KR102624927B1 - 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법 - Google Patents
가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법 Download PDFInfo
- Publication number
- KR102624927B1 KR102624927B1 KR1020200116045A KR20200116045A KR102624927B1 KR 102624927 B1 KR102624927 B1 KR 102624927B1 KR 1020200116045 A KR1020200116045 A KR 1020200116045A KR 20200116045 A KR20200116045 A KR 20200116045A KR 102624927 B1 KR102624927 B1 KR 102624927B1
- Authority
- KR
- South Korea
- Prior art keywords
- livestock
- diarrhea
- risk
- data
- analyzing
- Prior art date
Links
- 206010012735 Diarrhoea Diseases 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 42
- 241001465754 Metazoa Species 0.000 title description 2
- 244000144972 livestock Species 0.000 claims abstract description 209
- 230000000694 effects Effects 0.000 claims abstract description 41
- 230000033001 locomotion Effects 0.000 claims description 47
- 238000001514 detection method Methods 0.000 claims description 40
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000007405 data analysis Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 27
- 201000010099 disease Diseases 0.000 description 27
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 27
- 244000309466 calf Species 0.000 description 20
- 230000005540 biological transmission Effects 0.000 description 16
- 238000013480 data collection Methods 0.000 description 15
- 230000015654 memory Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 206010011224 Cough Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000005069 ears Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000008673 vomiting Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 235000015278 beef Nutrition 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 210000004916 vomit Anatomy 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 208000030303 breathing problems Diseases 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 208000010643 digestive system disease Diseases 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K11/00—Marking of animals
- A01K11/001—Ear-tags
- A01K11/004—Ear-tags with electronic identification means, e.g. transponders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4866—Evaluating metabolism
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/40—Animals
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
컴퓨터 시스템 상에서 수행되는, 컴퓨터 시스템 상에서 수행되는, 센서 데이터 및 이미지 데이터 기반 가축의 설사 탐지 및 설사 위험도 예측 방법이 제공된다. 상기 방법은 센서 데이터와 가축의 식별자를 수신하고, 상기 센서 데이터를 분석하여 가축을 식별하고 식별된 가축의 활동을 분류하고 가축의 위치를 계산하는 단계; 및 이미지 데이터를 수신하고, 상기 이미지 데이터를 분석하여 이미지 내 포함된 적어도 하나의 가축의 활동을 분류하는 단계를 포함할 수 있다 .
Description
본 개시는 영상정보 및 센서정보를 분석하여 가축의 설사 탐지 및 설사 위험도를 예측하는 시스템 및 그 이용 방법에 관한 것이다.
가축의 폐사는 한우나 젖소 등 가축 사육 농가의생산성에 큰 영향을 미치는 중요한 요인 중의 하나이다. 한우 산업에서 송아지의 폐사로, 2018년 기준 약 6,057억원의 손실이 발생했는데, 송아지의 폐사 원인 중 소화기 질환(설사)는 약 69%로 가장 큰 비율을 차지하고 있다.
정보통신기술(ICT)의 보급으로 가축 사양 정보, 환경 정보 등 농장의 데이터를 실시간으로 통합 관리하는 ‘스마트 축산 모델’이 제공되며, 사육의 생산성 및 품질을 향상하고, 인력관리의 효율성을 높이며 노동력을 절감하는 방향으로 ICT 기술이 접목되어 축산 산업의 변화가 일어나고 있으나, 가축의 질병 관리 분야에서는 아직 스마트 축산 기술 도입이 낮은 편이다. 가축의 건강상태 및 질병 이상 징후 등을 관리하기 위해서 통상 관리인이 돌아다니며 눈으로 직접 관찰하거나, 가축의 체중 및 식사량을 기록하여 관리하거나, 웨어러블 센서 등을 사용하여 접촉식으로 가축의 이동 데이터 등을 분석하여 관리하거나 마이크 등을 이용하여 가축의 질병 징후, 예컨대 기침 소리를 인공지능으로 분석하여 탐지하는 것이 현재의 기술 수준이다.
관리인이 주기적으로 모니터링하는 경우 관리인이 관찰하지 않는 사이 발생하는 가축의 이상 행동이나 질병 징후를 발견하기 어렵고, 가축의 체중 및 식사량을 기록하여 관리하는 경우, 기록이 누락되거나 기록한 데이터를 적절하게 분석 및 데이터가 주는 의미를 도출하기 위한 데이터 분석 기술이 추가로 필요하며, 접촉식 센서를 사용하여 관리하는 경우 접촉식 센서를 설치하거나 교체할 때 가축에 질병 등의 감염이나 상해 위험 가능성이 있고, 마이크를 사용하는 경우 축사내 다수의 가축을 대상으로 발생하는 소리를 분석하기 때문에 기침을 하거나 호흡에 문제가 있는 가축을 특정하기 매우 어렵다는 문제점이 있다.
가축의 설사는 대부분 바이러스에 의한 것이 원인으로, 특히 송아지와 같은 어린 가축은 24시간 내에 조치를 하지 않으면 탈수로 폐사할 수 있기 때문에 가축의 설사를 빠르게 탐지하고 신속한 조치가 필요한 송아지와 같은 설사 위험에 있는 어린 가축을 빠르게 인지하고 주의깊게 관찰하여 조치할 필요가 있다.
따라서, 관리자의 직접 관찰 없이도 효율적이고 안전하게 가축질병 상황을 확인할 수 있는 가축의 설사 탐지 및 설사 위험도 예측 시스템이 요구되고 있다.
본 개시의 일 특징에 따르면, 컴퓨터 시스템 상에서 수행되는, 센서 데이터 및 이미지 데이터 기반 가축의 설사 탐지 및 설사 위험도 예측 방법이 제공된다. 상기 방법은 센서 데이터와 가축의 식별자를 수신하고, 상기 센서 데이터를 분석하여 가축을 식별하고 식별된 가축의 활동을 분류하고 가축의 위치를 계산하는 단계; 및 이미지 데이터를 수신하고, 상기 이미지 데이터를 분석하여 이미지 내 포함된 적어도 하나의 가축의 활동을 분류하는 단계를 포함할 수 있다.
일 실시예에 있어서, 방법은 센서 데이터 분석 결과 분류된 가축의 활동과 이미지 데이터 분석 결과 분류된 가축의 활동을 매핑하고 동일한 활동으로 인식되었는지를 확인하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 동일한 활동으로 인식되었는지를 확인하는 단계는 센서 데이터를 분석한 결과 분류된 클래스와 동일한 시간 대에 이미지 데이터를 분석한 결과 분석된 클래스가 동일한지 여부를 판단하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 방법은 상기 센서 데이터를 기반으로 상기 가축의 시간별 자세를 예측하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 자세 예측 단계는 LSTM 시계열 기반 예측 방법을 기초로 예측할 수 있다.
일 실시예에 있어서, 상기 방법은 가축 위치를 계산하고 가축의 동선을 분석하는 단계를 더 포함하고, 상기 동선을 분석하는 단계는 심플 온라인 실시간 트랙킹(Simple Online and Realtime Tracking) 기법을 기초로 프레임별로 인식한 가축을 추적하여 소정의 위치에 이동한 횟수와 시간을 분석하는 단계일 수 있다.
일 실시예에 있어서, 상기 방법은 가축의 설사 위험도를 예측하는 단계를 더 포함하고, 상기 설사 위험도 예측하는 단계는 가축의 동선과 자세 분석값을 기초로 가축이 물통에 접근하는 횟수, 가축이 누워있는 횟수와 시간에 따라 산출될 수 있다.
일 실시예에 있어서, 상기 방법은 상기 예측된 설사 위험도가 소정의 값 이상인 경우 알람을 전송하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 가축의 설사 위험도를 예측하는 단계는 가축의 동선과 자세 분석값을 기초로 가축이 물통에 접근하는 횟수, 가축이 누워있는 횟수와 시간에 소정의 가중치를 합하여 산출될 수 있다.
본 개시의 다른 특징에 의하면, 컴퓨터에 의해 실행 가능한, 하나 이상의 컴퓨터 판독가능 명령이 수록된 컴퓨터 판독가능 기록매체로서 상기 하나 이상의 컴퓨터 판독가능 명령은, 상기 컴퓨터에 의해 실행되는 경우, 상기 컴퓨터로 하여금, 전술한 방법들 중 어느 하나의 방법을 수행하게 하는 컴퓨터 판도가능 기록매체가 제공된다.
본 개시의 실시예에 따르면, 효율적이고 안전하게 가축질병 상황을 확인할 수 있는 가축의 설사 탐지 및 설사 위험도 예측 시스템을 제공할 수 있다.
본 개시의 실시예에 따르면, 영상을 기초로 자동으로 가축의 이상 징후를 판별함으로써 24시간 누락 없이 가축의 행동을 모니터링할 수 있고, 가축에게 필요한 처방을 적시에 적용할 수 있다.
본 개시의 실시예에 따르면, 영상을 기초로 가축의 행동을 모니터링하여 분석하면서도 가축 식별 문제를 해결하고, 사용자에게 정확히 식별된 ID를 기반으로 정확한 정보를 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 가축의 설사 징후 탐지 및 위험도 예측 시스템(100)의 전체 구성을 개략적으로 도시한 도면이다.
도 2는 도 1의 가축의 설사 징후 탐지 및 위험 예측 서버의 예시적 기능 구성을 도시한 기능 블록도이다.
도 3는 도 1의 질병 관리 서버의 예시적 기능 구성을 도시한 기능 블록도이다.
도 4는 본 개시의 일 실시예에 따라 탐지 객체의 머무른 시간에 따른 히트맵이 표시된 화면이다.
도 5는 본 개시의 일 실시예에 따라 탐지 객체의 동선을 추척하여 결과를 표시하는 화면이다.
도 2는 도 1의 가축의 설사 징후 탐지 및 위험 예측 서버의 예시적 기능 구성을 도시한 기능 블록도이다.
도 3는 도 1의 질병 관리 서버의 예시적 기능 구성을 도시한 기능 블록도이다.
도 4는 본 개시의 일 실시예에 따라 탐지 객체의 머무른 시간에 따른 히트맵이 표시된 화면이다.
도 5는 본 개시의 일 실시예에 따라 탐지 객체의 동선을 추척하여 결과를 표시하는 화면이다.
이하, 첨부 도면을 참조하여 본 개시의 실시예에 관하여 상세히 설명한다. 이하에서는, 본 개시의 요지를 불필요하게 흐릴 우려가 있다고 판단되는 경우, 이미 공지된 기능 및 구성에 관한 구체적인 설명을 생략한다. 또한, 이하에서 설명하는 내용은 어디까지나 본 개시의 일 실시예에 관한 것일 뿐 본 개시가 이로써 제한되는 것은 아님을 알아야 한다.
본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 개시를 한정하려는 의도에서 사용된 것이 아니다. 예를 들면, 단수로 표현된 구성요소는 문맥상 명백하게 단수만을 의미하지 않는다면 복수의 구성요소를 포함하는 개념으로 이해되어야 한다. 또한, 본 개시의 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐이고, 이러한 용어의 사용에 의해 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하려는 것은 아니다.
본 명세서에 기재된 실시예에 있어서 '블록' 또는 '부'는 적어도 하나의 기능이나 동작을 수행하는 기능적 부분을 의미하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '블록' 또는 '부'는, 특정한 하드웨어로 구현될 필요가 있는 '블록' 또는 '부'를 제외하고는, 적어도 하나의 소프트웨어 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
덧붙여, 달리 정의되지 않는 한 기술적 또는 과학적인 용어를 포함하여, 본 명세서에서 사용되는 모든 용어들은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의된 용어들은, 관련 기술의 문맥상 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 개시의 명세서에서 명백하게 달리 정의하지 않는 한 과도하게 제한 또는 확장하여 해석되지 않는다는 점을 알아야 한다.
이하, 첨부된 도면을 참조하여, 본 개시의 실시예에 대해 구체적으로 설명하기로 한다.
도 1은 본 개시의 일 실시예에 따른 가축의 설사 징후 탐지 및 위험도 예측 시스템(100)의 전체 구성을 개략적으로 도시한 도면이다. 도시된 바에 의하면, 가축의 설사 징후 탐지 및 위험도 예측 시스템(100)은, 토탈 센서(110), 카메라(120), 데이터 수신 장치(130), 가축의 설사 징후 탐지 및 위험도 예측 서버(140), 통신망(도시되지 않음), 비콘 수신기(150) 및 질병 관리 서버(160)를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 토탈 센서(110)는 개별 가축에 부착되는 고정형 센서일 수 있다.
일 실시예에서, 토탈 센서(110)는 모션센서를 포함할 수 있다. 일 실시예에서, 토탈 센서(110)는 가축의 동작, 자세 등의 움직임을 감지할 수 있는 모션센서, 예컨대 가속도 센서, 자이로 센서 또는 지자계(magnetic) 센서일 수 있다. 일 실시예에서, 토탈 센서(110)는 가축의 움직임에 따라 3축~9축 모션센서의 데이터에 기반하여 가축의 활동을 센싱할 수 있다.
일 실시예에서, 토탈 센서(110)는 가축의 움직임을 감지할 수 있는 귀, 관절, 목둘레 등에 부착될 수 있다. 일 실시예에서, 토탈 센서(110)는 개별 가축에 부착되는 고정형 센서일 수 있다. 일 실시예에서, 토탈 센서(110)는 특정 부위에 탈착 가능한 밴드 형태로 구현될 수 있고, 특정 부위에 부착 가능한 다면체 형태로 구현될 수 있으며, 가축의 얼굴(귀)에 고정 형태로 구현될 수도 있으나 이에 한정되지 않는다.
일 실시예에서, 토탈 센서(110)는 가축의 동작, 자세 등의 움직임을 감지할 수 있는 모션센서, 예컨대 가속도 센서, 속도감지 센서 또는 자이로 센서일 수 있으나 이에 한정되지 않는다. 본 도면에 도시된 바에 의하면, 토탈 센서(110)는 가축의 귀에 부착된 것으로 도시되어 있으나 본 개시가 이로써 제한되는 것은 아니다. 일 실시예에서, 토탈 센서(110)는 가축의 움직임을 감지할 수 있는 귀, 관절, 목둘레 등에 부착될 수 있다.
본 개시의 일 실시예에서, 토탈 센서(110)는 가축의 척추부위에 위치되어 가축의 앞다리가 위치한 신체의 움직임을 감지할 수 있거나, 가축의 선골과 미추가 연결되는 부위에 위치되어, 꼬리의 움직임, 뒷다리의 움직임, 뒷다리 측 골반 움직임 등을 감지할 수 있거나, 가축의 다리 부위의 적어도 일부에 위치하여, 가축의 다리의 움직임을 센싱할 수 있거나, 가축의 얼굴의 적어도 일부에 위치하여, 가축의 얼굴의 움직임 및/또는 가축의 귀의 움직임을 센싱할 수 있다.
일 실시예에서, 토탈 센서(110)는 가축은 개별 가축을 식별하기 위한 식별자 정보를 송신할 수 있다. 본 개시의 일 실시예에서, 토탈 센서(110)는 RFID 태그를 포함할 수 있다. 일 실시예에서, 토탈 센서(110)는 가축 식별자 정보와 함께 센싱한 센서 데이터를 전송할 수 있다.
본 개시의 일 실시예에서, 토탈 센서(110)는 비콘을 전송할 수 있다. 일 실시예에서, 토탈 센서(110)에서 전송되는 비콘 정보는 가축의 위치를 추정하는데 사용될 수 있다.
일 실시예에서, 토탈 센서(110)는 배터리를 이용하여 동작할 수 있다. 일 실시예에서, 토탈 센서(110)는 무선통신을 할 수 있다. 일 실시예에서, 토탈 센서(110)는 에너지를 효율적으로 이용하기 위해서 통신 모드를 조절할 수 있고, 데이터 전송 정책에 따라 수집된 데이터를 전송할 수 있다. 일 실시예에서, 데이터의 전송 정책은 일상 패턴인 경우 긴 주기로 데이터를 전송하다가 관심 패턴이 나타나는 경우 짧은 주기로 데이터를 전송하는 것을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 카메라(120)는 축산 농가에서 관리하는 가축의 모습을 촬영하기 위한 것으로서 유선 또는 무선 통신 기능을 구비한 이미지 촬영 카메라, 동영상 촬영 카메라, CCTV 카메라 등 임의의 전자 장치일 수 있다.
본 개시의 일 실시예에 의하면, 카메라(120)는 가축 자체의 이미지, 가축의 걸음 걸이 영상, 수면 영상, 움직임 영상, 섭취한 사료의 양, 견좌 자세 영상, 배설 영상, 토사물 영상, 축사의 청소 상태 등을 촬영할 수 있다.
본 개시의 일 실시예에 의하면, 카메라(120)를 통해 이용하여 모바일 AR 뷰 카메라 촬영이 가능할 수 있다.
본 개시의 일 실시예에 의하면, 카메라(120)는 녹화된 이미지 데이터를 네트워크 비디오 레코더(Network vide recorder: NVR)에 저장하고, 통신망을 통해 가축의 설사 징후 탐지 및 위험도 예측 서버(140)로 전송할 수 있다. 본 도면에 도시된 바에 의하면, 가축의 설사 징후 탐지 및 위험도 예측 시스템(100)은, 한 개의 카메라(120)를 갖는 것으로 도시되어 있으나 본 개시가 이로써 제한되는 것은 아니다.
본 개시의 일 실시예에 의하면, 데이터 수신 장치(130)는 유무선 데이터를 수신하고 수집할 수 있다. 일 실시예에서, 데이터 수신 장치(130)는 RFID, 모션 센서 데이터를 수신 및 수집할 수 있다. 일 실시예에서, 데이터 수신 장치(130)는 비콘 수신 데이터를 수집할 수 있다. 일 실시예에서, 데이터 수신 장치(130)는 수신한 데이터를 서버로 전송할 수 있다. 일 실시예에서, 데이터 수신 장치(130)는 수신한 데이터를 가축의 설사 징후 탐지 및 위험도 예측 서버(140)로 전송할 수 있다. 일 실시예에서, 데이터 수신 장치(130)는 센서 데이터 수집 게이트 웨이일 수 있다.
본 개시의 일 실시예에 의하면, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 수신한 센서 데이터를 기반으로 가축의 활동을 분석할 수 있다. 일 실시예에서, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 수신한 센서 데이터를 기반으로 가축의 활동 패턴을 분석할 수 있다.
본 개시의 일 실시예에 의하면, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 이미지 데이터를 수신할 수 있다. 일 실시예에서, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 수신한 이미지 데이터를 기반으로 가축의 활동을 분석할 수 있다. 본 개시의 일 실시예에 의하면, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 수집한 센서 데이터와 이미지 데이터를 기초로 개별 가축의 활동을 매핑할 수 있다. 본 개시의 일 실시예에 의하면, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 토탈 센서(110)의 전송 주기를 설정할 수 있다. 예컨대, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 토탈 센서(110)에서 에너지를 효율적으로 이용하도록 일상 패턴인 경우 긴 주기로 데이터를 전송하다가 관심 패턴이 나타나는 경우 짧은 주기로 데이터를 전송하는 데이터 전송 정책에 따라 데이터를 전송하도록 센서에게 지시할 수 있다.
본 개시의 일 실시예에 의하면, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 엣지 컴퓨터일 수 있다. 일 실시예에서, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 센서 데이터와 이미지 데이터를 분석하여 소정의 활동을 한 가축의 식별자를 질병 관리 서버(160)로 전송할 수 있다.
본 개시의 일 실시예에 의하면, 통신망(도시되지 않음)은, 임의의 유선 또는 무선 통신망, 예컨대 TCP/IP 통신망을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 통신망은, 예컨대 Wi-Fi망, LAN망, WAN망, 인터넷망 등을 포함할 수 있으며, 본 발명이 이로써 제한되는 것은 아니다. 본 개시의 일 실시예에 의하면, 통신망은, 예컨대 이더넷, GSM, EDGE(Enhanced Data GSM Environment), CDMA, TDMA, OFDM, 블루투스, VoIP, Wi-MAX, Wibro 기타 임의의 다양한 유선 또는 무선 통신 프로토콜을 이용하여 구현될 수 있다.
본 개시의 일 실시예에 의하면, 비콘 수신기(150)는 송아지에 부착된 토탈 센서(110)로부터 비콘을 수신할 수 있다. 일 실시예에서, 비콘 수신기(150)는 수신한 비콘 정보를 데이터 수신 장치(130)로 전송할 수 있다. 일 실시예에서, 비콘 수신기(150)는 축사 내에 적어도 4개가 구비될 수 있다.
본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는, 통신망을 통하여 가축의 설사 징후 탐지 및 위험도 예측 서버(140)로부터 영상 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는, 통신망을 통하여, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)와 필요한 정보를 송수신할 수 있다.
본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는, 가축의 센서 데이터, 가축에 관한 이미지 데이터 및 생체 특징 정보 중 적어도 하나를 가축의 설사 징후 탐지 및 위험도 예측 서버(140)로부터 수신할 수 있다. 본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는, 수신된 분류 데이터, 활동인식 데이터, 그리고 센서 데이터, 이미지 데이터 및 생체 특징 정보에 기초하여 해당 가축의 건강 여부를 예측할 수 있다. 일 실시예에서 관리 서버(160)는, 수신된 분류 데이터, 활동인식 데이터, 그리고 센서 데이터, 이미지 데이터 및 생체 특징 정보에 기초하여 해당 가축의 설사 위험도를 예측할 수 있다.
본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는 가축의 설사 징후 탐지 및 위험도 예측 서버(140)로부터 수신된 가축에 관한 이미지 데이터, 생체 특징 데이터, 및 유전 정보와, 이상징후 판단 모델을 통해 해당 가축의 질병 발생 여부을 판단할 수 있다. 일 실시예에서, 질병 관리 서버(160)는 예컨대 가축의 이미지 정보를 분석하여 가축에게 이상징후가 있는지 여부를 판단할 수 있다. 본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는 가축 이미지 정보를 분석하여 가축의 자세를 인식할 수 있다. 일 실시예에서, 질병 관리 서버(160)는 가축의 설사 징후 탐지 및 위험도 예측 서버(140)에서 분류한 클래스에 따라, 예컨대 송아지의 경우 송아지의 이미지 정보를 분석하여 앉아 있는 송아지, 누워 있는 송아지, 서 있는 송아지, 겹쳐 있는 송아지, 일부만 보이는 송아지 및 인식 못한 송아지 등으로 분류하고, 설사하는 송아지를 발견하면 이상징후라고 인식할 수 있다. 본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는 수신한 이미지 정보를 분석하여 가축의 토사물이 존재하는지 가축의 배설물의 형태가 정상 범위에 포함되는지 등을 인식할 수 있다. 본 기술분야의 당업자는 가축 이미지의 인식, 예컨대 모돈의 견좌자세의 경우 견좌자세 모돈 인식 이미지 데이터셋 활용하여 클라우드 기반 기계학습 알고리즘을 적용할 수 있고 특히 기존의 YOLO v3 및 다양한 클래스 구분 기계학습 알고리즘 및 그 변형을 적용하여 구현가능하다는 것을 잘 알고 있으므로 가축 이미지 정보 분석에 대한 상세한 설명은 이하 생략하기로 한다.
본 개시의 일 실시예에 따르면, 질병 관리 서버(160)는 클라우드 서버일 수 있다.
도 2는 도 1의 가축의 설사 징후 탐지 및 위험도 예측 서버(140)의 예시적 기능 구성을 도시한 기능 블록도이다.
도시된 바에 의하면, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는, 이미지데이터 수집모듈(210), 이미지데이터 기반 설사분석모듈(220), 센서 데이터 수집모듈(230), 센서데이터 기반 자세분석모듈(240), 센서 설사 및 이미지 설사 매핑 모듈(250), 가축 위치 계산모듈(260), 데이터 전송주기 설정 모듈(270), 메모리 모듈(280), 및 통신모듈(290)을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 이미지데이터 수집모듈(210)은 이미지 데이터 수집 정책에 따라 이미지 데이터를 수집할 수 있다. 일 실시예에서, 이미지데이터 수집모듈(210)은 이미지 데이터 수집 기본 정책으로 1분 단위의 주기로 720p이상 컬러 영상 이미지를 서버로 수집할 수 있다. 일 실시예에서, 이미지데이터 수집모듈(210)은 제1 예외 정책으로 활동 분석 결과 집중 모니터링할 타입(견과, 설사, 구토, 기침 등)이라면 수집 주기를 짧게 하여 보다 빈번하게 수집할 수 있다. 일 실시예에서, 이미지데이터 수집모듈(210)은 제2 예외 정책으로 가축이 활동할 시간대가 아니라면, 예컨대 수면시간 등과 같이, 수집 주기를 길게 하여 데이터를 수집할 수 있다. 일 실시예에서, 이미지데이터 수집모듈(210)은 제3 예외 정책으로 네트워크 전송 환경에 따라 데이터 전송 양과 주기를 조절할 수 있다. 예컨데, 네트워크 전송 환경이 나빠지는 경우, 데이터 수집 큐를 조정하여 전송 속도가 일정값이상이 나올 때 한번에 수집할 수 있다.
일 실시예에서, 이미지데이터 수집모듈(210)은 수집한 데이터에 대해 전처리를 수행할 수 있다. 일 실시예에서, 이미지데이터 수집모듈(210)은 수집한 이미지 데이터의 이미지를 흑백화하거나, 엣지 이미지를 획득하는 등 원본 이미지 데이터에 대해 전처리를 수행할 수 있다.
본 개시의 일 실시예에 의하면, 이미지데이터 기반 설사분석모듈(220)은 이미지 데이터를 기계학습 기법, 이미지 분류 기법 등의 인공지능 기법을 사용하여 처리하여 이미지 내 모니터링할 객체의 활동 상태를 분석할 수 있다.
일 실시예에서, 이미지데이터 기반 설사분석모듈(220)은 사전에 이미지 데이터를 처리하여 데이터 레이블링 등의 학습 과정을 통해 이상징후 분류 모델을 적어도 하나 생성할 수 있다. 이미지데이터 기반 설사분석모듈(220)은 각 분류 알고리즘 등을 활용하여 학습시킨 분류기 중 가장 리콜(recall) 능력이 뛰어난 분류기를 이용하여 이미지 내 객체(송아지)의 활동을 분석할 수 있다. 일 실시예에서, 가축 이상징후 분류기가 인식할 수 있는 레이블(클래스)은 대변(Dung), 소변(Piddling), 설사(Diarrhea)를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 센서데이터 수집모듈(230)은 통신망을 통해 토탈 센서(110)에서 수집한 센서 데이터를 수집할 수 있다. 일 실시예에서, 센서 데이터는 비콘 수신기(150)를 통해 수집하거나 직접 수집할 수 있다. 일 실시예에서, 센서 데이터는 비콘, RFID, 모션 센서데이터를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 센서데이터 기반 자세 분석모듈(240)은 개별 가축에 부착된 센서로부터 수집한 데이터를 분석하여 해당 가축의 자세를 분석할 수 있다. 일 실시예에 의하면, 센서데이터 기반 자세 분석모듈(240)은 수집한 3축 ~ 9축 모션 센서 데이터를 기반으로 시간별 가축의 자세를 탐지할 수 있다.
일 실시예에 의하면, 센서데이터 기반 자세 분석모듈(240)은 수집한 센서 데이터를 RNN 등의 LSTM(Long Short term Memory) 시계열 기반 예측 방법의 기계학습 기법을 이용하여 자세 패턴으로 분석할 수 있다. 일 실시예에서, 센서 데이터는 일정한 숫자값의 나열이므로, 일정한 간격으로 데이터를 구분하고 해당 데이터의 패턴을 인식하여 클래스를 분류할 수 있다. 일 실시예에서, 가축이 송아지인 경우, 자세 패턴은 서 있음(Standing), 앉아 있음(Sitting), 누워 있음(Lying), 걸어감(Walking), 뛰어감(Running), 대변(Dung), 소변(Piddling), 설사(Diarrhea)를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 센서 데이터 분석 결과와 이미지 데이터 분석 결과 설사 패턴이 분석되는 경우 다른 분석결과에서도 동일한 탐지 결과를 보이는지를 확인할 수 있다. 일 실시예에서, 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 센서 데이터를 분석한 결과 관심 활동, 예컨대 설사 패턴이 나타나는 경우, 이미지 데이터를 분석한 결과에서도 동일하게 설사 패턴이 인식되었는지를 확인할 수 있다. 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 센서 데이터 분석 결과와 이미지 데이터 분석 결과에서 동일한 타이밍에 동일하게 설사가 나타나는 경우 가축이 높은 가능성으로 설사를 했다고 판단할 수 있다. 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 센서 데이터 분석 결과와 이미지 데이터 분석 결과에서 어느 한 쪽만 관심활동(설사)이 있는 것으로 분석되는 경우, 분석 값을 저장하고 사용자에게 확인을 요청할 수 있다.
본 개시의 일 실시예에 의하면, 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 센서 데이터 분석 결과와 이미지 데이터 분석 결과를 매핑하고 동일한 활동으로 인식되었는지를 확인하므로서, 이미지 데이터 분석 결과만으로 어떤 가축이 정확히 관심 활동을 했는지 식별하기 어려운 문제점을 해결할 수 있다. 즉, 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)는 센서 데이터(RFID 및 모션센서 값)를 이미지 데이터 분석 결과와 비교하여 가축을 특정할 수 있다. 만약, 동일한 관심 활동이 여러 가축(송아지)에 걸쳐 나타난 경우, 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 각 이미지의 가축(송아지)을 개별적으로 식별하여 매핑할 필요가 없다. 일 실시예에서, 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 이미지 데이터 분석 결과 동일한 시간 대에 인식된 관심 활동의 가축의 수, 센서 상 인식된 관심 활동의 가축의 수가 동일하다면 해당 가축 ID들과 함께 관심 활동 탐지 정보를 전송할 수 있다. 여기서, 관심 활동 탐지 정보는 탐지 시간, 관심활동 클래스, 이미지 등을 포함할 수 있다. 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 이러한 방법을 통해 계산의 부하를 줄이면서 정확도를 유지할 수 있다.
일 실시예에 의하면, 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 이미지 데이터 분석 결과 인식된 관심 활동의 가축 수와 센서 데이터 분석 결과 인식된 관심 활동의 가축 수가 다른 경우, 다음과 같이 매핑 후, 기타 정보를 전송하여 사용자로 하여금 확인할 수 있도록 할 수 있다.
각 센서와 센서 데이터 수집 게이트웨이 사이의 거리는 다음과 같이 계산될 수 있다.
FSPL(dB) =
여기서 d는 거리(distance)이고, f는 주기(frequency)이며, K는 d와 f에 사용된 단위에 의존하는 상수이다. 따라서, d의 단위가 km이고, f의 단위가 MHz라면, 다음 수식과 같이 계산될 수 있다.
FSPL(dB) =
페이드 마진(Fade margine) 수식으로부터, 자유공간 경로 손실(free space path loss)은 다음과 같이 계산될 수 있다.
Free Space Path Loss =
위 두 FSPL 수식으로부터, distance(KM)는 다음과 같이 구할 수 있다.
Distance(Km) =
따라서, 각 센서가 게이트웨이까지의 거리를 알고 있고 각 카메라도 게이트웨이와의 거리를 알고 있다고 가정하면, 카메라 내에서 인식된 관심 증상을 가지는 객체(송아지)와 게이트웨이와의 거리를 알 수 있다. 그러므로, 송아지에 부착된 센서는 이미 시스템상으로 입력되어 있어 어떤 카메라에서 촬영하고 있는 송아지들인지 알 수 있다. 결론적으로, 카메라에서 특정 가축의 게이트웨이까지의 거리와 센서의 게이트웨이까지의 거리를 비교하여 특정 가축과 센서의 인식 결과를 매핑할 수 있다.
본 개시의 일 실시예에 의하면, 가축 위치 계산모듈(260)은 비콘 수신기(150)로부터 전송받은 정보를 기초로 가축의 위치를 계산할 수 있다. 일 실시예에서 가축 위치 계산모듈(260)은 각 비콘 수신기가 수신한 비콘 송신기의 수신 시간을 이용하여 삼변측량법으로 가축의 위치를 계산할 수 있다. 일 실시예에서, 가축 위치 계산모듈(260)은 비콘 수신기의 GPS위치를 기초로, 삼변측량 계산 결과, 가축의 위도, 경도 값을 산출할 수 있으며, 4개 이상의 비콘 수신기를 사용하여 위치 오차를 감소시킬 수 있다. 본 기술분야의 당업자는 목적물의 위치 계산을 하는 다양한 방법 및 변형을 잘 알고 있으므로 가축 위치 계산 방법에 대한 상세한 설명은 이하 생략하기로 한다. 일 실시예에서, 가축 위치 계산모듈(260)은 소정의 주기로 가축의 위치를 계산할 수 있다.
본 개시의 일 실시예에 의하면 데이터 전송주기 설정 모듈(270)은 센서의 데이터 전송 정책을 정하고, 센서로 하여금 전송 정책에 따라 센서 데이터를 전송하도록 지시할 수 있다. 일 실시예에서, 데이터의 전송 정책은 센서 데이터 분석 결과 일상 패턴인 경우 센서로 하여금 보다 긴 주기로 데이터를 전송하도록 지시하며, 관심 패턴이 나타나는 경우 짧은 주기로 센서 데이터를 전송하도록 명령할 수 있다. 예컨대, 데이터 전송주기 설정 모듈(270)은 관심 패턴이 나타나는 경우 데이터를 5분에 1회로 전송하고 일상 패턴인 경우 1시간~24시간에 1회로 전송하도록 전송정책을 설정할 수 있다.
본 개시의 일 실시예에 의하면 메모리 모듈(280)은 가축의 설사 징후 탐지 및 위험도 예측 서버(140) 상에서 실행될 수 있는 각종 프로그램 및 관련 데이터 등이 저장된 임의의 저장 매체일 수 있다. 본 개시의 일 실시예에 의하면, 메모리 모듈(280)은 센서 데이터, 이미지 데이터 및 분석 모듈의 실행과 관련된 데이터들이 저장될 수 있다. 본 개시의 일 실시예에 의하면, 메모리 모듈(280)은 DRAM, SRAM, DDR, RAM, ROM, 자기디스크, 광 디스크, 플래시 메모리 등 다양한 형태의 휘발성 또는 비휘발성 메모리를 포함하도록 구성될 수 있다.
본 개시의 일 실시예에 의하면 통신모듈(290)은 가축의 설사 징후 탐지 및 위험도 예측 서버(140)가, 통신망을 통해 외부와 통신할 수 있도록 지원할 수 있다. 본 개시의 일 실시예에 의하면, 통신모듈(290)은, 소정의 프로토콜에 따라 통신망으로부터 데이터를 수신할 수 있고, 통신망을 통하여 가축의 설사 징후 탐지 및 위험도 예측 서버(140)로부터 외부로 데이터가 전송되도록 필요한 절차를 수행할 수 있다.
도 3는 도 1의 질병 관리 서버(160)의 예시적 기능 구성을 도시한 기능 블록도이다.
도시된 바에 의하면, 질병 관리 서버(160)는, 동선 분석모듈(310), 자세 로그 분석모듈(320), 설사 위험도 예측 모듈(330), 위험 알림모듈(340), 메모리 모듈(350), 통신모듈(360)을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 동선 분석모듈(310)은 가축의 위치 정보를 기초로 가축의 동선을 분석할 수 있다. 일 실시예에서, 동선 분석모듈(310)은 가축의 위치 정보를 수신하고 수신된 정보를 기초로 가축의 동선을 분석할 수 있다. 일 실시예에서, 동선 분석모듈(310)은 주요 위치, 예컨대 물통 위치, 사료통 위치 등을 입력받을 수 있다. 일 실시예에서, 동선 분석모듈(310)은 심플 온라인 실시간 트래킹(Simple Online and Realtime Tracking: SORT) 알고리즘을 이용하여 프레임별로 인식한 객체를 추적(Tracking)할 수 있다. 일 실시예에서, 동선 분석모듈(310)은 이미지 데이터를 기초로 토탈 센서(110)의 ID 매핑 결과를 이용하여 가축의 ID 별로 머무른 시간과 이동 동선을 분석할 수 있다. 일 실시예에서, 동선 분석모듈(310)은 가축이 주요 위치로 몇 번(횟수) 이동하였는지 얼마나(시간) 머물렀는지 분석할 수 있다.
도 4는 본 개시의 일 실시예에 따라 탐지 객체의 머무른 시간에 따른 히트맵이 표시된 화면이다.
도시된 바와 같이, 동선 분석모듈(310)은 이미지 데이터에서 객체 ID를 식별하고 화면 내 객체 ID를 표시할 수 있다.
도 5는 본 개시의 일 실시예에 따라 탐지 객체의 동선을 추척하여 결과를 표시하는 화면이다.
도시된 바와 같이 동선 분석모듈(310)은 객체 ID 별로 추적된 동선을 화면에 표시할 수 있다.
본 개시의 일 실시예에 의하면, 자세 로그 분석모듈(320)은 가축의 자세 정보(로그 데이터)를 기초로 가축의 자세를 분석할 수 있다. 일 실시예에서, 자세 로그 분석모듈(320)은 가축의 자세 데이터를 수신하고, 수신된 정보를 기초로 가축의 자세를 분석할 수 있다. 일 실시예에서, 자세 로그 분석모듈(320)은 가축이 소정의 단위시간동안 어떤 자세를 몇 번 취했는지(횟수), 한 번 자세를 취할 때 얼마만큼 취하고 있었는지(시간)를 분석할 수 있다.
본 개시의 일 실시예에 의하면, 설사 위험도 예측 모듈(330)은 가축의 정보를 기초로 가축이 설사를 할 위험도를 예측할 수 있다. 일 실시예에서, 가축의 정보는 가축의 동선, 가축의 자세를 포함할 수 있다.
관찰 결과, 가축은 설사 전에 물통에 자주 접근하고, 누워있는 횟수가 줄어들고, 누워있는 시간이 늘어나는 것으로 관찰되었다. 본 개시의 일 실시예에 의하면, 설사 위험도 예측 모듈(330)은 관찰된 활동 패턴을 수치화하고, 동선과 자세 분석값을 이용하여 가축의 설사 위험도를 예측할 수 있다.
일 실시예에서, 설사 위험도 예측 모듈(330)은 3개의 변수값을 이용하여 설사 위험도를 산출할 수 있다.
1. Waterbox Trend: 가축이 물통에 접근하는 횟수의 증가/감소 기울기
2. Lying Count Trend: 가축이 누워있는 횟수의 증가/감소 기울기
3. Lying Duration Trend: 가축이 누워있는 시간의 증가/감소 기울기
일 실시예에서, 3개의 변수 각각의 심각도를 다음과 같이 정의할 수 있다:
1. High Waterbox Trend: 최근 12시간 동안, Waterbox 접근 횟수 그래프의 기울기가 소정의 값, 예컨대 0.5보다 크면 심각 (증가 추세를 의미)
2. High Lying Count Trend: 최근 12시간 동안, Lying Count 그래프의 기울기가 소정의 값, 예컨대 -0.5보다 작으면 심각 (감소 추세를 의미)
3. Lying Duration Trend: 최근 12시간 동안, Lying Duration 그래프의 기울기가 소정의 값, 예컨대 0.5보다 크면 심각 (증가 추세를 의미)
일 실시예에서, 설사 위험도 예측 모듈(330)은 각 변수에 대해 가중치를 설정할 수 있다. 예컨대, Waterbox Trend의 가중치를 20%, Lying Count Trend 가중치를 40%, Lying Duration Trend 가중치를 40%로 설정할 수 있다.
1. 20%: Waterbox Trend 심각도
2. 40%: Lying Count Trend 심각도
3. 40%: Lying Duration Trend 심각도
일 실시예에서, 설사 위험도 예측 모듈(330)은 최종 심각도 값은 다음과 같이 계산할 수 있다.
, 만약 1초과이면 1, 0 미만이면 0
, 만약 1초과이면 1, 0 미만이면 0
, 만약 1초과이면 1, 0 미만이면 0
일 실시예에서, 설사 위험도 예측 모듈(330)은 심각도 계산 결과에 따라 심각도 유형을 다음과 같이 구분할 수 있다:
1. Danger: 심각도 75 이상
2. Warning: 40 이상 75 미만
3. Caution: 20 이상 40 미만
4. Safe: 20 미만
본 개시의 일 실시예에 의하면, 위험 알림모듈(340)은 가축의 설사 위험도가 소정의 값 이상인 경우 알람을 생성하여 전송할 수 있다. 일 실시예에서, 위험 알림모듈(340)은 일정 수준이상(예: Warning) 가축의 설사 위험도가 계산될 경우, 농장 관리인에게 송아지 ID, 위험도 계산 값을 모바일 푸시 메시지, SMS 등으로 전송할 수 있다.
본 개시의 일 실시예에 의하면, 메모리 모듈(350)은 질병 관리 서버(160) 상에서 실행될 수 있는 각종 프로그램 및 관련 데이터 등이 저장된 임의의 저장 매체일 수 있다. 본 개시의 일 실시예에 의하면, 메모리 모듈(350)은 센서 데이터, 이미지 데이터 및 분석 모듈의 실행과 관련된 데이터들이 저장될 수 있다. 본 개시의 일 실시예에 의하면, 메모리 모듈(350)은 DRAM, SRAM, DDR, RAM, ROM, 자기디스크, 광 디스크, 플래시 메모리 등 다양한 형태의 휘발성 또는 비휘발성 메모리를 포함하도록 구성될 수 있다.
본 개시의 일 실시예에 의하면 통신모듈(360)은 질병 관리 서버(160)가, 통신망을 통해 외부와 통신할 수 있도록 지원할 수 있다. 본 개시의 일 실시예에 의하면, 통신모듈(360)은, 소정의 프로토콜에 따라 통신망으로부터 데이터를 수신할 수 있고, 통신망을 통하여 질병 관리 서버(160)로부터 외부로 데이터가 전송되도록 필요한 절차를 수행할 수 있다.
당업자라면 알 수 있듯이 본 개시는 본 명세서에서 기술된 예시에 한정되는 것이 아니라 본 개시의 범주를 벗어나지 않는 범위 내에서 다양하게 변형, 재구성 및 대체될 수 있다. 예를 들어, 본원에 기술된 다양한 기술들은 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 조합에 의해 구현될 수 있다. 따라서, 본원에 따른 소프트웨어 안전성 분석을 위한 분석 머신의 특정한 양태나 부분은 범용 또는 전용 마이크로프로세서, 마이크로-컨트롤러 등에 의해 실행 가능한 하나 이상의 컴퓨터 프로그램으로 구현될 수 있다. 본 개시의 일 실시예에 따른 컴퓨터 프로그램은, 컴퓨터 프로세서 등에 의해 판독 가능한 저장 매체, 예컨대 EPROM, EEPROM, 플래시 메모리장치와 같은 비휘발성 메모리, 내장형 하드 디스크와 착탈식 디스크 같은 자기 디스크, 광자기 디스크, 및 CDROM 디스크 등을 포함한 다양한 유형의 저장 매체에 저장된 형태로 구현될 수 있다. 또한, 프로그램 코드(들)는 어셈블리어나 기계어로 구현될 수 있고, 전기 배선이나 케이블링, 광섬유, 또는 기타 임의의 다른 형태의 전송 매체를 통해 전송되는 형태로 구현될 수도 있다.
본 명세서에서는, 예시적인 실시예에 대해 다양한 도면을 참조하여 주로 기술했지만, 다른 유사한 실시예들이 이용될 수 있다. 본 개시의 진정한 사상 및 범주에 속하는 모든 변형 및 변경을 이하의 특허청구범위에 의해 모두 포괄하고자 한다.
110: 토탈 센서
120: 카메라
130: 데이터 수신 장치
140: 가축의 설사 징후 탐지 및 위험도 예측 서버
150: 비콘 수신기
160: 질병 관리 서버
120: 카메라
130: 데이터 수신 장치
140: 가축의 설사 징후 탐지 및 위험도 예측 서버
150: 비콘 수신기
160: 질병 관리 서버
Claims (10)
- 컴퓨터 시스템 상에서 수행되는, 센서 데이터 및 이미지 데이터 기반 가축의 설사 탐지 및 설사 위험도 예측 방법으로서,
센서 데이터와 가축의 식별자를 수신하고, 상기 센서 데이터를 분석하여 식별된 가축의 시간별 자세를 예측하여 가축의 활동을 분류하고 가축의 위치를 계산하는 단계;
이미지 데이터를 수신하고, 상기 이미지 데이터를 분석하여 이미지 내 포함된 적어도 하나의 가축의 활동을 분류하는 단계; 및
상기 센서 데이터를 분석하여 분류된 가축의 활동과 상기 이미지 데이터를 분석하여 분류된 가축의 활동이 동일한 가축의 활동으로 인식되었는지에 기초하여 가축의 설사 여부를 판단하는 단계
를 포함하는 가축의 설사 탐지 및 설사 위험도 예측 방법. - 제1항에 있어서,
상기 방법은
센서 데이터 분석 결과 분류된 가축의 활동과 이미지 데이터 분석 결과 분류된 가축의 활동을 매핑하고 동일한 활동으로 인식되었는지를 확인하는 단계를 더 포함하는 가축의 설사 탐지 및 설사 위험도 예측 방법. - 제2항에 있어서,
상기 동일한 활동으로 인식되었는지를 확인하는 단계는 센서 데이터를 분석한 결과 분류된 클래스와 동일한 시간 대에 이미지 데이터를 분석한 결과 분석된 클래스가 동일한지 여부를 판단하는 단계를 포함하는 가축의 설사 탐지 및 설사 위험도 예측 방법. - 삭제
- 제1항에 있어서,
상기 자세 예측 단계는 LSTM(Long Short Term Memory) 시계열 기반 예측 방법을 기초로 예측하는 가축의 설사 탐지 및 설사 위험도 예측 방법. - 제1항에 있어서,
상기 방법은
가축 위치를 계산하고 가축의 동선을 분석하는 단계를 더 포함하고,
상기 동선을 분석하는 단계는 심플 온라인 실시간 트랙킹(Simple Online and Realtime Tracking) 기법을 기초로 프레임별로 인식한 가축을 추적하여 소정의 위치에 이동한 횟수와 시간을 분석하는 단계인 가축의 설사 탐지 및 설사 위험도 예측 방법. - 제6항에 있어서,
상기 방법은
가축의 설사 위험도를 예측하는 단계를 더 포함하고,
상기 설사 위험도 예측하는 단계는 가축의 동선과 자세 분석값을 기초로 가축이 물통에 접근하는 횟수, 가축이 누워있는 횟수와 시간에 따라 산출되는 가축의 설사 탐지 및 설사 위험도 예측 방법. - 제7항에 있어서,
상기 방법은 상기 예측된 설사 위험도가 소정의 값 이상인 경우 알람을 전송하는 단계를 더 포함하는 가축의 설사 탐지 및 설사 위험도 예측 방법. - 제7항에 있어서,
상기 가축의 설사 위험도를 예측하는 단계는 가축의 동선과 자세 분석값을 기초로 가축이 물통에 접근하는 횟수, 가축이 누워있는 횟수와 시간에 소정의 가중치를 합하여 산출되는 가축의 설사 탐지 및 설사 위험도 예측 방법. - 컴퓨터에 의해 실행 가능한, 하나 이상의 컴퓨터 판독가능 명령이 수록된 컴퓨터 판독가능 기록매체로서, 상기 하나 이상의 컴퓨터 판독가능 명령은, 상기 컴퓨터에 의해 실행되는 경우, 상기 컴퓨터로 하여금, 제1항 내지 제3항, 제5항 내지 제9항 중 어느 한 항에 따른 방법을 수행하게 하는 컴퓨터 판독가능 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2020/012334 WO2021182695A1 (ko) | 2020-03-12 | 2020-09-11 | 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200030611 | 2020-03-12 | ||
| KR20200030611 | 2020-03-12 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210116183A KR20210116183A (ko) | 2021-09-27 |
| KR102624927B1 true KR102624927B1 (ko) | 2024-01-15 |
Family
ID=77925880
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200116045A KR102624927B1 (ko) | 2020-03-12 | 2020-09-10 | 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102624927B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102577121B1 (ko) * | 2021-09-29 | 2023-09-12 | 한국축산데이터 주식회사 농업회사법인 | 인공지능 기반 가축 이상행동 패턴 추출 방법 및 장치 |
| KR20230080219A (ko) * | 2021-11-29 | 2023-06-07 | 주식회사 바딧 | 센서 데이터에 대한 레이블링을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010004861A (ja) | 2008-06-24 | 2010-01-14 | Darwin:Kk | 動物個体識別システム及び動物個体識別方法 |
| JP2017060407A (ja) | 2015-09-21 | 2017-03-30 | 株式会社グリーン＆ライフ・イノベーション | 反芻動物の健康管理システムおよび反芻動物の健康管理方法 |
| JP2017112857A (ja) * | 2015-12-21 | 2017-06-29 | 良一 春日 | 畜産管理システム |
| KR102001798B1 (ko) * | 2016-03-11 | 2019-07-18 | 퀄컴 인코포레이티드 | 비디오 이해를 위한 모션-기반 어텐션에 의한 순환 네트워크들 |
| CN110427905A (zh) * | 2019-08-08 | 2019-11-08 | 北京百度网讯科技有限公司 | 行人跟踪方法、装置以及终端 |
| KR102069087B1 (ko) | 2018-12-21 | 2020-01-22 | (주)위세아이텍 | 고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010000798A (ko) | 2000-10-19 | 2001-01-05 | 안의환 | 인터넷을 이용한 웹 명함 디자인 편집 방법 |
| GB0822580D0 (en) | 2008-12-11 | 2009-01-14 | Faire Ni Ltd | An animal monitoring system and method |
| KR20150118245A (ko) * | 2014-04-11 | 2015-10-22 | 재단법인대구경북과학기술원 | 카메라를 이용한 가축 상태 모니터링 방법 및 그 장치 |
| KR101712633B1 (ko) * | 2015-01-27 | 2017-03-07 | 주식회사 드론오렌지 | 센서와 무인비행체를 이용한 방목 가축 질병 예측 관리시스템 및 관리방법 |
| KR20180105451A (ko) * | 2017-03-15 | 2018-09-28 | 한국전자통신연구원 | 가축의 사육 환경을 제어하는 장치 및 그 방법 |
| KR102034998B1 (ko) | 2019-07-12 | 2019-10-22 | 경상대학교산학협력단 | 돼지움직임 감지용 광이표 |
-
2020
- 2020-09-10 KR KR1020200116045A patent/KR102624927B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010004861A (ja) | 2008-06-24 | 2010-01-14 | Darwin:Kk | 動物個体識別システム及び動物個体識別方法 |
| JP2017060407A (ja) | 2015-09-21 | 2017-03-30 | 株式会社グリーン＆ライフ・イノベーション | 反芻動物の健康管理システムおよび反芻動物の健康管理方法 |
| JP2017112857A (ja) * | 2015-12-21 | 2017-06-29 | 良一 春日 | 畜産管理システム |
| KR102001798B1 (ko) * | 2016-03-11 | 2019-07-18 | 퀄컴 인코포레이티드 | 비디오 이해를 위한 모션-기반 어텐션에 의한 순환 네트워크들 |
| KR102069087B1 (ko) | 2018-12-21 | 2020-01-22 | (주)위세아이텍 | 고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법 |
| CN110427905A (zh) * | 2019-08-08 | 2019-11-08 | 北京百度网讯科技有限公司 | 行人跟踪方法、装置以及终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210116183A (ko) | 2021-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11889818B2 (en) | Social group management system and method therefor | |
| US7918185B2 (en) | Animal-herd management using distributed sensor networks | |
| US6375612B1 (en) | Method and system for monitoring animals | |
| JP6203238B2 (ja) | 畜産管理システム | |
| CN109145032A (zh) | 一种蜜蜂养殖智能监测方法与系统 | |
| KR101712633B1 (ko) | 센서와 무인비행체를 이용한 방목 가축 질병 예측 관리시스템 및 관리방법 | |
| KR102624927B1 (ko) | 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법 | |
| KR20150130803A (ko) | 전염병 모니터링 방법 및 이를 이용한 시스템, 이를 수행하기 위한 기록매체 | |
| Chaudhry et al. | Internet of Things (IoT) and machine learning (ML) enabled livestock monitoring | |
| KR102522239B1 (ko) | 영상 기반 가축의 급이 행동 분석 장치 및 방법 | |
| Kuźnicka et al. | Automatic detection of suckling events in lamb through accelerometer data classification | |
| KR102527322B1 (ko) | 딥러닝 기반의 객체 인식을 통한 가축 관리 방법 | |
| KR102506029B1 (ko) | 영상 기반 가축 개체 성장 추이 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 | |
| KR20200059445A (ko) | 가속도센서를 이용한 가축 행동패턴 검출 방법 및 장치 | |
| KR102486761B1 (ko) | 가축의 개체별 이상 징후 포착 시스템 및 그 이용 방법 | |
| KR20200115317A (ko) | 모돈 이상징후 포착 및 관리 클라우드 서비스 방법 및 장치 | |
| CN108805736A (zh) | 一种两点模式下养殖系统及状态监测方法 | |
| KR102341715B1 (ko) | 가축 모니터링 장치 및 방법 | |
| CN115424196A (zh) | 一种基于人工智能的跟踪监测系统 | |
| WO2021182695A1 (ko) | 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법 | |
| US20230217902A1 (en) | Animal detecting device, system, method and computer program | |
| WO2023113008A1 (ja) | 情報管理装置、システム、方法、及びプログラム | |
| KR20190124573A (ko) | 사물인터넷을 이용한 동물의 질병관리 시스템 및 그 운용방법 | |
| KR102362906B1 (ko) | 객체를 모니터링하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |