KR102327354B1 - 위치 및 행동 정보를 이용한 고양이 행동 분석 시스템 - Google Patents

위치 및 행동 정보를 이용한 고양이 행동 분석 시스템 Download PDF

Info

Publication number
KR102327354B1
KR102327354B1 KR1020200005003A KR20200005003A KR102327354B1 KR 102327354 B1 KR102327354 B1 KR 102327354B1 KR 1020200005003 A KR1020200005003 A KR 1020200005003A KR 20200005003 A KR20200005003 A KR 20200005003A KR 102327354 B1 KR102327354 B1 KR 102327354B1
Authority
KR
South Korea
Prior art keywords
behavior
pet
information
raspberry
analysis
Prior art date
Application number
KR1020200005003A
Other languages
English (en)
Other versions
KR20210091612A (ko
Inventor
이종욱
최윤아
박대희
정용화
채희찬
이준희
Original Assignee
고려대학교 세종산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 고려대학교 세종산학협력단 filed Critical 고려대학교 세종산학협력단
Priority to KR1020200005003A priority Critical patent/KR102327354B1/ko
Publication of KR20210091612A publication Critical patent/KR20210091612A/ko
Application granted granted Critical
Publication of KR102327354B1 publication Critical patent/KR102327354B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S1/00—Beacons or beacon systems transmitting signals having a characteristic or characteristics capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters; Receivers co-operating therewith
    • G01S1/02—Beacons or beacon systems transmitting signals having a characteristic or characteristics capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters; Receivers co-operating therewith using radio waves
    • G01S1/68—Marker, boundary, call-sign, or like beacons transmitting signals not carrying directional information

Abstract

일 실시예에 따른 행동 분석 시스템에 의해 수행되는 행동 분석 법은, 하나 이상의 라즈베리파이와 애완동물에게 부착 가능한 비콘을 이용하여 애완동물의 행동 정보 및 위치 정보를 파악하는 단계; 기 파악된 애완동물의 행동 정보와 위치 정보에 기반하여 애완동물의 행동을 분석하는 단계; 및 상기 분석을 통하여 획득된 분석 결과에 기초하여 애완동물의 건강 상태를 모니터링하고 애완동물의 위험 상황을 탐지하는 단계를 포함할 수 있다.

Description

위치 및 행동 정보를 이용한 고양이 행동 분석 시스템{CAT BEHAVIOR ANALYSIS SYSTEM USING LOCATION AND BEHAVIOR INFORMATION}
아래의 설명은 비콘과 라즈베리파이를 이용하여 가정에서 키우는 고양이의 건강 상태 모니터링 시스템 구현에 관한 것이다.
반려동물을 키우는 가구가 증가하면서 반려묘의 비율 또한 상당히 높아지고 있으며, 혼자 지내는 시간이 많은 반려동물을 위해 자동 먹이 장치나 IoT 시스템을 설치한 가구도 증가하고 있다. 이처럼 반려묘에 대한 관심의 증가와 함께 고양이를 건강하게 키우는 방법에 관한 반려인의 관심도 비례하여 증가하고 있다. 하지만, 반려인이 반려묘와 24시간 내내 교감을 할 수 없는 관계로 효과적으로 고양이의 건강 상태를 모니터링 할 수 있는 방법이 필요하다.
반려동물의 행동을 분석한 최근 연구 동향을 살펴보면, 평소와 다른 반려견의 행동을 탐지하기 위해 자이로 센서, 가속도 센서와 심박 센서가 장착된 웨어러블(wearable) 디바이스를 활용하는 시스템이 제안되었으며, 반려견의 목에 설치한 웨어러블 장비에서 송신한 x, y, z 축 가속도 정보를 나이브 베이지안(Naive Bayesian) 알고리즘을 이용해 반려견의 행동을 식별하는 연구가 보고된 바 있다. 한편, 동물의 행동이 아닌 위치 정보를 파악하기 위하여, 근거리의 무선통신 장비와 교신할 수 있는 비콘(Beacon)을 사용하는 연구들도 보고되었다. 비콘을 애완동물에게 부착한 후 실내의 어느 위치에 있는지 파악하기 위한 연구와 동물원과 같은 실외에서 생활하는 동물들의 위치를 효과적으로 탐지하기 위한 연구들도 제안되었다. 이러한 선행 기술들은 동물 행동을 탐지하거나 위치를 추적하는 기술들일 뿐이며, 고양이와 관련한 기술은 매우 드물다. 이에 따라, 증가하는 반려묘를 위한 고양이 행동 탐지 및 위치 추적 기술 개발이 요구된다.
반려인이 24시간 내내 반려동물(애완동물)과 교감하는 것은 거의 불가능한 일이다. 이러한 문제를 해결하기 위해 반려동물을 모니터링할 수 있는 공학적인 측면의 시스템이 많이 개발되고 있으나, 고양이와 관련한 시스템은 거의 개발되고 있지 않다. 급식대나 음수대 외의 영역에서 먹는 행동이 탐지되거나, 핥기, 긁기 등의 행동이 과다할 경우 고양이의 건강 상태에 문제가 의심되고, 특히, 고양이의 경우 질병을 숨기려고 하는 습성이 있어 지속적인 건강 상태 모니터링 시스템 개발이 더욱 요구된다.
본 발명은 행동과 위치 정보를 활용한 반려동물(예를 들면, 고양이)의 건강 상태 모니터링 시스템을 제안하고, 이를 통해 반려인과 반려동물이 24시간 내내 교감할 수 있는 방법을 제공할 수 있다.
행동 분석 시스템에 의해 수행되는 행동 분석 방법은, 적어도 하나 이상의 라즈베리파이와 애완동물에게 부착 가능한 비콘을 이용하여 애완동물의 행동 정보 및 위치 정보를 파악하는 단계; 상기 파악된 애완동물의 행동 정보와 위치 정보에 기반하여 애완동물의 행동을 분석하는 단계; 및 상기 분석을 통하여 획득된 분석 결과에 기초하여 애완동물의 건강 상태를 모니터링하고 애완동물의 위험 상황을 탐지하는 단계를 포함할 수 있다.
상기 파악하는 단계는, 적어도 하나 이상의 라즈베리파이, 비콘 및 라즈베리파이-카메라를 이용하여 애완동물과 관련된 데이터를 수집하며, 애완동물의 신체 일부에 부착된 비콘으로부터 송신되는 행동 분류를 위한 3축 가속도계 정보와 위치 식별을 위한 신호 세기 정보(RSSI)를 라즈베리파이를 이용하여 취득하고, 카메라에서 촬영된 동영상 데이터를 동시에 취득하는 단계를 포함하고, 상기 적어도 하나 이상의 라즈베리파이는, 애완동물이 존재하는 특정 공간에 부착될 수 있다.
상기 애완동물의 행동을 분석하는 단계는, 상기 애완동물의 행동 분석을 위한 행동 모델로서 2중 LSTM 모델(Long Short-Term Memory models)을 구성하고, 상기 구성된 2중 LSTM 모델에 상기 파악된 애완동물의 행동 정보와 위치 정보를 입력하여 걷기, 핥기, 먹기 또는 앉기를 포함하는 애완동물의 행동을 분석하는 단계를 포함할 수 있다.
상기 애완동물의 행동을 분석하는 단계는, 적어도 하나 이상의 라즈베리파이에 저장된 비콘으로부터 송출된 3축 가속도계 정보를 애완동물의 유의미한 행동을 분류하기 위해 초당 기 설정된 프레임을 포함하는 데이터를 수집하여 LSTM 입력 단위로 설정하는 단계를 포함할 수 있다.
상기 애완동물의 행동을 분석하는 단계는, 상기 비콘으로부터 송출된 3축 가속도계 정보에 대한 중복된 정보와 이상치를 제거하는 전처리 과정을 수행하고, 상기 전처리 과정을 수행함에 따라 시간에 흐름에 따른 3축 가속도계 정보를 조합한 후, 데이터의 구조를 LSTM에 기반하여 설계하는 단계를 포함할 수 있다.
상기 애완동물의 행동을 분석하는 단계는, 적어도 하나 이상의 라즈베리파이에 저장된 비콘으로부터 송출된 신호 세기 정보를 각각의 라즈베리파이와 비콘 사이의 거리 정보로 변환하는 단계를 포함할 수 있다.
상기 애완동물의 행동을 분석하는 단계는, 상기 신호 세기 정보를 Density 방식을 이용하여 이상치를 제거하는 전처리 과정을 수행하는 단계를 포함할 수 있다.
상기 애완동물의 행동을 분석하는 단계는, 상기 변환된 각각의 라즈베리파이와 비콘 사이의 거리 정보에 대하여 헤론의 공식(Heron's formula)과 피타고라스 정리(Pythagorean theorem)를 이용하여 애완동물의 3차원 좌표 정보를 추정하고, 상기 추정한 3차원 좌표 정보에 기초하여 애완동물의 행동이 발생한 영역을 탐지하는 단계를 포함할 수 있다.
상기 애완동물의 위험 상황을 탐지하는 단계는, 상기 분석을 통하여 획득된 위치 영역별 애완동물의 행동 비율, 기 설정된 기간 동안의 식사량 및 음수량 변화를 포함하는 분석 결과를 그래프로 시각화하는 단계를 포함할 수 있다.
행동 분석 시스템은, 적어도 하나 이상의 라즈베리파이와 애완동물에게 부착 가능한 비콘을 이용하여 애완동물의 행동 정보 및 위치 정보를 파악하는 파악부; 상기 파악된 애완동물의 행동 정보와 위치 정보에 기반하여 애완동물의 행동을 분석하는 분석부; 및 상기 분석을 통하여 획득된 분석 결과에 기초하여 애완동물의 건강 상태를 모니터링하고 애완동물의 위험 상황을 탐지하는 탐지부를 포함할 수 있다.
상기 파악부는, 적어도 하나 이상의 라즈베리파이, 비콘 및 라즈베리파이-카메라를 이용하여 애완동물과 관련된 데이터를 수집하며, 애완동물의 신체 일부에 부착된 비콘으로부터 송신되는 행동 분류를 위한 3축 가속도계 정보와 위치 식별을 위한 신호 세기 정보(RSSI)를 라즈베리파이를 이용하여 취득하고, 카메라에서 촬영된 동영상 데이터를 동시에 취득하는 것을 포함하고, 상기 적어도 하나 이상의 라즈베리파이는, 애완동물이 존재하는 특정 공간에 부착될 수 있다.
상기 분석부는, 상기 애완동물의 행동 분석을 위한 행동 모델로서 2중 LSTM 모델을 구성하고, 상기 구성된 2중 LSTM 모델에 상기 파악된 애완동물의 행동 정보와 위치 정보를 입력하여 걷기, 핥기, 먹기 또는 앉기를 포함하는 애완동물의 행동을 분석할 수 있다.
상기 분석부는, 적어도 하나 이상의 라즈베리파이에 저장된 비콘으로부터 송출된 3축 가속도계 정보를 애완동물의 유의미한 행동을 분류하기 위해 초당 기 설정된 프레임을 포함하는 데이터를 수집하여 LSTM 입력 단위로 설정할 수 있다.
상기 분석부는, 적어도 하나 이상의 라즈베리파이에 저장된 비콘으로부터 송출된 신호 세기 정보를 각각의 라즈베리파이와 비콘 사이의 거리 정보로 변환하고, 상기 변환된 각각의 라즈베리파이와 비콘 사이의 거리 정보에 대하여 헤론의 공식(Heron's formula)과 피타고라스 정리(Pythagorean theorem)를 이용하여 애완동물의 3차원 좌표 정보를 추정하고, 상기 추정한 3차원 좌표 정보에 기초하여 애완동물의 행동이 발생한 영역을 탐지할 수 있다.
상기 탐지부는, 상기 분석을 통하여 획득된 위치 영역별 애완동물의 행동 비율, 기 설정된 기간 동안의 식사량 및 음수량 변화를 포함하는 분석 결과를 그래프로 시각화할 수 있다.
본 발명은 라즈베리파이와 비콘을 이용하여 고양이의 행동 및 위치를 식별하는 새로운 형태의 멀티 모달 분석 시스템 및 방법을 제공할 수 있다. 본 발명은 혼자 지내는 시간이 많은 반려동물(예를 들면, 반려묘)를 24시간 내내 비교 분석하여 단순히 위치별 행동을 분류하는 것에 그치지 않고 세심한 분석을 통해 반려동물의 건강 상태를 실시간으로 모니터링할 수 있다. 또한, 본 발명은 반려동물로부터 부착 가능한 소형 비콘을 통해 수집된 데이터를 이용하여 반려동물의 유의미한 위치 정보 및 행동 정보 식별을 통해 반려동물의 건강 상태, 위험 상황 등의 분석이 가능하다.
도 1은 일 실시예에 따른 행동 분석 시스템의 동작을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 행동 분석 시스템에서 데이터를 수집하는 동작을 설명하기 위한 예이다.
도 3은 일 실시예에 따른 행동 분석 시스템에서 애완동물의 신체의 일부에 비콘 센서를 부착한 것을 설명하기 위한 예이다.
도 4는 일 실시예에 따른 행동 분석 시스템에서 애완동물의 행동을 분류하기 위한 LSTM 구조를 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 행동 분석 시스템에서 애완동물의 3차원 좌표 정보를 추정하는 동작을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 행동 분석 시스템의 구성을 설명하기 위한 블록도이다.
도 7은 일 실시예에 따른 행동 분석 시스템에서 애완동물의 행동을 분석하는 방법을 설명하기 위한 흐름도이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
실시예는 위치 정보 및 행동 정보를 이용하여 애완동물의 행동을 분석하는 기술에 관한 것이다. 이하, 애완동물의 행동을 분석하는 상세 동작을 설명하기 위하여 고양이를 애완동물의 예를 들어 설명하기로 한다.
도 1은 일 실시예에 따른 행동 분석 시스템의 동작을 설명하기 위한 도면이다.
행동 분석 시스템은 반려인이 24시간 내내 고양이의 행동을 세세하게 관찰하기 어렵기 때문에 센서 정보를 활용하여 고양이의 행동과 위치 정보를 파악하고, 이를 기반으로 고양이의 행동을 분석할 수 있다. 행동 분석 시스템은 라즈베리파이와 고양이에게 부착 가능한 비콘을 이용하여 고양이의 행동 및 위치를 식별하는 새로운 형태의 멀티 모달 분석 시스템으로서, 단순히 위치별 행동을 분류하는 것에서 그치지 않고 세심한 분석을 수행함으로써 고양이의 건강 상태를 모니터링하고, 기존의 생리학적 행동 분석 연구에서 벗어난 공학적인 측면의 고양이의 행동 분석을 제공할 수 있다.
행동 분석 시스템은 위치 정보와 행동 정보, 그리고 이를 분류하기 위한 비디오 정보를 수집하는 Source Layer, 전체적인 데이터를 수집하여 전처리 과정을 거치는 Preprocessing Layer, 행동과 위치를 분석하는 Data Analysis Layer, 반려인에게 고양이의 건강 상태나 현재 상황을 모니터링할 수 있도록 하는 Visualization Layer로 구성될 수 있다.
도 2를 참고하면, 데이터를 수집하는 동작을 설명하기 위한 예이다. 행동 분석 시스템은 적어도 하나 이상의 라즈베리파이와 애완동물에게 부착 가능한 비콘을 이용하여 애완동물의 행동 정보 및 위치 정보를 파악할 수 있다. 예를 들면, 4대의 라즈베리파이, 1대의 비콘 및 1대의 라즈베리파이-카메라 모듈이 설치될 수 있다. 이때, 비콘은 고양이의 신체 중 일부에 설치될 수 있고, 4대의 라즈베리파이 및 1대의 라즈베리파이-카메라 모듈이 특정 공간에 각각 설치될 수 있다. 또한, 라즈베리파이-카메라 모듈은 라즈베리파이와 카메라가 결합 또는 비결합된 형태로 구성될 수 있으며, 라즈베리파이와 라즈베리파이-카메라 모듈은 동일한 위치 또는 서로 다른 위치에 설치될 수 있다. 실시예에서는 특정 공간(예를 들면, 고양이의 행동 정보 및 위치 정보의 수집 가능한 범위 내의 공간)의 특정 영역(예를 들면, 방 모서리)에 4대의 라즈베리파이, 1대의 라즈베리파이-카메라 모듈이 설치되고, 도 3과 같이 고양이의 몸통에 비콘이 부착된 것으로 가정하여 설명하기로 한다.
행동 분석 시스템은 고양이의 몸통에 부착된 비콘으로부터 송신되는 3축 가속도계 및 신호 세기 정보(RSSI)를 방 천장 모서리 4곳에 설치한 라즈베리파이를 이용하여 취득하고, 3축 가속도계 정보를 LSTM 구조에 입력하여 고양이의 행동을 탐지할 수 있다. 동시에, 행동 분석 시스템은 취득된 데이터들을 분류하기 위한 동영상 데이터를 취득할 수 있다. 이때, 취득된 동영상 데이터는 행동 식별 레이블링(labeling) 작업을 위해 취득할 수 있다.
행동 분석 시스템은 행동 분류를 위한 전처리 과정과 위치 식별을 위한 전처리 과정을 수행할 수 있다. 행동 분석 시스템은 취득된 RSSI 신호 세기 정보를 거리 정보로 변환한 후 이상치를 제거하는 전처리 과정을 수행하고, 3축 가속도계 정보를 각 시간에 대해 중복된 정보와 이상치를 제거하는 전처리 과정을 수행할 수 있다. 구체적으로, 행동 분류를 위한 전처리 과정에서는 4대의 라즈베리파이에 저장된 비콘에서 송출한 3축 가속도계 정보를 고양이의 유의미한 행동을 분류하기 위해 초당 20프레임을 데이터로 수집할 수 있고, 수집된 데이터를 LSTM의 입력 단위로 설정할 수 있다. 라즈베리파이 4대에서 각각 수집한 3축 가속도계 정보는 중복된 정보와 이상치를 제거하는 전처리 과정이 수행될 수 있다. 이때, 행동 분석 시스템은 이상치 제거를 위한 Variance 알고리즘을 이용하여 정규분포의 97.5% 이상 또는 2.5% 이하에 포함되는 값을 제거할 수 있다. 만약, 데이터의 크기가 정확하게 20프레임에 미치지 못하는 경우, 가속도계 정보 마지막에 패딩값 0을 추가하여 LSTM 구조의 입력 기준에 적합하게 설정할 수 있다.
도 4를 참고하면, 애완동물의 행동을 분류하기 위한 LSTM 구조를 설명하기 위한 도면이다. 실시예에서는 시간의 흐름에 따른 3축 가속도계 정보를 조합한 후 LSTM에 입력이 되도록 데이터 구조를 설계 및 사용할 수 있다. 예를 들면, 행동 분석 시스템은 4가지 행동('걷기', '핥기', '먹기', '앉기')을 행동 분류를 위한 분류 기준으로 설정할 수 있다. 이때, 행동 분류를 위한 개별 동작 학습 데이터의 양을 InfoGAN 알고리즘을 활용하여 늘릴 수 있다. 수집된 3축 가속도계 데이터는 Z-score 정규화 과정을 거쳐 20프레임의 개별 정보가 LSTM의 입력 정보로 사용될 수 있다. 실시예에서 사용된 LSTM은 2계층(이중)의 순환신경망으로 구성될 수 있으며, 데이터들은 시간 순서대로 첫 번째 층에 입력될 수 있다. 두 번째 층을 이루는 기억 유닛들은 동일한 시간 축의 첫 번째 층 유닛의 출력 벡터를 입력 벡터로 사용하며, 두 번째 층 마지막 시간 축의 기억 유닛 출력 벡터는 회귀 층을 한 단계 거쳐 행동 식별 결과를 도출할 수 있다.
행동 분석 시스템은 방 모서리에 설치된 4대의 라즈베리파이에 저장된 비콘으로부터 송출된 RSSI 신호 세기 정보를 각각 라즈베리파이와 비콘 사이의 거리 정보로 변환할 수 있다. 이때, RSSI 신호 세기 정보의 값이 클수록 비콘과 라즈베리파이 사이의 거리가 가까움을 의미한다. 실시예에서 사용되는 위치 정보는 고양이의 정확한 좌표가 아닌 행동이 발생하는 공간 영역(유의미한 공간(예를 들면, '침대', '급식대', '음수대', '기타' 등))이므로, 초당 20프레임으로 수집된 RSSI 값을 1초 단위로 변경하여 사용할 수 있다. 이때, 비콘이 송신하는 RSSI 신호의 경우 장애물이나 다양한 전파의 방해로 인한 이상 값이 발생할 수 있고, 위치 식별 성능에 영향을 미치게 될 수도 있다. 행동 분석 시스템은 이상치 검출 알고리즘 중 Density 방식을 이용하여 RSSI 신호 세기 정보에 대한 이상치를 제거할 수 있다. RSSI 신호 세기 정보를 거리 정보로 변환하는 공식은 수학식 1과 같다.
수학식 1:
Figure 112020004320397-pat00001
이때, 수학식 1에서 TXpower는 송출 신호 세기 값을 나타내며, 수신기와의 거리를 고려하여 설정할 수 있다. N은 전파 손실에 따른 보정 상수로 각각의 라즈베리파이마다 적절한 값을 설정할 수 있다. 도 5를 참고하면, 비콘과 라즈베리파이 4대 사이의 거리가 각각 획득되면 헤론의 공식(Heron's formula)과 피타고라스 정리(Pythagorean theorem)를 이용하여 고양이의 3차원 좌표 정보를 추정할 수 있다. 추정된 3차원 좌표 정보를 활용하여, 고양이의 행동이 발생한 영역을 탐지할 수 있다.
행동 분석 시스템은 RSSI 신호 세기 정보를 활용하여, 미리 설정한 4개의 구역 중 어느 영역에서 고양이의 행동이 발생했는지 영역 정보를 식별할 수 있다. 행동 분석 시스템은 고양이 행동 및 위치를 식별한 분석 결과에 기초하여 고양이 건강 상황을 유추할 수 있다. 일례로, 행동 분석 시스템은 고양이 행동을 Johnson-Bennett에 의해 저술된 고양이 행동 분석 책의 내용을 바탕으로, 탐지한 고양이의 '행동', '위치' 또는 '행동+위치' 정보 중 하나 이상을 활용하여 고양이의 건강 상황을 유추할 수 있다.
표 1: 행동, 위치 정보에 따른 고양이 건강 상황 유추
Figure 112020004320397-pat00002
행동 분석 시스템은 취득한 고양이의 행동 및 위치 정보를 기반으로 고양이의 행동을 상세하게 분석하고, 분석된 정보를 기반으로 반려인에게 고양이의 건강 상태 정보를 제공할 수 있다. 행동 분석 시스템은 분석된 정보를 그래프로 시각화하여 반려인에게 고양이의 건강 상태를 한눈에 볼 수 있도록 제공할 수 있다. 행동 분석 시스템은 위치 영역별 고양이의 행동 비율 분석, 기 설정된 기간(예를 들면, 일주일간)의 식사량 및 음수량 변화 등을 분석된 정보로 제공할 수 있다. 행동 분석 시스템은 비콘으로부터 취득한 데이터를 이용하여 고양이의 행동 및 유의미한 위치 식별이 가능하고, 취득한 데이터를 이용하여 고양이의 건강 상태를 모니터링할 수 있다. 예를 들면, 행동 분석 시스템은 급식대와 음수대에서만 고양이의 '먹기' 행동이 발생하였으며, 그 외의 영역에서는 '먹기' 행동이 발생하지 않은 것을 판단할 수 있다. 행동 분석 시스템은 고양이가 급식대, 음수대 외의 영역에서 '먹기' 행동을 보일 경우 몸에 해로운 것을 먹은 것으로 판단할 수 있다. 고양이가 끈처럼 길고 가는 물체, 귀걸이나 알약과 같이 작은 조각, 초콜릿, 닭 뼈 등과 같은 것을 먹을 경우 굉장히 위험한 상황에 빠질 수 있으므로, 이러한 행동이 발견되는 즉시 빠른 조치를 통해 더 큰 위험 상황을 예방할 수 있다. 다른 예로서, 행동 분석 시스템은 고양이가 '핥기' 행동을 과다하게 하는 경우, 고양이가 불안한 심리 상태이거나 피부병, 벼룩 등을 의심할 수 있다. 이럴 경우 고양이에게 탈모가 생길 수 있으므로, '핥기' 행동이 지속해서 발생할 경우 빠른 조치를 통해 피부병이 악화하는 것을 예방할 수 있다. 또 다른 예로서, 행동 분석 시스템은 비콘 신호가 너무 약하거나 잡히지 않는 경우, 고양이가 깊은 곳에 숨거나 가출했음을 알 수 있다. 고양이의 경우 질병을 숨기려는 습성이 있어, 고양이가 숨어서 나오지 않는다면 고양이에게 큰 질병이 있을 수 있음을 알고 미리 조치할 수 있다. 또한, 고양이가 가출한 경우에 고양이의 냄새 혹은 페로몬이 묻어 있는 화장실이나 스크래쳐 등을 이용하여 고양이가 집으로 돌아올 수 있도록 조치할 수 있다.
도 6은 일 실시예에 따른 행동 분석 시스템의 구성을 설명하기 위한 블록도이고, 도 7은 일 실시예에 따른 행동 분석 시스템에서 애완동물의 행동을 분석하는 방법을 설명하기 위한 흐름도이다.
행동 분석 시스템(600)에 포함된 프로세서는 파악부(610), 분석부(620) 및 탐지부(630)를 포함할 수 있다. 이러한 프로세서 및 프로세서의 구성요소들은 도 7의 애완동물의 행동 분석 방법이 포함하는 단계들(710 내지 730)을 수행하도록 행동 분석 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 프로세서의 구성요소들은 행동 분석 시스템에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다.
프로세서는 애완동물의 행동 분석 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 행동 분석 시스템(600)에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 행동 분석 시스템을 제어할 수 있다.
단계(710)에서 파악부(610)는 적어도 하나 이상의 라즈베리파이와 애완동물에게 부착 가능한 비콘을 이용하여 애완동물의 행동 정보 및 위치 정보를 파악할 수 있다. 파악부(610)는 적어도 하나 이상의 라즈베리파이, 비콘 및 라즈베리파이-카메라를 이용하여 애완동물과 관련된 데이터를 수집하며, 애완동물의 신체 일부에 부착된 비콘으로부터 송신되는 행동 분류를 위한 3축 가속도계 정보와 위치 식별을 위한 신호 세기 정보(RSSI)를 라즈베리파이를 이용하여 취득하고, 카메라에서 촬영된 동영상을 데이터를 동시에 취득할 수 있다.
단계(720)에서 분석부(620)는 파악된 애완동물의 행동 정보와 위치 정보에 기반하여 애완동물의 행동을 분석할 수 있다. 분석부(620)는 애완동물의 행동 분석을 위한 행동 모델로서 2중 LSTM 모델을 구성하고, 구성된 2중 LSTM 모델에 파악된 애완동물의 행동 정보와 위치 정보를 입력하여 걷기, 핥기, 먹기 또는 앉기를 포함하는 애완동물의 행동을 분석할 수 있다. 분석부(620)는 적어도 하나 이상의 라즈베리파이에 저장된 비콘으로부터 송출된 3축 가속도계 정보를 애완동물의 유의미한 행동을 분류하기 위해 초당 기 설정된 프레임을 포함하는 데이터를 수집하여 LSTM 입력 단위로 설정할 수 있다. 분석부(620)는 비콘으로부터 송출된 3축 가속도계 정보에 대한 중복된 정보와 이상치를 제거하는 전처리 과정을 수행하고, 전처리 과정을 수행함에 따라 시간에 흐름에 따른 3축 가속도계 정보를 조합한 후, 데이터의 구조를 LSTM에 기반하여 설계할 수 있다. 분석부(620)는 적어도 하나 이상의 라즈베리파이에 저장된 비콘으로부터 송출된 신호 세기 정보를 각각의 라즈베리파이와 비콘 사이의 거리 정보로 변환할 수 있다. 분석부(620)는 신호 세기 정보를 Density 방식을 이용하여 이상치를 제거하는 전처리 과정을 수행할 수 있다. 분석부(620)는 변환된 각각의 라즈베리파이와 비콘 사이의 거리 정보에 대하여 헤론의 공식(Heron's formula)과 피타고라스 정리(Pythagorean theorem)를 이용하여 애완동물의 3차원 좌표 정보를 추정하고, 추정한 3차원 좌표 정보에 기초하여 애완동물의 행동이 발생한 영역을 탐지할 수 있다.
단계(730)에서 탐지부(630)는 분석을 통하여 획득된 분석 결과에 기초하여 애완동물의 건강 상태를 모니터링하고 애완동물의 위험 상황을 탐지할 수 있다. 탐지부(630)는 분석을 통하여 획득된 위치 영역별 애완동물의 행동 비율, 기 설정된 기간 동안의 식사량 및 음수량 변화를 포함하는 분석 결과를 그래프로 시각화할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (15)

  1. 행동 분석 시스템에 의해 수행되는 행동 분석 방법에 있어서,
    적어도 하나 이상의 라즈베리파이와 애완동물에게 부착 가능한 비콘을 이용하여 애완동물의 행동 정보 및 위치 정보를 파악하는 단계;
    상기 파악된 애완동물의 행동 정보와 위치 정보에 기반하여 애완동물의 행동을 분석하는 단계; 및
    상기 분석을 통하여 획득된 분석 결과에 기초하여 애완동물의 건강 상태를 모니터링하고 애완동물의 위험 상황을 탐지하는 단계
    를 포함하고,
    상기 애완동물의 행동을 분석하는 단계는,
    상기 애완동물의 행동 분석을 위한 행동 모델로서 2중 LSTM 모델(Long Short-Term Memory models)을 구성하고, 상기 구성된 2중 LSTM 모델에 상기 파악된 애완동물의 행동 정보와 위치 정보를 입력하여 걷기, 핥기, 먹기 또는 앉기를 포함하는 애완동물의 행동을 분석하고, 적어도 하나 이상의 라즈베리파이에 저장된 비콘으로부터 송출된 3축 가속도계 정보를 애완동물의 유의미한 행동을 분류하기 위해 초당 기 설정된 프레임을 포함하는 데이터를 수집하여 LSTM 입력 단위로 설정하는 단계
    를 포함하는 행동 분석 방법.
  2. 제1항에 있어서,
    상기 파악하는 단계는,
    적어도 하나 이상의 라즈베리파이, 비콘 및 라즈베리파이-카메라를 이용하여 애완동물과 관련된 데이터를 수집하며, 애완동물의 신체 일부에 부착된 비콘으로부터 송신되는 행동 분류를 위한 3축 가속도계 정보와 위치 식별을 위한 신호 세기 정보(RSSI)를 라즈베리파이를 이용하여 취득하고, 카메라에서 촬영된 동영상을 데이터를 동시에 취득하는 단계
    를 포함하고,
    상기 적어도 하나 이상의 라즈베리파이는, 애완동물이 존재하는 특정 공간에 부착되는, 행동 분석 방법.
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 애완동물의 행동을 분석하는 단계는,
    상기 비콘으로부터 송출된 3축 가속도계 정보에 대한 중복된 정보와 이상치를 제거하는 전처리 과정을 수행하고, 상기 전처리 과정을 수행함에 따라 시간에 흐름에 따른 3축 가속도계 정보를 조합한 후, 데이터의 구조를 LSTM에 기반하여 설계하는 단계
    를 포함하는 행동 분석 방법.
  6. 행동 분석 시스템에 의해 수행되는 행동 분석 방법에 있어서,
    적어도 하나 이상의 라즈베리파이와 애완동물에게 부착 가능한 비콘을 이용하여 애완동물의 행동 정보 및 위치 정보를 파악하는 단계;
    상기 파악된 애완동물의 행동 정보와 위치 정보에 기반하여 애완동물의 행동을 분석하는 단계; 및
    상기 분석을 통하여 획득된 분석 결과에 기초하여 애완동물의 건강 상태를 모니터링하고 애완동물의 위험 상황을 탐지하는 단계
    를 포함하고,
    상기 애완동물의 행동을 분석하는 단계는,
    상기 애완동물의 행동 분석을 위한 행동 모델로서 2중 LSTM 모델(Long Short-Term Memory models)을 구성하고, 상기 구성된 2중 LSTM 모델에 상기 파악된 애완동물의 행동 정보와 위치 정보를 입력하여 걷기, 핥기, 먹기 또는 앉기를 포함하는 애완동물의 행동을 분석하고, 적어도 하나 이상의 라즈베리파이에 저장된 비콘으로부터 송출된 신호 세기 정보를 각각의 라즈베리파이와 비콘 사이의 거리 정보로 변환하는 단계
    를 포함하는 행동 분석 방법.
  7. 제6항에 있어서,
    상기 애완동물의 행동을 분석하는 단계는,
    상기 신호 세기 정보를 Density 방식을 이용하여 이상치를 제거하는 전처리 과정을 수행하는 단계
    를 포함하는 행동 분석 방법.
  8. 제6항에 있어서,
    상기 애완동물의 행동을 분석하는 단계는,
    상기 변환된 각각의 라즈베리파이와 비콘 사이의 거리 정보에 대하여 헤론의 공식(Heron's formula)과 피타고라스 정리(Pythagorean theorem)를 이용하여 애완동물의 3차원 좌표 정보를 추정하고, 상기 추정한 3차원 좌표 정보에 기초하여 애완동물의 행동이 발생한 영역을 탐지하는 단계
    를 포함하는 행동 분석 방법.
  9. 제1항 또는 제6항에 있어서,
    상기 애완동물의 위험 상황을 탐지하는 단계는,
    상기 분석을 통하여 획득된 위치 영역별 애완동물의 행동 비율, 기 설정된 기간 동안의 식사량 및 음수량 변화를 포함하는 분석 결과를 그래프로 시각화하는 단계
    를 포함하는 행동 분석 방법.
  10. 행동 분석 시스템에 있어서,
    적어도 하나 이상의 라즈베리파이와 애완동물에게 부착 가능한 비콘을 이용하여 애완동물의 행동 정보 및 위치 정보를 파악하는 파악부;
    상기 파악된 애완동물의 행동 정보와 위치 정보에 기반하여 애완동물의 행동을 분석하는 분석부; 및
    상기 분석을 통하여 획득된 분석 결과에 기초하여 애완동물의 건강 상태를 모니터링하고 애완동물의 위험 상황을 탐지하는 탐지부
    를 포함하고,
    상기 분석부는,
    상기 애완동물의 행동 분석을 위한 행동 모델로서 2중 LSTM 모델을 구성하고, 상기 구성된 2중 LSTM 모델에 상기 파악된 애완동물의 행동 정보와 위치 정보를 입력하여 걷기, 핥기, 먹기 또는 앉기를 포함하는 애완동물의 행동을 분석하고, 적어도 하나 이상의 라즈베리파이에 저장된 비콘으로부터 송출된 3축 가속도계 정보를 애완동물의 유의미한 행동을 분류하기 위해 초당 기 설정된 프레임을 포함하는 데이터를 수집하여 LSTM 입력 단위로 설정하는
    행동 분석 시스템.
  11. 제10항에 있어서,
    상기 파악부는,
    적어도 하나 이상의 라즈베리파이, 비콘 및 라즈베리파이-카메라를 이용하여 애완동물과 관련된 데이터를 수집하며, 애완동물의 신체 일부에 부착된 비콘으로부터 송신되는 행동 분류를 위한 3축 가속도계 정보와 위치 식별을 위한 신호 세기 정보(RSSI)를 라즈베리파이를 이용하여 취득하고, 카메라에서 촬영된 동영상을 데이터를 동시에 취득하는 것을 포함하고,
    상기 적어도 하나 이상의 라즈베리파이는, 애완동물이 존재하는 특정 공간에 부착되는, 행동 분석 시스템.
  12. 삭제
  13. 삭제
  14. 행동 분석 시스템에 있어서,
    적어도 하나 이상의 라즈베리파이와 애완동물에게 부착 가능한 비콘을 이용하여 애완동물의 행동 정보 및 위치 정보를 파악하는 파악부;
    상기 파악된 애완동물의 행동 정보와 위치 정보에 기반하여 애완동물의 행동을 분석하는 분석부; 및
    상기 분석을 통하여 획득된 분석 결과에 기초하여 애완동물의 건강 상태를 모니터링하고 애완동물의 위험 상황을 탐지하는 탐지부
    를 포함하고,
    상기 분석부는,
    상기 애완동물의 행동 분석을 위한 행동 모델로서 2중 LSTM 모델을 구성하고, 상기 구성된 2중 LSTM 모델에 상기 파악된 애완동물의 행동 정보와 위치 정보를 입력하여 걷기, 핥기, 먹기 또는 앉기를 포함하는 애완동물의 행동을 분석하고, 적어도 하나 이상의 라즈베리파이에 저장된 비콘으로부터 송출된 신호 세기 정보를 각각의 라즈베리파이와 비콘 사이의 거리 정보로 변환하고, 상기 변환된 각각의 라즈베리파이와 비콘 사이의 거리 정보에 대하여 헤론의 공식(Heron's formula)과 피타고라스 정리(Pythagorean theorem)를 이용하여 애완동물의 3차원 좌표 정보를 추정하고, 상기 추정한 3차원 좌표 정보에 기초하여 애완동물의 행동이 발생한 영역을 탐지하는
    것을 특징으로 하는 행동 분석 시스템.
  15. 제10항 또는 제14항에 있어서,
    상기 탐지부는,
    상기 분석을 통하여 획득된 위치 영역별 애완동물의 행동 비율, 기 설정된 기간 동안의 식사량 및 음수량 변화를 포함하는 분석 결과를 그래프로 시각화하는
    것을 특징으로 하는 행동 분석 시스템.
KR1020200005003A 2020-01-14 2020-01-14 위치 및 행동 정보를 이용한 고양이 행동 분석 시스템 KR102327354B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200005003A KR102327354B1 (ko) 2020-01-14 2020-01-14 위치 및 행동 정보를 이용한 고양이 행동 분석 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200005003A KR102327354B1 (ko) 2020-01-14 2020-01-14 위치 및 행동 정보를 이용한 고양이 행동 분석 시스템

Publications (2)

Publication Number Publication Date
KR20210091612A KR20210091612A (ko) 2021-07-22
KR102327354B1 true KR102327354B1 (ko) 2021-11-17

Family

ID=77158250

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200005003A KR102327354B1 (ko) 2020-01-14 2020-01-14 위치 및 행동 정보를 이용한 고양이 행동 분석 시스템

Country Status (1)

Country Link
KR (1) KR102327354B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102035672B1 (ko) 2017-10-27 2019-10-24 대한민국 가축의 행동과 위치를 모니터링하는 장치 및 방법
KR102022893B1 (ko) * 2017-08-21 2019-11-04 주식회사 베르그앤릿지 반려동물 케어 방법 및 이를 이용하는 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102440385B1 (ko) * 2017-11-28 2022-09-05 영남대학교 산학협력단 멀티 인식모델의 결합에 의한 행동패턴 인식방법 및 장치
KR20190003148U (ko) * 2018-06-14 2019-12-24 임예은 반려동물 헬스케어 제품 및 시스템
KR102156279B1 (ko) * 2018-11-08 2020-09-15 고려대학교 세종산학협력단 반려 동물의 위험 행동의 검출 및 억제 방법 및 이를 위한 자동화된 카메라-기반 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102022893B1 (ko) * 2017-08-21 2019-11-04 주식회사 베르그앤릿지 반려동물 케어 방법 및 이를 이용하는 시스템
KR102035672B1 (ko) 2017-10-27 2019-10-24 대한민국 가축의 행동과 위치를 모니터링하는 장치 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
2019 International Conference on Artificial Intelligence in Information and Communication (ICAIIC), pp.78-81(2019.02.11.)*

Also Published As

Publication number Publication date
KR20210091612A (ko) 2021-07-22

Similar Documents

Publication Publication Date Title
Wurtz et al. Recording behaviour of indoor-housed farm animals automatically using machine vision technology: A systematic review
Arcidiacono et al. Development of a threshold-based classifier for real-time recognition of cow feeding and standing behavioural activities from accelerometer data
Neethirajan ChickTrack–a quantitative tracking tool for measuring chicken activity
Fogarty et al. Behaviour classification of extensively grazed sheep using machine learning
González et al. Behavioral classification of data from collars containing motion sensors in grazing cattle
Riaboff et al. Evaluation of pre-processing methods for the prediction of cattle behaviour from accelerometer data
US20210400921A1 (en) Social Group Management System and Method Therefor
Yang et al. Classification of broiler behaviours using triaxial accelerometer and machine learning
Bom et al. Optimizing acceleration-based ethograms: the use of variable-time versus fixed-time segmentation
Achour et al. Unsupervised automated monitoring of dairy cows’ behavior based on Inertial Measurement Unit attached to their back
Eerdekens et al. Automatic equine activity detection by convolutional neural networks using accelerometer data
Thompson et al. Porcine lie detectors: Automatic quantification of posture state and transitions in sows using inertial sensors
Roberts et al. Prediction of welfare outcomes for broiler chickens using Bayesian regression on continuous optical flow data
Chang et al. Detection of rumination in cattle using an accelerometer ear-tag: A comparison of analytical methods and individual animal and generic models
KR20210108686A (ko) 영상 인공지능 기반 반려동물 질병 예후 진단 방법
Thompson et al. Freedom to lie: How farrowing environment affects sow lying behaviour assessment using inertial sensors
Arcidiacono et al. A software tool for the automatic and real-time analysis of cow velocity data in free-stall barns: The case study of oestrus detection from Ultra-Wide-Band data
Debauche et al. Farm animals’ behaviors and welfare analysis with AI algorithms: A review
Haladjian et al. iPig: Towards tracking the behavior of free-roaming pigs
Chapa et al. Use of a real-time location system to detect cows in distinct functional areas within a barn
Brouwers et al. Towards a novel method for detecting atypical lying down and standing up behaviors in dairy cows using accelerometers and machine learning
Ohno et al. Cyber-enhanced rescue canine
Zhang et al. A Review in the automatic detection of pigs behavior with sensors
Liu et al. Classification of cow behavior patterns using inertial measurement units and a fully convolutional network model
KR102327354B1 (ko) 위치 및 행동 정보를 이용한 고양이 행동 분석 시스템

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant