KR20210085149A - 활동량 모니터링을 통한 소 인공수정 시점 탐지 방법 및 장치 - Google Patents
활동량 모니터링을 통한 소 인공수정 시점 탐지 방법 및 장치 Download PDFInfo
- Publication number
- KR20210085149A KR20210085149A KR1020190177887A KR20190177887A KR20210085149A KR 20210085149 A KR20210085149 A KR 20210085149A KR 1020190177887 A KR1020190177887 A KR 1020190177887A KR 20190177887 A KR20190177887 A KR 20190177887A KR 20210085149 A KR20210085149 A KR 20210085149A
- Authority
- KR
- South Korea
- Prior art keywords
- cattle
- artificial insemination
- index
- time
- wavelet
- Prior art date
Links
- 230000000694 effects Effects 0.000 title claims abstract description 50
- 230000009027 insemination Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 title abstract description 5
- 241000283690 Bos taurus Species 0.000 claims abstract description 65
- 238000001228 spectrum Methods 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 230000001158 estrous effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000012173 estrus Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000032696 parturition Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000012545 processing 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61D—VETERINARY INSTRUMENTS, IMPLEMENTS, TOOLS, OR METHODS
- A61D17/00—Devices for indicating trouble during labour of animals ; Methods or instruments for detecting pregnancy-related states of animals
- A61D17/002—Devices for indicating trouble during labour of animals ; Methods or instruments for detecting pregnancy-related states of animals for detecting period of heat of animals, i.e. for detecting oestrus
-
- 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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Veterinary Medicine (AREA)
- Environmental Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Biodiversity & Conservation Biology (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Pregnancy & Childbirth (AREA)
- Animal Behavior & Ethology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
본 발명은 활동량 모니터링을 통한 소 인공수정 시점 탐지 방법 및 장치를 개시한다. 본 발명에 따르면, 프로세서; 및 상기 프로세서에 연결된 메모리를 포함하되, 상기 메모리는, 미리 설정된 시간동안 활동량 측정 센서를 통해 소의 활동량 데이터를 수집하고, 상기 수집된 소의 활동량 데이터를 웨이블릿 스펙트럼으로 변환하여 하나 이상의 인덱스를 추출하고, 상기 추출된 인덱스를 분류기에 입력하여 소의 인공수정 시점 여부를 결정하도록, 상기 프로세서에 의해 실행 가능한 프로그램 명령어들을 저장하는 소의 인공수정 시점 탐지 장치가 제공된다.
Description
본 발명은 활동량 모니터링을 통한 소 인공수정 시점 탐지 방법 및 장치에 관한 것이다.
축산농가에 적용되는 소 인공수정 시점은 대부분 소의 활동량을 측정하여 판단한다. 일반적으로 소는 발정 상태에 들어설 경우, 약 18시간 정도 활동량이 평소보다 증가하는 것으로 알려져 있다.
기존 방법은 평소 대비 일정기간 활동량이 계속 높아진 것을 탐지해 발정여부를 판단한다. 센서로는 대표적으로 만보기를 들 수 있으며, 해당 방법의 경우 소의 걸음을 통해 소의 활동량을 판단한다.
만보기의 경우, 대표적으로 미약 발정(silent heat)의 탐지가 힘든 단점이 있다. 미약 발정이란 출산 경험이 많은 소에게서 나타나는 현상으로서, 발정 주기에 들어섰음에도 신체 활동량의 상승이 미약한 경우를 의미한다.
미약 발정이 일어날 경우 만보기로는 활동량의 변화를 민감하게 파악하기 어려우며 또한 해당 농가에 전체적인 기준을 설정할 수 없는 어려움이 존재한다.
일례로 미약 발정이 일어난 경우 해당 소의 활동량이 어린 암소의 활동량보다 작게 산출되어 실제 발정임에도 불구하고 정상 상태로 오분류되는 경우를 들 수 있다.
종래에 활동 진단을 통해 피험자의 활동 수준을 판단하는 기술은 존재하고 있으나, 소의 활동량 모니터링을 통해 소의 인공수정 시점을 정확히 탐지하는 기술은 존재하지 않고 있다.
상기한 종래기술의 문제점을 해결하기 위해, 본 발명은 소의 활동량 변화를 민감하게 파악하여 정상 상태와 발정 상태를 정확하게 구분할 수 있는 활동량 모니터링을 통한 소 인공수정 시점 탐지 방법 및 장치를 제안하고자 한다.
상기한 바와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따르면,소의 인공수정 시점 탐지 장치로서, 프로세서; 및 상기 프로세서에 연결된 메모리를 포함하되, 상기 메모리는, 미리 설정된 시간동안 활동량 측정 센서를 통해 소의 활동량 데이터를 수집하고, 상기 수집된 소의 활동량 데이터를 웨이블릿 스펙트럼으로 변환하여 하나 이상의 인덱스를 추출하고, 상기 추출된 인덱스를 분류기에 입력하여 소의 인공수정 시점 여부를 결정하도록, 상기 프로세서에 의해 실행 가능한 프로그램 명령어들을 저장하는 소의 인공수정 시점 탐지 장치가 제공된다.
상기 프로그램 명령어들은, 상기 소의 활동량 데이터를 복수의 시계열 그룹으로 분할하고, 상기 복수의 시계열 그룹에 복소형 웨이블릿 변환을 적용하여 복수의 웨이블릿 계층 및 복수의 웨이블릿 계층이 가지는 웨이블릿 계수의 관계를 이용하여 복소형 웨이블릿 스펙트럼을 산출하고, 상기 산출된 복소형 웨이블릿 스펙트럼으로부터 상기 인덱스를 추출할 수 있다.
상기 프로그램 명령어들은, 상기 산출된 복소형 웨이블릿 스펙트럼에 선형 회귀를 적용하여 상기 하나 이상의 인덱스를 추출할 수 있다.
상기 인덱스는 허스트 지수, 기울기, 절편 및 표준오차 중 적어도 하나를 포함할 수 있다.
상기 프로그램 명령어들은, 상기 웨이블릿 스펙트럼에 대해 L1 norm 기반으로 상기 허스트 지수, 절편 및 잔차표준오차를 산출할 수 있다.
상기 분류기는 상기 인덱스를 입력으로 하고 소의 발정 상태를 결정하는 출력을 갖는 다층 퍼셉트론일 수 있다.
본 발명의 다른 측면에 따르면, 소의 인공수정 시점 탐지 방법으로서, (a) 미리 설정된 시간동안 소의 활동량 데이터를 수집하는 단계; (b) 상기 수집된 소의 활동량 데이터를 웨이블릿 스펙트럼으로 변환하여 하나 이상의 인덱스를 추출하는 단계; 및 (c) 상기 추출된 인덱스를 분류기에 입력하여 소의 인공수정 시점 여부를 결정하는 단계를 포함하는 소의 인공수정 시점 탐지 방법이 제공된다.
본 발명에 따르면, 활동량 데이터에 웨이블릿 변환을 적용하여 산출된 계수로부터, 스펙트럼 분석을 통한 활동량 인덱스를 추출하여 소의 발정 상태를 정확히 판정할 수 있는 장점이 있다.
도 1은 본 실시예에 따른 소 인공수정 시점 탐지 장치의 구성을 도시한 도면이다.
도 2는 이산 웨이블릿 변환과 복소형 웨이블릿 변환에 따른 웨이블릿 스펙트럼 변화를 나타낸 도면이다.
도 3은 복소형 웨이블릿 변환된 데이터를 시각적으로 표현한 것이다.
도 4는 허스트 지수 및 절편을 이용한 발정 상태와 정상 상태를 구분한 도면이다.
도 5는 본 실시예에 따른 소의 인공수정 시점 탐지 과정을 도시한 흐름도이다.
도 6은 본 실시예에 따른 표준화된 특징 벡터를 나타낸 것이다.
도 7은 본 발명의 일 실시예에 따른 인공신경망 구조를 도시한 도면이다.
도 2는 이산 웨이블릿 변환과 복소형 웨이블릿 변환에 따른 웨이블릿 스펙트럼 변화를 나타낸 도면이다.
도 3은 복소형 웨이블릿 변환된 데이터를 시각적으로 표현한 것이다.
도 4는 허스트 지수 및 절편을 이용한 발정 상태와 정상 상태를 구분한 도면이다.
도 5는 본 실시예에 따른 소의 인공수정 시점 탐지 과정을 도시한 흐름도이다.
도 6은 본 실시예에 따른 표준화된 특징 벡터를 나타낸 것이다.
도 7은 본 발명의 일 실시예에 따른 인공신경망 구조를 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명은 소의 활동량 변화를 민감하게 파악하여 정상 상태와 발정 상태를 정확하게 구분하기 위해 허스트 지수를 포함하는 인덱스를 도입한다.
허스트 지수란 시계열의 장기 기억성을 나타내는 척도로써, 시간에 따라 변화하는 대상의 상태를 설명하는데 뛰어난 성능을 갖는 것으로 잘 알려져 있다.
소는 발정 상태에 들어설 경우, 설사 미약 발정이더라도 평소보다 활동량이 소폭 상승한다. 본 실시예에 따른 인덱스 중 허스트 지수는 작은 변화를 탐지할 수 있는 통계량으로서 기존의 절대적인 활동량 수치 기준에 따른 발정 판단이 아닌 활동량의 변화 그 자체를 기반으로 한 발정 판단이라 할 수 있다.
허스트 지수를 이용할 경우, 미약 발정임에도 소의 활동량이 평소대비 일정기간 증가했다면 발정을 정확하게 탐지할 수 있다.
도 1은 본 실시예에 따른 소 인공수정 시점 탐지 장치의 구성을 도시한 도면이다.
도 1에 도시된 바와 같이, 본 실시예에 따른 소 인공수정 시점 탐지 장치는 프로세서(100) 및 메모리(102)를 포함할 수 있다.
프로세서(100)는 컴퓨터 프로그램을 실행할 수 있는 CPU(central processing unit)나 그밖에 가상 머신 등을 포함할 수 있다.
메모리(102)는 고정식 하드 드라이브나 착탈식 저장 장치와 같은 불휘발성 저장 장치를 포함할 수 있다. 착탈식 저장 장치는 컴팩트 플래시 유닛, USB 메모리 스틱 등을 포함할 수 있다. 메모리(102)는 각종 랜덤 액세스 메모리와 같은 휘발성 메모리도 포함할 수 있다.
이와 같은 메모리(102)에는 프로세서(100)에 의해 실행 가능한 프로그램 명령어들이 저장된다.
소 인공수정 시점 탐지 장치에 저장된 프로그램 명령어들은 활동량 측정 센서로부터 활동량 데이터를 수집하고, 수집된 활동량 데이터를 시계열적으로 분할하여 이산형 웨이블릿 변환 및 복소형 웨이블릿 변환을 수행한다.
바람직하게, 활동량 측정 센서는 가속도 센서이며 미리 설정된 기간(예를 들어, 2n초)의 활동량 데이터를 수집하고, 이를 복수의 시계열로 나눈 후 웨이블릿 변환을 수행한다.
가속도 센서는 소의 머리와 목 움직임에 의한 좌우, 전후, 상하 3축의 가속도를 동시에 측정하고 3축의 값을 벡터화한다.
이 때, 복소형 웨이블릿 변환의 경우, 실수부와 허수부로 구성된 웨이블릿 계수를 출력하므로 이를 실수화하기 위하여 실수부와 허수부에 대한 L1 Norm, L2 Norm 등의 거리 지수를 활용한다.
본 실시예에 따르면, 각 시계열 그룹에 대하여 웨이블릿 변환을 시행한 이후, 신호 변환을 통하여 생성된 웨이블릿 계층이 각 계층 간 변동성을 파악하기 위하여 스펙트럼 분석을 시행한다. 웨이블릿 스펙트럼 분석을 통하여 소의 활동량의 특성을 파악할 수 있으며, 대표적으로 추출 가능한 인덱스로는 허스트 지수가 존재한다.
허스트 지수는 시계열 자료의 장기 기억성을 나타내는 척도로써 그 값에 따라 시계열이 비지속 시계열, Brownian 시계열 및 지속 시계열 3가지 상태로 구분된다.
비지속 시계열은 허스트 지수가 (0,0,5)인 경우로 시계열의 값이 상승할 경우 이후에 값이 하강할 가능성이 높으며 진동폭이 큰 형태의 신호로 표현된다.
Brownian 시계열은 허스트 지수가 (0.5)에 가까운 시계열 특성으로, 현재 값과 이후 값 사이에 상관관계가 존재하지 않는 무작위한 상태의 시계열을 의미한다. Brownian 시계열을 가지는 경우, 특정한 추세가 존재하지 않는다고 판단한다.
지속 시계열은 허스트 지수가 (0.5,1)인 경우로 시계열 값이 상승할 경우 이후에도 값이 상승할 가능성이 높고 반대로도 마찬가지인 상태의 시계열을 의미한다. 따라서, 지속 시계열을 가지는 신호의 경우 특정한 추세를 가짐을 확인할 수 있다.
도 2는 이산 웨이블릿 변환과 복소형 웨이블릿 변환에 따른 웨이블릿 스펙트럼 변화를 나타낸 도면이다.
도 2에 도시된 바와 같이, 일반적인 이산 웨이블릿 변환에 비해 복소형 웨이블릿 변환을 적용할 경우 활동량 신호 감소 현상을 방지할 수 있어 활동량 변화를 민감하게 감지할 수 있다는 특징을 가진다. 이외에도 스펙트럼 분석을 실시하여 확보할 수 있는 인덱스로는 계층, 에너지 간 선형회귀분석을 통한 절편 및 잔차표준오차와 같은 특징값이 존재한다.
도 3은 복소형 웨이블릿 변환된 데이터를 시각적으로 표현한 것이다.
본 실시예에 따른 소 인공수정 시점 탐지 장치는 희소(sparce) 신호가 발생하는 경우 신호(크기)를 보존하고, 허수부가 포함하는 정보를 실수화하기 위해 실수부와 허수부를 통합한 거리 지표를 활용한다.
따라서, 산출된 웨이블릿 계수에 L1 norm, L2 norm 등의 거리 지표를 적용하여 이를 상세 계수로 정의한다. 복소형 웨이블릿 변환을 통하여 확보한 계층적인 구조의 웨이블릿 계수 중, 
번째 분해 레벨 내에서 
번째 위치에 존재하는 상세 계수를 
로 정의할 때, L1 norm은 실수부 (Real part), 허수부 (Imaginary Part)의 절대치의 합(
)으로 산출되며, L2 norm은 2차원 좌표평면 상의 최단 거리를 계산하기 위하여 제곱합에 기반하여 산출되는 거리 지표 (
)이다.
도 4는 허스트 지수 및 절편을 이용한 발정 상태와 정상 상태를 구분한 도면이다.
본 발명의 일 실시예에 따르면, 상기한 인덱스를 분류기에 입력하여 소가 정상 상태인지, 발정 상태인지 여부를 분류한다.
본 실시예에 따른 분류기는 인공신경망 및 그밖에도 SVM(support vector machine), 로지스틱 회귀, 결정 트리(decision tree) 등이 적용될 수 있다.
이하에서는 본 실시예에 따른 소의 인공수정 시점 탐지 과정을 상세하게 설명한다.
도 5는 본 실시예에 따른 소의 인공수정 시점 탐지 과정을 도시한 흐름도이다.
가속도 센서를 통해 214 초(약 4시간) 기간(window)의 활동량 데이터를 수집하고(단계 500), 활동량 데이터를 복수의 시계열 그룹으로 분할한다(단계 502).
웨이블릿 변환으로 생성된 계층에 따른 웨이블릿 계수의 에너지 간 관계를 이용하여 소의 활동량과 관련된 특징값을 추출한다. 이후 각 그룹별로 복소형 웨이블릿 변환을 적용하여 각 분해 레벨(
)에 따른 에너지(
)를 산출한다(단계 504). 이 때, 
는 웨이블릿 변환을 통하여 확보한 계층적인 구조의 웨이블릿 계수 중, 
번째 계층 내에서 
번째 위치에 존재하는 상세 계수의 값을 의미하며, 분해 레벨 별 에너지 
는 해당 계층에 존재하는 상세 계수들의 제곱합으로 산출된다. 이후 해당 관계식에 선형 회귀를 적용하여 허스트 지수(
), 기울기(
), 절편(
) 및 표준오차(
) 4가지 특징값 (인덱스)을 추출한다(단계 506). 단계 506에 의해 도 6과 같은 표준화된 특징 벡터(
)들, 즉 인덱스들이 다음과 같이 산출된다.
도 7은 본 발명의 일 실시예에 따른 인공신경망 구조를 도시한 도면이다.
도 7을 참조하면, 단계 506에서 산출된 인덱스들(허스트 지수, 기울기, 절편 및 표준 오차)는 인공신경망에 입력되며(단계 508), 인공신경망은 상기한 입력들을 이용하여 소의 인공수정 시점을 탐지한다(단계 510).
본 실시예에 따르면, 검출 정확도가 97% 이상으로 나타나며, 소가 발정 상태에 들어설 경우 허스트 지수 및 표준 오차값이 평상시보다 낮아지는 것을 확인하여 소의 인공수정 시점을 정확히 탐지하였다.
여기서 허스트 지수 및 표준 오차 각각은 (0.1, 0.22], (0, 1.5] 범위에서 형성된다.
상기에서는 소의 인공수정 시점 탐지를 위해, 활동량 데이터에서 추출된 인덱스들을 이용하는 것을 설명하였으나, 이에 한정됨이 없이 피험자의 활동량 데이터를 수집하고, 소정 기준에 따라 피험자의 상태를 판정하는 것에도 본 발명이 적용될 수 있을 것이다.
상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대한 통상의 지식을 가지는 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.
Claims (9)
- 소의 인공수정 시점 탐지 장치로서,
프로세서; 및
상기 프로세서에 연결된 메모리를 포함하되,
상기 메모리는,
미리 설정된 시간동안 활동량 측정 센서를 통해 소의 활동량 데이터를 수집하고,
상기 수집된 소의 활동량 데이터를 웨이블릿 스펙트럼으로 변환하여 하나 이상의 인덱스를 추출하고,
상기 추출된 인덱스를 분류기에 입력하여 소의 인공수정 시점 여부를 결정하도록,
상기 프로세서에 의해 실행 가능한 프로그램 명령어들을 저장하는 소의 인공수정 시점 탐지 장치. - 제1항에 있어서,
상기 프로그램 명령어들은,
상기 소의 활동량 데이터를 복수의 시계열 그룹으로 분할하고,
상기 복수의 시계열 그룹에 복소형 웨이블릿 변환을 적용하여 복수의 웨이블릿 계층 및 복수의 웨이블릿 계층이 가지는 웨이블릿 계수의 관계를 이용하여 복소형 웨이블릿 스펙트럼을 산출하고,
상기 산출된 복소형 웨이블릿 스펙트럼으로부터 상기 인덱스를 추출하는 소의 인공수정 시점 탐지 장치. - 제2항에 있어서,
상기 프로그램 명령어들은,
상기 산출된 복소형 웨이블릿 스펙트럼에 선형 회귀를 적용하여 상기 하나 이상의 인덱스를 추출하는 소의 인공수정 시점 탐지 장치. - 제1항에 있어서,
상기 인덱스는 허스트 지수, 기울기, 절편 및 표준오차 중 적어도 하나를 포함하는 소의 인공수정 시점 탐지 장치. - 제4항에 있어서,
상기 프로그램 명령어들은,
상기 웨이블릿 스펙트럼에 대해 L1 norm 또는 L2 norm 기반으로 상기 허스트 지수, 절편 및 잔차표준오차를 산출하는 소의 인공수정 시점 탐지 장치. - 제1항에 있어서,
상기 분류기는 상기 인덱스를 입력으로 하고 소의 발정 상태를 결정하는 출력을 갖는 다층 퍼셉트론인 소의 인공수정 시점 탐지 장치. - 소의 인공수정 시점 탐지 방법으로서,
(a) 미리 설정된 시간동안 소의 활동량 데이터를 수집하는 단계;
(b) 상기 수집된 소의 활동량 데이터를 웨이블릿 스펙트럼으로 변환하여 하나 이상의 인덱스를 추출하는 단계; 및
(c) 상기 추출된 인덱스를 분류기에 입력하여 소의 인공수정 시점 여부를 결정하는 단계를 포함하는 소의 인공수정 시점 탐지 방법. - 제7항에 있어서,
상기 (b) 단계는,
(b1) 상기 소의 활동량 데이터를 복수의 시계열 그룹으로 분할하는 단계;
(b2) 상기 복수의 시계열 그룹에 복소형 웨이블릿 변환을 적용하여 복수의 웨이블릿 계층 및 복수의 웨이블릿 계층이 가지는 웨이블릿 계수의 관계를 이용하여 복소형 웨이블릿 스펙트럼을 산출하는 단계; 및
(b3) 상기 산출된 복소형 웨이블릿 스펙트럼으로부터 상기 인덱스를 추출하는 단계를 포함하는 소의 인공수정 시점 탐지 방법. - 제1항에 있어서,
상기 인덱스는 허스트 지수, 기울기, 절편 및 표준오차 중 적어도 하나를 포함하는 소의 인공수정 시점 탐지 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190177887A KR20210085149A (ko) | 2019-12-30 | 2019-12-30 | 활동량 모니터링을 통한 소 인공수정 시점 탐지 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190177887A KR20210085149A (ko) | 2019-12-30 | 2019-12-30 | 활동량 모니터링을 통한 소 인공수정 시점 탐지 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210085149A true KR20210085149A (ko) | 2021-07-08 |
Family
ID=76893467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190177887A KR20210085149A (ko) | 2019-12-30 | 2019-12-30 | 활동량 모니터링을 통한 소 인공수정 시점 탐지 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20210085149A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101483218B1 (ko) | 2012-08-08 | 2015-01-15 | 한국과학기술원 | 활동 진단 장치 |
-
2019
- 2019-12-30 KR KR1020190177887A patent/KR20210085149A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101483218B1 (ko) | 2012-08-08 | 2015-01-15 | 한국과학기술원 | 활동 진단 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111027487B (zh) | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 | |
| JP6942741B2 (ja) | 誤検知を減少させた分光学的分類のための識別 | |
| CN109141248B (zh) | 基于图像的猪体重测算方法及系统 | |
| CN108777873A (zh) | 基于加权混合孤立森林的无线传感网络异常数据检测方法 | |
| US8909561B2 (en) | Information processing apparatus and information processing method | |
| CN111008643B (zh) | 基于半监督学习的图片分类方法、装置和计算机设备 | |
| Guo et al. | Comparison of grazing behaviour of sheep on pasture with different sward surface heights using an inertial measurement unit sensor | |
| CN113053535A (zh) | 一种医疗信息预测系统及医疗信息预测方法 | |
| Taqi et al. | Skin lesion detection by android camera based on SSD-Mo-bilenet and tensorflow object detection API | |
| JP6977345B2 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
| CN114002332A (zh) | 一种结构损伤监测预警方法及结构完整性数字孪生系统 | |
| CN104089791A (zh) | 基于振动的改进损伤定位和损伤程度识别方法 | |
| CN109446931B (zh) | 基于时序关联分析的动物运动行为判别方法及装置 | |
| Smith et al. | A study of sensor derived features in cattle behaviour classification models | |
| US20200279148A1 (en) | Material structure analysis method and material structure analyzer | |
| JP6053166B2 (ja) | 数値データ解析装置及びプログラム | |
| KR20210085149A (ko) | 활동량 모니터링을 통한 소 인공수정 시점 탐지 방법 및 장치 | |
| CN112699907B (zh) | 数据融合的方法、装置和设备 | |
| CN110517234B (zh) | 特征骨异常检测方法及装置 | |
| CN110232119B (zh) | 基于元分析的通用智能度量模型构建方法和系统 | |
| CN103177263B (zh) | 一种基于图像的水稻田间飞虱自动检测与计数方法 | |
| Tran et al. | A robust classification system for Southern Yellow cow behavior using 3-DoF accelerometers | |
| KR20220146214A (ko) | 인공지능 기반으로 나무 이미지를 분석하여 나무의 이상 여부를 판별하는 장치, 방법 및 프로그램 | |
| CN110706803B (zh) | 一种确定心肌纤维化的方法、装置、可读介质及电子设备 | |
| CN112966762A (zh) | 一种野生动物检测方法、装置、存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |