KR102493984B1 - Fish growth measurement system using deep neural network - Google Patents

Fish growth measurement system using deep neural network Download PDF

Info

Publication number
KR102493984B1
KR102493984B1 KR1020200140341A KR20200140341A KR102493984B1 KR 102493984 B1 KR102493984 B1 KR 102493984B1 KR 1020200140341 A KR1020200140341 A KR 1020200140341A KR 20200140341 A KR20200140341 A KR 20200140341A KR 102493984 B1 KR102493984 B1 KR 102493984B1
Authority
KR
South Korea
Prior art keywords
fish
unit
information
camera
storage unit
Prior art date
Application number
KR1020200140341A
Other languages
Korean (ko)
Other versions
KR20220055843A (en
Inventor
주문갑
이윤호
전주현
유병화
Original Assignee
부경대학교 산학협력단
유병화
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 부경대학교 산학협력단, 유병화 filed Critical 부경대학교 산학협력단
Priority to KR1020200140341A priority Critical patent/KR102493984B1/en
Publication of KR20220055843A publication Critical patent/KR20220055843A/en
Application granted granted Critical
Publication of KR102493984B1 publication Critical patent/KR102493984B1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K61/00—Culture of aquatic animals
    • A01K61/90—Sorting, grading, counting or marking live aquatic animals, e.g. sex determination
    • A01K61/95—Sorting, grading, counting or marking live aquatic animals, e.g. sex determination specially adapted for fish
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/76—Television signal recording
    • H04N5/765—Interface circuits between an apparatus for recording and another apparatus
    • H04N5/77—Interface circuits between an apparatus for recording and another apparatus between a recording apparatus and a television camera
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental Sciences (AREA)
  • Animal Husbandry (AREA)
  • General Health & Medical Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Zoology (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Agronomy & Crop Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mining & Mineral Resources (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Farming Of Fish And Shellfish (AREA)

Abstract

본 발명은 수중에서 촬영된 물고기 영상에 대해 심층신경망을 이용한 딥러닝 알고리즘 분석을 통하여 물고기의 성장속도 및 출하시기를 예측할 수 있는 심층신경망을 이용한 어류 성장 측정 시스템에 관한 것이다.
본 발명은 다음과 같은 효과를 발휘한다.
첫째, 고가의 3차원 레이져를 설치할 필요가 없어 비용절감의 효과가 있다.
둘째, 물고기의 출하시기가 실시간으로 예측되기 때문에, 관리자의 관리작업을 용이하게 할 수 있다.
셋째, 수중 환경 영상 취득시에 생기는 다양한 변화에 따른 영상 인식의 어려움을 극복할 수 있다.
넷쩨. 기온 변화에 둔감하고 환경 오염을 최소화한 친환경적인 기술로서, 양식업에서의 환경 문제를 최소화할 수 있다.The present invention relates to a fish growth measurement system using a deep neural network capable of predicting the growth rate and shipping time of a fish through a deep learning algorithm analysis using a deep neural network for an image of a fish photographed underwater.
The present invention exerts the following effects.
First, there is no need to install an expensive 3D laser, so there is an effect of cost reduction.
Second, since the shipping time of fish is predicted in real time, the manager's management work can be facilitated.
Third, it is possible to overcome difficulties in image recognition due to various changes occurring when acquiring images of an underwater environment.
four. As an eco-friendly technology that is insensitive to temperature changes and minimizes environmental pollution, it can minimize environmental problems in aquaculture.

Description

심층신경망을 이용한 어류 성장 측정 시스템 {Fish growth measurement system using deep neural network}Fish growth measurement system using deep neural network}

본 발명은 수중에서 촬영된 물고기 영상에 대해 심층신경망을 이용한 딥러닝 알고리즘 분석을 통하여 물고기의 성장속도 및 출하시기를 예측할 수 있는 심층신경망을 이용한 어류 성장 측정 시스템에 관한 것이다.The present invention relates to a fish growth measurement system using a deep neural network capable of predicting the growth rate and shipping time of a fish through a deep learning algorithm analysis using a deep neural network for an image of a fish photographed underwater.

양식업은 미래 식량 산업으로 향후 지속적인 발전이 기대되는 산업분야이다. 특히, 2000년도 이후 어선어업의 생산량이 정체되어 있는 가운데 미래 단백질 공급원으로써 양식업은 블루 혁명을 통해 생산량 증대가 필요하다.Aquaculture is the future food industry, and it is an industry that is expected to develop continuously in the future. In particular, while the production of fishing boats has been stagnant since 2000, aquaculture as a future protein source needs to increase production through the blue revolution.

노르웨이, 덴마크 등 양식 산업 선진국들은 거대규모의 양식장과 양식기술의 첨단화 및 플랫폼화를 진행시키고 있는 반면, 국내 양식 산업은 기존의 노동집약적, 경험 중심의 전통적인 방법을 고수하고 있는 실정이다.Advanced countries in the aquaculture industry, such as Norway and Denmark, are advancing the advancement and platformization of large-scale aquaculture farms and aquaculture technologies, while the domestic aquaculture industry adheres to the existing labor-intensive and experience-oriented traditional methods.

따라서, 국내 양식 산업은 양적, 친환경적 성장을 위하여 양식 고유의 기술에 대한 개발뿐만 아니라 IoT(Internet of Things) 기술 및 4차 산업의 융합이 절실한 실정이다.Therefore, the domestic aquaculture industry is in dire need of convergence of IoT (Internet of Things) technology and the 4th industry as well as the development of aquaculture-specific technology for quantitative and eco-friendly growth.

한편, 현재 사용되고 있는 비접촉식 어류 크기 측정기술은 고가의 3차원 레이져를 이용하여 수치적으로 계산하거나, 스테레오 영상과 전통적인 화상 인식 방식을 사용한 추정 방식을 사용하고 있는 수준에 머물러 있다.On the other hand, currently used non-contact fish size measurement technology remains at the level of numerical calculation using expensive 3D lasers or estimation methods using stereo images and traditional image recognition methods.

등록특허 제10-2005987호 (2019.07.25)Registered Patent No. 10-2005987 (2019.07.25)

본 발명은 심층신경망을 이용한 딥러닝 알고리즘 분석을 통하여 물고기의 성장속도 및 출하시기를 예측할 수 있는 심층신경망을 이용한 어류 성장 측정 시스템을 제공하는데 그 목적이 있다.An object of the present invention is to provide a fish growth measurement system using a deep neural network capable of predicting the growth rate and shipping time of fish through deep learning algorithm analysis using a deep neural network.

상기와 같은 목적을 달성하기 위하여, 본 발명에서는 수조(1) 내부의 수중에 형성되어 물고기(10)의 이동이 가능한 어로관부재(100); 상기 어로관부재(100)를 따라 이동하는 물고기(10)를 촬영하고, 촬영된 영상정보를 수집하여 저장부(300)로 전송하는 영상처리부(200); 상기 영상처리부(200)로부터 수신받은 영상정보를 저장하는 저장부(300); 상기 저장부(300)에 저장된 영상정보를 분석하여 카메라부(210)와 물고기(10) 사이의 거리정보를 산출하고, 물고기(10)의 크기 및 중량정보를 산출하는 분석부(400);를 포함하되, 상기 영상처리부(200)는 어로관부재(100)를 따라 이동하는 물고기(10)를 촬영하는 카메라부(210)와, 상기 카메라부(210)에서 촬영된 영상정보를 수집하여 저장부(300)로 전송하는 통신부(220)를 포함하는 것을 특징으로 하는 심층신경망을 이용한 어류 성장 측정 시스템을 제시한다.In order to achieve the above object, in the present invention, the fishing pipe member 100 is formed in the water inside the tank 1 to allow movement of the fish 10; an image processing unit 200 that photographs the fish 10 moving along the fishing tube member 100, collects and transmits the captured image information to the storage unit 300; a storage unit 300 for storing the image information received from the image processing unit 200; An analysis unit 400 that analyzes the image information stored in the storage unit 300 to calculate distance information between the camera unit 210 and the fish 10 and calculates size and weight information of the fish 10; However, the image processing unit 200 includes a camera unit 210 that photographs the fish 10 moving along the fishing tube member 100, and a storage unit that collects image information captured by the camera unit 210. We propose a fish growth measurement system using a deep neural network, characterized in that it includes a communication unit 220 transmitting to (300).

본 발명은 다음과 같은 효과를 발휘한다.The present invention exerts the following effects.

첫째, 고가의 3차원 레이져를 설치할 필요가 없어 비용절감의 효과가 있다.First, there is no need to install an expensive 3D laser, so there is an effect of cost reduction.

둘째, 물고기의 출하시기가 실시간으로 예측되기 때문에, 관리자의 관리작업을 용이하게 할 수 있다.Second, since the shipping time of fish is predicted in real time, the manager's management work can be facilitated.

셋째, 수중 환경 영상 취득시에 생기는 다양한 변화에 따른 영상 인식의 어려움을 극복할 수 있다.Third, it is possible to overcome difficulties in image recognition due to various changes occurring when acquiring images of an underwater environment.

넷쩨. 기온 변화에 둔감하고 환경 오염을 최소화한 친환경적인 기술로서, 양식업에서의 환경 문제를 최소화할 수 있다.four. As an eco-friendly technology that is insensitive to temperature changes and minimizes environmental pollution, it can minimize environmental problems in aquaculture.

도 1은 본 발명이 이용되는 수조에 대한 개념도이다.
도 2는 본 발명의 일실시예에 따라 배치된 카메라부가 어로관부재를 따라 이동하는 물고기를 촬영하는 모습을 나타내는 도면이다.
도 3은 도 2의 카메라부에 의해 촬영된 물고기의 모습을 나타내는 도면이다. 도 3(a)는 제1카메라에 의해, 도 3(b)는 제2카메라에 의해 촬영된 모습을 나타낸다.
도 4는 본 발명의 다른 실시예에 따라 배치된 카메라부가 어로관부재를 따라 이동하는 물고기를 촬영하는 모습을 나타내는 도면이다.
도 5는 도 4의 카메라부에 의해 촬영된 물고기의 모습을 나타내는 도면이다. 도 5(a)는 제1카메라에 의해, 도 5(b)는 제2카메라에 의해 촬영된 모습을 나타낸다.
도 6은 본 발명에 따른 심층신경망을 이용한 어류 성장 측정 시스템에 대한 블록도이다.
도 7은 본 발명의 일부구성인 영상처리부의 구성요소를 나타내는 도면이다.
도 8은 본 발명의 일부구성인 분석부의 구성요소를 나타내는 도면이다.
도 9는 본 발명의 일부구성인 판단부의 구성요소를 나타내는 도면이다.1 is a conceptual diagram of a water tank in which the present invention is used.
2 is a view showing a state in which a camera unit disposed according to an embodiment of the present invention photographs a fish moving along a fishing pipe member.
FIG. 3 is a view showing the appearance of a fish photographed by the camera unit of FIG. 2 . Figure 3 (a) shows a picture taken by a first camera, and Figure 3 (b) shows a picture taken by a second camera.
4 is a view showing a state in which a camera unit disposed according to another embodiment of the present invention photographs a fish moving along a fishing pipe member.
FIG. 5 is a view showing the appearance of a fish photographed by the camera unit of FIG. 4 . Figure 5 (a) shows a picture taken by a first camera, and Figure 5 (b) shows a picture taken by a second camera.
6 is a block diagram of a fish growth measurement system using a deep neural network according to the present invention.
7 is a diagram showing components of an image processing unit, which is a part of the present invention.
8 is a diagram showing components of an analysis unit, which is a part of the present invention.
9 is a diagram illustrating components of a determination unit, which is a part of the present invention.

이하 첨부된 도면을 바탕으로 본 발명의 바람직한 실시예에 대해 설명한다. 다만 본 발명의 권리범위는 특허청구범위 기재에 의하여 파악되어야 한다. 또한 본 발명의 요지를 모호하게 하는 공지기술의 설명은 생략한다.Hereinafter, preferred embodiments of the present invention will be described based on the accompanying drawings. However, the scope of the present invention should be grasped by the description of the claims. In addition, descriptions of known technologies that obscure the subject matter of the present invention will be omitted.

단, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도면에 도시된 바에 한정되지 않으며, 여러 부분 및 영역을 명확하게 표현하기 위하여 두께를 확대하여 나타내었다.However, since the size and thickness of each component shown in the drawings are arbitrarily shown for convenience of description, the present invention is not necessarily limited to what is shown in the drawings, and the thickness is enlarged to clearly express various parts and regions. was

또한, 본 발명의 설명 중 방향 한정은 도면의 xyz 좌표계를 참고한다. 편의상, "전방"은 x방향, "후방"은 -x방향, "좌방"은 y방향, "우방"은 -y방향, "상방"은 z방향, "하방"은 -z방향으로 정의한다.In addition, direction limitation in the description of the present invention refers to the xyz coordinate system of the drawing. For convenience, "front" is defined as the x direction, "rear" as the -x direction, "left" as the y direction, "right" as the -y direction, "upward" as the z direction, and "down" as the -z direction.

본 발명은 수중에서 촬영된 물고기 영상에 대해 심층신경망을 이용한 딥러닝 알고리즘 분석을 통하여 물고기의 성장속도 및 출하시기를 예측할 수 있는 심층신경망을 이용한 어류 성장 측정 시스템에 관한 것이다.The present invention relates to a fish growth measurement system using a deep neural network capable of predicting the growth rate and shipping time of a fish through a deep learning algorithm analysis using a deep neural network for an image of a fish photographed underwater.

도 1은 본 발명이 이용되는 수조에 대한 개념도이고, 도 2는 본 발명의 일실시예에 따라 배치된 카메라부가 어로관부재를 따라 이동하는 물고기를 촬영하는 모습을 나타내는 도면이고, 도 3은 도 2의 카메라부에 의해 촬영된 물고기의 모습을 나타내는 도면이고, 도 4는 본 발명의 다른 실시예에 따라 배치된 카메라부가 어로관부재를 따라 이동하는 물고기를 촬영하는 모습을 나타내는 도면이고 도 5는 도 4의 카메라부에 의해 촬영된 물고기의 모습을 나타내는 도면이고, 도 6은 본 발명에 따른 심층신경망을 이용한 어류 성장 측정 시스템에 대한 블록도이고, 도 7은 본 발명의 일부구성인 영상처리부의 구성요소를 나타내는 도면이고, 도 8은 본 발명의 일부구성인 분석부의 구성요소를 나타내는 도면이고, 도 9는 본 발명의 일부구성인 판단부의 구성요소를 나타내는 도면이다.1 is a conceptual diagram of a water tank in which the present invention is used, and FIG. 2 is a view showing a camera unit disposed according to an embodiment of the present invention photographing a fish moving along a fishing pipe member, and FIG. 2 is a view showing the appearance of a fish photographed by the camera unit, and FIG. 4 is a view showing a state in which a camera unit arranged according to another embodiment of the present invention photographs a fish moving along a fishing pipe member, and FIG. 4 is a view showing the appearance of a fish captured by the camera unit, FIG. 6 is a block diagram of a fish growth measurement system using a deep neural network according to the present invention, and FIG. 7 is an image processing unit that is a part of the present invention. Figure 8 is a diagram showing the components of the analysis unit, which is a part of the present invention, Figure 9 is a view showing the components of the determination unit, which is a part of the present invention.

본 발명에 따른 심층신경망을 이용한 어류 성장 측정 시스템은 어로관부재(100)와, 영상처리부(200)와, 저장부(300)와, 분석부(400)와, 판단부(500)와, 제어부(600)와, 관리자서버(700)를 포함하여 구성될 수 있다.A fish growth measurement system using a deep neural network according to the present invention includes a fishing pipe member 100, an image processing unit 200, a storage unit 300, an analysis unit 400, a determination unit 500, and a control unit. (600) and the manager server (700).

어로관부재(100)에 대해 설명한다. 어로관부재(100)는 수조(1) 내부의 수중에 형성되어 물고기(10)의 이동이 가능한 부분으로서, 도 1에 도시된 바와 같이, 통 모양으로 형성될 수 있다.The fishing pipe member 100 will be described. The fishing pipe member 100 is formed in the water inside the tank 1 and is a movable part of the fish 10, and as shown in FIG. 1, it may be formed in a tubular shape.

여기서, 물고기(10)는 상기 어로관부재(100)를 통과할 수 있는 사이즈의 단일 어종으로 구성하는 것이 바람직하다.Here, the fish 10 is preferably composed of a single fish species having a size that can pass through the fishing pipe member 100.

상기 어로관부재(100)는 투명하거나 불투명한 PVC 또는 아크릴 재질로 형성되는 것이 바람직하나, 반드시 이에 구속되는 것은 아니다.The fishing tube member 100 is preferably formed of a transparent or opaque PVC or acrylic material, but is not necessarily limited thereto.

상기 어로관부재(100)의 하부에는 어로관부재(100)가 움직이지 않도록 고정하는 지지부(150)가 추가로 형성될 수 있다.A support part 150 for fixing the fishing pipe member 100 so as not to move may be additionally formed at the lower part of the fishing pipe member 100.

상기 지지부(150)는 도 1에 도시된 바와 같이, 어로관부재(100)와 수조(1) 사이를 연결하는 형태로 형성될 수 있는데, 반드시 이에 한정되지 않고 무게추 형태로 형성될 수도 있다.As shown in FIG. 1, the support part 150 may be formed in a form connecting between the fishing pipe member 100 and the water tank 1, but is not necessarily limited thereto and may be formed in the form of a weight.

영상처리부(200)에 대해 설명한다. 영상처리부(200)는 어로관부재(100)를 따라 이동하는 물고기(10)를 촬영하고, 촬영된 영상정보를 수집하여 저장부(300)로 전송하는 부분으로서, 도 7에 도시된 바와 같이, 카메라부(210)와, 통신부(220)를 포함하여 구성될 수 있다.The image processing unit 200 will be described. The image processing unit 200 is a part that photographs the fish 10 moving along the fishing tube member 100, collects the captured image information, and transmits it to the storage unit 300, as shown in FIG. 7, It may be configured to include a camera unit 210 and a communication unit 220 .

상기 영상처리부(200)에서 수집되는 영상정보에는 촬영된 물고기(10)의 영상이미지와 물고기(10)가 촬영된 날짜 및 시간에 대한 정보를 포함할 수 있다.The image information collected by the image processing unit 200 may include a video image of the fish 10 captured and information on the date and time the fish 10 were captured.

카메라부(210)에 대해 설명한다. 카메라부(210)는 어로관부재(100)를 따라 이동하는 물고기(10)를 촬영하는 부분이다.The camera unit 210 will be described. The camera unit 210 is a part that takes pictures of the fish 10 moving along the fishing tube member 100 .

1대의 카메라 만으로는 촬영된 물고기(10)와 카메라부(210) 사이의 거리를 정확하게 판별하지 못하기 때문에, 상기 카메라부(210)는 복수개의 카메라로 구성하는 것이 바람직하다.Since the distance between the photographed fish 10 and the camera unit 210 cannot be accurately determined with only one camera, it is preferable that the camera unit 210 is composed of a plurality of cameras.

본 발명의 실시예에서는, 상기 카메라부(210)는 2개의 제1,2카메라(211,212)를 포함하는 것으로 제시되어 있으나, 반드시 이에 한정되지 않고, 그 갯수를 늘릴 수 있음은 물론이다.In the embodiment of the present invention, the camera unit 210 is presented as including two first and second cameras 211 and 212, but is not necessarily limited thereto, and the number can of course be increased.

본 발명의 일실시예에 따른 카메라부(210)의 제1,2카메라(211,212)는 어로관부재(100)의 좌측 또는 우측 중 어느 일측에 스테레오 카메라 형태로 배치될 수 있다.The first and second cameras 211 and 212 of the camera unit 210 according to an embodiment of the present invention may be disposed in the form of a stereo camera on either the left or right side of the fishing tube member 100 .

여기서, 제1,2카메라(211,212)를 스테레오 카메라 형태로 배치하는 목적은 제1,2카메라(211,212)로부터 촬영된 영상들의 차이를 기초로 후술할 거리분석부(420)에서 카메라부(210)와 물고기(10) 사이의 거리정보를 산출하기 위함이다.Here, the purpose of arranging the first and second cameras 211 and 212 in the form of a stereo camera is the camera unit 210 in the distance analysis unit 420 to be described later based on the difference between the images taken from the first and second cameras 211 and 212. This is to calculate the distance information between the and the fish 10.

스테레오 카메라를 이용하여 두 물체간의 거리를 측정하는 기술은 등록특허 제10-1088144호 등에 공지된 기술로서, 이에 대한 상세한 설명은 생략한다.A technique of measuring the distance between two objects using a stereo camera is a known technique such as Patent Registration No. 10-1088144, and a detailed description thereof will be omitted.

도 2에서는 제1,2카메라(211,212)가 어로관부재(100)의 좌측(y방향)에 배치된 모습을 나타내고, 도 3에서는 도 2의 카메라부에 의해 촬영된 물고기(10)의 모습을 나타낸다.2 shows a state in which the first and second cameras 211 and 212 are disposed on the left side (y direction) of the fishing tube member 100, and in FIG. 3, the fish 10 photographed by the camera unit of FIG. 2 is shown. indicate

구체적으로, 도 3(a)는 제1카메라(211)에 의해 촬영된 영상으로서, 물고기(10)가 좌측으로 치우쳐 있는 모습을 확인할 수 있고, 도 3(b)는 제2카메라(212)에 의해 촬영된 영상으로서, 물고기(10)가 우측으로 치우쳐 있는 모습을 확인할 수 있다.Specifically, FIG. 3 (a) is an image captured by the first camera 211, and it can be seen that the fish 10 is biased to the left, and FIG. 3 (b) is an image captured by the second camera 212. As an image taken by , it can be seen that the fish 10 is biased to the right.

본 발명의 다른 실시예에 따른 카메라부(210)의 제1카메라(211)는 어로관부재(100)의 좌측 또는 우측 중 어느 일측에 배치될 수 있고, 제2카메라(212)는 어로관부재(100)의 상측에 배치될 수 있다.The first camera 211 of the camera unit 210 according to another embodiment of the present invention may be disposed on either the left side or the right side of the fishing line member 100, and the second camera 212 is a fishing line member. It can be placed on the upper side of (100).

도 4에서는 제1카메라(211)가 어로관부재(100)의 좌측(y방향)에 배치되고, 제2카메라(212)가 어로관부재(100)의 상측(z방향)에 배치된 모습을 나타낸다. 그리고, 도 5에서는 도 4의 카메라부에 의해 촬영된 물고기(10)의 모습을 나타낸다.In FIG. 4, the first camera 211 is disposed on the left side (y direction) of the fishing tube member 100, and the second camera 212 is disposed on the upper side (z direction) of the fishing tube member 100. indicate And, FIG. 5 shows the appearance of the fish 10 photographed by the camera unit of FIG. 4 .

구체적으로, 도 5(a)는 제1카메라(211)에 의해 촬영된 영상을 나타내고, 도 5(b)는 제2카메라(212)에 의해 촬영된 영상을 나타낸다.Specifically, FIG. 5 (a) shows an image taken by the first camera 211, and FIG. 5 (b) shows an image taken by the second camera 212.

통신부(220)에 대해 설명한다. 통신부(220)는 카메라부(210)에서 촬영된 영상정보를 수집하여 저장부(300)로 전송하는 부분이다. 상기 영상정보의 전송은 데이터전송 통신망을 통해 이루어질 수 있다.The communication unit 220 will be described. The communication unit 220 is a part that collects image information captured by the camera unit 210 and transmits it to the storage unit 300 . The image information may be transmitted through a data transmission network.

저장부(300)에 대해 설명한다. 저장부(300)는 영상처리부(200)로부터 수신받은 영상정보를 저장하는 부분이다. 또한, 저장부(300)에는 측정 대상 물고기(10)의 성장 및 관리를 위한 전반적인 기준 데이터가 기저장될 수 있다.The storage unit 300 will be described. The storage unit 300 is a part that stores image information received from the image processing unit 200 . In addition, overall reference data for growth and management of the fish 10 to be measured may be pre-stored in the storage unit 300 .

본 발명의 저장부(300)라 함은 각각의 데이터베이스에 대응되는 정보를 저장하는 소프트웨어 및 하드웨어의 기능적 구조적 결합을 의미할 수 있다.The storage unit 300 of the present invention may mean a functional and structural combination of software and hardware for storing information corresponding to each database.

저장부(300)는 적어도 하나의 테이블로 구현될 수도 있으며, 데이터베이스에 저장된 정보를 검색, 저장, 및 관리하기 위한 별도의 DBMS(Database Management System)을 더 포함할 수도 있다.The storage unit 300 may be implemented as at least one table, and may further include a separate database management system (DBMS) for searching, storing, and managing information stored in the database.

또한, 링크드 리스트(linked-list), 트리(Tree), 관계형 데이터베이스의 형태 등 다양한 방식으로 구현될 수 있으며, 저장부(300)에 대응되는 정보를 저장할 수 있는 모든 데이터 저장매체 및 데이터 구조를 포함한다.In addition, it can be implemented in various ways, such as a linked-list, tree, or relational database, and includes all data storage media and data structures capable of storing information corresponding to the storage unit 300. do.

분석부(400)에 대해 설명한다. 분석부(400)는 저장부(300)에 저장된 영상정보를 분석하여 카메라부(210)와 물고기(10) 사이의 거리정보를 산출하고, 물고기(10)의 크기 및 중량정보를 산출하는 부분으로서, 도 8에 도시된 바와 같이, 크기분석부(410)와, 거리분석부(420)와, 중량분석부(430)를 포함하여 구성될 수 있다.The analysis unit 400 will be described. The analysis unit 400 analyzes the image information stored in the storage unit 300 to calculate distance information between the camera unit 210 and the fish 10, and calculates size and weight information of the fish 10. , as shown in FIG. 8, it may be configured to include a size analysis unit 410, a distance analysis unit 420, and a weight analysis unit 430.

크기분석부(410)에 대해 설명한다. 크기분석부(410)는 저장부(300)에 저장된 영상정보를 기초로 물고기(10)의 크기정보를 산출하는 부분이다.The size analysis unit 410 will be described. The size analysis unit 410 is a part that calculates size information of the fish 10 based on the image information stored in the storage unit 300 .

여기서, 물고기(10)의 크기정보는 구체적으로 아래과 같은 방식에 의하여 산출될 수 있다.Here, the size information of the fish 10 can be specifically calculated in the following way.

첫째, 후술할 거리분석부(420)에서 산출된 카메라부(210)와 물고기(10) 사이의 거리정보와 어로관부재(100)의 좌측 또는 우측 중 어느 일측에 배치된 카메라부(210)로부터 촬영된 영상을 기초로 화상처리를 통해 산출될 수 있다.First, from distance information between the camera unit 210 and the fish 10 calculated by the distance analysis unit 420 to be described later and the camera unit 210 disposed on either the left or right side of the fishing tube member 100 It can be calculated through image processing based on the photographed image.

둘째, 후술할 거리분석부(420)에서 산출된 카메라부(210)와 물고기(10) 사이의 거리정보와 어로관부재(100)의 좌측 또는 우측 중 어느 일측에 배치된 카메라부(210)로부터 촬영된 영상을 기초로 심층신경망을 이용한 딥러닝 알고리즘을 통해 산출될 수 있다.Second, from the distance information between the camera unit 210 and the fish 10 calculated by the distance analysis unit 420, which will be described later, and the camera unit 210 disposed on either the left or right side of the fishing tube member 100 It can be calculated through a deep learning algorithm using a deep neural network based on the captured image.

셋째, 어로관부재(100)의 좌측 또는 우측 중 어느 일측에 스테레오 카메라 형태로 배치된 제1,2카메라(211,212)로부터 촬영된 영상들을 기초로 심층신경망을 이용한 딥러닝 알고리즘을 통해 산출될 수 있다.Third, it can be calculated through a deep learning algorithm using a deep neural network based on images taken from the first and second cameras 211 and 212 disposed in the form of a stereo camera on either the left or right side of the fish pipe member 100. .

넷째, 어로관부재(100)의 좌측 또는 우측 중 어느 일측에 배치된 제1카메라(211)로부터 촬영된 영상과 어로관부재(100)의 상측에 배치된 제2카메라(212)로부터 촬영된 영상을 기초로 심층신경망을 이용한 딥러닝 알고리즘을 통해 산출될 수 있다.Fourth, an image taken from the first camera 211 disposed on either the left or right side of the fishing tube member 100 and an image taken from the second camera 212 disposed on the upper side of the fishing tube member 100 Based on , it can be calculated through a deep learning algorithm using a deep neural network.

본 발명에서 이용되는 심층신경망이란 입력층과 출력층 사이에 여러 개의 은닉층들로 이루어진 인공신경망을 의미한다.The deep neural network used in the present invention means an artificial neural network composed of several hidden layers between an input layer and an output layer.

이와 같은 인공신경망을 통해서 제어대상과 관련된 복수의 요인을 설정하고, 학습을 통해 상기 은닉층에서의 가중치를 설정함으로써 다량의 데이터나 복잡한 자료들에서 의미 있는 결과를 추출해 낼 수 있고, 반복적인 학습을 통해서는 더욱 정밀한 결과의 출력이 가능하다.By setting a plurality of factors related to the control target through such an artificial neural network and setting weights in the hidden layer through learning, it is possible to extract meaningful results from a large amount of data or complex data, and through repetitive learning can output more precise results.

거리분석부(420)에 대해 설명한다. 거리분석부(420)는 저장부(300)에 저장된 영상정보를 기초로 카메라부(210)와 물고기(10) 사이의 거리정보를 산출하는 부분이다.The distance analysis unit 420 will be described. The distance analysis unit 420 is a part that calculates distance information between the camera unit 210 and the fish 10 based on the image information stored in the storage unit 300 .

여기서, 카메라부(210)와 물고기(10) 사이의 거리정보는 구체적으로 아래과 같은 방식에 의하여 산출될 수 있다.Here, the distance information between the camera unit 210 and the fish 10 may be specifically calculated in the following manner.

첫째, 어로관부재(100)의 좌측 또는 우측 중 어느 일측에 스테레오 카메라 형태로 배치된 제1,2카메라(211,212)로부터 촬영된 영상들을 기초로 산출될 수 있다. First, it can be calculated based on images taken from the first and second cameras 211 and 212 disposed in the form of a stereo camera on either the left or right side of the fish pipe member 100.

둘째, 어로관부재(100)의 상측에 배치된 카메라부(210)로부터 촬영된 영상들을 기초로 산출될 수 있다.Second, it can be calculated based on the images taken from the camera unit 210 disposed above the fish pipe member 100.

셋째, 어로관부재(100)의 좌측 또는 우측 중 어느 일측에 배치된 카메라부(210)로부터 촬영된 영상을 기초로 종래의 거리계(초음파, 레이저)를 이용하여 산출될 수 있다.Third, it can be calculated using a conventional range finder (ultrasonic wave, laser) based on the image taken from the camera unit 210 disposed on either the left or right side of the fishing tube member 100.

넷째, 어로관부재(100)의 좌측 또는 우측 중 어느 일측에 배치된 제1카메라(211)로부터 촬영된 영상과 어로관부재(100)의 상측에 배치된 제2카메라(212)로부터 촬영된 영상을 기초로 심층신경망을 이용한 딥러닝 알고리즘을 통해 산출될 수 있다.Fourth, an image taken from the first camera 211 disposed on either the left or right side of the fishing tube member 100 and an image taken from the second camera 212 disposed on the upper side of the fishing tube member 100 Based on , it can be calculated through a deep learning algorithm using a deep neural network.

중량분석부(430)에 대해 설명한다. 중량분석부(420)는 크기분석부(410)에서 산출된 물고기(10)의 크기정보 및 거리분석부(420)에서 산출된 카메라부(210)와 물고기(10) 사이의 거리정보를 기초로 심층신경망을 이용한 딥러닝 알고리즘을 통해 분석하여 물고기(10)의 중량정보를 산출하는 부분이다.The weight analysis unit 430 will be described. The weight analysis unit 420 is based on the size information of the fish 10 calculated by the size analysis unit 410 and the distance information between the camera unit 210 and the fish 10 calculated by the distance analysis unit 420 This part calculates the weight information of the fish 10 by analyzing it through a deep learning algorithm using a deep neural network.

여기서, 물고기(10)의 중량정보는 구체적으로 아래과 같은 방식에 의하여 산출될 수 있다.Here, the weight information of the fish 10 can be specifically calculated in the following manner.

첫째, 후술할 거리분석부(420)에서 산출된 카메라부(210)와 물고기(10) 사이의 거리정보와 어로관부재(100)의 좌측 또는 우측 중 어느 일측에 배치된 카메라부(210)로부터 촬영된 영상을 기초로 화상처리를 통해 산출될 수 있다.First, from distance information between the camera unit 210 and the fish 10 calculated by the distance analysis unit 420 to be described later and the camera unit 210 disposed on either the left or right side of the fishing tube member 100 It can be calculated through image processing based on the photographed image.

둘째, 후술할 거리분석부(420)에서 산출된 카메라부(210)와 물고기(10) 사이의 거리정보와 어로관부재(100)의 좌측 또는 우측 중 어느 일측에 배치된 카메라부(210)로부터 촬영된 영상을 기초로 심층신경망을 이용한 딥러닝 알고리즘을 통해 산출될 수 있다.Second, from the distance information between the camera unit 210 and the fish 10 calculated by the distance analysis unit 420, which will be described later, and the camera unit 210 disposed on either the left or right side of the fishing tube member 100 It can be calculated through a deep learning algorithm using a deep neural network based on the captured image.

셋째, 어로관부재(100)의 좌측 또는 우측 중 어느 일측에 스테레오 카메라 형태로 배치된 제1,2카메라(211,212)로부터 촬영된 영상들을 기초로 심층신경망을 이용한 딥러닝 알고리즘을 통해 산출될 수 있다.Third, it can be calculated through a deep learning algorithm using a deep neural network based on images taken from the first and second cameras 211 and 212 disposed in the form of a stereo camera on either the left or right side of the fish pipe member 100. .

넷째, 어로관부재(100)의 좌측 또는 우측 중 어느 일측에 배치된 제1카메라(211)로부터 촬영된 영상과 어로관부재(100)의 상측에 배치된 제2카메라(212)로부터 촬영된 영상을 기초로 심층신경망을 이용한 딥러닝 알고리즘을 통해 산출될 수 있다.Fourth, an image taken from the first camera 211 disposed on either the left or right side of the fishing tube member 100 and an image taken from the second camera 212 disposed on the upper side of the fishing tube member 100 Based on , it can be calculated through a deep learning algorithm using a deep neural network.

판단부(500)에 대해 설명한다. 판단부(500)는 저장부(300)에 저장된 영상정보 및 분석부(400)에서 산출된 물고기(10)의 크기 및 중량정보를 기초로 물고기(10)의 성장속도를 측정하고, 측정된 성장속도를 토대로 물고기(10)의 출하시기를 예측하는 부분으로서, 도 9에 도시된 바와 같이, 성장속도측정부(510)와, 출하시기판단부(520)를 포함하여 구성될 수 있다.The determination unit 500 will be described. The determination unit 500 measures the growth rate of the fish 10 based on the image information stored in the storage unit 300 and the size and weight information of the fish 10 calculated in the analysis unit 400, and the measured growth As a part for predicting the shipping time of the fish 10 based on the speed, as shown in FIG. 9, it may include a growth rate measuring unit 510 and a shipping time determining unit 520.

성장속도측정부(510)에 대해 설명한다. 성장속도측정부(510)는 저장부(300)에 저장된 영상정보 및 분석부(400)에서 산출된 물고기(10)의 크기 및 중량정보를 기초로 물고기(10)의 성장속도를 측정하는 부분이다.The growth rate measuring unit 510 will be described. The growth rate measurement unit 510 is a part that measures the growth rate of the fish 10 based on the image information stored in the storage unit 300 and the size and weight information of the fish 10 calculated in the analysis unit 400. .

상기 성장속도는 시각적으로 파악될 수 있도록 2차원 또는 3차원 그래프 형태로 표현될 수 있다.The growth rate may be expressed in the form of a two-dimensional or three-dimensional graph so that it can be visually grasped.

출하시기판단부(520)에 대해 설명한다. 출하시기판단부(520)는 성장속도측정부(510)에서 측정된 성장속도를 토대로 물고기(10)의 적절한 출하시기를 예측하는 부분이다.The shipping time determination unit 520 will be described. The shipping time determination unit 520 is a part that predicts an appropriate shipping time of the fish 10 based on the growth rate measured by the growth rate measurement unit 510.

구체적으로, 물고기(10)가 출하되기에 최적의 크기 및 중량 목표값에 매칭되는지 여부를 판단하여 물고기(10)의 출하시기를 예측할 수 있다. 상기 크기 및 중량 목표값은 저장부(300)에 기저장된 상태일 수 있다.Specifically, it is possible to predict the shipping time of the fish 10 by determining whether or not the fish 10 matches the optimal size and weight target values for shipping. The size and weight target values may be previously stored in the storage unit 300 .

제어부(600)에 대해 설명한다. 제어부(600)는 판단부(500)에서 측정된 물고기(10)의 성장속도 및 출하시기에 대한 정보를 관리자서버(700)로 전송하는 부분이다.The control unit 600 will be described. The control unit 600 transmits information about the growth rate and shipping time of the fish 10 measured by the determination unit 500 to the manager server 700.

여기서, 관리자서버(700)는 관리자의 단말기 등과 연동되어, 관리자가 실시간으로 물고기(10)의 성장속도 및 출하시기에 대한 정보를 모니터링 할 수 있다.Here, the manager server 700 is interlocked with the manager's terminal, etc., so that the manager can monitor the growth rate of the fish 10 and information about the shipping time in real time.

이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것은 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경 가능함은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어서 명백할 것이다.The present invention described above is not limited by the above-described embodiments and the accompanying drawings, and various substitutions, modifications, and changes are possible within the scope without departing from the technical spirit of the present invention. It will be clear to those who have knowledge.

100 : 어로관부재
150 : 지지부
200 : 영상처리부
210 : 카메라부
211 : 제1카메라
212 : 제2카메라
220 : 통신부
300 : 저장부
400 : 분석부
410 : 크기분석부
420 : 거리분석부
430 : 중량분석부
500 : 판단부
510 : 성장속도측정부
520 : 출하시기판단부
600 : 제어부
700 : 관리자서버
1 : 수조
10 : 물고기100: fishing pipe member
150: support
200: image processing unit
210: camera unit
211: first camera
212: second camera
220: Communication Department
300: storage unit
400: analysis unit
410: size analysis unit
420: distance analysis unit
430: weight analysis unit
500: judgment unit
510: growth rate measuring unit
520: Shipment time judgment unit
600: control unit
700: manager server
1: water tank
10 : Fish

Claims (8)

수조(1) 내부에 형성되어 물고기(10)의 이동이 가능한 어로관부재(100);
상기 어로관부재(100)를 따라 이동하는 물고기(10)를 촬영하고, 촬영된 영상정보를 수집하여 저장부(300)로 전송하는 영상처리부(200);
상기 영상처리부(200)로부터 수신받은 영상정보를 저장하는 저장부(300);
상기 저장부(300)에 저장된 영상정보를 분석하여 카메라부(210)와 물고기(10) 사이의 거리정보를 산출하고, 물고기(10)의 크기 및 중량정보를 산출하는 분석부(400);
상기 저장부(300)에 저장된 영상정보 및 분석부(400)에서 산출된 물고기(10)의 크기 및 중량정보를 기초로 물고기(10)의 성장속도를 측정하고, 측정된 성장속도를 토대로 물고기(10)의 출하시기를 예측하는 판단부(500);를 포함하되,

상기 영상처리부(200)는
어로관부재(100)를 따라 이동하는 물고기(10)를 촬영하는 카메라부(210)와,
상기 카메라부(210)에서 촬영된 영상정보를 수집하여 저장부(300)로 전송하는 통신부(220)를 포함하고,

상기 영상처리부(200)에서 수집되는 영상정보에는 촬영된 물고기(10)의 영상이미지와 물고기(10)가 촬영된 시간에 대한 정보를 포함하는 것을 특징으로 하는
심층신경망을 이용한 어류 성장 측정 시스템.
A fishing pipe member 100 formed inside the water tank 1 to allow movement of the fish 10;
an image processing unit 200 that photographs the fish 10 moving along the fishing tube member 100, collects and transmits the captured image information to the storage unit 300;
a storage unit 300 for storing the image information received from the image processing unit 200;
an analysis unit 400 that analyzes the image information stored in the storage unit 300 to calculate distance information between the camera unit 210 and the fish 10, and calculates size and weight information of the fish 10;
The growth rate of the fish 10 is measured based on the image information stored in the storage unit 300 and the size and weight information of the fish 10 calculated in the analysis unit 400, and based on the measured growth rate, the fish ( 10) a determination unit 500 for predicting the shipping time;

The image processing unit 200
A camera unit 210 for photographing the fish 10 moving along the fishing pipe member 100;
A communication unit 220 for collecting image information captured by the camera unit 210 and transmitting it to the storage unit 300,

Characterized in that the image information collected by the image processing unit 200 includes a video image of the captured fish 10 and information about the time the fish 10 was photographed.
A fish growth measurement system using a deep neural network.
 수조(1) 내부에 형성되어 물고기(10)의 이동이 가능한 어로관부재(100);
상기 어로관부재(100)를 따라 이동하는 물고기(10)를 촬영하고, 촬영된 영상정보를 수집하여 저장부(300)로 전송하는 영상처리부(200);
상기 영상처리부(200)로부터 수신받은 영상정보를 저장하는 저장부(300);
상기 저장부(300)에 저장된 영상정보를 분석하여 카메라부(210)와 물고기(10) 사이의 거리정보를 산출하고, 물고기(10)의 크기 및 중량정보를 산출하는 분석부(400);
상기 저장부(300)에 저장된 영상정보 및 분석부(400)에서 산출된 물고기(10)의 크기 및 중량정보를 기초로 물고기(10)의 성장속도를 측정하고, 측정된 성장속도를 토대로 물고기(10)의 출하시기를 예측하는 판단부(500);
상기 판단부(500)에서 측정된 물고기(10)의 성장속도 및 출하시기에 대한 정보를 관리자서버(700)로 전송하는 제어부(600);를 포함하되,

상기 영상처리부(200)는
어로관부재(100)를 따라 이동하는 물고기(10)를 촬영하는 카메라부(210)와,
상기 카메라부(210)에서 촬영된 영상정보를 수집하여 저장부(300)로 전송하는 통신부(220)를 포함하고,

상기 영상처리부(200)에서 수집되는 영상정보에는 촬영된 물고기(10)의 영상이미지와 물고기(10)가 촬영된 시간에 대한 정보를 포함하는 것을 특징으로 하는
심층신경망을 이용한 어류 성장 측정 시스템.
A fishing pipe member 100 formed inside the water tank 1 to allow movement of the fish 10;
an image processing unit 200 that photographs the fish 10 moving along the fishing tube member 100, collects and transmits the captured image information to the storage unit 300;
a storage unit 300 for storing the image information received from the image processing unit 200;
an analysis unit 400 that analyzes the image information stored in the storage unit 300 to calculate distance information between the camera unit 210 and the fish 10, and calculates size and weight information of the fish 10;
The growth rate of the fish 10 is measured based on the image information stored in the storage unit 300 and the size and weight information of the fish 10 calculated in the analysis unit 400, and based on the measured growth rate, the fish ( 10) a determination unit 500 predicting the shipping time;
A control unit 600 for transmitting information about the growth rate and shipping time of the fish 10 measured by the determination unit 500 to the manager server 700; including,

The image processing unit 200
A camera unit 210 for photographing the fish 10 moving along the fishing pipe member 100;
A communication unit 220 for collecting image information captured by the camera unit 210 and transmitting it to the storage unit 300,

Characterized in that the image information collected by the image processing unit 200 includes a video image of the captured fish 10 and information about the time the fish 10 was photographed.
A fish growth measurement system using a deep neural network.
 수조(1) 내부에 형성되어 물고기(10)의 이동이 가능한 어로관부재(100);
상기 어로관부재(100)를 따라 이동하는 물고기(10)를 촬영하고, 촬영된 영상정보를 수집하여 저장부(300)로 전송하는 영상처리부(200);
상기 영상처리부(200)로부터 수신받은 영상정보를 저장하는 저장부(300);
상기 저장부(300)에 저장된 영상정보를 분석하여 카메라부(210)와 물고기(10) 사이의 거리정보를 산출하고, 물고기(10)의 크기 및 중량정보를 산출하는 분석부(400);
상기 저장부(300)에 저장된 영상정보 및 분석부(400)에서 산출된 카메라부(210)와 물고기(10) 사이의 거리정보와, 물고기(10)의 크기 및 중량정보를 기초로 물고기(10)의 성장속도를 측정하고, 측정된 성장속도를 토대로 물고기(10)의 출하시기를 예측하는 판단부(500);
상기 판단부(500)에서 측정된 물고기(10)의 성장속도 및 출하시기에 대한 정보를 관리자서버(700)로 전송하는 제어부(600);를 포함하되,

상기 영상처리부(200)는
어로관부재(100)를 따라 이동하는 물고기(10)를 촬영하는 카메라부(210)와,
상기 카메라부(210)에서 촬영된 영상정보를 수집하여 저장부(300)로 전송하는 통신부(220)를 포함하고,

상기 영상처리부(200)에서 수집되는 영상정보에는 촬영된 물고기(10)의 영상이미지와 물고기(10)가 촬영된 시간에 대한 정보를 포함하는 것을 특징으로 하고,

상기 분석부(400)는
저장부(300)에 저장된 영상정보를 기초로 물고기(10)의 크기정보를 산출하는 크기분석부(410)와,
저장부(300)에 저장된 영상정보를 기초로 카메라부(210)와 물고기(10) 사이의 거리정보를 산출하는 거리분석부(420)와,
상기 크기분석부(410)에서 산출된 물고기(10)의 크기정보 및 상기 거리분석부(420)에서 산출된 카메라부(210)와 물고기(10) 사이의 거리정보를 기초로 심층신경망을 이용한 딥러닝 알고리즘을 통해 분석하여 물고기(10)의 중량정보를 산출하는 중량분석부(430)를 포함하는 것을 특징으로 하는
심층신경망을 이용한 어류 성장 측정 시스템.
A fishing pipe member 100 formed inside the water tank 1 to allow movement of the fish 10;
an image processing unit 200 that photographs the fish 10 moving along the fishing tube member 100, collects and transmits the captured image information to the storage unit 300;
a storage unit 300 for storing the image information received from the image processing unit 200;
an analysis unit 400 that analyzes the image information stored in the storage unit 300 to calculate distance information between the camera unit 210 and the fish 10, and calculates size and weight information of the fish 10;
Based on the image information stored in the storage unit 300, the distance information between the camera unit 210 and the fish 10 calculated in the analysis unit 400, and the size and weight information of the fish 10, the fish 10 ) Measures the growth rate, and the determination unit 500 for predicting the release time of the fish 10 based on the measured growth rate;
A control unit 600 for transmitting information about the growth rate and shipping time of the fish 10 measured by the determination unit 500 to the manager server 700; including,

The image processing unit 200
A camera unit 210 for photographing the fish 10 moving along the fishing pipe member 100;
A communication unit 220 for collecting image information captured by the camera unit 210 and transmitting it to the storage unit 300,

The image information collected by the image processing unit 200 includes a video image of the captured fish 10 and information about the time the fish 10 was photographed,

The analysis unit 400
A size analysis unit 410 for calculating size information of the fish 10 based on the image information stored in the storage unit 300;
A distance analysis unit 420 that calculates distance information between the camera unit 210 and the fish 10 based on the image information stored in the storage unit 300;
Based on the size information of the fish 10 calculated by the size analysis unit 410 and the distance information between the camera unit 210 and the fish 10 calculated by the distance analysis unit 420, a deep neural network is used to deep dive. Characterized in that it comprises a weight analysis unit 430 for calculating the weight information of the fish 10 by analyzing through a learning algorithm
A fish growth measurement system using a deep neural network.
 수조(1) 내부에 형성되어 물고기(10)의 이동이 가능한 통 모양의 어로관부재(100);
상기 어로관부재(100)를 따라 이동하는 물고기(10)를 촬영하고, 촬영된 영상정보를 수집하여 저장부(300)로 전송하는 영상처리부(200);
상기 영상처리부(200)로부터 수신받은 영상정보를 저장하는 저장부(300);
상기 저장부(300)에 저장된 영상정보를 분석하여 카메라부(210)와 물고기(10) 사이의 거리정보를 산출하고, 물고기(10)의 크기 및 중량정보를 산출하는 분석부(400);
상기 저장부(300)에 저장된 영상정보 및 분석부(400)에서 산출된 카메라부(210)와 물고기(10) 사이의 거리정보와, 물고기(10)의 크기 및 중량정보를 기초로 물고기(10)의 성장속도를 측정하고, 측정된 성장속도를 토대로 물고기(10)의 출하시기를 예측하는 판단부(500);
상기 판단부(500)에서 측정된 물고기(10)의 성장속도 및 출하시기에 대한 정보를 관리자서버(700)로 전송하는 제어부(600);를 포함하되,

상기 영상처리부(200)는
어로관부재(100)를 따라 이동하는 물고기(10)를 촬영하는 카메라부(210)와,
상기 카메라부(210)에서 촬영된 영상정보를 수집하여 저장부(300)로 전송하는 통신부(220)를 포함하고,

상기 영상처리부(200)에서 수집되는 영상정보에는 촬영된 물고기(10)의 영상이미지와 물고기(10)가 촬영된 시간에 대한 정보를 포함하는 것을 특징으로 하고,

상기 분석부(400)는
저장부(300)에 저장된 영상정보를 기초로 물고기(10)의 크기정보를 산출하는 크기분석부(410)와,
저장부(300)에 저장된 영상정보를 기초로 카메라부(210)와 물고기(10) 사이의 거리정보를 산출하는 거리분석부(420)와,
상기 크기분석부(410)에서 산출된 물고기(10)의 크기정보 및 상기 거리분석부(420)에서 산출된 카메라부(210)와 물고기(10) 사이의 거리정보를 기초로 심층신경망을 이용한 딥러닝 알고리즘을 통해 분석하여 물고기(10)의 중량정보를 산출하는 중량분석부(430)를 포함하고,

상기 판단부(500)는
저장부(300)에 저장된 영상정보 및 분석부(400)에서 산출된 물고기(10)의 크기 및 중량정보를 기초로 물고기(10)의 성장속도를 측정하는 성장속도측정부(510)와,
상기 성장속도측정부(510)에서 측정된 성장속도를 토대로 물고기(10)의 출하시기를 예측하는 출하시기판단부(520)를 포함하는 것을 특징으로 하는
심층신경망을 이용한 어류 성장 측정 시스템.
A tubular fishing tube member 100 formed inside the water tank 1 to allow movement of the fish 10;
an image processing unit 200 that photographs the fish 10 moving along the fishing tube member 100, collects and transmits the captured image information to the storage unit 300;
a storage unit 300 for storing the image information received from the image processing unit 200;
an analysis unit 400 that analyzes the image information stored in the storage unit 300 to calculate distance information between the camera unit 210 and the fish 10, and calculates size and weight information of the fish 10;
Based on the image information stored in the storage unit 300, the distance information between the camera unit 210 and the fish 10 calculated in the analysis unit 400, and the size and weight information of the fish 10, the fish 10 ) Measures the growth rate, and the determination unit 500 for predicting the release time of the fish 10 based on the measured growth rate;
A control unit 600 for transmitting information about the growth rate and shipping time of the fish 10 measured by the determination unit 500 to the manager server 700; including,

The image processing unit 200
A camera unit 210 for photographing the fish 10 moving along the fishing pipe member 100;
A communication unit 220 for collecting image information captured by the camera unit 210 and transmitting it to the storage unit 300,

The image information collected by the image processing unit 200 includes a video image of the captured fish 10 and information about the time the fish 10 was photographed,

The analysis unit 400
A size analysis unit 410 for calculating size information of the fish 10 based on the image information stored in the storage unit 300;
A distance analysis unit 420 that calculates distance information between the camera unit 210 and the fish 10 based on the image information stored in the storage unit 300;
Based on the size information of the fish 10 calculated by the size analysis unit 410 and the distance information between the camera unit 210 and the fish 10 calculated by the distance analysis unit 420, a deep neural network is used to deep dive. It includes a weight analysis unit 430 that calculates the weight information of the fish 10 by analyzing through a learning algorithm,

The determination unit 500
A growth rate measurement unit 510 for measuring the growth rate of the fish 10 based on the image information stored in the storage unit 300 and the size and weight information of the fish 10 calculated in the analysis unit 400;
Characterized in that it comprises a shipping time determination unit 520 for predicting the shipping time of the fish 10 based on the growth rate measured by the growth rate measuring unit 510
A fish growth measurement system using a deep neural network.
 제4항에 있어서,
상기 카메라부(210)는
어로관부재(100)의 좌측 또는 우측 중 어느 일측에 스테레오 카메라 형태로 배치되는 제1,2카메라(211,212)를 포함되는 것을 특징으로 하는
심층신경망을 이용한 어류 성장 측정 시스템.
According to claim 4,
The camera unit 210 is
Characterized in that it includes first and second cameras 211 and 212 disposed in the form of a stereo camera on either the left or right side of the fishing tube member 100
A fish growth measurement system using a deep neural network.
 제5항에 있어서,
상기 카메라부(210)는
어로관부재(100)의 좌측 또는 우측 중 어느 일측에 배치되는 제1카메라(211)와,
어로관부재(100)의 상측에 배치되는 제2카메라(212)를 포함하는 것을 특징으로 하는
심층신경망을 이용한 어류 성장 측정 시스템.
According to claim 5,
The camera unit 210 is
A first camera 211 disposed on either the left or right side of the fishing tube member 100;
Characterized in that it comprises a second camera 212 disposed on the upper side of the fishing pipe member 100
A fish growth measurement system using a deep neural network.
 삭제delete 삭제delete
KR1020200140341A 2020-10-27 2020-10-27 Fish growth measurement system using deep neural network KR102493984B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200140341A KR102493984B1 (en) 2020-10-27 2020-10-27 Fish growth measurement system using deep neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200140341A KR102493984B1 (en) 2020-10-27 2020-10-27 Fish growth measurement system using deep neural network

Publications (2)

Publication Number Publication Date
KR20220055843A KR20220055843A (en) 2022-05-04
KR102493984B1 true KR102493984B1 (en) 2023-01-31

Family

ID=81583832

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200140341A KR102493984B1 (en) 2020-10-27 2020-10-27 Fish growth measurement system using deep neural network

Country Status (1)

Country Link
KR (1) KR102493984B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230011593A (en) * 2021-07-14 2023-01-25 부경대학교 산학협력단 Fish growth measurement system using deep neural network

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4292430A1 (en) * 2022-06-13 2023-12-20 Furuno Electric Co., Ltd. Fish measuring device and fish measuring method
KR102661717B1 (en) * 2023-10-19 2024-04-30 어업회사법인주식회사블루젠 Measuring plate for measuring fish traits.

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101057419B1 (en) * 2010-12-14 2011-08-17 (주)인바이온이엔지 Non-contact type apparatus for measuring fish number and method thereof
KR101167567B1 (en) 2011-10-19 2012-07-27 (주)그린시스 Fish monitoring digital image processing apparatus and method
JP2020085609A (en) * 2018-11-22 2020-06-04 株式会社アイエンター Fish body size calculation device

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101526199B1 (en) * 2013-04-15 2015-06-05 (주)영진글로지텍 System for managing farming in farming building
KR20190068266A (en) * 2017-12-08 2019-06-18 김정구 System for measuring weight of livestocks using image analysis and method using the same
KR102005987B1 (en) 2018-07-10 2019-08-01 엔티콘 주식회사 System for iot-based farm management
KR102276462B1 (en) * 2018-07-20 2021-07-12 문영실 Smart farm factory energy managemnet system using artificial intelligence deep learning
KR102191064B1 (en) * 2019-03-14 2020-12-14 경남과학기술대학교 산학협력단 Data Application System for Classification of Fish Species

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101057419B1 (en) * 2010-12-14 2011-08-17 (주)인바이온이엔지 Non-contact type apparatus for measuring fish number and method thereof
KR101167567B1 (en) 2011-10-19 2012-07-27 (주)그린시스 Fish monitoring digital image processing apparatus and method
JP2020085609A (en) * 2018-11-22 2020-06-04 株式会社アイエンター Fish body size calculation device

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230011593A (en) * 2021-07-14 2023-01-25 부경대학교 산학협력단 Fish growth measurement system using deep neural network
KR102576926B1 (en) 2021-07-14 2023-09-08 부경대학교 산학협력단 Fish growth measurement system using deep neural network

Also Published As

Publication number Publication date
KR20220055843A (en) 2022-05-04

Similar Documents

Publication Publication Date Title
KR102493984B1 (en) Fish growth measurement system using deep neural network
US11232297B2 (en) Fish biomass, shape, and size determination
Shortis et al. A review of underwater stereo-image measurement for marine biology and ecology applications
Massot-Campos et al. Optical sensors and methods for underwater 3D reconstruction
US11756324B2 (en) Fish biomass, shape, size, or health determination
CN112132972B (en) Three-dimensional reconstruction method and system for fusing laser and image data
Shortis et al. Design and calibration of an underwater stereo-video system for the monitoring of marine fauna populations
Costa et al. Extracting fish size using dual underwater cameras
KR102234697B1 (en) Fish net surveillance apparatus using Remotely-Operated underwater Vehicle, controlling method of the same
CN114241031B (en) Fish body ruler measurement and weight prediction method and device based on double-view fusion
KR102186733B1 (en) 3D modeling method for undersea topography
Dunlop et al. An evaluation of deep-sea benthic megafauna length measurements obtained with laser and stereo camera methods
Troisi et al. 3D models comparison of complex shell in underwater and dry environments
Lesser et al. Mesophotic coral reef community structure: the constraints of imagery collected by unmanned vehicles
Rose et al. Trialling an accessible non-contact photogrammetric monitoring technique to detect 3D change on wall paintings
Lochhead et al. Evaluating the 3D integrity of underwater structure from motion workflows
CN117214904A (en) Intelligent fish identification monitoring method and system based on multi-sensor data
Vogler et al. High-Resolution Underwater 3-D Monitoring Methods to Reconstruct Artificial Coral Reefs in the Bali Sea: A Case Study of an Artificial Reef Prototype in Gili Trawangan
Agrafiotis Image-based bathymetry mapping for shallow waters
KR102431452B1 (en) Underwater survey system using under water drone
CN111401370B (en) Garbage image recognition and task assignment management method, model and system
KR102576926B1 (en) Fish growth measurement system using deep neural network
Jiang et al. Coral Detection, Ranging, and Assessment (CDRA) algorithm-based automatic estimation of coral reef coverage
Avanthey et al. Tools to Perform Local Dense 3D Reconstruction of Shallow Water Seabed
Drap et al. UNDERWATER PHOTOGRAMMETRY, CODED TARGET AND PLENOPTIC TECHNOLOGY: A SET OF TOOLS FOR MONITORING RED CORAL IN MEDITERRANEAN SEA IN THE FRAMEWORK OF THE” PERFECT” PROJECT

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