KR20220063730A - 인공지능 시스템을 적용한 자동 어류 선별장치 및 자동 어류 선별방법 - Google Patents
인공지능 시스템을 적용한 자동 어류 선별장치 및 자동 어류 선별방법 Download PDFInfo
- Publication number
- KR20220063730A KR20220063730A KR1020210147661A KR20210147661A KR20220063730A KR 20220063730 A KR20220063730 A KR 20220063730A KR 1020210147661 A KR1020210147661 A KR 1020210147661A KR 20210147661 A KR20210147661 A KR 20210147661A KR 20220063730 A KR20220063730 A KR 20220063730A
- Authority
- KR
- South Korea
- Prior art keywords
- fish
- artificial intelligence
- size
- automatic
- information
- Prior art date
Links
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 258
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims description 37
- 238000002372 labelling Methods 0.000 claims description 34
- 230000036244 malformation Effects 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010187 selection method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010061199 Head deformity Diseases 0.000 description 1
- 241001290266 Sciaenops ocellatus Species 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A22—BUTCHERING; MEAT TREATMENT; PROCESSING POULTRY OR FISH
- A22C—PROCESSING MEAT, POULTRY, OR FISH
- A22C25/00—Processing fish ; Curing of fish; Stunning of fish by electric current; Investigating fish by optical means
- A22C25/04—Sorting fish; Separating ice from fish packed in ice
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Wood Science & Technology (AREA)
- Signal Processing (AREA)
- Zoology (AREA)
- Food Science & Technology (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 인공지능(AI) 시스템을 적용한 자동 어류 선별장치에 관한 것으로, 어류의 크기 또는 기형유무에 따른 선별을 하기 위해 어류가 지나가는 복수의 수조와, 상기 수조를 지나가는 어류를 360도 촬영할 수 있도록 설치되는 촬영 카메라부와, 상기 촬영 카메라부를 통해 촬영한 영상을 이용하여 이미지 데이터를 인공지능 데이터화하여 AI 데이터를 생성하고, 생성된 AI 데이터를 수집하여 크기별 또는 기형별 성장 AI 데이터를 분류 확보하는 AI 제어부와, 상기 AI 제어부에 의해 크기별 또는 기형별 성장 AI 데이터를 분류 확보된 어류를 선별하도록 상기 수조를 개폐하는 개폐기를 포함하여, 인공지능(AI) 알고리즘을 통하여 자동으로 크기 및 기형을 선별함으로써 수작업에 비해 선별 오류가 현저히 적어지고 최소 인력으로 선별작업을 수행할 수 있다.
Description
본 발명은 인공지능(Artificial Intelligence, AI) 시스템을 적용한 자동 어류 선별장치 및 자동 어류 선별방법에 관한 것으로, 보다 상세하게는 인공지능(AI) 알고리즘을 통하여 자동으로 크기 및 기형을 선별함으로써 수작업에 비해 선별 오류가 현저히 적어지고 최소 인력으로 선별작업을 수행할 수 있는 인공지능(AI) 시스템을 적용한 자동 어류 선별장치 및 자동 어류 선별방법에 관한 것이다.
양식장 등에 있어서, 양식어류를 사육하는 동안에 수차례 실행되고 있는 양식어의 대소의 선별작업은 대부분 선별자가 하나씩 육안으로 확인하는 수작업에 의존하고 있다.
이와 같이, 종래의 양식장에서 사용하는 어류 선별 방법은 사람이 직관과 경험에 의존하여 수작업으로 선별하는 방법으로서, 선별자의 선별능력 차이에 따른 선별의 정확도가 미비하여 선별 오류율이 높고 선별 인력이 많이 필요하여 선별 작업이 비능률적일 뿐 아니라 선별과정에서 소요되는 비용 등으로 인해 양식비용이 크게 증가되고 비효율적인 문제가 있었다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출한 것으로서, 어류의 성장 시기별 크기, 기형별 어류의 이미지 데이터를 확보하여 확보한 데이터에 "어 노테이션 작업(이미지 의미부여 라벨링 작업)"을 통해 어노테이션 데이터화하여 컴퓨터에 코딩을 하고 인공지능(AI) 알고리즘을 통하여 자동으로 크기 및 기형을 선별하는 장치로서 수작업에 비해 선별 오류가 현저히 적어지고 최소 인력으로 선 별작업을 수행할 수 있는 장점이 있는 자동 어류 선별장치 및 자동 어류 선별방법 을 제공하는데 그 목적이 있다.
본 발명의 일 실시예에 따른 인공지능을 적용한 자동 어류 선별 방법은, 어류의 360도 영상을 획득하는 단계; 적어도 하나의 어류의 성장 시기에 따른 크기 및 기형 별 영상을 기초로 트레이닝된 인공지능 모델을 이용하여, 획득된 360도 영상을 기초로 어류의 크기 및 기형 유무에 관한 정보를 획득하는 단계; 및 어류의 크기 및 기형 유무에 관한 정보를 제공하는 단계를 포함하고, 인공지능 모델은, 입력 데이터 및 타겟 데이터를 이용하여 트레이닝되고, 입력 데이터는, 적어도 하나의 어류의 영상으로부터 생성되며, 타겟 데이터는, 입력 데이터에 대응되는 어류의 크기 및 기형 유무를 지정하는 라벨링(labelling) 정보로부터 생성될 수 있다.
