KR102543909B1 - 양돈 출하 시점 결정 시스템 및 방법 - Google Patents
양돈 출하 시점 결정 시스템 및 방법 Download PDFInfo
- Publication number
- KR102543909B1 KR102543909B1 KR1020220140153A KR20220140153A KR102543909B1 KR 102543909 B1 KR102543909 B1 KR 102543909B1 KR 1020220140153 A KR1020220140153 A KR 1020220140153A KR 20220140153 A KR20220140153 A KR 20220140153A KR 102543909 B1 KR102543909 B1 KR 102543909B1
- Authority
- KR
- South Korea
- Prior art keywords
- pig
- pigs
- information
- weight
- value
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 241000282887 Suidae Species 0.000 claims abstract description 234
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 238000009395 breeding Methods 0.000 claims description 57
- 230000001488 breeding effect Effects 0.000 claims description 57
- 230000004584 weight gain Effects 0.000 claims description 37
- 235000019786 weight gain Nutrition 0.000 claims description 37
- 238000009313 farming Methods 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000037237 body shape Effects 0.000 claims description 11
- 238000005192 partition Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000002604 ultrasonography Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 210000000577 adipose tissue Anatomy 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000003442 weekly effect Effects 0.000 claims description 4
- 238000005303 weighing Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims 2
- 210000000579 abdominal fat Anatomy 0.000 abstract description 40
- 230000015572 biosynthetic process Effects 0.000 abstract description 20
- 241000282898 Sus scrofa Species 0.000 description 240
- 230000003187 abdominal effect Effects 0.000 description 25
- 230000008859 change Effects 0.000 description 12
- 238000007918 intramuscular administration Methods 0.000 description 11
- 235000013372 meat Nutrition 0.000 description 10
- 210000003205 muscle Anatomy 0.000 description 10
- 244000144972 livestock Species 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006651 lactation Effects 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 235000021050 feed intake Nutrition 0.000 description 2
- 210000004003 subcutaneous fat Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000011759 adipose tissue development Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 210000004251 human milk Anatomy 0.000 description 1
- 235000020256 human milk Nutrition 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Animal Husbandry (AREA)
- Environmental Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mining & Mineral Resources (AREA)
- Medical Informatics (AREA)
- Marine Sciences & Fisheries (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
양돈 출하 시점 결정 시스템 및 방법이 개시된다. 양돈 출하 시점 결정 시스템은, 미리 지정된 비육 기간에 해당되는 돼지들이 사육되는 돈방에 구비된 카메라부와 무게 측정부로부터 사육되는 돼지들 각각에 대한 사진 정보와 무게 측정 정보를 수신하는 수신부; 및 상기 수신된 사진 정보와 무게 측정 정보를 미리 기계 학습된 예측 모델에 적용하여 상기 돈방에서 사육되는 돼지들 중에서 복강 지방 형성 돼지를 인식하고, 복강 지방 돼지에 대해서는 미리 지정된 최소 출하 무게까지 증체되는 시점을 예측하여 출하 시점 정보를 생성하는 예측부를 포함한다.
Description
본 발명은 빅데이터 학습 기반의 예측 모델을 이용한 최적의 양돈 출하 시점 결정 시스템 및 방법에 관한 것이다.
양돈 산업에서 고기를 생산하기 위한 비육돈인 돼지는 약 16주의 임신 기간을 거쳐 태어나고, 포유 기간을 지나면 모돈과 떨어져 생후 약 180일까지 사육된 후 출하된다.
즉, 비육돈인 돼지는 생후 약 4주차까지인 포유 기간동안 모돈으로부터 모유를 섭취하고, 포유 기간 이후 생후 약 8주차까지 모돈과 떨어져 배합 사료를 섭취하는 자돈 기간을 거치며, 자돈 기간 이후 생후 약 22주차까지 단백질 높은 함량의 사료를 공급받아 근육이 생성되는 육성 기간을 거치고, 육성 기간 이후 생후 약 26주차까지 고급육 생산을 위해 근내 지방이 점착되도록 섬유질 함량이 높은 사료를 공급받는 비육 기간을 거치게 된다. 비육 기간이 경과되어 생후 약 26주차가 경과되면 비육돈인 돼지는 출하되어 도축된다.
이와 같은 돼지 사육 기간 중에 어떤 사료를 공급하였는지, 또한 사육 환경은 어떻게 관리되었는지에 따라 출하돈의 도체 등급과 육질 점수는 매우 다양해질 수 있다.
특히, 양질의 고급육을 생산하기 위해서는 생후 약 22주차부터 26주차에 해당하는 비육 기간 동안 돼지가 어떻게 사육되고 관리되었는지는 매우 중요하다.
비육돈의 지방 축적 순위는 체조성면에서 피하지방, 근간지방, 근내 지방, 복강 지방의 순서로 이루어지고, 일반적으로 생체중 100kg을 기준하였을 때 복강 지방은 약 5%, 피하지방은 70 내지 75%, 근간 지방은 약 20%, 근내 지방은 1 내지 2%로 추정되고 있다.
여기서, 복강 지방이 지나치게 많이 형성된 비육돈의 경우에는 도체 등급과 육질 점수가 매우 낮게 평가되고, 이로 인해 출하 가격도 매우 낮게 평가된다.
돼지 사육 기간 중에서 비육 기간 동안 일부 돼지에서 지나치게 많은 복강 지방의 축적이 이루어져 상품 가치가 떨어지는 중(즉, 가치 하락 돼지)임에도, 출하될 돼지들 중 어떤 돼지가 복강 지방의 축적이 많이 이루어지고 있는지 확인할 수 있는 방법이 없었다.
이로 인해, 돼지 사육을 위해 지정된 비육 기간이 경과된 후 돼지들을 출하하고 있으나, 사료 섭취가 복강 지방으로 축적되고 있는 돼지의 경우에는 비육 기간 동안 투입한 사료비만큼의 출하 수입을 확보할 수 없어 사육 원가만 증가시키는 원인이 되고 있다.
본 발명은 비육 기간에 해당되는 돼지의 체형 및 무게에 기초하여 투입된 사료에 의해 근내 지방이 점착되는 상태인지 복강 지방이 지나치게 형성되는 상태인지 추정하여, 돼지의 비육 상황에 따라 적절한 출하 시점을 제시할 수 있는 빅데이터 학습 기반의 예측 모델을 이용한 최적의 양돈 출하 시점 결정 시스템 및 방법을 제공하기 위한 것이다.
본 발명은 복강 지방이 지나치게 형성되는 상태인 비육돈의 경우에는 정상적인 비육돈에 비해 앞선 시점에 출하하도록 함으로써, 사료비의 절감 및 양호한 육질의 확보가 가능해져 축산 농가의 수익 향상을 도모할 수 있는 빅데이터 학습 기반의 예측 모델을 이용한 최적의 양돈 출하 시점 결정 시스템 및 방법을 제공하기 위한 것이다.
본 발명은 양돈 산업 전망 정보 등을 웹 수집하여 예측된 양돈 출하량 정보를 활용하여 출하 가격이 높을 것으로 예상되는 시점에 복강 지방이 지나치게 형성되는 상태의 비육돈을 출하하도록 제안함으로써 축산 농가의 수익 향상을 도모할 수 있는 빅데이터 학습 기반의 예측 모델을 이용한 최적의 양돈 출하 시점 결정 시스템 및 방법을 제공하기 위한 것이다.
본 발명의 이외의 목적들은 하기의 설명을 통해 쉽게 이해될 수 있을 것이다.
본 발명의 일 측면에 따르면, 양돈 출하 시점 결정 방법을 수행하도록 하기 위해 컴퓨터-판독 가능 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터로 하여금 이하의 단계들을 수행하도록 하며, 상기 단계들은, (a) 미리 설정된 비육 기간에 해당되어 미리 지정된 돈방에서 사육되는 돼지들 각각에 대해 수신한 사진 정보를 미리 기계 학습된 예측 모델에 적용하여, 상기 돈방에서 사육되는 돼지들 중에서 복강 지방 형성 돼지의 존재 여부 판정을 위한 후보 돼지가 존재하는지 여부를 판단하는 단계; (b) 상기 후보 돼지가 존재하는 것으로 판단되면, 상기 후보 돼지에 대해 현재까지 측정되어 수집된 무게 정보의 변화 추이를 상기 예측 모델에 적용하여 상기 후보 돼지가 정상 돼지인지 또는 복강 지방 형성 돼지인지를 판단하는 단계; 및 (c) 상기 후보 돼지가 복강 지방 형성 돼지로 판단되면, 상기 예측 모델이 미리 기계 학습된 복강 지방 형성 돼지의 증체량 추이 패턴과 상기 후보 돼지에 대해 현재까지 측정되어 수집된 무게 정보의 변화 추이를 참조하여, 복강 지방 형성 돼지인 상기 후보 돼지가 미리 지정된 최소 출하 무게까지 증체되는 시점을 예측하여 출하 시점 정보를 생성하는 단계를 포함하되, 상기 단계 (a)에 의해 상기 돈방에서 사육되는 돼지들 각각은 정상 돼지 또는 상기 후보 돼지로 판단되고, 상기 단계 (b)에 의해 상기 후보 돼지는 정상 돼지 또는 복강 지방 형성 돼지로 판단되며, 상기 단계 (b)에서의 판단을 위해, 상기 예측 모델은 정상 돼지와 복강 지방 형성 돼지 각각의 증체량 추이 패턴이 미리 기계 학습되고, 복강 지방 형성 돼지에 대한 상기 최소 출하 무게는 상기 비육 기간 동안에 정상 돼지가 증체될 목표 무게인 최적 출하 무게에 비해 상대적으로 작은 무게로 미리 지정되는 것을 특징으로 하는, 컴퓨터-판독 가능 매체에 저장된 컴퓨터 프로그램이 제공된다.
상기 단계 (a)에서 상기 예측 모델은 사진 정보에서 산출된 체형 정보값을 이용하여 상기 후보 돼지가 존재하는지 여부를 판단하기 위하여, (a-1) 상기 수신된 사진 정보 중 측면 사진 정보를 이용하여 돼지의 키값과 몸통 높이값을 각각 해석하고, 상면 사진 정보를 이용하여 상기 돼지의 몸통 폭값을 해석한 후, 상기 몸통 높이값과 상기 몸통 폭값으로 추정되는 돼지의 몸통 둘레 길이를 상기 돼지의 키값으로 나눈 연산값인 상기 체형 정보값을 산출하는 단계; 및 (a-2) 상기 산출된 체형 정보값이 미리 지정된 임계값 이상인 돼지는 복강 지방 형성 돼지의 존재 여부 판정을 위한 상기 후보 돼지로 판단하는 단계를 수행할 수 있다.
상기 단계 (b)에서, 상기 예측 모델은 상기 후보 돼지에 대해 현재까지 측정되어 수집된 무게 정보의 변화 추이가 미리 기계 학습된 복강 지방 형성 돼지의 증체량 추이 패턴에 대응되면 상기 후보 돼지가 복강 지방 형성 돼지인 것으로 판단할 수 있다.
상기 단계들은, (d) 상기 비육 기간에 해당되어 상기 돈방에서 사육되는 돼지들 각각에 대한 출하 시점에 관한 양돈 출하 보고서를 생성하는 단계를 더 포함하되, 상기 양돈 출하 보고서에, i) 정상 돼지인 경우에는 상기 비육 기간의 만료 시점 또는 정상 돼지 증체량 추이 패턴을 미리 기계 학습한 상기 예측 모델에 의해 최적 출하 무게에 도달되는 시점이 출하 시점에 대한 정보로 포함되고, ii) 복강 지방 형성 돼지인 경우에는 상기 최소 출하 무게까지 증체되는 시점이 출하 시점에 대한 정보로 포함되되, 상기 복강 지방 형성 돼지의 출하 시점은 상기 비육 기간이 만료되기 이전의 날짜로 지정되도록 미리 제한될 수 있다.
복강 지방 형성 돼지인 상기 후보 돼지가 복강 지방 형성 돼지의 증체량 추이 패턴에 기반하여 상기 비육 기간의 만료 시점까지 상기 최소 출하 무게까지 증체되지 못하는 것으로 상기 예측 모델이 예측하면, 상기 양돈 출하 보고서에는 상기 후보 돼지의 사육을 현재 시점에서 중지하도록 제안하는 정보가 포함될 수 있다.
상기 양돈 출하 보고서에는, 상기 비육 기간의 돼지가 사육되는 다수 개의 돈방들 중에서 복강 지방 형성 돼지가 상대적으로 많게 발생된 돈방과, 복강 지방 형성 돼지가 상대적으로 적게 발생된 돈방 사이의 사육 환경 정보의 차이점에 대한 비교 정보가 더 포함될 수 있다.
상기 출하 시점에 관한 양돈 출하 보고서를 생성하기 위하여, 미리 설정된 웹 크롤러 기능을 이용하여 수집한 양돈 산업 전망 정보에서 일자별 양돈 출하량에 관한 전망 정보를 추출하는 단계; 및 상기 추출된 일자별 양돈 출하량에 관한 전망 정보를 참조하여, 전날 또는 주간 평균값에 비해 상대적으로 양돈 출하량이 적은 날을 추천 출하일로 선정하는 단계가 더 수행될 수 있고, 상기 양돈 출하 보고서에는 상기 선정된 추천 출하일에 대한 정보가 더 포함될 수 있다.
상기 양돈 출하 보고서에 포함되는 추천 출하일은 상기 후보 돼지가 상기 최소 출하 무게까지 증체된 시점부터 상기 비육 기간의 만료일까지의 범위 내에 해당되는 일자로 제한되도록 미리 설정될 수 있다.
본 발명의 다른 측면에 따르면, 양돈 출하 시점 결정 시스템에 있어서, 미리 지정된 비육 기간에 해당되는 돼지들이 사육되는 돈방에 구비된 카메라부와 무게 측정부로부터 사육되는 돼지들 각각에 대한 사진 정보와 무게 측정 정보를 수신하는 수신부; 및 상기 수신된 사진 정보와 무게 측정 정보를 미리 기계 학습된 예측 모델에 적용하여 상기 돈방에서 사육되는 돼지들 중에서 복강 지방 형성 돼지를 인식하고, 복강 지방 돼지에 대해서는 미리 지정된 최소 출하 무게까지 증체되는 시점을 예측하여 출하 시점 정보를 생성하는 예측부를 포함하는 양돈 출하 시점 결정 시스템이 제공된다. 여기서, 상기 예측부는, (a) 상기 수신된 사진 정보를 상기 예측 모델에 적용하여, 상기 돈방에서 사육되는 돼지들 중에서 복강 지방 형성 돼지의 존재 여부 판정을 위한 후보 돼지가 존재하는지 여부를 판단하고, (b) 상기 후보 돼지가 존재하는 것으로 판단되면, 상기 후보 돼지에 대해 현재까지 측정되어 수집된 무게 정보의 변화 추이를 상기 예측 모델에 적용하여 상기 후보 돼지가 정상 돼지인지 또는 복강 지방 형성 돼지인지를 판단하며, (c) 상기 후보 돼지가 복강 지방 형성 돼지로 판단되면, 상기 예측 모델이 미리 기계 학습된 복강 지방 형성 돼지의 증체량 추이 패턴과 상기 후보 돼지에 대해 현재까지 측정되어 수집된 무게 정보의 변화 추이를 참조하여, 복강 지방 형성 돼지인 상기 후보 돼지가 상기 최소 출하 무게까지 증체되는 시점을 예측하여 출하 시점 정보를 생성하되, 상기 예측부는 상기 (a)에서 상기 돈방에서 사육되는 돼지들 각각을 정상 돼지 또는 상기 후보 돼지로 판단하고, 상기 (b)에서 상기 후보 돼지를 정상 돼지 또는 복강 지방 형성 돼지로 판단하며, 상기 (b)의 판단을 위해, 상기 예측 모델은 정상 돼지와 복강 지방 형성 돼지 각각의 증체량 추이 패턴이 미리 기계 학습되고, 복강 지방 형성 돼지에 대한 상기 최소 출하 무게는 상기 비육 기간 동안에 정상 돼지가 증체될 목표 무게인 최적 출하 무게에 비해 상대적으로 작은 무게로 미리 지정될 수 있다.
상기 예측 모델은 상기 돈방에서 사육되는 돼지들 중에서 상기 후보 돼지가 존재하는지 여부를 판단하기 위해, 상기 수신된 사진 정보 중 측면 사진 정보를 이용하여 돼지의 키값과 몸통 높이값을 각각 해석하고, 상면 사진 정보를 이용하여 상기 돼지의 몸통 폭값을 해석한 후, 상기 몸통 높이값과 상기 몸통 폭값으로 추정되는 돼지의 몸통 둘레 길이를 상기 돼지의 키값으로 나눈 연산값인 상기 체형 정보값을 산출하는 단계; 및 상기 산출된 체형 정보값이 미리 지정된 임계값 이상인 돼지는 복강 지방 형성 돼지의 존재 여부 판정을 위한 상기 후보 돼지로 판단하는 단계를 수행할 수 있다.
상기 예측 모델은 상기 후보 돼지에 대해 현재까지 측정되어 수집된 무게 정보의 변화 추이가 미리 기계 학습된 복강 지방 형성 돼지의 증체량 추이 패턴에 대응되면 상기 후보 돼지가 복강 지방 형성 돼지인 것으로 판단할 수 있다.
상기 양돈 출하 시점 결정 시스템은, 상기 비육 기간에 해당되어 상기 돈방에서 사육되는 돼지들 각각에 대한 출하 시점에 관한 양돈 출하 보고서를 생성하는 보고서 생성부를 더 포함하되, 상기 양돈 출하 보고서에, i) 정상 돼지인 경우에는 상기 비육 기간의 만료 시점 또는 정상 돼지 증체량 추이 패턴을 미리 기계 학습한 상기 예측 모델에 의해 최적 출하 무게에 도달되는 시점이 출하 시점에 대한 정보로 포함되고, ii) 복강 지방 형성 돼지인 경우에는 상기 최소 출하 무게까지 증체되는 시점이 출하 시점에 대한 정보로 포함되되, 상기 복강 지방 형성 돼지의 출하 시점은 상기 비육 기간이 만료되기 이전의 날짜로 지정되도록 미리 제한될 수 있다.
복강 지방 형성 돼지인 상기 후보 돼지가 복강 지방 형성 돼지의 증체량 추이 패턴에 기반하여 상기 비육 기간의 만료 시점까지 상기 최소 출하 무게까지 증체되지 못하는 것으로 상기 예측 모델이 예측하면, 상기 양돈 출하 보고서에는 상기 후보 돼지의 사육을 현재 시점에서 중지하도록 제안하는 정보가 포함될 수 있다.
상기 양돈 출하 보고서에는, 상기 비육 기간의 돼지가 사육되는 다수 개의 돈방들 중에서 복강 지방 형성 돼지가 상대적으로 많게 발생된 돈방과, 복강 지방 형성 돼지가 상대적으로 적게 발생된 돈방 사이의 사육 환경 정보의 차이점에 대한 비교 정보가 더 포함될 수도 있다.
상기 양돈 출하 시점 결정 시스템은, 미리 설정된 웹 크롤러 기능을 이용하여 양돈 산업 전망 정보를 수집하는 웹 크롤러; 및 상기 수집한 양돈 산업 전망 정보에서 일자별 양돈 출하량에 관한 전망 정보를 추출하고, 상기 추출된 일자별 양돈 출하량에 관한 전망 정보를 참조하여, 전날 또는 주간 평균값에 비해 상대적으로 양돈 출하량이 적은 날을 추천 출하일로 선정하는 분석부를 더 포함하되, 상기 보고서 생성부는 상기 양돈 출하 보고서에 상기 분석부가 선정한 추천 출하일에 대한 정보가 더 포함하고, 상기 양돈 출하 보고서에 포함되는 추천 출하일은 상기 후보 돼지가 상기 최소 출하 무게까지 증체된 시점부터 상기 비육 기간의 만료일까지의 범위 내에 해당되는 일자로 제한되도록 미리 설정될 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명의 실시예에 따르면, 비육 기간에 해당되는 돼지의 체형 및 무게에 기초하여 투입된 사료에 의해 근내 지방이 점착되는 상태인지 복강 지방이 지나치게 형성되는 상태인지 추정하여, 돼지의 비육 상황에 따라 적절한 출하 시점을 제시하는 효과가 있다.
또한, 복강 지방이 지나치게 형성되는 상태인 비육돈의 경우에는 정상적인 비육돈에 비해 앞선 시점에 출하하도록 함으로써, 사료비의 절감 및 양호한 육질의 확보가 가능해져 축산 농가의 수익 향상을 가능케하는 효과도 있다.
또한, 양돈 산업 전망 정보 등을 웹 수집하여 예측된 양돈 출하량 정보를 활용하여 출하 가격이 높을 것으로 예상되는 시점에 복강 지방이 지나치게 형성되는 상태의 비육돈을 출하하도록 제안함으로써 축산 농가의 수익 향상을 도모하는 효과도 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 양돈 출하 시점 결정 시스템의 개략적인 블록 구성도.
도 2는 본 발명의 일 실시예에 따른 비육 기간에 해당하는 돼지들이 사육되는 돈방을 예시한 도면.
도 3은 본 발명의 일 실시예에 따른 돼지의 체형 정보값 산출 과정을 설명하기 위한 도면.
도 4는 본 발명의 일 실시예에 따른 비육 기간 동안의 정상 돼지와 복강 지방 형성 돼지의 무게 증가 차이를 나타낸 그래프.
도 5는 본 발명의 일 실시예에 따른 양돈 출하 시점 결정 방법을 나타낸 순서도.
도 2는 본 발명의 일 실시예에 따른 비육 기간에 해당하는 돼지들이 사육되는 돈방을 예시한 도면.
도 3은 본 발명의 일 실시예에 따른 돼지의 체형 정보값 산출 과정을 설명하기 위한 도면.
도 4는 본 발명의 일 실시예에 따른 비육 기간 동안의 정상 돼지와 복강 지방 형성 돼지의 무게 증가 차이를 나타낸 그래프.
도 5는 본 발명의 일 실시예에 따른 양돈 출하 시점 결정 방법을 나타낸 순서도.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시예에 따른 양돈 출하 시점 결정 시스템의 개략적인 블록 구성도이고, 도 2는 본 발명의 일 실시예에 따른 비육 기간에 해당하는 돼지들이 사육되는 돈방을 예시한 도면이다. 도 3은 본 발명의 일 실시예에 따른 돼지의 체형 정보값 산출 과정을 설명하기 위한 도면이고, 도 4는 본 발명의 일 실시예에 따른 비육 기간 동안의 정상 돼지와 복강 지방 형성 돼지의 무게 증가 차이를 나타낸 그래프이다.
여기서, 정상 돼지는 의도된 바와 같이 비육 기간(예를 들어, 돼지의 출생 후 22주부터 26주까지의 기간) 동안 근육과 근내 지방이 주로 형성되는 상태의 돼지를 의미하고, 복강 지방 형성 돼지는 의도와 달리 비육 기간 동안 복강 지방이 주로 형성되는 상태의 돼지를 의미한다.
물론, 정상 돼지와 복강 지방 형성 돼지의 구분이 복강 지방이 전혀 생성되지 않았는지 여부로 구분되지는 않는다. 즉, 정상 돼지도 출하시까지의 사육 과정에서 적정한 양의 복강 지방이 생성될 수 있으며, 정상 돼지와 복강 지방 형성 돼지는 도체 등급과 육질 등급 등 상품성에 영향을 줄 수 있는 수준으로 복강 지방이 생성되는지 여부로 구분되는 것으로 이해되어야 한다. 따라서, 본 명세서에서, 2분법적 구분과 이해의 편의를 위해, 복강 지방 형성 돼지는 비육 기간 동안 상품성에 영향을 줄 수 있는 수준으로 복강 지방이 주로 형성될 것으로 판단된 돼지이므로 가치 하락 돼지로 지칭될 수 있다. 이에 대비되도록, 정상 돼지는 비육 기간 동안 적정한 양의 복강 지방이 형성되지만 근육과 근내 지방이 주로 형성될 것으로 판단된 통상의 돼지이므로 가치 증가 돼지로 지칭될 수도 있다.
도 1을 참조하면, 양돈 출하 시점 결정 시스템은 출하 시점 결정 장치(110)와, 비육 기간에 해당되는 돼지들이 사육되는 돈방들에 설치되는 하나 이상의 개체 인식부(131), 카메라부(133) 및 무게 측정부(135)를 포함할 수 있다. 본 명세서에서 용어 구분의 편의상, 미리 설정된 비육 기간에 해당되는 돼지들이 사육될 돈방은 미리 지정되고, 해당 돈방에서 비육 기간동안 사육되는 돼지는 현재 사육중 돼지라 지칭될 수도 있다. 후술되는 바와 같이, 현재 사육중 돼지는 가치 증가 돼지와 가치 하락 돼지 중에서 어느 하나로 분류되고, 이에 상응하도록 출하 시점 정보가 생성된다.
출하 시점 결정 장치(110)는 수신부(111), 예측부(113), 보고서 생성부(115), 저장부(117) 및 컨트롤러(119)를 포함할 수 있다. 또한, 후술되는 바와 같이, 출하 시점 결정 장치(110)는 웹 크롤러(121) 및 분석부(123)를 더 포함할 수도 있다.
수신부(111)는 비육 기간에 해당되는 돼지들이 사육되는 돈방에 설치된 개체 인식부(131), 카메라부(133) 및 무게 측정부(135)와 유선 또는 무선 통신방식으로 연결되어, 개체 인식 정보, 사진 정보 및 무게 측정 정보를 각각 수신한다.
도 2에 예시된 바와 같이, 비육 기간의 돼지들이 사육되는 돈방(210)에는 하나 이상의 카메라부(133a, 133b), 무게 측정부(135)가 설치될 수 있다.
돈방(210)에는 다수개의 급이대(220)가 설치될 수 있고, 각각의 급이대(220)는 돼지가 선 자세로 사료를 섭취할 수 있는 높이로 설치되며, 한 마리의 돼지가 집입하여 급이대(220)에 공급된 사료를 섭취할 수 있도록 급이대(220)에 대응하도록 칸막이(215)가 설치된다.
칸막이(215)로 구획된 영역에 진입하여 선 자세로 급이대(220)에 공급된 사료를 섭취하는 돼지를 촬영하도록 카메라부(133a, 133b)가 설치된다. 이때, 하나 이상의 제1 카메라부(133a)는 상부에서 선 자세의 돼지를 촬영한 상면 사진 정보(도 3의 (b) 참조)를 생성하도록 설치되고, 하나 이상의 제2 카메라부는 측방에서 선 자세의 돼지를 촬영한 측면 사진 정보(도 3의 (a) 참조)를 생성하도록 설치될 수 있다.
여기서, 카메라부(133a, 133b)는 예를 들어 돼지를 촬영할 때 깊이(Depth) 정보를 같이 획득할 수 있는 카메라일 수도 있다.
또한, 칸막이(215)로 구획된 영역에 진입하여 선 자세로 급이대(220)에 공급된 사료를 섭취하는 돼지의 무게를 측정하도록 무게 측정부(135)가 칸막이(215)로 구획된 영역의 바닥에 설치될 수 있다.
또한, 도시되지는 않았으나, 급이대(220)의 주변에는 칸막이(215)로 구획된 영역에 진입한 돼지의 개체 인식 정보를 생성하기 위한 개체 인식부(131)가 배치될 수 있다. 개체 인식부(131)는 예를 들어 돼지에 부착된 RFID 태그를 인식하기 위한 RFID 리더기일 수 있다.
이와 같이, 돈방(210) 내에 한 마리의 돼지가 진입하여 선 자세로 사료를 섭취하는 과정에서, 사료를 섭취하는 돼지의 개체 인식 정보가 생성될 수 있고, 해당 돼지와 관련하여 생성된 사진 정보와 무게 측정 정보가 개체 인식 정보에 상응하여 관리될 수 있다.
다시 도 1을 참조하면, 예측부(113)는 각 돼지의 사육 이력 데이터(예를 들어, 각 돼지별 사진 정보, 무게 측정 정보 등)를 미리 기계 학습된 예측 모델에 적용하여 해당 돼지가 정상 돼지(즉, 가치 증가 돼지) 또는 복강 지방 형성 돼지(즉, 가치 하락 돼지)인지가 판별되도록 하고, 복강 지방 형성 돼지인 경우 최적의 출하 시점에 대한 정보가 생성되도록 할 수 있다.
각 돼지의 사육 이력 데이터는 비육 기간에 속하는 해당 돼지가 사육되는 돈방의 카메라부(133), 무게 측정부(135)에서 생성되어 수신부(111)를 통해 수신되고 저장부(117)에 저장될 수 있다.
예측 모델은 예를 들어 비육 기간에 해당하는 돼지들이 지속적으로 촬영된 사진 정보, 해당 돼지들의 각 시점별 체내 지방 분포를 측정한 초음파 데이터 및 해당 돼지들의 비육 기간 동안 지속적으로 측정된 무게 정보들을 학습 데이터로 하여 기계 학습될 수 있고, 돈방(210)에서 임의의 돼지에 대한 사진 정보 및 무게 데이터가 수신되면 해당 돼지의 체형 정보값과 무게 변화 추이에 기반하여 복강 지방 형성 돼지인지를 판별하도록 인공지능 기반의 내장형 AI 모듈로 구현될 수 있다.
또한, 예측 모델은 비육 기간 동안 복강 지방 형성 돼지의 체형 변화 및 무게 변화에 관한 학습 데이터를 이용한 기계 학습에 의해, 비육 기간의 돼지를 사육하는 돈방(210)에 존재하는 복강 지방 형성 돼지의 무게가 미리 지정된 최소 출하 무게에 도달하는 시점에 대한 예측 정보를 더 생성하도록 구현될 수 있다.
예측 모델은 예를 들어, 해당 축산 농가에서 비육 기간에 해당되는 돼지들에 대해 기존에 누적된 사진 정보, 초음파 데이터 및 무게 정보들인 사육 이력 데이터를 학습 데이터로 하여 학습될 수 있을 뿐 아니라, 다른 축산 농가에서 생성되었거나 인터넷을 통해 수집될 수 있는 사육 이력 데이터들도 학습 데이터로 하여 학습되도록 설정될 수 있다.
또한, 예측 모델은 예를 들어, 소량의 학습 데이터만으로도 학습이 가능한 퓨샷 러닝(few-shot learning) 방식이나 소량의 학습 데이터에 생성적 적대 신경망(Generative Adversarial Networks, GAN)과 같은 생성 모델을 사용하여 동일 환경의 타 현장에서 생성된 유사 데이터를 늘려 학습 데이터의 부족함을 해소하는 방식 등을 이용하여 학습하도록 구현될 수 있다.
예측 모델은 예를 들어 완전 합성곱 신경망(Fully Convolutional Neural network), 합성곱 신경망(Convolutional Neural Network), 순환 신경망(Recurrent Neural Network), 제한 볼츠만 머신(Restricted Boltzmann Machine), 심층 신뢰 신경망(Deep Belief neural Network) 등 중 하나 이상의 딥러닝 기반의 모델로 생성될 수도 있다. 물론, 딥러닝 기법 이외의 머신 러닝 기법으로 구현되거나, 딥러닝 기법과 머신 러닝 기법이 결합된 하이브리드 형태의 모델로 생성될 수도 있다.
또한, 예측 모델을 학습하는 방법도 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등으로 다양할 수 있다.
복강 지방 형성 돼지인지를 판별하기 위한 체형 정보값은 예를 들어 돼지의 측면 사진 정보에서 해석된 돼지의 키(A)와 몸통 높이(B), 상면 사진 정보에서 해석된 몸통 폭(C)를 이용하여 산출될 수 있고, 예측 모델에서 생성하거나 예측부(113)에서 생성하도록 미리 지정될 수 있다.
즉, 도 3의 (a)에 예시된 바와 같이 측면 사진 정보에서 돼지의 외각선을 추출하고, 추출된 외각선을 기초하여 가장 낮은 지점(예를 들어, 발바닥 위치)과 가장 높은 지점(예를 들어, 등 최상부) 사이의 거리가 돼지의 키값(A)으로 해석되고, 가장 낮은 지점들 사이에 위치하여 미리 지정된 길이 이상으로 연속되는 두번째로 가장 낮은 지점(예를 들어, 배 최저점)과 가장 높은 지점 사이의 거리를 돼지의 몸통 높이값(B)으로 해석될 수 있다.
또한, 도 3의 (b)에 예시된 바와 같이, 상면 사진 정보에서 돼지의 외곽선을 추출하고, 가장 높은 지점(예를 들어, 돼지의 꼬리 끝)과 가장 낮은 지점(예를 들어, 돼지의 코 끝)의 길이 중에서 배 위치에 해당되는 미리 지정된 비율 위치에서 측면 방향의 거리가 돼지의 몸통 폭값(C)으로 해석될 수 있다.
돼지를 촬영한 측면 사진 정보와 상면 사진 정보에서 돼지의 외곽선을 추출하는 방법으로 예를 들어 YOLO(You Only Look Once) 외곽 사각형 활용 기법이 사용될 수 있다. 돼지의 외곽선 추출을 위해 노이즈 성분 제거와 같은 전처리가 수행될 수도 있다.
체형 정보값은 예를 들어, 몸통 높이값(B)과 몸통 폭값(C)에 의해 추정되는 몸통의 둘레 길이를 돼지의 키값으로 나눈 연산값으로 정의될 수 있다. 즉, 체형 정보값은 복강 지방의 형성 여부를 돼지의 몸통 둘레 길이만으로 판단하지 않고, 돼지의 키를 고려하여 판단할 수 있도록 정의될 수 있다.
여기서, 몸통 높이값(B)과 몸통 폭값(C)에 기초하여 통상적으로 둥근 형태인 몸통의 둘레 길이를 추정하는 방법은 당업자가 쉽게 예측할 수 있을 것이므로 이에 대한 구체적인 설명은 생략한다.
예측 모델은 돼지의 몸통 둘레 길이를 돼지의 키로 나눈 연산값인 체형 정보값이 미리 지정된 임계값보다 큰 돼지를 후보 돼지로 선정하고, 비육 기간 동안 후보 돼지의 무게 변화 추이가 미리 학습된 복강 지방 형성 돼지의 증체량 추이 패턴에 대응되는지 여부로서 해당 후보 돼지가 정상 돼지인지 복강 지방 형성 돼지인지 판단할 수 있고, 복강 지방 형성 돼지에 해당되는 경우에는 출하를 위해 설정된 최소 출하 무게까지 무게가 증가되는 시점을 예측하여 출하 시점으로 제시할 수 있다.
근육과 지방은 밀도가 다르기 때문에, 같은 무게일 때 지방이 근육의 두배 가까이 부피가 큰 차이가 있다. 따라서, 근육 및 근내 지방이 형성되는 정상 돼지에 비해 복강 지방 형성 돼지가 상대적으로 큰 체형 정보값을 나타낸다.
따라서, 예측 모델은 돼지를 촬영한 사진 정보에서 해석된 체형 정보값을 미리 설정된 임계값과 대비하여, 임계값보다 큰 체형 정보값을 가지는 돼지를 후보 돼지로 선정할 수 있다.
여기서, 예측 모델은 비육 기간에 해당하는 돼지들이 지속적으로 촬영된 사진 정보와, 해당 돼지들의 각 시점별 체내 지방 분포를 측정한 초음파 데이터를 이용한 기계 학습을 통해 복강 지방 형성 돼지의 판별을 위해 후보 돼지를 선정할 임계값을 설정할 수 있다.
물론, 임계값의 설정에 관한 기계 학습을 위해, 학습 데이터에는 돼지들의 초음파 데이터들 각각에 대해 복강 지방 형성 돼지 또는 정상 돼지임을 나타내는 판정 정보가 더 포함될 수도 있다.
도 4에는, 돼지들에게 동일한 양과 빈도로 사료를 공급할 때, 비육 기간 동안 근육이 형성되고 근내 지방이 점착되는 정상 돼지의 증체량 추이와, 비육 기간 동안 주로 복강 지방이 형성되는 복강 지방 형성 돼지의 증체량 추이가 도시되어 있다.
근육과 지방은 부피가 다르며, 또한 동일한 부피일 경우 지방이 상대적으로 작은 무게로 측정된다. 따라서, 도 4에 도시된 바와 같이, 근육과 근내 지방이 형성되는 정상 돼지에 비해, 복강 지방이 주로 형성되는 복강 지방 형성 돼지의 경우에 상대적으로 작은 증체량 추이를 나타낸다.
예측 모델은 후보 돼지에 대해 현재까지 측정된 무게의 변화 추이가 미리 기계 학습되어 도출된 복강 지방 형성 돼지(즉, 가치 하락 돼지)의 증체량 추이 패턴에 부합되면, 해당 후보 돼지가 복강 지방 형성 돼지인 것으로 판단하고, 증체량 추이 패턴에 기반하여 해당 복강 지방 형성 돼지가 미리 지정된 최소 출하 무게까지 증체되는 시점을 예측하여 출하 시점으로 제시할 수 있다.
이때, 비육 기간이 생후 22주부터 26주까지로 설정된 경우, 예측 모델은 최소 출하 무게까지 증체되는 시점을 26주보다 빠른 시기로 예측하도록 미리 제한되며, 복강 지방 형성 돼지의 증체량 추이 패턴에 기반할 때 26주까지 경과하더라도 최소 출하 무게에 도달되지 못할 것으로 예측되면 예측 모델은 현재 시점에서 해당 복강 지방 형성 돼지의 사육 중지 제안 정보를 생성하도록 설정될 수 있다.
예측 모델이 증체량 추이 패턴에 기반하여 복강 지방 형성 돼지가 최소 출하 무게까지 증체되는 시점을 예측하기 위해, 무게 측정 정보뿐 아니라 복강 지방 형성 돼지가 섭취하는 사료량에 대한 정보가 더 필요시될 수도 있다.
이를 위해, 도 1에 도시된 바와 같이, 돈방(210) 내에는 카메라부(133) 등 뿐만 아니라, 해당 돈방(210) 내에서 사육되는 돼지들 각각의 사료 섭취량을 측정하여 출하 시점 결정 장치(110)로 전송하기 위한 급이량 측정부(137)가 더 포함될 수도 있다.
급이량 측정부(137)는 돈방(210) 내에 배치된 급이대(220)와 일체로 구성되거나, 급이대(220)로 제공되어 돼지가 섭취한 사료량을 측정하도록 급이대(220)에 인접하여 설치될 수 있을 것이다.
도 4를 참조하면, 정상 돼지는 26주까지 사육되어 최적 출하 무게(예를 들어, 115kg)에 도달된 상황에서 출하되지만, 예측 모델은 복강 지방 형성 돼지가 최소 출하 무게(예를 들어, 100kg)에 도달되는 약 24.5주차를 출하 시점으로 도출할 수 있다.
일반적으로 비육 기간에 해당되는 돼지가 근육과 근내 지방이 형성되지 않고 복강 지방이 주로 형성되는 경우에는, 육질이 저하되어 출하 등급이 낮게 평가되기 때문에 투입되는 사료비만큼 출하 수입이 발생되지 않는 문제점이 있다.
이러한 복강 지방 형성 돼지(즉, 가치 하락 돼지)를 비육 기간의 만료 이전의 적절한 시기에 출하함으로써 상대적으로 양호한 육질을 확보하여 상대적으로 높은 출하 등급을 확보할 수 있을 뿐 아니라 사료비를 절감할 수 있어 축산 농가의 수익 향상을 도모할 수 있는 장점이 있다.
보고서 생성부(115)는 비육 기간에 해당되는 돼지들의 사육 상태 및 출하 시점에 대한 양돈 출하 보고서를 생성할 수 있다.
예측 모델에 의해 정상 돼지로 판정된 돼지인 경우, 양돈 출하 보고서에는 미리 지정된 비육기간이 만료되는 26주차 또는 정상 돼지 증체량 추이 패턴을 미리 기계 학습한 예측 모델이 최적 출하 무게에 도달하는 시점으로 판단한 출하 시점에 대한 정보가 포함될 수 있다.
이에 비해, 예측 모델에 의해 복강 지방 형성 돼지로 판정된 돼지인 경우, 양돈 출하 보고서에는 복강 지방 형성 돼지의 증체량 추이 패턴에 기반하여 해당 돼지가 미리 지정된 최소 출하 무게에 도달하는 시점으로 판단한 출하 시점에 대한 정보가 포함될 수 있다.
이때, 최소 출하 무게에 도달되는 시점은 미리 지정된 비육 기간이 만료되는 26주차보다 앞선 시점으로 설정되도록 제한되며, 지정된 비육 기간이 만료될 때까지 최소 출하 무게에 도달되지 못할 것으로 예측되면 현재 시점에서 해당 돼지의 사육을 중지하도록 제안하는 내용이 양돈 출하 보고서에 포함될 수 있다.
또한, 보고서 생성부(115)는 비육 기간의 돼지가 사육되는 다수개의 돈방들 중에서 상대적으로 많은 복강 지방 형성 돼지가 발생된 돈방과, 상대적으로 적은 복강 지방 형성 돼지가 발생된 돈방 사이의 사육 환경 정보의 차이점에 대한 비교 정보가 더 포함되도록 양돈 출하 보고서를 생성할 수도 있다. 여기서, 사육 환경 정보는 예를 들어 온도, 습도, 환기팬의 동작 상태, 사육 밀도, 사료 급이량 및 급이 횟수 등을 포함할 수 있다.
저장부(117)에는 개체 인식부(131)에서 인식된 개체 인식 정보에 상응하는 돼지의 사진 정보 및 무게 측정 정보가 저장된다. 또한 저장부(117)에는 각 돈방(210)에서 센싱된 수신된 사육 환경에 대한 정보(예를 들어, 온도, 습도, 돈방별 사육 두수, 사료 급이량 등)가 각 돈방(210)에 상응하도록 저장된다.
컨트롤러(119)는 출하 시점 결정 장치(110)에 포함된 예측부(113), 보고서 생성부(115) 등의 동작을 제어한다.
또한, 출하 시점 결정 장치(110)는 웹 크롤러(121) 및 분석부(123)를 더 포함할 수도 있다.
웹 크롤러(121)는 인터넷 통신망을 이용하여 양돈 출하량 전망을 포함하는 양돈 산업 전망 정보를 수집한다.
웹 크롤러(121)는 예를 들어 양돈 출하량 전망과 관련하여 농림축산식품부, 농축산협회 등에서 발행하는 동향 예측 정보, 신문기사 등을 포함하는 양돈 산업 전망 정보를 인터넷 통신망을 이용하여 자동으로 검색하고 색인하도록 구성될 수 있다.
분석부(123)는 웹 크롤러(121)에 의해 수집된 양돈 산업 전망 정보에서 일자별 양돈 출하량에 관한 전망 정보를 추출하고, 전날 또는 주간 평균값에 비해 상대적으로 양돈 출하량이 적은 날을 추천 출하일들로 각각 선정할 수 있다.
전술한 보고서 생성부(115)는 복강 지방 형성 돼지로 판정된 돼지와 관련하여, 양돈 출하 보고서에 복강 지방 형성 돼지의 증체량 추이 패턴에 기반하여 해당 돼지가 미리 지정된 최소 출하 무게에 도달하는 시점으로 예측한 출하 시점에 대한 정보뿐 아니라, 분석부(123)에 선정된 추천 출하일들 중 해당 출하 시점에 인접한 추천 출하일에 관한 정보가 더 포함되도록 할 수 있다.
도 5는 본 발명의 일 실시예에 따른 양돈 출하 시점 결정 방법을 나타낸 순서도이다.
도 5를 참조하면, 단계 510에서, 양돈 출하 시점 결정 장치(110)는 학습 데이터로 지정된 사육 이력 데이터를 이용하여 예측 모델을 기계 학습한다.
여기서, 사육 이력 데이터는 해당 축산 농가에서 비육 기간에 해당되는 돼지들에 대한 기존의 사육 과정에서 누적된 사진 정보, 초음파 데이터 및 무게 측정 정보들일 수 있다. 또한, 학습 데이터에는 사육 이력 데이터는 다른 축산 농가에서 생성된 사육 이력 데이터, 인터넷을 통해 수집될 수 있는 사육 이력 데이터 등도 포함될 수 있다.
예측 모델은 학습 데이터를 이용하여 기계 학습됨으로서, 후술되는 바와 같이, 비육 기간(예를 들어, 출생 후 22주차부터 26주차까지의 기간)에 해당되어 돈방(210)에서 사육되는 돼지의 사진 정보 및 무게 측정 정보를 이용하여 정상 돼지 또는 복강 지방 형성 돼지인지 여부를 판별하고, 정상 돼지 또는 복강 지방 형성 돼지인지에 따른 최적의 출하 시점 정보를 생성하도록 이용될 수 있다.
단계 520에서, 양돈 출하 시점 결정 장치(110)는 비육 기간에 해당되어 돈방(210)에서 사육되는 돼지들(즉, 현재 사육중 돼지들) 각각에 대한 사진 정보 및 무게 측정 정보를 수신한다. 돼지들 각각에 대한 사진 정보 및 무게 측정 정보가 수신될 수 있도록, 돈방(210) 내에는 개체 인식부(131), 카메라부(133) 및 무게 측정부(135)가 구비될 수 있다.
단계 530에서, 양돈 출하 시점 결정 장치(110)는 미리 기계 학습된 예측 모델을 이용하여, 돼지들 각각에 대한 사진 정보에서 해석된 체형 정보값이 미리 지정된 임계값 이상인지 여부를 판단한다.
체형 정보값은 예를 들어 카메라부(133)에 의해 촬영된 상면 사진 정보에서 미리 지정된 영상 해석 기법으로 돼지의 키값와 돼지의 몸통 높이값을 해석하고, 측면 사진 정보에서 돼지의 몸통 폭값을 해석한 후, 몸통 높이값과 몸통 폭값으로 추정되는 몸통의 둘레 길이를 돼지의 키값으로 나눈 연산값으로 산출될 수 있다.
단계 530의 판단 결과로, 임계값 이상의 체형 정보값을 가지는 돼지가 존재하지 않으면, 모두 정상 돼지인 것으로 판단하고, 단계 520으로 다시 진행한다.
그러나, 단계 530의 판단 결과로, 임계값 이상의 체형 정보값을 가지는 돼지가 존재하면, 단계 540에서, 양돈 출하 시점 결정 장치(110)는 해당 돼지를 후보 돼지로 선정하고, 미리 기계 학습된 예측 모델을 이용하여, 후보 돼지에 대해 현재까지 측정된 무게의 변화 추이가 미리 기계 학습되어 도출된 복강 지방 형성 돼지(즉, 가치 하락 돼지)의 증체량 추이 패턴에 부합되는지 여부를 판단한다.
만일 복강 지방 형성 돼지의 증체량 추이 패턴에 부합하지 않으면, 후보 돼지는 정상 돼지인 것으로 판단하고 단계 520으로 다시 진행한다.
그러나 만일, 복강 지방 형성 돼지의 증체량 추이 패턴에 부합하면, 단계 550에서, 양돈 출하 시점 결정 장치(110)는 해당 후보 돼지가 복강 지방 형성 돼지인 것으로 판단하고, 미리 기계 학습된 예측 모델을 이용하여, 증체량 추이 패턴에 기반하여 해당 복강 지방 형성 돼지가 미리 지정된 최소 출하 무게까지 증체되는 시점에 대한 예측 정보를 생성한다.
예를 들어, 돼지를 출하할 때의 정상적인 비육 기간이 생후 22주부터 26주까지로 설정된 경우, 예측 정보에 따른 출하 시점은 정상적인 비육 기간이 만료되는 시점보다 빠른 시기로 예측하도록 미리 제한될 수 있다.
이때 만일, 복강 지방 형성 돼지의 증체량 추이 패턴에 기반할 때 정상적인 비육 기간이 만료될 때까지 최소 출하 무게에 도달되지 못할 것으로 예측되면, 단계 540에서 양돈 출하 시점 결정 장치(110)는 해당 복강 지방 형성 돼지는 현재 시점에서 사육 중지하도록 하는 제안 정보를 생성할 수도 있다.
단계 560에서, 양돈 출하 시점 결정 장치(110)는 웹 크롤러 기능을 이용하여 수집한 양돈 산업 전망 정보에서 일자별 양돈 출하량에 관한 전망 정보를 추출하고, 전날 또는 주간 평균값에 비해 상대적으로 양돈 출하량이 적은 날을 추천 출하일들을 선정한다.
단계 570에서, 양돈 출하 시점 결정 장치(110)는 비육 기간에 해당하는 돼지들의 최적 출하 시점에 관한 정보를 포함하는 양돈 출하 보고서를 생성한다.
양돈 출하 보고서에서, 정상 돼지(즉, 가치 증가 돼지)로 판정된 돼지인 경우에는 미리 지정된 비육기간이 만료되는 26주차 또는 정상 돼지 증체량 추이 패턴을 미리 기계 학습한 예측 모델이 최적 출하 무게에 도달하는 시점을 최적 출하 시점으로 판단한 출하 시점에 대한 정보가 포함될 수 있다.
이에 비해, 양돈 출하 보고서에서, 복강 지방 형성 돼지로 판정된 돼지인 경우에는 복강 지방 형성 돼지(즉, 가치 하락 돼지)의 증체량 추이 패턴에 기반하여 해당 돼지가 미리 지정된 최소 출하 무게에 도달하는 시점으로 판단한 출하 시점에 대한 정보가 포함될 수 있다. 또한, 복강 지방 형성 돼지로 판정된 돼지 중에서 미리 지정된 비육 기간이 만료될 때가지 최소 출하 무게에 도달되지 못할 것으로 예측되는 돼지는 현재 시점에서 사육을 중지하도록 제안하는 내용이 포함될 수도 있다.
또한, 양돈 출하 보고서에는 비육 기간의 돼지가 사육되는 다수개의 돈방들 중에서 상대적으로 많은 복강 지방 형성 돼지가 발생된 돈방과, 상대적으로 적은 복강 지방 형성 돼지가 발생된 돈방 사이의 사육 환경 정보의 차이점에 대한 비교 정보가 더 포함될 수도 있다.
전술한 양돈 출하 시점 결정 방법은 디지털 처리 장치에 내장된 소프트웨어 프로그램, 어플리케이션 등으로 구현되어 시계열적 순서에 따른 자동화된 절차로 수행될 수도 있음은 당연하다. 상기 프로그램 등을 구성하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 또한, 상기 프로그램은 컴퓨터가 읽을 수 있는 정보저장매체(computer readable media)에 저장되고, 컴퓨터에 의하여 읽혀지고 실행됨으로써 상기 방법을 구현한다.
상기에서는 본 발명의 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
110 : 출하 시점 결정 장치 111 : 수신부
113 : 예측부 115 : 보고서 생성부
117 : 저장부 119 : 컨트롤러
121 : 웹 크롤러 123 : 분석부
131 : 개체 인식부 133, 133a, 133b : 카메라부
135 : 무게 측정부 137 : 급이량 측정부
210 : 돈방 215 : 칸막이
220 : 급이대
113 : 예측부 115 : 보고서 생성부
117 : 저장부 119 : 컨트롤러
121 : 웹 크롤러 123 : 분석부
131 : 개체 인식부 133, 133a, 133b : 카메라부
135 : 무게 측정부 137 : 급이량 측정부
210 : 돈방 215 : 칸막이
220 : 급이대
Claims (15)
- 양돈 출하 시점 결정 방법을 수행하도록 하기 위해 컴퓨터-판독 가능 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터로 하여금 이하의 단계들을 수행하도록 하며, 상기 단계들은,
(a) 미리 설정된 비육 기간에 해당되는 돼지들이 사육되도록 미리 지정된 돈방에서 사육중인 돼지들인 현재 사육중 돼지들 각각이 촬영되어 수신된 사진 정보를 미리 기계 학습된 예측 모델에 적용하여, 현재 사육중 돼지들 각각에 대한 체형 정보값을 산출하는 단계;
(b) n마리의 현재 사육중 돼지들 중에서 산출된 체형 정보값이 미리 지정된 임계값보다 큰 m마리의 현재 사육중 돼지들을 후보 돼지들로 선정하는 단계;
(c) m마리의 상기 후보 돼지들 각각에 대해 현재까지 측정되어 수집된 무게 정보의 변화 추이를 상기 예측 모델에 각각 적용하여, m마리의 상기 후보 돼지들 중에서 미리 도출된 가치 하락 돼지의 증체량 추이 패턴에 부합하는 k마리의 후보 돼지들을 가치 하락 돼지들로 선정하는 단계; 및
(d) 상기 가치 하락 돼지들로 선정되지 않은 n-k마리의 현재 사육중 돼지들인 가치 증가 돼지들과 k마리의 상기 가치 하락 돼지들 각각에 대해 상이한 출하 시기 선정 기준에 따라 출하 시점 정보를 생성하는 단계를 포함하되,
상기 n은 임의의 자연수이고, 상기 m은 0 또는 상기 n보다 작거나 같은 임의의 자연수이며, 상기 k는 0 또는 상기 m보다 작거나 같은 임의의 자연수이고,
상기 사진 정보는 현재 사육중 돼지를 대상으로 상부와 측방에서 각각 촬영된 이미지들과, 깊이(depth) 정보를 포함하도록 촬영된 이미지 중 하나 이상을 포함하며,
상기 단계 (a)에서, 상기 예측 모델은 상기 사진 정보를 이용하여 상응하는 현재 사육중 돼지의 키값, 몸통 높이값 및 몸통 폭값을 해석한 후, 상기 몸통 높이값과 상기 몸통 폭값을 이용하여 추정한 현재 사육중 돼지의 몸통의 둘레 길이를 상기 키값으로 나누어 상기 체형 정보값을 산출하며,
상기 단계 (d)에서, 상기 출하 시기 선정 기준은, 상기 가치 증가 돼지들은 상기 비육 기간의 만료 시점 또는 미리 기계 학습된 상기 예측 모델에 의해 최적 출하 무게에 도달하는 시점으로 출하 시점 정보가 생성되고, 상기 가치 하락 돼지는 상기 예측 모델에 의해 상기 비육 기간의 만료일 이전의 날짜로서 최소 출하 무게에 도달하는 시점으로 출하 시점 정보가 생성되도록 미리 설정되며,
상기 출하 시점 정보가 생성되도록, 상기 예측 모델은 상기 가치 증가 돼지와 상기 가치 하락 돼지 각각의 증체량 추이 패턴이 미리 기계 학습되고,
상기 최소 출하 무게는 상기 최적 출하 무게에 비해 상대적으로 작은 무게로 미리 지정되는 것을 특징으로 하는, 컴퓨터-판독 가능 매체에 저장된 컴퓨터 프로그램.
- 제1항에 있어서,
상기 현재 사육중 돼지의 상기 사진 정보와 상기 무게 정보는 비육 기간 동안 반복적으로 상기 돈방에서 생성되되,
상기 현재 사육중 돼지가 상기 돈방에서 사료를 섭취하는 과정에서 상기 사진 정보와 상기 무게 정보가 생성되도록 하기 위해, 상기 돈방에는 한 마리의 상기 현재 사육중 돼지가 진입하도록 칸막이로 구획된 영역에 급이대, 개체 인식부 및 무게 측정부가 구비되고, 상기 칸막이로 구획된 영역에 대응되도록 카메라부가 배치되며,
상기 개체 인식부에 의해 인식된 상기 현재 사육중 돼지에 상응하도록 생성된 상기 사진 정보와 상기 무게 정보가 관리되는 것을 특징으로 하는, 컴퓨터-판독 가능 매체에 저장된 컴퓨터 프로그램.
- 제2항에 있어서,
상기 예측 모델은 상기 현재 사육중 돼지들 각각을 상기 가치 하락 돼지 및 상기 가치 증가 돼지 중 어느 하나로 판별하기 위해, 비육 기간에 해당되는 상기 현재 사육중 돼지들 각각에 대해 반복적으로 생성된 상기 사진 정보와 상기 무게 정보, 상기 사진 정보가 생성된 각 시점별로 체내 지방 분포를 측정한 초음파 데이터를 학습 데이터로 하여 기계 학습되는 것을 특징으로 하는, 컴퓨터-판독 가능 매체에 저장된 컴퓨터 프로그램.
- 제1항에 있어서,
(e) 상기 비육 기간에 해당되어 상기 돈방에서 사육중인 상기 현재 사육중 돼지들 각각의 출하 시점에 관한 양돈 출하 보고서를 생성하는 단계를 더 포함하는 것을 특징으로 하는, 컴퓨터-판독 가능 매체에 저장된 컴퓨터 프로그램.
- 제4항에 있어서,
상기 단계 (c)에서 선정된 k마리의 상기 가치 하락 돼지들 중에서, 상기 가치 하락 돼지의 증체량 추이 패턴에 기반하여 상기 비육 기간의 만료일까지 상기 최소 출하 무게까지 증체되지 못하는 것으로 상기 예측 모델이 예측한 가치 하락 돼지인 경우, 상기 양돈 출하 보고서에는 해당 가치 하락 돼지의 사육을 현재 시점에서 중지하도록 제안하는 정보가 포함되는 것을 특징으로 하는, 컴퓨터-판독 가능 매체에 저장된 컴퓨터 프로그램.
- 제4항에 있어서,
상기 양돈 출하 보고서에는, 상기 현재 사육중 돼지들이 사육되는 다수 개의 돈방들 중에서 상기 가치 하락 돼지가 상대적으로 많게 발생된 돈방과, 상기 가치 하락 돼지가 상대적으로 적게 발생된 돈방 사이의 사육 환경 정보의 차이점에 대한 비교 정보가 더 포함되는 것을 특징으로 하는, 컴퓨터-판독 가능 매체에 저장된 컴퓨터 프로그램.
- 제4항에 있어서,
상기 출하 시점에 관한 상기 양돈 출하 보고서를 생성하기 위하여,
미리 설정된 웹 크롤러 기능을 이용하여 수집한 양돈 산업 전망 정보에서 일자별 양돈 출하량에 관한 전망 정보를 추출하는 단계; 및
상기 추출된 일자별 양돈 출하량에 관한 전망 정보를 참조하여, 전날 또는 주간 평균값에 비해 상대적으로 양돈 출하량이 적은 날을 추천 출하일로 선정하는 단계를 더 수행하되,
상기 양돈 출하 보고서에는 상기 선정된 추천 출하일에 대한 정보가 더 포함되는 것을 특징으로 하는, 컴퓨터-판독 가능 매체에 저장된 컴퓨터 프로그램.
- 제7항에 있어서,
상기 양돈 출하 보고서에 포함되는 추천 출하일은 상기 가치 하락 돼지가 상기 최소 출하 무게까지 증체된 시점부터 상기 비육 기간의 만료일까지의 범위 내에서 선택되도록 미리 설정되는 것을 특징으로 하는, 컴퓨터-판독 가능 매체에 저장된 컴퓨터 프로그램.
- 양돈 출하 시점 결정 시스템에 있어서,
미리 설정된 비육 기간에 해당되는 돼지들이 사육되도록 미리 지정된 돈방에 구비된 카메라부와 무게 측정부로부터, 상기 돈방에서 사육중인 돼지들인 현재 사육중 돼지들 각각에 대해 생성된 사진 정보와 무게 정보를 수신하는 수신부; 및
상기 수신된 사진 정보와 무게 정보를 미리 기계 학습된 예측 모델에 적용하여, 상기 현재 사육중 돼지들 각각을 가치 하락 돼지와 가치 증가 돼지 중 어느 하나로 인식하고, 출하 시기 선정 기준에 따라 출하 시점 정보를 생성하는 예측부를 포함하되,
상기 예측부는,
(a) 수신된 상기 사진 정보를 상기 예측 모델에 적용하여, 현재 사육중 돼지들 각각에 대한 체형 정보값을 산출하는 단계;
(b) n마리의 현재 사육중 돼지들 중에서 산출된 체형 정보값이 미리 지정된 임계값보다 큰 m마리의 현재 사육중 돼지들을 후보 돼지들로 선정하는 단계;
(c) m마리의 상기 후보 돼지들 각각에 대해 현재까지 측정되어 수집된 무게 정보의 변화 추이를 상기 예측 모델에 각각 적용하여, m마리의 상기 후보 돼지들 중에서 미리 도출된 가치 하락 돼지의 증체량 추이 패턴에 부합하는 k마리의 후보 돼지들을 가치 하락 돼지들로 선정하는 단계; 및
(d) 상기 가치 하락 돼지들로 선정되지 않은 n-k마리의 현재 사육중 돼지들인 가치 증가 돼지들과 k마리의 상기 가치 하락 돼지들 각각에 대해 상이한 출하 시기 선정 기준에 따라 출하 시점 정보를 생성하는 단계를 수행하되,
상기 n은 임의의 자연수이고, 상기 m은 0 또는 상기 n보다 작거나 같은 임의의 자연수이며, 상기 k는 0 또는 상기 m보다 작거나 같은 임의의 자연수이고,
상기 사진 정보는 현재 사육중 돼지를 대상으로 상부와 측방에서 각각 촬영된 이미지들과, 깊이(depth) 정보를 포함하도록 촬영된 이미지 중 하나 이상을 포함하며,
상기 단계 (a)에서, 상기 예측 모델은 상기 사진 정보를 이용하여 상응하는 현재 사육중 돼지의 키값, 몸통 높이값 및 몸통 폭값을 해석한 후, 상기 몸통 높이값과 상기 몸통 폭값을 이용하여 추정한 현재 사육중 돼지의 몸통의 둘레 길이를 상기 키값으로 나누어 상기 체형 정보값을 산출하며,
상기 단계 (d)에서, 상기 출하 시기 선정 기준은, 상기 가치 증가 돼지들은 상기 비육 기간의 만료 시점 또는 미리 기계 학습된 상기 예측 모델에 의해 최적 출하 무게에 도달하는 시점으로 출하 시점 정보가 생성되고, 상기 가치 하락 돼지는 상기 예측 모델에 의해 상기 비육 기간의 만료일 이전의 날짜로서 최소 출하 무게에 도달하는 시점으로 출하 시점 정보가 생성되도록 미리 설정되며,
상기 출하 시점 정보가 생성되도록, 상기 예측 모델은 상기 가치 증가 돼지와 상기 가치 하락 돼지 각각의 증체량 추이 패턴이 미리 기계 학습되고,
상기 최소 출하 무게는 상기 최적 출하 무게에 비해 상대적으로 작은 무게로 미리 지정되는 것을 특징으로 하는, 양돈 출하 시점 결정 시스템.
- 제9항에 있어서,
상기 현재 사육중 돼지의 상기 사진 정보와 상기 무게 정보는 비육 기간 동안 반복적으로 상기 돈방에서 생성되되,
상기 현재 사육중 돼지가 상기 돈방에서 사료를 섭취하는 과정에서 상기 사진 정보와 상기 무게 정보가 생성되도록 하기 위해, 상기 돈방에는 한 마리의 상기 현재 사육중 돼지가 진입하도록 칸막이로 구획된 영역에 급이대, 개체 인식부 및 무게 측정부가 구비되고, 상기 칸막이로 구획된 영역에 대응되도록 카메라부가 배치되며,
상기 개체 인식부에 의해 인식된 상기 현재 사육중 돼지에 상응하도록 생성된 상기 사진 정보와 상기 무게 정보가 관리되는 것을 특징으로 하는, 양돈 출하 시점 결정 시스템.
- 제10항에 있어서,
상기 예측 모델은 상기 현재 사육중 돼지들 각각을 상기 가치 하락 돼지 및 상기 가치 증가 돼지 중 어느 하나로 판별하기 위해, 비육 기간에 해당되는 상기 현재 사육중 돼지들 각각에 대해 반복적으로 생성된 상기 사진 정보와 상기 무게 정보, 상기 사진 정보가 생성된 각 시점별로 체내 지방 분포를 측정한 초음파 데이터를 학습 데이터로 하여 기계 학습되는 것을 특징으로 하는, 양돈 출하 시점 결정 시스템.
- 제9항에 있어서,
상기 비육 기간에 해당되어 상기 돈방에서 사육중인 상기 현재 사육중 돼지들 각각의 출하 시점에 관한 양돈 출하 보고서를 생성하는 보고서 생성부를 더 포함하는, 양돈 출하 시점 결정 시스템.
- 제12항에 있어서,
상기 단계 (c)에서 선정된 k마리의 상기 가치 하락 돼지들 중에서, 상기 가치 하락 돼지의 증체량 추이 패턴에 기반하여 상기 비육 기간의 만료일까지 상기 최소 출하 무게까지 증체되지 못하는 것으로 상기 예측 모델이 예측한 가치 하락 돼지인 경우, 상기 양돈 출하 보고서에는 해당 가치 하락 돼지의 사육을 현재 시점에서 중지하도록 제안하는 정보가 포함되는 것을 특징으로 하는, 양돈 출하 시점 결정 시스템.
- 제12항에 있어서,
상기 양돈 출하 보고서에는, 상기 현재 사육중 돼지들이 사육되는 다수 개의 돈방들 중에서 상기 가치 하락 돼지가 상대적으로 많게 발생된 돈방과, 상기 가치 하락 돼지가 상대적으로 적게 발생된 돈방 사이의 사육 환경 정보의 차이점에 대한 비교 정보가 더 포함되는 것을 특징으로 하는, 양돈 출하 시점 결정 시스템.
- 제12항에 있어서,
미리 설정된 웹 크롤러 기능을 이용하여 양돈 산업 전망 정보를 수집하는 웹 크롤러; 및
상기 수집한 양돈 산업 전망 정보에서 일자별 양돈 출하량에 관한 전망 정보를 추출하고, 상기 추출된 일자별 양돈 출하량에 관한 전망 정보를 참조하여, 전날 또는 주간 평균값에 비해 상대적으로 양돈 출하량이 적은 날을 추천 출하일로 선정하는 분석부를 더 포함하되,
상기 보고서 생성부는 상기 양돈 출하 보고서에 상기 분석부가 선정한 추천 출하일에 대한 정보가 더 포함하고,
상기 가치 하락 돼지인 경우, 상기 양돈 출하 보고서에 포함되는 추천 출하일은 상기 가치 하락 돼지가 상기 최소 출하 무게까지 증체된 시점부터 상기 비육 기간의 만료일까지의 범위 내에서 선택되도록 미리 설정되는 것을 특징으로 하는, 양돈 출하 시점 결정 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220140153A KR102543909B1 (ko) | 2022-05-18 | 2022-10-27 | 양돈 출하 시점 결정 시스템 및 방법 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220060845A KR102462098B1 (ko) | 2022-05-18 | 2022-05-18 | 빅데이터 학습 기반의 예측 모델을 이용한 최적의 양돈 출하 시점 결정 시스템 및 방법 |
| KR1020220140153A KR102543909B1 (ko) | 2022-05-18 | 2022-10-27 | 양돈 출하 시점 결정 시스템 및 방법 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220060845A Division KR102462098B1 (ko) | 2022-05-18 | 2022-05-18 | 빅데이터 학습 기반의 예측 모델을 이용한 최적의 양돈 출하 시점 결정 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102543909B1 true KR102543909B1 (ko) | 2023-06-20 |
Family
ID=84040904
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220060845A KR102462098B1 (ko) | 2022-05-18 | 2022-05-18 | 빅데이터 학습 기반의 예측 모델을 이용한 최적의 양돈 출하 시점 결정 시스템 및 방법 |
| KR1020220140153A KR102543909B1 (ko) | 2022-05-18 | 2022-10-27 | 양돈 출하 시점 결정 시스템 및 방법 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220060845A KR102462098B1 (ko) | 2022-05-18 | 2022-05-18 | 빅데이터 학습 기반의 예측 모델을 이용한 최적의 양돈 출하 시점 결정 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102462098B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100426947B1 (ko) | 2001-07-26 | 2004-04-17 | 한정수 | 육성비육돈 출하시기 조절을 위한 양돈 사육방법 |
| KR20190128589A (ko) * | 2018-05-08 | 2019-11-18 | (주)씽크포비엘 | 기계학습 예측 모델에 기초한 최적의 소 출하 시점 결정 방법 |
| KR20210124506A (ko) * | 2019-03-11 | 2021-10-14 | 가부시키가이샤 에코-포크 | 축산 자동 관리 시스템 |
| KR20220062920A (ko) * | 2020-11-09 | 2022-05-17 | 주식회사 일루베이션 | 3d 영상을 기반으로한 거치형 가축 무게 추정 시스템과, 이를 이용한 가축 무게 추정 방법 |
-
2022
- 2022-05-18 KR KR1020220060845A patent/KR102462098B1/ko active IP Right Grant
- 2022-10-27 KR KR1020220140153A patent/KR102543909B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100426947B1 (ko) | 2001-07-26 | 2004-04-17 | 한정수 | 육성비육돈 출하시기 조절을 위한 양돈 사육방법 |
| KR20190128589A (ko) * | 2018-05-08 | 2019-11-18 | (주)씽크포비엘 | 기계학습 예측 모델에 기초한 최적의 소 출하 시점 결정 방법 |
| KR20210124506A (ko) * | 2019-03-11 | 2021-10-14 | 가부시키가이샤 에코-포크 | 축산 자동 관리 시스템 |
| KR20220062920A (ko) * | 2020-11-09 | 2022-05-17 | 주식회사 일루베이션 | 3d 영상을 기반으로한 거치형 가축 무게 추정 시스템과, 이를 이용한 가축 무게 추정 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102462098B1 (ko) | 2022-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Feeding behavior recognition for group-housed pigs with the Faster R-CNN | |
| Wang et al. | ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images | |
| Chen et al. | Recognition of feeding behaviour of pigs and determination of feeding time of each pig by a video-based deep learning method | |
| JP7377876B2 (ja) | ペットフードを推奨する装置及び方法 | |
| KR20190128589A (ko) | 기계학습 예측 모델에 기초한 최적의 소 출하 시점 결정 방법 | |
| EP4102441A1 (en) | Livestock raising information management system, livestock raising information management server, livestock raising information management method, and livestock raising information management program | |
| CN111297367A (zh) | 一种动物状态监测方法、装置、电子设备及存储介质 | |
| US11568530B2 (en) | System and method to analyse an animal's image for market value determination | |
| CN111507302B (zh) | 一种基于图像识别的宠物搜寻方法及装置 | |
| CN104616204B (zh) | 一种自动生猪屠宰线上的多元、精细、智能化胴体肉品分级方法 | |
| Tscharke et al. | Review of methods to determine weight and size of livestock from images | |
| Van Der Merwe et al. | Precision finishing of South African lambs in feedlots: a review | |
| CN113420709A (zh) | 牛脸特征提取模型训练方法、系统及牛的保险方法、系统 | |
| Kaewtapee et al. | Pig weight estimation using image processing and artificial neural networks | |
| Jones et al. | Using a lamb's early-life liveweight as a predictor of carcass quality | |
| KR102543909B1 (ko) | 양돈 출하 시점 결정 시스템 및 방법 | |
| CN114155377A (zh) | 基于人工智能和生长周期分析的禽类自适应喂食方法 | |
| Shahinfar et al. | Optimization of reproductive management programs using lift chart analysis and cost-sensitive evaluation of classification errors | |
| CN113379561A (zh) | 一种家禽数量的智能计算方法、设备及介质 | |
| KR20220106397A (ko) | 머신러닝 기반의 가축 무게 예측 방법 및 장치 | |
| CN112434577A (zh) | 奶牛跛行检测方法及奶牛跛行检测装置 | |
| CN104573188A (zh) | 一种基于大数据猪行为方式分析的育肥猪舍设计方法 | |
| KR102355681B1 (ko) | 가축사양표준에 기초한 가축사양관리 가이드 제공 방법 | |
| Flores et al. | Improvement of feedlot operations through statistical learning and business analytics tools | |
| KR102575889B1 (ko) | 영양소 요구량 정보 제공 장치 및 이에 의한 영양소 요구량 정보 제공 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |