KR20190074910A - A behavior pattern abnormality discrimination system and method for providing the same - Google Patents
A behavior pattern abnormality discrimination system and method for providing the same Download PDFInfo
- Publication number
- KR20190074910A KR20190074910A KR1020180000639A KR20180000639A KR20190074910A KR 20190074910 A KR20190074910 A KR 20190074910A KR 1020180000639 A KR1020180000639 A KR 1020180000639A KR 20180000639 A KR20180000639 A KR 20180000639A KR 20190074910 A KR20190074910 A KR 20190074910A
- Authority
- KR
- South Korea
- Prior art keywords
- behavior pattern
- behavior
- unit
- interest
- abnormality
- Prior art date
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims description 33
- 230000006399 behavior Effects 0.000 claims abstract description 132
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000007689 inspection Methods 0.000 claims description 10
- 230000003542 behavioural effect Effects 0.000 claims description 9
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 4
- 208000024891 symptom Diseases 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims 2
- 238000001514 detection method Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 206010064097 avian influenza Diseases 0.000 description 13
- 208000002979 Influenza in Birds Diseases 0.000 description 11
- 241000287828 Gallus gallus Species 0.000 description 9
- 235000013330 chicken meat Nutrition 0.000 description 9
- 238000003754 machining Methods 0.000 description 7
- 244000144977 poultry Species 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 235000013594 poultry meat Nutrition 0.000 description 5
- 241000195493 Cryptophyta Species 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 241000271566 Aves Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000272517 Anseriformes Species 0.000 description 1
- 241000290143 Pyrus x bretschneideri Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000013404 behavioral symptom Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4084—Scaling of whole images or parts thereof, e.g. expanding or contracting in the transform domain, e.g. fast Fourier transform [FFT] domain scaling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Environmental Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
Abstract
Description
본 발명은 행동패턴 이상 징후 판별 시스템 및 이의 제공방법에 관한 것으로, 구체적으로는 조류인플루엔자를 초기 예방 조치 차원으로 양계장에 영상센서와 텐서플로우를 활용하여 닭들의 행동패턴을 분석하고, 그에 따른 신속한 예방을 통해 조류인플루엔자의 확산을 방지할 수 있는 행동패턴 이상 징후 판별 시스템 및 이의 제공방법에 관한 것이다.The present invention relates to a behavior pattern abnormality discrimination system and a method for providing the same, and more specifically, it relates to an analysis of a behavior pattern of a chicken using an image sensor and a tensor flow in a poultry house as an initial preventive measure to analyze avian influenza, To a behavior pattern abnormality discrimination system and a method of providing the same.
최근 몇 년 동안 일명 조류독감으로 인한 농가의 피해가 급증하고 있다.In recent years, the number of farmers suffering from bird flu has increased dramatically.
조류독감의 경우에는 그 전에는 사람에게 전염되는 경우가 없었으나, 최근에 들어 중국에 감염자가 발생하면서 사회에 큰 충격을 주었다.In the case of avian influenza, it has never been transmitted to humans before, but recently it has caused a great impact on society as a result of infection in China.
이에 따라, 전세계적으로 조류독감에 대한 경계가 심화되었고, 양계 농가들은 폐사를 시켜 전염을 막기 위해 큰 손실을 겪고 있다.As a result, worldwide bird flu pandemics have intensified, and poultry farmers are suffering large losses to stop the spread of the virus.
또한, 조류독감의 경우 조류들에게 있어서 확산률이 높은 질병이며, 닭, 오리, 야생 조류의 배설물을 통해 감염되는 데, 조리된 조류를 먹어서는 걸리지 않지만 사람들은 만일을 대비하여 조류로 조리된 음식을 꺼리게 된다.In addition, avian influenza is a disease with a high rate of spread among birds and is transmitted through feces of chickens, ducks, and wild birds. It does not take to eat cooked algae, but people eat foods prepared with algae .
즉, 통닭집이나 백숙 등을 판매하는 사람들의 생계도 위협받고 있다.In other words, the livelihood of people who sell chickens' houses or white pears are threatened.
상기와 같은 문제가 발생하지 않도록 하기 위해서는 확산이 빠른 조류독감의 초기대응이 중요하다.In order to prevent the above-mentioned problems from occurring, it is important to respond early to the spread of avian influenza.
따라서, 조류독감 초기 대응과 관련된 시스템적인 기술개발이 요구되고 있는 실정이다.Therefore, systematic technology development related to the initial response of avian influenza is required.
상기와 같은 문제를 해결하기 위하여 창안된 본 발명은 조류인플루엔자를 초기 예방 조치 차원으로 양계장에 영상센서와 텐서플로우를 활용하여 닭들의 행동패턴을 분석하고, 그에 따른 신속한 예방을 통해 조류인플루엔자의 확산을 방지할 수 있는 행동패턴 이상 징후 판별 시스템 및 이의 제공방법을 제공하는 데 있다.In order to solve the above-mentioned problems, the present invention is to analyze the behavior pattern of chickens using image sensor and tensor flow in poultry poultry as an initial preventive measures for avian influenza, and to prevent the spread of avian influenza A behavior pattern abnormality discrimination system and a method for providing the same.
상기 과제를 해결하기 위하여, 본 발명의 실시예에 따른 행동패턴 이상 징후 판별 시스템은, 영상센서를 통해 실시간으로 수집되는 영상데이터를 입력 받는 영상수집부; 상기 영상데이터로부터 관심 객체를 검출하기 위하여 영상처리하는 영상처리부; 상기 영상처리된 영상데이터로부터 상기 관심 객체의 행동패턴 특징을 추출하는 행동패턴 추출부; 상기 추출된 행동패턴 특징을 이용하여 상기 관심 객체의 행동패턴을 학습하여 모델링하는 행동패턴 모델링부 및 상기 모델링된 행동패턴을 분석하여 상기 관심 객체의 행동이상 발생 여부를 판단하는 행동이상 판별부를 포함하고, 상기 행동이상 모델링부는 텐서플로우로 학습하여 모델링되는 것을 특징으로 한다.According to another aspect of the present invention, there is provided a behavior pattern abnormality discrimination system comprising: an image collection unit for receiving image data collected in real time through an image sensor; An image processing unit for performing image processing for detecting an object of interest from the image data; A behavior pattern extracting unit for extracting a behavior pattern characteristic of the object of interest from the image data processed by the image processing; A behavior pattern modeling unit for learning and modeling a behavior pattern of the object of interest using the extracted behavior pattern characteristic and an action abnormality discrimination unit for analyzing the modeled behavior pattern to determine whether a behavior abnormality of the object of interest has occurred , And the behavior abnormality modeling unit is modeled by learning with a tensor flow.
또한, 상기 행동이상 판별부는, 상기 행동패턴 추출부로부터 행동패턴 특징을 전달받아 관심 객체의 위상과 크기에 대한 정보를 변환하여 주파수의 그래프를 영상정보화한 패턴을 확보하는 FFT변환부; 상기 주파수의 그래프를 영상정보화한 패턴에 대해 실시간으로 딥마인드 판별을 하는 딥마인드판별부를 포함할 수 있다.The behavior abnormality determination unit may include an FFT transform unit that receives a behavior pattern characteristic from the behavior pattern extraction unit and transforms information about the phase and size of the object of interest to secure a pattern obtained by image-informing a graph of the frequency; And a deep mind discrimination unit for performing a deep mind discrimination on a pattern obtained by visualizing the graph of the frequency in real time.
또한, 상기 행동패턴 이상 징후 판별 시스템은, 상기 행동이상 판별부의 판단에 따라 행동이상의 발생 감지시 정밀검사 의뢰를 요청하는 정밀검사요청부를 더 포함할 수 있다.The behavior pattern abnormality discrimination system may further include a close examination request unit for requesting a close examination request when a behavior abnormality is detected according to a judgment of the behavior abnormality judgment unit.
또한, 상기 행동패턴 추출부는 상기 영상데이터를 좌표가 설정된 셀(Cell)단위의 그리드 영역으로 분할하여 구분하고, 분할한 각 영역에서 관심 객체들의 행동패턴 정보를 추출하고, 초당 프레임을 기준으로 움직임 속도와 거리를 산정하는 것을 특징으로 한다.In addition, the behavior pattern extracting unit divides the image data into grid areas in which the coordinates are set, divides the image data into grid areas, extracts behavior pattern information of the objects of interest in each divided area, And the distance is calculated.
또한, 상기 행동패턴 이상 징후 판별 시스템은, 관리자 단말로 관심 객체의 행동이상 발생 여부에 관한 정보를 전송하는 알림부를 더 포함할 수 있다.The behavior pattern abnormality determination system may further include a notification unit that transmits information about whether or not a behavior abnormality of the object of interest occurs to the administrator terminal.
행동패턴 이상 징후 판별 시스템 제공방법에 있어서, (a) 영상센서를 통해 실시간으로 촬영하여 영상데이터를 수집하는 단계; (b) 수집된 영상데이터를 영상처리 하여 관심 객체를 검출하는 단계; (c) 상기 검출된 관심 객체의 행동패턴 특징을 검출하는 단계; (d) 상기 검출된 행동패턴 특징을 이용하여 관심 객체의 행동패턴을 모델링하는 단계 및 (e) 상기 모델링된 행동패턴을 분석하여 행동이상 발생 여부를 판단하는 단계를 포함하고, 상기 (d)단계는, 텐서플로우로 학습하여 모델링되는 것을 특징으로 한다.A method for providing a behavior pattern abnormality discrimination system, the method comprising the steps of: (a) capturing image data by photographing in real time through an image sensor; (b) image processing the collected image data to detect an object of interest; (c) detecting a behavior pattern characteristic of the detected interest object; (d) modeling a behavior pattern of the object of interest using the detected behavior pattern characteristic, and (e) analyzing the modeled behavior pattern to determine whether a behavior abnormality has occurred, Is modeled by learning with a tensor flow.
또한, 상기 (e)단계는, 상기 행동패턴 특징으로부터 관심 객체의 위상과 크기에 대한 정보를 변환하여 주파수의 그래프를 영상정보화한 패턴을 확보하기 위해 FFT변환을 진행하는 단계; 상기 주파수의 그래프를 영상정보화한 패턴에 대해 실시간으로 딥마인드 판별을 진행하는 단계; 상기 딥마인드 판별을 통해 행동이상 발생 여부에 관한 판별결과를 검출하는 단계를 포함할 수 있다.The step (e) may further include the step of converting the information about the phase and the size of the object of interest from the behavior pattern characteristic to perform an FFT transform to secure a pattern in which the graph of the frequency is visualized; Performing a deep-mind discrimination on a pattern obtained by visualizing the graph of the frequency in real time; And detecting a result of discrimination as to whether or not a behavior abnormality has occurred through the deep-mind discrimination.
또한, 상기 (c)단계는, 상기 영상데이터를 좌표가 설정된 셀(Cell)단위의 그리드 영역으로 분할하여 구분하고, 분할한 각 영역에서 관심 객체들의 행동패턴 정보를 추출하고, 초당 프레임을 기준으로 움직임 속도와 거리를 산정하는 것을 특징으로 한다.In the step (c), the image data is divided into grid areas of a cell unit having coordinates, and the behavior pattern information of the objects of interest is extracted in each divided area. The motion speed and the distance are calculated.
또한, 상기 (e)단계 이후에, 행동이상의 발생 감지시 정밀검사 의뢰를 요청하는 단계를 더 포함할 수 있다.The method may further include, after the step (e), requesting a request for a close examination at the time of occurrence of a behavior abnormality.
또한, 상기 행동패턴 이상 징후 판별 시스템 제공방법은, 관리자 단말로 관심 객체의 행동이상 발생 여부에 관한 정보를 전송하는 단계를 더 포함할 수 있다.Further, the method for providing a behavior pattern abnormality identification system may further include transmitting information on whether an abnormal behavior of an object of interest occurs to an administrator terminal.
본 발명의 실시예에 따른 행동패턴 이상 징후 판별 시스템 및 이의 제공방법은, 조류 인플루엔자의 확산을 미연에 방지할 수 있어 농가나, 조류와 연관된 음식을 판매하는 식당 등에 피해가 감소될 수 있다.The behavior pattern abnormality discrimination system and the method for providing the same according to the embodiment of the present invention can prevent the spread of avian influenza in advance and reduce damage to a farmhouse or a restaurant selling food related to algae.
또한, 인공지능분야가 접목되어 사람이 직접 판별할 필요가 없어 편리하고, 시간적으로나 비용 면에서 합리적일 수 있다.In addition, the artificial intelligence field is convenient and convenient because it does not need to be directly discriminated by a person, and it can be reasonable in terms of time and cost.
도 1은 본 발명의 실시예에 따른 행동패턴 이상 징후 판별 시스템의 구성을 도시한 블록도이다.
도 2는 본 발명의 실시예에 따른 행동패턴 이상 징후 판별 시스템 제공방법을 도시한 흐름도 이다.
도 3은 상기 도 2에 도시된 행동패턴을 분석하여 행동이상 발생 여부를 판단하는 단계를 구체화한 흐름도이다.1 is a block diagram showing a configuration of a behavior pattern abnormal symptom discrimination system according to an embodiment of the present invention.
2 is a flowchart illustrating a method for providing a behavior pattern abnormality discrimination system according to an embodiment of the present invention.
FIG. 3 is a flowchart illustrating a step of analyzing a behavior pattern shown in FIG. 2 to determine whether a behavior abnormality has occurred.
이하, 도면을 참조한 본 발명의 설명은 특정한 실시 형태에 대해 한정되지 않으며, 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있다. 또한, 이하에서 설명하는 내용은 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Hereinafter, the description of the present invention with reference to the drawings is not limited to a specific embodiment, and various transformations can be applied and various embodiments can be made. It is to be understood that the following description covers all changes, equivalents, and alternatives falling within the spirit and scope of the present invention.
이하의 설명에서 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용되는 용어로서, 그 자체에 의미가 한정되지 아니하며, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.In the following description, the terms first, second, and the like are used to describe various components and are not limited to their own meaning, and are used only for the purpose of distinguishing one component from another component.
본 명세서 전체에 걸쳐 사용되는 동일한 참조번호는 동일한 구성요소를 나타낸다.Like reference numerals used throughout the specification denote like elements.
본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 이하에서 기재되는 "포함하다", "구비하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로 해석되어야 하며, 하나 또는 그 이상의 다른 특징들이나, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.As used herein, the singular forms "a", "an" and "the" include plural referents unless the context clearly dictates otherwise. It is also to be understood that the terms " comprising, "" comprising, "or" having ", and the like are intended to designate the presence of stated features, integers, And should not be construed to preclude the presence or addition of one or more other features, integers, steps, operations, elements, components, or combinations thereof.
여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다.Hereinafter, a repeated description, a known function that may obscure the gist of the present invention, and a detailed description of the configuration will be omitted. Embodiments of the present invention are provided to more fully describe the present invention to those skilled in the art.
이하, 본 발명의 실시 예를 첨부한 도 1 내지 도 3을 참조하여 상세히 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to FIGS. 1 to 3 attached hereto.
도 1은 본 발명의 실시예에 따른 행동패턴 이상 징후 판별 시스템의 구성을 도시한 블록도이다.1 is a block diagram showing a configuration of a behavior pattern abnormal symptom discrimination system according to an embodiment of the present invention.
도 2는 본 발명의 실시예에 따른 행동패턴 이상 징후 판별 시스템 제공방법을 도시한 흐름도 이다.2 is a flowchart illustrating a method for providing a behavior pattern abnormality discrimination system according to an embodiment of the present invention.
도 3은 상기 도 2에 도시된 행동패턴을 분석하여 행동이상 발생 여부를 판단하는 단계를 구체화한 흐름도이다.FIG. 3 is a flowchart illustrating a step of analyzing a behavior pattern shown in FIG. 2 to determine whether a behavior abnormality has occurred.
먼저, 도 1을 참조하여 본 발명의 행동패턴 이상 징후 판별 시스템은 영상수집부, 영상처리부, 행동패턴 추출부, 행동패턴 모델링부, 행동이상 판별부로 구성될 수 있다.First, referring to FIG. 1, the behavior pattern abnormality discrimination system of the present invention can be composed of an image collecting unit, an image processing unit, a behavior pattern extracting unit, a behavior pattern modeling unit, and a behavior abnormality discriminating unit.
구체적으로 각 구성에 대해 설명하면, 영상 수집부는 영상센서를 통해 실시간으로 수집되는 영상데이터를 입력 받을 수 있다.Specifically, each configuration will be described. The image collecting unit can receive image data collected in real time through the image sensor.
양계장을 예를 들어 설명하면 영상센서는 양계장 내부에 구비된 CCTV와 같은 감시용 카메라 장치를 말할 수 있다.For example, the poultry house can be referred to as a surveillance camera device such as a CCTV provided inside a poultry house.
즉, 닭들의 행동을 촬영하고, 수집한 영상데이터를 이용하여 행동패턴을 관찰할 수 있는 수단으로 활용될 수 있다.In other words, it can be used as a means to photograph behavior of chickens and to observe behavior patterns using collected image data.
다음으로, 영상처리부는 상기 영상데이터로부터 관심 객체를 검출하는 구성이다.Next, the image processing unit detects the object of interest from the image data.
상기에서 관심 객체는 닭을 예를 들어 설명할 수 있다.In the above, a chicken can be described as an object of interest.
즉, 조류 인플루엔자에 노출된 닭을 말할 수 있으며, 닭의 영상데이터로부터 영상처리하여 검출할 수 있다.That is, it can refer to a chicken exposed to avian influenza, and can be detected by image processing from image data of a chicken.
여기서, 영상처리부는 일정 단위 시간 동안 입력된 영상데이터를 이용하여 고정된 화각과 위치를 유지한 영상정보입력장치를 이용해 획득된 영상정보의 프레임간의 수학적 연산에 의한 정적 화상 정보와 동적 화상 정보를 분리하는 방식을 통해 구분된 영상정보로부터 주위 모델링을 수행하고, 상기 주위 모델링을 통해 학습된 주위 모델을 이용하여 관심 객체를 검출하는 방식으로 영상처리를 진행할 수 있다.Here, the image processing unit separates the static image information and the dynamic image information by mathematical operation between the frames of the image information obtained by using the image information input apparatus that maintains the fixed angle of view and position using the input image data for a predetermined unit of time The surrounding modeling is performed from the image information classified through the method of performing the surrounding modeling and the interested object is detected using the learned surrounding model through the surrounding modeling.
다음으로, 행동패턴 추출부는 영상처리부로부터 영상처리된 영상데이터로부터 상기 관심 객체의 행동패턴 특징을 추출할 수 있다.Next, the behavior pattern extracting unit may extract a behavior pattern characteristic of the object of interest from the image data processed by the image processing unit.
구체적으로 설명하면, 행동패턴 추출부는 영상데이터를 좌표가 설정된 셀(Cell)단위의 그리드 영역으로 분할하여 구분하고, 분할한 각 영역에서 관심 객체들의 행동패턴 정보를 추출하고, 초당 프레임을 기준으로 움직임 속도와 거리를 산정하여 닭의 행동패턴을 추출할 수 있다.Specifically, the behavior pattern extracting unit divides the image data into grid areas of a unit of cells (cells) in which the coordinates are set, extracts behavior pattern information of the objects of interest in each divided area, The behavior pattern of the chicken can be extracted by calculating the speed and distance.
다음으로, 행동패턴 모델링부는 행동패턴 추출부로부터 추출된 행동패턴 특징을 이용하여 상기 관심 객체의 행동패턴을 학습하여 모델링하는 구성이다.Next, the behavior pattern modeling unit learns and models the behavior pattern of the object of interest using the behavior pattern characteristics extracted from the behavior pattern extraction unit.
이때, 행동패턴을 학습하는 방식은 텐서플로우를 이용하여 머시닝 러닝을 통해 이루어질 수 있다.At this time, a method of learning a behavior pattern can be performed through machining learning using a tensor flow.
상기 텐서플로우(Tensorflow)는 데이터 플로 그래프를 활용하여 딥 러닝(Deep Learinig)과 머시닝 러닝(Machining Learning)등에 활용하기 위해 개발된 오픈소스 소프트웨어이다.The tensor flow (Tensorflow) is an open-source software developed for use in deep learning and machining learning utilizing data flow graphs.
본 발명에서는 텐서플로우를 이용하여 머시닝 러닝하여 모델링 할 수 있다.In the present invention, it is possible to perform modeling by machining running using a tensor flow.
여기서, 머시닝 러닝이란 컴퓨터 과학을 포함한 대부분의 모든 분야에서 활용되고 있으며, 컴퓨터 시각(문자 인식, 물체 인식, 얼굴 인식), 자연어 처리(자동 번역, 대화 분석), 음성 인식 및 필기 인식, 정보 검색 및 검색 엔진(텍스트마이닝, 스팸 필터, 추출 및 요약, 추천 시스템), 생물 정보학(유전자 분석, 단백질 분류, 질병 진단), 컴퓨터 그래픽 및 게임(애니메이션, 가상현실), 로보틱스(경로 탐색, 무인 자동차, 물체 인식 및 분류) 등의 분야에서 응용되고 있다.Here, machining learning is used in almost all fields including computer science. It is used for computer vision (character recognition, object recognition, facial recognition), natural language processing (automatic translation, dialogue analysis), speech recognition and handwriting recognition, This course is designed to provide students with a comprehensive understanding of the basic concepts of search engines (text mining, spam filters, extraction and summarization, recommendation systems), bioinformatics (gene analysis, protein classification, disease diagnosis), computer graphics and games (animation, virtual reality), robotics Recognition and classification).
또한, 머시닝 러닝은 학습 시스템에 정보 및 데이터를 입력하는 형태에 따라 크게 세가지로 나뉠 수 있다.Also, machining learning can be largely divided into three types according to the type of inputting information and data into the learning system.
첫번째는 감독 학습이며, 입력과 이에 대응하는 미리 알려진 출력을 매핑(mapping)하는 함수를 학습하는 과정이다.The first is supervised learning, and it is a process of learning functions that map inputs and corresponding known outputs.
두번째는 비감독 학습이며, 출력 없이 입력만으로 모델을 구축하여 학습한다. 일반적으로 데이터마이닝의 대부분의 기법이 이에 해당한다.The second is non-supervised learning. This is usually the case with most techniques in data mining.
세번째는 강화 학습이며, 학습자가 행동을 선택하여 행동으로 환경에 영향을 미치고 이에 대한 피드백으로 보상치를 얻어 학습 알고리즘의 가이드로 활용될 수 있다.The third is reinforcement learning, which can be used as a guide for the learning algorithm by the learner selecting the behavior and influencing the environment by the action and receiving the compensation value as feedback.
즉, 본 발명에 머시닝 러닝을 통해 사람이 직접 함으로써 나타날 수 있는 실수를 줄일 수 있어 시간 및 사람에게 편의성을 제공할 수 있다.That is, it is possible to reduce the mistakes that can be manifested by the person directly through the machining learning in the present invention, thereby providing convenience to the time and the person.
다음으로, 행동이상 판별부는 모델링된 행동패턴을 분석하여 상기 관심 객체의 행동이상 발생 여부를 판단하는 구성이다.Next, the behavioral abnormality determination unit analyzes the modeled behavior pattern and determines whether or not the behavioral abnormality of the object of interest occurs.
구체적으로, 행동이상 판별부는 FFT변환부, 딥마인드판별부로 구성될 수 있다.Specifically, the behavior abnormality discrimination section may be composed of an FFT conversion section and a deep mind discrimination section.
FFT변환부는 행동패턴 추출부로부터 행동패턴 특징을 전달받아 관심 객체의 위상과 크기에 대한 정보를 변환하여 주파수의 그래프를 영상정보화한 패턴을 확보하는 역할을 수행하는 구성이다.The FFT transformer receives the behavior pattern characteristic from the behavior pattern extractor and transforms the information about the phase and size of the object of interest, thereby securing a pattern in which the graph of the frequency is visualized.
FFT(Fast Fourier Theorem)란, 고속 푸리에 변환이라고도 하며, 본 발명에서는 행동패턴 추출부로부터 추출된 행동패턴 특징을 전송받아 관심 객체의 위상과 크기에 대한 정보를 주파수의 그래프를 영상정보화한 패턴으로 확보하기 위해 변환하는 기능을 할 수 있다.The Fast Fourier Theorem (FFT) is also referred to as Fast Fourier Transform (FFT). In the present invention, the behavior pattern extracted from the behavior pattern extracting unit is transmitted to obtain information on the phase and size of the object of interest, In order to do so.
FFT변환을 통해 얻은 주파수의 그래프를 영상정보화한 패턴으로 패턴의 차이를 감지하여 관심 객체의 행동이상 징후를 판별할 수 있게 한다.It is possible to distinguish the abnormal behavior of the object of interest by detecting the difference of the pattern by the pattern of the image information of the graph of the frequency obtained by the FFT transform.
다음으로, 딥마인드판별부는 FFT변환부에서 추출된 주파수의 그래프를 영상정보화한 패턴에 대해 실시간으로 패턴을 분석하여 딥마인드 판별할 수 있다.Next, the deep-mind discriminator can determine the deep-minded pattern by analyzing the pattern of the frequency information extracted by the FFT converter in real time.
이때, 딥마인드 판별이란, 동작에 대한 특징을 벡터적으로 해석하여 방향과 크기 즉 위상과 진폭의 수학적 패턴으로 하는 딥서치(Deepsearch)를 이용한 머시닝 러닝으로 학습되어 축척된 데이터와 모델링된 데이터를 비교하여 행동이상 징후를 판별할 수 있다.At this time, the deep-mind discrimination is a method in which the characteristics of the motion are analyzed by a vector, and the data is learned by machining learning using Deepsearch, which is a mathematical pattern of the direction and the magnitude, You can identify signs of behavioral abnormalities.
본 발명의 실시예에 따른 행동패턴 이상 징후 판별 시스템은 정밀검사요청부를 더 포함할 수 있다.The behavior pattern abnormality discrimination system according to the embodiment of the present invention may further include a close inspection request unit.
구체적으로, 정밀검사요청부는 관심 객체의 행동이상 징후 발생이 감지될 시에 자동적으로 관련기관(예: 정부)로 정밀검사를 의뢰를 요청할 수 있는 구성이다.Specifically, the close inspection requesting unit is a configuration that can automatically request the close inspection (for example, the government) to request a close inspection when an abnormal behavioral symptom of the object of interest is detected.
즉, 상기 정밀검사요청부를 통해서 관심 객체의 행동이상 징후를 즉시 발견할 수 있고, 이에 따라 검사를 신속하게 진행될 수 있도록 하여 질병(예: 조류 인플루엔자) 전염의 확산을 방지할 수 있다.That is, through the close inspection request unit, it is possible to immediately detect an abnormal behavior of the object of interest, thereby allowing the inspection to proceed quickly, thereby preventing the spread of disease (e.g., avian influenza) transmission.
또한, 관리자가 관심 객체 질병에 대한 인지가 느려 초기대응에 미흡하지 않도록 할 수 있다.In addition, the administrator may be slow in recognizing the object disease of interest, so that the initial response is insufficient.
또한, 본 발명의 실시예에 따른 행동패턴 이상 징후 판별 시스템은 알림부를 더 포함할 수 있다.In addition, the behavior pattern abnormality discrimination system according to the embodiment of the present invention may further include a notification unit.
알림부는 관리자 단말로 관심 객체의 행동이상 발생 여부에 관한 정보를 전송하는 구성이다.The notification unit transmits the information about whether or not an abnormal behavior of the object of interest occurs to the administrator terminal.
즉, 관심 객체의 행동이상 발생 여부를 실시간으로 관리자 단말로 전송하는 것으로써, 관리자가 관심 객체의 행동이상에 대한 정보를 지속적으로 관리할 수 있도록 하여 추후에 질병에 따른 행동이상을 즉시 인지할 수 있도록 할 수 있다.In other words, by transmitting to the administrator terminal in real time whether or not an abnormal behavior of the object of interest occurs, the administrator can continuously manage the information about the behavior abnormality of the object of interest, .
다음으로, 도 2 및 3을 참조하면, 본 발명의 실시예에 따른 행동패턴 이상 징후 판별 시스템 제공방법은 영상데이터를 수집하는 단계(S100), 수집된 영상데이터를 영상처리 하여 관심 객체를 검출하는 단계(S200), 검출된 관심 객체의 행동패턴 특징을 검출하는 단계(S300), 관심 객체의 행동패턴을 모델링하는 단계(S400), 모델링된 행동패턴을 분석하는 단계(S500), 행동이상 발생 여부를 판단하는 단계(S600) 및 정밀검사요청 단계(S700)로 구성될 수 있다.Next, referring to FIGS. 2 and 3, a method for providing a behavior pattern abnormality discrimination system according to an embodiment of the present invention includes collecting image data (S100), image-processing the collected image data, (S300) of detecting a behavior pattern characteristic of the detected interest object (S400), modeling a behavior pattern of the object of interest (S400), analyzing the modeled behavior pattern (S500) (S600), and a detailed inspection requesting step (S700).
구체적으로 설명하면, S100단계는 영상센서 즉, CCTV 또는 그외 촬영장치를 이용하여 촬영된 영상데이터를 수집하는 단계이다.More specifically, step S100 is a step of collecting image data photographed using an image sensor, that is, a CCTV or another image capturing apparatus.
다음으로, S200단계는 상기 S100단계에서 수집된 영상데이터를 입력받아 영상처리하여 관심 객체를 검출하는 단계이다.In operation S200, the image data collected in operation S100 is received and processed to detect an object of interest.
S200단계에서 영상처리하는 방법은 행동패턴 이상 징후 판별 시스템의 영상처리부를 설명하면서 설명하였으므로 구체적인 설명은 생략하도록 한다.Since the method of image processing in step S200 has been described while explaining the image processing unit of the behavior pattern abnormality discrimination system, a detailed description thereof will be omitted.
다음으로, S300단계는 S200단계에서 영상처리를 하여 검출된 관심 객체의 행동패턴 특징을 검출하는 단계이다.Next, in operation S300, a feature of the detected behavior pattern of the object of interest is detected by performing image processing in operation S200.
이때, 관심 객체의 행동패턴 특징은 질병에 노출되어 도출될 수 있는 행동패턴을 검출할 수 있다.At this time, the behavior pattern characteristic of the object of interest can detect a behavior pattern that can be derived by exposure to the disease.
S400단계는 S300단계에서 검출된 관심 객체의 행동패턴 특징을 모델링하는 단계로써, 텐서플로우로 학습을 진행하여 행동패턴을 모델링하는 단계이다.Step S400 is a step of modeling a behavior pattern characteristic of the object of interest detected in step S300, and is a step of modeling a behavior pattern by learning with a tensor flow.
S400단계의 구체적인 내용은 상기에서 설명하였으므로 생략한다.The detailed description of step S400 is omitted because it has been described above.
S500단계는 S400단계에서 모델링된 행동패턴을 분석하는 단계이며, 구체적인 설명은 도 3을 참조하여 설명한다.Step S500 is a step of analyzing the behavior pattern modeled in step S400, and a detailed description will be made with reference to FIG.
도 3을 참조하면, 행동패턴 특징으로부터 관심 객체의 위상과 크기에 대한 정보를 변환하여 주파수의 그래프를 영상정보화한 패턴을 확보하기 위해 FFT변환을 진행하는 단계(S510), 주파수의 그래프를 영상정보화한 패턴에 대해 실시간으로 딥마인드 판별을 진행하는 단계(S520), 딥마인드 판별을 통해 행동이상 발생 여부에 관한 판별결과를 검출하는 단계(S530)로 구성될 수 있다.Referring to FIG. 3, in step S510, an FFT transform is performed to obtain a pattern in which an image of a frequency graph is transformed by converting information about a phase and a size of an object of interest from a behavior pattern characteristic (S510) A step of performing a deep-mind discrimination in real time for one pattern in step S520, and a step S530 of detecting a discrimination result on whether a behavior abnormality is generated through deep-mind discrimination.
상기 S510 내지 S530에 대한 내용은 상기 행동이상 판별부를 설명과 동일하므로 구체적인 설명은 생략한다.The contents of steps S510 to S530 are the same as those of the behavior abnormality discrimination unit, and a detailed description thereof will be omitted.
S600단계는 S530단계에서 검출된 판별결과를 전송 받아 발생되었을 경우와 발생되지 않았을 경우로 나누는 단계이다.Step S600 is a step of dividing the result of discrimination, which is detected in step S530, into a case of being generated and a case of not being generated.
즉, 행동이상 발생 여부를 판단하는 단계이다.That is, it is a step of judging whether a behavior abnormality occurs or not.
행동이상 발생 시에는 S700단계로 넘어가 정밀검사요청을 할 수 있다.If an abnormality occurs, the user can go to step S700 to request an inspection.
행동이상 발생이 되지 않았을 경우에는 다시 S100단계로 되돌아가 행동패턴 이상 징후 판별 시스템제공 방법이 반복될 수 있다.If no behavioral abnormality has occurred, the procedure returns to step S100 and the method for providing a behavior pattern abnormal symptom discrimination system may be repeated.
또한, 행동패턴 이상 징후 판별 시스템제공 방법은 S600단계 이후에 관리자 단말로 행동이상 발생시나 발생하지 않았을 시에도 그 판별결과 정보를 전송하는 단계를 더 포함할 수 있다.In addition, the method for providing a behavior pattern abnormality discrimination system may further include transmitting the discrimination result information to the administrator terminal after the step S600 even when the behavior abnormality occurs or does not occur.
즉, 관리자 단말로 판별결과 정보를 전송함으로써, 관심 객체에 대한 데이터를 확보하고 관리할 수 있어 추후에 행동이상 발생시에 발 빠른 대처를 진행할 수 있다.That is, by transmitting the discrimination result information to the administrator terminal, it is possible to acquire and manage the data of the object of interest, so that it is possible to promptly cope with the occurrence of a behavior abnormality in the future.
상기에서 언급한 관리자 단말은 본 발명을 조류 인플루엔자에 감염된 닭의 행동이상 징후를 판별하는 것을 기준으로 설명하였으므로, 양계장 주인이 소지한 단말일 수 있다.The administrator terminal described above has described the present invention on the basis of discrimination of a behavioral abnormality of a bird infected with avian influenza, so it can be a terminal carried by a poultry owner.
관리자 단말로 전송되는 방식은 문자 또는 소리 및 진동으로 알림을 줄 수 있다.The method transmitted to the administrator terminal can be notified by text, sound, and vibration.
단말은 무선통신망을 통해 통신하는 스마트 폰을 포함하는 이동통신 단말기 및 유선통신망을 통해 통신하는 컴퓨터일 수 있다. 이상에서는 설명의 편의상 이동통신 단말기를 위주로 설명하기로 한다.The terminal may be a mobile communication terminal including a smart phone communicating through a wireless communication network, and a computer communicating through a wired communication network. For convenience of description, the mobile communication terminal will be mainly described.
또한, 모바일 단말 외 PC, 태블릿, PDA(Personal Digital Assistant) 등을 포함할 수 있다.Also, it may include a PC, a tablet, a PDA (Personal Digital Assistant), etc., other than a mobile terminal.
본 명세서에 기술된 실시예는 전적으로 하드웨어이거나, 부분적으로 하드웨어이고 부분적으로 소프트웨어이거나, 또는 전적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 본 명세서에서 "부(unit)", "모델(model)" 또는 "시스템(system)" 등은 하드웨어, 하드웨어와 소프트웨어의 조합, 또는 소프트웨어 등 컴퓨터관련 엔티티(entity)를 지칭할 수 있다. 예를 들어, 부, 모델 또는 시스템은 실행중인 프로세스, 프로세서, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램, 및/또는 컴퓨터일 수 있으나, 이에 제한되는 것은 아니다. 예를 들어, 컴퓨터에서 실행중인 애플리케이션(application) 및 컴퓨터의 양쪽이 모두 본 명세서에 기재된 부, 모델 또는 시스템에 해당할 수 있다.Embodiments described herein may be wholly hardware, partially hardware, partially software, or entirely software. For example, a "unit," "model," or "system" in this specification may refer to a computer-related entity, such as hardware, a combination of hardware and software, or software. For example, a subsystem, model, or system may be, but is not limited to, a running process, a processor, an object, an executable, a thread of execution, a program, and / . For example, both an application running on a computer and a computer may correspond to the parts, models, or systems described herein.
이상으로 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고 다른 구체적인 형태로 실시할 수 있다는 것을 이해할 수 있을 것이다. 따라서 이상에서 기술한 실시예는 모든 면에서 예시적인 것이며 한정적이 아닌 것이다.While the present invention has been described in connection with what is presently considered to be practical exemplary embodiments, it is to be understood that the invention is not limited to the disclosed embodiments, but, on the contrary, You will understand. The embodiments described above are therefore to be considered in all respects as illustrative and not restrictive.
1 : 텐서플로우(Tensorflow)
2 : 영상센서
10 : 영상수집부
20 : 영상처리부
30 : 행동패턴 추출부
40 : 행동패턴 모델링부
50 : 행동이상 판별부
51 : FFT변환부
52 : 딥마인드판별부1: Tensor flow (Tensorflow)
2: Image sensor
10:
20:
30: Behavior pattern extracting unit
40: behavior pattern modeling part
50: Behavior abnormality discrimination unit
51: FFT transform unit
52: Deep mind determination part
Claims (8)
영상센서를 통해 실시간으로 수집되는 영상데이터를 입력 받는 영상수집부;
상기 영상데이터로부터 관심 객체를 검출하기 위하여 영상처리하는 영상처리부;
상기 영상처리된 영상데이터로부터 상기 관심 객체의 행동패턴 특징을 추출하는 행동패턴 추출부;
상기 추출된 행동패턴 특징을 이용하여 상기 관심 객체의 행동패턴을 학습하여 모델링하는 행동패턴 모델링부 및
상기 모델링된 행동패턴을 분석하여 상기 관심 객체의 행동이상 발생 여부를 판단하는 행동이상 판별부를 포함하고,
상기 행동이상 모델링부는 텐서플로우로 학습하여 모델링되고,
상기 행동이상 판별부는,
상기 행동패턴 추출부로부터 행동패턴 특징을 전달받아 관심 객체의 위상과 크기에 대한 정보를 변환하여 주파수의 그래프를 영상정보화한 패턴을 확보하는 FFT변환부;
상기 주파수의 그래프를 영상정보화한 패턴에 대해 실시간으로 딥마인드 판별을 하는 딥마인드판별부를 포함하는 행동패턴 이상 징후 판별 시스템.
A behavior pattern abnormality discrimination system comprising:
An image collection unit for receiving image data collected in real time through an image sensor;
An image processing unit for performing image processing for detecting an object of interest from the image data;
A behavior pattern extracting unit for extracting a behavior pattern characteristic of the object of interest from the image data processed by the image processing;
A behavior pattern modeling unit for learning and modeling a behavior pattern of the object of interest using the extracted behavior pattern characteristic;
And a behavior abnormality discrimination unit for analyzing the modeled behavior pattern to determine whether an abnormality occurs in the object of interest,
Wherein the behavior abnormality modeling unit learns by modeling with a tensor flow,
Wherein the behavior abnormality determination unit comprises:
An FFT transforming unit that receives a behavior pattern characteristic from the behavior pattern extracting unit and transforms information about the phase and size of the object of interest to secure a pattern in which a graph of the frequency is imaged;
And a deep-mind discrimination unit for performing a deep-mind discrimination on a pattern obtained by visualizing the graph of the frequency in real time.
상기 행동패턴 이상 징후 판별 시스템은,
상기 행동이상 판별부의 판단에 따라 행동이상의 발생 감지시 정밀검사 의뢰를 요청하는 정밀검사요청부를 더 포함하는 행동패턴 이상 징후 판별 시스템.
The method according to claim 1,
The behavior pattern abnormality discrimination system comprises:
And a close inspection requesting unit for requesting a close inspection request when a behavioral abnormality is detected according to the judgment of the behavioral abnormality determination unit.
상기 행동패턴 추출부는 상기 영상데이터를 좌표가 설정된 셀(Cell)단위의 그리드 영역으로 분할하여 구분하고, 분할한 각 영역에서 관심 객체들의 행동패턴 정보를 추출하고, 초당 프레임을 기준으로 움직임 속도와 거리를 산정하는 것을 특징으로 하는 행동패턴 이상 징후 판별 시스템.
The method according to claim 1,
The behavior pattern extracting unit divides the image data into grid areas of a cell unit in which the coordinates are set and extracts the behavior pattern information of the objects of interest in each of the divided areas, And calculating a behavior pattern abnormality symptom.
상기 행동패턴 이상 징후 판별 시스템은,
관리자 단말로 관심 객체의 행동이상 발생 여부에 관한 정보를 전송하는 알림부를 더 포함하는 행동패턴 이상 징후 판별 시스템.
The method according to claim 1,
The behavior pattern abnormality discrimination system comprises:
And a notification unit that transmits information on whether an abnormal behavior of the object of interest occurs to the administrator terminal.
(a) 영상센서를 통해 실시간으로 촬영하여 영상데이터를 수집하는 단계;
(b) 수집된 영상데이터를 영상처리 하여 관심 객체를 검출하는 단계;
(c) 상기 검출된 관심 객체의 행동패턴 특징을 검출하는 단계;
(d) 상기 검출된 행동패턴 특징을 이용하여 관심 객체의 행동패턴을 모델링하는 단계 및
(e) 상기 모델링된 행동패턴을 분석하여 행동이상 발생 여부를 판단하는 단계를 포함하고,
상기 (d)단계는,
텐서플로우로 학습하여 모델링되고,
상기 (e)단계는,
상기 행동패턴 특징으로부터 관심 객체의 위상과 크기에 대한 정보를 변환하여 주파수의 그래프를 영상정보화한 패턴을 확보하기 위해 FFT변환을 진행하는 단계;
상기 주파수의 그래프를 영상정보화한 패턴에 대해 실시간으로 딥마인드 판별을 진행하는 단계;
상기 딥마인드 판별을 통해 행동이상 발생 여부에 관한 판별결과를 검출하는 단계를 포함하는 행동패턴 이상 징후 판별 시스템 제공방법.
A method for providing a behavior pattern abnormality discrimination system,
(a) capturing image data by photographing in real time through an image sensor;
(b) image processing the collected image data to detect an object of interest;
(c) detecting a behavior pattern characteristic of the detected interest object;
(d) modeling a behavior pattern of the object of interest using the detected behavior pattern characteristic; and
(e) analyzing the modeled behavior pattern to determine whether a behavioral abnormality has occurred,
The step (d)
Modeled by learning with a tensor flow,
The step (e)
Transforming information on the phase and size of the object of interest from the behavior pattern characteristic, and performing an FFT transform to secure a pattern in which the graph of the frequency is visualized;
Performing a deep-mind discrimination on a pattern obtained by visualizing the graph of the frequency in real time;
And detecting a result of discrimination as to whether a behavior abnormality has occurred through the deep mind discrimination.
상기 (c)단계는,
상기 영상데이터를 좌표가 설정된 셀(Cell)단위의 그리드 영역으로 분할하여 구분하고, 분할한 각 영역에서 관심 객체들의 행동패턴 정보를 추출하고, 초당 프레임을 기준으로 움직임 속도와 거리를 산정하는 것을 특징으로 하는 행동패턴 이상 징후 판별 시스템 제공방법.
6. The method of claim 5,
The step (c)
Dividing the image data into grid areas in the unit of cells in which the coordinates are set, dividing the grid data into grid areas, extracting behavior pattern information of the objects of interest in each of the divided areas, and calculating a motion velocity and a distance based on frames per second A method for providing a behavior pattern abnormality discrimination system.
상기 (e)단계 이후에,
행동이상의 발생 감지시 정밀검사 의뢰를 요청하는 단계를 더 포함하는 행동패턴 이상 징후 판별 시스템 제공방법.
6. The method of claim 5,
After the step (e)
Further comprising the step of requesting a request for a close examination upon detection of occurrence of behavioral abnormalities.
상기 행동패턴 이상 징후 판별 시스템 제공방법은,
관리자 단말로 관심 객체의 행동이상 발생 여부에 관한 정보를 전송하는 단계를 더 포함하는 행동패턴 이상 징후 판별 시스템 제공방법.6. The method of claim 5,
The method for providing a behavior pattern abnormality discrimination system,
The method of claim 1, further comprising the step of transmitting information on whether an abnormal behavior of an object of interest occurs to an administrator terminal.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170176389 | 2017-12-20 | ||
| KR20170176389 | 2017-12-20 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190159831A Division KR102111894B1 (en) | 2019-12-04 | 2019-12-04 | A behavior pattern abnormality discrimination system and method for providing the same |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190074910A true KR20190074910A (en) | 2019-06-28 |
Family
ID=67066224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180000639A KR20190074910A (en) | 2017-12-20 | 2018-01-03 | A behavior pattern abnormality discrimination system and method for providing the same |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20190074910A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112162575A (en) * | 2020-09-13 | 2021-01-01 | 江苏深农智能科技有限公司 | Intelligent shed environment control method and system based on data model |
| KR102591483B1 (en) | 2022-11-16 | 2023-10-19 | 주식회사우경정보기술 | Apparatus and method for spatiotemporal neural network-based labeling for building anomaly data set |
| WO2023221170A1 (en) * | 2022-05-17 | 2023-11-23 | 浙江大学 | Sick/dead-poultry inspection apparatus and method suitable for cage-reared poultry house |
-
2018
- 2018-01-03 KR KR1020180000639A patent/KR20190074910A/en not_active Application Discontinuation
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112162575A (en) * | 2020-09-13 | 2021-01-01 | 江苏深农智能科技有限公司 | Intelligent shed environment control method and system based on data model |
| CN112162575B (en) * | 2020-09-13 | 2021-10-22 | 江苏深农智能科技有限公司 | Intelligent shed environment control method and system based on data model |
| WO2023221170A1 (en) * | 2022-05-17 | 2023-11-23 | 浙江大学 | Sick/dead-poultry inspection apparatus and method suitable for cage-reared poultry house |
| KR102591483B1 (en) | 2022-11-16 | 2023-10-19 | 주식회사우경정보기술 | Apparatus and method for spatiotemporal neural network-based labeling for building anomaly data set |
| KR102613370B1 (en) | 2022-11-16 | 2023-12-13 | 주식회사우경정보기술 | Labeling methods and apparatus including object detection, object tracking, behavior identification, and behavior detection |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102111894B1 (en) | A behavior pattern abnormality discrimination system and method for providing the same | |
| KR101607934B1 (en) | The method for monitoring communicable disease and system using the method, recording medium for performing the method | |
| CN110807429A (en) | Construction safety detection method and system based on tiny-YOLOv3 | |
| CN104919794A (en) | Method and system for metadata extraction from master-slave cameras tracking system | |
| KR20190074910A (en) | A behavior pattern abnormality discrimination system and method for providing the same | |
| CN108229375B (en) | Method and device for detecting face image | |
| KR20190072074A (en) | Malware detection system and method thereof | |
| Bamwenda et al. | Recognition of static hand gesture with using ANN and SVM | |
| WO2023165616A1 (en) | Method and system for detecting concealed backdoor of image model, storage medium, and terminal | |
| CN108875497B (en) | Living body detection method, living body detection device and computer storage medium | |
| WO2021066796A1 (en) | Modeling human behavior in work environments using neural networks | |
| CN108875500B (en) | Pedestrian re-identification method, device and system and storage medium | |
| JP5704909B2 (en) | Attention area detection method, attention area detection apparatus, and program | |
| CN114463776A (en) | Fall identification method, device, equipment and storage medium | |
| Singh et al. | A review on COVID-19 face mask detection using CNN | |
| CN111833375A (en) | Method and system for tracking animal group track | |
| KR20170048108A (en) | Method and system for recognizing object and environment | |
| WO2022220692A1 (en) | Bird detection and species determination | |
| KR20220124446A (en) | Method and system for providing animal face test service based on machine learning | |
| Bamwenda et al. | Static hand gesture recognition system using artificial neural networks and support vector machine | |
| CN111507192A (en) | Appearance instrument monitoring method and device | |
| Kardawi et al. | A Comparative Analysis of Deep Learning Models for Detection of Knee Osteoarthritis Disease through Mobile Apps | |
| AKAZUE | Application of Supervised Machine Learning Algorithm with an Intrusion Detection System for Grazing Animals’ Detection | |
| EP4390874A1 (en) | Information processing program, information processing method, and information processing device | |
| Merizalde et al. | Real-time social distancing detection approach using YOLO and unmanned aerial vehicles |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| E601 | Decision to refuse application | ||
| E801 | Decision on dismissal of amendment | ||
| WITB | Written withdrawal of application |