KR102648469B1 - 인공지능 기반의 돼지 도체 등급 판정 시스템 및 그의 동작 방법 - Google Patents
인공지능 기반의 돼지 도체 등급 판정 시스템 및 그의 동작 방법 Download PDFInfo
- Publication number
- KR102648469B1 KR102648469B1 KR1020220178252A KR20220178252A KR102648469B1 KR 102648469 B1 KR102648469 B1 KR 102648469B1 KR 1020220178252 A KR1020220178252 A KR 1020220178252A KR 20220178252 A KR20220178252 A KR 20220178252A KR 102648469 B1 KR102648469 B1 KR 102648469B1
- Authority
- KR
- South Korea
- Prior art keywords
- carcass
- conductor
- image
- artificial intelligence
- grade
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title description 17
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 76
- 238000011017 operating method Methods 0.000 claims abstract description 4
- 239000004020 conductor Substances 0.000 claims description 181
- 235000013372 meat Nutrition 0.000 claims description 34
- 241001465754 Metazoa Species 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 3
- 235000015277 pork Nutrition 0.000 claims 3
- 230000008676 import Effects 0.000 abstract description 2
- 238000006467 substitution reaction Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 2
- 238000005259 measurement Methods 0.000 description 55
- 238000003307 slaughter Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 22
- 238000007781 pre-processing Methods 0.000 description 22
- 230000000694 effects Effects 0.000 description 12
- 239000003795 chemical substances by application Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 210000000115 thoracic cavity Anatomy 0.000 description 6
- 244000144972 livestock Species 0.000 description 5
- 206010018691 Granuloma Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000005180 public health Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000037396 body weight Effects 0.000 description 3
- 210000001217 buttock Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 206010015719 Exsanguination Diseases 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 206010000269 abscess Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000004392 genitalia Anatomy 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
인공지능 기반의 돼지 도체 등급 판정 시스템 및 그의 동작 방법이 개시된다. 본 개시의 일 실시예에 따른 인공지능 기반의 돼지 도체 등급 판정 시스템은, 도체를 촬영하여 도체 이미지를 전송하는 하나의 카메라, 및 도체 이미지를 입력으로 하여 인공지능 모델을 통해 도체 이미지를 분석하고, 인공지능 모델을 통해 도체 이미지에서 도체의 성별, 도체의 뼈마디 및 도체의 뼈마디별 등지방의 두께를 측정하고, 인공지능 모델을 통해 도체의 성별 및 도체의 뼈마디별 등지방의 두께를 기초로 도체의 등급을 판정하는 컴퓨팅 장치를 포함한다.
"메디치소프트 과제명: (SaaS전환) 글로벌 진출을 위한 도축 AI 등급판별(수입대체) SaaS 전환 및 사업화
본 특허출원은 정보통신산업진흥원에서 주관하는 2022년 핵심산업 클라우드 플래그십 프로젝트 사업의 지원을 받아 수행된 결과물임"
"메디치소프트 과제명: (SaaS전환) 글로벌 진출을 위한 도축 AI 등급판별(수입대체) SaaS 전환 및 사업화
본 특허출원은 정보통신산업진흥원에서 주관하는 2022년 핵심산업 클라우드 플래그십 프로젝트 사업의 지원을 받아 수행된 결과물임"
Description
본 개시는 전자 장치에 관한 것이다. 보다 상세하게는, 본 개시는 인공지능 기반의 돼지 도체 등급 판정 시스템 및 그의 동작 방법에 관한 것이다.
도체 등급 측정 시스템은 도체의 등급을 측정하는 시스템이다. 도체는 돼지, 소, 오리 등의 동물이 도축되고, 도축된 동물의 절반(좌반 또는 우반)을 나타내는 것을 의미한다. 기존의 도체 등급 측정 시스템은, 도 1에 도시된 바와 같이, 5개의 단계들의 처리 공정들을 포함할 수 있다. 1단계에서 살아있는 동물이 도축장으로 입고된다. 예를 들면, 생돈이 입고될 수 있다. 1단계에서, 살아있는 동물이 반입되고 살아있는 동물이 전살 및 방혈되는 과정이 수행된다. 2단계에서 방혈된 동물이 1차 및 2차 세척된다. 3단계에서는 세척된 동물이 도체로 손질 및 마무리 작업된다. 4단계에서는 도체의 상반신 및 하반신으로 나누어 각각 분할 촬영되고 촬영된 사진들(또는 이미지들)이 조합되며(4단계에 포함된 1단계), 촬영된 사진으로부터 등급이 측정되고(4단계에 포함된 2단계), 등급판정사가 육안으로 검증한 도체의 등급과 사진을 통해 측정된 등급이 비교됨으로써 등급이 검증된다. 5단계에서 도체가 최종적으로 세척되고, 급속 냉동을 거쳐 반출된다. 여기서, 4단계에서 일정한 오류들이 발생할 수 있다.
도 2를 참조하면, 기존의 도체 등급 측정 시스템에서는, 3개의 카메라들이 3미터 떨어진 도체를 촬영한다. 여기서, 3개의 카메라들은 1개의 흑백 카메라와 2개의 칼라 카메라들로 구성된다. 먼저, 1개의 흑백 카메라가 도체를 촬영하고, 도체가 약 5미터 정도 이동된 이후에, 2개의 칼라 카메라들이 각각 도체의 일부분을 촬영하고, 분할 촬영된 사진이 하나로 조합된다. 이때, 기계 상태 및/또는 도체 상태에 따라 이미지 촬영에 대한 정확도가 저하될 수 있다.
도 3을 참조하면, 2개의 칼라 카메라들 중 하나의 칼라 카메라가 도체의 일부(예, 도체에서 둔부 및 뒷다리쪽을 포함하는 절반 부분)를 촬영하고 2개의 칼라 카메라들 중 다른 하나의 칼라 카메라가 도체의 나머지 부분(예, 도체에서 앞다리를 포함하는 나머지 절반 부분)를 촬영한다. 이때, 컬러 분할 사진 2장이 조합될 때, 사진 오차에 의해 도체의 등급 판별에 오류가 발생할 수 있다.
아울러, 기존의 도체 등급 측정 시스템에서 기계 오류가 발생한다면, 이를 유지 및 보수하는데 어려움이 있다. 기존의 도체 등급 측정 시스템을 국내 시장에 도입하는 비용이 상대적으로 높아서, 도축장에 이러한 시스템을 널리 보급하기 어려움이 있다. 또한, 도축장에서 기존의 도체 등급 측정 시스템을 설치하기 위한 공간을 확보하는데 어려움이 있다. 따라서, 전술한 오류들 및 어려움들을 개선하기 위해, 하나의 카메라로 촬영된 이미지를 이용해 도체의 등급을 정확히 판별하고 상대적으로 적은 비용으로 자체 운영 가능한 시스템을 설계하기 위한 연구가 필요하다.
본 개시에 개시된 실시예는, 하나의 카메라만으로 촬영된 도체 전체에 대한 이미지를 생성하고 도체 이미지를 이용해 도체의 등급을 정확히 판별하고 상대적으로 적은 비용으로 자체 운영 가능한 시스템을 널리 보급하는 것에 그 목적이 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 본 개시의 일 측면에 따른 인공지능 기반의 돼지 도체 등급 판정 시스템은, 도체를 촬영하여 도체 이미지를 전송하는 하나의 카메라; 및 도체 이미지를 입력으로 하여 인공지능 모델을 통해 도체 이미지를 분석하고, 인공지능 모델을 통해 도체 이미지에서 도체의 성별, 도체의 뼈마디 및 도체의 뼈마디별 등지방의 두께를 측정하고, 인공지능 모델을 통해 도체의 성별 및 도체의 뼈마디별 등지방의 두께를 기초로 도체의 등급을 판정하는 컴퓨팅 장치를 포함한다.
또한, 본 개시의 다른 측면에 따른 인공지능 기반의 돼지 도체 등급 판정 시스템은, 도체를 촬영하여 도체 이미지를 전송하는 하나의 인터넷 프로토콜 카메라; 도체 이미지를 입력으로 하여 인공지능 모델을 통해 도체 이미지를 분석하고, 인공지능 모델을 통해 도체 이미지에서 도체의 성별, 도체의 뼈마디 및 도체의 뼈마디별 등지방의 두께를 측정하고, 인공지능 모델을 통해 도체의 성별 및 도체의 뼈마디별 등지방의 두께를 기초로 도체의 등급을 판정하는 클라우드 서버; 및 클라우드 서버로부터 도체의 등급이 판정된 정보를 수신하여 정보를 저장하는 컴퓨팅 장치를 포함한다.
또한, 본 개시의 또 다른 측면에 따른 인공지능 기반의 돼지 도체 등급 판정 시스템은, 도체를 촬영하여 도체 이미지를 전송하는 하나의 산업용 카메라; 도체 이미지를 학습하여 최적의 인공지능 모델을 구축하는 학습 서버; 및 학습 서버로부터 최적의 인공지능 모델을 제공받고, 도체 이미지를 입력으로 하여 최적의 인공지능 모델을 통해 도체 이미지를 분석하고, 최적의 인공지능 모델을 통해 도체 이미지에서 도체의 성별, 도체의 뼈마디 및 도체의 뼈마디별 등지방의 두께를 측정하고, 최적의 인공지능 모델을 통해 도체의 성별 및 도체의 뼈마디별 등지방의 두께를 기초로 도체의 등급을 판정하는 인공지능 에이전트 서버; 및 인공지능 에이전트 서버로부터 도체의 등급이 판정된 정보를 수신하여 정보를 저장하는 컴퓨팅 장치를 포함한다.
또한, 본 개시의 일 측면에 따른 인공지능 기반의 돼지 도체 등급 판정 시스템의 동작 방법은, 하나의 카메라를 통해 촬영된 도체의 도체 이미지를 제공받는 단계; 도체 이미지를 입력으로 하여 인공지능 모델을 통해 도체 이미지에서 도체의 성별, 도체의 뼈마디 및 도체의 뼈마디별 등지방의 두께를 측정하는 단계; 및 인공지능 모델을 통해 도체의 성별 및 도체의 뼈마디별 등지방의 두께를 기초로 도체의 등급을 판정하는 단계를 포함한다.
이 외에도, 본 개시를 구현하기 위한 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 본 개시는, 기존의 도체 등급 측정 시스템을 수입하지 않고도, 국산화에 기여하는 효과를 제공한다.
또한, 본 개시는 정확한 도체의 등급을 판정함으로써, 축산 농가의 소득을 증대시키고 국민건강을 증진시키는 효과를 제공한다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 비교예에 따른 등급 측정 시스템을 설명하기 위한 도면이다.
도 2 및 도 3은 비교예에 따른 등급 측정 시스템의 문제점들을 설명하기 위한 도면이다.
도 4는 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템을 설명하기 위한 도면이다.
도 5는 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템의 동작 방법을 설명하기 위한 도면이다.
도 6은 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템의 동작 방법을 구체적으로 설명하기 위한 도면이다.
도 7은 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템의 전처리 동작을 설명하기 위한 도면이다.
도 8은 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템의 인공지능 학습 동작을 설명하기 위한 도면이다.
도 9는 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템의 인공지능 추론 동작을 설명하기 위한 도면이다.
도 10은 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템에서 인공지능 모델을 통해 도체의 뼈마디를 추론하는 것을 설명하기 위한 도면이다.
도 11은 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템에서 인공지능 모델을 통해 도체의 뼈마디별 등지방의 두께를 추론하는 것을 설명하기 위한 도면이다.
도 12는 본 개시의 일 실시예에 따른 인공지능 기반의 도체 등급 판정 시스템을 설명하기 위한 도면이다.
도 13은 본 개시의 다른 실시예에 따른 인공지능 기반의 도체 등급 판정 시스템을 설명하기 위한 도면이다.
도 2 및 도 3은 비교예에 따른 등급 측정 시스템의 문제점들을 설명하기 위한 도면이다.
도 4는 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템을 설명하기 위한 도면이다.
도 5는 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템의 동작 방법을 설명하기 위한 도면이다.
도 6은 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템의 동작 방법을 구체적으로 설명하기 위한 도면이다.
도 7은 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템의 전처리 동작을 설명하기 위한 도면이다.
도 8은 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템의 인공지능 학습 동작을 설명하기 위한 도면이다.
도 9는 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템의 인공지능 추론 동작을 설명하기 위한 도면이다.
도 10은 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템에서 인공지능 모델을 통해 도체의 뼈마디를 추론하는 것을 설명하기 위한 도면이다.
도 11은 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템에서 인공지능 모델을 통해 도체의 뼈마디별 등지방의 두께를 추론하는 것을 설명하기 위한 도면이다.
도 12는 본 개시의 일 실시예에 따른 인공지능 기반의 도체 등급 판정 시스템을 설명하기 위한 도면이다.
도 13은 본 개시의 다른 실시예에 따른 인공지능 기반의 도체 등급 판정 시스템을 설명하기 위한 도면이다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.
본 명세서에서 '본 개시에 따른 시스템'은 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, '본 개시에 따른 시스템'은, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
도 4는 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템을 설명하기 위한 도면이다.
도 4를 참조하면, 인공지능 기반의 도체 등급 판정 시스템(100)은, 최적의 인공지능 모델을 통해 하나의 이미지에서 도체의 등급을 판정하는 시스템이다. 이하에서 도체는 돼지가 도축된 것으로 가정한다. 인공지능 기반의 도체 등급 판정 시스템(100)을 위해서, 인공지능 시스템이 구축 및 계획될 수 있다. 구체적으로, 데이터 관리를 위한 인공지능 시스템을 위한 장비 및 서버가 구축될 수 있다. 데이터 전처리, 즉 인공지능 기반의 데이터가 가공될 수 있다. 구체적으로, 가용성 있는 인공지능 원천 데이터가 구축될 수 있고, 제공받은 기준(요구 사항)에 따른 인공지능을 위한 데이터가 선별 및 분류될 수 있고, 인공지능 데이터가 클린징될 수 있고, 인공지능 데이터가 통계적으로 분석되고 시각화될 수 있으며, 기계 판독 및 학습 가능한 형태로 이미지 및 측정 데이터가 라벨링 처리될 수 있다. 딥러닝 처리, 즉 인공지능 솔루션이 적용될 수 있다. 구체적으로, 가장 적절한 알고리즘이 선정되어 인공지능 모델이 구축될 수 있고, 인공지능 빅데이터 셋이 인공지능 모델에 적용되어 검증이 이루어질 수 있고, 인공지능 딥러닝을 처리하는 기능(예를 들면, 이미지 탐색(detection) 및 세그맨테이션(segmentation))이 제공될 수 있다. 52개의 측정 항목이 인공지능적으로 예측 및 결과가 시각화될 수 있고, 이미지 데이터가 시각화 및 인터페이싱 연계 처리될 수 있다. 그리고, 인공지능 시스템 환경이 구축되고, 오픈(Open) API(Application Programming Interface) 표준이 제공될 수 있다. 인공지능 학습 결과가 검증되고 인공지능의 성능이 테스트될 수 있다. 도체 프린터, 중량기, RFID(Radio-Frequency Identification), 다른 시스템의 인터페이스가 구축될 수 있으며, 플랫폼 사용자의 UI(User Interface)/UX(User Experience) 및 관리자 페이지가 개발될 수 있다. 이러한 인공지능 기반의 도체 등급 판정 시스템에 의하면, 하나의 이미지만으로도 도체의 등급을 정확히 판정하는 효과가 있다.
일부 실시예들에서, 인공지능 기반의 도체 등급 판정 시스템(100)은 카메라(110) 및 컴퓨팅 장치(120)를 포함할 수 있다.
카메라(110)는 도체(屠體, dressed carcass)를 촬영하여 도체 이미지를 컴퓨팅 장치(120)에 전송할 수 있다. 카메라(110)는 1개일 수 있다. 인공지능 기반의 도체 등급 판정 시스템(100)가 하나의 카메라(110)를 포함함으로써, 도축장에서 인공지능 기반의 도체 등급 판정 시스템(100)이 구축되는 비용이 절약될 수 있다.
일부 실시예들에서, 카메라(110)는 동물의 좌반(left half)에 대응되는 도체를 촬영하여 제1 도체 이미지를 컴퓨팅 장치(120)에 전송할 수 있다. 그리고, 카메라(110)는 동물의 우반(right half)에 대응되는 도체를 촬영하여 제2 도체 이미지를 컴퓨팅 장치(120)에 전송할 수 있다. 하지만, 이에 한정되는 것은 아니며, 다른 실시예들에서, 카메라(110)는 동물의 우반에 대응되는 도체가 촬영된 제1 도체 이미지 및 동물의 좌반에 대응되는 도체가 촬영된 제2 도체 이미지를 순차적으로 컴퓨팅 장치(120)에 전송할 수도 있다.
일 실시예에서, 카메라(110)는 인터넷 프로토콜 카메라로 구현될 수 있다. 인터넷 프로토콜 카메라는 IP 카메라로 지칭될 수 있다. 다른 실시에에서, 카메라(110)는 산업용 카메라로 구현될 수 있다.
컴퓨팅 장치(120)는 도체 이미지를 입력으로 하여 인공지능 모델을 통해 도체 이미지를 분석할 수 있다. 그리고, 컴퓨팅 장치(120)는 인공지능 모델을 통해 도체 이미지에서 도체의 성별, 도체의 뼈마디 및 도체의 뼈마디별 등지방의 두께를 측정할 수 있다. 여기서, 컴퓨팅 장치(120)는 외부 서버에 의해 최적화된 인공지능 모델을 외부 서버로부터 제공받아 저장할 수 있다. 컴퓨팅 장치(120)가 인공지능 모델을 통해 성별, 뼈마디, 뼈마디별 등지방을 측정하는 것은, 컴퓨팅 장치(120)가 인공지능 모델을 통해 성별, 뼈마디, 뼈마디별 등지방을 추론하는 것일 수 있다. 컴퓨팅 장치(120)가 인공지능 모델을 통해 도체의 성별 및 도체의 뼈마디별 등지방의 두께를 기초로 도체의 등급을 판정할 수 있다.
일부 실시예들에서, 컴퓨팅 장치(120)는 외부로부터 도체의 체중에 관한 체중 정보를 수신할 수 있다. 그리고, 컴퓨팅 장치(120)는 인공지능 모델을 통해 도체 이미지, 도체의 체중, 및 판정된 도체의 등급을 기초로 정육에 관한 복수의 파라미터들을 추론할 수 있다. 여기서, 복수의 파라미터들은, 예를 들면, 전체 정육량, 정육률, 대분할 부위 정육량, 특정 부위에 대한 예측값 등의 52개 측정 항목을 포함할 수 있다.
일부 실시예들에서, 컴퓨팅 장치(120)는 기존에 기록된 등급 측정 시스템의 로그 데이터에 포함된 도체의 등급과, 인공지능 모델을 통해 판정된 도체의 등급을 비교하여, 비교 결과를 기초로 인공지능 모델의 처리 결과를 검증 및 재학습할 수 있다. 여기서, 기존에 기록된 등급 측정 시스템에서 등급 측정 시스템은 도 1을 참조하여 전술한 바와 같다.
일부 실시예들에서, 카메라(110)는 제1 도체 이미지를 컴퓨팅 장치(120)에 전송하고, 그다음에 제2 도체 이미지를 컴퓨팅 장치(120)에 전송할 수 있다. 컴퓨팅 장치(120)는 제1 도체 이미지를 기초로 도체의 등급을 판정하고, 제2 도체 이미지를 기초로 도체의 등급을 판정할 수 있다. 그리고, 컴퓨팅 장치(120)는 제1 도체 이미지를 기반으로 판정된 도체의 등급과 제2 도체 이미지를 기반으로 판정된 도체의 등급을 비교하여, 비교 결과를 기초로 인공지능 모델의 처리 결과를 검증할 수 있다. 카메라(110)는 검증 결과에 따라 재학습을 수행할 수도 있다.
전술한 바에 의하면, 기존의 도체 등급 측정 시스템을 수입하지 않고도, 본 개시의 인공지능 기반의 도체 등급 판정 시스템이 국산화에 기여될 수 있다. 이러한 인공지능 기반의 도체 등급 판정 시스템이 해외 시장으로 수출될 수 있다. 아울러, 정확한 도체의 등급을 판정함으로써, 축산 농가의 소득을 증대시키고 국민건강을 증진시키는 효과가 있다.
도 5는 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템의 동작 방법을 설명하기 위한 도면이다.
도 4 및 도 5를 참조하면, 인공지능 기반의 도체 등급 판정 시스템(100)의 동작 방법은, 도 1에 도시된 바와 같이 5개의 단계들의 처리 공정들을 포함할 수 있다. 다만, 도 1에 도시된 4단계와 다르게, 인공지능 기반의 도체 등급 판정 시스템(100)의 동작 방법의 4단계는 도체 사진을 검출하는 1단계, 및 인공지능 모델을 통해 도체의 성별, 등지방 두께를 판별(측정)하고 인공지능의 결과를 검증하는 2단계를 포함할 수 있다.
본 개시의 1단계에서는, 본 개시에 따른 1대의 카메라(110)가 사용될 수 있다. 카메라(110)가 약 1.7미터 떨어진 도체의 전체를 왜곡 없이 촬영할 수 있다. 그리고, 촬영된 도체가 약 2미터 정도 이동된 이후에, 카메라(110)가 후속하는 다른 도체의 전체를 왜곡 없이 촬영할 수 있다. 도 1에 도시된 도체 등급 측정 시스템과 다르게, 카메라(110)가 도체를 더 가까이 두고 촬영하면서도 도체 전체를 활영할 수 있으므로, 더 좁은 도축장에서도 본 개시에 따른 인공지능 기반의 도체 등급 판정 시스템(100)이 적용될 수 있다는 범용성이 제공될 수 있다.
본 개시의 2단계에서는, 컴퓨팅 장치(120)가 하나의 카메라(110)를 통해 촬영된 도체(屠體, dressed carcass)의 도체 이미지를 제공받는 단계가 수행될 수 있다. 컴퓨팅 장치(120)가 도체 이미지를 입력으로 하여 인공지능 모델을 통해 도체 이미지에서 도체의 성별, 도체의 뼈마디 및 도체의 뼈마디별 등지방의 두께를 측정하는 단계가 수행될 수 있다. 구체적으로, 도체 이미지에서 도체에 대한 인공지능 분석이 진행될 수 있다. 분석 기법으로 탐지 및 세그맨테이션(Detection & Segmentation) 기술이 적용되어, 뼈마디별 등지방의 두께가 측정될 수 있고, 기준점에 의한 등지방 두께가 계산될 수 있으며, 도체의 후지 및 엉덩이 부분을 이용해 도체의 성별이 판별될 수 있다. 한편, 컴퓨팅 장치(120)가 인공지능 모델을 통해 도체의 성별 및 도체의 뼈마디별 등지방의 두께를 기초로 도체의 등급을 판정하는 단계가 수행된다. 추론된 성별, 뼈마디, 및 뼈마디별 등지방의 두께를 이용해 두체의 등급이 판정(또는 추론)될 수 있다. 구체적으로, 도체중(Weight of dressed carcass)에 관한 정보가 인터페이스(Interface)를 통해 컴퓨팅 장치(120)에 전송되고, 뼈마디별 등지방의 두께 및 도체중을 기반으로 등급 판정 기준에 따라 등급이 1차적으로 판정될 수 있다. 한편, 도체 이미지가 인공지능 모델을 통해 분석되고, 판정된 도체의 등급을 나타내는 등급 판정 데이터를 기준으로, 52개의 측정 항목들이 측정(또는 추론)될 수 있다.
여기서, 52개의 측정 항목들은, 예를 들면, 예를 들면, 전체 정육량, 정육률, 대분할 부위 정육량, 특정 부위에 대한 예측값 등을 포함할 수 있다. 한편, 기존에 기록된 등급 측정 시스템의 로그 데이터와 인공지능 모델을 통해 도체의 등급이 측정된 측정 결과가 서로 비교될 수 있다. 비교 결과에 따라 인공지능 모델의 판정 결과가 검증될 수 있다. 예를 들면, 비교 결과가 95% 이상의 판별 정확도를 갖는 경우, 비교 결과에 따라 인공지능 모델의 검증이 성공적으로 완료될 수 있다.
전술한 바에 의하면, 돼지 등급 판별 시스템의 수입 대체(즉, 국산화) 효과, 국내 도축장 현실을 고려하는 개발 효과, 정확한 등급 판별로 축산 농가 소득 증대 효과, 및 도체 결함(육아종) 색출로 국민 건강 증진 효과가 있다.
국산화 효과의 경우, 기존의 등급 측정 시스템의 높은 초기 설치 비용의 부담이 해소되고, 결함 및 기능 추가 발생 시 국내에서 유지보수하는데 용이하여 적기에 대응이 가능하고, 국산화에 의한 저변 확대로 기계 판정 기반이 구축될 수 있다.
국내 도축장 현실을 고려하는 개발 효과의 경우, VCS2000 등과 같은 기존 장비 대비 설치 공간이 최소화되고, 설치 비용이 낮아지며(예를 들어, 기존 대비 1/3 수준), 인공지능에 의한 등급 판별로 인해 정확도 및 신뢰성이 향상될 수 있다.
정확한 등급 판별로 축산 농가 소득 증대 효과의 경우, 인공지능화된 정확한 등급 측정 프로세스로 도체의 등급별로 정당한 판매 비용이 축산 농가에게 지급 가능하고, 기존의 등급 측정 시스템이 등급을 부정확하게 판정하는 문제가 해결 가능하고, 로그 데이터의 결과와 비교함으로써 인공지능에 의한 등급 판별의 정확도(약, 95% 이상의 정확도)가 보증 가능하다.
육아종 색출로 국민 건강 증진 효과의 경우, 도축과정에서 발견된 육아종(세균 감염 농양)의 육류 유통으로 건강에 문제가 발생하는 것이 방지되고, 향후 육아종 감염 육류를 조기에 선별 및 유통 방지함으로써 국민의 건강이 증진될 수 있다.
도 6은 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템의 동작 방법을 구체적으로 설명하기 위한 도면이다.
도 6을 참조하면, 데이터 수집이 진행된다. 예를 들면, 독일 E+V사의 돼지 도체 자동 판정 기계인 VCS2000를 이용하여 도체가 촬영될 수 있다. 현장(예를 들어, 도축장) 내에 장비(예를 들어, 카메라(110))가 설치될 수 있다. 그리고, 데이터 촬영 및 전송에 필요한 소프트웨어와 하드웨어 장비가 현장에 설치될 수 있다. 소프트웨어와 하드웨어 장비는, 예를 들면, 로컬 PC(Personal Computer), 인터넷, 수신기, 카메라 등이 포함될 수 있다. 도체에 대한 도체 이미지가 수집될 수 있다. (주)코어이미징 사의 VCXG-51C, 독일 E+V사의 VCS2000와 같은 카메라, 레이저 센서 등을 포함하는 장비를 이용해 실시간으로 도체 이미지가 촬영될 수 있다. 인공지능 수신기를 사용하여 도체 이미지가 저장된 후, 도체 이미지가 클라우드 시스템으로 전송될 수 있다. 데이터 수집의 양은 일 평균 약 1000 건일 수 있다. UI/UX 시스템으로 전송되는 데이터는 약 700~800건일 수 있다. 하지만, 이에 한정되는 것은 아니다. 한편, 정상 데이터가 판별될 수 있다. 즉, 촬영된 도체 이미지를 이용해 도체가 정상적으로 촬영됐는지 아닌지 여부가 판단될 수 있다. 도체가 정상적으로 촬영된 경우란 도체의 내부, 예를 들어, 뼈, 등지방, 살부위 등이 촬영된 것을 의미할 수 있다. 도체가 비정상적으로 촬영된 경우란 도체의 외부, 예를 들어, 피부가 촬영된 것을 의미할 수 있다. 예측에 사용될 데이터들의 경우, 색상, 각도, 식별번호 중복 등이 정상적으로 판별 가능해야 한다. 만약, 비정상 데이터가 전송되는 경우, 에러가 발생할 수 있다. 비정상 데이터는 다음과 같다. 색상의 경우, 빛의 세기가 강하여 도체의 단면을 나타내는 이미지가 제대로 식별할 수 없는 경우가 있다. 각도의경우, 후크가 도체에 걸려서 후가만 들어올려졌을 때, 도체의 단면을 나타내는 이미지가 올바른 각도로 촬영할 수 없는 경우가 있다. 식별번호 중복의 경우, 도체에 기재된 식별번호가 중복되는 경우가 있다.
정상 데이터가 판별된 이후, Java 기반의 API를 통해 실시간으로 도체 이미지에 대한 데이터가 데이터베이스에 저장될 수 있다. 여기서, 데이터베이스는 Maria DB일 수 있으나, 이에 한정되는 것은 아니다. 이때, 저장되는 데이터들은 고유번호, 국가코드, 도축장, 코드 이미지 파일 및 경로, 폭, 높이 등을 포함할 수 있다. 수집된 데이터는 도체 수집 데이터(테이블명: mdc_collect), 뼈/지방 예측 데이터(테이블명: mdc_detect), 일일 도체번호 데이터(테이블명: mdc_sequences), 예측항목 비교 데이터(테이블명: mdc_vcs2000), 및 폭/길이 조회 데이터(테이블명: mdc_width_length)으로 분류될 수 있다. 도체 수집 데이터는 고유번호(컬럼명: seq), 국가코드(컬럼명: iso), 도축장코드(컬럼명: abattoir), 전송 구분(컬럼명: transmit), 이미지 경로(컬럼명: image_path), 이미지 파일(컬럼명: image_file), 폭(컬럼명: width), 높이(컬럼명: height), RFID 태그 번호(컬럼명: rfid_tag_no)별로 정리될 수 있다. 뼈/지방 예측 데이터는 도체번호(컬럼명: seq), 수집 고유번호(컬럼명: parent_seq), 영역 코드(컬럼명: area_cd), 뼈 번호(컬럼명: num), 부위명(컬럼명: text), 뼈 x 좌표(컬럼명: x), 뼈 y 좌표(컬럼명: y), 대표 등지방두께 시작 y 좌표(컬럼명: y1), 대표 등지방두께 끝 y 좌표(컬럼명: y2), 대표 등지방두께(컬럼명: thick), 뼈 좌표(컬럼명: born), 등지방 좌표(컬럼명: thicks), 삭제 여부(컬럼명: del_yn), 수정일시(컬럼명: reg_dtm) 별로 정리될 수 있다. 일일 도체번호 데이터는 이름(컬럼명: name), 날짜(컬럼명: gubun), 도체번호(컬럼명: currval)별로 정리될 수 있다. 예측항목 비교 데이터는 고유번호(컬럼명: seq), 수집 고유번호(컬럼명: parent_seq), 컬럼 이름(컬럼명: column_name), 한글명(컬럼명: field_name), 실측값(컬럼명: experimental_value), 머신값(컬럼명: machine_value), 삭제 여부(컬럼명: del_yn), 등록일시(컬럼명: reg_dtm) 별로 정리될 수 있다. 폭/길이 조회 데이터는 고유번호(컬럼명: seq), 수집 고유번호(컬럼명: parent_seq), 도체장 a(반골 상단에서 제1 경추 사이 직선거리)(컬럼명: point_01_a), 도체장 b(반골 하단에서 제1 경추 사이 직선거리)(컬럼명: point_01_b), 도체장 c(마지막 요추 하단에서 제1 흉추 상단까지 직선거리)(컬럼명: point_01_c), 도체장 d(반골 선단부터 제1 흉추 상단까지 직선거리)(컬럼명: point_01_d), 도체장 e(반골 하단부터 제1 흉추 상단까지 직선거리)(컬럼명: point_01_e), 도체폭 a(제4-5 흉추 부위의 지방 포함 도체폭)(컬럼명: point_02_a), 도체폭 b(제4-5 흉추 부위의 지방 제외 도체폭)(컬럼명: point_02_b), 도체폭 c(제4-5 요추 부위의 지방 포함 도체폭)(컬럼명: point_02_c) 별로 정리될 수 있다.
데이터가 수집 및 저장된 이후, 데이터가 전처리될 수 있다. 즉, 인공지능적인 판별에 사용되기 위한 원본 데이터가 전처리될 수 있다. 구체적으로 예를 들면, 원본 이미지가 이미지 crop되고, 이미지 crop된 이미지에서 배경이 제거될 수 있다. 전처리되는 데이터의 파일명은, aug1~aug10(색깔, 위치 등을 랜덤으로 조정한 전처리 이미지), crop(원본 이미지를 가로로 회전한 이미지, 뼈와 도체 길이를 예측하기 위한 이미지), crop_nopole(후크 및 철봉이 제거된 이미지), gender(도체의 성별을 예측하기 위한 돼지 생식기 이미지), 또는 shape(철봉과 배경이 제거된 이미지)를 포함할 수 있다.
데이터가 전처리된 후, 전처리된 데이터가 인공지능 모델에 적용되며, 도체의 등급이 예측될 수 있다. 구체적으로, 인공지능 모델을 통해 뼈마디별 등지방의 두께(즉, 지방두께), 각 부위별 정육량 등 도체의 상세 정보가 결과로서 예측될 수 있다. 여기에서 UI/UX 시스템이 적용될 수 있다.
구체적으로, 원본 도체 이미지가 데이터 정보(예, DB)가 웹페이지에 전송될 수 있다. 그리고, 도체번호, 도축장명, 전송구분, RFID 태그 번호 등 원본 이미지에 해당되는 도체의 정보가 데이터베이스에 저장될 수 있다. 웹페이지에서 도체 수신목록이 제공되는 기능이 제공될 수 있다. 웹페이지 화면에서 도축일자, 도축장명을 가지고 도체수신목록이 조회될 수 있다. 조회되는 조축장의 도축일자 기간 동안의 데이터가 엑셀 파일로 저장될 수 있다. 이때 데이터 정보는 도축된 도체 원본 이미지 파일, 카메라(110)로 촬영된 이미지가 로컬 PC에 저장되어 해당 이미지가 링크(link)된 정보, 및 이미지 파일명이 클릭되면, 모달창에 도체 원본 이미지가 출력되는 정보를 포함할 수 있다. 한편, 예측을 위해, 원본 이미지 데이터가 둔부 이미지와 철봉이 제거된 이미지로 전처리되고 전처리된 이미지가 웹페이지에 전송될 수 있다. 웹페이지를 통해 데이터 전처리 및 라벨링 처리 기능이 제공될 수 있다. 예를 들면, 도축된 원본 도체 이미지가 전처리되고, 이때 전처리된 이미지는 도체의 성별을 확인하기 위한 도체의 둔부 이미지일 수 있다. 그리고, 도축된 원본 도체 이미지가 전처리되고, 이때 전처리된 이미지는 뼈(또는 뼈마디)의 개수를 확인하기 위해 봉 위치를 제거하여 전처리된 이미지일 수 있다. R-GAN 모듈을 통한 데이터 증폭 저리 기능이 제공될 수 있다. 예를 들면, 증폭 처리된 결과 이미지 중 데이터로 사용 가능한 정상 이미지 또는 데이터로 사용이 불가능한 비정상 이미지가 획득될 수 있다. 한편, 인공지능 모델을 통한 예측 결과가 웹페이지에서 출력될 수 있다. 구체적으로, 도축일자, 도축장명을 가지고 웹페이지를 통해 도축 이미지가 조회된 후 원하는 이미지에 대한 등지방두께 정보가 출력 및 실측 계산될 수 있다. 이때, 조회하는 도축장의 도축일자 기간동안의 데이터가 엑셀 파일로 저장될 수 있다. 다만, 등지방두께 실측 위치 및 실측값은 저장되지 않을 수 있다. 도체에 대한 이미지에서 척추 번호 위치에 마우스를 올려두면 실측한 등지방두께 값이 표출될 수 있다. 실측산식을 가지고 새로운 기준의 검토를 위한 시뮬레이션이 진행될 수 있다. 구체적으로, 도축일자, 도축장명을 가지고 웹페이지를 통해 도축 이미지가 조회된 후 원하는 이미지에 대한 도체 규격 라인이 표출될 수 있따. 이때, 조회하는 도축장의 도축일자 기간동안의 데이터가 엑셀 파일로 저장될 수 있다. 다만, 도체 폭 및/또는 길이 규격의 위치 및 실측값은 저장되지 않을 수 있다. 도체에 대한 이미지에서 도체 규격 라인이 표출될 수 있다. 규격별 폭 및/또는 길이의 실측값이 출력될 수 있다. 그다음, 52개의 정육량 측정 항목이 예측 및 조회될 수 있다. 이때, 엑셀 파일 저장 기능이 제공되지 않을 수 있다. 도체 이미지 중 정상 이미지에 대해 도체번호가 웹페이지 상에서 클릭되면 모달창에서 52개의 측정 항목이 예측 및 조회 가능하다.
도 7은 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템의 전처리 동작을 설명하기 위한 도면이다.
도 7을 참조하면, 본 개시의 전처리는 도체 확인 전처리 및 예측용 전처리를 포함할 수 있다.
도체 확인 전처리의 경우, 수집된 이미지에서 도체가 존재하는지 확인될 수 있다. 그리고, 수집된 데이터가 도체 수집 데이터(테이블명: mdc_collect)에 업로드되면, 도체의 존재 유무에 따라 데이터의 삭제 여부(컬럼명: del_yn)에 대한 전처리 결과가 표시될 수 있다. 만약, 도체가 존재하면(예, 도 7에 도시된 "도체 O"), 데이터의 삭제 여부(컬럼명: del_yn)에 대한 전처리 결과가 "N"으로 표시될 수 있다. "N"은 "아니오"의 의미일 수 있다. 도체가 존재하지 않으면(예, 도 7에 도시된 "도체 X"), 데이터의 삭제 여부(컬럼명: del_yn)에 대한 전처리 결과가 "Y"로 표시될 수 있다. "Y"는 "예"의 의미일 수 있다.
예측용 전처리의 경우, 예측용 전처리는 모델 학습용, 성별 예측용, 및 뼈/길이 예측용으로 구분될 수 있다. 즉, 예측용 전처리는 성별, 뼈, 및 길이 각각에 대한 예측용 전처리와 모델 학습용 전처리를 포함할 수 있다. 뼈/길이는 뼈 및/또는 길이를 의미할 수 있다. 예측용 전처리에 대한 이미지는 성별 예측용 전처리 이미지(웹페이지 상에서 "_gender"로 표시됨)이고, 뼈/길이 예측용 전처리에 대한 이미지는 뼈 예측용 전처리 이미지와 길이 예측용 전처리 이미지(웹페이지 상에서 "_crop"로 표시됨)를 포함하고, 모델 학습용 전처리에 대한 이미지는 학습 데이터용 전처리 이미지(이미지 색 및 도체 위치는 랜덤일 수 있음, 웹페이지 상에서 "_aug(1-10)"로 표시됨)일 수 있다.
도 8은 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템의 인공지능 학습 동작을 설명하기 위한 도면이다.
도 8을 참조하면, 높은 사양이 필요한 빅데이터 처리 및 인공지능의 학습 기능은 별도의 서버에서 수행될 수 있다. 별도의 서버에 의해 최적의 인공지능 모델이 생성될 수 있다. 생성된 인공지능 모델은 도축장에 구비된 컴퓨팅 장치(120), 예를 들어 PC에 다운로드될 수 있다. 그리고, 도축장에 구비된 카메라(110)에 의해 새롭게 촬영된 도축 이미지가 컴퓨팅 장치(120)에 저장된 인공지능 모델에 입력되고, 인공지능 모델을 통해 도축 이미지에 포함된 도축의 등급이 판정될 수 있다.
먼저, 저장된 로그 파일이 제공되고(812), 로그 파일을 기초로 오류코드 제외 및 결측지 보정 등 클린징이 수행된다(811).
그다음, 저장된 도체 이미지가 제공되고(814), 이미지 및 로그 데이터 전처리 작업이 수행된다(813). 저장된 도체 이미지는, 예를 들어, 동물의 좌반에 대응되는 도체 이미지 및/또는 동물의 우반에 대응되는 도체 이미지일 수 있다.
그다음, 이미지 및/또는 52개 측정 항목에 대한 라벨링이 수행되고(815), 성별, 등지방, 52개 항목에 대한 정보가 저장된다(816).
그다음, 인공지능 학습이 수행되고(817), 인공지능 학습의 결과가 저장된다(818). 여기서, 인공지능은, 예를 들면, CNN(Convolutional Neural Network), LSTM(Long Short-Term Memory) 등일 수 있다.
그다음, 정확도를 검증하는 동작이 수행된다(819). 정확도 검증은, 예를 들어, ACC, PRE, RSD, R2등일 수 있다. 그리고, 정확도가 일정 수치(예를 들면, 95%)보다 큰지 여부가 수행된다(820).
정확도가 95% 이하면(820, 아니오), "Hyper param. tunning"이 수행된다(821). 그리고 라벨링이 수행되고(815), 인공지능 학습이 수행된다(817).
정확도가 95%보다 크면(820, 예), 저장된 인공지능 학습의 결과를 기반으로(818), 최적화된 인공지능 모델이 생성된다(823). 최적화된 인공지능 모델은 도 9를 참조하여 후술하는 도축장에 설치된 PC, 예를 들어 컴퓨팅 장치(120)에 제공 및 다운로드된다.
한편, 인공지능 학습의 결과가 저장되면(818), 데이터 분포도가 조회된다(825).
한편, 도 9를 참조하여 후술하는 도축장에 설치된 PC에 의해 52개 예측 측정 결과가 제공됨으로써, 인공지능 추론 결과가 추가된다(827). 인공지능의 재학습을 위해, 추가된 인공지능 추론 결과에 따라 라벨링이 수행된다(815).
도 9는 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템의 인공지능 추론 동작을 설명하기 위한 도면이다.
도 9를 참조하면, 도 8에 도시된 최적의 인공지능 모델이 도축장에 설치된 PC에 다운로드될 수 있다. 그리고, 인공지능 모델을 이용해 새롭게 촬영된 도축 이미지로부터 도체의 등급을 판정하는 기능이 도축장에 설치된 PC에서 수행될 수 있다.
카메라에 의해 도체가 촬영된다(910). 도체 이미지가 생성된다(911). 도체 이미지에 명칭이 부여되고, 도체 이미지가 저장된다(913). 도체 이미지가 메모리에 저장된다(912).
그다음, 이미지 인공지능 추론이 수행된다(915). 이미지 인공지능 추론은, 예를 들어, 탐지 및 세그맨테이션(Detection & Segmentation) 기술을 포함할 수 있다. 추론된 도체의 성별, 도체의 등지방 등에 대한 정보(데이터)가 저장된다(914).
그다음, 추론된 도체의 성별, 도체의 등지방 등에 대한 이미지가 출력된다(917).
그다음, 도체중(916)이 인터페이스적으로 수신된다(919). 그리고, 도 8을 참조하여 전술한 서버에 의해 생성된 인공지능 모델이 replication된다(920). 그리고, 52개 측정 항목에 대해 인공지능 추론이 수행된다(921). 52개의 예측 측정 결과가 저장된다(918).
그다음, 52개 측정 결과가 조회된다(923). 그리고, 데이터 분포도가 조회된다(925).
한편, 저장된 도체의 성별, 등지방에 대한 정보를 기초로 등급판정 PGM 인터페이스가 수행된다(927). 또한, 저장된 52개의 예측 측정 결과를 기초로 측정 항목에 대한 인터페이스가 수행된다(929).
도 10은 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템에서 인공지능 모델을 통해 도체의 뼈마디를 추론하는 것을 설명하기 위한 도면이다.
도 10을 참조하면, 웹페이지에서 검색 시, 도축일자와 도축명을 선택하여 도체가 조회될 수 있다. 검색결과 목록 중 원하는 데이터가 선택되면, 실측 결과 표시될 수 있다.
웹페이지에서 등지방 두께 실측 결과 상시화면이 제공되고, 이때 도축일자, 기준 등지방 두께, 체중, 성별 등의 도체 실측 정보가 확인 가능하다.
웹페이지에서 등지방 두께에 대한 실측 결과의 실측 위치의 경우, 부위별 등지방 두께의 상세 정보가 시각적으로 확인 가능하다.
웹페이지에서 등지방 두께 실측값의 경우, 뼈마디 번호별 등지방 두께에 대한 실측값이 일괄적으로 확인 가능하다. 그리고, 실측산식이 조절될 수 있고 실측결과가 확인이 가능하다. 이때, 등지방 두께의 위치는, 예를 들어, 요추골, 흉추골, 및/또는 경추골일 수 있다.
도 11은 본 개시의 예시적인 실시예들에 따른 인공지능 기반의 도체 등급 판정 시스템에서 인공지능 모델을 통해 도체의 뼈마디별 등지방의 두께를 추론하는 것을 설명하기 위한 도면이다.
도 11을 참조하면, 웹페이지에서 검색 시, 도축일자와 도축명을 선택하여 도체가 조회될 수 있다. 도체번호 리스트 목록 중 원하는 데이터가 선택되면, 실측 결과가 표시될 수 있다.
웹페이지에서 등지방 두께 실측 결과로 실측 위치가 제공되고, 도축일자, 기준 등지방 두께, 온도 체중, 성별 등의 도체 실측 정보가 확인이 가능하다.
웹페이지에서 도체 폭 및/또는 길이의 규격 위치의 경우, 도체의 폭과 길이 규격의 상세 정보가 시각적으로 확인이 가능하다.
웹페이지에서 도체 폭 및/또는 길이의 실측값의 경우, 각 위치의 시작점과 끝점 사이의 직선거리가 제공된다. 이 직선거리의 폭 및 높이가 측정됨으로써, 뼈마디별 등지방의 두께(즉, 지방두께)가 추론될 수 있다.
도 12는 본 개시의 일 실시예에 따른 인공지능 기반의 도체 등급 판정 시스템을 설명하기 위한 도면이다.
도 12를 참조하면, 인공지능 기반의 도체 등급 판정 시스템(1200)은 전국 도축장(1210) 및 클라우드 서버(1220)를 포함할 수 있다. 전국 도축장(1210)은 전국에 있는 도축장 중에서 어느 하나의 도축장을 의미할 수 있다.
전국 도축장(1210)에서 촬영된 도체 이미지(예, 도체 사진)이 클라우드 서버(1220)에 전송될 수 있다. 클라우드 서버(1220)는 도체 이미지를 학습 및 예측하고, 도체 이미지에 포함된 도체의 등급을 판정하고, 등급 판정 자료를 전국 도축장(1210)에 전송할 수 있다. 등급 판정 자료는, 예를 들어, 도체 화상 이미지, 등급 판정 자료 등을 포함하는 정보(1201)를 포함할 수 있다.
전국 도축장(1210)은 도축 작업실(1211), 인터넷 프로토콜 카메라(1212), 도축장 사무실(1213), 및 평가사 사무실(1214)를 포함할 수 있다.
도축 작업실(1211)은 도체(屠體, dressed carcass, DCI)가 작업되는 공간일 수 있다. 도축 작업실(1211)에서 후크에 걸린 도체(DCI)가 이동될 수 있다.
인터넷 프로토콜 카메라(1212)는 도체(DCI)를 촬영하여 도체 이미지를 클라우드 서버(1220)에 전송할 수 있다. 인터넷 프로토콜 카메라(1212)의 개수는 1개일 수 있다. 인터넷 프로토콜 카메라(1212)는 도축 작업실(1211)에서 도체(DCI)로부터 약 1.7 미터 간격만큼 이격되어 도체(DCI)를 촬영할 수 있다. 인터넷 프로토콜 카메라(1212)는 도체(DCI)의 전체를 촬영할 수 있다. 도체(DCI)가 약 2미터 정도 이동될 때마다, 인터넷 프로토콜 카메라(1212)는 다른 도체(DCI) 또는 새로운 도체(DCI)를 촬영할 수 있다.
클라우드 서버(1220)는, 도체 이미지를 입력으로 하여 인공지능 모델을 통해 도체 이미지를 분석할 수 있다. 그리고, 클라우드 서버(1220)는, 인공지능 모델을 통해 도체 이미지에서 도체(DCI)의 성별, 도체(DCI)의 뼈마디 및 도체(DCI)의 뼈마디별 등지방의 두께를 측정할 수 있다. 그리고, 클라우드 서버(1220)는, 인공지능 모델을 통해 도체(DCI)의 성별 및 도체(DCI)의 뼈마디별 등지방의 두께를 기초로 도체(DCI)의 등급을 판정할 수 있다. 클라우드 서버(1220)는, 도 8을 참조하여 전술한 최적의 인공지능 모델을 생성할 수 있다. 또한, 클라우드 서버(1220)는, 도 9를 참조하여 전술한 인공지능 추론 동작을 수행할 수 있다.
일부 실시예들에서, 클라우드 서버(1220)는, 외부로부터 도체(DCI)의 체중에 관한 체중 정보를 수신할 수 있다. 그리고, 클라우드 서버(1220)는, 인공지능 모델을 통해 도체 이미지, 도체(DCI)의 체중, 및 판정된 도체(DCI)의 등급을 기초로 정육에 관한 복수의 파라미터들을 추론할 수 있다. 정육에 관한 복수의 파라미터들은 전술한 전체 정육량, 정육률, 대분할 부위 정육량, 특정 부위에 대한 예측값 등의 52개 측정 항목일 수 있다.
일부 실시예들에서, 클라우드 서버(1220)는 하나의 학습용 서버 및 하나의 예측용 서버로 구성될 수도 있다.
도축장 사무실(1213)은 도축 ERP PC를 구비할 수 있다. 도축 ERP PC는 컴퓨팅 장치로 지칭될 수 있다. 컴퓨팅 장치는 클라우드 서버(1220)로부터 도체(DCI)의 등급이 판정된 정보(1201)를 수신하여 정보(1201)를 저장할 수 있다.
평가사 사무실(1214)은 자료 전송 시스템을 구비할 수 있다. 자료 전송 시스템은, 클라우드 서버(1220)로부터 도체(DCI)의 등급이 판정된 정보(1201)를 수신할 수 있다.
인공지능 기반의 도체 등급 판정 시스템(1200)에 의하면, 인터넷 프로토콜 카메라(1212) 30종 조사가 가능하다. 그리고, 도축장에 인공지능 추론 동작을 수행하기 위한 PC가 구비되지 않아도 되므로, 유지 보수가 효육적으로 향상된다. 그리고, 시스템을 구축하기 위한 비용이 절감된다.
도 13은 본 개시의 다른 실시예에 따른 인공지능 기반의 도체 등급 판정 시스템을 설명하기 위한 도면이다.
도 13을 참조하면, 인공지능 기반의 도체 등급 판정 시스템(1300)은 도축 작업실(1310), 산업용 카메라(1320), 도축장 사무실(1330), 평가사 사무실(1340), 인공지능 에이전트 서버(1350), 및 클라우드 서버(1360)를 포함할 수 있다.
도축 작업실(1310)에서 후크에 걸린 도체(DCI)가 이동될 수 있다. 하나의 산업용 카메라(1320)는 도체(DCI)를 촬영하여 도체 이미지를 인공지능 에어전트(1350)에 전송할 수 있다.
인공지능 에이전트 서버(1350)는 클라우드 서버(1360)로부터 학습 모델(즉, 최적의 인공지능 모델)을 제공받을 수 있다. 그리고, 인공지능 에이전트 서버(1350)는 도체 이미지를 입력으로 하여 최적의 인공지능 모델을 통해 도체 이미지를 분석할 수 있다. 그리고, 인공지능 에이전트 서버(1350)는 최적의 인공지능 모델을 통해 도체 이미지에서 도체의 성별, 도체의 뼈마디 및 도체의 뼈마디별 등지방의 두께를 측정(추론)할 수 있다. 그리고, 인공지능 에이전트 서버(1350)는 최적의 인공지능 모델을 통해 도체의 성별 및 도체의 뼈마디별 등지방의 두께를 기초로 도체의 등급을 판정할 수 있다.
클라우드 서버(1360)는 도체 이미지를 학습하여 최적의 인공지능 모델을 구축할 수 있다. 최적의 인공지능 모델을 구축하는 방법은 도 8을 참조하여 전술한 바와 같다. 클라우드 서버(1360)는 학습 서버로 지칭될 수 있다.
일부 실시예들에서, 클라우드 서버(1360)는 인공지능 에이전트 서버(1310)로부터 도체의 성별, 도체의 뼈마디, 도체의 뼈마디별 등지방의 두께, 및 도체의 등급을 포함하는 새로운 데이터를 수신하여 새로운 데이터를 학습할 수 있다. 그리고, 클라우드 서버(1360)는 기존에 기록된 등급 측정 시스템(1400)의 로그 데이터에 포함된 도체의 등급과, 최적의 인공지능 모델을 통해 판정된 도체의 등급을 비교하여, 비교 결과를 기초로 인공지능 모델의 처리 결과를 검증 및 재학습할 수 있다.
도축장 사무실(1330)은 인공지능 에이전트 서버(1350)로부터 도체의 등급이 판정된 정보(1301)를 수신하여 정보(1301)를 저장하는 컴퓨팅 장치를 포함할 수 있다. 컴퓨팅 장치는 도축 EPR PC로 지칭될 수 있다.
평가사 사무실(1340)은 자료 전송 시스템을 구비할 수 있다. 자료 전송 시스템은, 클라우드 서버(1220)로부터 도체(DCI)의 등급이 판정된 정보(1201)를 수신할 수 있다.
등급 측정 시스템(1400)은 현수, 도체번호인쇄, 화상이미촬영, 도체중계근, 등급판정, 및 이력번호인쇄 등의 처리 과정을 통해 도체의 등급을 판정하는 시스템일 수 있다. 여기서, 등급 측정 시스템(1400)은 VCS2000을 이용할 수 있다. 등급 측정 시스템(1400)을 통해 얻은 결과는 클라우드 서버(1360)에 제공되고, 클라우드 서버(1360)는 등급 측정 시스템(1400)을 통해 얻은 결과와 인공지능 추론 결과를 비교하여 재학습을 통해 정확도를 향상시킬 수 있다. 등급 측정 시스템(1400)을 통해 얻은 결과는 등급 판정사가 육안 판정한 결과일 수 있다.
전술한 시스템에 의하면, 기존의 등급 측정 시스템(1400)을 유지하므로, 유지 보수에 대한 안정성이 향상될 수 있다. 신규 장치가 설치되지 않아서, 추가 설치 비용이 절감될 수 있다. 1대의 서버에 장애가 발생하더라도 나머지 서버가 원활한 서비스를 제공할 수 있다.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.
100 : 인공지능 기반의 도체 등급 판정 시스템
110 : 카메라
120 : 컴퓨팅 장치
110 : 카메라
120 : 컴퓨팅 장치
Claims (10)
- 도체(屠體, dressed carcass)를 촬영하여 도체 이미지를 전송하는 하나의 카메라; 및
상기 도체 이미지를 입력으로 하여 인공지능 모델을 통해 상기 도체 이미지를 분석하고, 상기 인공지능 모델을 통해 상기 도체 이미지에서 상기 도체의 성별, 상기 도체의 뼈마디 및 상기 도체의 뼈마디별 등지방의 두께를 측정하고, 상기 인공지능 모델을 통해 상기 도체의 성별 및 상기 도체의 뼈마디별 등지방의 두께를 기초로 상기 도체의 등급을 판정하는 컴퓨팅 장치를 포함하고,
상기 하나의 카메라는,
동물의 좌반(left half)에 대응되는 도체를 촬영하여 제1 도체 이미지를 상기 컴퓨팅 장치에 전송하고, 상기 동물의 우반(right half)에 대응되는 도체를 촬영하여 제2 도체 이미지를 상기 컴퓨팅 장치에 전송하고,
상기 컴퓨팅 장치는,
외부로부터 상기 도체의 체중에 관한 체중 정보를 수신하고,
상기 인공지능 모델을 통해 상기 제1 도체 이미지, 상기 제2 도체 이미지, 상기 도체의 체중, 및 판정된 상기 도체의 등급을 기초로 정육에 관한 복수의 파라미터들을 추론하고,
상기 제1 도체 이미지를 기초로 상기 도체의 등급을 판정하고, 상기 제2 도체 이미지를 기초로 상기 도체의 등급을 판정하고,
상기 제1 도체 이미지를 기반으로 판정된 상기 도체의 등급과 상기 제2 도체 이미지를 기반으로 판정된 상기 도체의 등급을 비교하여, 비교 결과를 기초로 상기 인공지능 모델의 처리 결과를 검증하되,
상기 복수의 파라미터들은, 전체 정육량, 정육률, 대분할 부위 정육량, 특정 부위에 대한 예측값이고,
상기 인공지능 모델의 처리 결과를 검증할 때 이용되는 데이터는, 도체 수집 데이터, 뼈 및 지방 예측 데이터, 일일 도체번호 데이터, 예측항목 비교 데이터, 폭 및 길이 조회 데이터인 것을 특징으로 하는, 인공지능 기반의 돼지 도체 등급 판정 시스템. - 삭제
- 삭제
- 삭제
- 도체를 촬영하여 도체 이미지를 전송하는 하나의 인터넷 프로토콜 카메라;
상기 도체 이미지를 입력으로 하여 인공지능 모델을 통해 상기 도체 이미지를 분석하고, 상기 인공지능 모델을 통해 상기 도체 이미지에서 상기 도체의 성별, 상기 도체의 뼈마디 및 상기 도체의 뼈마디별 등지방의 두께를 측정하고, 상기 인공지능 모델을 통해 상기 도체의 성별 및 상기 도체의 뼈마디별 등지방의 두께를 기초로 상기 도체의 등급을 판정하는 클라우드 서버; 및
상기 클라우드 서버로부터 상기 도체의 등급이 판정된 정보를 수신하여 상기 정보를 저장하는 컴퓨팅 장치를 포함하고,
상기 하나의 인터넷 프로토콜 카메라는,
동물의 좌반(left half)에 대응되는 도체를 촬영하여 제1 도체 이미지를 상기 컴퓨팅 장치에 전송하고, 상기 동물의 우반(right half)에 대응되는 도체를 촬영하여 제2 도체 이미지를 상기 클라우드 서버에 전송하고,
상기 클라우드 서버는,
외부로부터 상기 도체의 체중에 관한 체중 정보를 수신하고,
상기 인공지능 모델을 통해 상기 제1 도체 이미지, 상기 제2 도체 이미지, 상기 도체의 체중, 및 판정된 상기 도체의 등급을 기초로 정육에 관한 복수의 파라미터들을 추론하고,
상기 제1 도체 이미지를 기초로 상기 도체의 등급을 판정하고, 상기 제2 도체 이미지를 기초로 상기 도체의 등급을 판정하고,
상기 제1 도체 이미지를 기반으로 판정된 상기 도체의 등급과 상기 제2 도체 이미지를 기반으로 판정된 상기 도체의 등급을 비교하여, 비교 결과를 기초로 상기 인공지능 모델의 처리 결과를 검증하되,
상기 복수의 파라미터들은, 전체 정육량, 정육률, 대분할 부위 정육량, 특정 부위에 대한 예측값이고,
상기 인공지능 모델의 처리 결과를 검증할 때 이용되는 데이터는, 도체 수집 데이터, 뼈 및 지방 예측 데이터, 일일 도체번호 데이터, 예측항목 비교 데이터, 폭 및 길이 조회 데이터인 것을 특징으로 하는, 인공지능 기반의 돼지 도체 등급 판정 시스템. - 삭제
- 도체(屠體, dressed carcass)를 촬영하여 도체 이미지를 전송하는 하나의 산업용 카메라;
상기 도체 이미지를 학습하여 인공지능 모델을 구축하는 학습 서버; 및
상기 학습 서버로부터 상기 인공지능 모델을 제공받고, 상기 도체 이미지를 입력으로 하여 상기 인공지능 모델을 통해 상기 도체 이미지를 분석하고, 상기 인공지능 모델을 통해 상기 도체 이미지에서 상기 도체의 성별, 상기 도체의 뼈마디 및 상기 도체의 뼈마디별 등지방의 두께를 측정하고, 상기 인공지능 모델을 통해 상기 도체의 성별 및 상기 도체의 뼈마디별 등지방의 두께를 기초로 상기 도체의 등급을 판정하는 인공지능 에이전트 서버; 및
상기 인공지능 에이전트 서버로부터 상기 도체의 등급이 판정된 정보를 수신하여 상기 정보를 저장하는 컴퓨팅 장치를 포함하고,
상기 하나의 산업용 카메라는,
동물의 좌반(left half)에 대응되는 도체를 촬영하여 제1 도체 이미지를 상기 컴퓨팅 장치에 전송하고, 상기 동물의 우반(right half)에 대응되는 도체를 촬영하여 제2 도체 이미지를 클라우드 서버에 전송하고,
상기 인공지능 에이전트 서버는,
외부로부터 상기 도체의 체중에 관한 체중 정보를 수신하고,
상기 인공지능 모델을 통해 상기 제1 도체 이미지, 상기 제2 도체 이미지, 상기 도체의 체중, 및 판정된 상기 도체의 등급을 기초로 정육에 관한 복수의 파라미터들을 추론하고,
상기 제1 도체 이미지를 기초로 상기 도체의 등급을 판정하고, 상기 제2 도체 이미지를 기초로 상기 도체의 등급을 판정하고,
상기 제1 도체 이미지를 기반으로 판정된 상기 도체의 등급과 상기 제2 도체 이미지를 기반으로 판정된 상기 도체의 등급을 비교하여, 비교 결과를 기초로 상기 인공지능 모델의 처리 결과를 검증하되,
상기 복수의 파라미터들은, 전체 정육량, 정육률, 대분할 부위 정육량, 특정 부위에 대한 예측값이고,
상기 인공지능 모델의 처리 결과를 검증할 때 이용되는 데이터는, 도체 수집 데이터, 뼈 및 지방 예측 데이터, 일일 도체번호 데이터, 예측항목 비교 데이터, 폭 및 길이 조회 데이터인 것을 특징으로 하는, 인공지능 기반의 돼지 도체 등급 판정 시스템. - 삭제
- 하나의 카메라를 통해 촬영된 도체(屠體, dressed carcass)의 도체 이미지를 제공받는 단계;
상기 도체 이미지를 입력으로 하여 컴퓨팅 장치의 인공지능 모델을 통해 상기 도체 이미지에서 상기 도체의 성별, 상기 도체의 뼈마디 및 상기 도체의 뼈마디별 등지방의 두께를 측정하는 단계; 및
상기 인공지능 모델을 통해 상기 도체의 성별 및 상기 도체의 뼈마디별 등지방의 두께를 기초로 상기 도체의 등급을 판정하는 단계를 포함하고,
상기 하나의 카메라는,
동물의 좌반(left half)에 대응되는 도체를 촬영하여 제1 도체 이미지를 상기 컴퓨팅 장치에 전송하고, 상기 동물의 우반(right half)에 대응되는 도체를 촬영하여 제2 도체 이미지를 상기 컴퓨팅 장치에 전송하고,
상기 컴퓨팅 장치는,
외부로부터 상기 도체의 체중에 관한 체중 정보를 수신하고,
상기 인공지능 모델을 통해 상기 제1 도체 이미지, 상기 제2 도체 이미지, 상기 도체의 체중, 및 판정된 상기 도체의 등급을 기초로 정육에 관한 복수의 파라미터들을 추론하고,
상기 제1 도체 이미지를 기초로 상기 도체의 등급을 판정하고, 상기 제2 도체 이미지를 기초로 상기 도체의 등급을 판정하고,
상기 제1 도체 이미지를 기반으로 판정된 상기 도체의 등급과 상기 제2 도체 이미지를 기반으로 판정된 상기 도체의 등급을 비교하여, 비교 결과를 기초로 상기 인공지능 모델의 처리 결과를 검증하되,
상기 복수의 파라미터들은, 전체 정육량, 정육률, 대분할 부위 정육량, 특정 부위에 대한 예측값이고,
상기 인공지능 모델의 처리 결과를 검증할 때 이용되는 데이터는, 도체 수집 데이터, 뼈 및 지방 예측 데이터, 일일 도체번호 데이터, 예측항목 비교 데이터, 폭 및 길이 조회 데이터인 것을 특징으로 하는, 인공지능 기반의 돼지 도체 등급 판정 시스템의 동작 방법. - 하드웨어인 컴퓨터와 결합되어, 제9 항의 동작 방법을 수행하기 위해 컴퓨터 판독 가능한 기록매체에 저장된, 컴퓨터 프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220178252A KR102648469B1 (ko) | 2022-12-19 | 2022-12-19 | 인공지능 기반의 돼지 도체 등급 판정 시스템 및 그의 동작 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220178252A KR102648469B1 (ko) | 2022-12-19 | 2022-12-19 | 인공지능 기반의 돼지 도체 등급 판정 시스템 및 그의 동작 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102648469B1 true KR102648469B1 (ko) | 2024-03-18 |
Family
ID=90473999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220178252A KR102648469B1 (ko) | 2022-12-19 | 2022-12-19 | 인공지능 기반의 돼지 도체 등급 판정 시스템 및 그의 동작 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102648469B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170033861A (ko) * | 2014-07-22 | 2017-03-27 | 체에스베-지스템 아게 | 도축돼지의 성별을 광학적으로 감별하는 장치 |
| KR20210074953A (ko) * | 2019-12-12 | 2021-06-22 | 대한민국(농촌진흥청장) | 소고기 등급 판정 장치 및 방법 |
| KR20220088087A (ko) | 2020-12-18 | 2022-06-27 | 대한민국(농촌진흥청장) | 소도체의 배최장근단면 영상정보를 이용한 자동 품질등급판정시스템 및 이를 이용한 등급판정방법, 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체 |
-
2022
- 2022-12-19 KR KR1020220178252A patent/KR102648469B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170033861A (ko) * | 2014-07-22 | 2017-03-27 | 체에스베-지스템 아게 | 도축돼지의 성별을 광학적으로 감별하는 장치 |
| KR20210074953A (ko) * | 2019-12-12 | 2021-06-22 | 대한민국(농촌진흥청장) | 소고기 등급 판정 장치 및 방법 |
| KR20220088087A (ko) | 2020-12-18 | 2022-06-27 | 대한민국(농촌진흥청장) | 소도체의 배최장근단면 영상정보를 이용한 자동 품질등급판정시스템 및 이를 이용한 등급판정방법, 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107229947B (zh) | 一种基于动物识别的金融保险方法及系统 | |
| US11341626B2 (en) | Method and apparatus for outputting information | |
| KR101607934B1 (ko) | 전염병 모니터링 방법 및 이를 이용한 시스템, 이를 수행하기 위한 기록매체 | |
| EP2806374A1 (en) | Method and system for automatic selection of one or more image processing algorithm | |
| US11910784B2 (en) | Animal visual identification, tracking, monitoring and assessment systems and methods thereof | |
| JP6942764B2 (ja) | システム、クライアント端末、その制御方法 | |
| CN104715321A (zh) | 基于重量守恒的屠宰场过程监控溯源系统 | |
| CN108062708A (zh) | 牲畜资产的抵押方法、计算机程序、存储介质及电子设备 | |
| KR102425522B1 (ko) | 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법 | |
| WO2023041904A1 (en) | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes | |
| KR102648469B1 (ko) | 인공지능 기반의 돼지 도체 등급 판정 시스템 및 그의 동작 방법 | |
| JP6645955B2 (ja) | テストスクリプト修正装置及びテストスクリプト修正プログラム | |
| CN114495241A (zh) | 一种图像识别方法及装置、电子设备、存储介质 | |
| CN112906773A (zh) | 基于云服务的生猪屠宰线胴体品质分级和监控方法及系统 | |
| KR20220123235A (ko) | 결합된 예측 모델링을 통한 이미지의 효율적인 인공 지능 분석 | |
| CN116959099A (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
| CN106469347A (zh) | 一种牲畜宰后视检信息采集终端及视检结果辅助判定方法 | |
| WO2022133422A1 (en) | Systems and methods for nose-based pet identification | |
| KR102303111B1 (ko) | 기계학습 기반 소프트웨어의 학습데이터 품질 평가 방법 | |
| CN113257409A (zh) | 一种基于患者病症症状与医学检验报告的临床决策支持系统 | |
| JP2021082000A (ja) | 学習済モデルの生成方法、コンピュータプログラム、情報処理方法及び情報処理装置 | |
| CN112132064A (zh) | 基于人工智能的识别孕囊数量的方法、装置、设备和介质 | |
| CN112069334A (zh) | 一种基于区块链的奶牛养殖溯源方法及系统 | |
| CN114399636A (zh) | 对象识别方法和对象识别装置 | |
| US20220327237A1 (en) | System and a method for identifying private user information |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |