KR102344894B1 - 어획량 측정 장치 및 방법 - Google Patents

어획량 측정 장치 및 방법 Download PDF

Info

Publication number
KR102344894B1
KR102344894B1 KR1020210062368A KR20210062368A KR102344894B1 KR 102344894 B1 KR102344894 B1 KR 102344894B1 KR 1020210062368 A KR1020210062368 A KR 1020210062368A KR 20210062368 A KR20210062368 A KR 20210062368A KR 102344894 B1 KR102344894 B1 KR 102344894B1
Authority
KR
South Korea
Prior art keywords
net
image
mesh
fishing
learning
Prior art date
Application number
KR1020210062368A
Other languages
English (en)
Inventor
임태호
신동훈
고학림
Original Assignee
호서대학교 산학협력단
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 호서대학교 산학협력단 filed Critical 호서대학교 산학협력단
Priority to KR1020210062368A priority Critical patent/KR102344894B1/ko
Application granted granted Critical
Publication of KR102344894B1 publication Critical patent/KR102344894B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F17/00—Methods or apparatus for determining the capacity of containers or cavities, or the volume of solid bodies
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G9/00—Methods of, or apparatus for, the determination of weight, not provided for in groups G01G1/00 - G01G7/00
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Fluid Mechanics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

어획량 측정 장치 및 방법이 개시된다. 이에 의한 어획량 측정 장치는, 어획 후 그물망이 어선으로 끌어올려지는 경우, 상기 그물망 및 상기 그물망에 연결된 인식표지를 포함하는 영상을 획득하는 영상 처리부; 와, 상기 영상을 분석하여, 상기 그물망과 상기 인식표지 각각의 실제 변형크기와 상기 각각의 실제 변형크기 간의 상관관계를 도출하는 설정부; 와, 상기 그물망의 복수개의 실험 무게와 상기 복수개의 실험 무게에 대응하는 상기 그물망과 상기 인식표지 각각의 실험 변형크기를 포함하는 복수개의 학습데이터를 생성하고, 인공지능에 의해 상기 복수개의 학습데이터를 학습하는 학습부; 및 상기 학습부의 학습결과와 상기 실제 변형크기 및 상기 상관관계에 기초하여, 상기 그물망의 실제 무게를 추정하는 제어부를 포함할 수 있다.

Description

어획량 측정 장치 및 방법{APPARATUS AND METHOD OF MEASURING TOTAL ALLOWABLE CATCH}
본 발명은 어획량 측정 장치 및 방법에 관한 것으로서, 보다 상세하게는 단일 카메라를 이용하여 딥 러닝에 기반하여 그물망의 무게 및 길이를 측정할 수 있는 어획량 측정 장치 및 방법에 관한 것이다.
총 허용 어획량(Total Allowable Catch: TAC) 제도는 개별어종(단일어종)에 대한 연간 총 허용 어획량을 정하여 그 한도내에서만 어획을 허용하는 자원관리제도이다. 자원 남획을 방지하고 적절한 자원 보존을 위해, TAC에 의해 생물학적 허용 어획량을 제한하여 자원을 관리할 필요가 있다.
총 허용 어획량을 모니터링 하기 위하여, 시나 도를 통하여 보고되는 TAC 참여 어업인의 어획량은 한국수산자원공단의 수산자원조사원(2020년~2021년 기준, 95명)이 전국의 121개 지정판매장소로 입항하는 어선별 TAC 소진량에 대해 모니터링 하고 있다. 이 경우, 각 어획된 어종별 중량, 체장 등 생태정보 조사도 병행한다. 그러나, 이러한 조사원에 의한 직접 조사 방법은 시간과 노력 및 비용이 많이 소모되어, 인적자원 낭비 및 경제성 측면에서 문제점이 존재한다.
따라서, 직접적인 조사에 기반한 측정 방법이 아닌, 간접적으로 어획량을 추정할 수 있는 새로운 방법이 요구된다.
한국등록특허공보 제10-1383818호(2014.04.08.)
본 발명이 해결하고자 하는 과제는, 단일 카메라를 이용하여 딥 러닝에 기반하여 그물망의 무게 및 길이를 측정할 수 있는 어획량 측정 장치 및 방법을 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 과제는, 그물망의 크기를 정확하게 추정할 수 있는 인자들을 측정하고 인공지능에 의한 학습을 수행함으로써 그물망의 무게 및 길이를 정확하게 측정할 수 있는 어획량 측정 장치 및 방법을 제공하는 것이다.
본 발명의 일 실시예에 의한 어획량 측정 장치에 의하면, 어획 후 그물망이 어선으로 끌어올려지는 경우, 상기 그물망 및 상기 그물망에 연결된 인식표지를 포함하는 영상을 획득하는 영상 처리부; 와, 상기 영상을 분석하여, 상기 그물망과 상기 인식표지 각각의 실제 변형크기와 상기 각각의 실제 변형크기 간의 상관관계를 도출하는 설정부; 와, 상기 그물망의 복수개의 실험 무게와 상기 복수개의 실험 무게에 대응하는 상기 그물망과 상기 인식표지 각각의 실험 변형크기를 포함하는 복수개의 학습데이터를 생성하고, 인공지능에 의해 상기 복수개의 학습데이터를 학습하는 학습부; 및 상기 학습부의 학습결과와 상기 실제 변형크기 및 상기 상관관계에 기초하여, 상기 그물망의 실제 무게를 추정하는 제어부를 포함할 수 있다.
상기 어획량 측정 장치에 있어서, 상기 설정부는, 상기 영상으로부터, 상기 그물망의 변형된 가로길이 및 세로길이 중에서 어느 하나인 제1 변형크기와 상기 인식표지의 변형된 가로길이 및 세로길이 중에서 길이가 더 긴 쪽의 제2 변형크기를 추출하고, 상기 그물망 및 상기 인식표지의 실물 크기에 대응하도록 상기 제1 변형크기 및 상기 제2 변형크기를 확대함으로써 상기 각각의 실제 변형크기를 획득할 수 있다.
상기 어획량 측정 장치에 있어서, 상기 영상 처리부는, 어획 전과 어획 후 각각의 경우에 있어서 상기 그물망에 대해 360도 촬영을 수행하고, 촬영된 복수개의 영상을 스티칭함으로써, 어획 전 상기 그물망의 제1 VR 영상 및 어획 후 상기 그물망의 제2 VR 영상을 생성하고, 상기 설정부는, 상기 제1 VR 영상 및 상기 제2 VR 영상에 기초하여 상기 그물망의 부피 변화를 도출하며, 상기 제어부는, 상기 학습결과와 상기 부피 변화 및 상기 상관관계에 기초하여, 상기 그물망의 실제 무게를 추정할 수 있다.
상기 어획량 측정 장치에 있어서, 상기 설정부는, 세분화(segmentation) 기반 딥 러닝을 수행하여, 상기 영상을 분할한 후 객체 경계를 추출함으로써 상기 영상으로부터 상기 그물망을 인식할 수 있다.
상기 어획량 측정 장치에 있어서, 상기 학습부는, 상기 그물망의 수면으로부터의 높이와 상기 높이에 이르기까지의 경과시간을 고려하여 상기 상관관계를 보정할 수 있다.
본 발명의 다른 실시예에 의한 어획량 측정 방법에 의하면, 어획 후 그물망이 어선으로 끌어올려지는 경우, 상기 그물망 및 상기 그물망에 연결된 인식표지를 포함하는 영상을 획득하는 단계; 와, 상기 영상을 분석하여, 상기 그물망과 상기 인식표지 각각의 실제 변형크기와 상기 각각의 실제 변형크기 간의 상관관계를 도출하는 단계; 와, 상기 그물망의 복수개의 실험 무게와 상기 복수개의 실험 무게에 대응하는 상기 그물망과 상기 인식표지 각각의 실험 변형크기를 포함하는 복수개의 학습데이터를 생성하고, 인공지능에 의해 상기 복수개의 학습데이터를 학습하는 단계; 및, 학습결과와 상기 실제 변형크기 및 상기 상관관계에 기초하여, 상기 그물망의 실제 무게를 추정하는 단계를 포함할 수 있다.
상기 어획량 측정 방법에 있어서, 상기 영상으로부터, 상기 그물망의 변형된 가로길이 및 세로길이 중에서 어느 하나인 제1 변형크기와 상기 인식표지의 변형된 가로길이 및 세로길이 중에서 길이가 더 긴 쪽의 제2 변형크기를 추출하고, 상기 그물망 및 상기 인식표지의 실물 크기에 대응하도록 상기 제1 변형크기 및 상기 제2 변형크기를 확대함으로써 상기 각각의 실제 변형크기를 획득할 수 있다.
상기 어획량 측정 방법에 있어서, 어획 전과 어획 후 각각의 경우에 있어서 상기 그물망에 대해 360도 촬영을 수행하고, 촬영된 복수개의 영상을 스티칭함으로써, 어획 전 상기 그물망의 제1 VR 영상 및 어획 후 상기 그물망의 제2 VR 영상을 생성하고, 상기 제1 VR 영상 및 상기 제2 VR 영상에 기초하여 상기 그물망의 부피 변화를 도출하며, 상기 학습결과와 상기 부피 변화 및 상기 상관관계에 기초하여, 상기 그물망의 실제 무게를 추정할 수 있다.
상기 어획량 측정 방법에 있어서, 세분화(segmentation) 기반 딥 러닝을 수행하여, 상기 영상을 분할한 후 객체 경계를 추출함으로써 상기 영상으로부터 상기 그물망을 인식할 수 있다.
상기 어획량 측정 방법에 있어서, 상기 그물망의 수면으로부터의 높이와 상기 높이에 이르기까지의 경과시간을 고려하여 상기 상관관계를 보정할 수 있다.
본 발명의 실시예에 따르면, 영상에 기반하여 그물망의 길이 및 무게를 추정하고 이에 기초하여 어획량을 예측함으로써 직접적인 조사 없이도 간접적으로 어획량을 측정할 수 있다.
또한, 본 발명의 실시예에 따르면, 그물망의 무게 및 길이 측정의 정확성과신뢰성을 높일 수 있다.
나아가, 본 발명의 실시예에 따르면, TAC 조사원이 무게를 측정하기 전에, 1차적으로 먼저 무게를 예측하여 직접 측정에 요구되는 시간과 인력소모 및 비용을 줄일 수 있다.
도 1은 본 발명에 따른 어획량 측정 장치의 구성을 도시한 블록도이다.
도 2a 내지 도 2c는 본 발명의 일 실시예에 의한 어획량 측정 방법을 설명하기 위한 도면이다.
도 3a 내지 도 3c는 본 발명의 다른 실시예에 의한 어획량 측정 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 또 다른 실시예에 의한 어획량 측정 과정을 도시한 도면이다.
도 5는 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서, 동일한 구성요소에 대해서 중복된 설명은 생략한다.
또한 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
또한, 본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로써, 본 발명을 한정하려는 의도로 사용되는 것이 아니다.
또한 본 명세서에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
또한 본 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품, 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐, 하나 또는 그 이상의 다른 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 할 것이다.
또한 본 명세서에서, '및/또는' 이라는 용어는 복수의 기재된 항목들의 조합 또는 복수의 기재된 항목들 중의 어느 항목을 포함한다. 본 명세서에서, 'A 또는 B'는, 'A', 'B', 또는 'A와 B 모두'를 포함할 수 있다.
또한 본 명세서에서, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략될 것이다.
도 1은 본 발명에 따른 어획량 측정 장치의 구성을 도시한 블록도이다.
본 발명에 따른 어획량 측정 장치(100)는 어업 어선에서의 어획량을 추정하기 위하여, 그물망의 무게 및 길이를 측정할 수 있다. 이를 위해, 어선이 어업을 마치고 그물망을 끌어올리는 과정에서 그물망에 대한 영상을 획득하고 딥러닝 기반의 학습을 통해 그물망 무게를 추정하며, 이에 기초하여 어획량을 추정할 수 있다.
이러한 어획량 측정 장치(100)는 일정 장소에 위치하는 전자 디바이스 또는 사용자가 소지하거나 휴대 가능한 사용자 단말로 구현될 수 있다. 예를 들어, 노트북, 스마트폰, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 전자책 단말기, 디지털방송용 단말기, 네비게이션, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비 모바일 컴퓨팅 장치일 수 있으나, 본 발명이 이에 제한되는 것은 아니다.
본 발명에 따른 어획량 측정 장치(100)는 영상 처리부(110), 설정부(120), 학습부(130) 및 제어부(140)를 포함하여 구성될 수 있다.
영상 처리부(110)는 어획 후 그물망이 어선으로 끌어올려지는 경우, 그물망 및 그물망에 연결된 인식표지를 포함하는 영상을 획득할 수 있다.
여기서, 인식표지는 어획량을 추정하기 위하여 그물망에 부착된 표식 마커일 수 있다. 인식표지는 그물망의 상단에 배치되어 그물망과 연결될 수 있다. 인식표지는 신축성과 탄력성이 높은 재질을 가지는 소재로 형성될 수 있다. 인식표지의 형상은 구 형태 또는 원 형태를 가질 수 있다.
일 실시예에 의하면, 영상 처리부(110)는 어획 전과 어획 후 각각에서의 그물망에 대한 VR 영상을 제작할 수 있다. 구체적으로, 영상 처리부(110)는, 어획 전과 어획 후 각각의 경우에 있어서 그물망에 대해 360도 촬영을 수행하고, 촬영된 복수개의 영상을 스티칭함으로써, 어획 전 그물망의 제1 VR 영상 및 어획 후 그물망의 제2 VR 영상을 생성할 수 있다.
설정부(120)는 영상을 분석하여, 그물망과 인식표지 각각의 실제 변형크기와 상기 각각의 실제 변형크기 간의 상관관계를 도출할 수 있다.
그물망의 무게가 증가할수록, 그물망과 상기 그물망에 연결된 인식표지 각각이 늘어나거나 크기가 팽창하는 방식으로 변형된다. 그러나, 그물망과 인식표지가 변형되는 정도는 각각을 구성하는 소재나 재질의 탄력성에 따라 달라지며, 항상 무게에 정비례하여 변형되는 것은 아니다. 이러한 점을 고려하여, 본 발명에서는 그물망과 인식표지의 상관관계를 도출하고, 이를 그물망의 무게 및 길이를 추정하는데 반영한다. 그물망과 인식표지 각각의 변형 정도 외에도 그물망과 인식표지가 변형되는 상호간의 상관관계를 함께 고려함으로써, 재질이나 소재에 따라 달라지는 변형특성을 고려하여 그물망의 무게 및 길이를 정확하게 추정할 수 있게 된다.
설정부(120)는 영상으로부터, 그물망의 변형된 가로길이 및 세로길이 중에서 어느 하나인 제1 변형크기와, 인식표지의 변형된 가로길이 및 세로길이 중에서 길이가 더 긴 쪽의 제2 변형크기를 추출할 수 있다. 이 경우, 설정부(120)는 그물망 및 인식표지의 실물 크기에 대응하도록 제1 변형크기 및 제2 변형크기를 확대함으로써 각각의 실제 변형크기를 획득할 수 있다.
일 실시예에 의하면, 설정부(120)는 제1 VR 영상 및 제2 VR 영상에 기초하여 그물망의 부피 변화를 도출할 수 있다.
설정부(120)는 세분화(segmentation) 기반 딥 러닝을 수행하여, 영상을 분할한 후 객체 경계를 추출함으로써 영상으로부터 그물망을 인식할 수 있다.
학습부(130)는 그물망의 복수개의 실험 무게와 상기 복수개의 실험 무게에 대응하는 그물망과 인식표지 각각의 실험 변형크기를 포함하는 복수개의 학습데이터를 생성하고, 인공지능에 의해 상기 복수개의 학습데이터를 학습할 수 있다.
일 실시예에 의하면, 학습부(130)는 그물망의 수면으로부터의 높이와 상기 높이에 이르기까지의 경과시간을 고려하여 상관관계를 보정할 수 있다. 일반적으로, 그물망은 내부에 담긴 어획량의 무게에 따라 길이 및 무게가 변화한다. 그러나, 외부환경요인에 따라 그물망의 무게 및 길이에 왜곡이 발생하므로, 무게 및 길이를 정확하게 추정하기 위해서는 이러한 외부환경요인을 더 고려하여야 한다. 구체적으로, 그물망이 수면으로부터 높이 올라갈수록 중력이 더 크게 작용하게 되어 그물망의 무게는 더욱 무거워진다. 또한, 그물망이 수면으로부터 끌어올려질 때 그물망 내부에는 포획된 어류 외에 바닷물도 포함되고, 이에 의해 그물망 무게에 왜곡이 발생한다. 그물망이 수면을 벗어나는 시점부터 바닷물은 그물망을 통해 빠져나가게 되므로, 그물망 무게는 그물망이 수면 밖으로 끌어올려진 후의 시간 경과에 따라 영향을 받게 된다. 따라서, 학습부(130)는 이러한 외부환경인자들을 고려하여 상관관계를 보정할 수 있다.
제어부(140)는 학습부의 학습결과와 실제 변형크기 및 상관관계에 기초하여, 그물망의 실제 무게를 추정할 수 있다.
일 실시예에 의하면, 실제 변형크기는 그물망의 부피 변화일 수 있다. 이 경우, 제어부(140)는 학습결과와 부피 변화 및 상관관계에 기초하여, 그물망의 실제 무게를 추정할 수 있다.
제어부(140)는 어획량 측정 장치(100)의 전반적인 동작을 제어한다. 제어부(140)는 하나 또는 복수의 프로세서로 구성될 수 있다. 일 실시 예에 따라 제어부(140)는 디지털 영상 신호를 처리하는 디지털 시그널 프로세서(Digital Signal Processor: DSP), 마이크로프로세서(microprocessor), GPU(Graphics Processing Unit), AI(Artificial Intelligence) 프로세서, NPU(Neural Processing Unit), TCON(Time CONtroller)으로 구현될 수 있다. 다만, 본 발명이 이에 한정되는 것은 아니며, 중앙처리장치(Central Processing Unit: CPU), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(Application Processor: AP), 또는 커뮤니케이션 프로세서(Communication Processor: CP), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다.
한편, 그물망의 길이를 추정하는 경우, 상기에서 설명한 그물망의 무게를 추정하는 것과 동일 및 유사한 방법으로 그물망의 길이를 추정할 수 있다.
도 2a 내지 도 2c는 본 발명의 일 실시예에 의한 어획량 측정 방법을 설명하기 위한 도면이다.
본 발명에 의하면, 영상 입력장치(예를 들어, 카메라 등)에서 촬영된 그물망과 표식 마커를 인식하고, 인식된 표식 마커를 기반으로 그물망과의 비율을 비교하여 그물망의 무게 및 길이를 추정할 수 있다. 즉, 그물망의 무게가 늘어남에 따라 이에 연결된 표식 마커가 늘어난다는 점을 고려하여, 표식 마커와 그물망 간의 변형 비율을 알아내고, 이에 기초하여 그물망의 무게 및 길이를 추정할 수 있다.
실시예에 따라, 보다 정확한 측정을 위하여, 영상 입력장치로 스테레오 카메라나 라이다 센서를 사용할 수도 있다. 그러나, 스테레오 카메라나 라이다 센서를 사용하는 경우, 어획량 측정 장치(100)의 제작 비용은 증가하게 되며, 일반적으로 모든 어선에서 단가가 높은 장비를 사용하기에는 비용 면에서 어려움이 존재한다. 따라서, 본 발명의 실시예에서는 단일 카메라를 사용하고 딥러닝 기반으로 표식 마커의 변형 길이를 기반으로 그물망의 무게 및 길이를 측정하는 방식을 사용하여 총 허용 어획량(Total Allowable Catch: TAC) 모니터링을 수행할 수 있다.
구체적으로, 도 2a는 그물망(210)과 표식 마커(220)를 도시한다. 표식 마커(220)는 그물망(210)의 위쪽에 배치되며, 그물망(210)과 연결된다. 이에 의해, 어획 후에 그물망(210)이 어선(200)에 의해 수면 위로 끌어올려지면, 그물망(210)의 무게에 의해 표식 마커(220)는 변형된다. 예를 들어, 표식 마커(220)는 수심 방향으로 가해지는 중력에 의해 길이가 늘어날 수 있다.
표식 마커(220)는 신축성과 탄성력이 우수한 재질을 가지는 소재로 구성된다. 이 경우, 표식 마커(220)는 그물망(210)의 무게 변화에 대응하여 쉽게 변형하게 되어, 표식 마커(220)의 변형 정도를 쉽게 측정할 수 있다. 무게 변화에 따른 표식 마커(220)의 변형 정도가 증가할수록, 정확한 무게 및 길이 측정이 가능하다.
표식 마커(220)는 전 방향에서 표식 마커(220)의 변형을 인식할 수 있게 하는 형태를 가질 수 있다. 일 실시예에 의하면, 표식 마커(220)는 구 형태 또는 원 형태로 구성될 수 있다.
도 2b는 표식 마커(220)의 변형 정도를 측정하는 예를 도시한다. 표식 마커(220)는 그물망(210)의 무게에 대응하여 변형될 수 있다. 일 예로, 표식 마커(220)의 길이가 변형될 수 있다. 도 2b에 도시된 표식 마커(220)는 구 형태로서 지면 방향으로 중력을 받게 되고, 이에 의해 가로 길이와 세로 길이가 각각 변형된다. 지면 방향으로 가해지는 중력에 의해, 가로 길이는 줄어들고 세로 길이는 늘어나게 된다.
도 2b의 왼쪽 그림은 어획 전의 그물망(210)에 연결된 표식 마커(220)를 나타내며, 이 경우 표식 마커(220)의 가로 길이는 X0 이고, 세로 길이는 Y0이다.
도 2b의 오른쪽 그림은 어획 후의 그물망(210)에 연결된 표식 마커(220)를 나타내며, 이 경우 표식 마커(220)의 가로 길이는 X1 이고, 세로 길이는 Y1이다. 어획에 의해 그물망(210)의 무게가 변화되었고, 이에 따라 표식 마커(220)의 가로 길이 및 세로 길이가 모두 변화하였다.
표식 마커(220)의 변형 정도를 계산하기 위한 인자로서, 변형된 가로 길이 X1 및 세로 길이 Y1 중에서 변형도가 더 큰 세로 길이 Y1을 선택한다. 즉, 본 실시예에서는, 더 많이 변형된 세로 길이 Y1를 선택하여 그물망의 무게 및 길이를 보다 정확하게 추정한다.
도 2c는 그물망(210)의 무게 및 길이를 학습하기 위한 학습데이터 셋이다. 어획량의 인식률을 높이기 위하여, 다양한 어획 무게 별 데이터셋을 수집하고 이에 대하여 인공지능에 기초한 학습을 수행할 수 있다. 일 실시예에 의하면, 딥 러닝이나 머신 러닝에 기초한 학습을 수행할 수 있다.
또한, 각 학습데이터 셋에 대해 라벨링을 진행할 경우에는 정확한 라벨링이 수행되어야 한다. 즉, 학습데이터 셋을 생성하기 위하여 실험 예의 영상에 포함된 표식 마커(220)에 대해 라벨링을 수행하기 되는데, 이 경우 약간의 픽셀 차이로 결과값이 많이 달라질 수 있다. 따라서, 표식 마커(220)의 픽셀에 대해 정확한 라벨링을 수행하여야 한다.
도 2c를 참조하면, 학습데이터 각각은, 표식 마커 길이, 그물망 길이, 표식 마커와 그물망의 비율, 그리고 그물망 무게가 대응된다. 이를 위해, 그물망 길이와 이에 대응하는 표식 마커 길이 및 그물망 무게에 대한 실측 데이터들이 수집되고, 수집된 실측 데이터들에 대한 학습이 수행된다. 표식 마커와 그물망의 비율은, 표식 마커 길이와 그물망 길이 데이터로부터 구해질 수 있다.
도 2c를 참조하면, 표식 마커와 그물망의 비율이 정비례하지 않음을 알 수 있다. 이는 표식 마커와 그물망 각각의 탄성도와 신축성 차이에서 기인한다. 따라서, 본 발명에서는 표식 마커의 변형도와 그물망의 변형도뿐 아니라, 상호 간의 상관 관계를 더 고려하여 이러한 문제점을 보완한다.
도 3a 내지 도 3c는 본 발명의 다른 실시예에 의한 어획량 측정 방법을 설명하기 위한 도면이다.
본 발명의 다른 실시예에 의하면, 표식 마커의 길이 변화와 그물망의 부피 변화 및 상호 간의 상관 관계를 측정하고, 이에 기초하여 그물망의 무게 및 길이를 추정할 수 있다.
그물망의 무게가 증가함에 따라, 그물망의 길이 및 부피는 각각 변화한다. 이 경우, 길이가 변형되는 정도보다 부피의 변형되는 정도가 훨씬 크다. 따라서. 본 실시예에서는, 그물망의 부피 변화에 기초하여, 그물망의 무게 및 길이를 보다 정확하게 추정할 수 있다.
구체적으로, 도 3a는 그물망(210)과 표식 마커(220)를 도시한다. 그물망(210)은 어획에 의해 부피가 변형된다. 이 경우, 표식 마커(220)는 그물망(210)의 부피 변화에 대응하여 길이가 변형된다.
도 3a의 왼쪽 그림은 어획 전의 그물망(210)에 연결된 표식 마커(220)를 나타내며, 이 경우 표식 마커(220)의 가로 길이는 X0 이고, 세로 길이는 Y0이다.
도 3a의 오른쪽 그림은 어획 후의 그물망(210)에 연결된 표식 마커(220)를 나타내며, 이 경우 표식 마커(220)의 가로 길이는 X1 이고, 세로 길이는 Y1이다. 어획에 의해 그물망(210)의 부피가 변화되었고, 이에 따라 표식 마커(220)의 가로 길이 및 세로 길이가 모두 변화하였다.
도 3b는 그물망(210)의 부피 변화를 측정하는 방법을 도시한다.
도 3b의 왼쪽 그림은, 어획 전 그물망(210)의 VR 영상을 생성하는 방법을 나타낸다. 이 경우, 그물망(210)의 전 방향에서 그물망(210)을 360도 촬영하고, 촬영된 영상들을 스티칭하여 제1 VR 영상을 생성한다. VR 영상을 생성하는 구체적인 방법은 일반적으로 개시된 기술이고 또한 본 발명의 핵심에서 벗어나므로, 이에 대한 상세한 설명은 생략한다.
도 3b의 오른쪽 그림은, 어획 후 그물망(210)의 VR 영상을 생성하는 방법을 나타낸다. 이 경우, 그물망(210)의 전 방향에서 그물망(210)을 360도 촬영하고, 촬영된 영상들을 스티칭하여 제2 VR 영상을 생성한다. 어획에 의해 그물망(210)의 부피가 늘어나므로, 제1 VR 영상보다 스티칭을 수행할 대상 영상들의 수는 증가한다.
이 경우, 제1 VR 영상에 기초하여 어획 전 그물 부피를 계산하고, 제2 VR 영상에 기초하여 어획 후 그물 부피를 계산한다.
도 3c는 그물망(210)의 무게 및 길이를 학습하기 위한 학습데이터 셋이다. 도 3c를 참조하면, 학습데이터 각각은, 표식 마커 길이, 어획 전 그물망 부피, 어획 후 그물망 부피, 그물망 부피 변화 비율, 그리고 그물망 무게가 대응된다. 이를 위해, 표식 마커 길이와 이에 대응하는 어획 전 그물망 부피, 어획 후 그물망 부피 및 그물망 무게에 대한 실측 데이터들이 수집되고, 수집된 실측 데이터들에 대한 학습이 수행된다. 그물망 부피 변화 비율은, 어획 전 그물망 부피와 어획 후 그물망 부피로부터 구해질 수 있다.
도 3c에 도시된 학습데이터 셋을 학습하여, 어획에 따른 그물망의 부피 변화와 표식 마커 길이에 기초하여, 그물망 무게 및 길이가 추정될 수 있다. 그물망 길이의 경우에는, 무게를 추정하는 경우와 유사한 방법으로, 표식 마커의 변형 정도와의 비율을 고려하여 추정될 수 있다.
도 4는 본 발명의 또 다른 실시예에 의한 어획량 측정 과정을 도시한 도면이다.
본 발명에 따른 어획량 측정 방법은, 어획 후 그물망이 어선으로 끌어올려지는 경우, 상기 그물망 및 상기 그물망에 연결된 인식표지를 포함하는 영상을 획득하는 단계; 와, 상기 영상을 분석하여, 상기 그물망과 상기 인식표지 각각의 실제 변형크기와 상기 각각의 실제 변형크기 간의 상관관계를 도출하는 단계; 와, 상기 그물망의 복수개의 실험 무게와 상기 복수개의 실험 무게에 대응하는 상기 그물망과 상기 인식표지 각각의 실험 변형크기를 포함하는 복수개의 학습데이터를 생성하고, 인공지능에 의해 상기 복수개의 학습데이터를 학습하는 단계; 및 학습결과와 상기 실제 변형크기 및 상기 상관관계에 기초하여, 상기 그물망의 실제 무게를 추정하는 단계를 포함할 수 있다.
이 경우, 실시예에 따라, 그물망의 실제 무게를 추정하기 위해 사용되는 파라미터가 다양하게 설정될 수 있다. 여기서, 파라미터는 그물망의 길이 변화, 그물망의 부피 변화, 그물망의 가로 및 세로 비율 등을 포함할 수 있다. 도 4에서는 그물망의 길이, 그물망의 가로 및 세로 비율을 사용한다.
이하, 도 4를 참조하여, 본 발명의 또 다른 실시예에 의한 어획량 측정 과정을 상세하게 설명한다.
그물 영상을 획득한다(S401).
어획량 측정 장치(100)의 영상 처리부(110)는, 어획 후 그물망이 어선으로 끌어올려지는 경우, 상기 그물망 및 상기 그물망에 연결된 인식표지를 포함하는 영상을 촬영하여 획득할 수 있다.
일 실시예에 의하면, 영상 처리부(110)는 그물망이 수면으로부터 기준 높이까지 올라오거나 또는 기준 경과시간이 지난 시점에 그물망 및 인식표지에 대한 영상을 획득할 수 있다. 이에 의해, 중력 및 바닷물에 의한 그물망의 무게 왜곡이 최소화된다.
마커를 인식한다(S402).
그물망의 크기 측정에 기준이 될 표식 마커의 이미지는, 어느 방향에서 보더라도 인식될 수 있어야 된다. 즉, 표식 마커는 카메라가 변형 여부 및 변형 정도를 전 방향에서 인식할 수 있어야 한다. 이를 위해, 표식 마커는 구 형상이나 원 형상으로 구성될 수 있다. 이 경우, 표식 마커의 가로 길이 및 세로 길이를 측정하면, 어느 방향에서 보더라도 원의 가로나 세로 지름 중 어느 하나는 최대한 길이가 변형되기 때문에, 변형된 길이를 기반으로 그물망과의 비율을 비교한 뒤 비율에 맞춰 그물망의 크기를 유추할 수 있다.
마커의 가로 및 세로길이 중 가장 긴 길이를 측정한다(S403).
어획량 측정 장치(100)의 설정부(120)는, 길이 변형 정도에 대응하는 무게 변화 정도를 정확하게 매칭시키기 위하여, 길이가 더 많이 변형된 길이를 선택한다.
딥러닝 기반으로 그물망을 인식한다(S404).
구체적으로, 어획량 측정 장치(100)의 설정부(120)는 세분화(segmentation) 기반 딥 러닝을 수행할 수 있다. 이 경우, 영상을 분할한 후 객체 경계를 추출함으로써 영상으로부터 그물망을 인식할 수 있다.
마커를 기준으로 그물망의 가로 및 세로 비율을 측정한다(S405).
어획량 측정 장치(100)의 제어부(140)는 표식 마커의 길이에 대응하는, 그물망의 가로 및 세로 비율을 측정한다.
그물망의 가로 및 세로 비율에 기초하여 그물망의 길이를 측정한다(S406).
이 경우, 그물망의 변형된 가로 길이 또는 세로 비율을 측정하고, 그물망의 가로 및 세로 비율을 참조하여 그물망의 길이를 측정할 수 있다.
그물망 길이에 기초하여 딥러닝 기반으로 그물망의 무게를 추정한다(S407).
이를 위해, 어획량 측정 장치(100)의 학습부(130)는 그물망 길이와 이에 대응하는 그물망 무게에 대한 데이터를 수집하여 학습하고, 대응 관계를 도출할 수 있다. 이 경우, 제어부(140)는 그물망 길이와 그물망 무게 간의 대응 관계에 기초하여, 측정된 그물망 길이에 기초하여 그물망의 무게를 추정한다.
도 5는 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다. 도 5의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 어획량 측정 장치(100)일 수 있다.
도 5의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.
프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.
메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.
송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.
한편, 본 발명의 실시예는 지금까지 설명한 장치 및/또는 방법을 통해서만 구현되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 상술한 실시예의 기재로부터 본 발명이 속하는 기술 분야의 통상의 기술자라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 통상의 기술자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
100: 어획량 측정 장치 110: 영상 처리부
120: 설정부 130: 학습부
140: 제어부 210: 그물망
220: 표식 마커

Claims (10)

  1. 어획량 측정 장치에 있어서,
    어획 후 그물망이 어선으로 끌어올려지는 경우, 상기 그물망 및 상기 그물망에 연결된 인식표지를 포함하는 영상을 획득하는 영상 처리부;
    상기 영상을 분석하여, 상기 그물망과 상기 인식표지 각각의 실제 변형크기와 상기 각각의 실제 변형크기 간의 상관관계를 도출하는 설정부;
    상기 그물망의 복수개의 실험 무게와 상기 복수개의 실험 무게에 대응하는 상기 그물망과 상기 인식표지 각각의 실험 변형크기를 포함하는 복수개의 학습데이터를 생성하고, 인공지능에 의해 상기 복수개의 학습데이터를 학습하는 학습부; 및
    상기 학습부의 학습결과와 상기 실제 변형크기 및 상기 상관관계에 기초하여, 상기 그물망의 실제 무게를 추정하는 제어부를 포함하되,
    상기 설정부는,
    상기 영상으로부터, 상기 그물망의 변형된 가로길이 및 세로길이 중에서 어느 하나인 제1 변형크기와 상기 인식표지의 변형된 가로길이 및 세로길이 중에서 길이가 더 긴 쪽의 제2 변형크기를 추출하고,
    상기 그물망 및 상기 인식표지의 실물 크기에 대응하도록 상기 제1 변형크기 및 상기 제2 변형크기를 확대함으로써 상기 각각의 실제 변형크기를 획득하는, 어획량 측정 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 영상 처리부는, 어획 전과 어획 후 각각의 경우에 있어서 상기 그물망에 대해 360도 촬영을 수행하고, 촬영된 복수개의 영상을 스티칭함으로써, 어획 전 상기 그물망의 제1 VR 영상 및 어획 후 상기 그물망의 제2 VR 영상을 생성하고,
    상기 설정부는, 상기 제1 VR 영상 및 상기 제2 VR 영상에 기초하여 상기 그물망의 부피 변화를 도출하며,
    상기 제어부는, 상기 학습결과와 상기 부피 변화 및 상기 상관관계에 기초하여, 상기 그물망의 실제 무게를 추정하는, 어획량 측정 장치.
  4. 제1항에 있어서,
    상기 설정부는,
    세분화(segmentation) 기반 딥 러닝을 수행하여, 상기 영상을 분할한 후 객체 경계를 추출함으로써 상기 영상으로부터 상기 그물망을 인식하는, 어획량 측정 장치.
  5. 제1항에 있어서,
    상기 학습부는,
    상기 그물망의 수면으로부터의 높이와 상기 높이에 이르기까지의 경과시간을 고려하여 상기 상관관계를 보정하는, 어획량 측정 장치.
  6. 어획량 측정 방법에 있어서,
    어획 후 그물망이 어선으로 끌어올려지는 경우, 상기 그물망 및 상기 그물망에 연결된 인식표지를 포함하는 영상을 획득하는 단계;
    상기 영상을 분석하여, 상기 그물망과 상기 인식표지 각각의 실제 변형크기와 상기 각각의 실제 변형크기 간의 상관관계를 도출하는 단계;
    상기 그물망의 복수개의 실험 무게와 상기 복수개의 실험 무게에 대응하는 상기 그물망과 상기 인식표지 각각의 실험 변형크기를 포함하는 복수개의 학습데이터를 생성하고, 인공지능에 의해 상기 복수개의 학습데이터를 학습하는 단계; 및
    학습결과와 상기 실제 변형크기 및 상기 상관관계에 기초하여, 상기 그물망의 실제 무게를 추정하는 단계를 포함하되,
    상기 영상으로부터, 상기 그물망의 변형된 가로길이 및 세로길이 중에서 어느 하나인 제1 변형크기와 상기 인식표지의 변형된 가로길이 및 세로길이 중에서 길이가 더 긴 쪽의 제2 변형크기를 추출하고,
    상기 그물망 및 상기 인식표지의 실물 크기에 대응하도록 상기 제1 변형크기 및 상기 제2 변형크기를 확대함으로써 상기 각각의 실제 변형크기를 획득하는, 어획량 측정 방법.
  7. 삭제
  8. 제6항에 있어서,
    어획 전과 어획 후 각각의 경우에 있어서 상기 그물망에 대해 360도 촬영을 수행하고, 촬영된 복수개의 영상을 스티칭함으로써, 어획 전 상기 그물망의 제1 VR 영상 및 어획 후 상기 그물망의 제2 VR 영상을 생성하고,
    상기 제1 VR 영상 및 상기 제2 VR 영상에 기초하여 상기 그물망의 부피 변화를 도출하며,
    상기 학습결과와 상기 부피 변화 및 상기 상관관계에 기초하여, 상기 그물망의 실제 무게를 추정하는, 어획량 측정 방법.
  9. 제6항에 있어서,
    세분화(segmentation) 기반 딥 러닝을 수행하여, 상기 영상을 분할한 후 객체 경계를 추출함으로써 상기 영상으로부터 상기 그물망을 인식하는, 어획량 측정 방법.
  10. 제6항에 있어서,
    상기 그물망의 수면으로부터의 높이와 상기 높이에 이르기까지의 경과시간을 고려하여 상기 상관관계를 보정하는, 어획량 측정 방법.
KR1020210062368A 2021-05-14 2021-05-14 어획량 측정 장치 및 방법 KR102344894B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210062368A KR102344894B1 (ko) 2021-05-14 2021-05-14 어획량 측정 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210062368A KR102344894B1 (ko) 2021-05-14 2021-05-14 어획량 측정 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102344894B1 true KR102344894B1 (ko) 2021-12-28

Family

ID=79177988

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210062368A KR102344894B1 (ko) 2021-05-14 2021-05-14 어획량 측정 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102344894B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100441392B1 (ko) * 2001-12-22 2004-07-22 재단법인 포항산업과학연구원 3차원 영상측정을 통한 중량측정장치
KR101383818B1 (ko) 2013-11-05 2014-04-08 최진원 모바일 단말기를 이용한 길이 측정 방법 및 시스템
KR101981031B1 (ko) * 2018-05-18 2019-05-23 제이에이치데이터시스템 주식회사 인공지능 기반 철 스크랩 플랫폼
KR102062609B1 (ko) * 2019-07-29 2020-01-06 전북대학교 산학협력단 3d 영상을 이용한 휴대형 가축 무게 측정시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100441392B1 (ko) * 2001-12-22 2004-07-22 재단법인 포항산업과학연구원 3차원 영상측정을 통한 중량측정장치
KR101383818B1 (ko) 2013-11-05 2014-04-08 최진원 모바일 단말기를 이용한 길이 측정 방법 및 시스템
KR101981031B1 (ko) * 2018-05-18 2019-05-23 제이에이치데이터시스템 주식회사 인공지능 기반 철 스크랩 플랫폼
KR102062609B1 (ko) * 2019-07-29 2020-01-06 전북대학교 산학협력단 3d 영상을 이용한 휴대형 가축 무게 측정시스템

Similar Documents

Publication Publication Date Title
CN107624189B (zh) 用于生成预测模型的方法和设备
US10096122B1 (en) Segmentation of object image data from background image data
CN109684920A (zh) 物体关键点的定位方法、图像处理方法、装置及存储介质
CN107679475B (zh) 门店监控评价方法、装置及存储介质
US20210045361A1 (en) System and method of estimating livestock weight
US20130251246A1 (en) Method and a device for training a pose classifier and an object classifier, a method and a device for object detection
CN109299658B (zh) 脸部检测方法、脸部图像渲染方法、装置及存储介质
KR20190068266A (ko) 영상을 이용한 가축 무게 측정 장치 및 방법
CN108985263B (zh) 一种数据采集方法、装置、电子设备和计算机可读介质
CN106101540B (zh) 对焦点确定方法及装置
CN109035579A (zh) 一种商品识别方法、无人售货机及计算机可读存储介质
CN108198130A (zh) 图像处理方法、装置、存储介质及电子设备
US20240169518A1 (en) Method and apparatus for identifying body constitution in traditional chinese medicine, electronic device, storage medium and program
WO2019090901A1 (zh) 图像显示的选择方法、装置、智能终端及存储介质
CN113179421B (zh) 视频封面选择方法、装置、计算机设备和存储介质
CN111144398A (zh) 目标检测方法、装置、计算机设备和存储介质
CN105825228B (zh) 图像识别方法及装置
CN111368698B (zh) 主体识别方法、装置、电子设备及介质
CN110766650A (zh) 生物检测预警方法、系统、装置、计算机设备和存储介质
JP5704909B2 (ja) 注目領域検出方法、注目領域検出装置、及びプログラム
CN109961103B (zh) 特征提取模型的训练方法、图像特征的提取方法及装置
CN109858319A (zh) 图像处理设备及控制方法和非暂时性计算机可读存储介质
CN107798292B (zh) 对象识别方法、计算机程序、存储介质及电子设备
KR102344894B1 (ko) 어획량 측정 장치 및 방법
CN109871814B (zh) 年龄的估计方法、装置、电子设备和计算机存储介质

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant