KR102296501B1 - 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템 - Google Patents
깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템 Download PDFInfo
- Publication number
- KR102296501B1 KR102296501B1 KR1020200163602A KR20200163602A KR102296501B1 KR 102296501 B1 KR102296501 B1 KR 102296501B1 KR 1020200163602 A KR1020200163602 A KR 1020200163602A KR 20200163602 A KR20200163602 A KR 20200163602A KR 102296501 B1 KR102296501 B1 KR 102296501B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- sow
- fertilization
- sows
- estrus
- Prior art date
Links
- 230000012173 estrus Effects 0.000 title claims abstract description 52
- 230000004720 fertilization Effects 0.000 claims abstract description 62
- 238000013135 deep learning Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000033001 locomotion Effects 0.000 claims abstract description 18
- 238000009395 breeding Methods 0.000 claims abstract description 4
- 230000001488 breeding effect Effects 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 31
- 230000001158 estrous effect Effects 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000003384 imaging method Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012805 post-processing Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000005236 sound signal Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 239000000428 dust Substances 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000009979 protective mechanism Effects 0.000 claims description 2
- 241000282898 Sus scrofa Species 0.000 description 24
- 238000010586 diagram Methods 0.000 description 10
- 241000282887 Suidae Species 0.000 description 9
- 230000009027 insemination Effects 0.000 description 8
- 230000035558 fertility Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003416 augmentation Effects 0.000 description 4
- 210000000582 semen Anatomy 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 244000144972 livestock Species 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000016087 ovulation Effects 0.000 description 3
- 230000032696 parturition Effects 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 208000035752 Live birth Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000035606 childbirth Effects 0.000 description 1
- 230000027288 circadian rhythm Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000013872 defecation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004392 genitalia Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004899 motility Effects 0.000 description 1
- 210000003097 mucus Anatomy 0.000 description 1
- 210000003101 oviduct Anatomy 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 210000004994 reproductive system Anatomy 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61D—VETERINARY INSTRUMENTS, IMPLEMENTS, TOOLS, OR METHODS
- A61D17/00—Devices for indicating trouble during labour of animals ; Methods or instruments for detecting pregnancy-related states of animals
- A61D17/002—Devices for indicating trouble during labour of animals ; Methods or instruments for detecting pregnancy-related states of animals for detecting period of heat of animals, i.e. for detecting oestrus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Veterinary Medicine (AREA)
- Animal Husbandry (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Pregnancy & Childbirth (AREA)
- Economics (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Marine Sciences & Fisheries (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 모돈의 수정 적기를 판단하기 위해 깊이 영상카메라 및 소리 센서로 모돈의 발정기를 탐지하고 수정적기를 판단하는 시스템으로서, 복수의 모돈의 발정 여부를 관찰하기 위해 돈사 내에 모돈을 사육하는 스톨의 천장에 설치되어 상기 모돈의 움직임을 촬영 및 저장하는 깊이 영상카메라; 상기 깊이 영상카메라에서 촬영된 영상을 분석하는 영상분석기를 포함하며, 상기 영상분석기에는 상기 모돈의 수정적기를 판단하기 위한 딥러닝 기반의 수정적기 판단 소프트웨어가 포함되어 있는 것을 특징으로 한다. 본 발명에 따라 모돈의 발정기를 탐지하고 수정 적기를 판단함으로써, 발정 미감지에 따른 피해를 최소화 하여 돈사의 생산성을 극대화 할 수 있으며, 실시간으로 발정기를 자동 탐지함으로써 투입되는 노동력을 절감할 수 있다.
Description
본 발명은 모돈의 발정여부 및 수정 적기를 판단하는 시스템에 관한 것으로, 보다 더 자세하게는 깊이 영상카메라 및 소리 센서를 활용하여 모돈의 움직임과 소리를 탐지하고, 딥러닝 기술을 통해 모돈의 발정여부를 판단하고 수정적기를 계산하는 시스템에 관한 기술이다.
모돈은 새끼를 낳는 목적으로 사육되는 돼지이며, 현재 우리나라에서 사육되는 모돈의 비율은 11%를 차지하고 있다. 새끼를 낳는 목적으로 따로 분류해 키우는 모돈은 전국 돼지 공판장에서 하루 평균 400여 마리만 거래될 정도로 귀한 돼지이다.
최근 국내 양돈 산업은 연간 7조 원을 돌파하여 쌀 생산액을 추월하고 국내 농축산 분야에서 가장 큰 규모로 성장하였지만, 유럽의 축산선진국에 비하여 생산성이 떨어져 많은 어려움을 겪고 있다.
또한, 일반적으로 국내 양돈 산업에서 활용되고 있는 발정 탐지 보조기구로는 모돈의 발정기 중 질점액의 pH 변화를 이용한 발정 탐지기구가 수정 적기 파악에 보조적으로 사용되고 있으나 실용상에 제약이 많고 수태율 향상에 크게 도움이 되지 않는다는 문제점이 있다.
특히, 돼지의 경우 양돈 생산성 지표인 MSY(최대유지생산: Maximum Sustainable Yield)가 선진국의 약 70%에 불과한 수준이라 양돈 생산비가 선진국에 비해 25%정도 더 상승하기 때문에, 결과적으로 국내 축산농가의 가격 경쟁력을 저하시키는 원인이 된다.
따라서 MSY의 비율을 높이려면, 어미돼지인 모돈에게 적합한 생장 및 가임 환경을 조성하고 가임 또는 분만 전후에 사육방식을 개선하여 돼지의 폐사율을 감소시켜야 하는 것이다. 다음은 이와 관련한 종래의 선행기술들이다.
관련된 선행기술로서 (특허문헌 0001) 대한민국 등록특허공보 제10-2014-0105054호 "RFID 기반의 모돈 발정 감지 시스템"은 자동으로 모돈의 발정을 감지하는 방법으로서 본 발명과 일부 유사점이 있으나, 본 발명은 모돈의 움직임 및 소리를 센싱하여 발정 감지 뿐만 아니라 수정 적기를 판단하는 시스템을 구현하는 시스템이다.
한편, (특허문헌 0002) 대한민국 공개특허공보 제10-2020-0117610호 "전자식 모돈 관리 장치"는 모돈의 수정적기를 판단하는 장치로서 본 발명의 기술과 일부 유사점이 있으나, 본 발명은 딥러닝 학습을 통해 보다 더 정확한 수정적기 판단 시스템을 구현하여 농장주의 관리 효율을 높이는 모돈의 발정여부 및 수정 적기 판단 시스템을 제공한다.
일반적으로, 대부분의 농장에서는 모돈의 발정기를 탐지하기 위하여 사람이 직접 매일 하루 두 번씩 모든 모돈을 관찰하고 있다.
각 모돈에 대하여 직접 웅돈을 가까이 해주면서 모돈의 반응을 사람이 직접적으로 관찰해야 하므로, 숙련된 기술자와 초보자의 기술수준 차이가 매우 크며, 지리적으로 도심에서 벗어나 외지에 위치한 농가 지역의 인력 감소로 인해 노동력 부족이라는 문제점이 항상 동반된다.
또한, 사람이 특정 모돈의 발정 여부는 탐지하더라도 발정시작 시각(예를 들어 야간시간 또는 비근무시간에 발정시)을 알 수 없어 수정 적기를 정확히 판단할 수 없기에, 여러 번의 인공수정 시도로 인한 노동력 낭비와 주입되는 웅돈의 정액이 과소비 되는 문제점들이 발생된다.
또한, 모돈을 스톨이라는 제한된 울타리에 구속하여 사육하는 현재의 돈사(돼지축사)에서는 모돈의 스트레스로 인해 자돈의 생산성 저하가 초래되며, 축사 관리자에 의한 수동적 발정 감지는 수정 적기를 정확히 판단하기 힘들며, 이로 인하여 모돈의 출산 능률을 저하시킬 수 있는 문제점이 발생한다.
상기 목적을 달성하기 위해 본 발명에 따른 모돈의 수정 적기를 판단하기 위해 깊이 영상카메라 및 소리 센서로 모돈의 발정기를 탐지하고 수정적기를 판단하는 시스템은 복수의 모돈의 발정 여부를 관찰하기 위한 돈사 내에 모돈이 거주하는 스톨의 천장에 설치되어 상기 모돈의 움직임을 촬영 및 저장하는 깊이 영상카메라; 상기 깊이 영상카메라에서 촬영된 영상을 분석하는 영상분석기를 포함하며, 상기 영상분석기에는 상기 모돈의 수정적기를 판단하기 위한 딥러닝 기반의 수정적기 판단 소프트웨어가 포함되어 있는 것을 특징으로 하는 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템이 제공된다.
상기 시스템은 소리 센서를 더 포함하며, 상기 소리 센서는 상기 스톨의 천장 또는 스톨의 일측에 설치되어 상기 모돈이 발생시키는 소리를 센싱하여 소리 데이터를 수집하고, 상기 영상분석기에 포함된 상기 수정적기 판단 소프트웨어는 상기 소리 센서에서 센싱된 소리 데이터를 기존에 저장된 돈사 내 영상 및 소리 데이터들과 함께 분석하는 딥러닝 기반의 수정적기 판단 소프트웨어인 것을 특징으로 할 수 있다.
상기 딥러닝 기반의 수정적기 판단 소프트웨어는, 스톨에서 활동하는 모돈의 움직임 및 소리 데이터를 수집하는 데이터 취득 모듈; 상기 취득된 데이터에서 깊이 영상 및 소리 신호를 분할하는 알고리즘을 통해 데이터의 노이즈를 제거하는 데이터 전처리 모듈; 딥러닝 학습을 통해 학습데이터에서 설정된 기준에서 일정 범위를 벗어나는 분석값을 나타낼 때 이상상황으로 탐지하고 상기 모돈의 수정적기 판단에 활용하는 이상상황 탐지 모듈; 상기 수정적기 판단 소프트웨어를 통해 산출된 결과값을 출력하는 인터페이스를 구비한 후처리 모듈;를 포함할 수 있다.
상기 이상상황 탐지 모듈은, 기 취득한 돈사 내 환경 데이터로서 상기 돈사의 농장주로부터 입력된 사전 데이터 및 수의사로부터 입력된 전문 데이터를 상기 취득된 깊이 영상 및 소리 신호와 비교 분석하여 상기 모돈의 발정기 및 수정적기를 판단할 수 있다.
상기 딥러닝 기반의 수정적기 판단 소프트웨어는 상기 깊이 영상카메라 및 소리 센서를 통해 영상 및 소리 데이터를 포함하는 멀티미디어 데이터를 연속적으로 취득하는 단계; 상기 데이터 전처리 모듈에서 상기 취득한 영상 및 소리 데이터를 학습하여 노이즈 및 간섭을 제거하는 단계; 상기 이상상황 탐지 모듈에서 상기 학습된 데이터에 기반하여 설정된 소정의 기준에 따라 상기 모돈의 이상여부를 탐지하고 발정기를 판단하는 단계; 상기 후처리 모듈에서 상기 농장주의 편리성을 고려하여 구현된 복수개의 기능 및 인터페이스를 이용하여 상기 시스템의 최종 결과를 가공하여 제공하는 단계로 구성될 수 있다.
상기 이상상황 탐지 모듈은, 인공지능 신경망 모델을 사용하되, 신경망 학습에 있어서 부족한 데이터를 사전 제작된 페이크 영상데이터 및 페이크 소리데이터로 대체하고, 비지도 학습 신경망 모델의 GAN(Generative Adversarial Nets)을 학습에 적용하여 상기 딥러닝 학습데이터 기준에서 소정의 수치 범위를 벗어나는 분석값으로 판단될 때 상기 모돈의 발정시기로 판단할 수 있다.
상기 딥러닝 기반의 수정적기 판단 소프트웨어는 상기 이상상황 탐지 모듈에서 상기 모돈의 발정시기가 판단되면, 상기 발정시기로부터 상기 모돈의 수정적기를 판단하는 계산 단계를 더 포함하며, 상기 계산된 수정적기의 결과값을 실제 수태 성공여부와 비교하여 오차데이터를 피드백하여 학습하는 보정 단계를 더 포함할 수 있다.
상기 후처리 모듈은 상기 농장주에게 상기 모돈의 발정기 탐지결과 및 수정적기 계산결과를 알려주는 알람 경보 모듈을 추가로 더 포함하며, 상기 알람 경보 모듈은 기 설정된 수신 대상자 정보를 기초로 상기 농장주 또는 다른 관리인에게 휴대폰 문자메시지 또는 어플리케이션 푸쉬 알람으로 상기 결과값을 전송할 수 있다.
상기 시스템은 상기 돈사 내에서 상기 모돈의 배변 또는 사료로부터 발생하는 분진으로 인해 상기 깊이 영상 카메라 및 소리 센서가 훼손되는 것을 방지하는 보호 기구물을 추가적으로 더 구비할 수 있다.
본 발명의 실시예에 따르면, 모돈의 발정기를 탐지하고 수정 적기를 판단함으로써, 발정 미감지에 따른 피해를 최소화하여 생산성을 높일 수 있다.
또한, 실시간으로 발정기를 탐지하며 노동력을 최소화 할 수 있으며, 인공수정에사용되는 웅돈의 정액 비용을 절감 할 수 있다.
또한, 발정여부 및 수정적기를 정확하게 판단하여 인공수정을 시도하기 때문에, 무분별한 인공수정 시도로 인한 모돈의 스트레스를 저감하며, 모돈의 스트레스로 인한 생산성 저하도 예방할 수 있다.
또한, 돈방 내에서 배변으로부터 발생하는 암모니아 등에 의한 분진으로 인해 카메라 및 마이크 센서가 훼손되는 것을 고려하여 이들 장비를 관리하기 위한 기구물을 추가적으로 구비함으로써, 시스템의 운용시 유지보수 비용 및 노력을 최소화 할 수 있다.
도 1은 본 발명의 일 실시예에 따른 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정여부 및 수정 적기 판단 시스템의 돈사 적용예를 도시한 도면이다.
도 2는 깊이 영상카메라 및 소리 센서를 이용하여 영상 및 소리 데이터베이스를 구축하는 구성도를 간략하게 보여주는 블록도이다.
도 3은 본 발명의 이러 실시예에 따른 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정여부 및 수정 적기 판단 시스템의 처리 프로세스를 모듈별로 보여주는 블록도이다.
도 4은 본 발명의 일 실시예에 따라 깊이 영상 카메라로 돈사의 스톨을 촬영한 화면이다.
도 5는 본 발명의 일 실시예에 따라 딥러닝 기반의 수정적기 판단 소프트웨어에서 페이크 영상 데이터를 제작하기 위한 신경망 모델의 블록도이다.
도 6은 본 발명의 일 실시예에 따라 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정여부 및 수정 적기 판단 시스템을 이용한 돈사에서의 적용예를 나타내는 플로우 차트이다.
도 2는 깊이 영상카메라 및 소리 센서를 이용하여 영상 및 소리 데이터베이스를 구축하는 구성도를 간략하게 보여주는 블록도이다.
도 3은 본 발명의 이러 실시예에 따른 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정여부 및 수정 적기 판단 시스템의 처리 프로세스를 모듈별로 보여주는 블록도이다.
도 4은 본 발명의 일 실시예에 따라 깊이 영상 카메라로 돈사의 스톨을 촬영한 화면이다.
도 5는 본 발명의 일 실시예에 따라 딥러닝 기반의 수정적기 판단 소프트웨어에서 페이크 영상 데이터를 제작하기 위한 신경망 모델의 블록도이다.
도 6은 본 발명의 일 실시예에 따라 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정여부 및 수정 적기 판단 시스템을 이용한 돈사에서의 적용예를 나타내는 플로우 차트이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되는 실시 예를 참조하면 명확해질 것이다.
그러나, 본 발명은 이하에서 개시되는 실시 예로 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이다.
또한, 본 명세서에서 본 실시 예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 그리고 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
따라서, 몇몇 실시 예에서, 잘 알려진 구성 요소, 잘 알려진 동작 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다.
또한, 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭하고, 본 명세서에서 사용된(언급된) 용어들은 실시 예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다.
본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함하며, '포함(또는, 구비)한다'로 언급된 구성 요소 및 동작은 하나 이상의 다른 구성요소 및 동작의 존재 또는 추가를 배제하지 않는다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다.
또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.
일반적으로, 대부분의 농장에서는 모돈의 발정기를 탐지하기 위하여 사람이 직접 매일 하루 두 번씩 모든 모돈을 관찰하고 있다.
이때 발정기를 관찰하기 위해 사용되는 대표적인 방법은 각 모돈에 대하여 웅돈을 직접 가까이 해주면서 모돈의 반응을 사람이 직접적으로 관찰하는 방법이 있다. 이렇게 사람이 직접 직접을 수행해야 하므로, 농가 지역의 인력 감소로 인한 노동력 부족이라는 난제와 항상 충돌하는 문제가 발생한다. 아울러, 모돈의 반응을 관찰하고 판단하는 사람이 얼마나 숙련된 기술자인지에 따라서 수태율의 차이가 클 수 밖에 없다.
또한, 사람이 특정 모돈의 발정 여부를 탐지하더라도 해당 발정의 시작 시각을 정확히 알 수 없어 이에 따른 수정 적기를 정확히 판단할 수 없기에, 어쩔 수 없이 여러 번의 인공수정을 시도할 수 밖에 없고, 이로 인한 노동력 낭비와 모돈에게 주입되는 정액의 낭비라는 문제점이 발생된다.
참고로, 아래 표 1은 인공수정의 적기 시간을 대표적으로 나타낸 표이다.
[표 1]
돼지는 배란시기와 인공수정 시간과의 차이에 따라 수태율과 산자수가 많이 달라진다.
일반적으로 배란은 발정징후를 보이는 승가허용 시간으로부터 36~44시간(평균 40시간)에 일어나므로 정자의 난관 내 이동시간, 정자의 암퇘지 생식기관내 생존시간 등을 고려하여 볼 때 배란 12시간 전에 수정하는 것이 적기라고 할 수 있으므로 이에 맞추어 수정하는 것이 바람직하다고 알려져 있다.
따라서, 이러한 발정 시작시기를 정확하게 포착하는 탐지 시스템이 필요하며, 이로부터 수정적기를 판단하는 알고리즘이 포함된 분석 시스템이 필요하다.
본 발명의 모돈의 수정 적기를 판단하기 위해 깊이 영상카메라 및 소리 센서로 모돈의 발정기를 탐지하고 수정적기를 판단하는 시스템은 복수의 모돈의 발정 여부를 관찰하기 위한 돈사 내에 모돈이 거주하는 스톨의 천장에 설치되어 상기 모돈의 움직임을 촬영 및 저장하는 깊이 영상카메라(120)와 깊이 영상카메라에서 촬영된 영상을 분석하는 영상분석기(140)를 포함하며, 상기 영상분석기에는 상기 모돈의 수정적기를 판단하기 위한 딥러닝 기반의 수정적기 판단 소프트웨어가 포함될 수 있다. 여기서 스톨(110)은 모돈이 발정기인지 여부를 관찰하는 사육 공간이며, 영상 카메라(120)는 상시 전원으로 작동될 수 있고, 기본적으로 모돈의 모든 움직임(특히 모돈의 서있는 자세 또는 누워있는 자세 등의 자세 변화에 따른 깊이 영상)을 촬영하고 저장하며, 이러한 카메라에 내장 마이크가 탑재되어 있는 경우에는 소리 데이터도 영상과 함께 싱크를 맞추어 저장될 수 있다.
또한, 소리 센서가 추가되어 평상시의 모돈에서 관찰되는 주파수 및 파장과는 다른 모돈의 괴성과 같은 소리를 보다 정확하고 폭넓게 측정하여 깊이 정보만을 이용할 때 놓칠 수 있는 모돈의 발정징후를 이러한 소리 정보를 추가로 이용하여 정확하게 판단할 수 있다.
아래 표 2는 기존의 수정방법에 따라 주입되는 정액량 등의 수치를 비교한 것이다.
[표 2]
일반적으로 이유(離乳)한 암퇘지는 보통 이유 후 4~7일경에 발정이 오게 되는데 돼지는 다른 가축에 비해 발정지속 기간이 3~6일로 길기 때문에 정확한 수정적기를 파악하기가 쉽지 않다.
특히 인공수정시에는 자연종부시보다 훨씬 적은 정자수와 정액량을 주입할 뿐만 아니라, 정자의 운동성과 생존율 및 암퇘지 생식기내 생존시간이 저조하므로 정확한 시기에 수정할 수 있도록 주의깊게 발정을 관찰하여 수정적기를 포착하는 것이 수태율 향상에 필수적이다.
인공수정시 발정관찰과 수정적기 포착이 중요시되는 이유는 상기 표 2에서 그 차이점을 살펴보면 알 수 있다.
따라서, 본 발명에서는 상기의 문제점들을 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정여부 및 수정적 적기 판단 시스템으로 해결한다.
본 발명의 깊이 영상 카메라에는 열화상 기능이 추가 될 수 있으며, 모돈의 움직임을 보다 더 다양하게 관찰하기 위해, 추가된 적외선 송수신 유닛으로 적외선에 따른 거리값을 측정할 수 있으며, 시야가 제한된 야간에도 측정을 할 수 있다.
도 2는 깊이 영상카메라 및 소리 센서를 이용하여 영상 및 소리 데이터베이스를 구축하는 구성도를 간략하게 보여주는 블록도이다.
본 발명에 따른 시스템은 소리 센서를 더 포함할 수 있으며, 소리 센서는 스톨의 천장 또는 스톨의 일측에 설치되어 모돈이 발생시키는 소리를 센싱하여 소리 데이터를 수집하고, 영상분석기에 포함된 수정적기 판단 소프트웨어는 소리 센서에서 센싱된 소리 데이터를 기존에 저장된 돈사 내 영상 및 소리 데이터들과 함께 분석할 수 있다. 따라서, 돈사의 스톨에서 깊이 영상카메라 및 소리 센서로부터 취득된 데이터들은 시간별로 지속적으로 측정되고 데이터베이스에 저장되며, 아울러 기존에 돈사 내에서 있었던 영상 및 소리 데이터베이스와 합쳐질 수도 있는 것이다. 그리고 딥러닝 기반의 수정적기 판단 소프트웨어에서 이상상황 여부를 탐지하기 위해 외부로부터 추가적으로 데이터가 입력될 수도 있는데, 돈사의 농장주로부터 입력된 사전 데이터, 수의사로부터 입력된 전문 데이터 등을 이용하여 발정징후 판단의 정확도를 높이는데 활용할 수 있다.
도 3은 본 발명의 이러 실시예에 따른 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정여부 및 수정 적기 판단 시스템의 처리 프로세스를 모듈별로 보여주는 블록도이다.
도 3를 참고하면, 수정적기 판단 소프트웨어가 구비된 영상분석기는 데이터 취득 모듈(210), 데이터 전처리 모듈(220), 이상상황 탐지 모듈(230) 및 후처리 모듈(240)로 구성될 수 있다.
데이터취득 모듈(210)은 스톨에 설치된 깊이 영상카메라 및 소리 센서를 통해 모돈의 움직임에 따른 깊이 영상 데이터를 측정하고 이를 통해 모돈의 반복적인 움직임을 촬영하고, 소리 센서를 통해 모돈에서 나오는 모든 소리를 센싱하여 소리 데이터를 취득한다. 이때 추가로, 농장주가 기존에 취득하고 있는 데이터와 수의사로부터 확보한 모돈의 발정 관련 움직임 및 소리 정보를 입력하여 이후에 보다 더 정밀한 측정을 할 수도 있다.
데이터 전처리 모듈(220)은 취득된 데이터에서 깊이 영상 및 소리 신호를 분할하는 알고리즘을 통해 데이터의 노이즈를 제거할 수 있다.
이상상황 탐지 모듈(230)은 딥러닝 학습을 통해 학습데이터에서 설정된 기준에서 일정 범위를 벗어나는 분석값을 나타낼 때 이상상황으로 탐지하고 모돈의 수정적기 판단에 활용할 수 있다.
후처리 모듈(240)은 수정적기 판단 소프트웨어를 통해 산출된 결과값을 출력하는 인터페이스를 구비하며, 최종 결과를 가공한 후 농장주의 편리성을 고려하여 상기 결과를 다양한 기능 및 인터페이스(컴퓨터, TV, 휴대폰 등)로 설계 구현하고 제공할 수 있다.
후처리 모듈(240)은 농장주에게 모돈의 발정기 탐지결과 및 수정적기 계산결과를 알려주는 알람 경보 모듈을 추가로 더 포함할 수 있으며 알람 경보 모듈은 기 설정된 수신 대상자 정보가 농장주로 되어 있으면 농장주에게 알람을 전송하고, 또는 다른 돈사 관리인이 수신 대상자로 설정되어 있으면 관리인에게 휴대폰 문자메시지 또는 어플리케이션 푸쉬 등을 통해 알람을 전송할 수 있다.
딥러닝 기반의 수정적기 판단 소프트웨어는 아래와 같은 단계를 통해 동작하는데, 깊이 영상카메라 및 소리 센서를 통해 영상 및 소리 데이터를 포함하는 멀티미디어 데이터를 연속적으로 취득하는 단계, 데이터 전처리 모듈에서 상기 취득한 영상 및 소리 데이터를 학습하여 노이즈 및 간섭을 제거하는 단계, 이상상황 탐지 모듈에서 상기 학습된 데이터에 기반하여 설정된 소정의 기준에 따라 상기 모돈의 이상여부를 탐지하고 발정기를 판단하는 단계, 마지막으로 후처리 모듈에서 상기 농장주의 편리성을 고려하여 구현된 복수개의 기능 및 인터페이스를 이용하여 상기 시스템의 최종 결과를 가공하여 제공하는 단계로 구성된다.
한편, 이상상황 탐지 모듈에서 모돈의 발정시기가 판단되면, 발정시기로부터 상기 모돈의 수정적기를 판단하는 계산 단계를 더 포함할 수 있고, 계산된 수정적기의 결과값을 추후에 실제 수태 성공여부와 비교하여 오차데이터를 피드백하여 학습하는 보정 단계를 더 포함하여 학습데이터를 업데이트하고 알고리즘의 정확성을 더 높일 수 있다.
도 4a 및 4b는 본 발명의 일 실시예에 따라 깊이 영상 카메라로 돈사의 스톨을 촬영한 화면이다.
통상적으로 발정이 온 모돈은 생체 리듬의 변화로 인해 움직임의 양이 증가하거나 평소와는 다른 괴성을 지르는 것으로 알려져 있다. 즉, 스톨에서 사육되는 모돈은 발정이 오면 누워있거나 서있는 자세 변화 행동을 반복적으로 많이 나타내기 때문에, 비발정 시기에 비하여 자세 변화 행동의 비율이 증가되는 특성을 나타낸다.
본 발명에서는 이러한 활동량 증가를 스톨의 천장에 부착된 깊이 측정 영상카메라를 이용하여 수집하고 딥러닝 기법을 적용하여 발정기 및 수정적기를 자동 분석함으로써 모돈의 수태율을 증가시키고자 한다.
도 4a는 깊이 정보 인식을 나타내는 화면이다. 이를 참고하면, 카메라를 기준으로 깊이에 따라 여러가지 색상으로 구분되어 표현되며, 상대적으로 붉은색은 낮은 곳(먼 곳)에 위치함을 의미하며, 푸른색은 높은 곳(가까운 곳)에 위치함을 의미하는 것으로 이해할 수 있다.
도 4b는 본 발명의 실시예에 따라 깊이 영상 카메라로 스톨을 촬영한 모습을 나타낸 도면이다. 도 4b를 참조하면, 스톨의 천장에 설치된 카메라를 기준으로 모돈과의 거리(즉, 깊이)에 대한 상대적인 수치가 색상으로 표현될 수 있다. 붉은색은 카메라로부터 상대적으로 낮은 곳에 모돈이 위치하고 있는 것이므로 모돈이 앉아있거나 누워있다는 의미로 해석되며, 녹색(푸른색)은 카메라로부터 상대적으로 높게 위치하여 있다는 뜻이므로 모돈이 서 있다는 의미로 해석될 수 있다.
도 5는 본 발명의 일 실시예에 따라 딥러닝 기반의 수정적기 판단 소프트웨어에서 페이크 영상 데이터를 제작하기 위한 신경망 모델의 블록도이다.
이미지를 기반으로 수정적기를 판단하고 예측하기 위한 신경망 학습을 위해서는 많은 양의 영상 데이터가 필요하지만, 대부분 그러한 데이터를 수집하기가 쉽지는 않다.
이에 본 발명의 일 실시예에서는 인공지능 모델로서, 신경망 모델을 사용하되, 신경망 학습을 위해 부족한 영상 데이터를 미리 제작된 페이크(fake) 영상 데이터로 대체하고, 비지도 학습 신경망 모델인 GAN(Generative Adversarial Nets) 모델을 신경망 학습에 적용하여 수정적기의 판단 및 예측에 대한 정확도를 높이고자 한다.
즉, 인공지능 신경망 모델을 사용하되, 신경망 학습에 있어서 부족한 데이터를 사전 제작된 페이크 영상데이터 및 페이크 소리데이터로 대체하고, 비지도 학습 신경망 모델의 GAN을 학습에 적용하여 딥러닝 학습데이터 기준에서 소정의 수치 범위를 벗어나는 분석값으로 판단될 때 상기 모돈의 발정시기로 판단할 수 있는 것이다.
보다 구체적으로 설명하면, 수정적기의 예측 및 판단에 대한 정확도를 높이고자 VAE(Variational Auto Encoder)의 장점과 GAN 모델의 특징을 이용하는데, 이를 위하여 모델의 평가 기준이 명확한 VAE를 앞단에 배치하고, 비교 기준이 명확하지 않아서 결과를 시각화해서 판단하는 경우가 많은 GAN을 뒷단에 배치하여 정확도가 높은 신경망 모델을 사용할 수 있도록 한다.
도 5를 참조하면, 페이크 영상 데이터를 제작하기 위한 신경망 모델은 크게 필터부(510), VAE부(520), CNN부(530) 및 GAN부(540)를 포함할 수 있으며, 입력(input)으로는 기존에 확보된 모돈의 움직임 영상 데이터를 사용할 수 있다. 입력된 영상 데이터는 필터부(510)를 통해 노이즈 제거 등의 전처리 과정이 진행되어 각종 왜곡이 보정될 수 있고, Image Augmentation(Crop, Rotate, Flip, Translate, Resize, 등) 기법을 사용할 수 있다.
왜곡이 보정된 영상 데이터 또는 Image Augmentation 기법으로 생성된 영상 데이터는 다중 입력으로 이루어진 VAE부(520)로 입력되어 엔코더(Encoder, 521), Latent Space(523) 및 디코더(Decoder, 525)에서의 처리를 거침으로써 복수 개의 잠재적 특징 벡터(Latent Feature Vector) 데이터를 출력할 수 있다.
여기서 Image Augmentation(영상 데이터 변조) 기법은 인공지능으로 수정적기의 예측 및 판단의 정확도를 높이는 방법으로 다양한 전처리 기법, 적절한 학습모델 선택, 적절한 신경망 선택, 다양한 앙상블 모델 등의 예를 들어 볼 수 있다.
본 발병에서는 인공지능 모델 학습에 필요한 데이터 부족 현상을 해결하기 위함이고, 모돈의 움직임을 충분히 관찰하고 촬영하여 충분한 데이터가 확보된 경우는 전처리 단계에서 확보된 데이터를 사용하거나, 더욱 높은 정확도를 위한 학습을 위해 다른 알고리즘 방법을 혼용하여 사용할 수 있다.
Image Augmentation(영상 데이터 변조) 기법에서 가장 간단한 변조 방법은 잘라내기(crop), 회전(rotate), 뒤집기(flip)이며, 이미지에서 중심 부분이 중요하다고 생각하는 경우 가장자리의 픽셀들을 잘라낼 수 있다. 이때 랜덤한 각도로 회전시키기도 한다. 좌우반전, 상하반전 등도 가능하다. 이미지에서 작게 잘라낸 부분인 패치(patch)를 이용할 때, 300x300 이미지에서 250x250 패치들을 잘라내면 네 귀퉁이에서와 중앙에서 잘라내는 것만으로 같은 라벨이 붙은 이미지 5개를 얻을 수 있는 방법이다. 제한된 데이터만으로 보다 나은 성능을 내야 할 때 많이 사용되는 방법으로서 랜덤하게 패치를 잘라내거나 소정의 규칙을 두고 잘라내는 방법이 있다.
한편, 이미지의 크기는 유지한 채로 상하좌우로 몇 픽셀씩을 옮기기(translate)도 한다. 이 경우 빈 공간이 생기는데, 0으로 채우거나 (zero filling), 가장 근접한 픽셀로 채우기도 하고(nearest neighbor), 밀려난 부분을 가져와 채워 넣기도(rolling) 할 수 있다.
그 외에, 이미지의 크기가 다양한 경우에 일괄적으로 크기 수정(rescale)을 통해 동일한 사이즈로 맞추고 훈련을 진행할 수 있다. 모돈 인식을 예로 들면, 어떤 모돈은 32x56 픽셀 안에 있고, 다른 어떤 모돈은 41x78 픽셀에 있는 등 사이즈가 다양하다면 일괄적으로 소정 범위를 늘리고 줄여서 32x64 픽셀 안에 들어오도록 크기를 조정할 수 있다.
가로와 세로의 비율(aspect ratio)이 중요한 이미지의 경우에는 짧은 변을 맞추고 잘라내거나 긴 변을 맞추고 빈칸을 채울 수 있다. 아울러, 확대하는 것(zooming)도 가능하다.
복수 개의 잠재적 특징 벡터 데이터는 CNN부(530)를 통과하여 신경망 GAN 모델의 P(x)(541)의 입력 데이터로 사용되고, G(x)(543)의 입력 데이터로는 랜덤 벡터 데이터를 사용할 수 있다.
GAN부(540)의 D(x)(545)에서는 P(x)(541)와 G(x)(543) 간의 상호 차를 통해 로스(Loss) 함수를 구하고, 구해진 로스 함수를 이용하여 백프로퍼게이션 (Backpropagation) 방법을 통해 페이크 영상 데이터와 실제(Real) 영상 데이터를 보정하게 된다.
이러한 과정을 반복하여 더욱 정밀한 예측이 가능하고, D(x)(545)의 출력 데이터는 최종 학습용 또는 모델 검증용으로도 사용할 수 있다.
이때, CNN부(530)는 다중의 신경망 층을 구성할 수 있으며, 층 내부에는 지도 학습, 비지도 학습이나 준지도 학습의 다른 신경망을 구성하여 다양한 학습 데이터를 구성할 수도 있다.
도 6은 본 발명의 일 실시예에 따라 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정여부 및 수정 적기 판단 시스템을 이용한 돈사에서의 적용예를 나타내는 플로우 차트이다.
도 6를 참조하면, 돈사를 운영하는 농장주 또는 관리인의 기준에서 본 시스템을 활용하여 모돈의 발정기 및 수정적기의 결과값을 알 수 있는 전체 프로세스를 볼 수 있다. 각 단계를 세부적으로 설명하면 다음과 같다.
먼저, 준비 단계로서 농장주는 발정여부를 관찰할 모돈을 스톨안에 사육하고, 다음으로 천장에 이미 설치된 깊이 영상카메라를 활용하여 단위 시간별로 계속하여 모돈의 움직임 자세(서있는 자세, 누워있는 자세 등)의 자세 변화를 측정하여 데이터를 취득한다.
다음은 데이터 전처리 단계로서, 깊이 영상 및 소리 신호를 분할하는 알고리즘을 통해 데이터의 노이즈를 제거하는 데이터 전처리 동작을 수행하고, 그런 다음 이렇게 취득한 깊이 영상 또는 소리 데이터를 딥러닝 알고리즘으로 학습하여 반복적인 움직임과 소리로서 발정시기를 판단하는 모델을 형성함으로써 관찰하는 발정기 모돈의 이상상황을 탐지하는 이상사항 탐지 단계를 거쳐서, 딥러닝 학습데이터의 기준에서 일정범위의 수치를 벗어나는 분석값으로 판단될 때 발정기로 판단하고, 이에 따라 이상상황 탐지 모듈에서 모돈의 발정시기로 판단되면, 이러한 발정시기로부터 모돈의 수정적기를 계산하는 단계를 거쳐 최종결과값을 도출하고, 모돈의 발정기 탐지결과 및 수정적기 계산결과를 알려주는 알람 경보 모듈을 통해 기 설정된 수신 대상자 정보를 기초로 농장주 또는 다른 돈사 관리인에게 휴대폰 문자메시지 또는 어플리케이션 푸쉬 알람으로 결과값을 전송함으로써, 농장주 또는 관리인은 어떤 모돈이 발정기에 해당되며 적정한 수정시기는 언제인지를 자동으로 확인할 수 있게 된다.
한편, 이렇게 계산된 수정적기의 결과값은 추후에 실제로 인공수정 시도 후 수태에 성공했는지 여부와 비교하여 해당 오차데이터를 수정 적기 판단 소프트웨어에 피드백함으로써 상기 오차의 정도가 점진적으로 보정되며 시간이 지날수록 수정적기 판단의 정확도가 더욱 높아질 수 있다.
본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
110 : 스톨
120 : 깊이 영상카메라
130 : 소리 센서
140 : 딥러닝 기반 모돈의 수정 적기 판단 소프트웨어
210 : 데이터 취득 모듈
220 : 데이터 전처리 모듈
230 : 이상상황 탐지 모듈
240 : 후처리 모듈
120 : 깊이 영상카메라
130 : 소리 센서
140 : 딥러닝 기반 모돈의 수정 적기 판단 소프트웨어
210 : 데이터 취득 모듈
220 : 데이터 전처리 모듈
230 : 이상상황 탐지 모듈
240 : 후처리 모듈
Claims (9)
- 모돈의 수정 적기를 판단하기 위해 깊이 영상카메라 및 소리 센서로 모돈의 발정기를 탐지하고 수정적기를 판단하는 시스템에 있어서,
복수의 모돈의 발정 여부를 관찰하기 위해 돈사 내에 모돈을 사육하는 스톨의 천장에 설치되어 상기 모돈의 움직임을 촬영 및 저장하는 깊이 영상카메라;
상기 깊이 영상카메라에서 촬영된 영상을 분석하는 영상분석기를 포함하며,
상기 영상분석기에는 상기 모돈의 수정적기를 판단하기 위한 딥러닝 기반의 수정적기 판단 소프트웨어가 포함되고,
상기 딥러닝 기반의 수정적기 판단 소프트웨어는, 딥러닝 학습을 통해 학습데이터에서 설정된 기준에서 일정 범위를 벗어나는 분석값을 나타낼 때 이상상황으로 탐지하고 상기 모돈의 수정적기 판단에 활용하는 이상상황 탐지 모듈를 더 포함하며,
상기 이상상황 탐지 모듈은 인공지능 신경망 모델을 사용하되, 신경망 학습에 있어서 부족한 데이터를 사전 제작된 페이크 영상데이터 및 페이크 소리데이터로 대체하고, 비지도 학습 신경망 모델의 GAN(Generative Adversarial Nets)을 학습에 적용하여 상기 딥러닝 학습데이터 기준에서 소정의 수치 범위를 벗어나는 것으로 판단될 때, 상기 모돈이 발정시기인 것으로 판단하는 것을 특징으로 하는 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템.
- 제1항에 있어서,
상기 시스템은 소리 센서를 더 포함하며,
상기 소리 센서는 상기 스톨의 천장 또는 스톨의 일측에 설치되어 상기 모돈이 발생시키는 소리를 센싱하여 소리 데이터를 수집하고,
상기 영상분석기에 포함된 상기 수정적기 판단 소프트웨어는 상기 소리 센서에서 센싱된 소리 데이터를 기 저장된 돈사 내 영상 및 소리 데이터들과 함께 분석하는 딥러닝 기반의 수정적기 판단 소프트웨어인 것을 특징으로 하는 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템.
- 제2항에 있어서,
상기 딥러닝 기반의 수정적기 판단 소프트웨어는,
스톨에서 활동하는 모돈의 움직임 및 소리 데이터를 수집하는 데이터 취득 모듈;
상기 취득된 데이터에서 깊이 영상 및 소리 신호를 분할하는 알고리즘을 통해 데이터의 노이즈를 제거하는 데이터 전처리 모듈;
상기 수정적기 판단 소프트웨어를 통해 산출된 결과값을 출력하는 인터페이스를 구비한 후처리 모듈;를 포함하는 것을 특징으로 하는 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템.
- 제3항에 있어서,
상기 이상상황 탐지 모듈은,
기 취득한 돈사 내 환경정보로서 상기 돈사의 농장주로부터 입력된 사전 데이터 및 수의사로부터 입력된 전문 데이터를 상기 취득된 깊이 영상 및 소리 신호와 비교 분석하여 상기 모돈의 발정기 및 수정적기를 판단하는 것을 특징으로 하는 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템.
- 제4항에 있어서,
상기 딥러닝 기반의 수정적기 판단 소프트웨어는
상기 데이터 취득 모듈에서 상기 깊이 영상카메라 및 소리 센서를 통해 영상 및 소리 데이터를 포함하는 멀티미디어 데이터를 연속적으로 취득하는 단계;
상기 데이터 전처리 모듈에서 상기 취득한 영상 및 소리 데이터를 학습하여 상기 멀티미디어 데이터의 노이즈 및 간섭을 제거하는 단계;
상기 이상상황 탐지 모듈에서 상기 학습된 데이터에 기반하여 설정된 소정의 기준에 따라 상기 모돈의 이상여부를 탐지하고 발정기를 판단하는 단계;
상기 후처리 모듈에서 상기 농장주의 편의성을 고려하여 구현된 복수개의 기능 및 인터페이스를 이용하여 상기 시스템의 최종 결과를 가공하여 제공하는 단계로 구성되는 것을 특징으로 하는 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템.
- 삭제
- 제5항에 있어서,
상기 딥러닝 기반의 수정적기 판단 소프트웨어는,
상기 이상상황 탐지 모듈에서 상기 모돈의 발정시기로 판단되면, 상기 발정시기로부터 상기 모돈의 수정적기를 계산하는 연산 단계를 더 포함하며,
상기 수정적기의 결과값을 실제 수태 성공여부 데이터와 비교하여 오차데이터를 피드백하고 학습하는 보정 단계를 더 포함하는 것을 특징으로 하는 것을 특징으로 하는 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템.
- 제7항에 있어서,
상기 후처리 모듈은 상기 농장주에게 상기 모돈의 발정기의 탐지결과 및 수정적기의 계산결과를 알려주는 알람 경보 모듈을 추가로 더 포함하며,
상기 알람 경보 모듈은 기 설정된 수신 대상자 정보를 기초로 상기 농장주 또는 다른 관리인에게 휴대폰 문자메시지 또는 어플리케이션 푸쉬 알람으로 상기 결과값을 전송하는 것을 특징으로 하는 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템.
- 제8항에 있어서,
상기 시스템은 상기 돈사 내에서 상기 모돈의 배변 또는 사료로부터 발생하는 분진으로 인해 상기 깊이 영상 카메라 및 소리 센서가 훼손되는 것을 방지하는 보호 기구물을 추가적으로 더 구비하는 것을 특징으로 하는 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200163602A KR102296501B1 (ko) | 2020-11-30 | 2020-11-30 | 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200163602A KR102296501B1 (ko) | 2020-11-30 | 2020-11-30 | 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102296501B1 true KR102296501B1 (ko) | 2021-09-03 |
Family
ID=77784872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200163602A KR102296501B1 (ko) | 2020-11-30 | 2020-11-30 | 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102296501B1 (ko) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102446970B1 (ko) * | 2021-09-03 | 2022-09-23 | (주) 아하 | 클라우드 환경에서 인공지능 제어기술을 수행하며 자체 살균기능을 포함하는 전자 교탁 시스템 |
| KR20230046797A (ko) * | 2021-09-30 | 2023-04-06 | 한국화학연구원 | 동물 소리감지를 통한 야간 행동분석장치 및 방법 |
| KR102540175B1 (ko) * | 2022-10-27 | 2023-06-07 | 충남대학교산학협력단 | 인공지능기반 돼지 질병 관리 시스템 |
| CN116439158A (zh) * | 2023-06-20 | 2023-07-18 | 厦门农芯数字科技有限公司 | 基于红外识别的母猪查情方法、系统、设备及存储介质 |
| KR20240021033A (ko) | 2022-08-09 | 2024-02-16 | 농업회사법인 지팜 유한회사 | 라인레이저와 카메라를 이용한 복수의 모돈의 발정 확인시스템 및 방법 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140105054A (ko) | 2013-02-21 | 2014-09-01 | 순천대학교 산학협력단 | Rfid 기반의 모돈 발정 감지 시스템 |
| KR101568979B1 (ko) * | 2014-05-22 | 2015-11-13 | 고려대학교 산학협력단 | 깊이 정보를 이용한 동물의 머리 탐지 시스템 및 그 탐지 방법 |
| KR102117092B1 (ko) * | 2019-08-09 | 2020-05-29 | 강현철 | 행동 패턴 인식을 이용한 소의 발정 탐지 시스템 |
| KR20200117610A (ko) | 2019-04-05 | 2020-10-14 | 권은희 | 전자식 모돈 관리 장치 |
| KR20200120622A (ko) * | 2019-04-08 | 2020-10-21 | 주식회사 마키나락스 | 딥러닝 뉴럴 네트워크를 이용한 이상치 검출(novelty detection using deep learning neural network) |
-
2020
- 2020-11-30 KR KR1020200163602A patent/KR102296501B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140105054A (ko) | 2013-02-21 | 2014-09-01 | 순천대학교 산학협력단 | Rfid 기반의 모돈 발정 감지 시스템 |
| KR101568979B1 (ko) * | 2014-05-22 | 2015-11-13 | 고려대학교 산학협력단 | 깊이 정보를 이용한 동물의 머리 탐지 시스템 및 그 탐지 방법 |
| KR20200117610A (ko) | 2019-04-05 | 2020-10-14 | 권은희 | 전자식 모돈 관리 장치 |
| KR20200120622A (ko) * | 2019-04-08 | 2020-10-21 | 주식회사 마키나락스 | 딥러닝 뉴럴 네트워크를 이용한 이상치 검출(novelty detection using deep learning neural network) |
| KR102117092B1 (ko) * | 2019-08-09 | 2020-05-29 | 강현철 | 행동 패턴 인식을 이용한 소의 발정 탐지 시스템 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102446970B1 (ko) * | 2021-09-03 | 2022-09-23 | (주) 아하 | 클라우드 환경에서 인공지능 제어기술을 수행하며 자체 살균기능을 포함하는 전자 교탁 시스템 |
| KR102494752B1 (ko) * | 2021-09-03 | 2023-02-07 | (주) 아하 | 사용자의 음성을 인식하는 음성 센서 및 음성 신호의 보정적기를 판단하는 딥러닝 기반의 소프트웨어를 포함하는 전자 교탁 시스템 |
| KR20230046797A (ko) * | 2021-09-30 | 2023-04-06 | 한국화학연구원 | 동물 소리감지를 통한 야간 행동분석장치 및 방법 |
| KR102648259B1 (ko) * | 2021-09-30 | 2024-03-14 | 한국화학연구원 | 동물 소리감지를 통한 야간 행동분석장치 및 방법 |
| KR20240021033A (ko) | 2022-08-09 | 2024-02-16 | 농업회사법인 지팜 유한회사 | 라인레이저와 카메라를 이용한 복수의 모돈의 발정 확인시스템 및 방법 |
| KR102540175B1 (ko) * | 2022-10-27 | 2023-06-07 | 충남대학교산학협력단 | 인공지능기반 돼지 질병 관리 시스템 |
| CN116439158A (zh) * | 2023-06-20 | 2023-07-18 | 厦门农芯数字科技有限公司 | 基于红外识别的母猪查情方法、系统、设备及存储介质 |
| CN116439158B (zh) * | 2023-06-20 | 2023-09-12 | 厦门农芯数字科技有限公司 | 基于红外识别的母猪查情方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102296501B1 (ko) | 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템 | |
| CN110839557B (zh) | 母猪发情监测方法、装置、系统、电子设备及存储介质 | |
| KR101598898B1 (ko) | 음향 및 영상분석을 통한 넙치 질병 예방 시스템 | |
| US20090252392A1 (en) | System and method for analyzing medical images | |
| CN111914685B (zh) | 母猪发情检测方法、装置、电子设备及存储介质 | |
| CN110991222B (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
| CN116778430A (zh) | 肉牛养殖的疾病监测系统及其方法 | |
| WO2023041904A1 (en) | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes | |
| KR102425523B1 (ko) | 모돈 이상징후 포착 및 관리 클라우드 서비스 방법 및 장치 | |
| KR20200071597A (ko) | 영상분석을 활용한 어미돼지의 분만시점 예측 방법 및 장치 | |
| CN113762113A (zh) | 一种牲畜分娩行为监控方法及装置 | |
| CN114155216A (zh) | 猪只温度检测方法及装置 | |
| CN116824626A (zh) | 一种动物异常状态人工智能识别的方法 | |
| US20210400920A1 (en) | Livestock stillbirthing alerting system | |
| KR20210067602A (ko) | 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법 | |
| US20230342902A1 (en) | Method and system for automated evaluation of animals | |
| CN115119766B (zh) | 一种基于深度学习和红外热成像的母猪发情检测方法 | |
| CN115777560A (zh) | 一种基于机器视觉分析技术的母猪智能化饲喂系统 | |
| KR102372107B1 (ko) | 영상기반의 모돈 분만 알림 시스템 | |
| KR102610526B1 (ko) | 축사 내 승가행위 감시 시스템 및 감시 방법 | |
| WO2023106993A1 (en) | Parturition surveillance and alerting | |
| KR102624925B1 (ko) | 머신러닝 기반의 가축 무게 예측 방법 및 장치 | |
| CN112132064A (zh) | 基于人工智能的识别孕囊数量的方法、装置、设备和介质 | |
| CN111713427A (zh) | 一种乳猪卫生健康状况监控系统 | |
| Yuan et al. | Stress-free detection technologies for pig growth based on welfare farming: A review |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |