KR102620688B1 - 인공지능 기반 갑각류 등급 산출 시스템 - Google Patents
인공지능 기반 갑각류 등급 산출 시스템 Download PDFInfo
- Publication number
- KR102620688B1 KR102620688B1 KR1020230054183A KR20230054183A KR102620688B1 KR 102620688 B1 KR102620688 B1 KR 102620688B1 KR 1020230054183 A KR1020230054183 A KR 1020230054183A KR 20230054183 A KR20230054183 A KR 20230054183A KR 102620688 B1 KR102620688 B1 KR 102620688B1
- Authority
- KR
- South Korea
- Prior art keywords
- crustacean
- data
- grade
- yield
- crustaceans
- Prior art date
Links
- 241000238424 Crustacea Species 0.000 title claims abstract description 162
- 238000004364 calculation method Methods 0.000 title claims description 64
- 238000013473 artificial intelligence Methods 0.000 title description 9
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000003384 imaging method Methods 0.000 claims description 16
- 238000013459 approach Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000000034 method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 241000238557 Decapoda Species 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000238421 Arthropoda Species 0.000 description 1
- 241000238017 Astacoidea Species 0.000 description 1
- 241000238586 Cirripedia Species 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 235000021067 refined food Nutrition 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/16—Sorting according to weight
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
갑각류의 거치 공간을 제공하는 거치 장치; 상기 갑각류를 촬영하여 갑각류 등급 산출 데이터를 획득하는 촬영 장치; 및 상기 갑각류 등급 산출 데이터를 이용하여 갑각류의 수율을 예측하고, 갑각류의 수율에 따른 등급을 산출하는 갑각류 등급 산출 장치;를 포함하는, 갑각류 등급 산출 시스템을 개시한다.
Description
본 발명은 인공지능 기반 갑각류 수율값을 측정하여 등급을 산출하는 시스템에 관한 것이다.
갑각류는 절지동물의 한 분류로 새우, 게, 따개비, 가재 등 55,000 여종의 생물이 속해 있으며, 수산자원이나 어류의 천연 사료 등으로 사용되어 수산업 측면에서도 많은 도움이 되고 있고, 요리나 가공식품에도 많이 이용되고 있다.
한편, 갑각류의 수율 측정에 대하여 명확한 측정 기준이 없으며, 100% 사람의 감으로 수율 측정이 이루어지고 있는바, 이로 인한 소비자들의 피해가 커지고 있는 실정이다.
본 발명의 일측면은 비전 카메라를 통한 RGB 색 값 데이터, 객체 인식을 통한 크기 데이터, 무게 측정을 통한 무게 데이터의 3 가지 데이터를 이용하여 수율 값을 예측하고, 수율 값에 따른 등급을 산출하는 시스템을 개시한다.
본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 시스템은 갑각류의 거치 공간을 제공하는 거치 장치; 상기 갑각류를 촬영하여 갑각류 등급 산출 데이터를 획득하는 촬영 장치; 및 상기 갑각류 등급 산출 데이터를 이용하여 갑각류의 수율을 예측하고, 갑각류의 수율에 따른 등급을 산출하는 갑각류 등급 산출 장치;를 포함한다.
한편, 상기 거치 장치는, 상기 촬영 장치의 하부에 위치하고, 무게 센서를 포함하여 상기 갑각류의 무게를 무게 데이터로 획득하고, 상기 무게 데이터를 상기 갑각류 등급 산출 장치로 전송하고,
상기 촬영 장치는, RGB 센서를 포함하여 상기 갑각류의 RGB 색상을 색 데이터로 획득하고, 상기 갑각류를 촬영한 촬영 영상에서 상기 갑각류를 식별하여 상기 갑각류의 크기를 추출하고, 상기 갑각류의 크기를 크기 데이터로 획득하며, 상기 색 데이터 및 상기 크기 데이터를 상기 갑각류 등급 산출 장치로 전송할 수 있다.
한편, 상기 갑각류 등급 산출 장치는, 상기 무게 데이터, 상기 색 데이터 및 상기 크기 데이터를 포함하는 상기 갑각류 등급 산출 데이터를 획득하는 갑각류 등급 산출 데이터 획득부; 갑각류 등급 산출 데이터에 대하여 갑각류의 수율 출력을 위해 빅데이터를 학습한 인공 신경망을 포함하고, 상기 갑각류 등급 산출 데이터 획득부에서 획득한 갑각류 등급 산출 데이터를 상기 인공 신경망에 입력하여 갑각류의 수율을 산출하는 수율 예측부; 및 상기 수율 예측부에서 예측한 갑각류의 수율이 90% 이상인 경우, 상기 갑각류의 등급을 S급으로 산출하고, 상기 수율 예측부에서 예측한 갑각류의 수율이 80% 이상, 90% 미만인 경우, 상기 갑각류의 등급을 A급으로 산출하고, 상기 수율 예측부에서 예측한 갑각류의 수율이 70% 이상, 80% 미만인 경우, 상기 갑각류의 등급을 B급으로 산출하며, 상기 수율 예측부에서 예측한 갑각류의 수율이 60% 이상, 70% 미만인 경우, 상기 갑각류의 등급을 C급으로 산출하는 등급 산출부;를 포함할 수 있다.
상술한 본 발명의 일 측면에 따르면, 갑각류 등급 산출 데이터에 기반하여 갑각류(10)의 수율을 예측하고, 갑각류(10)의 수율에 따른 등급을 산출하여 줌으로써 소비자에게 정확한 제품 정보를 제공할 수 있으며, 우수한 제품 관리를 통해 폐기율을 낮출 수 있다.
도 1은 본 발명의 일 실시예에 따른 시스템의 개념도이다.
도 2는 도 1에 도시된 갑각류 등급 산출 장치의 개념도이다.
도 3은 도 1에 도시된 촬영 장치를 보여주는 도면이다.
도 4는 본 발명의 일 실시예에 따른 고정 모듈을 설명하기 위한 도면이다.
도 2는 도 1에 도시된 갑각류 등급 산출 장치의 개념도이다.
도 3은 도 1에 도시된 촬영 장치를 보여주는 도면이다.
도 4는 본 발명의 일 실시예에 따른 고정 모듈을 설명하기 위한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계 및 동작은 하나 이상의 다른 구성요소, 단계 및 동작의 존재 또는 추가를 배제하지 않는다.
도 1은 본 발명의 일 실시예에 따른 시스템의 개념도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 갑각류 등급 산출 시스템(1)은 갑각류 등급 산출 장치(100), 촬영 장치(300) 및 거치 장치(200)를 포함할 수 있다.
갑각류 등급 산출 장치(100)는 본 발명에 따른 갑각류 등급 산출 서비스를 제공하기 위한 자체 서버이거나 클라우드 서버일 수도 있고 분산된 노드들의 p2p(peer-to-peer) 집합일 수 있다.
갑각류 등급 산출 장치(100)는 일반적인 컴퓨터가 갖는 연산, 저장, 참조, 입출력, 제어 기능 중 어느 하나 이상을 수행할 수 있고, 입력 데이터를 바탕으로 후술할 인공 신경망을 포함할 수 있다.
갑각류 등급 산출 장치(100)는 프로세서 및 메모리를 포함할 수 있다. 프로세서는 본 발명에 따른 갑각류 수율 예측 및 수율에 따른 등급 산출을 수행할 수 있고, 이를 수행할 수 있는 장치들을 포함할 수 있다. 프로세서는 프로그램을 실행하거나 갑각류 등급 산출 장치(100)를 제어할 수도 있다. 프로세서에 의해 실행되는 프로그램 코드는 메모리에 저장될 수 있다. 메모리는 본 발명에 따른 갑각류 등급 산출 서비스를 수행하기 위한 관련 정보들을 저장하거나 방법을 구현하기 위한 프로그램을 저장할 수 있다. 메모리는 휘발성 메모리거나 비휘발성 메모리일 수 있다.
갑각류 등급 산출 장치(100)는 네트워크를 이용하여 외부 장치에 데이터를 발신하거나 외부 장치로부터 데이터를 수신할 수 있다.
갑각류 등급 산출 장치(100)는 인공 신경망을 학습시킬 수 있고, 학습이 완료된 인공 신경망을 이용할 수도 있다. 프로세서는 메모리에 저장된 인공 신경망을 학습시키거나 실행할 수 있고, 메모리는 학습 완료된 인공 신경망을 저장할 수 있다. 인공 신경망을 학습시키는 전자 장치와 이용하는 전자 장치는 동일할 수 있지만 별개일 수도 있다.
인공지능은 인간의 뇌의 기능을 일부 구현한 컴퓨터 시스템으로, 스스로 학습하고 추측하고 판단할 수 있다. 학습을 진행할수록 답을 추출할 확률이 높아질 수 있다. 인공지능은 학습과 그것을 이용한 요소 기술들로 구성될 수 있다. 인공지능의 학습은 입력 데이터를 바탕으로 특징을 분류와 학습을 하는 알고리즘 기술이고, 요소 기술들은 학습 알고리즘을 이용하여 인간의 뇌의 기능을 일부 구현하는 기술일 수 있다.
인공지능은 확률적으로 여러 답이 나올 수 있는 문제에 접근하기 쉬운 기술로써 어떠한 입력 데이터에 따르는 최적의 주기와 방법, 계획 등을 논리적이고 확률적으로 추론할 수 있다. 인공지능의 추론 기술은 입력 데이터를 판단하고 최적화 예측, 지식과 확률 기반 추론, 선호 기반 계획 등을 포함할 수 있다.
인공신경망은 기계학습 분야의 학습 알고리즘 중 하나로 뇌의 뉴런과 시냅스의 연결을 프로그램으로 구현한 것이다. 인공신경망은 프로그램으로 신경망의 구조를 만든 다음 학습시켜 원하는 기능을 가지게 할 수 있다. 오차가 존재할 수 있지만 거대한 데이터를 바탕으로 학습하여 입력 데이터를 가지고 적절한 출력 데이터를 출력할 수 있다. 통계적으로 좋은 결과를 얻었던 출력 데이터를 획득할 수 있고 인간의 추론과 유사하다는 장점이 있다.
갑각류 등급 산출 장치(100)는 빅데이터를 기반으로 구축된 인공지능 알고리즘을 이용하여 갑각류 등급 산출 데이터에 따른 갑각류의 수율을 예측하여 제공할 수 있고, 이를 위해 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 예를 들면, 갑각류 등급 산출 데이터는 갑각류(10)의 RGB 값을 나타내는 색 데이터, 갑각류(10)의 크기를 나타내는 크기 데이터 및 갑각류(10)의 무게를 나타내는 무게 데이터를 포함할 수 있다.
갑각류 등급 산출 장치(100)는 데스크탑 컴퓨터, 랩탑, 태블릿, 스마트폰 등 네트워크를 통해 데이터를 주고받을 수 있는 단말이면 모두 포함될 수 있다.
갑각류 등급 산출 장치(100)는 본 발명에 따른 서비스를 수행하기 위하여 컴퓨터가 가지는 연산 기능, 저장 기능, 참조 기능, 입출력 기능, 제어 기능 중 어느 하나 이상을 포함할 수 있다.
갑각류 등급 산출 장치(100)는 본 발명에 따른 서비스를 제공받기 위하여 웹사이트에 접속하거나 애플리케이션을 설치할 수 있다. 갑각류 등급 산출 장치(100)는 웹사이트 또는 애플리케이션을 통하여 데이터를 주고받을 수 있다.
갑각류 등급 산출 장치(100)는 촬영 장치(300) 및 거치 장치(200)와 근거리 통신망을 통해 연결될 수 있다. 예를 들면, 갑각류 등급 산출 장치(100)는 촬영 장치(300) 및 거치 장치(200)로부터 갑각류 등급 산출 데이터들을 수신할 수 있다.
네트워크는 대용량, 장거리 음성 및 데이터 서비스가 가능한 대형 통신망의 고속 기간 망인 통신망이며, 인터넷(Internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 차세대 유선 및 무선 망일 수 있다.
네트워크가 이동통신망일 경우 동기식 이동 통신망일 수도 있고, 비동기식 이동 통신망일 수도 있다. 비동기식 이동 통신망의 일 실시 예로서, WCDMA(Wideband Code Division Multiple Access) 방식의 통신망을 들 수 있다. 이 경우 도면에 도시되진 않았지만, 네트워크는 RNC(Radio Network Controller)을 포함할 수 있다. 한편, WCDMA망을 일 예로 들었지만, 3G LTE망, 4G망 그 밖의 5G 등 차세대 통신망, 그 밖의 IP를 기반으로 한 IP망일 수 있다.
촬영 장치(300)는 갑각류(10)를 촬영하여 갑각류 등급 산출 데이터를 획득하고, 갑각류 등급 산출 데이터를 갑각류 등급 산출 장치(100)로 전송할 수 있다.
예를 들면, 촬영 장치(300)는 RGB 센서를 포함할 수 있다. 촬영 장치(300)는 RGB 센서를 통해 적색, 녹색, 청색(RGB) 패턴의 영상으로 갑각류(10)를 촬영하여 갑각류(10)의 RGB 색상을 색 데이터로 획득할 수 있다.
또한, 촬영 장치(300)는 촬영 영상에서 갑각류(10)를 식별할 수 있으며, 갑각류(10)의 크기를 추출하여 크기 데이터로 획득할 수 있다.
거치 장치(200)는 촬영 장치(300)의 하부에 위치하여 갑각류(10)의 거치 공간을 제공하고, 갑각류 등급 산출 데이터를 획득하여 갑각류 등급 산출 장치(100)로 전송할 수 있다.
예를 들면, 거치 장치(200)는 무게 센서를 포함하여 갑각류(10)의 무게를 무게 데이터로 획득할 수 있다.
갑각류 등급 산출 장치(100)는 촬영 장치(300) 및 거치 장치(200)로부터 갑각류 등급 산출 데이터를 수신하고, 갑각류 등급 산출 데이터를 분석하여 갑각류(10)의 수율을 예측하며, 갑각류(10)의 수율에 따른 등급을 산출할 수 있다.
이와 같은 본 발명의 일 실시예예 따른 갑각류 등급 산출 시스템(1)은 갑각류 등급 산출 데이터에 기반하여 갑각류(10)의 수율을 예측하고, 갑각류(10)의 수율에 따른 등급을 산출하여 줌으로써 소비자에게 정확한 제품 정보를 제공할 수 있으며, 우수한 제품 관리를 통해 폐기율을 낮출 수 있다.
도 2는 도 1에 도시된 갑각류 등급 산출 장치의 개념도이다.
도 2를 참조하면, 갑각류 등급 산출 장치(100)는 갑각류 등급 산출 데이터 획득부(110), 수율 예측부(120) 및 등급 산출부(130)를 포함할 수 있다.
갑각류 등급 산출 데이터 획득부(110)는 갑각류(10)의 색 데이터, 크기 데이터 및 무게 데이터를 포함하는 갑각류 등급 산출 데이터를 획득할 수 있다.
갑각류 등급 산출 데이터 획득부(110)는 촬영 장치(300)로부터 갑각류(10)의 RGB 값을 나타내는 색 데이터 및 갑각류(10)의 크기를 나타내는 크기 데이터를 획득할 수 있다.
갑각류 등급 산출 데이터 획득부(110)는 거치 장치(200)로부터 갑각류(10)의 무게를 나타내는 무게 데이터를 획득할 수 있다.
예를 들면, 갑각류 등급 산출 데이터는 ef4d4d(색 데이터), 10cm(크기 데이터) 및 무게 데이터(1000g)을 포함할 수 있다.
수율 예측부(120)는 갑각류 등급 산출 데이터를 분석하여 갑각류의 수율을 예측할 수 있다.
예를 들면, 수율 예측부(120)는 갑각류 등급 산출 데이터에 따른 수율을 매칭하여 저장한 빅데이터를 포함할 수 있다. 수율 예측부(120)는 빅데이터에서 갑각류 등급 산출 데이터에 매칭된 수율을 해당 갑각류(10)의 수율로 예측할 수 있다. 빅데이터는 ef4d4d(색 데이터)-10cm(크기 데이터)-1000g(무게 데이터):수율 80%, ef4d6d(색 데이터)-12cm(크기 데이터)-990g(무게 데이터):수율 73%, ef4d2d(색 데이터)-13cm(크기 데이터)-1020g(무게 데이터):수율 70%와 같이 갑각류 등급 산출 데이터의 조합에 따른 갑각류의 수율을 매칭하여 저장할 수 있다.
또는, 수율 예측부(120)는 갑각류 등급 산출 데이터에 대하여 갑각류의 수율 출력을 위해 학습된 인공 신경망을 포함할 수 있다. 수율 예측부(120)는 인공 신경망으로부터 출력 데이터를 획득하고, 출력 데이터를 갑각류의 수율로 예측할 수 있다.
수율 예측부(120)는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.
본 실시예에서 인공 신경망은 갑각류 등급 산출 데이터에 대하여 갑각류의 수율을 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na
ve Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.
인공 신경망은 수많은 인공 뉴런들을 몇 개의 층으로 쌓고 연결할 수 있다. 인공 신경망의 입력 데이터에는 갑각류 등급 산출 데이터를 포함할 수 있다. 인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 갑각류 등급 산출 데이터에 따라 예측되는 갑각류의 수율을 추론하여 출력 데이터를 출력할 수 있다.
인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다.
인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.
이와 같이 수율 예측부(120)는 갑각류 등급 산출 데이터를 인공 신경망에 입력하여 갑각류(10)의 수율을 예측할 수 있다.
등급 산출부(130)는 수율 예측부(120)에서 예측한 갑각류(10)의 수율에 따라 갑각류(10)의 등급을 산출할 수 있다.
예를 들면, 등급 산출부(130)는 갑각류(10)의 등급을 S급, A급, B급 및 C급의 4 등급으로 나눌 수 있다. 이때, S급은 수율이 90% 이상인 경우이고, A급은 수율이 80% 이상, 90% 미만인 경우이고, B급은 수율이 70% 이상, 80% 미만인 경우이고, C급은 수율이 60% 이상, 70% 미만인 경우이다. 등급 산출부(130)는 S급, A급, B급 및 C급 중 예측한 갑각류(10)의 수율에 해당하는 등급을 산출할 수 있다.
도 3은 도 1에 도시된 촬영 장치를 보여주는 도면이다.
도 3을 참조하면, 촬영 장치(300)는 지지 플레이트(310), 수직 프레임(320), 수평 프레임(330) 및 촬영부(350)를 포함할 수 있다.
지지 플레이트(310)는 소정 두께의 원판 형상으로 형성될 수 있다.
수직 프레임(320)은 지지 플레이트(310)에 대하여 수직으로 연장 형성될 수 있다.
수평 프레임(330)은 수직 프레임(320)에 지면과 평행하게 설치될 수 있으며, 수직 프레임(320)을 따라 상하 방향으로 이동 가능하도록 설치될 수 있다.
촬영부(350)는 수평 프레임(330)의 단부에 설치될 수 있으며, 상술한 것처럼 하부에 위치하는 갑각류(10)를 촬영하여 색 데이터 및 크기 데이터를 산출하고, 산출한 색 데이터 및 크기 데이터를 갑각류 등급 산출 장치(100)로 전송할 수 있다.
한편, 수평 프레임(330)은 고정 모듈을 내장할 수 있다. 이와 관련하여 도 4를 참조하여 설명한다.
도 4는 본 발명의 일 실시예에 따른 고정 모듈을 설명하기 위한 도면이다.
도 4를 참조하면, 고정 모듈은 제1 고정 하우징(331), 제2 고정 하우징(332), 중심 플레이트(335), 제1 고정 블록(337) 및 제2 고정 블록(338)을 포함할 수 있다.
제1 고정 하우징(331) 및 제2 고정 하우징(332)은 상호 결합되어 내부 공간(333)을 형성할 수 있다.
제1 고정 하우징(331) 및 제2 고정 하우징(332)은 수평 프레임(330)에 내장 설치될 수 있다.
중심 플레이트(335)는 내부 공간(333)에서 제1 고정 하우징(331) 또는 제2 고정 하우징(332) 측으로 회동 가능하도록 설치될 수 있으며, 이때, 중심 플레이트(335)는 소정의 무게를 갖는 플레이트 형상으로 형성될 수 있다.
예를 들면, 중심 플레이트(335)는 일단부가 제1 고정 하우징(331) 및 제2 고정 하우징(332)의 일측 결합 부분에 설치될 수 있으며, 수평 프레임(330)의 기울기 변화에 따라 제1 고정 하우징(331) 측으로 회동하거나 제2 고정 하우징(332) 측으로 회동할 수 있다.
중심 플레이트(335)는 하단부에 중심 블록(336)을 형성할 수 있다.
제1 고정 블록(337)은 제1 고정 하우징(331)의 내측에 설치되고, 제2 고정 블록(338)은 제2 고정 하우징(332)의 내측에 설치될 수 있다.
제1 고정 블록(337) 및 제2 고정 블록(338)은 각각 중심 블록(336)과 대응하는 위치에 설치될 수 있다.
제1 고정 블록(337)은 중심 블록(336)과 동일한 극성을 가져 중심 블록(336)과 척력을 형성할 수 있다. 예를 들면, 제1 고정 블록(337)은 중심 블록(336)이 가까워지는 경우, 척력을 형성하여 중심 플레이트(335)를 밀어낼 수 있다.
제2 고정 블록(338)은 중심 블록(336)과 반대되는 극성을 가져 중심 블록(336)과 인력을 형성할 수 있다.
이에 따라, 수평 프레임(330)이 하방으로 기울어져 거치 장치(200)와 가까워지더라도, 중심 블록(336) 및 제1 고정 블록(337) 간의 척력으로 중심 플레이트(335)가 상방 이동하게 되며, 중심 블록(336)이 제2 고정 블록(338)과 부착됨으로써 중심 플레이트(335)에 의한 무게 중심이 제2 고정 하우징(332) 측으로 이동하도록 한다. 이와 같은 경우, 수평 프레임(330)이 수평 상태를 유지하게 되어, 촬영부(340)에 의한 촬영 데이터 획득의 정확도를 높일 수 있으며, 나아가 수율 예측의 정확도를 높일 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
1: 갑각류 등급 산출 시스템
100: 갑각류 등급 산출 장치
200: 거치 장치
300: 촬영 장치
100: 갑각류 등급 산출 장치
200: 거치 장치
300: 촬영 장치
Claims (3)
- 갑각류의 거치 공간을 제공하는 거치 장치;
상기 갑각류를 촬영하여 갑각류 등급 산출 데이터를 획득하는 촬영 장치; 및
상기 갑각류 등급 산출 데이터를 이용하여 갑각류의 수율을 예측하고, 갑각류의 수율에 따른 등급을 산출하는 갑각류 등급 산출 장치;를 포함하고,
상기 거치 장치는,
상기 촬영 장치의 하부에 위치하고, 무게 센서를 포함하여 상기 갑각류의 무게를 무게 데이터로 획득하고, 상기 무게 데이터를 상기 갑각류 등급 산출 장치로 전송하고,
상기 촬영 장치는,
RGB 센서를 포함하여 상기 갑각류의 RGB 색상을 색 데이터로 획득하고, 상기 갑각류를 촬영한 촬영 영상에서 상기 갑각류를 식별하여 상기 갑각류의 크기를 추출하고, 상기 갑각류의 크기를 크기 데이터로 획득하며, 상기 색 데이터 및 상기 크기 데이터를 상기 갑각류 등급 산출 장치로 전송하고,
상기 갑각류 등급 산출 장치는,
상기 무게 데이터, 상기 색 데이터 및 상기 크기 데이터를 포함하는 상기 갑각류 등급 산출 데이터를 획득하는 갑각류 등급 산출 데이터 획득부;
갑각류 등급 산출 데이터에 대하여 갑각류의 수율 출력을 위해 빅데이터를 학습한 인공 신경망을 포함하고, 상기 갑각류 등급 산출 데이터 획득부에서 획득한 갑각류 등급 산출 데이터를 상기 인공 신경망에 입력하여 갑각류의 수율을 산출하는 수율 예측부; 및
상기 수율 예측부에서 예측한 갑각류의 수율이 90% 이상인 경우, 상기 갑각류의 등급을 S급으로 산출하고, 상기 수율 예측부에서 예측한 갑각류의 수율이 80% 이상, 90% 미만인 경우, 상기 갑각류의 등급을 A급으로 산출하고, 상기 수율 예측부에서 예측한 갑각류의 수율이 70% 이상, 80% 미만인 경우, 상기 갑각류의 등급을 B급으로 산출하며, 상기 수율 예측부에서 예측한 갑각류의 수율이 60% 이상, 70% 미만인 경우, 상기 갑각류의 등급을 C급으로 산출하는 등급 산출부;를 포함하고,
상기 촬영 장치는,
소정 두께의 원판 형상으로 형성되는 지지 플레이트;
상기 지지 플레이트에 대하여 수직으로 연장 형성되는 수직 프레임;
상기 수직 프레임에 지면과 평행하게 설치되고, 상기 수직 프레임을 따라 상하 방향으로 이동 가능하도록 설치되는 수평 프레임; 및
상기 수평 프레임의 단부에 설치되고, 상기 갑각류를 촬영하는 촬영부;를 포함하고,
상기 수평 프레임은,
상기 수평 프레임이 수평 상태를 유지할 수 있도록 형성되는 고정 모듈;을 포함하고,
상기 고정 모듈은,
상호 결합되어 내부 공간을 형성하고, 상기 수평 프레임에 내장 설치되는 제1 고정 하우징 및 제2 고정 하우징;
상기 내부 공간에 설치되되, 일단부가 상기 제1 고정 하우징 및 상기 제2 고정 하우징의 일측 결합 부분에 설치되어, 상기 수평 프레임의 기울기 변화에 따라 상기 제1 고정 하우징 측으로 회동하거나 상기 제2 고정 하우징 측으로 회동 하고, 소정 무게를 갖는 플레이트 형상으로 형성되는 중심 플레이트;
상기 중심 플레이트의 하단부에 형성되는 중심 블록;
상기 제1 고정 하우징의 내측에서 상기 중심 블록과 대응하는 위치에 설치되고, 상기 중심 블록과 동일한 극성을 가져 상기 중심 블록이 가까워지는 경우 척력을 형성하여 상기 중심 플레이트를 밀어내는 제1 고정 블록; 및
상기 제2 고정 하우징의 내측에서 상기 중심 블록과 대응하는 위치에 설치되고, 상기 중심 블록과 반대되는 극성을 가져 상기 중심 블록과 인력을 형성하는 제2 고정 블록;을 포함하는, 갑각류 등급 산출 시스템.
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230054183A KR102620688B1 (ko) | 2023-04-25 | 2023-04-25 | 인공지능 기반 갑각류 등급 산출 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230054183A KR102620688B1 (ko) | 2023-04-25 | 2023-04-25 | 인공지능 기반 갑각류 등급 산출 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102620688B1 true KR102620688B1 (ko) | 2024-01-03 |
Family
ID=89538693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230054183A KR102620688B1 (ko) | 2023-04-25 | 2023-04-25 | 인공지능 기반 갑각류 등급 산출 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102620688B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020042827A (ko) * | 1999-09-08 | 2002-06-07 | 타다시 테시마 | 갑각류 잔여 껍질의 검출 및 제거방법과 이를 수행하는 장치 |
| US20140168411A1 (en) * | 2012-12-19 | 2014-06-19 | Laitram, L.L.C. | Shrimp processing system and methods |
| JP2016512420A (ja) * | 2013-02-06 | 2016-04-28 | クリアウォーター シーフーズ リミテッド パートナーシップ | 甲殻類の体格を判断するためのイメージング |
| JP2016080583A (ja) * | 2014-10-20 | 2016-05-16 | ヤンマー株式会社 | 農産物判定装置 |
| KR20190068663A (ko) * | 2017-12-08 | 2019-06-19 | 한국로봇융합연구원 | 영상처리분석을 이용한 대상물 자동 선별, 분류 시스템 및 자동선별 분류방법 |
-
2023
- 2023-04-25 KR KR1020230054183A patent/KR102620688B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020042827A (ko) * | 1999-09-08 | 2002-06-07 | 타다시 테시마 | 갑각류 잔여 껍질의 검출 및 제거방법과 이를 수행하는 장치 |
| US20140168411A1 (en) * | 2012-12-19 | 2014-06-19 | Laitram, L.L.C. | Shrimp processing system and methods |
| JP2016512420A (ja) * | 2013-02-06 | 2016-04-28 | クリアウォーター シーフーズ リミテッド パートナーシップ | 甲殻類の体格を判断するためのイメージング |
| JP2016080583A (ja) * | 2014-10-20 | 2016-05-16 | ヤンマー株式会社 | 農産物判定装置 |
| KR20190068663A (ko) * | 2017-12-08 | 2019-06-19 | 한국로봇융합연구원 | 영상처리분석을 이용한 대상물 자동 선별, 분류 시스템 및 자동선별 분류방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230196117A1 (en) | Training method for semi-supervised learning model, image processing method, and device | |
| Núñez-Marcos et al. | Vision‐based fall detection with convolutional neural networks | |
| EP3968179A1 (en) | Place recognition method and apparatus, model training method and apparatus for place recognition, and electronic device | |
| CN110738309B (zh) | Ddnn的训练方法和基于ddnn的多视角目标识别方法和系统 | |
| KR102517513B1 (ko) | 인공지능 기반 수목 데이터 관리 시스템 및 수목 데이터 관리 방법 | |
| US11468266B2 (en) | Target identification in large image data | |
| CN113168541A (zh) | 用于成像系统的深度学习推理系统和方法 | |
| US11776092B2 (en) | Color restoration method and apparatus | |
| CN114004328A (zh) | Ai模型更新的方法、装置、计算设备和存储介质 | |
| WO2021218470A1 (zh) | 一种神经网络优化方法以及装置 | |
| CN114283316A (zh) | 一种图像识别方法、装置、电子设备和存储介质 | |
| CN113807399A (zh) | 一种神经网络训练方法、检测方法以及装置 | |
| US20220237917A1 (en) | Video comparison method and apparatus, computer device, and storage medium | |
| CN111104831B (zh) | 一种视觉追踪方法、装置、计算机设备以及介质 | |
| KR20210058404A (ko) | 이미지 처리방법 및 처리장치 | |
| TWI792560B (zh) | 資訊處理裝置及資訊處理方法 | |
| CN114139013B (zh) | 图像搜索方法、装置、电子设备及计算机可读存储介质 | |
| WO2021200392A1 (ja) | データ調整システム、データ調整装置、データ調整方法、端末装置及び情報処理装置 | |
| WO2022012668A1 (zh) | 一种训练集处理方法和装置 | |
| US11526807B2 (en) | Machine learning systems and methods with source-target adaptation | |
| CN115511892A (zh) | 一种语义分割模型的训练方法、语义分割方法及装置 | |
| JP2022164640A (ja) | マルチモーダル自動ラベル付けと能動的学習のためのデータセットとモデル管理のためのシステムと方法 | |
| CN113822130A (zh) | 模型训练方法、场景识别方法、计算设备和介质 | |
| CN114358250A (zh) | 数据处理方法、装置、计算机设备、介质及程序产品 | |
| KR102620688B1 (ko) | 인공지능 기반 갑각류 등급 산출 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |