KR102425521B1

KR102425521B1 - 영상정보 분석 기반 방역 시스템 및 그 이용 방법

Info

Publication number: KR102425521B1
Application number: KR1020190150194A
Authority: KR
Inventors: 박지환; 천선일
Original assignee: (주)씽크포비엘
Priority date: 2019-11-21
Filing date: 2019-11-21
Publication date: 2022-07-27
Also published as: KR20210062238A

Abstract

컴퓨터 시스템 상에서 수행되는, 영상정보 분석 기반의 가축 방역 관리 방법이 제공된다. 본 개시의 방법은 농가에 설치된 CCTV로부터 수신한 영상정보를 분석하여 가축의 자세를 판단하는 단계 - 상기 가축의 자세는 앉아 있는 자세, 누워 있는 자세 및 서 있는 자세를 포함함 -; 농가에 설치된 CCTV로부터 수신한 영상정보를 분석하여 상기 가축의 구토여부를 판단하는 단계; 상기 가축의 자세, 상기 가축의 구토여부, 상기 가축의 자세가 유지되는지 여부를 기록한 제1 시계열적 데이터를 생성하는 단계; 상기 가축이 소정의 자세를 보이거나 구토한 경우 이상징후로 판단하는 단계; 상기 이상징후로 판단하는 경우, 이상징후 발견 시간과 이상징후 지속 시간을 제2 시계열적 데이터로 생성하는 단계; 상기 제2 시계열적 데이터를 기초로 시간에 따른 이상징후 횟수와 시간에 따른 이상징후 지속시간을 각각 2차원 데이터로 생성하는 단계; 및 상기 2차원 데이터의 패턴을 분석하여 질병 발생 여부를 판단하는 단계; 를 포함할 수 있다.

Description

영상정보 분석 기반 방역 시스템 및 그 이용 방법{Method for Image Information Analysis Based Prevention System and Method thereof}

본 개시는 영상정보 분석 기반 방역 시스템 및 그 이용 방법에 관한 것이다.

제한된 토지면적으로 인하여 가축 밀도가 큰 폭으로 증대되었고 생산의 규모화가 실현되는 등 가축사육의 구조변화가 이루어졌으나, 소규모 생산 농가는 여전히 수적으로 중요한 위치를 차지한다. 즉, 지속하여 생산 규모화가 되어 왔지만 여전히 소규모, 비전문 농가의 비중이 높다.

생산 집약화가 이루어져 왔다는 것은 질병의 재발과 확산 위험 또한 커졌음을 의미할 수 있는데, 가축질병에 관한 연구는 주로 가축보험과 가축질병에 따른 경제적 영향에 맞춰져 있고, 가축질병 관리에 관한 행태 연구는 미흡한 상황이다. 예를 들면, 농가의 위험인식과 인지 및 그 잠재적 영향, 특정 질병 위험관리 방식의 인식, 위험관리 방식에 대한 태도 등에 관한 체계적 연구나 개선은 잘 이뤄지지 않고 있다.

한편, 일반적으로 가축의 질병 발병 여부는 주로 생산자 본인이 가지고 있는 지식을 기반으로 눈으로 보고 확인한 후 신고하는 절차로 진행된다. 생산자가 발견하지 못하면 늦은 대처를 해야 하는 상황이 발생하는 것이다. 더욱이 소규모 생산 농가의 생산자들은 고령에다 상대적으로 교육수준이 낮아 바이오 안전성(biosecurity)에 관한 관심이 높지 않은 성향을 보인다.

따라서, 생산자의 지식이나 경험에 의존하지 않고 가축질병 상황을 확인할 수 있는 방법 및 시스템의 제공이 필요하다.

본 개시의 일 특징에 의하면, 컴퓨터 시스템 상에서 수행되는, 영상정보 분석 기반의 가축 방역 관리 방법이 제공된다. 본 개시의 방법은 농가에 설치된 CCTV로부터 수신한 영상정보를 분석하여 가축의 자세를 판단하는 단계 - 상기 가축의 자세는 앉아 있는 자세, 누워 있는 자세 및 서 있는 자세를 포함함 -; 농가에 설치된 CCTV로부터 수신한 영상정보를 분석하여 상기 가축의 구토여부를 판단하는 단계; 상기 가축의 자세, 상기 가축의 구토여부, 상기 가축의 자세가 유지되는지 여부를 기록한 제1 시계열적 데이터를 생성하는 단계; 상기 가축이 소정의 자세를 보이거나 구토한 경우 이상징후로 판단하는 단계; 상기 이상징후로 판단하는 경우, 이상징후 발견 시간과 이상징후 지속 시간을 제2 시계열적 데이터로 생성하는 단계; 상기 제2 시계열적 데이터를 기초로 시간에 따른 이상징후 횟수와 시간에 따른 이상징후 지속시간을 각각 2차원 데이터로 생성하는 단계; 및 상기 2차원 데이터의 패턴을 분석하여 질병 발생 여부를 판단하는 단계; 를 포함할 수 있다.

일 실시예에서, 전술한 방법은 질병이 발생한 경우, 상기 농가의 지리적 위치를 파악하여 가축질병 경계선을 생성하는 단계를 더 포함할 수 있다.

일 실시예에서, 영상정보를 분석하여 가축의 자세를 판단하는 단계는 상기 가축이 돼지인 경우, 모돈 인식 이미지 데이터셋 활용하여 클라우드 기반 기계학습 알고리즘을 적용하는 단계를 더 포함할 수 있다.

일 실시예에서, 상기 제1 시계열적 데이터의 형식은 식별자(ID), 가축 아이디(Pig ID), 인식 시간(Recognition Time), 지속여부(continous), 인식 형태(Recognition Type) 항목을 포함할 수 있다.

일 실시예에서, 전술한 방법은 질병이 발생한 경우, 상기 농가의 농장 정보 및 영상 정보를 소정의 관리자 단말로 전송하는 단계를 더 포함할 수 있다.

본 개시의 다른 특징에 의하면, 컴퓨터에 의해 실행 가능한, 하나 이상의 컴퓨터 판독가능 명령이 수록된 컴퓨터 판독가능 기록매체로서, 상기 하나 이상의 컴퓨터 판독가능 명령은, 상기 컴퓨터에 의해 실행될 경우, 상기 컴퓨터로 하여금, 전술한 방법들 어느 하나의 방법을 수행하게 하는, 컴퓨터 판독가능 기록매체가 제공된다.

본 개시에 따르면 질병이 의심되는 가축을 조기에 발견하고 빠르게 확인하여 대처할 수 있는 방역 시스템을 제공할 수 있다.

본 개시에 따르면 CCTV 영상 등 시각정보를 활용하여 인공지능 기술 기반 가축의 질병 상태를 인식하는 시스템을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 가축 방역 관리 시스템(100)의 전체 구성을 개략적으로 도시한 도면이다.
도 2는 도 1의 방역 관리 서버(140)의 예시적 기능 구성을 도시한 기능 블록도이다.
도 3은 도 1의 방역 관리 서버(140)에서 생성하는 예시적 데이터의 형식을 도시하는 도면이다.
도 4a 및 4b는 본 개시의 일 실시예에 따라 도 3의 데이터를 기초로 이상징후를 패턴화한 그래프이다.

이하, 첨부 도면을 참조하여 본 개시의 실시예에 관하여 상세히 설명한다. 이하에서는, 본 개시의 요지를 불필요하게 흐릴 우려가 있다고 판단되는 경우, 이미 공지된 기능 및 구성에 관한 구체적인 설명을 생략한다. 또한, 이하에서 설명하는 내용은 어디까지나 본 개시의 일 실시예에 관한 것일 뿐 본 개시가 이로써 제한되는 것은 아님을 알아야 한다.

본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 개시를 한정하려는 의도에서 사용된 것이 아니다. 예를 들면, 단수로 표현된 구성요소는 문맥상 명백하게 단수만을 의미하지 않는다면 복수의 구성요소를 포함하는 개념으로 이해되어야 한다. 또한, 본 개시의 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐이고, 이러한 용어의 사용에 의해 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하려는 것은 아니다.

본 명세서에 기재된 실시예에 있어서 '블록' 또는 '부'는 적어도 하나의 기능이나 동작을 수행하는 기능적 부분을 의미하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '블록' 또는 '부'는, 특정한 하드웨어로 구현될 필요가 있는 '블록' 또는 '부'를 제외하고는, 적어도 하나의 소프트웨어 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.

덧붙여, 달리 정의되지 않는 한 기술적 또는 과학적인 용어를 포함하여, 본 명세서에서 사용되는 모든 용어들은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의된 용어들은, 관련 기술의 문맥상 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 개시의 명세서에서 명백하게 달리 정의하지 않는 한 과도하게 제한 또는 확장하여 해석되지 않는다는 점을 알아야 한다.

이하, 첨부된 도면을 참조하여, 본 개시의 실시예에 대해 구체적으로 설명하기로 한다.

도 1은 본 개시의 일 실시예에 따른, 가축 방역 관리 시스템(100)의 전체 구성을 개략적으로 도시한 도면이다. 도시된 바에 의하면, 가축 방역 관리 시스템(100)은, 축산 농가 단말(110), 복수 개의 카메라(120a, 120b, ..., 120n), 통신망(130), 통신망(130)을 통해 복수 개의 카메라(120a, 120b, ..., 120n) 및 축산 농가 단말(110)에 연결된 방역 관리 서버(140)를 포함한다.

본 개시의 일 실시예에 의하면, 축산 농가 단말(110)은, 축산 농가 관리자를 위한 단말로서, 유선 또는 무선 통신 기능을 구비한 임의의 사용자 전자 장치일 수 있다. 축산 농가 단말(110)은, 예컨대 스마트 폰, 태블릿 PC, 데스크탑, 랩탑, PDA, 디지털 TV, 셋탑박스 등을 포함한 다양한 유선 또는 무선 통신 단말일 수 있으며, 특정 형태로 제한되지 않음을 알아야 한다. 본 도면에서는, 하나의 축산 농가 단말(110) 만이 도시되어 있으나, 본 개시가 이로써 제한되는 것은 아니다.

본 개시의 일 실시예에 의하면, 농가 관리자는, 축산 농가 단말(110)을 통해, 해당 농가에서 관리하는 가축의 관련 정보를 입력 및 저장/관리할 수 있다. 본 개시의 일 실시예에 의하면, 농가 관리자는, 예컨대 축산 농가 단말(110) 상에서, 해당 농가에서 관리하는 가축에 관한 복수의 이미지(예컨대, 측면 및 후면 이미지 등) 데이터를 입력할 수 있다. 본 개시의 일 실시예에 의하면, 농가 관리자는, 예컨대 축산 농가 단말(110) 상에서, 해당 농가에서 관리하는 가축에 관한 복수의 생체 특징 데이터, 예컨대 가축의 월령, 품종, 임신 상태, 및 성별 정보 등(그러나 이로써 제한되는 것은 아님)을 입력할 수 있다. 본 개시의 일 실시예에 의하면, 농가 관리자는, 예컨대 축산 농가 단말(110) 상에서, 해당 농가에서 관리하는 가축에 관한 복수의 유전 정보 데이터, 예컨대 가축의 부 유전능력 냉도체중, 부 유전능력 배최장근단면적, 부 유전능력 등지방두께, 부 유전능력 근내지방도, 모 유전능력 냉도체중, 모 유전능력 배최장근단면적, 모 유전능력 등지방두께, 및 모 유전능력 근내지방도 등(그러나 이로써 제한되는 것은 아님)을 입력할 수 있다.

본 개시의 다른 실시예에 의하면, 축산 농가 단말(110)은, 통신망(130)을 통하여 외부의 별도 데이터베이스(구체적으로 도시되지 않았음)로부터, 해당 농가에서 관리하는 가축의 생체 특징 정보 및 유전 정보 등을 획득할 수 있다. 예컨대, 한우의 경우, 정부나 지자체에서 관리하는 한우 데이터베이스가 있는데, 본 개시의 일 실시예에 의하면, 한우 축산 농가의 농가 관리자는, 축산 농가 단말(110)을 이용해서, 외부의 한우 데이터베이스로부터 자신의 농가의 각 소에 관한 필요한 정보를 가져올 수 있다(그러나 본 개시가 이로써 제한되는 것은 아니다).

본 개시의 일 실시예에 의하면, 축산 농가 단말(110)은, 통신망(130)을 통해서, 방역 관리 서버(140)와 통신, 즉 필요한 정보를 송수신할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(110)은, 통신망(130)을 통해, 해당 농가에서 관리하는 가축에 관련된 정보, 예컨대 가축의 이미지 정보, 생체 특징 정보, 유전 정보 등의 각종 정보를 방역 관리 서버(140)로 전송할 수 있고, 방역 관리 서버(140)로부터 해당 가축에 관한 정보, 예컨대 질병 발생 유무, 체성분 값 예측 정보, 등급 예측 정보, 및 시계열적 등급 변동 예측 정보 등을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(110)은, 방역 관리 서버(140)로부터 수신된 각종 정보들을 디스플레이를 통해 표시할 수 있다.

본 개시의 일 실시예에 의하면, 카메라(120a, 120b, ..., 120n)는 축산 농가에서 관리하는 가축의 모습을 촬영하기 위한 것으로서 유선 또는 무선 통신 기능을 구비한 이미지 촬영 카메라, 동영상 촬영 카메라, CCTV 카메라 등 임의의 전자 장치일 수 있다.

본 개시의 일 실시예에 의하면, 카메라(120a, 120b, ..., 120n)는 가축 자체의 이미지, 가축의 걸음 걸이 영상, 수면 영상, 움직임 영상, 섭취한 사료의 양, 견좌 자세 영상, 배설 영상, 토사물 영상, 축사의 청소 상태 등을 촬영할 수 있다. 본 도면에 도시된 바에 의하면, 가축 방역 관리 시스템(100)은, 두 개의 카메라(120a, 120b)를 갖는 것으로 도시되어 있으나 본 개시가 이로써 제한되는 것은 아니다.

본 개시의 일 실시예에 의하면, 통신망(130)은, 임의의 유선 또는 무선 통신망, 예컨대 TCP/IP 통신망을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 통신망(130)은, 예컨대 Wi-Fi망, LAN망, WAN망, 인터넷망 등을 포함할 수 있으며, 본 발명이 이로써 제한되는 것은 아니다. 본 개시의 일 실시예에 의하면, 통신망(130)은, 예컨대 이더넷, GSM, EDGE(Enhanced Data GSM Environment), CDMA, TDMA, OFDM, 블루투스, VoIP, Wi-MAX, Wibro 기타 임의의 다양한 유선 또는 무선 통신 프로토콜을 이용하여 구현될 수 있다.

본 개시의 일 실시예에 의하면, 방역 관리 서버(140)는, 통신망(130)을 통하여 카메라(120a, 120b, ..., 120n)로부터 영상 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 방역 관리 서버(140)는, 통신망(130)을 통하여, 축산 농가 단말(110)과 필요한 정보를 송수신할 수 있다.

본 개시의 일 실시예에 의하면, 방역 관리 서버(140)는, 가축에 관한 이미지 데이터 및 생체 특징 정보를 축산 농가 단말(110)로부터 수신할 수 있다. 본 개시의 일 실시예에 의하면, 방역 관리 서버(140)는, 수신된 이미지 데이터 및 생체 특징 정보에 기초하여 해당 가축의 건강 여부를 예측할 수 있다.

본 개시의 일 실시예에 의하면, 방역 관리 서버(140)는, 축산 농가 단말(110)로부터 수신된 가축에 관한 이미지 데이터, 생체 특징 데이터, 및 유전 정보와, 이상징후 판단 모델을 통해 해당 가축의 질병 발생 여부을 판단할 수 있다.

도 2는 도 1의 방역 관리 서버(140)의 예시적 기능 구성을 도시한 기능 블록도이다.

도시된 바에 의하면, 방역 관리 서버(140)는, 통신부(210), 이상징후 판단부(220), 질병패턴 학습부(230), 저장부(240)를 포함할 수 있다.

본 개시의 일 실시예에 의하면, 통신부(210)는, 방역 관리 서버(140)가, 통신망(140)을 통해 외부와 통신할 수 있도록 지원할 수 있다. 본 개시의 일 실시예에 의하면, 통신부(210)는, 소정의 프로토콜에 따라 통신망(140)으로부터 데이터를 수신할 수 있고, 통신망(140)을 통하여 방역 관리 서버(140)로부터 외부로 데이터가 전송되도록 필요한 절차를 수행할 수 있다.

본 개시의 일 실시예에 의하면, 이상징후 판단부(220)는 예컨대 가축의 이미지 정보를 분석하여 가축에게 이상징후가 있는지 여부를 판단할 수 있다. 본 개시의 일 실시예에 의하면, 이상징후 판단부(220)는 가축 이미지 정보를 분석하여 가축의 자세를 인식할 수 있다. 일 실시예에서, 이상징후 판단부(220)는 돼지의 경우 모돈의 이미지 정보를 분석하여 앉아 있는 돼지, 누워 있는 돼지, 서 있는 돼지, 겹쳐 있는 돼지, 일부만 보이는 돼지 및 인식 못한 돼지 등으로 분류하고, 예컨대 앉아 있는 돼지를 발견하면 이상징후라고 인식할 수 있다. 본 개시의 일 실시예에 의하면, 이상징후 판단부(220)는 수신한 이미지 정보를 분석하여 가축의 토사물이 존재하는지 가축의 배설물의 형태가 정상 범위에 포함되는지 등을 인식할 수 있다. 본 기술분야의 당업자는 가축 이미지의 인식, 예컨대 모돈의 견좌자세의 경우 견좌자세 모돈 인식 이미지 데이터셋 활용하여 클라우드 기반 기계학습 알고리즘을 적용할 수 있고 특히 기존의 YOLO v3 및 다양한 클래스 구분 기계학습 알고리즘 및 그 변형을 적용하여 구현가능하다는 것을 잘 알고 있으므로 가축 이미지 정보 분석에 대한 상세한 설명은 이하 생략하기로 한다.

도 3은 도 1의 방역 관리 서버(140)에서 수집하는 예시적 데이터의 형식을 도시하는 도면이다.

본 개시의 일 실시예에 의하면, 이상징후 판단부(220)는 이상징후 발견 횟수와 이상징후의 지속 시간을 시계열적 데이터로 생성할 수 있다.

이상징후 판단부(220)는 일정한 시간 간격으로 촬영된 이미지를 분석하여 그 결과를 식별자(ID), 가축 아이디(Pig ID), 인식 시간(Recognition Time), 지속여부(continous), 인식 형태(Recognition Type) 항목 등을 포함하여 저장할 수 있다.

도 3에 도시된 바와 같이, 가축 아이디 '55-76'을 가지는 가축은 '2019-10-01 0:00' 부터 '2019-10-01 1:40' 까지 1시간 40분 동안 5분 간격으로 관찰되었고, 0:00부터 10분간 앉아 있는 상태였다가 0:15에는 누워 있다가 0:20부터 10 여분간 서 있다가 다시 0:35에는 누워 있는 상태로 인식되었다.

본 개시의 일 실시예에 의하면, 질병패턴 학습부(230)는 가축 이미지 분석 결과를 기초로 질병패턴을 분석하고 패턴을 정리할 수 있다. 일 실시예에서, 질병패턴 학습부(230)는 이상징후 발견 횟수와 이상징후의 지속 시간 정보를 포함하는 시계열적 데이터를 기초로 이상징후 인식 인공지능 알고리즘 등으로 인식한 결과의 연속성 여부를 확인하고 이상징후의 횟수 및 지속시간을 산출할 수 있다.

다시 도 3을 참조하면, '2019-10-01 0:00' 부터 '2019-10-01 0:10' 까지 10여분간 가축이 앉아 있는 상태로서 이상징후 상태로 볼 수 있고, 이를 하나의 세션으로서 1회로 간주하고, 연속된 시간을, 예를 들어 도 3에서 '2019-10-01 0:00' 부터 '2019-10-01 0:10' 까지를 모두 더하여 이상징후 지속 시간으로 계산할 수 있다.

본 개시의 일 실시예에 의하면, 질병패턴 학습부(230)는 이상징후 인식 결과를 계산 및 분석하여 각 이상징후, 예를 들어 가축이 돼지인 경우, 견좌자세, 구토, 설사, 식사량 등을 분석하여 이상징후 횟수, 이상징후 지속시간을 계산할 수 있다.

본 개시의 일 실시예에 의하면, 질병패턴 학습부(230)는 시간을 X 축으로 하고, 이상징후 횟수와 이상징후 지속시간을 Y축으로 하여 2차원 데이터 생성하고 2차원 데이터의 패턴을 분석하여 질병을 탐지할 수 있다.

도 4a 및 4b는 본 개시의 일 실시예에 따라 도 3의 데이터를 기초로 이상징후를 패턴화한 그래프이다.

도 4a는 시간에 따른 이상징후 횟수 패턴을 도시하는 그래프이다.

도 4a에 도시된 바와 같이, 해당 가축은 '2019-10-01 0:00' 부터 '2019-10-01 18:00'까지의 관찰 시간동안 9번의 견좌자세를 보였으며 '2019-10-01 1:00' 부터 '2019-10-01 2:00', '2019-10-01 7:00' 부터 '2019-10-01 8:00', '2019-10-01 17:00' 부터 '2019-10-01 18:00' 에서는 연속으로 견좌자세를 보이고 있음을 알 수 있다. 또한, 해당 가축은 '2019-10-01 14:00' 및 '2019-10-01 17:00'에서는 구토를 했음을 알 수 있다.

도 4b는 시간에 따른 이상징후 지속 시간 패턴을 도시하는 그래프이다.

도 4b에 도시된 바와 같이, 해당 가축은 '2019-10-01 0:00' 부터 '2019-10-01 18:00'까지의 관찰 시간동안 0 ~ 10분 내외로 이상징후를 보였으며, 구체적으로 '2019-10-01 1:00'에는 10분 정도, '2019-10-01 2:00'에는 5분 정도, '2019-10-01 5:00'에는 5분 정도, '2019-10-01 7:00'에는 8분 정도, '2019-10-01 8:00'에는 10분 정도, '2019-10-01 13:00'에는 5분 정도, '2019-10-01 15:00'에는 5분 정도, '2019-10-01 17:00'에는 10분 정도, '2019-10-01 18:00'에는 5분 정도 견좌자세를 유지하였으며, '2019-10-01 14:00'에는 1분 정도, '2019-10-01 17:00'에는 1분 정도 구토를 하였음을 알 수 있다.

본 개시의 일 실시예에서, 도 4a 및 도 4b의 이상징후 횟수와 지속시간 패턴 기반으로, '2019-10-01 17:00'은 구제역 의심 시점으로 판단될 수 있다.

본 개시의 일 실시예에 의하면, 질병패턴 학습부(230)는 인공지능 패턴 분류 알고리즘을 적용하여 질병여부를 판단할 수 있다. 여기서, 입력 데이터는 이상징후 횟수 및 이상징후 지속 시간의 시간 수의 패턴 데이터이고, 출력 데이터는 질병명일 수 있다. 본 개시의 일 실시예에서, 인공지능 패턴 분류 알고리즘은 기계학습 알고리즘을 사용할 수 있으며, 예를 들어 CNN(Convolutional Neural Network) 알고리즘, 서포트 벡터 머신(Support Vector Machine) 알고리즘 등 패턴 분류 알고리즘을 이용할 수 있다.

본 개시의 일 실시예에 의하면, 가축이 돼지인 경우, 견좌 자세를 약 2시간에 1회, 지속시간 약 5~10분 정도를 유지하다가, 설사를 시작하였고 '돼지 구제역'이라는 확진을 받았을 때, 확진을 받은 돼지들의 이상징후 횟수, 지속시간 패턴을 학습데이터로 사용할 수 있다.

본 개시의 일 실시예에 의하면, 기존 가축의 질병체계를 참고하여 현재 모티너링 중인 가축 중 특정 질병을 확진받은 경우, 질병 정보를 입력받아 시스템에 관련 질병 정보를 등록할 수 있으며, 해당 질병과 관련된 데이터를 학습데이터로 사용할 수 있다. 일 실시예에서, 질병 정보는 질환 및 질환에 따른 병명, 전염성 여부 등을 포함할 수 있다.

본 개시의 일 실시예에 의하면, 저장부(240)는 해당 농가에서 관리되는 가축에 관한 각종 정보, 예컨대 통신망(130) 및 통신부(210)를 통하여 사용자 단말로부터 입력된 이미지 정보, 질병 정보, 생체 특징 정보, 유전 정보 등을 저장하는 데이터베이스일 수 있다. 본 개시의 일 실시예에 의하면, 저장부(240)는 또한, 이상징후 판단부(220)에서 생성한 이미지 분석 결과 데이터, 식별자(ID), 가축 아이디(Pig ID), 인식 시간(Recognition Time), 지속여부(continous), 인식 형태(Recognition Type) 항목 등을 포함하는 데이터 등을 저장하는 데이터베이스일 수 있다.

본 개시의 일 실시예에 의하면, 제어부(도시되지 않음)는 기존 가축의 질병체계를 참고하여 현재 모티너링 중인 가축 중 특정 질병이 발생한 경우, 농가의 농장 정보 및 영상 정보를 소정의 관리자 단말로 전송할 수 있다. 일 실시예에서, 소정의 관리자는 해당 축산 농가 관리자, 해당 농가가 위치한 지역의 지자체, 또는 정부기관 담당자일 수 있다.

본 개시의 일 실시예에 의하면, 제어부(도시되지 않음)는 기존 가축의 질병체계를 참고하여 현재 모티너링 중인 가축 중 특정 질병이 발생한 경우, 해당 농가의 지리적 위치를 기초로 가축방역 경계선을 생성할 수 있다. 일 실시예에서, 방역 관리 서버(140)는 질병이 발생된 복수의 농가 정보를 기초로 가축 방역 경계선을 자동으로 생성할 수 있다. 예컨대, 가축 방역 경계선은 발생된 질병의 전염성 여부, 전염성 정도, 발생 빈도, 발생 계절 등의 질병 정보를 기초로 적응형으로 설정될 수 있다.

당업자라면 알 수 있듯이 본 개시는 본 명세서에서 기술된 예시에 한정되는 것이 아니라 본 개시의 범주를 벗어나지 않는 범위 내에서 다양하게 변형, 재구성 및 대체될 수 있다. 예를 들어, 본원에 기술된 다양한 기술들은 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 조합에 의해 구현될 수 있다. 따라서, 본원에 따른 소프트웨어 안전성 분석을 위한 분석 머신의 특정한 양태나 부분은 범용 또는 전용 마이크로프로세서, 마이크로-컨트롤러 등에 의해 실행 가능한 하나 이상의 컴퓨터 프로그램으로 구현될 수 있다. 본 개시의 일 실시예에 따른 컴퓨터 프로그램은, 컴퓨터 프로세서 등에 의해 판독 가능한 저장 매체, 예컨대 EPROM, EEPROM, 플래시 메모리장치와 같은 비휘발성 메모리, 내장형 하드 디스크와 착탈식 디스크 같은 자기 디스크, 광자기 디스크, 및 CDROM 디스크 등을 포함한 다양한 유형의 저장 매체에 저장된 형태로 구현될 수 있다. 또한, 프로그램 코드(들)는 어셈블리어나 기계어로 구현될 수 있고, 전기 배선이나 케이블링, 광섬유, 또는 기타 임의의 다른 형태의 전송 매체를 통해 전송되는 형태로 구현될 수도 있다.

본 명세서에서는, 예시적인 실시예에 대해 다양한 도면를 참조하여 주로 기술했지만, 다른 유사한 실시예들이 이용될 수 있다. 본 개시의 진정한 사상 및 범주에 속하는 모든 변형 및 변경을 이하의 특허청구범위에 의해 모두 포괄하고자 한다.

100: 가축 방역 관리 시스템
110: 축산 농가 단말
120: 카메라
130: 통신망
140: 방역 관리 서버

Claims

컴퓨터 시스템 상에서 수행되는, 영상정보 분석 기반의 가축 방역 관리 방법으로서,
농가에 설치된 CCTV로부터 수신한 영상정보를 분석하여 가축의 자세를 판단하는 단계 - 상기 가축의 자세는 앉아 있는 자세, 누워 있는 자세 및 서 있는 자세를 포함함 -;
농가에 설치된 CCTV로부터 수신한 영상정보를 분석하여 상기 가축의 토사물이 존재하는지 또는 상기 가축의 배설물의 형태가 정상 범위에 포함되는지를 판단하는 단계;
상기 가축의 아이디, 기록 시간, 상기 가축의 자세, 상기 가축의 자세가 유지되는지 여부를 기록한 제1 시계열적 데이터를 생성하는 단계;
상기 제1 시계열적 데이터를 분석하여 상기 가축이 소정의 자세를 소정의 시간동안 지속하는 경우, 또는 상기 가축의 토사물이 존재하는 경우, 또는 상기 가축의 배설물의 형태가 정상 범위에 벗어나는 경우 이상징후로 판단하는 단계;
상기 이상징후로 판단하는 경우, 이상징후 발견 시간, 이상징후 지속 시간, 및 이상징후 종류를 제2 시계열적 데이터로 생성하는 단계;
상기 제2 시계열적 데이터를 기초로 시간에 따른 이상징후 횟수, 시간에 따른 이상징후 지속시간, 이상징후 종류를 2차원 데이터로 생성하는 단계; 및
상기 가축의 유전 정보, 상기 가축의 생체특징 데이터, 및 상기 2차원 데이터의 패턴을 분석한 결과를 통해 질병 발생 여부를 판단하는 단계;
를 포함하는 영상정보 분석 기반의 가축 방역 관리 방법.
제1항에 있어서,
상기 방법은
질병이 발생한 경우, 상기 농가의 지리적 위치를 파악하여 가축질병 경계선을 생성하는 단계를 더 포함하는 영상정보 분석 기반의 가축 방역 관리 방법.
제2항에 있어서,
영상정보를 분석하여 가축의 자세를 판단하는 단계는
상기 가축이 돼지인 경우, 모돈 인식 이미지 데이터셋 활용하여 클라우드 기반 기계학습 알고리즘을 적용하는 단계를 더 포함하는 영상정보 분석 기반의 가축 방역 관리 방법.
제1항에 있어서,
상기 제1 시계열적 데이터의 형식은 식별자(ID), 가축 아이디(Pig ID), 인식 시간(Recognition Time), 지속여부(continous), 인식 형태(Recognition Type) 항목을 포함하는 영상정보 분석 기반의 가축 방역 관리 방법.
제2항에 있어서,
상기 방법은
질병이 발생한 경우, 상기 농가의 농장 정보 및 영상 정보를 소정의 관리자 단말로 전송하는 단계를 더 포함하는 영상정보 분석 기반의 가축 방역 관리 방법.
컴퓨터에 의해 실행 가능한, 하나 이상의 컴퓨터 판독가능 명령이 수록된 컴퓨터 판독가능 기록매체로서, 상기 하나 이상의 컴퓨터 판독가능 명령은, 상기 컴퓨터에 의해 실행될 경우, 상기 컴퓨터로 하여금, 제1항 내지 제5항 중 어느 한 항에 따른 방법을 수행하게 하는, 컴퓨터 판독가능 기록매체.