 결과에 대해서 비선형성(non-linearlity)를 부여하는 활성화 함수와, 상기 활성화 함수를 거친 이미지에 대하여 표본 데이터(subsampling)를 뽑는 풀링레이어(pooling layer)와, 상기 풀링레이어를 거친 데이터를 분류하는 전연결 (FC, fully connected) 레이어를 통과시켜 물고기에 대한 이미지가 병해를 보유하고 있는지 판단하는 과정을 수행하며,
상기 물고기 드론은,
자이로 제어장치를 구비하여, yaw, pitch, roll운동이 가능하고,
물고기 모양의 웨어러블 카메라인 이동형 카메라를 구비하여 상기 이동형 카메라를 통하여 찍은 이미지를 PC로 전송하고,
상기 양식장으로 공급되는 물은 전기를 통해 박테리아 살균된 물인 것을 특징으로 하는 것일 수 있다.

본 발명의 일 실시예에 있어서, 상기 병해 진단부에 배치된 딥러닝 예측부는, 상기 컴퓨터로 전송된 물고기 이미지에 대한 추출작업을 수행하는 합성곱(convolution) layer와 상기 합성곱레이어를 통해서 얻어진 수를 뽑아낸 피쳐맵(feature map), 상기 피처맵의 결과에 대해서 비선형성(non-linearlity)를 부여하는 활성화 함수, 상기 활성화 함수를 거친 이미지에 대하여 표본 데이터(subsampling)를 뽑는 풀링레이어(pooling layer), 상기 풀링레이어를 거친 데이터를 분류하는 FC(fully connected) 레이어를 통과시켜 물고기에 대한 이미지가 병해를 보유하고 있는지 판단하는 과정을 수행하는 것일 수 있다.

본 발명의 일 실시예에 있어서, 상기 물고기 드론은, 자이로 제어장치를 구비하여, yaw, pitch, roll운동이 가능하고, 물고기 모양의 웨어러블 카메라인 이동형 카메라를 구비하여 상기 이동형 카메라를 통하여 찍은 이미지를 PC로 전송하고, 상기 양식장으로 공급되는 물은 전기를 통해 박테리아 살균된 물인 것일 수 있다.

본 발명의 일 실시예에 따른 인공지능 딥러닝을 이용한 스마트 양식장 관리 FEMS시스템의 운영방법에 있어서, (1) 양식장에 전기를 통해 박테리아가 살균된 물을 공급하는 단계(s10);와, (2) 각 방과 통로에 설치되어 센서가 부착된 고정카메라로 물의 온도, pH 및 DO(Dissolved Oxygen)를 측정하는 단계(s20);와, (3) 상기 고정카메라로 양식장의 물에 대한 상태를 체크하는 동시에, 물고기 모양의 웨어러블 카메라를 장착한 물고기 드론을 사용해서 물고기들의 영상을 촬영하여 PC로 전송하는 단계(s30);와, (4) 상기 웨어러블 카메라로 촬영된 이미지를 입력으로 하여 합성곱(convolution) 연산을 수행하는 단계(s40);와, (5) 상기 합성곱 연산이 수행된 이미지에 대하여 피쳐맵을 작성하는 단계(s50);와, (6) 상기 피처맵에 대하여 비선형성을 부여하는 단계(s60);와 (7) 상기 비선형성이 부여된 피쳐맵에 대하여 표본 데이터(subsampling)를 뽑는 단계(s70);와, (8) 상기 표본 데이터에 대하여 FC 레이어를 통과시켜 분류된 기준에 따라 병해 이미지를 보유하고 있는 데이터베이스와 비교하여 병해를 보유하고 있는 지 진단하는 단계(s80); 및 (9) 병해를 보유하고 있다고 판단되는 경우, 바이오플락을 이용하여 백신을 투여하는 단계(s90);를 포함하는 것일 수 있다.

또한 추가적인 수단으로서, 풍력, 태양광 에너지 등의 신재생 에너지를 에너지저장장치(Energy Storage System; ESS)에 전기를 저장, 열병합 발전 등에서 이용하여 전력이 부족한 경우, 비상용 발전기처럼 예비전력을 제공 및 블랙 아웃 상태에서 가동할 수 있도록 전력을 안정적으로 제공할 수 있다.

또한 이를 위하여 FEMS(Factory Energy Management System)은 모니터링 장치(monitoring system), 제어 장치(control system), 에너지 분석 장치(Energy analysis system), 시뮬레이션 시스템(simulation system), 외부 연계 시스템, 기본정보관리시스템을 포함할 수 있다.

모니터링 장치는 에너지 사용 설비 및 기기의 에너지 사용량을 계측하여 집계하고, 저장하여 실시간으로 에너지 관리 상황을 관리자 또는 사용자에게 보고할 수 있다.

이를 위하여 센서류, 계측기, 설비 운영, S/W로부터 에너지 사용량을 포함한 다양한 에너지 관련 데이터를 수집하고, 통합하여 관리하는 것이 가능해진다.

뿐만 아니라, 에너지 효율 개선을 위하여 필요할 경우, 추가적인 센서나 계측기를 설치하여 분석하여 에너지 효율 개선을 추진하는 것이 가능해질 수 있다.

에너지 분석 장치은 집계, 보관, 통계를 이용하여 시간, 일, 월, 년 별로 사용현황을 분석하고, 모니터링 장치의 분석결과 및 시뮬레이션 분석 결과를 토대로 시뮬레이션 분석을 예측하고, 또한 설비 기기의 운전 성능 분석을 통해 라이프 사이클(life cycle) 관점에서 종합 평가하여 교체 시점 등에 관한 정보를 제공할 수 있다.

좀 더 구체적으로, 본 발명의 일 실시예에 따른 스마트 양식장은 성장 시기별 365일 각종 어류에 대한 연중 출하 및 수매시 수량 파악 및 출하 과정중 발생할 수 있는 어류, 또는 관리시설에 대한 물리적으로 발생할 수 있는 손상을 최소화하는 것이 가능할 수 있다.

또한 고정 카메라를 통하여 치어 및 성장된 물고기에 대한 수량 파악이 가능하고, 에너지를 에너지저장 시스템(Energy Storage System)을 이용하여 에너지의 효과적인 절약과 활용을 위하여 EMS(Energy Management System)을 통한 FMS(Facility Management System; 시설 관제 시스템) 적용의 효율성을 향상시킬 수 있다.

이와 같은 분석 및 시뮬레이션 결과는 에너지 사용현황 및 성과 분석에 대한 보고서 작성이 가능하며, 에너지 진단 및 개선 계획 수립을 위한 자료로 활용이 가능할 수 있다.

또한 각종 측정을 위하여 EMU(Energy Managed Unit; 에너지 관리단위)와 에너지 성과 지표와 관련한 에너지와 생산 데이터를 측정하여 수집할 수 있다. 이런 과정을 통합한 공장에너지관리시스템(Factory Energy Management System; FEMS) 기술을 적용할 수 있다.

생산정보와 연계된 에너지 데이터의 수집이 중요하므로 설비의 생산 조건과 운전상태와 연계된 에너지에 대한 측정이 가능할 수 있다. 또한 출하전 어획량과 판매량에 대한 실시간 확인이 가능하기 때문에 판매 가격이 하락하지 않도록 요구되는 수요에 맞추어 출하량에 대한 제어가 가능할 수 있다. 특히 이러한 시스템을 효율적으로 운영하기 위해서는 온바다해양정보, 바다생태 정보 나라, 해양수산 예보 속보, 해양수산통계 시스템 등을 이용하여 기본적으로 확보된 데이터에 대하여 추가하는 방법으로 활용할 수도 있다.

또한 생산정보와 연계된 에너지 데이터의 수집이 중요하므로, 설비의 생산 조건과 운전 상태와 연계된 에너지를 측정할 수 있다.

측정단계에서 수집된 에너지의 생산 데이터가 IT(Information Technology) 기술을 이용하여 분석되고, 분석되는 정보가 부분별, 제품별, 설비별로 다양한 방법을 통해 가시화될 수 있다.

에너지와 생산 정보를 정보시스템에 전달하기 위해 MES(Manufacturing Execution System), EMIS(Emerging Markets Information System) 인터페이스와 연계되어 가시화하는 과정을 진행할 수 있다.

상기 MES, EMIS 인터페이스를 통해 취득한 자료를 토대로 시계열, 변동성, 에너지 효율, 원단위, 벤치마킹 등 사용자가 FEMS의 활용을 극대화할 수 있는 분석 기능을 적용할 수 있다.

관리 측면에서 에너지 정보와 생산 정보를 연계해서 에너지 효율 향상을 추구하는 것이 가능할 수 있다.

시설과 설비 등 에너지관리 단위(EMU) 별로 정보를 모니터링하고, 에너지 성과를 평가할 수 있는 표를 작성하고, 이를 적용할 수 있다.

이러한 시스템을 본 발명의 일 실시예에 따른 스마트 양식장에 적용하기 위해서는, 고효율 설비를 사용하는 것이 중요하며, 에너지 효율 등급, 고효율 기자재 인증, 신재생 에너지 설비 인증 제품을 사용할 수 있다.

EMU 별로 취합된 정보에 기반을 두고, 성과가 낮은 부분을 찾아내고, 좋은 성과를 유지할 수 있는 다양한 툴이 적용될 수 있다. 또한 효율적인 에너지 이용 및 절감이 가능하도록 부분 또는 전체적인 범위에 걸쳐 적합한 제어를 적용할 수 있다.

상기와 같은 본 발명에 따른 인공지능 딥러닝을 이용한 스마트 양식장 관리시스템은, 고정형 카메리와 이동형 카메라를 이용하여 양식장에서 일어나는 상황에 대한 실시간으로 파악이 되고, 이러한 상황파악에 대한 판단으로 즉각조치인 바이오플락을 동원할 수 있도록 구성되어 있어서, 관리자의 관리작업을 용이하게 해줄 뿐만 아니라, 챗봇과 소통을 하는 방법을 통해 출하시 실시간으로 수매관련, 양식 과정에서의 유의사항 등을 챗봇 소토아를 통해서 소통할 수 있는 장점을 가질 수 있다.

또한 실시간 생산량과 판매량을 확인하는 방법 (예: 실시간 경매 속보 기타 정보출하전 어획량과 판매량을 실시간 확인 하여 판매가격 하락하지 않도록 수요만큼만 출하한다.실시간 정보 (예: 온바다해양정보, 바다생태정보나라, 해양안전종합정보, 해양 수산 예보 속보, 해양수산통계시스템 등 이용) 연계 시스템 추가 요청할 수 있다

또한, 딥러닝 방식의 병해를 관리하는 양식장 관리시스템에 관한 것으로서, 어류 별로 1만 장 이상의 병 발생 이미지를 학습을 시키고 이를 이용하여 실내 양식장 내에 병해가 발생할 수 있을 때, 이에 대한 대응 수단으로 미생물을 이용하여 항생제를 사용하지 않는 친환경적인 양식장을 구현할 수 있다.

도 1은 컨볼루션 신경망(CNN) 기반의 일반적인 딥러닝 시스템 구조를 예시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 본 발명에서는 이러한 양식장관리 FEMS시스템을 나타내는 도면이다.
도 3는 본 발명의 실시예에 따른 리니어펌프의 구성을 보여주는 도면이다.
도 4는 본 발명의 일 실시예에 따른 리니어 모터를 보인 예시도이다.
도 5는 각종의 어류에 대하여 병해를 가지고 있는 경우에 대하여 사진 이미지를 예시적으로 분류한 사진이라고 할 수 있다.
도 6은 본 발명의 일 실시예에 따른 합성곱 신경망(CNN)의 구성을 모식적으로 보여주는 그림이다.
도 7은 본 발명의 일 실시예에 따른 물고기 드론의 구조를 모식적으로 보여주는 도면이다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

먼저 본 발명을 구성하고 있는 스마트 양식장 관리 FEMS(Factory Energy Management System)에 대하여 살펴보기로 한다.

도 2는 본 발명의 일 실시예에 따른 본 발명에서는 이러한 양식장관리 FEMS시스템을 나타내는 도면이다.

도 2를 참조하면, 양식장 관리 FEMS시스템으로, 물은 물을 저장하는 챔버(410) 및 상기 물을 펌핑하고, 역삼투를 이용해 물을 담수와 농축수로 분리하는 역삼투막(430)을 포함하고, 역삼투막(430)에 의해서 분리된 담수는 수 챔버(460)로 이동하고, 농축된 농축수는 하수구로 방류되고, 물을 역삼투막(430)으로 공급하고, 담수를 수챔버(360)로 이동하는 리니어 펌프(420)을 포함할 수 있다.

이러한 양식장 관리 FEMS시스템에서 역삼투 장치의 동작을 가능하게 하는 구성을 설명한다.

챔버(410)는 담수를 공급할 수 있는 물을 저장하고, 담수는 역삼투막(430)에 의해 역삼투 작용이 발생해서 담수와 농축수로 분리된다. 챔버(410)는 물을 끌어 들이고, 역삼투막(430)에 펌핑된다.

역삼투막(430)은 물을 펌핑하고, 역삼투 작용을 통해 물을 담수와 농축수로 분리한다. 역삼투막(430)에 물을 펌핑해서 역삼투를 통해 담수가 만들어지고, 농축수는 하수구로 방류된다.

역삼투막(430)에 의해 분리된 담수는 수 챔버(460)로 이동하고, 농축수는 하천으로 방류된다. 리니어펌프(420)는 양식장에 저장되어 있는 물을 펌핑해서 역삼투를 통해서 담수가 만들어지고, 농축된 농축수는 하천으로 방류되도록 구성된다.

리니어 펌프(420)는 왕복 운동을 통해 펌핑 동작을 행할 수 있다.

리니어 펌프(420)는 밈과 당김 동작을 번갈아 실행하는 왕복 운동을 역삼투막(430)에 적용시켜 역삼투막(430)의 역삼투를 주기적으로 반복 실행한다.

리니어 펌프(420)가 역삼투를 주기적으로 반복 실행함으로써 양식장으로부터 방출되는 물을 끌어들이고, 담수를 배출함으로 반복실행하는 것이다.

리니어 펌프(420)에 제어기와 센서가 구성되어 담수의 배출량을 측정하고, 담수의 배출량 대비 요구되는 배출량을 맞추기 위해 리니어펌프(420)의 구동력을 제;어할 수 있다. 제어기는 담수의 배출량에 따라 리니어펌프(420)의 구동력을 제어함으로써 요구되는 담수의 배출량을 맞출 수 있다.

제어기는 요구되는 담수의 배출량이 높은 경우 리니어펌프(420)의 구동력을 높일 수 있다.

도 3는 본 발명의 실시예에 따른 리니어펌프의 구성을 보여주는 도면이다.

도 3을 참조하면, 리니어펌프(420)는 리니어모터(510)의 구동력을 이용하고, 리니어 모터(510)는 전자석과 자석이 한쌍을 이루고, 전자석에 전류를 흘려 자석과 척력 또는 인력이 작용하도록 해서 거리를 늘리거나 줄여서 직선 운동을 만들 수 있다.

리니어 모터(510)의 구성은 다음과 같다.

도 4는 본 발명의 일 실시예에 따른 리니어 모터를 보인 예시도이다.

도 4를 참조하면, 코일(610)에 전류를 공급하는 전선(620)이 케이스(630)에 구성된다. 전선(620)은 케이스(630)의 안쪽에 수직으로 구성되며, 코일(610) 접점에 닿도록 구성된다. 코일(610) 접점이 전선(620)에 닿은 상태에서 코일(610)이 상하로 움직인다. 전선(620)은 구동회로에 연결될 수 있다. 전선(620)에 공급된 전류는 코일(610) 접점을 통하여 코일(610)에 전달된다.

코일(610)은 플라스틱 블록에 감아지고, 코일(610) 말단인 접점은 전선(620)에 접촉된다. 플라스틱 블록에는 가이드가 있어 케이스(630)를 따라 상하로 미끄러지듯 움직이도록 한다. 코일(610)은 부도체인 플라스틱 블록을 사용하여 전류가 공급되지 않을 때 자석에 붙지 않는다. 케이스(630)는 다수의 코일(610)과 영구자석(640)을 보호한다. 다수의 코일(610)과 영구 자석(640)은 케이스(630) 내에서 움직인다.

제1 코일과 제2 코일에 전류를 공급하는 전선(620)은 가각 케이스(630) 안쪽에 구성된다. 전선(620)은 양극과 음극을 가진다.

제1 코일에 전류가 공급되면, 영구자석(640)을 아래로 밀고 제2 코일에 전류가 공급되면 영구자석(640)을 위로 밀어 올린다.

제1 코일과 제2 코일에 공급되는 전류를 제어하여 영구자석(640)의 위치를 변화시킬 수 있다. 영구 자석(640)에는 막대가 구성되어 영구자석(640) 움직임에 따라 막대가 상하로 움직인다. 막대 움직임은 외부로 구동력을 전달한다.

구동회로는 목표 전압에 따라 직류전압을 구동전압인 제1 전압과 제2 전압으로 분배하는 분배회로 및 구동전류를 구동전압에 따라 제1 전류와 제2 전류로 나누어 리니어 모터(510)의 제1 코일과 제2 코일을 구동하는 차동회로를 포함한다.

구동회로는 제1 코일과 제2 코일에 제1전류와 제2 전류를 각각 공급하여 영구자석(640)을 지정된 위치에 놓이게 한다.

제1 코일과 제2 코일은 코일 블록으로 구성된 다수의 코일이다 코일 블록은 같은 방향 또는 다른 방향으로 감아져 서로 척력을 출력하도록 구성된다.

척력은 코일 블록이 서로 밀어내도록 구성하여 영구자석(640)이 지정된 위치에 놓이도록 거리를 좁히거나 늘리는 역할을 한다.

코일 블록간의 거리가 멀어지거나 좁아짐에 따라 제1 코일과 제2 코일의 전체길이가 달라짐으로써 영구자석(640)의 위치가 달라지는 것이다.

코일(610)에 공급되는 전류의 크기에 따라 척력의 크기가 달라진다. 구동회로는 척력의 크기를 다르게 제어하여 제1코일을 구성하는 다수의 코일블록과 제2 코일을 구성하는 다수의 코일블록의 전체 길이를 다르게 제어하는 것이다.

제어부는 구동회로를 제어한다. 제어부는 구동회로에 입력되는 제1코일 전류와 제2 코일전류의 입력값을 조절해서 입력값에 따라 구동회로가 제1 코일전류와 제2 코일 전류를 제어할 수 있도록 한다.

상기와 같은 방식으로 리니어 모터(510)의 작동을 제어해서 양식장 FEMS에 공급되는 물에 데한 제어가 가능할 수 있다.

어류는 변온 동물로서, 환경에 대한 적응력을 어느 정도 갖고 있지만, 그 한계를 넘어버리면, 생리적 장해를 일으키게 된다. 어류에 있어서, 질병은 육상 동물과 같이 내적외적 환경에 대해 더 이상 건강상태를 유지할 수 없는 상태를 말한다.

질병은 숙주의 요인, 발병인자 및 환경과의 상관관계에 의한 결과로서 나타나는 현상으로 질병발생 요인 중 발병인자만이 반드시 질병을 발생시키는 것이 아니며 숙주와 환경의 상호 작용에 의해 질병이 발생하거나 발생하지 않는다. 즉 발병인자와 숙주의 요인 그리고 환경과의 균형이 잘 이루어진 상태에서는 질병이 발생하지 않으며 이들 균형이 깨어질 경우 발생하는 데 대부분의 경우 질병의 발생은 환경조건에 크게 영향을 받는다고 볼 수 있다.

어류의 체내에 병원체가 침입하는 경로는 피부, 아가미, 비강, 소화관 등으로 볼 수 있다. 이들 기관은 점액, 효소, 항균성 및 살균성 물질, 항체, 식세포 등의 분비 및 작용으로 보호되고 있으나, 선별시에 입는 기계적인 손상 또는 기생충에 의한 상처, 사육관리의 부실 등에 의해 이들 보호 물질이 손상을 입게 되면 그곳을 통하여 병원체가 체내에 침입하게 되고, 이어서 혈류를 타고 장기나 조직에 도달하여 병소를 형성하게 된다.

이러한 질병을 악화시키는 요인으로는 과밀사육, 사료찌꺼기 및 배설물 등에 의해 양식장의 환경이 오염됨에 따라 병원체는 장기간 생존능력을 가져 항시 존재하게 되고, 어류에 대한 기생가능성을 가지게 된다.

어병은 일단 발생하면 빠른 속도로 전 양식장에 확산하는 경우가 많다. 병원체를 보균한 종묘가 다른 지역의 양식장에 공급될 경우 혹은 2년 사육을 위하여 1년 물고기(어)를 이동시키는 경우 등이 병을 일으키는 지역을 확대하는 원인이 될 수 있다.

저급 사료의 투여에 의하여 피부점막이 약하게 되며, 외부로부터 병원균의 침입을 막지 못한다. 또한 가두리 및 수조내 밀도가 높게 되면 점액분비가 적어 방어기능이 저하된다. 그외 기생충 감염 등에 의한 상처부위가 외부에서의 병원균의 침입을 쉽게 허용하게 된다.

이러한 어류에 대한 질병의 발병 여부를 확인하기 위해서는 눈으로 보고 진단하는 것이지만, 병해에 대한 전문가가 매 양식장 마다 방문하여 진단할 수 없기 때문에 본 발명에서는 딥런닝을 이용한 물고기의 상태 판단 방법 중 CNN(Convolution Neural Network)를 이용하는 방법을 사용하기로 한다.

Convoluted Neural Network(CNN)의 핵심은 사진을 학습한다는 것이다. Input으로 Label이 붙은 이미지 파일을 주고 수많은 이미지를 학습시켜 추후에 새로운 이미지가 입력되었을 때 정확히 Label을 붙이는 것을 목적으로 한다. 예를 들어 강아지, 고양이, 새 등 여러 동물들의 이미지를 보여주고 새로운 강아지의 이미지를 입력하였을 때 학습된 컴퓨터가 해당 이미지를 강아지라고 판단하게 하는 것이 CNN의 목적이다. CNN은 생명체가 시각 정보를 처리하는 방식을 그대로 이용하고 있다.

따라서 어류에 대한 양식장을 운영하는 데 있어서, 어류가 병해에 걸렸는 지 엽를 판단할 때에는 어류에 대한 병해 정보 이미지를 저장하고 있는 데이터 베이스(database) 파일이 필요하다고 할 수 있다.

도 5는 각종의 어류에 대하여 병해를 가지고 있는 경우에 대하여 사진 이미지를 예시적으로 분류한 사진이라고 할 수 있다.

도 5의 (a)를 참조하면, 기생충성 질병이라고 할 수 있는 갈리구스증의 증상을 보여주는 사진이다. 기생충의 경우 어류의 표면상에 기생하는 경우가 많아 본원 발명과 같이 사진 자료를 이용하여 중요 데이터를 추출하고 이로부터 기존에 가지고 있던 어류 병해에 대한 데이터 베이스와 CNN 방식을 통해서 이미지 비교를 하는 경우에는 이에 대한 데이터 베이스를 구축하고 있어야 즉각적인 조치가 가능할 수 있다.

특히 컨볼류션 뉴럴 네트워크(convolution neural network)에 이동형 카메라를 통해서 촬영된 정보(이미지)와 어류의 병해에 대한 정보를 담고 있는 데이터베이스에 저장된 인덱싱 데이터와 비교하여 상기 어류에 대한 촬영 결과로부터 추출된 이미지와 비교하는 과정을 통해 정확한 병해 진단을 수행할 수 있을 뿐만 아니라, 뉴럴 네트워크는 언제든지 학습 데이터를 업데이트 하여 뉴럴 네트워크의 병해 진단 기능을 업데이트 할 수 있는 특성을 갖기 때문이다.

도 5의 (b)와 (c)는 각각 복어에 대한 바이러스성 질병인 구백증의 양상을 보여주는 사진이고, 참돔에 대한 영양성 질병인 녹간증을 보여주는 사진이라고 할 수 있다.

이와 같은 데이터 들은 병해 데이터베이스(database)에 저장된 상태일 수 있다.

이와 같은 병해 데이터 베이스는 CNN(합성곱 신경망) 알고리즘을 사용하여 이동형 카메라를 촬영한 사진 이미지로부터 획득되고 추출된 이미지가 병해를 가지고 있는 지에 대한 판단의 척도가 될 수 있다.

도 6은 본 발명의 일 실시예에 따른 합성곱 신경망(CNN)의 구성을 모식적으로 보여주는 그림이다.

도 6을 참조하면, CNN은 합성곱 레이어(convolution layer), 풀링레이어(pooling layer), 비선형성을 부여하는 ReLu layer, 전연결 레이어(Fully Connected layer)로 나뉠 수 있다.

우선 CNN(100)에 인풋 데이터(본 발명에서는 이동형 카메라를 통해서 컴퓨터로 전송된 이미지)인 이미지의 구조로 표현할 수 있다. 이미지의 구조는 3개의 숫자로 표현할 수 있고, 3차원 배열로 가로(widhe)*세로(heigt)*색깔(depth)의 의미를 갖는다. (x, y, 0)은 R의 정보를, (x, y, 1)의 정보는 G의 정보를, (x, y, 2)은 B의 정보를 담는 방식이다.

출력값(output)은 입력된 이미지가 어떤 label을 가질 것인지의 확률로 제시된다.

전연결 layer(FC layer)에서는 softmax classification을 이용하여 해당 이미지가 어떤 label을 가질 것인가를 결정하게 된다.

먼저 합성곱 레이어는, 필터(kernel, neuron)를 이용하여 이동형 카메라에서 촬영된 이미지의 특성값을 추출하는 과정을 거치게 된다.

이와 같이 필터를 통해서 추출된 데이터의 배열을 피쳐 맵(feature map, activation map)이라고 한다. 피쳐맵의 개수는 사용하는 필터의 개수와 동일한 특성을 갖는다. 합성곱(convolution)을 자주 하다 보면, 피쳐 맵은 본래의 이미지보다 크기가 작아질 수 밖에 없다. 여기에 패딩(padding )값을 주어 크기가 줄어드는 것을 막게 된다.

합성곱 과정을 거치게 된 데이터는 덧셈과 곱셈으로 이루어져 있다. 이와 같은 linear한 데이터는 복잡한 데이터 분류에 대한 취약성을 갖기 때문에 ReLU를 이용하여 non-Linearity 속성을 부여할 수 있다.

풀링 레이어(pooling layer)는 subsampling 기능을 수행하는 연산이라고 볼 수 있다. 합성곱을 거친 데이터로부터 한번 더 표본을 추출한다고 볼 수 있다.

이때 도 6에 도시된 바와 같이 행렬 중에서 가장 큰 값을 뽑는 풀링을 max pooling 이라고 한다. 이와 같이 풀링 과정을 거치게 되면, 정말 필요한 데이터만 뽑을 수 있고, 그로 이해 데이터의 크기가 작아지는 이중의 효과를 얻게 된다.

원본 이미지에서 맥락에 맞지 않는 노이즈가 들어가 있는 경우에도 pooling과정을 거치게 되면, 노이즈를 일부 제거하고 데이터를 학습시킬 수 있다.

마지막으로 전연결 레이어(FC layer)는 이전까지의 정보를 모두 모아 Softmax 분류(classification)을 수행하게 된다.

이렇게 분류된 최종 데이터를 가지고 기존에 이미 CNN 과정을 통해서 획득된 병해 서버(server) 데이터와의 비교 작업을 통해 촬영된 이동형 카메라로부터 촬영된 이미지가 병해를 가지고 있는 지의 여부를 결정하게 된다.

만일 이동형 카메라를 통해서 촬영된 이미지가 병해를 가지고 있다고 판단되는 경우에는 질병 치료부의 구동을 시작한다. 본원 발명에서는 이러한 질병 치료를 위해 바이오 플락(biofloc)이라는 기술을 이용하게 된다.

그 전에 상기와 같은 데이터(이미지) 전송을 수행할 수 있는 물고기 드론에 대하여 살펴보기로 한다.

물고기 드론(fish dron)은 공중 비행체의 일종인 비행체를 수중 탐사 또는 본원 발명과 같이 질병 탐지 또는 질병치료에 적용한 기술이라고 할 수 있다.

도 7은 본 발명의 일 실시예에 따른 물고기 드론의 구조를 모식적으로 보여주는 도면이다.

도 7을 참조하면, 물고기 드론(300)은 유선형으로 형성되고, 물고기 드론 몸체(310)에는 자이로 제어장치(330)를 구비하여, yaw, pitch, roll운동이 가능하고, 물고기 모양의 웨어러블 카메라인 이동형 카메라(미도시)를 구비하여 물고기의 상태에 대한 촬영일 가능할 수 있다.

또한 물고기 드론(300)은 백신을 투하하거나, 먹이를 공급하는 역할도 수행할 수 있다. 또한 자이로 센서를 구비한 피라미드 자이로(320)을 구비하고 있어서 자세 제어 등이 가능할 수 있다.

여기서 yaw라고 하는 것은 물고기 드론(300)의 z축 방향에서의 회전 운동을 말하고, pitch라고 하는 것은 y축 방향의 회전을 의미한다. 또한 roll은 도시된 바와 같이, x 축방향의 회전을 의미한다.

수중에서 역시 하늘에서와 마찬가지로 상하 좌우로 움직일 수 있어야 물고기와 충돌하는 일 없이 이미지 전송 기능을 수행할 수 있기 위한 구성이라고 할 수 있다.

바이오플락(biofloc)이란 통상적으로 미생물, 조류, 원생동물 및 미세입자가 뭉쳐져 있는 작은 덩어리를 일컫는데, 작은 바이오플락은 미생물에 의해 분비되는 끈끈한 엑스트라 셀룰라 효소(Extracellurllar enzyme)에 의해 서로 뭉쳐져 좀 더 큰 플락을 형성하게 되어 육안으로 구분할 수 있는 크기(50-200micron)로 발전하여 쉽게 침전된다. 이렇게 형성된 바이오플락은 영양적 가치가 높으며, 일반적으로 건조된 바이오플락은 단백질이 30-45%, 지방질이 1-5%, 나머지는 각종 비타민과 미네랄로 구성되며, 생균제의 역할을 담당하기도 한다.

이러한 바이오플락을 이용한 바이오플락기술(BFT: Biofloc technology)은 물이 부족하고 부지가 좁은 공간에서 많은 양의 물고기를 키워낼 수 있다. 보다 구체적으로, 양식 생물의 사육과정에서 발생하는 미섭취사료, 양식생물의 배설물, 미생물, 미세조류 등 입자성 물질들을 그대로 이용해 사육수 내의 미생물이 분해자 역할, 미세조류가 1차 생산자 역할, 동물플랑크톤이 1차 소비자의 역할, 양식생물의 사육과정에서 발생하는 미섭취사료, 양식생물의 배설물, 미생물, 미세조류 등 입자성 물질들을 그대로 이용해 사육수 내의 미생물이 분해자 역할, 미세조류가 1차 생산자 역할, 동물플랑크톤이 1차 소비자 역할, 양식생물이 최종 포식자 역할을 함으로써 작은 양식 생태계가 구성되게 하는 생태적 양식 방법의 하나로 사육수에 존재하는 암모니아, 아질산, 질산염, 유기물 등을 미생물이 분해하여 아미노산이나 저분자 단백질로 전환시키거나 생합성과정을 통해 새로운 유기물 성분으로 전환시켜 수질을 정화시키면서 동시에 양식생물의 먹이로 추가 이용할 수 있게 하는 친환경 양식 기술이다.

이와 같은 바이로플록을 시용함으로서 물고기에 대한 질병 치료를 수행할 수 있고, 물고기 드론(300)에 장착되어 있는 백신 또는 먹이 공급장치를 통해서 병든 물고기에 대한 치료 과정을 수행할 수 있다.

이하에서는 인공지능 딥러닝을 이용한 스마트 양식장 관리시스템의 운영방법에 대하여 상술한다.

먼저 양식장은 실내양식장으로서 물의 공급은, 수질정화 방법으로 고압 20만V(20kV), AC를 전극판을 사이에 물을 흐르게하여 물속의 박테리아 가 감전되어 죽게 되는데 양식장내 전기가 직접 흐르지 않게 하기 위해 반드시 고무 호스를 연결한 후 폭포처럼 위에서 아래로 떨어지도록 전기분해하는 방식으로 수질을 실시간 개선한다.

또한 양식장의 경우 노폐물이 축적되는 경우 양식 장에 있는 어류에 대하여 좋지 않은 영향을 줄 수 있기 때문에 주기적으로 온도, pH, 산소 농도(Dissolved Oxygen)에 대한 체크가 필요할 수 있다.

이것은 양식장 내부 사정에 의한 물고기의 폐사를 막기 위한 기본적인 조치라고 할 수 있다. 이러한 기능을 수행할 수 있도록 각 방마다 혹은 통로마다 배치된 고정카메라에 대한 액세서리로 부착하여 지속적인 보고가 가능하도록 구성되어 있다(s10, s20).

본 발명의 일 실시예에서는 이러한 기본적인 기능외에 물고기가 병해를 가지고 있을 때 이를 판단하고 조치를 취할 수 있는 수단을 구비하고 있다.

물고기 모양의 웨어러블 카메라를 장착한 물고기 드론(300)을 사용해서 물고기들의 영상을 촬영하여 PC로 전송할 수 있다. 상기 웨어러블 카메라로 촬영된 이미지를 입력으로 하여 합성곱(convolution) 연산을 수행하여 물고기 사진에 대한 특징을 추출할 수 있다. 상기 합성곱 연산이 수행된 이미지에 대하여 피쳐맵을 작성하고(s50), 상기 피처맵에 대하여 비선형성을 부여하는 단계(s60)를 수행할 수 있지만 경우에 따라서는 이 과정은 생략될 수도 있다. 상기 비선형성이 부여된 피쳐맵에 대하여 표본 데이터(subsampling)를 뽑는 단계(s70)를 진행하여 데이터를 줄이고, 신속한 데이터 처리를 수행할 수 있다. 상기 표본 데이터에 대하여 FC 레이어를 통과시켜 분류된 기준에 따라 병해 이미지를 보유하고 있는 데이터베이스와 비교하여 병해를 보유하고 있는 지 진단하는 단계(s80)를 거치게 되면 촬영된 어류에 대한 진단 과정은 완료된다고 할 수 있다.

병해가 있다고 판단되는 경우 바이오 플록 기술을 이용하여 백신을 투여할 수도 있고, 전염병이라고 판단되는 경우 등에는 격리 등의 조치를 취할 수도 있다.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

100: 컨볼루셔날 신경망 110: 영상입력부
112: 학습부 CNN 114: 학습 정보
120: 실행부 CNN 130: 최종 분류부

Claims (4)

1. 인공지능 딥러닝을 이용한 스마트 양식장 관리 FEMS(Factory Energy Management System)에 있어서,
   물고기를 풀어주면 각 방으로 흩어져 들어갈 수 있도록 형성된 뿌리 모양의 양식장;
   상기 양식장에는,
   상기 양식장에 설치된 각 방과 통로에 설치되어 물의 온도, pH 및 DO(Dissolved Oxygen)를 측정하여 전송하는 센서가 부착된 고정카메라를 통해서 시설과 장비의 관리를 수행하는 FEMS(Factory Energy Management System; 시설 관제 시스템),
   풍력, 태양광 에너지를 에너지 저장장치(Energy Storage System)에 저장하고, 열병합 발전을 이용하여 전력이 부족한 경우 예비전력을 제공할 수 있고, 블랙아웃 상태에서 기동할 수 있는 에너지 저장장치(Energy Storage System)를 포함하고
   FEMS(Factory Energy Management System)이 센서류, 계측기, 설비운영 S/W를 통해 집계되는 에너지 사용 설비 및 기기의 에너지 사용량을 계측하는 모니터링 장치, 계측을 통해 수집된 데이터를 이용하여 에너지 사용설비 및 기기에 대해 관리하는 제어 장치 및 집계, 보관, 통계를 통해 사용현황을 분석하고, 모니터링 장치의 분석결과를 토대로 시뮬레이션 분석을 예측하여 교체 시점 정보를 제공하는 에너지 분석 장치를 포함하고,
   상기 FEMS(Factory Energy Management System)의 모니터링 장치는 에너지 사용 설비 및 기기의 에너지 사용량을 계측하여 집계하고 저장하여 실시간으로 관리자에게 제공할 수 있으며, 센서류, 계측기, 설비운영 S/W로부터 에너지 사용현황을 포함하는 다양한 에너지 관련 데이터를 수집하고, 에너지 효율 개선을 위하여 센서나 계측기를 추가 설치하는 것이 가능하며,
   상기 FEMS(Factory Energy Management System)의 제어 장치는 계측을 통해 수집된 데이터를 이용하여 에너지 사용설비 및 기기에 대한 관리 기능을 제공할 수 있으며,
   상기 FEMS(Factory Energy Management System)의 에너지 분석 장치는 집계, 보관, 통계를 이용한 시간, 일/월/년 별로 사용 현황을 분석하고, 모니터링 장치의 분석결과를 토대로 시뮬레이션 분석을 예측하고, 설비 및 기기의 운전 성능 분석을 통해 라이프 사이클 관점에서 종합 평가하여 교체 시점에 대한 정보를 제공할 수 있고,
   물고기 드론에 웨어러불 카메라(wearable camera) 형태인 이동형 카메라를 장착하여 상기 양식장 내부를 돌아다닐 수 있도록 구성되고 물고기의 동적 움직임을 촬영하여 컴퓨터로 이미지를 전송하고,
   상기 컴퓨터로 전송된 물고기의 이미지들을 통해 인공지능중 딥러닝 기능을 이용하여 물고기 질병의 판단을 수행할 수 있는 병해 판단부; 및
   상기 병해 판단부의 판단에 따라 무항생제 백신을 공급하는 질병치료부를 포함하되,
   상기 병해 판단부는 인공지능 딥러닝 기능을 실행하는 딥러닝 학습부; 상기 딥러닝 학습부에서 딥러닝 학습에 의하여 학습된 결과를 이용하여 상기 양식장의 이동성 카메라로부터 전송된 영상에 대하여 병해 진단을 하는 딥러닝 예측부;를 포함하고,
   상기 질병치료부는 바이오플록(biofloc)이 배치되어 바이오플록에 내장되어 있는 미생물 및 무항생제 백신을 물고기에게 공급할 수 있고,
   상기 양식장에 공급되는 물은,
   물을 저장하는 챔버;
   상기 물을 펌핑하고 상기 챔버의 물을 역삼투를 통해 상기 물을 담수와 농축된 농축수로 분리하는 역삼투막;
   상기 물을 상기 역삼투막으로 공급하고, 상기 역삼투막에 의해 분리된 담수는 수 챔버로 이동시키며, 상기 농축된 농축수는 하수구로 방류시키는 동작을 주기적으로 반복실행하되, 상기 수챔버에서 상기 담수의 배출량이 측정되고 상기 측정된 상기 수 챔버에서의 상기 담수의 배출량에 따라 구동력이 제어되는 리니어 펌프;
   수직한 방향으로 구성되는 케이스와, 상기 케이스 내부 중앙에 구성되는 영구자석과, 상기 케이스 내부에 구성되며 상기 영구자석의 양측에 각각 위치하도록 구성되고, 부도체인 플라스틱 블록의 외주면에 코일이 감겨 지게 구성되어 전류가 공급되면 서로 간에 발생되는 척력에 의해 상기 영구자석을 상기 케이스 내에서 아래로 미는 다수의 제1코일 블록과, 전류가 공급되면 서로 간에 발생되는 척력에 의하여 상기 영구자석을 상기 케이스 내에서 위로 미는 다수의 제2코일 블록과, 상기 케이스 안쪽에 구성되며, 상기 제1, 제2코일 블록들을 구성하는 코일의 접점에 전류를 접촉방식으로 공급하는 전선을 포함하여 구성되어 상기 리니어 펌프를 구동하는 리니어 모터;
   상기 제1 코일블록과 제2코일블록들을 구성하는 코일에 대한 전류 공급을 제어하는 것에 따라 상기 케이스 내부의 상기 영구자석의 위치를 변화시키도록 제어하되, 목표 전압에 따라 직류전압을 구동 전압인 제1 전압과 제2 전압으로 분배하는 분배회로 및 구동전류를 구동전압에 따라 제1전류와 제2 전류로나누어 상기 리니어 모터의 제1 코일블록들과 제2 코일 블록들을 구동하는 차동회로를 포함하는 구동회로;
   상기 담수의 배출량을 측정하고, 물의 공급과 담수 배출에 대한 동작 데이터를 검출하여 서버로 전송하는 센서;
   상기 센서에서 측정된 상기 담수의 배출량에 따라 상기 리니어 펌프의 구동력을 제어하는 제어기; 및
   상기 센서의 동작데이터를 모니터링하고, 이상 발생시 조치하는 서버로 구성되어 상기 센서의 동작데이터를 공유하는 물의 담수화 장치를 통해서 공급되는 것을 특징으로 하고,
   상기 병해 판단부에 배치된 딥러닝 예측부는,
   상기 컴퓨터로 전송된 물고기 이미지에 대한 추출작업을 수행하는 합성곱(convolution) layer와, 상기 합성곱레이어를 통해서 얻어진 수를 뽑아낸 피쳐맵(feature map)과, 상기 피처맵의 결과에 대해서 비선형성(non-linearlity)를 부여하는 활성화 함수와, 상기 활성화 함수를 거친 이미지에 대하여 표본 데이터(subsampling)를 뽑는 풀링레이어(pooling layer)와, 상기 풀링레이어를 거친 데이터를 분류하는 전연결 (FC, fully connected) 레이어를 통과시켜 물고기에 대한 이미지가 병해를 보유하고 있는지 판단하는 과정을 수행하며,
   상기 물고기 드론은,
   자이로 제어장치를 구비하여, yaw, pitch, roll운동이 가능하고,
   물고기 모양의 웨어러블 카메라인 이동형 카메라를 구비하여 상기 이동형 카메라를 통하여 찍은 이미지를 PC로 전송하고,
   상기 양식장으로 공급되는 물은 전기를 통해 박테리아 살균된 물인 것을 특징으로 하는 인공지능 딥러닝을 이용한 스마트양식장 관리 FEMS 시스템.
2. 삭제
3. 삭제
4. 삭제

Images