KR102563979B1 - 양식 어류의 사료 자동공급 시스템 - Google Patents

양식 어류의 사료 자동공급 시스템 Download PDF

Info

Publication number
KR102563979B1
KR102563979B1 KR1020210186826A KR20210186826A KR102563979B1 KR 102563979 B1 KR102563979 B1 KR 102563979B1 KR 1020210186826 A KR1020210186826 A KR 1020210186826A KR 20210186826 A KR20210186826 A KR 20210186826A KR 102563979 B1 KR102563979 B1 KR 102563979B1
Authority
KR
South Korea
Prior art keywords
fish
feeding
feed
weight
calculation unit
Prior art date
Application number
KR1020210186826A
Other languages
English (en)
Other versions
KR20230097381A (ko
Inventor
권민선
유병화
Original Assignee
유병자
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 유병자 filed Critical 유병자
Priority to KR1020210186826A priority Critical patent/KR102563979B1/ko
Publication of KR20230097381A publication Critical patent/KR20230097381A/ko
Application granted granted Critical
Publication of KR102563979B1 publication Critical patent/KR102563979B1/ko

Links

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
    • A01K61/00—Culture of aquatic animals
    • A01K61/80—Feeding devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G17/00—Apparatus for or methods of weighing material of special form or property
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • 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
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Animal Husbandry (AREA)
  • Environmental Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Operations Research (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Primary Health Care (AREA)
  • Immunology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pathology (AREA)
  • Mining & Mineral Resources (AREA)
  • Evolutionary Biology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Food Science & Technology (AREA)
  • Algebra (AREA)

Abstract

본 발명은 양식장의 환경요소와 어류의 무게에 따른 사료의 양을 계산하여 자동으로 급이할 수 있도록 한 양식 어류의 사료 자동공급 시스템에 관한 것이다.
즉, 본 발명은 사료를 공급하고 데이터를 수집하는 제어부와, 사료의 적정한 양과 적절한 급이 시기를 계산하는 연산부로 이루어지되 상기 제어부는 양식 개체수, 어류 무게 및 양식장 환경요소의 측정값을 수집하여 연산부의 데이터 서버로 전송하고, 양식 개체수 및 어류 무게는 연산부의 데이터 아카이브에 저장하며, 상기 연산부의 데이터 서버에는 제어부에서 실시간으로 수집되는 양식 개체수, 어류 무게, 양식장 환경요소의 측정값과 사용자 입력 양식 데이터셋을 저장하고, 최적 급이량 및 급이 시기의 예측 알고리즘은 양식 데이터셋의 머신러닝에 이용하는 것을 포함하며, 상기 연산부에서 예측된 사료공급량과 섭식 확률은 제어부로 전송하고, 제어부에서 섭식 확률에 따라 급이 시기를 판단하여 사료공급이 이루어지도록 한 양식 어류의 사료 자동공급 시스템을 특징으로 한다.

Description

양식 어류의 사료 자동공급 시스템 {Automatic feed supply system for farmed fish}
본 발명은 양식장의 환경요소와 어류의 무게에 따른 사료의 양을 계산하여 자동으로 급이할 수 있도록 한 양식 어류의 사료 자동공급 시스템에 관한 것이다.
일반적으로 양식장의 어류 사료공급은 제어프로그램에 의해 미리 설정된 시각에서 어류상태에 관계없이 일정량식 자동적으로 이루고 있다. 이때 어류상태가 좋지 않아 섭취량이 떨어지는 경우에 잔여먹이가 발생하고, 이러한 잔여먹이로 인해 양식장의 수질오염은 물론, 불필요한 먹이 손실이 발생하고 있는 것이다.
즉, 양식장에서는 물고기 사료 공급을 위해 교대 근무가 필요하고 과도한 인건비가 발생하게 되고, 사료가 과잉 공급될 경우 수질이 나빠져 과도한 비용이 들거나 물고기가 대량 폐사할 위험이 있으며, 사료가 과소 공급될 경우 물고기의 성장이 나빠져 상품성이 떨어지거나 수익이 낮아지는 문제점이 있다.
이를 감안하여, 최적 사료 급이량을 판단해야 하지만 양식업자의 경험이나 부정확한 사료계수 등에 의존하고 있으며, 사료를 공급할 때에도 물고기가 먹이활동을 하지 않을 때 급이하면 사료가 가라앉아 수질이 나빠지므로 물고기가 먹이를 먹도록 적시에 사료를 공급해야 되는 문제점이 있다.
또한, 물고기는 수온, ph, 염분, 용존산소량(DO)에 따른 양식장 환경요소 및 물고기의 성장에 의한 물고기 무게에 따라 물고기가 먹는 양이 달라지기 때문에 최적의 사료공급량 및 급이시기를 판단하는데 어려움이 있었다.
KR 제10-0270138호 KR 제10-0821882호 KR 제10-1814288호
본 발명은 이러한 문제들을 해결하기 위해 양식 개체수, 어류 무게 및 양식장 환경요소의 측정값을 수집하여 사료전환비를 계산한 다음 어류 무게를 곱으로 급이당시의 어류 무게에 따른 최적 급이량을 산출하여 사료의 자동공급이 이루어지도록 한 양식 어류의 사료 자동공급 시스템을 제공함에 있다.
본 발명은 사료를 공급하고 데이터를 수집하는 제어부와, 사료의 적정한 양과 적절한 급이 시기를 계산하는 연산부로 이루어지되 상기 제어부는 양식 개체수, 어류 무게 및 양식장 환경요소의 측정값을 수집하여 연산부의 데이터 서버로 전송하고, 양식 개체수 및 어류 무게는 연산부의 데이터 아카이브에 저장하며, 상기 연산부의 데이터 서버에는 제어부에서 실시간으로 수집되는 양식 개체수, 어류 무게, 양식장 환경요소의 측정값과 사용자 입력 양식 데이터셋을 저장하고, 최적 급이량 및 급이 시기의 예측 알고리즘은 양식 데이터셋을 머신러닝에 이용하는 것을 포함하며, 상기 연산부에서 예측된 사료공급량과 섭식 확률은 제어부로 전송하고, 제어부에서 섭식 확률에 따라 급이 시기를 판단하여 사료공급이 이루어지도록 한 양식 어류의 사료 자동공급 시스템을 특징으로 한다.
상기 어류 무게는, 어류의 초기 무게를 입력하고, 어류 양식장의 수압을 측정하는 압력센서를 통해 측정된 물의 무게를 변환한 다음 압력의 증가치를 어류 무게 증가분으로 추정하여 어류 성장에 의한 무게 증가분으로 산정되어 도출되는 것을 특징으로 한다.
상기 양식장 환경요소는, 양식장내에 수온 센서, ph 센서, 염분 센서, 용존산소 센서각 각각 설치되어 측정되는 수온, ph, 염분, 용존산소량을 포함하는 것을 특징으로 한다.
상기 섭취 확률이 기준치에 미치지 못하면 공급장치가 대기하면서 양식장 환경요소의 측정값을 연산부의 데이터 아카이브로 일정한 시간 간격으로 전송하여 섭식 확률을 재계산하고, 섭식 확률이 기준치에 도달하면 사료 공급을 재개하는 것을 특징으로 한다.
상기 제어부의 최종 사료 공급량 및 어류 무게는 연산부의 데이터 아카이브로 전송되어 사료전환비를 계산하는 것을 특징으로 한다.
본 발명은 양식장에 입식되는 대상 어류의 양식 개체수(와, 어류 성장에 따른 무게 증가분으로 산정되어 도출되는 어류 무게(와, 수온, ph, 염분, 용존산소량을 포함하는 양식장 환경요소의 측정값을 수집하여 사료전환비를 계산한 다음 어류 무게를 곱으로 급이당시의 어류 무게에 따른 최적 급이량을 산출하여 사료의 자동공급이 이루어지도록 하므로 적정량의 사료 공급으로 어류성장을 유도하여 어류의 생산성을 높이고, 사료비용의 절감과 환경오염을 방지할 수 있는 효과가 있다.
도 1은 본 발명에 의한 양식 어류의 사료 자동공급 시스템을 나타낸 블록도이다.
도 2는 본 발명에 의한 양식 어류의 사료 자동공급 시스템에 일 실시예로 적용시킨 틸라피아 사료 전환비 예측모델이다.
도 3은 본 발명에 의한 양식 어류의 사료 자동공급 시스템에 일 실시예로 적용시킨 무지개 송어 사료 전환비 예측모델이다.
도 4는 본 발명에 의한 양식 어류의 사료 자동공급 시스템에 일 실시예로 적용시킨 틸라피아 사료 전환비 예측 결과이다
도 5는 본 발명에 의한 양식 어류의 사료 자동공급 시스템에 일 실시예로 적용시킨 무지개 송어 사료 전환비 예측 결과이다
도 6은 본 발명에 의한 양식 어류의 사료 자동공급 시스템에 일 실시예로 적용시킨 무지개 송어 최적 급이량 예측 결과를 나타낸 것이다.
이하 본 발명의 바람직한 실시예를 상세히 설명하면 다음과 같다. 그리고 본 발명을 설명함에 있어서, 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 발명에 의한 양식 어류의 사료 자동공급 시스템은, 양식장에 사료공급장치(140)를 통해 사료를 공급하고 데이터를 수집하는 제어부(100)와, 사료의 적정한 양과 적절한 급이 시기를 계산하는 연산부(200)로 크게 나뉘어진다.
상기 제어부(100)는 양식 개체수(110), 어류 무게(120) 및 양식장 환경요소(130)의 측정값을 수집하여 연산부(200)의 데이터 서버로 전송하고, 양식 개체수(110) 및 어류 무게(120)는 연산부(200)의 데이터 아카이브(220)에 저장한다.
즉, 양식장에 입식되어 양식을 운영할 대상 어류의 양식 개체수(110)와, 어류의 성장에 따라 실시간으로 증가하는 어류 무게(120)와, 수온, ph, 염분, 용존산소량(DO)을 포함하는 양식장 환경요소(130)의 측정값으로 이루어지고 이러한 양식장 환경요소(130)의 측정값은 데이터 서버로 전송하게 된다.
상기 어류 무게(120)는 어류의 초기 무게를 입력한 상태에서 어류 양식장의 수압을 측정하는 압력센서(미도시)를 통해 측정된 물의 무게를 변환한 다음 압력의 증가치를 어류 무게 증가분으로 추정하여 어류 성장에 의한 무게 증가분으로 산정하여 도출하는 것이 바람직하다.
상기 양식장 환경요소(130)의 측정값은 양식장내에 수온 센서, ph 센서, 염분 센서, 용존산소 센서로 이루어진 센서들이 설치되어 각 센서들에 의해 수온, ph, 염분, 용존산소량(DO)이 측정되어 인가되는 측정값에 해당된다.
특히, 수온, ph, 염분, 용존산소량(DO)을 포함하는 양식장 환경요소(130)는 사료공급이 충분한 양식환경에서 어류의 섭식에 큰 영향을 미치게 되므로 이를 데이터로 축적하고 섭식 확률을 계산하여 사료 공급량을 예측할 수 있도록 한다.
예를 들어, 상기 제어부(100)의 양식 개체수(110), 어류 무게(120) 및 양식장 환경요소(130)의 측정값은 타이머(150)에 의해 설정된 일정 시간 간격(10분~120분)으로 데이터 서버로 전송하도록 함이 바람직하다.
또한, 상기 양식 개체수(110)나 어류 무게(120)는 연산부(200)와 제어부(100)의 상호호환으로 어디에서 입력 받는가와 관계없이 연산부(200)의 데이터 아카이브(220)에 저장이 이루어지도록 한다.
상기 연산부(200)는 데이터 서버와 최적 급이량 예측, 급이 시기 예측 프로그램으로 이루어져 있다.
연산부(200)의 데이터 서버에는 제어부(100)에서 실시간으로 수집되는 양식 개체수(110), 어류 무게(120), 양식장 환경요소(130)의 측정값과 사용자 입력 양식 데이터셋(210)이 저장되어 최적 급이량 산정 및 섭취확률 계산이 이루어지고, 최적 급이량 및 급이 시기의 예측 알고리즘은 양식 데이터셋(210)을 머신러닝에 이용하는 것을 포함한다.
상기 사용자 입력 양식 데이터셋(210)에는 양식장에 입식되는 양식 개체수, 어류 무게, 수온, ph, 염분, 용존산소량(DO)을 포함하는 양식장 환경요소(130)의 초기값을 입력함과 아울러 대상 어류의 성장 목표치, 양식 기간 등을 설정한다.
또, 상기 연산부(200)에서 예측된 사료공급량과 섭식 확률은 제어부(100)로 전송하고, 제어부(100)에서 섭식 확률에 따라 급이 시기를 판단하여 사료공급이 이루어지도록 한다.
예를 들어, 제어부(100)에서 섭식 확률에 따라 급이 시기를 판단하여 참일 경우 예정된 일일 공급량에 따라 3~5회에 걸쳐 사료를 공급하고, 공급 중에 섭식 확률이 떨어지면 공급을 중지한다.
상기와 같이 섭취 확률이 기준치에 미치지 못할 경우에는 공급장치가 대기하면서 수온, pH, 염분, 용존산소(DO)를 포함하는 환경요소(130) 측정값을 연산부(200)의 데이터 아카이브(220)로 일정한 시간 간격(10분)으로 전송하여 섭식 확률을 재계산한다.
그리고, 섭식 확률이 기준치에 도달하면 사료 공급을 재개하고, 일일 최적 급이량을 모두 공급하면 사료 공급을 종료한다.
또한, 제어부(100)에서 사료의 공급이 종료되면 최종적으로 공급한 사료의 총 공급량을 연산부(200)의 데이터 아카이브(220)로 전송하고, 제어부(100)나 연산부(200)에서 양식 어류의 무게를 주기적으로 입력받으면 그 때마다 이를 데이터 아카이브(220)에 저장하고 사료전환비를 계산한다.
상기와 같이 계산된 사료전환비는 최적 급이량 예측 알고리즘의 검증 데이터로 사용되고, 사용자에게 모델의 정확도를 수치로써 제공한다.
또한, 상기 계산된 사료전환비는 최적 급이량 예측 알고리즘의 훈련 데이터로 다시 활용되어 모델 훈련이 거듭되면서 예측 정확도를 크게 높일 수 있게 된다.
상기 연산부(200)의 최적 급이량 예측은 아래와 같은 알고리즘을 이용하였다.
(최적사료 급이량 예측 알고리즘)
본 발명에서는 성장모델과 머신러닝 기법을 융합한 하이브리드 모델(hybrid model)을 개발하여 최적 급이량을 예측하고자 하였다.
사료전환비의 예측에는 성장모델과 같이 정량적 예측 기법이 요구된다. 성장률을 예측한 다음에는 사료전환비의 예측 결과에 개체의 수나 양식 규모에 따라 급이량을 결정할 수 있기 때문이다. 이를 위해서는 예측 알고리즘이 각 변수들과의 선형적인 관계를 예측할 수 있어야 하고, 선형회귀로는 놓치게 될 비선형 관계까지 모델링할 수 있어야 한다. 따라서 이에 가장 적합한 알고리즘은 일반화가법모델(Generalized Additive Models)로 판단되며, 본 발명에서는 이를 이용해 사료전환비를 정량적으로 예측하였다.
일반화가법모델을 생각하기에 앞서 각 설명변수와 반응변수 사이의 관계를 선형적으로 고려한 다중선형회귀모델을 생각할 수 있다.
위 수학식에서, 독립변수와 종속변수 사이의 비선형적 관계를 고려하기 위한 확장 방법은 각 선형요소 를 비선형함수 로 대체하는 것이다. 그 후 위의 수학식은 아래와 같이 나타낼 수 있다.
일반화가법모델은 위 수학식과 같이 각에 대하여 를 모두 계산하고, 그 다음 이들의 기여를 모두 더하기 때문에 가법(additive)모델이라고 칭한다.
도 2 및 도 3은 대상 어종으로 틸라피아와 무지개 송어를 선택한 다음 그 대상 어종의 훈련 데이터를 이용해 일반화 가법모델로 최적화한 결과를 나타낸 것이다.
설명변수는 수온(temperature), pH, DO, 생존 수(survive)의 4가지이며 자유도는 4로 통일하였고, 사료전환비(FCR)를 반응변수로 두었다. 틸라피아의 경우에는 용존산소 농도가, 무지개 송어의 경우에는 pH가 유의하지 않지만, 이는 충분한 훈련데이터가 축적되었을 때 다시 판단할 수 있다.
한편, 도 4는 일반화 가법모델을 이용해 예측한 틸라피아의 사료전환비(FCR)와 실제 계산된 값을 비교한 것이다.
일반화가법모델의 특성상 관측치에 비해 다소 평활화 된 양상을 보이기는 하지만, 관측치와 예측치가 잘 일치하고 있는 것으로 판단된다.
또, 도 5는 무지개 송어의 사료전환비를 예측한 결과이다. 무지개 송어의 경우에는 관측치와 예측치의 상관관계가 약 0.94로, 틸라피아의 0.55보다 훨씬 더 잘 일치하고 있는데, 이는 틸라피아의 경우 고수온 기간 약 3개월간 집중적으로 성장을 시키는 양식 방법을 채택하였고 성장 기록이 불연속적인 반면에, 무지개 송어의 경우 성장 기록이 260일 동안 연속적이고 규칙적으로 기록이 되었기 때문이다. 즉, 예측 정확도는 데이터의 질에 크게 좌우될 수 있으며, 훈련 데이터의 질이 좋은 경우 더욱 정확한 예측 결과를 얻을 수 있다.
도 6은 최적 급이량 결정 모델의 최종 결과로서, 시간에 따른 최적 급이량의 변화를 예측한 것이다. 최적 급이량은 예측된 개체 당 일일 성장률과 사료전환비와의 곱으로 계산된다. 또한, 여기에 생존 개체의 수를 곱하여 수조 당 최적 급이량을 계산할 수 있다.
상기 연산부의 최적 급이 시기의 예측은 아래와 같은 알고리즘을 이용하였다.
(최적 급이 시기 예측 알고리즘)
최적 급이 시기를 예측하기 위해서 환경요소에 따른 섭식 확률을 계산하여야 하며, 이를 위해 머신러닝 기법 중 나이브-베이즈 알고리즘을 사용한다.
나이브 베이즈 알고리즘은 훈련 데이터를 사용해 각 범주의 관찰된 확률을 계산하고, 이 확률을 이용해서 분류되지 않은 데이터를 가장 유사한 범주로 새롭게 분류한다. 일반적으로 베이즈 분류기는 설명변수들이 많을 때 사용하게 된다. 각 설명변수가 반응변수에 미치는 영향이 미미하다 하더라도, 여러 설명변수들의 영향을 모두 합하면 그 영향이 클 수 있기 때문이다.
P(A|B)에 대하여 베이즈 이론은 다음과 같이 정리된다.
상기 수학식은 사건 B에 대해서 사건 A의 확률은 독립적이므로 조건부 확률(conditional probability)라고 한다. 이전 데이터에서 어떠한 설명변수에 대해 양식어의 사망이 발생한 확률은 사전확률(prior probability)이 되며, 여기에 수온, pH, DO, NH3, BOD 등이 영향을 미쳤을 확률은 가능도가 된다. 또한, 각각의 설명변수의 특정한 상황이 모든 경우에 나타날 확률은 주변가능도(marginal likelihood)가 된다. 즉, 위 수학식에서 사건 A가 일어날 확률 P(A)는 사전 확률이 되고, 사건 A가 일어날 때 사건 B가 일어날 확률 P(B|A)은 가능도가 되며, 사건 B가 일어날 확률 P(B)는 주변가능도, 구하고자 하는 사건 B가 일어날 때 사건 A가 일어날 확률 P(A|B)는 사후확률이 된다. 위에서 살펴보았듯, 나이브 베이즈 알고리즘은 모든 설명변수는 동등하게 중요하며 독립적이라는 순수한(naive) 가정을 하는 것이 특징이다. 이러한 가정에도 불구하고 나이브 베이즈 알고리즘의 성능은 매우 뛰어나다. 특히 본 연구에서는 양식어의 사망 발생 여부에 대한 예측 정확도만 높으면 양식어의 사망 확률이 얼마나 높은지는 중요하지 않을 수 있기 때문이다.
한편, 나이브 베이즈에서 범주의 종류 C가 주어질 경우, 설명변수 에 대해서 조건부 독립이고, 이 때 C의 분포는 다음과 같다.
설명변수들로 주어진 증거를 고려해 범주 C에 대한 확률은 각 증거들의 확률을 곱하고, 특성 값들이 주어진 경우 상수가 되는, 즉 x1,...,xn,에만 의존하여 사전확률과 확률 값을 변환하는 스케일링 인자(scaling factor)
Figure 112021149778384-pat00010
를 모두 곱하는 것과 같다. 나이브 베이즈 분류에서는 k개의 가능한 확률적 결과들 즉, 레벨(level)값 Ck에 대해서 다음 수학식을 통해 최대 확률을 갖는 k를 찾아낸다.
섭식확률 예측에는 수온(temperature), pH, 염분(salinity), 용존산소(DO), 암모니아(Ammonia), 아질산(Nitrous), 생존 수(survive)의 7개 설명변수를 사용하고, 반응변수는 어류의 섭식 여부로 결정한다. 분류기는 R의 CRAN에서 배포하는 e1071 패키지(package)의 naiveBayes function을 이용하였다. 범주를 섭식으로 진단하는 기준 확률은 50%로 설정하고 급이 시기를 판단하도록 한다. 초기에는 환경요소에 따른 급이 여부를 기록한 데이터셋을 이용하고, 향후 데이터가 축적될수록 예측 정확도는 더욱 향상될 것으로 판단된다.
이와 같이 본 발명은 양식장에 입식되는 대상 어류의 양식 개체수(110)와, 어류 성장에 따른 무게 증가분으로 산정되어 도출되는 어류 무게(120)와, 수온, ph, 염분, 용존산소량(DO)을 포함하는 양식장 환경요소(130)의 측정값을 수집하여 사료전환비를 계산한 다음 어류 무게를 곱으로 급이당시의 어류 무게에 따른 최적 급이량을 산출하여 사료의 자동공급이 이루어지도록 하므로 적정량의 사료 공급으로 어류성장을 유도하여 어류의 생산성을 높이고, 사료비용의 절감과 환경오염을 방지할 수 있다.
이상에서 본 발명은 상기 실시예를 참고하여 설명하였지만 본 발명의 기술사상 범위 내에서 다양한 변형실시가 가능함은 물론이다.
100 : 제어부 110 : 양식 개체수
120 : 어류 무게 130 : 양식장 환경요소
140 : 사료공급장치 150 : 타이머
200 : 제어부 210 : 양식 데이터셋
220 : 데이터 아카이브

Claims (5)

  1. 사료를 공급하고 데이터를 수집하는 제어부와, 사료의 적정한 양과 적절한 급이 시기를 계산하는 연산부로 이루어지되
    상기 제어부는 양식 개체수, 어류 무게 및 양식장 환경요소의 측정값을 수집하여 연산부의 데이터 서버로 전송하고, 양식 개체수 및 어류 무게는 연산부의 데이터 아카이브에 저장하며,
    상기 연산부의 데이터 서버에는 제어부에서 실시간으로 수집되는 양식 개체수, 어류 무게, 양식장 환경요소의 측정값과 사용자 입력 양식 데이터셋이 저장되어 최적 급이량 산정 및 섭취확률 계산이 이루어지고, 최적 급이량 및 급이 시기의 예측 알고리즘은 양식 데이터셋을 머신러닝에 이용하는 것을 포함하며,
    상기 연산부에서 예측된 사료공급량과 섭식 확률은 제어부로 전송하고, 제어부에서 섭식 확률에 따라 급이 시기를 판단하여 사료공급이 이루어지도록 하며,
    상기 어류 무게는,
    어류의 초기 무게를 입력하고, 어류 양식장의 수압을 측정하는 압력센서를 통해 측정된 물의 무게를 변환한 다음 압력의 증가치를 어류 무게 증가분으로 추정하여 어류 성장에 의한 무게 증가분으로 산정되어 도출되고,
    상기 제어부의 최종 사료 공급량 및 어류 무게는 연산부의 데이터 아카이브로 전송되어 사료전환비를 계산한 다음 어류 무게를 곱으로 급이당시의 어류 무게에 따른 최적 급이량을 산출하여 사료의 자동공급이 이루어지도록 하는 것을 특징으로 하는 양식 어류의 사료 자동공급 시스템.
  2. 삭제
  3. 삭제
  4. 제 1항에 있어서,
    상기 섭취 확률이 기준치에 미치지 못하면 공급장치가 대기하면서 양식장 환경요소의 측정값을 연산부의 데이터 아카이브로 일정한 시간 간격으로 전송하여 섭식 확률을 재계산하고, 섭식 확률이 기준치에 도달하면 사료 공급을 재개하는 것을 특징으로 하는 양식 어류의 사료 자동공급 시스템.
  5. 삭제
KR1020210186826A 2021-12-24 2021-12-24 양식 어류의 사료 자동공급 시스템 KR102563979B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210186826A KR102563979B1 (ko) 2021-12-24 2021-12-24 양식 어류의 사료 자동공급 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210186826A KR102563979B1 (ko) 2021-12-24 2021-12-24 양식 어류의 사료 자동공급 시스템

Publications (2)

Publication Number Publication Date
KR20230097381A KR20230097381A (ko) 2023-07-03
KR102563979B1 true KR102563979B1 (ko) 2023-08-03

Family

ID=87157167

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210186826A KR102563979B1 (ko) 2021-12-24 2021-12-24 양식 어류의 사료 자동공급 시스템

Country Status (1)

Country Link
KR (1) KR102563979B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102274064B1 (ko) * 2020-08-11 2021-07-07 대한민국 스마트양식장을 위한 방법 및 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100270138B1 (ko) 1998-02-18 2000-10-16 김군환 양어장용 먹이자동공급 방법 및 그 시스템
KR100821882B1 (ko) 2007-04-03 2008-04-15 한국해양대학교 산학협력단 수조식 어류 양식장의 사료 정량 공급 자동화 시스템
KR20160139944A (ko) * 2015-05-29 2016-12-07 주식회사 리얼팜 농장 사료 효율 측정 시스템 및 농장 사료 효율 측정 방법
KR101814288B1 (ko) 2016-08-17 2018-01-03 김영구 3차원 분석을 이용한 양식장 사료 급이 시스템 및 그 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102274064B1 (ko) * 2020-08-11 2021-07-07 대한민국 스마트양식장을 위한 방법 및 장치

Also Published As

Publication number Publication date
KR20230097381A (ko) 2023-07-03

Similar Documents

Publication Publication Date Title
Thomas et al. Modelling the population size and dynamics of the British grey seal
JP7033985B2 (ja) 水生生物生産管理システム
Lafont et al. Back to the future: IoT to improve aquaculture: Real-time monitoring and algorithmic prediction of water parameters for aquaculture needs
Gremillet et al. Modelling the daily food requirements of wintering great cormorants: a bioenergetics tool for wildlife management
US20130206078A1 (en) System and method for controlling feeding of farmed fish
Galvani et al. Sperm allocation in an uncertain world
Karp et al. Cycles in agricultural production: the case of aquaculture
Colvin et al. Strategies to control a common carp population by pulsed commercial harvest
Staggs et al. Factors affecting first-year growth of fishes in Lake Winnebago, Wisconsin
Mangel et al. A model at the level of the foraging trip for the indirect effects of krill (Euphausia superba) fisheries on krill predators
Gonzalez-Romero et al. Stochastic bio-economic optimization of pond size for intensive commercial production of whiteleg shrimp Litopenaeus vannamei
Mikhailov et al. Model of fish population dynamics with calculation of individual growth rate and hydrological situation scenarios
Estrada-Pérez et al. Deterministic and stochastic models for analysis of partial harvesting strategies and improvement of intensive commercial production of whiteleg shrimp (Litopenaeus vannamei)
EP1392109B1 (en) Method and system for controlling bioresponse of living organisms
Nepal et al. Density‐dependence mediates the effects of temperature on growth of juvenile Blue Catfish in nonnative habitats
Relund Nielsen et al. Embedding a state space model into a Markov decision process
KR102563979B1 (ko) 양식 어류의 사료 자동공급 시스템
Apichottanakul et al. The role of pig size prediction in supply chain planning
Aljehani et al. Feeding control and water quality monitoring in aquaculture systems: Opportunities and challenges
Hean An optimal management model for intensive aquaculture—an application in Atlantic salmon
Hin et al. Using individual-based bioenergetic models to predict the aggregate effects of disturbance on populations: A case study with beaked whales and Navy sonar
Kirkpatrick The evolution of size and growth in harvested natural populations
Costa et al. Data analytics in aquaculture
Robinson et al. Evaluating the impacts of fishing on sex-changing fish: a game-theoretic approach
Mulema et al. Quality and productivity in aquaculture: Prediction of oreochromis mossambicus growth using a transfer function arima model

Legal Events

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