KR20210040817A - Marine disease management system, method and program - Google Patents
Marine disease management system, method and program Download PDFInfo
- Publication number
- KR20210040817A KR20210040817A KR1020200127923A KR20200127923A KR20210040817A KR 20210040817 A KR20210040817 A KR 20210040817A KR 1020200127923 A KR1020200127923 A KR 1020200127923A KR 20200127923 A KR20200127923 A KR 20200127923A KR 20210040817 A KR20210040817 A KR 20210040817A
- Authority
- KR
- South Korea
- Prior art keywords
- disease
- data
- management
- analysis
- prediction
- Prior art date
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 123
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 81
- 238000003745 diagnosis Methods 0.000 claims abstract description 39
- 238000013480 data collection Methods 0.000 claims abstract description 38
- 241000251468 Actinopterygii Species 0.000 claims abstract description 37
- 238000004891 communication Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000000737 periodic effect Effects 0.000 claims abstract description 7
- 238000007726 management method Methods 0.000 claims description 110
- 230000006870 function Effects 0.000 claims description 61
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012800 visualization Methods 0.000 claims description 10
- 241000700605 Viruses Species 0.000 claims description 9
- 208000010824 fish disease Diseases 0.000 claims description 8
- 208000024891 symptom Diseases 0.000 claims description 7
- 208000035143 Bacterial infection Diseases 0.000 claims description 6
- 238000013079 data visualisation Methods 0.000 claims description 6
- 241000607598 Vibrio Species 0.000 claims description 5
- 208000022362 bacterial infectious disease Diseases 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 206010018910 Haemolysis Diseases 0.000 claims description 3
- 230000008588 hemolysis Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000009360 aquaculture Methods 0.000 abstract description 6
- 244000144974 aquaculture Species 0.000 abstract description 6
- 244000052769 pathogen Species 0.000 description 22
- 230000001717 pathogenic effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000002609 medium Substances 0.000 description 6
- 244000005700 microbiome Species 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000007918 pathogenicity Effects 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000001727 in vivo Methods 0.000 description 4
- 230000002906 microbiologic effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 244000005709 gut microbiome Species 0.000 description 3
- 230000000968 intestinal effect Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 230000000813 microbial effect Effects 0.000 description 3
- 244000144977 poultry Species 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- ZESRJSPZRDMNHY-YFWFAHHUSA-N 11-deoxycorticosterone Chemical compound O=C1CC[C@]2(C)[C@H]3CC[C@](C)([C@H](CC4)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 ZESRJSPZRDMNHY-YFWFAHHUSA-N 0.000 description 2
- 231100000911 LD50 test Toxicity 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000001580 bacterial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- ZESRJSPZRDMNHY-UHFFFAOYSA-N de-oxy corticosterone Natural products O=C1CCC2(C)C3CCC(C)(C(CC4)C(=O)CO)C4C3CCC2=C1 ZESRJSPZRDMNHY-UHFFFAOYSA-N 0.000 description 2
- 229940119740 deoxycorticosterone Drugs 0.000 description 2
- 238000003891 environmental analysis Methods 0.000 description 2
- 230000002949 hemolytic effect Effects 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 108020004465 16S ribosomal RNA Proteins 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 241000607471 Edwardsiella tarda Species 0.000 description 1
- 241000194055 Streptococcus parauberis Species 0.000 description 1
- 241000194022 Streptococcus sp. Species 0.000 description 1
- 241000607284 Vibrio sp. Species 0.000 description 1
- 210000000683 abdominal cavity Anatomy 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 238000009635 antibiotic susceptibility testing Methods 0.000 description 1
- 238000002306 biochemical method Methods 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- RECVMTHOQWMYFX-UHFFFAOYSA-N oxygen(1+) dihydride Chemical compound [OH2+] RECVMTHOQWMYFX-UHFFFAOYSA-N 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 239000006152 selective media Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000405 serological effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 229960005486 vaccine Drugs 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000003612 virological effect Effects 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
- A01K61/00—Culture of aquatic animals
- A01K61/10—Culture of aquatic animals of fish
- A01K61/13—Prevention or treatment of fish diseases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Mining & Mineral Resources (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Zoology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Agronomy & Crop Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
Description
본 발명은 수산 질병 관리 시스템 및 방법에 관한 것으로, 더욱 상세하게는 질병 원인의 분석뿐만 아니라, 질병 진단, 예측 및 처방까지 동원된 통합 관리 기능을 제공하는 수산 질병 관리 시스템 및 방법에 관한 것이다.The present invention relates to a fishery disease management system and method, and more particularly, to a fishery disease management system and method that provides an integrated management function mobilized not only for disease cause analysis, but also for disease diagnosis, prediction, and prescription.
일반적으로 양식의 전체 폐사율의 대부분이 감염성 질병으로 인해 발생하는데, 스쿠티카병을 제외하면 세균성과 바이러스성에 의해 감염 폐사가 많은 것을 알 수 있으며, 계절적으로는 연중 7-9월에 가장 발병도가 높다는 통계가 있다. 특히, 세균성 질병 중 연쇄구균(Streptococcus parauberis)에 의해 폐사하는 경우가 많으며, 최근에는 복합성 감염증상이 늘어나는 추세이다.In general, most of the mortality rate of aquaculture is caused by infectious diseases. Excluding Scutica disease, it can be seen that there are many mortalities due to bacterial and viral nature, and seasonally, the incidence is highest in July and September of the year. There is. In particular, among bacterial diseases, mortality is often caused by Streptococcus parauberis, and complex infection symptoms are increasing in recent years.
종래에는 질병원인 분석, 환경분석 등에 대해서 단독적으로 수행할 수 있는 시스템만 존재하였으나, 어류 생체 내 인식하여 주기적으로 모니터링 및 분석하는 시스템에 대한 연구는 없었다.Conventionally, only a system capable of performing disease cause analysis and environmental analysis alone existed, but there was no research on a system that periodically monitors and analyzes fish in vivo.
따라서, 어류 질병 모니터링을 위해서 미생물학적, 분자생물학적, 생화학적 등 다양한 방식을 통하여 질병에 대한 특성을 분석하여, 어류 질병 발생 시 단기간 내에 치료할 수 있도록 실제적인 대책이 필요한 상황이다.Therefore, in order to monitor fish diseases, practical measures are needed to analyze the characteristics of diseases through various methods such as microbiological, molecular biology, and biochemical methods so that fish diseases can be treated within a short period of time.
본 발명의 목적은 양식장 등에서 관리되는 어류들의 질병원인 분석뿐만 아니라, 진단 및 최종 처방 분석까지 동원된 집적화된 다양한 데이터를 수집하고 분석하여, 향후 질병 발생을 예측하고 체계적으로 관리할 수 있는 수산 질병 관리 시스템 및 방법을 제공하는 것이다.It is an object of the present invention to collect and analyze a variety of integrated data mobilized from not only disease cause analysis of fish managed in aquaculture farms, etc., but also diagnosis and final prescription analysis, to predict and systematically manage the occurrence of diseases in the future. It is to provide a system and method.
본 발명의 일 실시예에 따른 수산 질병 관리 시스템은 주기적인 모니터링이 필요한 양식장을 포함한 수산질병 관리 장소에 설치된 카메라 및 센서로부터 각각 영상 데이터, 센싱 데이터를 수집하고, 통신망과 연결되어 관리서버로 데이터를 전송하는 데이터수집장치; 및 상기 데이터수집장치로부터 수집된 데이터를 기반으로 어류의 질병 원인을 분석 및 질병 진단을 하고, 진단 결과에 따라 처방을 생성하고, 관리단말기로 분석 데이터, 진단 결과 및 처방을 전송하는 상기 관리서버를 포함한다.The fisheries disease management system according to an embodiment of the present invention collects image data and sensing data, respectively, from cameras and sensors installed in a fishery disease management place including a farm that requires periodic monitoring, and is connected to a communication network to transmit data to a management server. A data collection device that transmits; And the management server that analyzes the cause of fish disease and diagnoses the disease based on the data collected from the data collection device, generates a prescription according to the diagnosis result, and transmits the analysis data, the diagnosis result, and the prescription to the management terminal. Includes.
상기 관리서버는 상기 데이터수집장치로부터 통신망을 통하여 영상 데이터 및 센싱 데이터를 전송받는 데이터수집부; 수집된 영상 데이터 및 센싱 데이터를 기반으로 질병 원인 분석 및 진단을 수행하는 분석부; 상기 관리단말기에서 실행되어 관리서버와 연동할 수 있는 관리 프로그램을 제공하며, 프로그램 상에서 질병원인 분석 및 진단 자료를 시각화하여 표시할 수 있도록 데이터 시각화 기능을 제공하는 앱관리/시각화부; 상기 데이터수집부의 수집된 복수의 데이터를 저장하는 데이터베이스; 상기 데이터수집부의 수집된 데이터와 상기 분석부의 분석 결과를 토대로 머신러닝 알고리즘을 기반으로 질병을 스스로 진단 및 예측하거나, 생성된 진단 결과의 정확도 또는 예측된 질병 예측 정확도를 향상시키도록 학습하는 예측/학습부를 포함한다.The management server includes a data collection unit for receiving image data and sensing data from the data collection device through a communication network; An analysis unit that performs disease cause analysis and diagnosis based on the collected image data and sensing data; An app management/visualization unit that provides a management program running on the management terminal and capable of interlocking with the management server, and provides a data visualization function to visualize and display disease cause analysis and diagnosis data on the program; A database for storing a plurality of collected data of the data collection unit; Prediction/learning for self-diagnosing and predicting a disease based on a machine learning algorithm based on the collected data of the data collection unit and the analysis result of the analysis unit, or learning to improve the accuracy of the generated diagnosis result or the predicted disease prediction accuracy. Includes wealth.
상기 예측/학습부는 신규 질병 예측 및 역학 추적조사가 가능하도록 신경망 학습 기능을 제공하며, 질병 예측시 용혈강도, 성장도(OD값) 세부 구간, colony의 특징값을 통해 비브리오병, 연쇄구균병, 활주세균증 중 적어도 어느 하나의 세균성 질병을 예측하는 것을 특징으로 한다.The prediction/learning unit provides a neural network learning function to enable new disease prediction and epidemiological follow-up, and when predicting a disease, Vibrio's disease, streptococcal disease, and It is characterized in that it predicts at least one bacterial disease among the sliding bacteriosis.
상기 예측/학습부는 머신러닝 알고리즘 기반의 예측모델을 이용하여 예측 결과를 산출하고, 예측 결과를 토대로 센서의 예측된 허용 오차 범위 내에서 센서를 동작시키도록 제어하고, 예측 결과가 허용 오차 범위를 벗어난 경우, 오차 차이만큼 보상하여 센서를 제어하거나, 제어 기능을 중단하고 유지 보수 경고 알람을 상기 관리서버를 통하여 관리자 화면에 팝업하여 알리거나 로컬 지역에 위치한 상기 관리단말기에 해당 정보를 전송하는 것을 특징으로 한다.The prediction/learning unit calculates a prediction result using a prediction model based on a machine learning algorithm, controls to operate the sensor within the predicted tolerance range of the sensor based on the prediction result, and the prediction result is out of the tolerance range. In this case, the sensor is controlled by compensating for an error difference, or the control function is stopped, and a maintenance warning alarm is notified by popping up on the manager screen through the management server, or corresponding information is transmitted to the management terminal located in a local area. do.
상기 앱관리/시각화부는 상기 관리 프로그램을 통하여 관리자가 직접 센싱 데이터를 기초로 어류 임상기록, 증상 분석, 바이러스 진단, 처방을 입력할 수 있는 입력창 기능을 제공하며, 양식장별로 상기 관리서버 및 데이터베이스와 연계하여 어류의 질병 분석 데이터, 통계 자료를 관리 프로그램을 통하여 관리하도록 기능을 제공하여 양식장 현장 컨설팅에 이용할 수 있는 것을 특징으로 한다.The app management/visualization unit provides an input window function through which an administrator can directly input fish clinical records, symptom analysis, virus diagnosis, and prescription based on sensing data through the management program. It is characterized in that it provides a function to manage disease analysis data and statistical data of fish through a management program in connection and can be used for on-site consulting of aquaculture farms.
본 발명의 일 실시예에 따른 수산 질병 관리 방법은, 데이터수집장치는 수산질병 관리 장소에 설치된 카메라의 영상 데이터 또는 센서의 센싱 데이터를 수집하고, 관리서버로 수집된 데이터를 전송하는 단계; 상기 관리서버는 수집된 데이터 기반으로 질병원인을 통하여 질병 분석 및 예측을 수행하는 단계; 상기 관리서버는 분석 및 진단 결과를 보고서 또는 통계 자료 형태로 생성하고, 분석 및 진단 결과에 따라 미리 설정된 처방을 생성하는 단계; 상기 관리서버는 진단 결과 및 처방을, 연동되는 관리 프로그램을 통하여 관리자가 소지한 관리단말기로 전송하는 단계를 포함한다.A method for managing fisheries diseases according to an embodiment of the present invention includes the steps of: a data collection device collecting image data of a camera installed in a fisheries disease management place or sensing data of a sensor, and transmitting the collected data to a management server; The management server performing disease analysis and prediction through disease causes based on the collected data; The management server generating analysis and diagnosis results in the form of a report or statistical data, and generating a pre-set prescription according to the analysis and diagnosis results; The management server includes the step of transmitting the diagnosis result and prescription to a management terminal possessed by the administrator through an interlocked management program.
상기 관리서버는 분석부를 구비하여 상기 데이터수집장치로부터 수집된 영상 데이터 및 센싱 데이터를 기반으로 질병 원인 분석 및 진단을 수행하고, 예측/학습부를 구비하여 상기 데이터수집장치로부터 수집된 데이터와 데이터 분석 결과를 토대로 머신러닝 알고리즘을 기반으로 질병을 스스로 진단 및 예측하거나, 생성된 진단 결과의 정확도 또는 예측된 질병 예측 정확도를 향상시키도록 학습하는 것을 특징으로 한다.The management server is provided with an analysis unit to perform disease cause analysis and diagnosis based on image data and sensing data collected from the data collection device, and a prediction/learning unit to provide data and data analysis results collected from the data collection device. Based on the machine learning algorithm, a disease is diagnosed and predicted by itself, or the accuracy of the generated diagnosis result or the predicted disease prediction accuracy is improved.
상기 예측/학습부는 신규 질병 예측 및 역학 추적조사가 가능하도록 신경망 학습 기능을 제공하며, 질병 예측시 용혈강도, 성장도(OD값) 세부 구간, colony의 특징값을 통해 비브리오병, 연쇄구균병, 활주세균증 중 적어도 어느 하나의 세균성 질병을 예측하는 것을 특징으로 한다.The prediction/learning unit provides a neural network learning function to enable new disease prediction and epidemiological follow-up, and when predicting a disease, Vibrio's disease, streptococcal disease, and It is characterized in that it predicts at least one bacterial disease among the sliding bacteriosis.
상기 관리서버는 앱관리/시각화부를 구비하여 상기 관리 프로그램을 통하여 관리자가 직접 센싱 데이터를 기초로 어류 임상기록, 증상 분석, 바이러스 진단, 처방을 입력할 수 있는 입력창 기능을 제공하며, 양식장별로 상기 관리서버 및 데이터베이스와 연계하여 어류의 질병 분석 데이터, 통계 자료를 관리 프로그램을 통하여 관리하도록 기능을 제공하여 양식장 현장 컨설팅에 이용할 수 있는 것을 특징으로 한다.The management server has an app management/visualization unit and provides an input window function through which an administrator can directly input fish clinical records, symptom analysis, virus diagnosis, and prescriptions based on sensing data through the management program. It is characterized in that it provides a function to manage disease analysis data and statistical data of fish through a management program in connection with a management server and a database, so that it can be used for on-site consulting of a farm.
본 발명의 수산 질병 관리 방법은 컴퓨터로 읽을 수 있는 저장매체에 저장된 컴퓨터 프로그램에 의해 수행될 수 있다.The fishery disease management method of the present invention may be performed by a computer program stored in a computer-readable storage medium.
본 발명의 수산 질병 관리 시스템 및 방법은 어류의 상태를 고려한 실제 고효율 양식 매뉴얼 제시를 위한 다양한 DB와 집중 관리할 수 있는 프로그램을 제공하며, 각 양식장의 데이터 구축 외에도 지역적, 시즌별 등 다양한 데이터를 다량 수집하고, 분석을 통하여 질병 예측 및 관리하는 프로그램을 통하여, 질병 예방이 가능하도록 그 기초자료 제공하는 장점이 있다.The fishery disease management system and method of the present invention provides a variety of DBs and programs for intensive management for presenting actual high-efficiency farming manuals considering the condition of fish. It has the advantage of providing basic data to enable disease prevention through a program that predicts and manages diseases through collection and analysis.
또한, 지역별, 업체별로 과학적이고, 체계적인 관리의 선진화를 이루며, 관리프로그램 및 적용 DB의 다각화, 친환경 선진 양식 수산업 지향을 이루며, 궁극적으로 글로벌 수산컨설팅 발전을 지향할 수 있는 장점이 있다.In addition, it has the advantage of achieving advanced scientific and systematic management by region and company, diversifying management programs and applied DB, achieving eco-friendly advanced aquaculture, and ultimately aiming for the development of global fisheries consulting.
또한, 수산 질병과 관련하여 과학적이고 체계적인 모니터링이 가능하며, 질병 관련 특성 분석과 연계하여야 하며, 신경망 학습을 통하여 정확한 질병 예측 및 이를 기반으로 처방 및 예방 대책을 제시할 수 있는 머신러닝 기반의 종합 관리 시스템을 제공하는 장점이 있다.In addition, scientific and systematic monitoring related to aquatic diseases is possible, and it must be linked with disease-related characteristic analysis, and comprehensive management based on machine learning that can accurately predict disease through neural network learning and suggest prescriptions and preventive measures based on this. It has the advantage of providing a system.
도 1은 본 발명의 일 실시예에 따른 수산 질병 관리 시스템의 블록도이다.
도 2는 도 1의 관리서버의 세부 구성을 보인 블록도이다.
도 3은 본 발명의 일 실시예에 따른 수산 질병 관리 방법의 순서도이다.
도 4는 관리 프로그램 메인 화면을 예시적으로 보인 도면이다.
도 5는 관리 프로그램의 증상 입력 창 화면을 예시적으로 보인 도면이다.
도 6은 관리 프로그램의 통계 기능 화면을 예시적으로 보인 도면이다.
도 7은 관리 프로그램을 통한 양식장별 질병 분석 데이터를 제공하는 화면을 예시적으로 보인 도면이다.1 is a block diagram of a fisheries disease management system according to an embodiment of the present invention.
FIG. 2 is a block diagram showing a detailed configuration of the management server of FIG. 1.
3 is a flow chart of a fishery disease management method according to an embodiment of the present invention.
4 is a diagram illustrating a main screen of a management program as an example.
5 is a diagram illustrating a symptom input window screen of a management program as an example.
6 is a diagram illustrating a statistical function screen of a management program as an example.
7 is a diagram illustrating a screen for providing disease analysis data for each farm through a management program as an example.
이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 다만, 본 발명의 사상은 제시되는 실시예에 제한되지 아니하고, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에서 다른 구성요소를 추가, 변경, 삭제 등을 통하여, 퇴보적인 다른 발명이나 본 발명 사상의 범위 내에 포함되는 다른 실시예를 용이하게 제안할 수 있을 것이나, 이 또한 본원 발명 사상 범위 내에 포함된다고 할 것이다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.Hereinafter, specific embodiments of the present invention will be described in detail with reference to the drawings. However, the spirit of the present invention is not limited to the presented embodiments, and those skilled in the art who understand the spirit of the present invention can add, change, or delete other elements within the scope of the same idea. Other embodiments included within the scope of the inventive concept may be easily proposed, but this will also be said to be included within the scope of the inventive concept. In addition, components having the same function within the scope of the same idea shown in the drawings of each embodiment will be described using the same reference numerals.
도 1은 본 발명의 일 실시예에 따른 수산 질병 관리 시스템의 블록도이며, 도 2는 도 1의 관리서버의 세부 구성을 보인 블록도이다.1 is a block diagram of a fisheries disease management system according to an embodiment of the present invention, and FIG. 2 is a block diagram showing a detailed configuration of the management server of FIG. 1.
본 발명의 일 실시예에 따른 수산 질병 관리 시스템은 도 1에 도시된 바와 같이, 복수의 카메라(도 1의 카메라 1~ 카메라 n, 100), 센서(도 1의 센서 1~센서 n, 200)들로부터 영상 데이터 및 각종 센싱 데이터를 수집하는 데이터수집장치(300), 데이터수집장치(300)로부터 통신망으로 통하여 데이터를 제공받아 질병원인 분석, 질병 진단, 처방 기능을 수행하는 관리서버(500)를 포함할 수 있다.As shown in FIG. 1, the aquatic disease management system according to an embodiment of the present invention includes a plurality of cameras (
카메라(100)는 양식장의 상태를 지속적으로 영상을 통하여 모니터링하기 위한 수단으로, 영상 데이터를 주기적으로 획득하여 데이터수집장치(300)로 전송한다.The
센서(200)는 예컨대 양식장의 각종 센싱정보를 수집하기 위해 복수 개 마련될 수 있으며, 센서(200)의 종류는 예컨대 수질 이온 농도, 용존 산소량, 전도도 등을 측정할 수 있는 수질계측센서, 온도센서, 습도센서, 수위센서, 수압센서 등이 될 수 있으며, 이는 예시에 불과하며 본 발명이 특정 센서에 한정되는 것은 아니다.A plurality of
데이터수집장치(300)는 양식장, 어장, 수산 검역소 등 모니터링이 필요한 수산질병 관리 장소에 설치된 카메라(100) 및 센서(200)로부터 각각 영상데이터, 센싱 데이터를 수집하고, 통신망(400)과 연결되어 관리서버(500)로 데이터를 전송할 수 있다.The
나아가 데이터수집장치(300)는 입력부를 구비하여 관리자가 직접 수동으로 데이터를 입력할 수도 있으며, 예컨대 양식장 관리자가 어종, 질병코드 등을 직접 입력할 수 있다.Furthermore, the
관리서버(500)는 상기 데이터수집장치(300)로부터 수집된 데이터를 기반으로 어류의 질병 원인을 분석 및 진단하고, 질병을 예측하여 처방을 생성하여 수산질병을 관리할 수 있으며, 즉 데이터수집장치(300)로부터 수집된 데이터를 기반으로 데이터 수집 분류 기능, 질병 원인 분석 및 진단 기능, 수산질병제어 기능, 질병 예측 기능, 고생산/고효율 양식장 관리 기능을 제공할 수 있다.The
또한 관리서버(500)는 수산질병 모니터링 DB화하고, 양식장 모니터링을 통한 어류 병원체를 탐색하며, 병원성 미생물학적 특성 데이터 제공 기능을 포함할 수 있다.In addition, the
또한, 관리서버(500)는 상술한 기능을 제공하기 위해 도 2에 도시된 바와 같이, 데이터수집부(510), 앱관리/시각화부(520), 분석부(530), 예측/학습부(540), 통신부(550)를 더 포함할 수 있다.In addition, the
데이터수집부(510)는 데이터수집장치(300)로부터 통신망(400)을 통하여 영상 데이터 및 센싱 데이터를 전송받는다.The
또한 데이터수집부(510)는 데이터베이스(560)에 예컨대 지역, 어종, 데이터종별로 저장하도록 분류화하고, 분석부(530)에 의해 데이터 분석에 활용할 수 있도록 한다.In addition, the
통신부(550)는 통신망(400)을 통하여 데이터수집장치(300)의 데이터를 데이터수집부(510)에서 전송받기 위하여 마련되며, 이를 위해 통신망(400)과 호환되는 프로토콜이 내장될 수 있다. 여기서 통신망(400)은 유무선 통신망을 포함하는 것으로 예컨대 사설망, 인트라넷, 인터넷, 모바일 통신을 위한 LTE 망 등이 될 수 있다.The
분석부(530)는 수집된 데이터를 기반으로 질병 원인 분석, 진단, 처방 기능을 제공하기 위한 알고리즘을 제공한다.The
구체적으로 분석부(530)는 어류 병원체의 주기적 탐색 및 미생물학적 특성 연구에 대한 관련 알고리즘이 포함될 수 있으며, 이를 통하여 어류 병원체의 병원성 조사 (예: in vitro & in vivo 연구; LD50 test), 주기적인 미생물의 집단 분석을 수행할 수 있다.Specifically, the
또한, 분석부(530)는 어류 병원체의 주기적 탐색 및 미생물학적 특성 알고리즘에 의해 예컨대 병원체의 경향과 분석을 위해 월 1회 이상 양식장을 방문하여 병어에서 병원체 분리 시도(Streptococcus sp. / E. tarda / Vibrio sp. 등) 기능, 병원체 특성 연구를 위해 가장 빠르게 성장하면서 혈액배지에서 용혈성이 가장 높은 균주를 선정 기능, 기본적인 동정을 위해 16S rRNA를 통한 PCR 기법 및 sequencing 분석으로 정확한 동정 시도 기능, 생화학적 특성연구를 위해 채혈을 통한 serotype을 비교 및 면역응집반응을 통한 type 동정 및 분류 시도할 수 있는 기능을 제공할 수 있다.In addition, the
또한 분석부(530)는 어류 병원체의 병원성 조사(in vitro & in vivo 연구; LD50 test)와 관련하여서는, 예컨대 정상 어류의 미부정맥에서 채혈하여 분리된 불활성화된 병원체(FKC)의 노출로 반응 여부를 조사하여 대조군 지정 기능, 분리된 병원체를 배양하여 OD 1 level로 직접 주사한 후, 폐사 pattern을 분석하여 LD50 값을 구하고, 대조군과의 혈청학적 비교수치를 조사하는 기능, 상기 자료를 비교분석하여 예측 프로그램의 기초 자료로 제공하는 기능을 더 포함할 수 있다.In addition, the
또한, 분석부(530)는 생체모니터링을 통한 발병 예측 분석을 위해 예컨대 후보 병원체의 순위가 정해지면, 어류의 복강에 주사하여 RPS (relative per survival)을 조사하는 기능, 병원체별 주사 후 면역장기(liver, head kidney, intestine 등)를 NGS 기법으로 해독하여 full sequence를 제공하는 기능, 병원체별 주사 시, 대조군과 비교되는 유전자 탐색 및 발현 경향 조사 기능, 면역관련 유전자 마커 탐색 및 발현 경향 분석 기능, 단백질 기법을 통한 병원체 유입 시 나타나는 단백질의 조사 및 경향 분석 기능, Polyclonal 항체를 제작하여 생체 내 반응성 여부 확인 기능, 주기적인 미생물의 집단 분석을 통한 신규 질병 원인의 초기 알람 시스템 분석 기능, 지정된 양어장의 환경수와 병어, 정상어에서 병원균 분리하여 specific primer을 이용한 동정 기능, 동정된 병원체의 기능적인 분류를 위해 PhP-kit를 이용하여 subspecies level까지 분류 시도하는 기능, 100~500여개의 병원체를 집단 분석하고, 정상어와 병어에서 나타나는 미생물의 분포도 조사하는 기능, 환경수와 정상어에서의 미생물 집단분석과 병원체의 분석으로, 질병원인의 존재여부 및 의미 파악하는 기능, 집단 분석을 통한 신규 질병원인에 대한 초기 알람 여부 판단 기능, 신규 질병원인을 제거하기 위한 항생제 감수성 test를 통해 적절한 항생제 제시 기능을 제공할 수 있다.In addition, the analysis unit 530 has a function of investigating RPS (relative per survival) by injecting into the abdominal cavity of a fish when candidate pathogens are ranked for predictive analysis through biometric monitoring, and immune organs after injection for each pathogen ( liver, head kidney, intestine, etc.) by NGS technique to provide a full sequence, when injected by pathogen, gene search and expression trend compared to control, immune-related gene marker search and expression trend analysis function, protein Investigation and trend analysis of proteins appearing when pathogens are introduced through the technique, function to confirm in vivo reactivity by producing polyclonal antibodies, function to analyze the initial alarm system for new disease causes through periodic group analysis of microorganisms, and the number of environments in a designated fish farm Identification function using specific primers by separating pathogens from poultry fish and normal fish, function of attempting to classify up to subspecies level using PhP-kit for functional classification of identified pathogens, group analysis of 100 to 500 pathogens, Function to investigate the distribution of microorganisms appearing in normal fish and poor fish, function to identify the existence and meaning of disease causes by analyzing the microbial population and pathogens in environmental water and normal fish, and initial alarm for new disease causes through group analysis An appropriate antibiotic presentation function can be provided through a function of determining whether or not, an antibiotic susceptibility test to eliminate a new cause of disease.
또한, 분석부(530)는 신규 질병 예측 및 역학 추적조사를 위해 신규 질병원인이 발생하였을 경우, 각 양어장의 취수구와 배수구의 환경수에서 미생물을 분리 및 추적 조사하는 기능을 제공할 수 있으며, 이를 위해 질병발생 관련 데이터 수집 및 분석을 수행하고, 병원체 데이터 관리 차원에서 선택배지, PCR, SEQ 등으로 부터 분리된 병원체의 특성과 병원성 기능성 데이터를 정의하며, 성장도, 용혈능, 독소, 병원성 test(LD50) 등의 데이터를 수집 및 분석하며, 어병바이러스 데이터 관리 차원에서 PCR, SEQ 등을 통한 어병바이러스 특성 데이터 정의 및 CPE test, 독성 TCID50 데이터 수집 및 분석을 수행할 수 있다.In addition, the
또한 분석부(530)는 장내 미생물 분석 데이터관리 차원에서 정상어/폐사개체에서 조사한 장내미생물 데이터를 정의하고, 장내 미생물 차이 분석, 유전자 마커 발현 데이터 수집 및 분석하며, 유익 & 유해미생물의 분포도를 조사하며, 유익미생물 투여 시 장내 미생물총의 변화 및 증체 조건 분석하며, 정상어/폐사개체에서 조사한 장내미생물 데이터를 정의하고, 병어에 유익미생물 투여시 장내 미생물총의 변화 분석하며, 환경 분석 데이터 관리 차원에서 pH(수소이온농도지수), DO(dissolved oxygen), DOC(Deoxycorticosterone) 농도, 취/배수구 총 세균수, 조직내 세균 장기의 분포 데이터를 정의하고, 병원성 test(LD50) 데이터 수집 및 분석할 수 있다.In addition, the
앱관리/시각화부(520)는 관리단말기(600)에서 실행되어 관리서버(500)와 연동할 수 있는 관리 프로그램 제공, 프로그램 펌웨어 업데이트 등의 프로그램 관리 기능을 제공하며, 프로그램 상에서 질병원인 분석 및 진단 자료를 시각화하여 표시할 수 있도록 질병발생 데이터 시각화 기능을 제공할 수 있다.The app management/
또한, 관리 프로그램을 통하여 질병발생 데이터 시각화 기능과 관련하여 예를 들면, 수집된 데이터를 시계열 그래프 등을 통한 통계 제공 기능, 지역별, 어장별로 병원체, 어병바이러스 등의 분석 데이터 시각화 제공 기능을 제공할 수 있다.In addition, in relation to the disease outbreak data visualization function through the management program, for example, the function of providing statistics through time series graphs, and the function of providing analysis data visualization of pathogens and fish disease viruses by region and fishery can be provided. have.
또한, 앱관리/시각화부(520)는 프로그램 관리 차원에서 예를 들면, 데이터 시각화, 질병예측 등의 관리 프로그램(애플리케이션)을 구성하는 사용자 관리, 운영자 관리, 권한관리, 메뉴관리, 기초코드관리, 환경설정 기능을 관리 프로그램을 통하여 제공할 수 있으며, 이를 위해 필요한 API(Application Program Interface) 인터페이스 등이 구현될 수 있다.In addition, in terms of program management, the app management/
특히, 관리 프로그램을 통하여 관리자가 직접 센싱 데이터를 기초로 어류의 임상기록, 증상의 분석, 바이러스 진단, 처방(예 : 항생제, 백신 등 투입)을 입력할 수 있는 입력창 기능을 제공할 수 있다.In particular, through the management program, the administrator can provide an input window function to directly input the clinical record of fish, analysis of symptoms, virus diagnosis, and prescription (eg, injection of antibiotics, vaccines, etc.) based on the sensing data.
또한, 양식장별로 관리서버(500) 및 데이터베이스(560)와 연계하여 어류의 질병 분석 데이터, 통계 자료 등을 관리 프로그램을 통하여 관리하도록 기능을 제공하여 양식장 현장 컨설팅에 이용될 수 있으며, 이를 통해 수익을 창출할 수 있다.In addition, by linking with the
데이터베이스(560)는 데이터수집장치(300)로부터 수집된 복수의 데이터를 종별로 분류화하여 저장하고, 분석부(530), 예측/학습부(540) 등에 제공할 수 있으며, 특히 다양한 양식장 변화 요인 분석 DB화, 환경분석, 수질분석 DB, 생산성분석, 사료효율 분석 DB, 질병처방 관리 및 예측 DB화, 적용 가능한 처방 조건 데이터, 질병예측 데이터 저장 기능을 제공한다.The
또한, 데이터베이스(560)는 누적 통계 수치화 등의 DB화를 이루고, 시즌별, 지역별, 품종별 질병 발생, 처방 및 예측 DB화를 이룰 수 있다. 예를 들면 데이터베이스(560)는 프로그램 관리를 위한 DB(시스템, 기능, 메뉴, 콘텐츠, 사용자, 환경 설정 등), 병원체 DB, 어병바이러스 DB, 폐사개체분석 DB, 환경분석 DB가 구축되어 각 속성별 데이터가 저장되고 관리될 수 있다.In addition, the
나아가, 관리서버(500) 및 데이터베이스(560)는 통신망(400)을 통한 클라우드 기반으로 구축되고 관리될 수 있으며, 분리된 환경에서 이벤트, 로그 분석 등의 다양한 형태의 기능을 제공받을 수 있으며, 프로그램 단위의 개별 운용이 가능하고, 데이터베이스(560) 구축 비용을 절감하고 신속하게 유연하게 구축할 수 있는 이점이 있다.Furthermore, the
예측/학습부(540)는 수집된 데이터, 분석부(530)의 다양한 분석 결과 등을 토대로 머신러닝 알고리즘을 기반으로 질병을 스스로 진단 및 예측하거나, 관리자 진단 결과의 정확도 또는 예측된 질병 예측 정확도를 향상시키도록 학습하는 역할을 수행할 수 있다.The prediction/
특히, 신규 질병 예측 및 역학 추적조사가 가능하도록 신경망 학습 기능을 제공하며, 질병예측 기능으로는 구체적으로 용혈강도, 성장도(OD값) 세부 구간, colony 등의 특징 값을 통해 비브리오병, 연쇄구균병, 활주세균증 등의 세균성 질병을 예측하는 기능을 제공할 수 있다.In particular, it provides a neural network learning function to enable new disease prediction and epidemiological follow-up, and as a disease prediction function, Vibrio's disease, streptococci are specifically based on characteristic values such as hemolysis intensity, growth level (OD value), and colony. It can provide a function of predicting bacterial diseases such as disease and sliding bacteriosis.
구체적으로 예를 들면, 어종, 질병관리코드 등을 기초로 미리 산출된 상관계수에 따라 설정된 연관성을 적용한 그룹별로 정상운전(센서 동작 등) 구간에 대한 AAKR 학습 모델 등의 기계 학습 모델을 이용한 데이터 학습을 수행하고, 필요한 데이터(예 : 질병 예측)를 예측할 수 있다.Specifically, for example, data learning using machine learning models such as AAKR learning models for the normal operation (sensor operation, etc.) section for each group to which the association set according to the correlation coefficient calculated in advance based on the fish species and disease management code is applied. And predict the necessary data (e.g. disease prediction).
여기서 사용되는 AAKR(Auto Associative Kernel Regression) 학습 모델은 수집된 시간이력 데이터(historical data)를 이용하여 파라미터를 추정하는 비모수적 경험 모델(non-parametric empirical modeling) 알고리즘이다. 이 AAKR 알고리즘은 입력된 측정값에 대해 패턴 학습 모델에서 가장 유사한 패턴은 가중치를 높게 주고 유사성이 낮은 패턴은 가중치를 낮게 주어 전체를 가중 평균하여 예측값을 계산하는 방식이다.The AAKR (Auto Associative Kernel Regression) learning model used here is a non-parametric empirical modeling algorithm that estimates parameters using collected historical data. This AAKR algorithm calculates the predicted value by weighted average of the whole by giving the most similar patterns in the pattern learning model for the input measured values with a high weight and the patterns with low similarity with a low weight.
나아가, 예측/학습부(540)는 머신러닝 알고리즘 기반의 예측모델을 이용하여 예측 결과를 산출하고, 예측 결과를 토대로 센서(200)의 예측된 허용 오차 범위 내에서 센서(200)를 동작시키도록 제어할 수 있다. 예컨대 양식장 내 온/습도센서(200)로부터 수집된 온습도에 대한 센싱정보를 토대로 온습도가 예측된 허용 오차 범위 내인 경우 센서(200)를 동작하도록 제어하고, 허용 오차 범위를 벗어난 경우 센싱 데이터 수집을 중단할 수 있게 하는 것이다.Furthermore, the prediction/
마찬가지로, 카메라(100)의 영상 데이터에 대해서도 객체 인식 알고리즘을 기반으로 기준시간 내에 객체(어류 등) 인식이 안되거나, 날씨 변화 등 환경적 요인으로 인한 객체 인식 오류가 있는지를 학습을 통하여 판단할 수 있으며, 이와 같은 상황에서는 카메라(100)로부터 영상 데이터 수집을 중단하고, 카메라(100) 상태를 체크할 수 있도록 한다.Likewise, it can be determined through learning whether an object (fish, etc.) is not recognized within a reference time or there is an object recognition error due to environmental factors such as weather change based on the object recognition algorithm for the image data of the
또한, 예측/학습부(540)는 예측 결과가 허용 오차 범위를 벗어난 경우, 오차 차이만큼 보상하여 센서(200)를 제어하거나, 제어 기능을 중단하고 유지 보수 경고 알람을 관리서버(500)를 통하여 관리자 화면에 팝업하여 알리거나 로컬 지역에 위치한 관리단말기(600)에 해당 정보를 전송할 수도 있다.In addition, the prediction/
예측모델은 머신러닝 기반의 예측 알고리즘으로, 예컨대 층 신경망(DNN)을 사용하거나 합성곱신경망(CNN) 또는 순환신경망(RNN) 방식, 서포터 벡터 머신(SVM : Support Vector Machine) 등을 활용할 수 있다.The prediction model is a machine learning-based prediction algorithm, for example, a layer neural network (DNN), a convolutional neural network (CNN) or a cyclic neural network (RNN) method, a support vector machine (SVM), and the like.
서포터 벡터 머신이란 클래시피케이션(classification), 리그레션(regression), 특이점 판별(outliers detection) 등에 주로 사용되는 지도 학습(Supervised Learning) 머신 러닝 방법 중 하나이며, 예를 들어 두 그룹의 데이터셋을 구분하는 여러 가지 방법 중에 각 그룹의 최대 거리에 있는 중간지점을 정확하게 구분할 수 있는 것이 분류정확도를 높일 수 있는 최적의 방법이라고 할 수 있다.The supporter vector machine is one of the supervised learning machine learning methods mainly used for classification, regression, and outliers detection.For example, it separates the datasets of two groups. Among the various methods, being able to accurately classify the midpoint at the maximum distance of each group can be said to be the optimal method to increase the classification accuracy.
특히 서포터 벡터 머신은 복수의 디멘션을 갖는 데이터에 대해서, 복수의 디멘션을 잘 구분할 수 있는 최적의 결정 경계(decision boundary)를 찾는 것에 최적화된 방법으로 알려져 있다.In particular, the supporter vector machine is known as an optimized method for finding an optimal decision boundary capable of distinguishing a plurality of dimensions well for data having a plurality of dimensions.
또한, 예측/학습부(540)는 센싱정보 및 예측결과를 이용하여 학습을 수행하고, 반복된 학습을 통하여 센서(200)의 오차(노이즈) 또는 오작동에 대한 예측모델을 업그레이드 할 수 있다.In addition, the prediction/
이를 통해 센서(200)의 오차 또는 오작동에 대한 미세한 보정이 이루어져, 학습이 거듭될수록 예측 정확도가 향상되어 예측된 오차 범위가 줄어들어 센싱정보의 오차 및 센서(200) 오작동 판단의 정확도를 높이도록 한다.Through this, a minute correction is made for an error or malfunction of the
또한, 예측/학습부(540)에서 센싱정보를 처리하는 경우, 시계열적인 데이터셋을 신경망을 통해 학습시키는 것보다, 센싱정보를 주파수 도메인으로 변환하여 이후 단계에서 학습이나 분석하는 것이 특히, 센서(200) 데이터의 변화 추이가 중요한 상황에서는 효과적일 수 있고, 이러한 주파수 도메인의 변환에는 보다 구체적으로 패스트-푸리에-변환(FFT: Fast Fourier Transformation)이 바람직하다.In addition, when the prediction/
나아가 예측/학습부(540)는 수집된 센싱데이터, 분석/진단 결과 데이터, 처방 데이터들을 모두 종합하여 신경망 학습을 수행할 수 있으며, 처방의 영향, 병원성 추이, 신규 질병 예측, 어류의 생태 변화 등을 판단하고, 통계 보고서 형태로 생성하여 관리 프로그램을 통하여 제공할 수도 있다.Furthermore, the prediction/
나아가 데이터베이스(560)는 상술한 영상 데이터, 센서(200)의 센싱 데이터, 상술한 예측모델의 예측결과, 예측모델 등을 빅데이터화하여 분류별로 저장할 수 있으며, 이를 위해 서포터 벡터 머신 알고리즘의 분류 기법을 활용할 수도 있다.Furthermore, the
관리단말기(600)는 통신망(400)을 통하여 관리서버(500)에 접속하여, 관리 프로그램을 실행하여 관리서버(500)에서 제공되는, 수집된 영상/센싱 데이터, 데이터를 기초로 분석한 분석/진단 결과, 처방 등을 전송받을 수 있으며, 전송받은 데이터들을 기반으로 통계 분석 기능 및 상술한 관리 프로그램들의 부가 기능들을 제공받을 수 있다.The
또한 관리단말기(600)는 예측/학습부(540)의 예측 결과에 따라 센서(200)의 제어 기능을 중단하고, 유지 보수 경고 알람 및 해당 데이터 등을 관리서버(500)를 통하여 전송받을 수도 있다.In addition, the
도 3은 본 발명의 일 실시예에 따른 수산 질병 관리 방법의 순서도이다.3 is a flow chart of a fishery disease management method according to an embodiment of the present invention.
본 발명의 수산 질병 관리 방법은 상술한 수산 질병 관리 시스템을 이용하여 이루어질 수 있다.The aquatic disease management method of the present invention can be implemented using the above-described fisheries disease management system.
먼저, 데이터수집장치(300)를 통하여 양식장 카메라(100)의 영상 데이터 또는 센서(200)의 센싱 데이터를 수집하고, 관리서버(500)로 수집된 데이터를 전송한다(S300).First, the image data of the
관리서버(500)는 수집된 데이터 기반으로 질병원인을 통하여 질병 분석 및 예측을 수행할 수 있다(S302). 이때, 신경망 학습을 통하여 질병 예측이 이루어질 수 있다.The
이후 관리서버(500)는 분석 및 진단 결과를 보고서 또는 통계 자료 형태로 생성하고, 분석 및 진단 결과에 따라 미리 설정된 처방을 생성할 수 있다(S303, S304).Thereafter, the
관리서버(500)는 진단 결과 및 처방을, 연동되는 관리 프로그램을 통하여 양식장 관리자가 소지한 관리 단말기로 전송하여 양식장 관리가 이루어지도록 알람을 제공한다(S305).The
나아가 본 발명의 일실시예에 따른 수산 질병 관리 방법은 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램으로 구현되거나, 상술한 관리 프로그램에 의해 수행될 수 있다.Furthermore, the fishery disease management method according to an embodiment of the present invention may be implemented as a computer program stored in a storage medium for execution through a combination with a computer, or may be performed by the above-described management program.
또한, 본 발명의 일실시예에 따른 수산 질병 관리 방법은, 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리, SSD(Solid State Drive) 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.In addition, the fishery disease management method according to an embodiment of the present invention may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the present invention, or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -Includes magneto-optical media, and hardware devices specially configured to store and execute program instructions such as ROM, RAM, flash memory, solid state drive (SSD), and the like. Examples of program instructions include not only machine language codes such as those produced by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
또한 본 발명에서 사용되는 컴퓨터 또는 컴퓨터 프로그램과 같은 구성은 이동통신 단말기의 형태가 스마트폰과 같이 변형되며, 컴퓨팅 파워가 획기적으로 커짐에 따라, 스마트폰 또는 스마트폰에서 실행되는 애플리케이션과 같은 의미로도 사용될 수 있다.In addition, a configuration such as a computer or a computer program used in the present invention has the same meaning as a smartphone or an application running on a smartphone as the shape of the mobile communication terminal is transformed like a smartphone, and as the computing power increases dramatically. Can be used.
100 ; 카메라
200 ; 센서
300 ; 데이터수집장치
400 ; 통신망
500 ; 관리서버
510 ; 데이터수집부
520 ; 앱관리/시각화부
530 ; 분석부
540 ; 예측/학습부
550 ; 통신부
560 ; 데이터베이스
600 ; 관리단말기100; camera
200; sensor
300; Data collection device
400; communications network
500; Management server
510; Data collection unit
520; App management/visualization
530; Analysis Department
540; Prediction/Learning Department
550; Communication Department
560; Database
600; Management terminal
Claims (10)
상기 데이터수집장치로부터 수집된 데이터를 기반으로 어류의 질병 원인을 분석 및 질병 진단을 하고, 진단 결과에 따라 처방을 생성하고, 관리단말기로 분석 데이터, 진단 결과 및 처방을 전송하는 상기 관리서버
를 포함하는 수산 질병 관리 시스템.A data collection device that collects image data and sensing data, respectively, from cameras and sensors installed at a fishery disease management place, including a farm that requires periodic monitoring, and transmits data to a management server by being connected to a communication network;
The management server that analyzes the cause of fish disease and diagnoses the disease based on the data collected from the data collection device, generates a prescription according to the diagnosis result, and transmits the analysis data, diagnosis result and prescription to the management terminal.
Fisheries disease management system comprising a.
상기 관리서버는
상기 데이터수집장치로부터 통신망을 통하여 영상 데이터 및 센싱 데이터를 전송받는 데이터수집부;
수집된 영상 데이터 및 센싱 데이터를 기반으로 질병 원인 분석 및 진단을 수행하는 분석부;
상기 관리단말기에서 실행되어 관리서버와 연동할 수 있는 관리 프로그램을 제공하며, 프로그램 상에서 질병원인 분석 및 진단 자료를 시각화하여 표시할 수 있도록 데이터 시각화 기능을 제공하는 앱관리/시각화부;
상기 데이터수집부의 수집된 복수의 데이터를 저장하는 데이터베이스;
상기 데이터수집부의 수집된 데이터와 상기 분석부의 분석 결과를 토대로 머신러닝 알고리즘을 기반으로 질병을 스스로 진단 및 예측하거나, 생성된 진단 결과의 정확도 또는 예측된 질병 예측 정확도를 향상시키도록 학습하는 예측/학습부
를 포함하는 수산 질병 관리 시스템.The method of claim 1,
The management server
A data collection unit receiving image data and sensing data from the data collection device through a communication network;
An analysis unit that performs disease cause analysis and diagnosis based on the collected image data and sensing data;
An app management/visualization unit that provides a management program running on the management terminal and capable of interlocking with the management server, and provides a data visualization function to visualize and display disease cause analysis and diagnosis data on the program;
A database for storing a plurality of collected data of the data collection unit;
Prediction/learning for self-diagnosing and predicting a disease based on a machine learning algorithm based on the collected data of the data collection unit and the analysis result of the analysis unit, or learning to improve the accuracy of the generated diagnosis result or the predicted disease prediction accuracy. part
Fisheries disease management system comprising a.
상기 예측/학습부는
신규 질병 예측 및 역학 추적조사가 가능하도록 신경망 학습 기능을 제공하며, 질병 예측시 용혈강도, 성장도(OD값) 세부 구간, colony의 특징값을 통해 비브리오병, 연쇄구균병, 활주세균증 중 적어도 어느 하나의 세균성 질병을 예측하는 것을 특징으로 하는 수산 질병 관리 시스템.The method of claim 2,
The prediction/learning unit
Neural network learning function is provided to enable new disease prediction and epidemiological follow-up, and at least among Vibrio's disease, streptococcal disease, and gliding bacteriosis through hemolysis strength, growth level (OD value) detailed section, and colony characteristic value when predicting a disease. Fishery disease management system, characterized in that predicting any one bacterial disease.
상기 예측/학습부는
머신러닝 알고리즘 기반의 예측모델을 이용하여 예측 결과를 산출하고, 예측 결과를 토대로 센서의 예측된 허용 오차 범위 내에서 센서를 동작시키도록 제어하고,
예측 결과가 허용 오차 범위를 벗어난 경우, 오차 차이만큼 보상하여 센서를 제어하거나, 제어 기능을 중단하고 유지 보수 경고 알람을 상기 관리서버를 통하여 관리자 화면에 팝업하여 알리거나 로컬 지역에 위치한 상기 관리단말기에 해당 정보를 전송하는 것을 특징으로 하는 수산 질병 관리 시스템.The method of claim 2,
The prediction/learning unit
A prediction result is calculated using a prediction model based on a machine learning algorithm, and based on the prediction result, the sensor is controlled to operate within the predicted tolerance range of the sensor,
If the prediction result is out of the allowable error range, the sensor is controlled by compensating for the difference in error, or the control function is stopped and a maintenance warning alarm is notified by popping up on the manager screen through the management server, or to the management terminal located in the local area. Fishery disease management system, characterized in that transmitting the information.
상기 앱관리/시각화부는
상기 관리 프로그램을 통하여 관리자가 직접 센싱 데이터를 기초로 어류 임상기록, 증상 분석, 바이러스 진단, 처방을 입력할 수 있는 입력창 기능을 제공하며,
양식장별로 상기 관리서버 및 데이터베이스와 연계하여 어류의 질병 분석 데이터, 통계 자료를 관리 프로그램을 통하여 관리하도록 기능을 제공하여 양식장 현장 컨설팅에 이용할 수 있는 것을 특징으로 하는 수산 질병 관리 시스템.The method of claim 2,
The app management/visualization unit
Through the management program, an input window function is provided for the administrator to directly input fish clinical records, symptom analysis, virus diagnosis, and prescriptions based on the sensing data.
A fishery disease management system, characterized in that it provides a function to manage disease analysis data and statistical data of fish through a management program in connection with the management server and the database for each farm so that it can be used for on-site consulting of a farm.
상기 관리서버는 수집된 데이터 기반으로 질병원인을 통하여 질병 분석 및 예측을 수행하는 단계;
상기 관리서버는 분석 및 진단 결과를 보고서 또는 통계 자료 형태로 생성하고, 분석 및 진단 결과에 따라 미리 설정된 처방을 생성하는 단계;
상기 관리서버는 진단 결과 및 처방을, 연동되는 관리 프로그램을 통하여 관리자가 소지한 관리단말기로 전송하는 단계
를 포함하는 수산 질병 관리 방법.The data collection device includes the steps of: collecting image data of a camera or sensing data of a sensor installed in a fishery disease management place, and transmitting the collected data to a management server;
The management server performing disease analysis and prediction through disease causes based on the collected data;
The management server generating the analysis and diagnosis results in the form of a report or statistical data, and generating a pre-set prescription according to the analysis and diagnosis results;
The management server transmitting the diagnosis result and prescription to the management terminal possessed by the administrator through an interlocked management program.
Fishery disease management method comprising a.
상기 관리서버는
분석부를 구비하여 상기 데이터수집장치로부터 수집된 영상 데이터 및 센싱 데이터를 기반으로 질병 원인 분석 및 진단을 수행하고,
예측/학습부를 구비하여 상기 데이터수집장치로부터 수집된 데이터와 데이터 분석 결과를 토대로 머신러닝 알고리즘을 기반으로 질병을 스스로 진단 및 예측하거나, 생성된 진단 결과의 정확도 또는 예측된 질병 예측 정확도를 향상시키도록 학습하는 것을 특징으로 하는 수산 질병 관리 방법.The method of claim 6,
The management server
Provides an analysis unit to perform disease cause analysis and diagnosis based on image data and sensing data collected from the data collection device,
Equipped with a prediction/learning unit to self-diagnose and predict diseases based on machine learning algorithms based on data collected from the data collection device and data analysis results, or to improve the accuracy of the generated diagnosis results or predicted disease prediction accuracy. Fishery disease management method, characterized in that learning.
상기 예측/학습부는
신규 질병 예측 및 역학 추적조사가 가능하도록 신경망 학습 기능을 제공하며, 질병 예측시 용혈강도, 성장도(OD값) 세부 구간, colony의 특징값을 통해 비브리오병, 연쇄구균병, 활주세균증 중 적어도 어느 하나의 세균성 질병을 예측하는 것을 특징으로 하는 수산 질병 관리 방법.The method of claim 7,
The prediction/learning unit
Neural network learning function is provided to enable new disease prediction and epidemiological follow-up, and at least among Vibrio's disease, streptococcal disease, and gliding bacteriosis through hemolysis strength, growth level (OD value) detailed section, and colony characteristic value when predicting a disease. A method for managing aquatic diseases, characterized in that predicting any one bacterial disease.
상기 관리서버는
앱관리/시각화부를 구비하여 상기 관리 프로그램을 통하여 관리자가 직접 센싱 데이터를 기초로 어류 임상기록, 증상 분석, 바이러스 진단, 처방을 입력할 수 있는 입력창 기능을 제공하며,
양식장별로 상기 관리서버 및 데이터베이스와 연계하여 어류의 질병 분석 데이터, 통계 자료를 관리 프로그램을 통하여 관리하도록 기능을 제공하여 양식장 현장 컨설팅에 이용할 수 있는 것을 특징으로 하는 수산 질병 관리 방법.The method of claim 6,
The management server
It is equipped with an app management/visualization unit to provide an input window function through which an administrator can directly input fish clinical records, symptom analysis, virus diagnosis, and prescriptions based on sensing data through the management program.
A fishery disease management method, characterized in that it provides a function to manage disease analysis data and statistical data of fish through a management program in connection with the management server and the database for each farm so that it can be used for on-site consulting of a farm.
A computer program stored in a computer-readable storage medium for performing the fishery disease management method of claim 6.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190123077 | 2019-10-04 | ||
| KR20190123077 | 2019-10-04 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210040817A true KR20210040817A (en) | 2021-04-14 |
Family
ID=75477629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200127923A KR20210040817A (en) | 2019-10-04 | 2020-10-05 | Marine disease management system, method and program |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20210040817A (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113598098A (en) * | 2021-08-06 | 2021-11-05 | 黑龙江八一农垦大学 | Fish disease recognition processing device based on machine vision |
| KR102525574B1 (en) * | 2022-10-20 | 2023-04-25 | (주)에스텔라 | Sashimi Fillet Manufacturing Method by Automatic Fillet Manufacturing System |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190078555A (en) | 2019-06-25 | 2019-07-04 | 대한민국(관리부서:국립수산과학원) | Genetic Marker for Discrimination and Detection of Vibriosis in fish and Method for Discrimination and Detection of Vibriosis in fish Using the Same |
-
2020
- 2020-10-05 KR KR1020200127923A patent/KR20210040817A/en unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190078555A (en) | 2019-06-25 | 2019-07-04 | 대한민국(관리부서:국립수산과학원) | Genetic Marker for Discrimination and Detection of Vibriosis in fish and Method for Discrimination and Detection of Vibriosis in fish Using the Same |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113598098A (en) * | 2021-08-06 | 2021-11-05 | 黑龙江八一农垦大学 | Fish disease recognition processing device based on machine vision |
| KR102525574B1 (en) * | 2022-10-20 | 2023-04-25 | (주)에스텔라 | Sashimi Fillet Manufacturing Method by Automatic Fillet Manufacturing System |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ebrahimi et al. | Comprehensive analysis of machine learning models for prediction of sub-clinical mastitis: Deep Learning and Gradient-Boosted Trees outperform other models | |
| US20140279754A1 (en) | Self-evolving predictive model | |
| KR20210040817A (en) | Marine disease management system, method and program | |
| US20160267254A1 (en) | System and method for classifying respiratory and overall health status of an animal | |
| Roberts et al. | Prediction of welfare outcomes for broiler chickens using Bayesian regression on continuous optical flow data | |
| JP6636214B1 (en) | Diagnostic device, diagnostic method and program | |
| Domun et al. | Learning patterns from time-series data to discriminate predictions of tail-biting, fouling and diarrhoea in pigs | |
| Marchand et al. | A standardised biologging approach to infer parturition: An application in large herbivores across the hider‐follower continuum | |
| Dohoo | Dealing with deficient and missing data | |
| Dominiak et al. | Spatial modeling of pigs’ drinking patterns as an alarm reducing method II. Application of a multivariate dynamic linear model | |
| Naqvi et al. | Data considerations for developing deep learning models for dairy applications: A simulation study on mastitis detection | |
| van Andel et al. | Challenges and opportunities for using national animal datasets to support foot‐and‐mouth disease control | |
| Sykes et al. | Interpretable machine learning applied to on‐farm biosecurity and porcine reproductive and respiratory syndrome virus | |
| JP2021513148A5 (en) | ||
| Robertson et al. | A hidden Markov model for analysis of frontline veterinary data for emerging zoonotic disease surveillance | |
| Rafei et al. | Tuberculosis surveillance using a hidden markov model | |
| Liberati et al. | Improving the automated monitoring of dairy cows by integrating various data acquisition systems | |
| US20240000045A1 (en) | Livestock monitoring | |
| Yazdani et al. | Supervised machine learning approach to COVID-19 detection based on clinical data | |
| US20230290484A1 (en) | Apparatus and method for unsupervised learning-based medical data analysis | |
| Malesios et al. | Spatio-temporal modelling of foot-and-mouth disease outbreaks | |
| Aliyu et al. | A bayesian network model for the prognosis of the novel coronavirus (COVID-19) | |
| CN115050437B (en) | Biological big data analysis and disease accurate identification classification prediction system based on algorithm and block chain | |
| KR102490502B1 (en) | Apparatus and method for analyzing medical data based on unsupervised learning | |
| US20230046598A1 (en) | Machine learning system for interpreting host phage response |