본 발명의 일 실시예에 따른 인공지능을 적용한 자동 어류 선별 방법에 있어서, 상기 어류의 크기 및 기형 유무에 관한 정보를 획득하는 단계는, 바운딩 박스(bounding box)를 이용하여 어류의 360도 영상으로부터 어류를 검출하는 단계; 및 어류가 검출된 바운딩 박스에 대응되는 360도 영상의 정보를 인공지능 모델에 입력하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 인공지능을 적용한 자동 어류 선별 방법은, 기 설정된 시구간 동안 복수의 카메라를 이용하여 어류를 촬영한 결과 생성된, 복수의 360도 영상을 획득하는 단계; 및 복수의 360도 영상 중 하나를 인공지능 모델의 입력을 위한 키 프레임으로 식별하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 인공지능을 적용한 자동 어류 선별 방법은, 획득된 어류의 360도 영상에, 가우시안 노이즈(gaussian noise) 제거, 컨트라스트(contrast) 조정 및 샤프닝(sharpening) 중 적어도 하나의 전처리를 수행하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 인공지능을 적용한 자동 어류 선별 방법은, 바운딩 박스를 이용하여 적어도 하나의 어류의 영상으로부터 어류를 검출하는 단계; 상기 어류가 검출된 바운딩 박스에 어류의 크기 및 기형 유무에 대한 라벨링을 수행하는 단계; 및 라벨링에 기초하여, 적어도 하나의 어류의 영상을 어류의 성장 시기에 따른 크기 및 기형 유무에 따라 분류하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 인공지능을 적용한 자동 어류 선별 방법에 있어서, 인공지능 모델은 적어도 하나의 가중치를 포함하는 적어도 하나의 레이어를 포함하고, 인공지능 모델은 입력 데이터가 적어도 하나의 인공지능 모델에 입력됨으로써 획득되는 어류의 크기 및 기형 유무에 관한 정보와 라벨링 정보 사이의 차이가 감소되도록 적어도 하나의 가중치의 값을 변경함으로써 트레이닝될 수 있다.
본 발명의 일 실시예에 따른 인공지능을 적용한 자동 어류 선별 장치는, 입력부; 출력부; 하나 이상의 명령어들을 저장하는 메모리; 및 메모리에 저장된 하나 이상의 명령어들을 실행하는 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로세서는, 입력부를 통해 어류의 360도 영상을 획득하고, 적어도 하나의 어류의 성장 시기에 따른 크기 및 기형 별 영상을 기초로 트레이닝된 인공지능 모델을 이용하여, 획득된 360도 영상을 기초로 어류의 크기 및 기형 유무에 관한 정보를 획득하며, 출력부를 통해 어류의 크기 및 기형 유무에 관한 정보를 제공하고,
인공지능 모델은, 입력 데이터 및 타겟 데이터를 이용하여 트레이닝되고, 입력 데이터는, 적어도 하나의 어류의 영상으로부터 생성되며, 타겟 데이터는, 입력 데이터에 대응되는 어류의 크기 및 기형 유무를 지정하는 라벨링(labelling) 정보로부터 생성될 수 있다.
본 발명의 일 실시예에 따른 인공지능을 적용한 자동 어류 선별 방법을 수행하도록 하는 프로그램이 저장된 기록매체를 포함하는 컴퓨터 프로그램 제품에 있어서, 자동 어류 선별 방법은, 어류의 360도 영상을 획득하는 동작; 적어도 하나의 어류의 성장 시기에 따른 크기 및 기형 별 영상을 기초로 트레이닝된 인공지능 모델을 이용하여, 획득된 360도 영상을 기초로 어류의 크기 및 기형 유무에 관한 정보를 획득하는 동작; 및 어류의 크기 및 기형 유무에 관한 정보를 제공하는 동작을 포함하고, 인공지능 모델은, 입력 데이터 및 타겟 데이터를 이용하여 트레이닝되고, 입력 데이터는, 적어도 하나의 어류의 영상으로부터 생성되며, 타겟 데이터는, 입력 데이터에 대응되는 어류의 크기 및 기형 유무를 지정하는 라벨링(labelling) 정보로부터 생성될 수 있다.
이상에서 살펴본 바와 같은 본 발명에 의하면, 어류의 성장 시기별 크기, 기 형별 어류의 이미지 데이터를 확보하여 확보한 데이터에 "어노테이션 작업(이미지 의미부여 라벨링 작업)"을 통해 어노테이션 데이터화하여 컴퓨터에 코딩을 하고 인공지능(AI) 알고리즘을 통하여 자동으로 크기 및 기형을 선별하는 장치로서 수작 업에 비해 선별 오류가 현저히 적어지고 최소 인력으로 선별작업을 수행할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 자동 어류 선별 시스템을 설명하기 위한 개념도이다.
도 2는 본 발명의 일 실시예에 따라 획득되는 어류의 360도 영상을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 어류의 360도 영상들 중 키프레임으로 선택된 360도 영상을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 자동 어류 선별 장치에서 바운딩 박스를 이용하여 어류를 검출하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 자동 어류 선별 장치에서 수행되는 어노테이션(annotation) 작업을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따라 어류의 크기에 관한 라벨링 정보가 생성된 데이터를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따라 어류의 기형에 관한 라벨링 정보가 생성된 데이터를 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 인공지능을 적용한 자동 어류 선별 방법을 설명하기 위한 흐름도이다.
도 9는 본 발명의 일 실시예에 따른 인공지능을 적용한 자동 어류 선별 장치의 블록도이다.
도 2는 본 발명의 일 실시예에 따라 획득되는 어류의 360도 영상을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 어류의 360도 영상들 중 키프레임으로 선택된 360도 영상을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 자동 어류 선별 장치에서 바운딩 박스를 이용하여 어류를 검출하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 자동 어류 선별 장치에서 수행되는 어노테이션(annotation) 작업을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따라 어류의 크기에 관한 라벨링 정보가 생성된 데이터를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따라 어류의 기형에 관한 라벨링 정보가 생성된 데이터를 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 인공지능을 적용한 자동 어류 선별 방법을 설명하기 위한 흐름도이다.
도 9는 본 발명의 일 실시예에 따른 인공지능을 적용한 자동 어류 선별 장치의 블록도이다.
이하에서는 첨부된 도면들을 참조하여 본 발명의 바람직한 실시예에 대해 상 세하게 설명한다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아 니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예는 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위 해 제공되는 것이다.
도 1은 본 발명의 일 실시예에 따른 자동 어류 선별 시스템을 설명하기 위한 개념도이다.
도 1을 참조하면, 자동 어류 선별 시스템은 수조들(A, B, C)과 복수의 카메라 센서(예를 들어, 112a, 114a, 116a, 118a )로 구성된 촬영 시스템(110) 및 자동 어류 선별 장치(120)를 포함할 수 있다. 다만, 이는 일 예일 뿐, 자동 어류 선별 시스템의 구성 요소가 전술한 예에 한정되는 것은 아니다.
일 실시예에 따른 자동 어류 선별 시스템의 수조들(A, B, C)에는 각각 복수의 카메라 센서(예를 들어, 112a, 114a, 116a, 118a)가 구비될 수 있다. 복수의 카메라 센서(예를 들어, 112a, 114a, 116a, 118a)는 수조(예를 들어, A)를 통과하는 어류(10)를 촬영할 수 있다. 일 실시예에 따른 복수의 카메라 센서는 자동 어류 선별 장치(120)로부터 전송되는 제어 신호에 기초하여 어류(10)의 촬영을 수행할 수 있다. 다만, 이는 일 예일 뿐, 다른 실시예에 따라, 외부의 제어 장치에 의해 복수의 카메라 센서(예를 들어, 112a, 114a, 116a, 118a)를 이용한 어류(10)의 촬영이 수행될 수도 있다. 수조(예를 들어, A)는 개폐기를 구비하고 있어, 수조(예를 들어, A) 를 통과하는 어류(10)의 흐름을 제어할 수 도 있으며, 개폐기는 수조(예를 들어, A) 내의 수량을 조정하기 위해 제어될 수도 있다. 또한, 영상 촬영 및 성장 AI 데이터이 분류 확보가 완료된 어류를 선별하도록 수조(예를 들어, A)의 일면(바람직하게는 수조의 하면)에도 개폐기가 설치될 수 있다.
복수의 카메라 센서(예를 들어, 112a, 114a, 116a, 118a)를 통해 촬영된 어류(10)의 영상들로부터 360도 영상이 획득될 수 있다. 예를 들어, 자동 어류 선별 장치(120)는 어류(10)의 영상들을 각 카메라 센서의 FoV(field of view)를 고려하여 스팅칭할 수 있으며, 스티칭을 통해 하나의 360도 영상이 획득될 수 있다. 다만, 이는 일 예일 뿐, 어류(10)의 영상들에 스티칭을 수행하여 하나의 360도 영상을 획득하는 프로세스는 자동 어류 선별 장치(120)와 별도의 다른 영상 처리 장치에서 수행될 수도 있다. 이 경우, 자동 어류 선별 장치(120)는 다른 영상 처리 장치로부터 360도 영상을 수신할 수 있다.
자동 어류 선별 장치(120)는 수조 A 뿐만 아니라, 수조 B에 구비된 복수의 카메라 센서(112b, 114b, 116b, 118b)를 통해 촬영된 영상들로부터 생성된 적어도 하나의 360도 영상을 획득할 수 있다. 또한, 자동 어류 선별 장치(120)는 수조 C에 구비된 복수의 카메라 센서(112c, 114c, 116c, 118c)를 통해 촬영된 영상들로부터 생성된 적어도 하나의 360도 영상을 획득할 수 있다.
자동 어류 선별 장치(120)는 수조 A, 수조 B, 수조 C 각각을 통과하는 어류(10)에 대한 복수의 360도 영상들 중 하나를 키 프레임으로 선택할 수 있다. 자동 어류 선별 장치(120)는 키 프레임으로 선택된 360도 영상을 기초로, 적어도 하나의 어류의 성장 시기에 따른 크기 및 기형 별 영상을 기초로 트레이닝된 인공지능 모델을 이용하여 어류(10)의 크기 및 기형 유무에 관한 정보를 획득할 수 있다. 인공지능 모델은 입력 데이터 및 타겟 데이터를 이용하여 트레이닝되며, 입력 데이터는 이전에 획득된 적어도 하나의 어류의 영상들로부터 생성된다. 또한, 타겟 데이터는, 입력 데이터에 대응되는 어류의 크기 및 기형 유무를 지정하는 라벨링(labelling) 정보로부터 생성될 수 있다.
자동 어류 선별 장치(120)는 어류(10)의 크기 및 기형 유무를 판단하기 위해서는, 키 프레임으로 선택된 360도 영상으로부터 어류(10)를 검출해야 한다. 360도 영상 내에서 어류(10)의 검출을 위해, 영상 내의 특정 객체의 종류와 객체의 위치를 나타내는 사각형 형태의 바운딩 박스(bounding box) 정보가 필요할 수 있다. 이를 위해, Faster R-CNN, SSD (single shot multibox detector), YOLO (you only look once) 등의 알고리즘이 적용될 수 있으나, 본 발명에 따른 자동 어류 선별 장치(120)에서 360도 영상으로부터 어류(10)를 검출하기 위한 방법이 전술한 예에 한정되는 것은 아니다.
자동 어류 선별 장치는 어류(10)가 검출된 바운딩 박스 부분의 360도 영상의 정보를 인공지능 모델에 입력할 수 있다. 이에 따라, 자동 어류 선별 장치(120)는 인공지능 모델의 출력으로 어류(10)의 크기 및 기형 유무에 관한 정보를 획득할 수 있다. 자동 어류 선별 장치(120)는 획득된 어류(10)의 크기 및 기형 유무에 관한 정보가 디스플레이에 출력되도록 이미지 정보로 제공하거나, 이를 사운드 정보로 제공할 수도 있다.
한편, 일 실시예에 따라 인공지능 모델은 자동 어류 선별 장치(120)에 저장될 수 있다. 다만, 이는 일 실시예일 뿐, 인공지능 모델은 외부의 서버에 저장되어 있고, 자동 어류 선별 장치(120)가 외부의 서버에 키 프레임으로 선택된 360도 영상을 전송하고, 360도 영상을 기초로 획득된 어류(10)의 크기 및 기형 유무에 관한 정보를 외부의 서버로부터 수신할 수도 있다.
도 2는 본 발명의 일 실시예에 따라 획득되는 어류의 360도 영상을 설명하기 위한 도면이다.
도 2를 참조하면, 수조에 구비된 복수의 카메라들(210, 220, 230, 240)을 이용하여 어류가 촬영될 수 있다. 복수의 카메라들(210, 220, 230, 240)로부터 촬영된 어류의 영상들은 스티칭을 통해 하나의 360도 영상으로 획득될 수 있다.
자동 어류 선별 장치는 어류가 복수의 수조 각각을 유영하는 동안 촬영된 영상들을 기초로 생성된 복수의 360도 영상들을 획득할 수 있다.
일 실시예에 따라, 복수의 카메라들(210, 220, 230, 240)로부터 촬영된 어류의 영상들에 스티칭을 수행하기 전에, 각 촬영 영상들로부터 RoI (region of interest)를 추출하여 불필요한 영역을 없애는 전처리 과정이 수행될 수도 있다. 일련의 전처리 과정 및 스티칭 과정은 자동 어류 선별 장치에서 수행될 수 있으나, 다른 실시예에 따라 별도의 영상 처리 장치에서 일련의 전처리 과정 및 스티칭 과정이 수행될 수도 있다.
도 3은 본 발명의 일 실시예에 따른 어류의 360도 영상들 중 키프레임으로 선택된 360도 영상을 설명하기 위한 도면이다.
도 3을 참조하면, 자동 어류 선별 장치는 어류의 복수의 360도 영상들 중 하나를 키 프레임으로 선택할 수 있다. 자동 어류 선별 장치는 복수의 360도 영상들 중 어류의 크기 및 기형 유무를 판단하기에 가장 적합한 360도 영상을 키 프레임으로 선택할 수 있다.
일 실시예에 따른 자동 어류 선별 장치는 어류의 윤곽이 온전하게 렌더링되거나, 윤곽이 명확한 360도 영상을 키 프레임으로 선택할 수 있다. 다른 실시예에 따른 자동 어류 선별 장치는 어류의 종류 별로, 크기 또는 기형 유무를 판단하는데 주요한 부위의 윤곽이 명확하게 렌더링된 360도 영상을 키 프레임으로 선택할 수 있다. 예를 들어, 타입 A의 어류인 경우, 아가미 부분이 기형 유무를 판단하는데 주요한 부위일 수 있다. 이러한 경우, 자동 어류 선별 장치는 타입 A의 어류에 대해, 복수의 360도 영상들 중 아가미 부분의 윤곽이 명확하게 렌더링된 360도 영상을 키 프레임으로 선택할 수 잇다.
도 4는 본 발명의 일 실시예에 따른 자동 어류 선별 장치에서 바운딩 박스를 이용하여 어류를 검출하는 방법을 설명하기 위한 도면이다.
도 4를 참조하면, 자동 어류 선별 장치는 복수의 키 포인트(1 내지 12)를 활용하여 어류를 검출하기 위한 바운딩 박스(410)를 생성할 수 있다. 이 때, 바운딩 박스를 생성하기 위해 이용되는 복수의 키 포인트는 어류 별로 다르게 설정될 수도 있다. 또한, 키 포인트의 설정 방법은 바운딩 박스(410)를 적용하여 객체를 검출하는데 이용되는 알고리즘에 따라 상이할 수 있다.
도 5는 본 발명의 일 실시예에 따른 자동 어류 선별 장치에서 수행되는 어노테이션(annotation) 작업을 설명하기 위한 도면이다.
본 개시에서, 어노테이션(annotation)은 라벨링(labelling)과 동일한 의미로 사용될 수 있다.
도 5를 참조하면, 자동 어류 선별 장치는 히트맵, 세그먼트 맵, 키 포인트 등을 기초로 바운딩 박스를 생성할 수 있다.
자동 어류 선별 장치는 어류가 생성된 바운딩 박스에 크기 및 기형 유무 중 적어도 하나를 설명하는 라벨링 정보를 입력할 수 있다. 한편, 자동 어류 선별 장치는 360도 영상으로부터 보다 정확하게 어류를 검출하기 위해, 가우시안 노이즈(gaussian noise) 제거, 컨트라스터(contrast) 조정 및 샤프닝(sharpening) 중 적어도 하나의 전처리를 수행할 수 있다.
또한, 자동 어류 선별 장치는 서로 다른 타입의 어류들 각각에 대해 성장 시기별 크기 및 기형 유무에 따른 정보를 라벨링할 수 있다. 자동 어류 선별 장치는 어노테이션 작업에 의해 라벨링 정보가 생성된 복수의 360도 영상들을 어류의 종류, 성장 시기에 따라 크기 별로 또는 기형 유무 별로 분류하여 저장할 수 있다. 또한, 자동 어류 선별 장치는 분류되어 저장된 360도 영상들을 인공지능 모델의 트레이닝에 이용함으로써, 어류 선별의 정확도를 높일 수 있다.
도 6은 본 발명의 일 실시예에 따라 어류의 크기에 관한 라벨링 정보가 생성된 데이터를 설명하기 위한 도면이다.
도 6을 참조하면, 자동 어류 선별 장치는 크기에 관한 라벨링 정보가 생성된 데이터를 어류의 성장 별로, 분류하여 저장할 수 있다. 예를 들어, 자동 어류 선별 장치는 붉바리 치어에 대해 7-8cm의 라벨링 정보를 생성하고, 붉바리 중간육성어에 대해 15-17cm의 라벨링 정보를 생성할 수 있다. 또한, 자동 어류 선별 장치는 붉바리 친어에 대해 30cm의 라벨링 정보를 생성할 수 있다.
도 7은 본 발명의 일 실시예에 따라 어류의 기형에 관한 라벨링 정보가 생성된 데이터를 설명하기 위한 도면이다.
도 7을 참조하면, 자동 어류 선별 장치는 기형에 관한 라벨링 정보가 생성된 데이터를 기형이 발생하는 부위 별로 분류하여 저장할 수 있다. 예를 들어, 자동 어류 선별 장치는 붉바리 치어에 360도 영상에 대해, 정상, 두부 기형, 턱 기형, 아가미 뚜껑 기형 각각의 라벨링 정보를 생성할 수 있다.
도 8은 본 발명의 일 실시예에 따른 인공지능을 적용한 자동 어류 선별 방법을 설명하기 위한 흐름도이다.
단계 S810에서, 자동 어류 선별 장치는 어류의 360도 영상을 획득할 수 있다. 자동 어류 선별 장치는 기 설정된 시구간 동안 복수의 카메라를 이용하여 어류를 촬영한 결과 생성된, 복수의 360도 영상을 획득할 수 있다. 자동 어류 선별 장치는 복수의 360도 영상 중 하나를 인공지능 모델의 입력을 위한 키 프레임으로 식별할 수 있다.
일 실시예에 따른 자동 어류 선별 장치는 획득된 어류의 360도 영상에, 가우시안 노이즈(gaussian noise) 제거, 컨트라스트(contrast) 조정 및 샤프닝(sharpening) 중 적어도 하나의 전처리를 수행할 수 있다.
단계 S820에서, 자동 어류 선별 장치는 적어도 하나의 어류의 성장 시기에 따른 크기 및 기형 별 영상을 기초로 트레이닝된 인공지능 모델을 이용하여, 획득된 360도 영상을 기초로 상기 어류의 크기 및 기형 유무에 관한 정보를 획득할 수 있다.
일 실시예에 따른 자동 어류 선별 장치는 바운딩 박스를 이용하여 어류의 360도 영상으로부터 어류를 검출할 수 있다. 자동 어류 선별 장치는 어류가 검출된 바운딩 박스에 대응되는 360도 영상의 정보를 인공지능 모델에 입력할 수 있다.
한편, 자동 어류 선별 장치는 어류의 360도 영상의 획득 전에 미리 획득한 적어도 하나의 어류 영상으로부터, 트레이닝을 위해, 바운딩 박스를 이용하여 어류를 검출할 수 있다. 자동 어류 선별 장치는 인공지능 모델의 트레이닝을 위한 타겟 데이터를 생성하기 위해, 어류가 검출된 바운딩 박스에 상기 어류의 크기 및 기형 유무에 대한 라벨링을 수행할 수 있다. 자동 어류 선별 장치는 라벨링에 기초하여, 적어도 하나의 어류의 영상을 어류의 성장 시기에 따른 크기 및 기형 유무에 따라 분류할 수 있다.
인공지능 모델은 적어도 하나의 가중치를 포함하는 적어도 하나의 레이어를 포함할 수 있다. 인공지능 모델은 입력 데이터가 적어도 하나의 인공지능 모델에 입력됨으로써 획득되는 어류의 크기 및 기형 유무에 관한 정보와 라벨링 정보 사이의 차이가 감소되도록 적어도 하나의 가중치의 값을 변경함으로써 훈련될 수 있다.
단계 S830에서, 자동 어류 선별 장치는 어류의 크기 및 기형 유무에 관한 정보를 제공할 수 있다. 자동 어류 선별 장치는 획득된 어류의 크기 및 기형 유무에 관한 정보가 디스플레이에 출력되도록 이미지 정보로 제공하거나, 이를 사운드 정보로 제공할 수도 있다.
도 9는 본 발명의 일 실시예에 따른 인공지능을 적용한 자동 어류 선별 장치(900)의 블록도이다.
도 9를 참조하면, 자동 어류 선별 장치(900)는 입력부(910), 프로세서(920), 출력부(930) 및 메모리(940)를 포함할 수 있다. 그러나 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 전자 장치(900)가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 자동 어류 선별 장치(900)는 구현될 수 있다.
입력부(910)는, 자동 어류 선별 장치 (900)의 구성요소(예: 프로세서(920))에 사용될 명령 또는 데이터를 자동 어류 선별 장치 (900)의 외부로부터 수신할 수 있다. 예를 들어, 입력부(910)는 외부 장치에 구비된 카메라에서 촬영된 결과 생성된 어류의 360도 영상을, 외부 장치로부터 수신할 수 있다.
프로세서(920)는 통상적으로 자동 어류 선별 장치(900)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(920)는 메모리(940)에 저장된 프로그램들을 실행함으로써, 어류의 크기 및 기형 유무 중 적어도 하나를 식별할 수 있다.
일 실시예에 따른 프로세서(920)는 입력부(910)를 통해 어류의 360도 영상을 획득할 수 있다. 프로세서(920)는 적어도 하나의 어류의 성장 시기에 따른 크기 및 기형 별 영상을 기초로 트레이닝된 인공지능 모델을 이용하여, 획득된 360도 영상을 기초로 어류의 크기 및 기형 유무에 관한 정보를 획득할 수 있다. 프로세서(920)는 출력부(930)를 통해 어류의 크기 및 기형 유무에 관한 정보를 제공할 수 있다.
출력부(930)는 프로세서(920)의 결정에 따라, 신호를 출력하는 장치로서 신호는 사운드 형태 또는 이미지 형태로 출력될 수 있다. 예를 들어, 출력부(930)는 어류의 크기 및 기형 유무에 관한 정보가 표시된 영상을 출력하거나, 기형이 있는 어류가 식별됨을 알리는 사운드를 출력할 수 있다.
메모리(940)는 자동 어류 선별 장치(900)가 본 발명에 따른 인공지능을 적용한 자동 어류 선별 방법을 수행하도록 하는 프로그램을 저장할 수 있다. 또한, 메모리(940)는 어류를 촬영한 결과 획득된 복수의 360도 영상들을 저장할 수 있다. 메모리(940)는 어류의 크기 및 기형 유무를 식별하기 위해 트레이닝 된 인공지능 모델을 저장할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다.
본 발명에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 발명에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들의 분포는 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들의 분포가 갱신될 수 있다.
본 발명에 따른 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다.
본 발명에서 인용하는 공개 문헌, 특허 출원, 특허 등을 포함하는 모든 문헌들은 각 인용 문헌이 개별적으로 및 구체적으로 병합하여 나타내는 것 또는 본 발명에서 전체적으로 병합하여 나타낸 것과 동일하게 본 발명에 병합될 수 있다.
본 발명의 이해를 위하여, 도면에 도시된 바람직한 실시 예들에서 참조 부호를 기재하였으며, 본 발명의 실시 예들을 설명하기 위하여 특정 용어들을 사용하였으나, 특정 용어에 의해 본 발명이 한정되는 것은 아니며, 본 발명은 당업자에 있어서 통상적으로 생각할 수 있는 모든 구성 요소들을 포함할 수 있다.
본 발명은 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 발명은 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 본 발명에의 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 발명은 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 발명은 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. "매커니즘", "요소", "수단", "구성"과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. 마지막으로, 본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
A, B, C: 수조
Claims (13)
- 어류의 360도 영상을 획득하는 단계;
적어도 하나의 어류의 성장 시기에 따른 크기 및 기형 별 영상을 기초로 트레이닝된 인공지능 모델을 이용하여, 상기 획득된 360도 영상을 기초로 상기 어류의 크기 및 기형 유무에 관한 정보를 획득하는 단계; 및
상기 어류의 크기 및 기형 유무에 관한 정보를 제공하는 단계를 포함하고,
상기 인공지능 모델은, 입력 데이터 및 타겟 데이터를 이용하여 트레이닝되고,
상기 입력 데이터는, 상기 적어도 하나의 어류의 영상으로부터 생성되며,
상기 타겟 데이터는, 상기 입력 데이터에 대응되는 어류의 크기 및 기형 유무를 지정하는 라벨링(labelling) 정보로부터 생성되는, 인공지능을 적용한 자동 어류 선별 방법. - 제1항에 있어서, 상기 어류의 크기 및 기형 유무에 관한 정보를 획득하는 단계는,
바운딩 박스(bounding box)를 이용하여 상기 어류의 360도 영상으로부터 상기 어류를 검출하는 단계; 및
상기 어류가 검출된 바운딩 박스에 대응되는 360도 영상의 정보를 상기 인공지능 모델에 입력하는 단계를 포함하는, 인공지능을 적용한 자동 어류 선별 방법. - 제1항에 있어서,
기 설정된 시구간 동안 복수의 카메라를 이용하여 상기 어류를 촬영한 결과 생성된, 복수의 360도 영상을 획득하는 단계; 및
상기 복수의 360도 영상 중 하나를 상기 인공지능 모델의 입력을 위한 키 프레임으로 식별하는 단계를 더 포함하는, 인공지능을 적용한 자동 어류 선별 방법. - 제1항에 있어서,
상기 획득된 어류의 360도 영상에, 가우시안 노이즈(gaussian noise) 제거, 컨트라스트(contrast) 조정 및 샤프닝(sharpening) 중 적어도 하나의 전처리를 수행하는 단계를 더 포함하는, 인공지능을 적용한 자동 어류 선별 방법. - 제 1 항에 있어서,
바운딩 박스를 이용하여 상기 적어도 하나의 어류의 영상으로부터 어류를 검출하는 단계;
상기 어류가 검출된 바운딩 박스에 상기 어류의 크기 및 기형 유무에 대한 라벨링을 수행하는 단계; 및
상기 라벨링에 기초하여, 상기 적어도 하나의 어류의 영상을 어류의 성장 시기에 따른 크기 및 기형 유무에 따라 분류하는 단계를 더 포함하는, 인공지능을 적용한 자동 어류 선별 방법. - 제1항에 있어서,
상기 인공지능 모델은 적어도 하나의 가중치를 포함하는 적어도 하나의 레이어를 포함하고,
상기 인공지능 모델은 상기 입력 데이터가 상기 적어도 하나의 인공지능 모델에 입력됨으로써 획득되는 어류의 크기 및 기형 유무에 관한 정보와 상기 라벨링 정보 사이의 차이가 감소되도록 상기 적어도 하나의 가중치의 값을 변경함으로써 트레이닝되는, 인공지능을 적용한 자동 어류 선별 방법. - 입력부;
출력부;
하나 이상의 명령어들을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 명령어들을 실행하는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는,
상기 입력부를 통해 어류의 360도 영상을 획득하고,
적어도 하나의 어류의 성장 시기에 따른 크기 및 기형 별 영상을 기초로 트레이닝된 인공지능 모델을 이용하여, 상기 획득된 360도 영상을 기초로 상기 어류의 크기 및 기형 유무에 관한 정보를 획득하며,
상기 출력부를 통해 상기 어류의 크기 및 기형 유무에 관한 정보를 제공하고,
상기 인공지능 모델은, 입력 데이터 및 타겟 데이터를 이용하여 트레이닝되고,
상기 입력 데이터는, 상기 적어도 하나의 어류의 영상으로부터 생성되며,
상기 타겟 데이터는, 상기 입력 데이터에 대응되는 어류의 크기 및 기형 유무를 지정하는 라벨링(labelling) 정보로부터 생성되는, 인공지능을 적용한 자동 어류 선별 장치. - 제7항에 있어서, 상기 적어도 하나의 프로세서는,
바운딩 박스(bounding box)를 이용하여 상기 어류의 360도 영상으로부터 상기 어류를 검출하고,
상기 어류가 검출된 바운딩 박스에 대응되는 360도 영상의 정보를 상기 인공지능 모델에 입력하는, 인공지능을 적용한 자동 어류 선별 장치. - 제7항에 있어서, 상기 적어도 하나의 프로세서는,
기 설정된 시구간 동안 복수의 카메라를 이용하여 상기 어류를 촬영한 결과 생성된, 복수의 360도 영상을, 상기 입력부를 통해 획득하고,
상기 복수의 360도 영상 중 하나를 상기 인공지능 모델의 입력을 위한 키 프레임으로 식별하는, 인공지능을 적용한 자동 어류 선별 장치. - 제7항에 있어서, 상기 적어도 하나의 프로세서는,
상기 획득된 어류의 360도 영상에, 가우시안 노이즈(gaussian noise) 제거, 컨트라스트(contrast) 조정 및 샤프닝(sharpening) 중 적어도 하나의 전처리를 수행하는 단계를 더 포함하는, 인공지능을 적용한 자동 어류 선별 장치. - 제 7 항에 있어서, 상기 적어도 하나의 프로세서는,
바운딩 박스를 이용하여 상기 적어도 하나의 어류의 영상으로부터 어류를 검출하고,
상기 어류가 검출된 바운딩 박스에 상기 어류의 크기 및 기형 유무에 대한 라벨링을 수행하며,
상기 라벨링에 기초하여, 상기 적어도 하나의 어류의 영상을 어류의 성장 시기에 따른 크기 및 기형 유무에 따라 분류하는, 인공지능을 적용한 자동 어류 선별 장치. - 제7항에 있어서,
상기 인공지능 모델은 적어도 하나의 가중치를 포함하는 적어도 하나의 레이어를 포함하고,
상기 인공지능 모델은 상기 입력 데이터가 상기 적어도 하나의 인공지능 모델에 입력됨으로써 획득되는 어류의 크기 및 기형 유무에 관한 정보와 상기 라벨링 정보 사이의 차이가 감소되도록 상기 적어도 하나의 가중치의 값을 변경함으로써 트레이닝되는, 인공지능을 적용한 자동 어류 선별 장치. - 어류의 360도 영상을 획득하는 동작;
적어도 하나의 어류의 성장 시기에 따른 크기 및 기형 별 영상을 기초로 트레이닝된 인공지능 모델을 이용하여, 상기 획득된 360도 영상을 기초로 상기 어류의 크기 및 기형 유무에 관한 정보를 획득하는 동작; 및
상기 어류의 크기 및 기형 유무에 관한 정보를 제공하는 동작을 포함하고,
상기 인공지능 모델은, 입력 데이터 및 타겟 데이터를 이용하여 트레이닝되고,
상기 입력 데이터는, 상기 적어도 하나의 어류의 영상으로부터 생성되며,
상기 타겟 데이터는, 상기 입력 데이터에 대응되는 어류의 크기 및 기형 유무를 지정하는 라벨링(labelling) 정보로부터 생성되는 인공지능을 적용한 자동 어류 선별 방법을 수행하도록 하는 프로그램이 저장된 기록매체를 포함하는 컴퓨터 프로그램 제품.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20200149033 | 2020-11-10 | ||
| KR1020200149033 | 2020-11-10 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220063730A true KR20220063730A (ko) | 2022-05-17 |
Family
ID=81803472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210147661A KR20220063730A (ko) | 2020-11-10 | 2021-11-01 | 인공지능 시스템을 적용한 자동 어류 선별장치 및 자동 어류 선별방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220063730A (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102464158B1 (ko) * | 2022-06-22 | 2022-11-09 | 농업회사법인 유한회사 둔포축산 | 인공지능을 이용하는 육류 이송 시스템 |
| CN115690565A (zh) * | 2022-09-28 | 2023-02-03 | 大连海洋大学 | 融合知识与改进YOLOv5的养殖红鳍东方鲀目标检测方法 |
| NO347741B1 (en) * | 2022-12-20 | 2024-03-11 | Aquaticode Ltd | System and method for sorting animals |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100330319B1 (ko) | 2000-03-14 | 2002-04-01 | 주환용 | 어류 자동선별장치 |
-
2021
- 2021-11-01 KR KR1020210147661A patent/KR20220063730A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100330319B1 (ko) | 2000-03-14 | 2002-04-01 | 주환용 | 어류 자동선별장치 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102464158B1 (ko) * | 2022-06-22 | 2022-11-09 | 농업회사법인 유한회사 둔포축산 | 인공지능을 이용하는 육류 이송 시스템 |
| CN115690565A (zh) * | 2022-09-28 | 2023-02-03 | 大连海洋大学 | 融合知识与改进YOLOv5的养殖红鳍东方鲀目标检测方法 |
| CN115690565B (zh) * | 2022-09-28 | 2024-02-20 | 大连海洋大学 | 融合知识与改进YOLOv5的养殖红鳍东方鲀目标检测方法 |
| NO347741B1 (en) * | 2022-12-20 | 2024-03-11 | Aquaticode Ltd | System and method for sorting animals |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20220063730A (ko) | 인공지능 시스템을 적용한 자동 어류 선별장치 및 자동 어류 선별방법 | |
| CN111986784B (zh) | 医疗影像的元数据预测装置及方法 | |
| US10650518B2 (en) | Computer aided diagnosis (CAD) apparatus and method | |
| CN109919928B (zh) | 医学影像的检测方法、装置和存储介质 | |
| US9767557B1 (en) | Method and system for vascular disease detection using recurrent neural networks | |
| TWI743544B (zh) | 用於自動腫瘤偵測和分類的方法及系統 | |
| US20130251246A1 (en) | Method and a device for training a pose classifier and an object classifier, a method and a device for object detection | |
| US11704888B2 (en) | Product onboarding machine | |
| French et al. | Deep neural networks for analysis of fisheries surveillance video and automated monitoring of fish discards | |
| JP2015087903A (ja) | 情報処理装置及び情報処理方法 | |
| US11819347B2 (en) | Dental imaging system utilizing artificial intelligence | |
| JP2018512567A (ja) | 検査室自動化のためのサイドビューサンプルチューブ画像におけるバーコードタグ検出 | |
| JP2018512567A5 (ko) | ||
| CN109522970B (zh) | 图像分类方法、装置及系统 | |
| CN110008859A (zh) | 基于视觉的犬只重识别方法和装置 | |
| CN111008643A (zh) | 基于半监督学习的图片分类方法、装置和计算机设备 | |
| CN109711545A (zh) | 网络模型的创建方法、装置、系统和计算机可读介质 | |
| KR20200139606A (ko) | 자궁경부암 자동 진단 시스템 | |
| WO2024074921A1 (en) | Distinguishing a disease state from a non-disease state in an image | |
| US20220084194A1 (en) | Computer program, processor for endoscope, and information processing method | |
| CN112862745B (zh) | 基于人工神经网络的组织病变识别的训练方法及训练系统 | |
| WO2021065574A1 (ja) | 画像処理装置、画像処理方法、プログラム | |
| CN110210314B (zh) | 人脸检测方法、装置、计算机设备及存储介质 | |
| Obu et al. | Crop Disease Detection using Yolo V5 on Raspberry Pi | |
| CN109993191B (zh) | 信息处理方法及装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |