KR102522239B1 - 영상 기반 가축의 급이 행동 분석 장치 및 방법 - Google Patents
영상 기반 가축의 급이 행동 분석 장치 및 방법 Download PDFInfo
- Publication number
- KR102522239B1 KR102522239B1 KR1020200155768A KR20200155768A KR102522239B1 KR 102522239 B1 KR102522239 B1 KR 102522239B1 KR 1020200155768 A KR1020200155768 A KR 1020200155768A KR 20200155768 A KR20200155768 A KR 20200155768A KR 102522239 B1 KR102522239 B1 KR 102522239B1
- Authority
- KR
- South Korea
- Prior art keywords
- livestock
- entity
- feeding
- behavior
- state
- Prior art date
Links
- 244000144972 livestock Species 0.000 title claims abstract description 291
- 230000004634 feeding behavior Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims description 15
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 230000006399 behavior Effects 0.000 claims abstract description 41
- 230000003542 behavioural effect Effects 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims 2
- 230000035611 feeding Effects 0.000 description 47
- 241000283690 Bos taurus Species 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 235000012054 meals Nutrition 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000282887 Suidae Species 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 240000004050 Pentaglottis sempervirens Species 0.000 description 1
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Environmental Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Animal Husbandry (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
본 발명의 일 실시예에 따른 영상 기반 가축의 급이 행동 분석 장치는 데이터 송수신 모듈; 영상 기반 가축의 급이 행동 분석 프로그램이 저장된 메모리; 및 메모리에 저장된 프로그램을 실행하는 프로세서를 포함하며, 프로그램은, 각 가축방에 할당된 적어도 하나 이상의 카메라를 통해 수집된 영상을 가축 개체 검출 모델에 입력하여 각 가축 개체 개체를 검출하고, 검출된 각 가축 개체의 중심 좌표를 누적 저장하여 각 가축 개체의 이동 상태를 추적하고, 가축방에서 미리 설정된 급이영역에의 각 가축 개체의 진입 행위와 이탈 행위를 계수하여 해당 가축 개체의 급이 상태 정보를 생성하되, 가축 개체 검출 모델은 가축방의 상부에서 각 가축을 조감(bird view)하는 방향으로 촬영한 영상에 각 가축의 몸통 영역에 인접하도록 배치되는 외곽선과 각 가축의 행동 상태를 라벨링한 훈련 데이터를 이용하여 학습된 모델로서, 입력된 영상에 대하여 각 가축 개체를 검출하고, 검출된 가축 개체의 행동 상태를 출력하는 것이고, 프로그램은 각 가축 개체의 중심 좌표가 미리 설정된 급이 영역의 좌표로 접근하는 정도를 기초로 진입 행위를 판별하고, 미리 설정된 급이 영역의 좌표에서 이탈하는 정도를 기초로 이탈 행위를 판별한다.
Description
본 발명은 영상 기반 가축의 급이 행동 분석 장치 및 방법에 대한 것이다.
축산 농장 운영의 효율화를 위한 가축의 운동패턴 분석에 대한 다양한 연구가 선행되어 왔다. 종래의 기술은 대체로 가축의 몸에 센서를 부착하여 개별 운동 패턴을 파악하는 방법에 중점을 맞춰왔다. 이러한 접근은 가축 개체별 관리가 용이하다는 장점이 있지만 개체별로 일일이 센서를 부착해 줘야 하므로 개체수 증가에 따른 비용 증가 문제와 가축의 활동 중 센서의 물리적 충격이나 베터리 방전 등으로 인한 손상 문제가 존재한다. 게다가 개체수가 많은 양돈, 양계 등의 축종에는 비용적인 문제 외에도 적용 시 센서간 통신 혼선의 문제 역시 발생하여 농장 전반에 대한 운동 패턴 분석은 현실적으로 매우 어렵다는 한계를 지닌다.
이와 관련하여, 기존의 가축의 운동패턴 분석 방법으로서, 한국 특허등록 제 10-1318716호(발명의 명칭: 가축의 운동패턴 분석 시스템)는 가축 개체 별로 운동패턴을 분석하되, 가축 개체가 취할 수 있는 움직임을 모두 반영하는 것은 물론 운동패턴이 변화되는 것도 함께 반영함으로써, 실질적인 운동량을 산출하는 구성을 개시한다.
본 발명은 전술한 문제점을 해결하기 위한 것으로, 축산 농가 내 가축집단의 행동을 분석하기 위한 기술에 관한 것으로, 축사 내 설치된 카메라에 촬영된 가축 집단의 움직임을 분석하여 이들의 활동성과 섭식횟수를 기록하고 이를 통해 가축 집단의 상태를 파악하고 예측하는데 목적이 있다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 해결하기 위한 기술적 수단으로서, 본 발명의 일 실시예에 따른 영상 기반 가축의 급이 행동 분석 장치는 데이터 송수신 모듈; 영상 기반 가축의 급이 행동 분석 프로그램이 저장된 메모리; 및 메모리에 저장된 프로그램을 실행하는 프로세서를 포함하며, 프로그램은, 각 가축방에 할당된 적어도 하나 이상의 카메라를 통해 수집된 영상을 가축 개체 검출 모델에 입력하여 각 가축 개체 개체를 검출하고, 검출된 각 가축 개체의 중심 좌표를 누적 저장하여 각 가축 개체의 이동 상태를 추적하고, 가축방에서 미리 설정된 급이영역에의 각 가축 개체의 진입 행위와 이탈 행위를 계수하여 해당 가축 개체의 급이 상태 정보를 생성하되, 가축 개체 검출 모델은 가축방의 상부에서 각 가축을 조감(bird view)하는 방향으로 촬영한 영상에 각 가축의 몸통 영역에 인접하도록 배치되는 외곽선과 각 가축의 행동 상태를 라벨링한 훈련 데이터를 이용하여 학습된 모델로서, 입력된 영상에 대하여 각 가축 개체를 검출하고, 검출된 가축 개체의 행동 상태를 출력하는 것이고, 프로그램은 각 가축 개체의 중심 좌표가 미리 설정된 급이 영역의 좌표로 접근하는 정도를 기초로 진입 행위를 판별하고, 미리 설정된 급이 영역의 좌표에서 이탈하는 정도를 기초로 이탈 행위를 판별한다.
가축 개체 검출 모델에서 외곽선은 사각형 또는 타원으로 설정되는 것이고, 가축의 행동 상태는 서있는 상태, 앉아 있는 상태, 옆으로 누운 상태, 앞으로 누운 상태 또는 승가 상태로 구분된다.
프로그램은 가축 개체 검출 모델을 통해 검출된 가축 개체 별로 식별 번호를 부여하고, 식별된 각 가축 개체의 중심 좌표가 서로 인접한 정도를 이용하여 각 가축 개체를 추적한다.
프로그램은 입력된 영상 내에 각 프레임 마다 식별 번호 별 각 가축 개체의 중심 좌표가 이동함에 따라 누적 저장하여, 각 가축 개체의 이동량을 계산하고, 이동량을 기초로 각 가축 개체의 활동성을 산출한다.
프로그램은 각 가축 개체의 진입 행위와 이탈 행위를 한쌍으로 하여 1회의 급이 행동이 발생한 것으로 급이 상태 정보를 산출하되, 급이 상태 정보는 급이 횟수를 포함한다.
본 발명의 다른 실시예에 따른 영상 기반 가축의 급이 행동 분석 장치를 이용한 급이 행동 분석 방법은 (a) 각 가축방에 할당된 적어도 하나 이상의 카메라를 통해 수집된 영상을 가축 개체 검출 모델에 입력하여 각 가축 개체 개체를 검출하는 단계; (b) 검출된 각 가축 개체의 중심 좌표를 누적 저장하여 각 가축 개체의 이동 상태를 추적하는 단계; 및 (c) 가축방에서 미리 설정된 급이영역에의 각 가축 개체의 진입 행위와 이탈 행위를 계수하여 해당 가축 개체의 급이 상태 정보를 생성하는 단계를 포함하되, 가축 개체 검출 모델은 가축방의 상부에서 각 가축을 조감(bird view)하는 방향으로 촬영한 영상에 각 가축의 몸통 영역에 인접하도록 배치되는 외곽선과 각 가축의 행동 상태를 라벨링한 훈련 데이터를 이용하여 학습된 모델로서, 입력된 영상에 대하여 각 가축 개체를 검출하고, 검출된 가축 개체의 행동 상태를 출력하는 것이고, (c) 단계는 각 가축 개체의 중심 좌표가 미리 설정된 급이 영역의 좌표로 접근하는 정도를 기초로 진입 행위를 판별하고, 미리 설정된 급이 영역의 좌표에서 이탈하는 정도를 기초로 이탈 행위를 판별한다.
가축 개체 검출 모델에서 외곽선은 사각형 또는 타원으로 설정되는 것이고, 가축의 행동 상태는 서있는 상태, 앉아 있는 상태, 옆으로 누운 상태, 앞으로 누운 상태 또는 승가 상태로 구분된다.
(b) 단계는 가축 개체 검출 모델을 통해 검출된 가축 개체 별로 식별 번호를 부여하고, 식별된 각 가축 개체의 중심 좌표가 서로 인접한 정도를 이용하여 각 가축 개체를 추적한다.
(b) 단계는 입력된 영상 내에 각 프레임 마다 식별 번호 별 각 가축 개체의 중심 좌표가 이동함에 따라 누적 저장하여, 각 가축 개체의 이동량을 계산하고, 이동량을 기초로 각 가축 개체의 활동성을 산출한다.
(c) 단계는 각 가축 개체의 진입 행위와 이탈 행위를 한쌍으로 하여 1회의 급이 행동이 발생한 것으로 급이 상태 정보를 산출하되, 급이 상태 정보는 급이 횟수를 포함한다.
전술한 본원의 과제 해결 수단 중 어느 하나에 의하면, 일일이 가축 몸이나 인근 장치에 센서를 부착해야 했던 기존 방법과 달리 농장 내 사육 밀도가 높아져도 사육 영역에 카메라를 설치하는 것만으로도 활동성과 식사 횟수 통계를 파악할 수 있다.
더불어, 향후 축산 농가의 가축집단 행동분석을 통한 방별 질병 조기 대응과 식사량 추정에 따른 사료 공급 과정 최적화 등 축산 농가 경영에 필수적인 질병 예방과 고정비 절감을 위한 정량적 지표 측정 기술로서 널리 활용될 수 있다.
도 1은 본 발명의 일 실시예에 따른 영상 기반 가축의 급이 행동 분석 장치의 구성을 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 가축 집단의 급이 행동 분석 방법을 설명하기 위한 영상 기반 가축의 급이 행동 분석 장치의 구조도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 가축 개체 검출 모델을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 영상 기반 가축의 급이 행동 분석 방법을 도시한 순서도이다.
도 2는 본 발명의 일 실시예에 따른 가축 집단의 급이 행동 분석 방법을 설명하기 위한 영상 기반 가축의 급이 행동 분석 장치의 구조도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 가축 개체 검출 모델을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 영상 기반 가축의 급이 행동 분석 방법을 도시한 순서도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 “상에” 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 영상 기반 가축의 급이 행동 분석 장치의 구성을 도시한 블록도이다.
도1에 도시된 바와 같이 영상 기반 가축의 급이 행동 분석 장치(100)는 복수의 카메라(10), 데이터 송수신 모듈(120), 프로세서(130), 메모리(140) 및 데이터베이스(150)를 포함할 수 있다.
카메라(10)는 축사 내에 구비된 복수의 가축방(1)을 모니터링 하도록 각 가축방(1)에 적어도 하나가 할당될 수 있다. 또한 카메라(10)는 탐색 영역 내에서 소정의 화각으로 촬영한 영상을 데이터 송수신 모듈(120)에 송신할 수 있다.
데이터 송수신 모듈(120)은 카메라(10)가 소정의 화각으로 촬영한 영상을 수신하여 프로세서(130)로 전송할 수 있다.
데이터 송수신 모듈(120)은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
프로세서(130)는 메모리(140)에 저장된 프로그램을 실행하되, 영상 기반 가축의 급이 행동 분석 프로그램의 실행에 따라 다음과 같은 처리를 수행한다.
프로그램은, 각 가축방에 할당된 적어도 하나 이상의 카메라(10)를 통해 수집된 영상을 가축 개체 검출 모델에 입력하여 각 가축 개체 개체를 검출하고, 검출된 각 가축 개체의 중심 좌표를 누적 저장하여 각 가축 개체의 이동 상태를 추적하고, 가축방에서 미리 설정된 급이영역에의 각 가축 개체의 진입 행위와 이탈 행위를 계수하여 해당 가축 개체의 급이 상태 정보를 생성한다. 이때 가축 개체 검출 모델은 가축방의 상부에서 각 가축을 조감(bird view)하는 방향으로 촬영한 영상에 각 가축의 몸통 영역에 인접하도록 배치되는 외곽선과 각 가축의 행동 상태를 라벨링한 훈련 데이터를 이용하여 학습된 모델로서, 입력된 영상에 대하여 각 가축 개체를 검출하고, 검출된 가축 개체의 행동 상태를 출력한다. 또한 프로그램은 각 가축 개체의 중심 좌표가 미리 설정된 급이 영역의 좌표로 접근하는 정도를 기초로 진입 행위를 판별하고, 미리 설정된 급이 영역의 좌표에서 이탈하는 정도를 기초로 이탈 행위를 판별한다. 여기서, 가축 집단의 급이 행동 분석을 위한 구체적인 과정은 도 2를 참조하여 후술하도록 한다.
이러한 프로세서(130)는 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이 크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
메모리(140)에는 영상 기반 가축의 급이 행동 분석 프로그램이 저장된다. 이러한 메모리(140)에는 영상 기반 가축의 급이 행동 분석 장치(100)의 구동을 위한 운영 체제나 영상 기반 가축의 급이 행동 분석 프로그램의 실행 과정에서 발생되는 여러 종류가 데이터가 저장된다.
이때, 메모리(140)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치 및 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치를 통칭하는 것이다.
또한, 메모리(140)는 프로세서(130)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 여기서, 메모리(140)는 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치 외에 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
데이터베이스(150)는 프로세서(130)의 제어에 따라, 영상 기반 가축의 급이 행동 분석 장치(100)에 필요한 데이터를 저장 또는 제공한다. 예시적으로, 데이터베이스(150)는 카메라(10)로부터 수집된 영상을 가축 개체 검출 모델에 입력하여 검출한 각 가축 개체의 행동 상태 정보 및 급이영역에의 각 가축 개체의 진입 행위와 이탈 행위를 계수하여 생성한 급이 상태 정보를 저장할 수 있다. 이러한 데이터베이스(150)는 메모리(140)와는 별도의 구성 요소로서 포함되거나, 또는 메모리(140)의 일부 영역에 구축될 수도 있다.
도 2는 본 발명의 일 실시예에 따른 가축 집단의 급이 행동 분석 방법을 설명하기 위한 영상 기반 가축의 급이 행동 분석 장치의 구조도이다.
도2에 도시된 바와 같이, 영상 기반 가축의 급이 행동 분석 장치(100)는 영상획득부(131), 축산개체 검출부(132), 축산개체 추적부(133), 궤적 취합부(134), 구역 설정부(135) 및 출력부(136)로 구성된 프로그램을 실행할 수 있다.
영상획득부(131)는 각 가축방(1a)에 할당된 적어도 하나 이상의 카메라(10)를 통해 수집된 영상을 가축 개체 검출 모델에 입력하여 각 가축 개체의 크기를 검출할 수 있다. 예시적으로, 카메라(10)는 가축방(1a)의 상부에서 각 가축을 조감(bird view)하는 방향으로 촬영한 영상을 수집할 수 있다.
축산개체 검출부(132)는 카메라(10)로부터 수집된 영상을 가축 개체 검출 모델에 입력하여 각 가축 개체를 검출할 수 있다.
예시적으로, 축산개체 검출부(132)의 구동을 위해서는 축종별로 맞춤 훈련이 진행된 딥러닝 기반의 가축 개체 검출 모델을 활용할 수 있다. 예를 들어, YoLo, RetinaNet, SDD, RCNN 등 종래의 개체검출 모델과 축종별 정확성을 개선하기 위해 신경망 및 손실함수가 변경된 형식의 개체 검출 모델 모두 활용 가능하다.
여기서, 가축은 일반 사물과 달리 계속 움직이며 다양한 행동 양상을 띤다. 따라서, 가축 개체 검출 모델은 몸통 표면 크기를 일정하게 측정하기 위해서 가축의 몸통이 향하는 방향을 추정하는 구성과 가축 행동에 따른 크기측정 오차를 방지하는 구성을 포함할 수 있다.
이하, 가축 개체 검출 모델에 대하여 구체적으로 설명하도록 한다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 가축 개체 검출 모델을 설명하기 위한 도면이다.
도 3 및 도4를 참조하면, 가축 개체 검출 모델은 가축방(1a)의 상부에서 각 가축을 조감(bird view)하는 방향으로 촬영한 영상에 각 가축의 몸통 영역에 인접하도록 배치되는 외곽선과 각 가축의 행동 상태를 라벨링한 훈련 데이터를 이용하여 학습된 모델이며, 입력된 영상에 대하여 각 가축 개체를 검출하고, 검출된 가축 개체의 행동 상태를 출력할 수 있다.
구체적으로, 가축 개체 검출 모델에서 외곽선은 사각형 또는 타원으로 설정되는 것이고, 가축의 행동 상태는 서있는 상태, 앉아 있는 상태, 옆으로 누운 상태, 앞으로 누운 상태 또는 승가 상태로 구분될 수 있다.
일 예로, 도3 및 도4에 도시된 바와 같이, 가축 개체 검출 모델의 훈련 데이터에서 외곽선은 가축 개체의 경계박스를 가리키는 사각형 또는 중심점, 장축의 길이 및 단축의 길이로 정의되는 타원형으로 설정될 수 있다.
예시적으로, 타원형 개체 검출 시에 카메라(10)의 화각 기준과 가축의 몸통이 향하는 방향을 추정함에 따라, 가축이 향하는 방향에 강건하게 몸통의 표면 크기를 일정하게 측정할 수 있다. 또한, 가축의 행동 상태를 서있음, 앉아있음, 옆으로 누워있음 등 다양하게 정의 한 후, 한 가지 행동상태를 보일 시에만 그 크기를 측정함에 따라, 가축 행동에 따른 크기측정 오차를 방지할 수 있다.
일 예로, 도3을 참조하면 가축의 몸통 퍼짐이 없고 다리영역을 과하게 잡지 않는 서있음(Standing) 상태인 경우에 대해서만 그 검출 영역을 개체의 크기로 인지하여 측정에 활용할 수 있다. 이는 마치 사람이 키를 측정하는데 있어 반듯한 자세에서 측정한 결과만이 유의미한 것과 같은 것을 의미한다.
일 예로, 도 4를 참조하면, 가축 개체 검출 모델은 소나 돼지 등 축종 별로 어노테이션(annotation)된 이미지 데이터로 학습할 수 있다. 각 가축방(1a)에 설치된 카메라(10)로부터 각 축종의 다양한 각도에서의 모습을 영상으로 수집하고, 프레임 단위로 추출하여 이미지화 한 후, 해당 이미지 내의 가축 개체의 영역을 표현하는 타원 범위 및 행동 상태를 (cx, cy, rw, rh, Θ, s) 로 표현할 수 있다.
예를 들어, 타원의 장축이 3시 방향을 향할 때를 0도로 기준잡고, 반시계방향으로 돌리며, 가축의 목덜미(경추)가 향하는 방향을 기준으로 잡아 각도(Θ)를 지정할 수 있다.
일 예로, 가축 개체의 행동 상태(s)는 기본적으로 서있음(stand), 앉아있음(sitting), 옆으로 누움(lateral lying), 앞으로 누움(sternal lying), 승가(mounting)의 5종의 행동 단계로 구분될 수 있다.
다른 예로, 행동 상태는 상술한 5종의 행동 단계에 한정되는 것은 아니며, 가축의 종류 및 추적 목적에 따라 축산 전문가의 지도하에 더 세분화하여 어노테이션을 진행할 수 있다.
상술한 가축 객체의 다중 포즈(행동 상태) 구분 및 회전객체 검출을 위해서는 알려진 RetinaNet이나 YoLo, SSD 등 one-stage 객체검출 신경망의 출력 노드 부분을 수정하는 형태로 개발이 가능하다.
예를 들어, RetinaNet, YoLo, SSD 등 객체검출 신경망들은 보통 백본(Backbone) 과 헤드(head)로 구성되며, 백본은 특징을 추출하는 부분이고 헤드는 출력값을 도출하는 부분이다. 여기서, 일반적인 객체검출 신경망들은 주로 직사각형 형태의 경계박스(bounding box)을 뽑기 때문에 (x1, y1, x2, y2, s) 의 형태로 데이터를 표현한다.
하지만 본 발명은 가축 개체의 행동 상태 검출에 최적화된 타원 형태를 검출 하므로 (cx, cy, rw, rh, Θ, s) 의 형태로 데이터를 표현하고, 이를 신경망에 반영하기 위해서는 객체검출 신경망의 헤드의 출력노드를 타원형 데이터 표현식에 맞게 수정한다.
상기 언급된 모델 구조 외에 본 발명의 포즈 구분(가축 행동 분류) 및 객체 검출 목적을 위한 새로운 구조를 제시하여 훈련하는 것 역시 가능하다.
다만, 개체 검출이 구분하는 행동 분류의 종류를 측정하기 위한 기준행동은 축종 마다 크기를 측정하는 기준에 따라 다르게 설정될 수 있다.
다시 도2를 참조하면, 축산개체 추적부(133)는 검출된 각 가축 개체의 중심 좌표를 누적 저장하여 각 가축 개체의 이동 상태를 추적하며, 각 가축 개체 별로 식별 번호(ID)를 부여하고, 식별된 각 가축 개체의 중심 좌표가 서로 인접한 정도를 이용하여 각 가축 개체를 추적할 수 있다.
일 예로, 축산개체 추적부(133)는 헝가리안 알고리즘에 기인한 SORT(simple online and realtime tracking algorithm), Deep SORT 및 상관도 기반 추적 등 종래의 개체추적 알고리즘을 이용하여, 매 프레임마다 검출된 축산 개체의 영역간 겹침 정도를 칼만 필터(Kalman filter)로 추적하여 양 프레임 간의 검출 결과가 동일 개체의 것인지 아닌지 판단할 수 있다.
프로그램은 가축 집단의 활동성을 측정하기 위해, 가축 개체 식별번호(ID) 별 궤적 각각에 대한 이동량의 전체 평균과 분산을 계산할 수 있다.
프로그램은 입력된 영상 내에 각 프레임 마다 식별 번호 별 각 가축 개체의 중심 좌표가 이동함에 따라 누적 저장하여, 각 가축 개체의 이동량을 계산하고, 이동량을 기초로 각 가축 개체의 활동성을 산출할 수 있다.
한편, 가축 개체 추적 과정에서 해당 가축 개체가 타 물체에 겹쳐서 안보이다가(occlusion) 다시 나타나게 되면 기존의 개체 식별번호(ID)가 끊겼다가 새로운 ID가 부여되는 문제가 발생한다. 또한 둘 이상의 가축 개체가 겹쳐 있다가 분리되는 경우 두 가축 개체의 ID가 바뀌는 ID 스위칭(switching) 문제가 발생하기도 한다.
즉, 상술한 문제 현상을 방지하기 위해서, 축산개체 추적부(133)는 이전에 부여받은 ID가 지니는 궤적의 가축 개체 상태, 방향성 및 가속도 정보를 지니고 있다가, 새로 나타난 ID가 지니는 궤적의 가축 개체 상태, 방향성 및 가속도 정보와 비교하여 일정 수준 이상 유사하다면 이를 동일 가축 개체의 궤적에 불연속이 생긴 것으로 간주하고, 후술하는 궤적 취합부(134)가 기존ID의 궤적에 신규ID의 궤적을 취합(merge)할 수 있다.
예시적으로, 궤적 취합부(134)는 다음 3개의 경우 ID별 궤적을 취합할 수 있다.
1) 기존ID 궤적의 마지막 상태와 신규ID 궤적의 처음 상태 간의 가축개체상태가 동일한 경우
2) 기존ID 궤적의 가속도와 신규ID 궤적의 가속도가 일정수준 이상 유사한 경우
3) 기존ID의 최근 궤적의 방향성이 신규ID 궤적의 방향성과 일정수준 이상 유사한 경우
이때 ID별 궤적 정보는 24시간 단위 총 이동거리와 1시간 단위 이동 거리를 측정하여 기록된다.
구체적으로, ID별 궤적 취합은 하기의 <수식1>과 같이 정의된다.
여기서, 추적중인 가축 객체의 궤적(좌표)이 매 프레임마다 누적 저장된다고 가정한다. 즉, 우측으로 이동한다고 가정시 track = {ID : (100,50), (105, 50), (110,50)…}
<수식1>
여기서, *: Convolution 연산, N: 길이, Euc: 유클리드 거리(Euclidean distance), Act: ID에 해당하는 가축 객체의 총 활동성 점수를 의미하며, 안움직이면 0, 클수록 활동성이 높은 것을 의미한다.
또한 프로그램은 가축방에서 미리 설정된 급이영역에의 각 가축 개체의 진입 행위와 이탈 행위를 계수하여 해당 가축 개체의 급이 상태 정보를 생성할 수 있다.
구체적으로 프로그램은 각 가축 개체의 중심 좌표가 미리 설정된 급이 영역의 좌표로 접근하는 정도를 기초로 진입 행위를 판별하고, 미리 설정된 급이 영역의 좌표에서 이탈하는 정도를 기초로 이탈 행위를 판별할 수 있다. 그리고, 각 가축 개체의 진입 행위와 이탈 행위를 한쌍으로 하여 1회의 급이 행동이 발생한 것으로 급이 상태 정보를 산출할 수 있다.
예를 들어, 후술하는 구역 설정부(135)에 의해, 카메라 관제 UI에서 사용자가 표기한 급이영역을 지오 펜스(Geo-Fence)로 보고 해당 영역에서 +10% (외곽 좌표들)을 가축 개체가 지나면 급이영역으로 진입한 것으로 카운팅하며, 지오 펜스안의 가축 개체가 해당 영역에서 -10% 내각 좌표들 거치면 급이영역을 이탈한 것으로 카운팅할 수 있다.
프로그램은 1회의 진입과 이탈 행위의 한쌍을 1회 급이 행동(즉, 급이 횟수)으로 정의하고 1회 급이 행동 동안의 시간을 누적 기록하여 식사량을 유추하여 급이 상태 정보를 산출할 수 있다. 즉, 가축이 급이영역에 진입한 이후 잔류하면서 식사 또는 음수를 하고 급이영역으로부터 이탈 행위를 하기 까지의 1회 급이 행동 동안의 시간을 누적하면 가축의 식사량 또는 음수량을 유추할 수 있다.
구역 설정부(135)는 상술한 급이 상태 정보를 측정을 위해, 카메라 화각(수집된 영상) 내의 식사 및 음수 영역(급이 영역)을 설정하는 좌표를 입력 받을 수 있다. 일 예로, 좌표의 입력 방법으로는 사용자가 카메라(10) 출력 UI를 통해 마우스나 터치 입력으로 직접 식사/음수 영역을 입력하거나 미리 지정된 좌표 정보를 파일에 저장하여 불러올 수 있다. 다른 예로, 급이 영역 인근을 표기하는 2개 이상의 이진마커를 인식하여 급이 영역을 지정할 수도 있다.
출력부(136)는 상술한 급이 상태 정보를 기초로 가축 집단의 이동궤적 통계와 급이 횟수 기록을 통해 누적된 급이 상태 정보(데이터)를 제공할 수 있다. 예를 들어, 급이 상태 정보는 웹페이지, TV화면, 스마트폰 스크린에 표시되는 사용자 인터페이스를 통해 사용자에게 제공될 수 있다.
이하에서는 상술한 도 1 내지 도4에 도시된 구성 중 동일한 구성의 설명은 생략하도록 한다.
도 5는 본 발명의 일 실시예에 따른 영상 기반 가축의 급이 행동 분석 방법을 도시한 순서도이다.
도시된 바와 같이 본 발명의 다른 실시예에 따른 영상 기반 가축의 급이 행동 분석 장치를 이용한 급이 행동 분석 방법은 각 가축방에 할당된 적어도 하나 이상의 카메라(10)를 통해 수집된 영상을 가축 개체 검출 모델에 입력하여 각 가축 개체 개체를 검출하는 단계(S110), 검출된 각 가축 개체의 중심 좌표를 누적 저장하여 각 가축 개체의 이동 상태를 추적하는 단계(S120) 및 가축방에서 미리 설정된 급이영역에의 각 가축 개체의 진입 행위와 이탈 행위를 계수하여 해당 가축 개체의 급이 상태 정보를 생성하는 단계(S130)를 포함한다. 가축 개체 검출 모델은 가축방의 상부에서 각 가축을 조감하는 방향으로 촬영한 영상에 각 가축의 몸통 영역에 인접하도록 배치되는 외곽선과 각 가축의 행동 상태를 라벨링한 훈련 데이터를 이용하여 학습된 모델로서, 입력된 영상에 대하여 각 가축 개체를 검출하고, 검출된 가축 개체의 행동 상태를 출력하는 것이다.
S130단계는 각 가축 개체의 중심 좌표가 미리 설정된 급이 영역의 좌표로 접근하는 정도를 기초로 진입 행위를 판별하고, 미리 설정된 급이 영역의 좌표에서 이탈하는 정도를 기초로 이탈 행위를 판별한다.
가축 개체 검출 모델에서 외곽선은 사각형 또는 타원으로 설정되는 것이고, 가축의 행동 상태는 서있는 상태, 앉아 있는 상태, 옆으로 누운 상태, 앞으로 누운 상태 또는 승가 상태로 구분된다.
S120단계는 가축 개체 검출 모델을 통해 검출된 가축 개체 별로 식별 번호를 부여하고, 식별된 각 가축 개체의 중심 좌표가 서로 인접한 정도를 이용하여 각 가축 개체를 추적한다.
S130단계는 각 가축 개체의 진입 행위와 이탈 행위를 한쌍으로 하여 1회의 급이 행동이 발생한 것으로 급이 상태 정보를 산출한다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
100: 영상 기반 가축의 급이 행동 분석 장치
10: 카메라
120: 데이터 송수신 모듈
130: 프로세서
140: 메모리
150: 데이터베이스
10: 카메라
120: 데이터 송수신 모듈
130: 프로세서
140: 메모리
150: 데이터베이스
Claims (10)
- 영상 기반 가축의 급이 행동 분석 장치에 있어서,
데이터 송수신 모듈;
영상 기반 가축의 급이 행동 분석 프로그램이 저장된 메모리; 및
상기 메모리에 저장된 프로그램을 실행하는 프로세서를 포함하며,
상기 프로그램은, 각 가축방에 할당된 적어도 하나 이상의 카메라를 통해 수집된 영상을 가축 개체 검출 모델에 입력하여 각 가축 개체를 검출하고, 검출된 각 가축 개체의 중심 좌표를 누적 저장하여 각 가축 개체의 이동 상태를 추적하고, 상기 가축방에서 미리 설정된 급이영역에의 각 가축 개체의 진입 행위와 이탈 행위를 계수하여 해당 가축 개체의 급이 상태 정보를 생성하되,
상기 가축 개체 검출 모델은 가축방의 상부에서 각 가축을 조감(bird view)하는 방향으로 촬영한 영상에 각 가축의 몸통 영역에 인접하도록 배치되는 외곽선과 각 가축의 행동 상태를 라벨링한 훈련 데이터를 이용하여 학습된 모델로서, 상기 입력된 영상에 대하여 각 가축 개체를 검출하고, 검출된 가축 개체의 행동 상태를 출력하는 것이고,
상기 프로그램은 상기 각 가축 개체의 중심 좌표가 상기 미리 설정된 급이 영역의 좌표로 접근하는 정도를 기초로 상기 진입 행위를 판별하고, 상기 미리 설정된 급이 영역의 좌표에서 이탈하는 정도를 기초로 상기 이탈 행위를 판별하는 것이며,
상기 프로그램은 상기 각 가축 개체의 중심 좌표가 상기 급이 영역의 좌표를 기준으로 기정해진 외곽 좌표 범위 내에 들어오면 상기 진입 행위로 카운팅하고, 상기 각 가축 개체의 중심 좌표가 상기 급이 영역의 좌표를 기준으로 기정해진 내곽 좌표 범위 내에 들어오면 상기 이탈 행위로 카운팅하는 것이되,
각 가축 개체의 상기 진입 행위와 상기 이탈 행위를 한쌍으로 하여 1회의 급이 행동이 발생한 것으로 상기 급이 상태 정보를 산출하는 것인, 급이 행동 분석 장치.
- 제1항에 있어서,
상기 가축 개체 검출 모델에서 상기 외곽선은 사각형 또는 타원으로 설정되는 것이고, 상기 가축의 행동 상태는 서있는 상태, 앉아 있는 상태, 옆으로 누운 상태, 앞으로 누운 상태 또는 승가 상태로 구분되는 것인, 급이 행동 분석 장치.
- 제1항에 있어서,
상기 프로그램은 상기 가축 개체 검출 모델을 통해 검출된 가축 개체 별로 식별 번호를 부여하고, 식별된 각 가축 개체의 중심 좌표가 서로 인접한 정도를 이용하여 각 가축 개체를 추적하는 것인, 급이 행동 분석 장치.
- 제3항에 있어서,
상기 프로그램은 상기 입력된 영상 내에 각 프레임 마다 상기 식별 번호 별 각 가축 개체의 중심 좌표가 이동함에 따라 누적 저장하여, 각 가축 개체의 이동량을 계산하고, 상기 이동량을 기초로 각 가축 개체의 활동성을 산출하는 것인, 급이 행동 분석 장치.
- 삭제
- 영상 기반 가축의 급이 행동 분석 장치를 이용한 급이 행동 분석 방법에 있어서,
(a) 각 가축방에 할당된 적어도 하나 이상의 카메라를 통해 수집된 영상을 가축 개체 검출 모델에 입력하여 각 가축 개체를 검출하는 단계;
(b) 검출된 각 가축 개체의 중심 좌표를 누적 저장하여 각 가축 개체의 이동 상태를 추적하는 단계; 및
(c) 상기 가축방에서 미리 설정된 급이영역에의 각 가축 개체의 진입 행위와 이탈 행위를 계수하여 해당 가축 개체의 급이 상태 정보를 생성하는 단계를 포함하되,
상기 가축 개체 검출 모델은 가축방의 상부에서 각 가축을 조감(bird view)하는 방향으로 촬영한 영상에 각 가축의 몸통 영역에 인접하도록 배치되는 외곽선과 각 가축의 행동 상태를 라벨링한 훈련 데이터를 이용하여 학습된 모델로서, 상기 입력된 영상에 대하여 각 가축 개체를 검출하고, 검출된 가축 개체의 행동 상태를 출력하는 것이고,
상기 (c) 단계는 상기 각 가축 개체의 중심 좌표가 상기 미리 설정된 급이 영역의 좌표로 접근하는 정도를 기초로 상기 진입 행위를 판별하고, 상기 미리 설정된 급이 영역의 좌표에서 이탈하는 정도를 기초로 상기 이탈 행위를 판별하는 것이며,
상기 (c) 단계는 상기 각 가축 개체의 중심 좌표가 상기 급이 영역의 좌표를 기준으로 기정해진 외곽 좌표 범위 내에 들어오면 상기 진입 행위로 카운팅하고, 상기 각 가축 개체의 중심 좌표가 상기 급이 영역의 좌표를 기준으로 기정해진 내곽 좌표 범위 내에 들어오면 상기 이탈 행위로 카운팅하는 것이되,
각 가축 개체의 상기 진입 행위와 상기 이탈 행위를 한쌍으로 하여 1회의 급이 행동이 발생한 것으로 상기 급이 상태 정보를 산출하는 것인, 급이 행동 분석 방법.
- 제6항에 있어서,
상기 가축 개체 검출 모델에서 상기 외곽선은 사각형 또는 타원으로 설정되는 것이고, 상기 가축의 행동 상태는 서있는 상태, 앉아 있는 상태, 옆으로 누운 상태, 앞으로 누운 상태 또는 승가 상태로 구분되는 것인, 급이 행동 분석 방법.
- 제6항에 있어서,
상기 (b) 단계는 상기 가축 개체 검출 모델을 통해 검출된 가축 개체 별로 식별 번호를 부여하고, 식별된 각 가축 개체의 중심 좌표가 서로 인접한 정도를 이용하여 각 가축 개체를 추적하는 것인, 급이 행동 분석 방법.
- 제8항에 있어서,
상기 (b) 단계는 상기 입력된 영상 내에 각 프레임 마다 상기 식별 번호 별 각 가축 개체의 중심 좌표가 이동함에 따라 누적 저장하여, 각 가축 개체의 이동량을 계산하고, 상기 이동량을 기초로 각 가축 개체의 활동성을 산출하는 것인, 급이 행동 분석 방법.
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200155768A KR102522239B1 (ko) | 2020-11-19 | 2020-11-19 | 영상 기반 가축의 급이 행동 분석 장치 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200155768A KR102522239B1 (ko) | 2020-11-19 | 2020-11-19 | 영상 기반 가축의 급이 행동 분석 장치 및 방법 |
Publications (3)
Publication Number | Publication Date |
---|---|
KR20220068711A KR20220068711A (ko) | 2022-05-26 |
KR102522239B1 true KR102522239B1 (ko) | 2023-04-17 |
KR102522239B9 KR102522239B9 (ko) | 2023-06-09 |
Family
ID=81809981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200155768A KR102522239B1 (ko) | 2020-11-19 | 2020-11-19 | 영상 기반 가축의 급이 행동 분석 장치 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102522239B1 (ko) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998892B (zh) * | 2022-06-07 | 2023-09-22 | 江苏华丽智能科技股份有限公司 | 一种提高动物采食效率的方法及装置 |
KR20240038329A (ko) * | 2022-09-16 | 2024-03-25 | 인트플로우 주식회사 | 영상 기반 가축의 재고 관리 장치 및 방법 |
KR102615495B1 (ko) * | 2023-06-28 | 2023-12-21 | 박영식 | 개체별 가축 생육상태 감시 방법 및 시스템 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102014353B1 (ko) * | 2018-12-11 | 2019-08-26 | 에이비주식회사 | 머신러닝 기반의 스마트팜 가축관리 시스템 |
KR102019301B1 (ko) * | 2018-04-24 | 2019-09-06 | 군산대학교 산학협력단 | 농축산 도난을 감지하는 영상 감시 장치 및 그 방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102606062B1 (ko) * | 2018-07-18 | 2023-11-24 | 엘지이노텍 주식회사 | 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치 |
-
2020
- 2020-11-19 KR KR1020200155768A patent/KR102522239B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102019301B1 (ko) * | 2018-04-24 | 2019-09-06 | 군산대학교 산학협력단 | 농축산 도난을 감지하는 영상 감시 장치 및 그 방법 |
KR102014353B1 (ko) * | 2018-12-11 | 2019-08-26 | 에이비주식회사 | 머신러닝 기반의 스마트팜 가축관리 시스템 |
Also Published As
Publication number | Publication date |
---|---|
KR20220068711A (ko) | 2022-05-26 |
KR102522239B9 (ko) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102522239B1 (ko) | 영상 기반 가축의 급이 행동 분석 장치 및 방법 | |
Achour et al. | Image analysis for individual identification and feeding behaviour monitoring of dairy cows based on Convolutional Neural Networks (CNN) | |
Yang et al. | An automatic recognition framework for sow daily behaviours based on motion and image analyses | |
KR102506029B1 (ko) | 영상 기반 가축 개체 성장 추이 모니터링 장치 및 방법 | |
US11910784B2 (en) | Animal visual identification, tracking, monitoring and assessment systems and methods thereof | |
Cheng et al. | Application of deep learning in sheep behaviors recognition and influence analysis of training data characteristics on the recognition effect | |
RU2010106264A (ru) | Устройство и способ для предоставления информации о животных при их прохождении через проход для животных | |
Guzhva et al. | Now you see me: Convolutional neural network based tracker for dairy cows | |
KR20180051785A (ko) | 대가축 모니터링 시스템 | |
Lodkaew et al. | CowXNet: An automated cow estrus detection system | |
US20230260327A1 (en) | Autonomous livestock monitoring | |
JP2015069253A (ja) | 個体状態判定装置、個体状態判定方法および個体状態判定プログラム | |
KR102341715B1 (ko) | 가축 모니터링 장치 및 방법 | |
KR102584357B1 (ko) | 반문 이미지를 기반으로 한 축산 동물의 개체 식별 장치 및 영상을 기반으로 한 가축 행동 패턴 분류 시스템 및 가축 행동 패턴 분류 방법 | |
JP6346007B2 (ja) | 動作認識装置及び動作認識方法 | |
US20230289540A1 (en) | Animal motion and temperature monitoring | |
CN115176290A (zh) | 用于活标本可追溯性的方法、系统和计算机程序 | |
EP4402657A1 (en) | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes | |
Doornweerd et al. | Passive radio frequency identification and video tracking for the determination of location and movement of broilers | |
Huang et al. | Occlusion-Resistant instance segmentation of piglets in farrowing pens using center clustering network | |
KR102624927B1 (ko) | 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법 | |
KR102486761B1 (ko) | 가축의 개체별 이상 징후 포착 시스템 및 그 이용 방법 | |
EP4365797A1 (en) | Image-based livestock inventory management device and method | |
KR20240038329A (ko) | 영상 기반 가축의 재고 관리 장치 및 방법 | |
Yang et al. | Recognizing the rooting action of prepartum sow in free-farrowing pen using computer vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
G170 | Re-publication after modification of scope of protection [patent] |