KR20220106397A - 머신러닝 기반의 가축 무게 예측 방법 및 장치 - Google Patents
머신러닝 기반의 가축 무게 예측 방법 및 장치 Download PDFInfo
- Publication number
- KR20220106397A KR20220106397A KR1020210009270A KR20210009270A KR20220106397A KR 20220106397 A KR20220106397 A KR 20220106397A KR 1020210009270 A KR1020210009270 A KR 1020210009270A KR 20210009270 A KR20210009270 A KR 20210009270A KR 20220106397 A KR20220106397 A KR 20220106397A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- machine learning
- information
- present disclosure
- weight prediction
- Prior art date
Links
- 244000144972 livestock Species 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010801 machine learning Methods 0.000 title claims abstract description 29
- 238000012937 correction Methods 0.000 claims description 8
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000003862 health status Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 2
- 241000283690 Bos taurus Species 0.000 description 58
- 235000015278 beef Nutrition 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 238000013135 deep learning Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 235000013365 dairy product Nutrition 0.000 description 7
- 230000035935 pregnancy Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 238000009395 breeding Methods 0.000 description 5
- 230000001488 breeding effect Effects 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 235000013372 meat Nutrition 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 238000007918 intramuscular administration Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000283725 Bos Species 0.000 description 1
- 235000006161 Mucuna pruriens Nutrition 0.000 description 1
- 244000111261 Mucuna pruriens Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G06T3/0006—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/22—Cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
머신러닝 기반의 가축 무게 예측 방법이 제공된다. 방법은 적어도 하나의 이미지를 수신하는 단계; 상기 적어도 하나의 이미지에 포함된 객체를 인식하는 단계; 상기 객체의 크롭 이미지를 생성하는 단계; 상기 크롭 이미지에 대해 삼중쌍 손실 학습을 수행하여 특징점(feature)을 생성하는 단계; 상기 특징점을 포함하는 이미지 정보 및 객체 정보를 기초로 상기 이미지 내 객체의 부피 값을 추정하는 단계; 및 상기 추정된 부피 값과 상기 이미지 정보 및 상기 객체 정보를 기초로 무게 값을 추정하는 단계; 를 포함할 수 있다.
Description
본 개시는 가축의 무게를 예측하는 방법에 관한 것으로, 보다 구체적으로는 가축의 측면 및 후면 이미지를 기초로 가축의 부피를 예측하고, 가축의 측면, 후면 이미지 및 가축의 부피를 기초로 가축의 무게를 예측하는 방법에 관한 것이다.
스마트 팜은 정보통신기술(ICT)을 축사와 축산 시설에 구축해 언제 어디서나 스마트 폰으로 축사환경과 가축을 관리하는 첨단 농장이다. 축사 온·습도, 악취 등 자동 조절, 가축의 운동량·체온 등 생체정보 측정을 통한 질병 조기감지, 수태 적기 예측 및 적정량의 사료와 물 등도 자동 공급될 수 있다. 육질(맛)이 좋은 고기를 생산하여 소비자들의 욕구를 충족함으로써 가축을 사육하는 축산농가나 식육유통을 담당하는 모두에게 이익이 될 수 있도록 하는 것은 매우 중요한 문제이고 이러한 결과를 기대하기 위해서는 가축 사육농가에서부터 시작하여 소비자들의 식탁에 이를 때까지 전 과정에서 품질관리가 매우 중요하다.
좋은 쇠고기 생산을 위한 소의 출하적기 관리가 요구된다. 통상 소의 출하 시기는 소 사육 농가의 기술수준, 사료비 등의 경영비, 시장가격의 형성 동향, 출하 여건 등을 신중히 고려하여 결정되어진다. 소의 출하 시기는 소 사육 농가의 소 사육 목표, 비육기술 수준과 비육방법, 소의 시장 거래가격, 사료가격 등을 종합적으로 고려하여 결정한다. 하지만 육질이 좋은 고급육을 생산하려는 한우의 출하적기는 근내 지방이 어느 정도 축적된 때, 예컨대 거세한우의 경우 생후 24 개월 령 내외이다. 이는 최적조건에서 한우를 사육할 때 근내 지방이 10개월 령 내외부터 24개월 령까지 직선적으로 축적되어 증가하지만 그 이후는 근내 지방이 축적이 완만하게 이루어지기 때문이다. 이러한 고급육 생산 한우의 일정한 월령과 체중에 도달한 소의 출하는 일정한 규격상품의 한우고기를 생산과 일정한 품질의 한우고기를 공급하는데 중요하다.
한우의 출하시점을 결정하는 가장 주요한 요인 중 하나는 무게이다. 통상 한우의 무게를 측정하기 위해서는 ‘우형기’라고 하는 소의 무게를 전용으로 측정할 수 있는 저울을 사용한다. 우형기에 소를 올려놓고 무게를 측정하기 위해서는 소를 저울까지 몰고와서 우형기 위에 올려야 하는데, 이로 인해 소가 스트레스를 받아 사료를 먹지 않거나, 상해를 입을 수 있는 등의 위험이 있다. 따라서, 우형기를 이용하여 무게를 재는 것은 출하직전에 실제의 무게를 확인하기 위한 목적으로만 활용할 수 있고, 보통은 직접 농민이 소의 무게를 눈으로 관찰 후 예측하는 방법을 사용하고 있다. 이러한 육안 예측 방법은 약 70~80% 정확도를 가져, 보는 농민마다 같은 소의 무게를 다르게 예측하는 등 정확하지 못하다는 문제점이 있다.
한국 등록특허 번호 제10-2014353호
본 개시는 소의 사양관리 및 출하시점을 결정할 수 있도록 보다 정확한 무게 예측 방법을 제공하고자 한다.
본 개시의 일 특징에 따르면, 머신러닝 기반의 가축 무게 예측 방법이 제공된다. 방법은 적어도 하나의 이미지를 수신하는 단계; 상기 적어도 하나의 이미지에 포함된 객체를 인식하는 단계; 상기 객체의 크롭 이미지를 생성하는 단계; 상기 크롭 이미지에 대해 삼중쌍 손실 학습을 수행하여 특징점(feature)을 생성하는 단계; 상기 특징점을 포함하는 이미지 정보 및 객체 정보를 기초로 상기 이미지 내 객체의 부피 값을 추정하는 단계; 및 상기 추정된 부피 값과 상기 이미지 정보 및 상기 객체 정보를 기초로 무게 값을 추정하는 단계;를 포함할 수 있다.
일 실시예에서, 상기 적어도 하나의 이미지는 상기 객체의 측면 이미지 및 상기 객체의 후면 이미지를 포함할 수 있다.
일 실시예에서, 상기 크롭 이미지에 대해 교정 알고리즘을 적용하여 교정된 크롭 이미지를 생성하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 교정된 크롭 이미지를 생성하는 단계는 랜드마크 예측(Landmark Estimation) 기법과 이미지 변환 기법(Affine transformations) 중 적어도 하나를 사용하여 수행될 수 있다.
일 실시예에서, 상기 이미지 정보는 상기 객체의 측면 이미지에 대한 128 개의 특징 값, 상기 객체의 측면 이미지에서 측정한 객체의 너비(width) 및 키(height), 상기 객체의 측면 이미지의 촬영 거리(distance), 상기 객체의 후면 이미지에 대한 128 개의 특징 값, 상기 객체의 후면 이미지에서 측정한 객체의 너비(width) 및 키(height), 상기 객체의 후면 이미지의 촬영 거리(distance)를 포함하고, 상기 객체 정보는 상기 객체의 월령, 품종, 건강상태, 성별 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 상기 부피 값을 추정하는 단계는 상기 이미지 정보 및 상기 객체 정보를 포함하는 265개의 입력으로 다중 히든 레이어 기반 기계학습 알고리즘을 사용하여 부피 값을 추정할 수 있다.
일 실시예에서, 상기 무게 값을 추정하는 단계는 상기 부피 값, 상기 이미지 정보 및 상기 객체 정보를 포함하는 266개의 입력으로 다중 히든 레이어 기반 기계학습 알고리즘을 사용하여 무게 값을 추정할 수 있다.
일 실시예에서, 상기 적어도 하나의 이미지에 포함된 객체를 인식하는 단계는 HoG(Histogram of Gradient) 알고리즘을 사용하여 HoG 표현된 이미지로 변환하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 객체의 크롭 이미지를 생성하는 단계는 상기 객체의 위치 좌표를 포함하는 객체의 영역 확인 및 영역 표시된 이미지를 생성하는 단계를 더 포함할 수 있다.
본 개시의 다른 특징에 따르면, 컴퓨터에 의해 실행 가능한, 하나 이상의 컴퓨터 판독가능 명령이 수록된 컴퓨터 판독가능 기록매체로서, 상기 하나 이상의 컴퓨터 판독가능 명령은, 상기 컴퓨터에 의해 실행되는 경우, 상기 컴퓨터로 하여금, 전술한 방법 중 어느 하나에 따른 방법을 수행하게 하는 컴퓨터 판독가능 기록매체가 제공된다.
본 개시의 실시예에 의하면, 소의 사양관리 및 출하시점을 결정할 수 있도록 보다 정확한 무게 예측 방법을 제공할 수 있다.
본 개시의 실시예에 의하면, 현장에서 소의 무게를 비접촉식으로 손쉽게 측정할 수 있게 됨으로써, 사용자는 각 한우의 현재 월령 및 무게 상태에 따라 비육을 어떻게 접근해야 할 지를 판단하는데 매우 중요한 정보를 보다 쉽게 획득할 수 있다.
본 개시의 실시예에 의하면, 스마트폰 등을 통해 애플리케이션으로 제공되어 현장에서 쉽게 활용할 수 있어, 생산성을 향상시키는데 도움을 줄 수 있다.
도 1은 본 개시의 일 실시예에 따른, 가축의 무게를 예측하기 위한 가축 무게 예측 장치의 기능을 개략적으로 도시한 기능 블록도이다.
도 2는 본 개시의 일 실시예에 따른, 도 1에 도시된 부피 추론부의 기능적 구성을 개략적으로 도시한 기능 블록도이다.
도 3a 내지 도 3c는 본 개시의 일 실시예에 따른 도 2에 도시된 객체 인식부에서 프로세싱한 예시적인 이미지 결과물을 도시한다.
도 4a 내지 도 4c는 본 개시의 일 실시예에 따른 도 2에 도시된 위치 교정부에서 프로세싱한 예시적인 이미지 결과물을 도시한다.
도 5a는 본 개시의 일실시예에 따른 삼중쌍 손실 학습부(206)에서 전체 학습 이미지에 대해서 삼중쌍 손실(Triplet loss) 학습을 수행하는 단계를 도시하는 도면이고, 도 5b는 본 개시의 일 실시예에 따른 삼중쌍 손실 학습부(206)에서 생성한 128개의 특징점 벡터를 예시적으로 도시하는 도면이다.
도 6은 본 개시의 일 실시예에 따른, 부피 예측 회귀 학습부에서 수행되는 선형 회귀(linear regression)를 위한 딥 러닝 학습 네트워크를 예시적으로 도시하는 도면이다.
도 7은 본 개시의 일 실시예에 따른, 도 1에 도시된 무게 추론부의 기능적 구성을 개략적으로 도시한 기능 블록도이다.
도 8은 본 개시의 일 실시예에 따른, 무게 예측 회귀 학습부에서 수행되는 선형 회귀(linear regression)를 위한 딥 러닝 학습 네트워크를 예시적으로 도시하는 도면이다.
도 2는 본 개시의 일 실시예에 따른, 도 1에 도시된 부피 추론부의 기능적 구성을 개략적으로 도시한 기능 블록도이다.
도 3a 내지 도 3c는 본 개시의 일 실시예에 따른 도 2에 도시된 객체 인식부에서 프로세싱한 예시적인 이미지 결과물을 도시한다.
도 4a 내지 도 4c는 본 개시의 일 실시예에 따른 도 2에 도시된 위치 교정부에서 프로세싱한 예시적인 이미지 결과물을 도시한다.
도 5a는 본 개시의 일실시예에 따른 삼중쌍 손실 학습부(206)에서 전체 학습 이미지에 대해서 삼중쌍 손실(Triplet loss) 학습을 수행하는 단계를 도시하는 도면이고, 도 5b는 본 개시의 일 실시예에 따른 삼중쌍 손실 학습부(206)에서 생성한 128개의 특징점 벡터를 예시적으로 도시하는 도면이다.
도 6은 본 개시의 일 실시예에 따른, 부피 예측 회귀 학습부에서 수행되는 선형 회귀(linear regression)를 위한 딥 러닝 학습 네트워크를 예시적으로 도시하는 도면이다.
도 7은 본 개시의 일 실시예에 따른, 도 1에 도시된 무게 추론부의 기능적 구성을 개략적으로 도시한 기능 블록도이다.
도 8은 본 개시의 일 실시예에 따른, 무게 예측 회귀 학습부에서 수행되는 선형 회귀(linear regression)를 위한 딥 러닝 학습 네트워크를 예시적으로 도시하는 도면이다.
이하, 첨부 도면을 참조하여 본 개시의 실시예에 관하여 상세히 설명한다. 이하에서는, 본 개시의 요지를 불필요하게 흐릴 우려가 있다고 판단되는 경우, 이미 공지된 기능 및 구성에 관한 구체적인 설명을 생략한다. 또한, 이하에서 설명하는 내용은 어디까지나 본 개시의 일 실시예에 관한 것일 뿐 본 개시가 이로써 제한되는 것은 아님을 알아야 한다.
본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 개시를 한정하려는 의도에서 사용된 것이 아니다. 예를 들면, 단수로 표현된 구성요소는 문맥상 명백하게 단수만을 의미하지 않는다면 복수의 구성요소를 포함하는 개념으로 이해되어야 한다. 또한, 본 개시의 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐이고, 이러한 용어의 사용에 의해 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하려는 것은 아니다.
본 명세서에 기재된 실시예에 있어서 '블록' 또는 '부'는 적어도 하나의 기능이나 동작을 수행하는 기능적 부분을 의미하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '블록' 또는 '부'는, 특정한 하드웨어로 구현될 필요가 있는 '블록' 또는 '부'를 제외하고는, 적어도 하나의 소프트웨어 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
덧붙여, 달리 정의되지 않는 한 기술적 또는 과학적인 용어를 포함하여, 본 명세서에서 사용되는 모든 용어들은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의된 용어들은, 관련 기술의 문맥상 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 개시의 명세서에서 명백하게 달리 정의하지 않는 한 과도하게 제한 또는 확장하여 해석되지 않는다는 점을 알아야 한다.
이하, 첨부된 도면을 참조하여, 본 개시의 실시예에 대해 구체적으로 설명하기로 한다.
도 1은 본 개시의 일 실시예에 따른, 가축의 무게를 예측하기 위한 가축 무게 예측 장치의 기능을 개략적으로 도시한 기능 블록도이다.
도 1에 도시된 바에 의하면, 가축 무게 예측 장치(100)는 데이터 입출력부(102), 부피 추론부(120), 무게 추론부(130) 및 데이터베이스(140)를 포함한다.
본 개시의 일 실시예에서, 데이터 입출력부(102)는 구체적으로 도시되지는 않았으나, 다양한 유형의 사용자 출력 장치들, 예컨대 모니터, 터치 스크린, 각종 디스플레이 장치 등을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 데이터 입출력부(102)의 사용자 출력 장치들을 통하여, 부피 추론부(120) 또는 무게 추론부(130)로부터 수신한 값을 사용자와의 인터랙션을 위한 그래픽 사용자 인터페이스 등을 통해 사용자에게 출력할 수 있다. 데이터 입출력부(102)는 또한, 구체적으로 도시되지는 않았으나, 다양한 유형의 사용자 입력 장치들, 예컨대 마우스, 키보드, 조이스틱, 카메라, 기타 각종 입력 장치 등을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 데이터 입출력부(102)의 입력 장치들을 통해, 사용자가 입력한 각종 사용자 정보가 수신될 수 있다.
본 개시의 일 실시예에 의하면, 데이터 입출력부(102)는 외부 또는 내부 메모리로부터 이미지 파일을 수신할 수 있다. 일 실시예에서, 이미지 파일은 다양한 형식의 파일일 수 있는데, 예컨대 .jpg, .pdf, .tiff 등의 확장자를 갖는 파일일 수 있으며, 다만 본 개시가 이로써 제한되는 것은 아니다. 이미지 파일은 분석 대상이 되는 가축을 피사체로 촬영된 것으로서, 예컨대 가축의 측면이 촬영된 사진 또는 가축의 후면(엉덩이)이 촬영된 사진일 수 있다.
본 개시의 일 실시예에 의하면, 데이터 입출력부(102)는 외부 또는 내부 메모리(데이터베이스)로부터 가축의 정보를 수신할 수 있다. 일 실시예에서, 가축의 정보는 가축의 월령, 품종(한우, 육우, 젖소), 가축의 건강 상태(임신), 성별(암, 수, 거세), 측정한 가축의 길이(Width, Height, Depth, Distance)를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 부피 추론부(120)는 데이터 입출력부(102), 무게 추론부(130) 및 데이터베이스(140)와 통신 가능하게 접속될 수 있다. 본 개시의 일 실시예에서, 부피 추론부(120)는 데이터 입출력부(102)를 통해 이미지 파일을 수신하고, 이미지 내의 가축 객체를 인식할 수 있다. 일 실시예에서, 부피 추론부(120)는 가축의 측면 또는 후면 이미지 내 가축 객체를 인식할 수 있다. 일 실시예에서, 부피 추론부(120)는 촬영 이미지를 수신하여 이미지 내 가축의 위치 좌표를 생성할 수 있다. 본 개시의 일 실시예에서, 부피 추론부(120)는 촬영 이미지를 수신하여 이미지 내 가축이 포함된 크롭(Crop) 이미지를 생성할 수 있다.
본 개시의 일 실시예에서, 부피 추론부(120)는 이미지 파일을 수신하고, 이미지를 보정할 수 있다. 일 실시예에서, 부피 추론부(120)는 촬영 이미지 내 가축이 표시된 크롭 이미지를 생성하고 해당 이미지 내 가축의 위치를 교정하고 투영할 수 있다. 일 실시예에서, 부피 추론부(120)는 촬영 이미지 내 가축이 표시된 크롭 이미지를 회전, 크기조정, 뒤틀림 보정 및 배경을 제거한 완료 크롭 이미지를 생성할 수 있다.
본 개시의 일 실시예에서, 부피 추론부(120)는 크롭 이미지를 처리하여 복수 개의 특징점(feature) 배열을 생성할 수 있다. 일 실시예에서, 부피 추론부(120)는 완료 크롭 이미지를 기계학습시켜 특징점을 산출할 수 있다. 일 실시예에서, 특징점은 128개 내외일 수 있다.
본 개시의 일 실시예에서, 부피 추론부(120)는 이미지 내 가축의 부피를 예측할 수 있다. 일 실시예에서, 부피 추론부(120)는 가축이 포함된 이미지 및 가축의 정보를 기초로 기계학습을 통해 이미지 내 가축의 부피를 예측할 수 있다. 일 실시예에서, 부피 추론부(120)는 가축의 측면 및 후면 이미지의 특징점, 가축의 월령, 품종(한우, 육우, 젖소), 가축의 건강 상태(임신), 성별(암, 수, 거세), 측정한 가축의 길이(Width, Height, Depth, Distance)를 기초로 기계학습을 통해 이미지 내 가축의 부피를 예측할 수 있다.
본 개시의 일 실시예에서, 무게 추론부(130)는 데이터 입출력부(102), 부피 추론부(120), 및 데이터베이스(140)와 통신 가능하게 접속될 수 있다. 본 개시의 일 실시예에서, 무게 추론부(130)는 데이터 입출력부(102)를 통해 이미지 파일을 수신하고, 이미지 내의 가축 객체를 인식할 수 있다. 일 실시예에서, 무게 추론부(130)는 가축의 측면 또는 후면 이미지 내 가축 객체를 인식할 수 있다. 일 실시예에서, 무게 추론부(130)는 촬영 이미지를 수신하여 이미지 내 가축의 위치 좌표를 생성할 수 있다. 본 개시의 일 실시예에서, 무게 추론부(130)는 촬영 이미지를 수신하여 이미지 내 가축이 포함된 크롭(Crop) 이미지를 생성할 수 있다.
본 개시의 일 실시예에서, 무게 추론부(130)는 이미지 파일을 수신하고, 이미지를 보정할 수 있다. 일 실시예에서, 무게 추론부(130)는 촬영 이미지 내 가축이 표시된 크롭 이미지를 생성하고 해당 이미지 내 가축의 위치를 교정하고 투영할 수 있다. 일 실시예에서, 무게 추론부(130)는 촬영 이미지 내 가축이 표시된 크롭 이미지를 회전, 크기조정, 뒤틀림 보정 및 배경을 제거한 완료 크롭 이미지를 생성할 수 있다.
본 개시의 일 실시예에서, 무게 추론부(130)는 크롭 이미지를 처리하여 복수 개의 특징점(feature) 배열을 생성할 수 있다. 일 실시예에서, 무게 추론부(130)는 완료 크롭 이미지를 기계학습시켜 특징점을 산출할 수 있다. 일 실시예에서, 특징점은 128개 내외일 수 있다.
본 개시의 일 실시예에서, 무게 추론부(130)는 이미지 내 가축의 무게를 예측할 수 있다. 일 실시예에서, 무게 추론부(130)는 가축이 포함된 이미지, 가축의 정보, 부피 정보를 기초로 기계학습을 통해 이미지 내 가축의 무게를 예측할 수 있다. 일 실시예에서, 무게 추론부(130)는 가축의 측면 및 후면 이미지의 특징점, 가축의 월령, 품종(한우, 육우, 젖소), 가축의 건강 상태(임신), 성별(암, 수, 거세), 측정한 가축의 길이(Width, Height, Depth, Distance), 가축의 부피를 기초로 기계학습을 통해 이미지 내 가축의 무게를 예측할 수 있다.
본 개시의 일 실시예에 의하면, 데이터베이스(140)는 하나 이상의 가축의 정보를 저장할 수 있다. 데이터베이스(140)는 임의의 유형의 메모리 장치일 수 있으며, 본 도면에서는 데이터베이스(140)가 부피 추론부(120) 또는 무게 추론부(130)와 별도의 장치로 도시되었으나 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 다른 실시예에 의하면, 데이터베이스(140)는 부피 추론부(120) 또는 무게 추론부(130)와 일체화된 일 유형의 메모리 구조일 수도 있다.
도 2는 본 개시의 일 실시예에 따른, 도 1에 도시된 부피 추론부의 기능적 구성을 개략적으로 도시한 기능 블록도이다.
도시된 바에 의하면, 부피 추론부(120)는 객체 인식부(202), 위치 교정부(204), 삼중쌍 손실(Triplet loss) 학습부(206) 및 부피 예측 회귀 학습부(208)를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 객체 인식부(202)는 이미지 파일을 분석하여 이미지 내 객체를 인식할 수 있다. 일 실시예에서 객체 인식부(202)는 이미지 분석 알고리즘을 사용하여 이미지 파일을 분석하여 이미지 내 객체를 인식할 수 있다. 이러한 알고리즘을 사용하여, 객체 인식부(202)는 어떠한 이미지 내에서도 객체(비육우)가 위치한 영역을 용이하게 찾을 수 있다.
도 3a 내지 도 3c는 본 개시의 일 실시예에 따른 도 2에 도시된 객체 인식부에서 프로세싱한 예시적인 이미지 결과물을 도시한다.
이하 도 3a 내지 도 3c에 도시된 객체 인식부의 이미지 결과물을 사용하여 객체 인식부의 동작을 설명한다.
도 3a는 본 개시의 일 실시예에 따른 예시적인 입력 이미지이다. 도 3a에 도시된 바와 같이, 객체(비육우)는 측면 자세로 위치하고 있으며 배경이 함께 촬영되어 있다.
도 3b는 본 개시의 일 실시예에 따른 객체 인식부에서 입력 이미지를 프로세싱한 중간 이미지를 도시한다. 일 실시예에서, 객체 인식부는 입력 이미지를 프로세싱할 수 있다. 예컨대, 객체 인식부(202)는 HoG(Histogram of Gradient) 알고리즘을 사용하여 이미지 파일을 분석하여 이미지 내 객체를 인식할 수 있으나, 이에 한정되는 것은 아니다. 일 실시예에서, 객체 인식부(202)는 HoG 알고리즘을 적용하여 이미지 밝기에 관계없이 이미지의 주요 특징을 캡쳐한 HoG 표현된 이미지로 변환할 수 있다. 도 3b는 객체 인식부(202)는 입력 이미지로부터 객체(비육우)의 HoG 패턴과 가장 유사하게 보이는 부분을 이미지내에서 검색한 결과를 도시한다.
도 3c는 본 개시의 일 실시예에 따른 객체 인식부에서 입력 이미지를 프로세싱한 결과 이미지를 도시한다. 일 실시예에서, 일 실시예에서, 객체 인식부(202)는 이미지 파일을 분석하여 이미지 내 객체를 인식하고 이미지내 객체의 위치 좌표를 생성할 수 있다. 일 실시예에서, 위치 좌표는 이미지 내 (x, y) 좌표일 수 있다. 일 실시예에서, 객체 인식부(202)는 이미지 파일을 분석하여 이미지 내 객체를 인식하고 이미지내 객체의 위치 좌표를 포함하는 객체의 영역 확인 및 영역 표시(예: 박스 출력)된 이미지를 생성할 수 있다. 일 실시예에서, 객체 인식부(202)는 이미지 파일을 분석하여 이미지 내 객체를 인식하고 이미지내 객체의 위치 좌표를 포함하는 객체의 크롭(crop) 이미지를 생성할 수 있다.
다시 도 2를 참조하면, 본 개시의 일 실시예에 의하면, 위치 교정부(204)는 인식된, 이미지 내 객체를 교정할 수 있다. 일 실시예에서, 위치 교정부(204)는 객체의 크롭 이미지에 대해 교정 알고리즘을 적용하여 교정된 크롭 이미지를 생성할 수 있다.
도 4a 내지 도 4c는 본 개시의 일 실시예에 따른 도 2에 도시된 위치 교정부에서 프로세싱한 예시적인 이미지 결과물을 도시한다.
이하 도 4a 내지 도 4c에 도시된 위치 교정부의 이미지 결과물을 사용하여 객체 인식부의 동작을 설명한다.
도 4a는 본 개시의 일 실시예에 따른 위치 교정부(204)에 입력되는 예시적인 입력 이미지이다. 일 실시예에서, 위치 교정부(204)에 입력되는 이미지는 객체 인식부(202)에서 출력된 크롭 이미지일 수 있다.
도 4b는 본 개시의 일 실시예에 따른 위치 교정부(204)에서 입력된 크롭 이미지를 프로세싱한 중간 이미지를 도시한다. 도 4b는 본 개시의 일 실시예에 따른 비육우 랜드마크 예측 매핑 결과를 예시적으로 도시하는 이미지이다. 일 실시예에서, 위치 교정부(204)는 교정 알고리즘을 사용하여 입력된 이미지를 프로세싱할 수 있다. 일 실시예에서, 위치 교정부(204)는 입력된, 객체(비육우) 이미지를 기초로 계측을 위한 비육우 랜드마크를 예측하도록 구성된 랜드마크 예측 모델을 사용하여, 이미지 내 객체의 랜드마크를 예측하고 예측 결과를 제공하도록 구성될 수 있다. 일 실시예에서, 랜드마크 예측 모델은 그래디언트 부스팅 알고리즘(gradient boosting algorithm), 서포트 벡터 머신 알고리즘(support Vector Machine algorithm, SVM) 중 적어도 하나를 포함할 수 있으나 이에 한정되는 것은 아니다.
도 4c는 본 개시의 일 실시예에 따른 위치 교정부(204)에서 이미지 변환 기법(affine transformation) 적용 결과를 예시적으로 도시하는 이미지이다.
일 실시예에서, 위치 교정부(204)는 이미지 변환 방법을 기초로 이미지를 보정할 수 있다. 일 실시예에서, 교정 알고리즘은 스케일링(scale) 알고리즘, 회전(rotate) 알고리즘, 뒤틀림(shear) 알고리즘, 배경제거(background remove) 알고리즘 중 적어도 하나를 포함할 수 있다. 일 실시예에서, 위치 교정부(204)는 affine 연산에 의해 이미지의 보정을 수행할 수 있다. 일 실시예에서, 위치 교정부(204)는 회전, 크기조정, 뒤틀림, 배경제거가 된 교정된 크롭 이미지를 생성할 수 있다. 이와 같은 처리를 통해서, 다른 각도로 촬영된 객체에 대해 다르게 인식하는 문제점을 해결할 수 있다.
다시 도 2를 참조하면, 본 개시의 일 실시예에 의하면, 삼중쌍 손실 학습부(206)는 교정된 크롭 이미지에 대해 학습을 수행하여 각 이미지의 수 개의 특징점(feature) 배열을 생성할 수 있다. 일 실시예에서 특징점은 128개일 수 있다.
도 5a는 본 개시의 일실시예에 따른 삼중쌍 손실 학습부(206)에서 전체 학습 이미지에 대해서 삼중쌍 손실(Triplet loss) 학습을 수행하는 단계를 도시하는 도면이고, 도 5b는 본 개시의 일 실시예에 따른 삼중쌍 손실 학습부(206)에서 생성한 128개의 특징점 벡터를 예시적으로 도시하는 도면이다.
일 실시예에서, 삼중쌍 손실 학습부(206)는 삼중쌍 손실(triplet loss) 학습을 이용하여 기계학습할 수 있다. 도 5a를 참조하면, 본 개시의 일 실시예에서, 삼중쌍 손실 학습은 삼중 쌍(triplet) 이미지를 입력받아 각각의 삼중 쌍 이미지로부터 피쳐를 추출하고, 추출된 피쳐를 기초로 신경망을 학습시킬 수 있다. 예컨대, 삼중 쌍 이미지는, 대상 소 이미지, 대상 소 유사 이미지 및 다른 소 이미지일 수 있다.
일 실시예에서, 삼중쌍 손실 학습부(206)는 각 이미지에 대해 신경망이 생성한 소정의 특징점 벡터를 생성 및 비교하여 유사한 2 개의 소 이미지에 대해서는 특징점을 비슷하게 하고, 다른 소 이미지에 대해서는 멀리 떨어지도록 신경망을 조정할 수 있다. 일 실시예에서, 신경망은 CNN(Convolution Neural Network)일 수 있다.
도 5b에 도시된 바와 같이, 삼중쌍 손실 학습부(206)는 이미지에서 소정의 특징점 벡터를 생성할 수 있다.
상기 설명한 바와 같이, 삼중쌍 손실 학습부(206)는 객체(비육우)의 구분을 위한 머신 중심 특징점 자동 학습을 수행하여 객체 이미지를 인코딩할 수 있다. 즉, 삼중쌍 손실 학습부(206)는 비육우의 부피, 무게 추론을 위한 이미지 내 특수 측정값을 수집하고 기계학습을 통해 스스로 측정값을 파악하도록 하여 보다 정확하게 결과값을 도출할 수 있다.
다시 도 2를 참조하면, 본 개시의 일 실시예에 의하면, 부피 예측 회귀 학습부(208)는 이미지 내의 객체의 부피를 추정할 수 있다. 일 실시예에서, 부피 예측 회귀 학습부(208)는 딥러닝(Deep Learning) 알고리즘을 이용하여 이미지 내의 객체의 부피를 추정할 수 있다. 일 실시예에서, 부피 예측 회귀 학습부(208)는 객체의 측면이 포함된 이미지와 객체의 후면이 포함된 이미지의 특징점, 예컨대 각 128개의 특징점, 그리고 이미지 내 객체의 정보, 예컨대, 객체의 길이(엉덩이 가로 길이, 세로 길이, 객체의 키, 객체까지의 거리)(width, height, depth, distance), 월령, 품종(한우, 육우, 젖소), 건강상태(임신), 성별(암, 수, 거세) 중 적어도 하나를 입력받아 부피를 추정할 수 있다.
도 6은 본 개시의 일 실시예에 따른, 부피 예측 회귀 학습부에서 선형 회귀(linear regression)를 위한 딥 러닝 학습 네트워크를 예시적으로 도시하는 도면이다.
일 실시예에서, 부피 예측 회귀 학습부(208)는 이미지 정보 및 객체(비육우) 정보를 수신하고 처리하여 이미지 내 객체의 부피 예측값을 산출할 수 있다. 일 실시예에서, 이미지 정보는 객체의 측면 이미지의 특징점(총 128개) 벡터, 객체의 후면 이미지의 특징점(총 128개) 벡터, 측면 이미지에서 측정한 객체(비육우) 길이(width, height), 측면 이미지 촬영 거리(distance), 객체의 후면 이미지의 특징점(총 128개) 벡터, 측면 이미지에서 측정한 객체(비육우) 길이(depth), 측면 이미지 촬영 거리(distance) 중 적어도 하나를 포함할 수 있다. 일 실시예에서, 객체(비육우) 정보는 객체의 월령, 품중(한우, 육우, 젖소), 상태(임신), 성별(암, 수, 거세) 중 적어도 하나를 포함할 수 있다. 일 실시예에서, 부피 예측 회귀 학습부(208)의 입력 노드 수는 265개일 수 있다.
일 실시예에서, 부피 예측 회귀 학습부(208)는 입력을 기초로 기계학습을 수행하여 이미지 내 객체의 부피 예측값을 산출할 수 있다. 일 실시예에서, 부피 예측 회귀 학습부(208)는 딥러닝 알고리즘(예: 다중 히든 레이어 기반 기계학습 알고리즘)을 사용할 수 있으나 이에 한정되는 것은 아니다.
상기 설명한 바와 같이, 부피 예측 회귀 학습 기법은 입력 항목의 다항식 결과가 출력값(부피)을 계산하므로 선형 회귀 문제로 정의될 수 있다. 부피 예측 회귀 학습 기법은 입력 항목의 개수가 많고, 복잡한 모델을 학습할 수 있도록 다중 레이어를 사용하는 뉴럴 네트워크(Neural Network) 중 딥 러닝 알고리즘을 사용할 수 있으나, 이에 한정되는 것은 아니다.
도 7은 본 개시의 일 실시예에 따른, 도 1에 도시된 무게 추론부의 기능적 구성을 개략적으로 도시한 기능 블록도이다.
도 7에 도시된 바에 의하면, 무게 추론부(130)는 객체 인식부(702), 위치 교정부(704), 삼중쌍 손실 학습부(706) 및 무게 예측 회귀 학습부(708)를 포함할 수 있다.
본 개시의 일 실시예에서, 도 7의 객체 인식부(702)는 도 2의 객체 인식부(202)와 동일 또는 유사하게 구성될 수 있음을 본 기술분야의 당업자는 쉽게 알 수 있으므로 이하 상세한 설명은 생략한다.
본 개시의 일 실시예에서, 도 7의 위치 교정부(704)는 도 2의 위치 교정부(202)와 동일 또는 유사하게 구성될 수 있음을 본 기술분야의 당업자는 쉽게 알 수 있으므로 이하 상세한 설명은 생략한다.
본 개시의 일 실시예에서, 도 7의 삼중쌍 손실 학습부(706)는 도 2의 삼중쌍 손실 학습부(206)와 동일 또는 유사하게 구성될 수 있음을 본 기술분야의 당업자는 쉽게 알 수 있으므로 이하 상세한 설명은 생략한다.
도 7을 참조하면, 본 개시의 일 실시예에 의하면, 무게 예측 회귀 학습부(708)는 이미지 내의 객체의 무게를 추정할 수 있다. 일 실시예에서, 무게 예측 회귀 학습부(708)는 딥러닝(Deep Learning) 알고리즘을 이용하여 이미지 내의 객체의 무게를 추정할 수 있다. 일 실시예에서, 무게 예측 회귀 학습부(708)는 객체의 측면이 포함된 이미지와 객체의 후면이 포함된 이미지의 특징점, 예컨대 각 128개의 특징점, 그리고 이미지 내 객체의 정보, 예컨대, 객체의 길이(엉덩이 가로 길이, 세로 길이, 객체의 키, 객체까지의 거리)(width, height, depth, distance), 월령, 품종(한우, 육우, 젖소), 상태(임신), 성별(암, 수, 거세), 부피값 중 적어도 하나를 입력받아 무게를 추정할 수 있다. 일 실시예에서, 부피값은 입력받을 수 있거나 부피 추론부(120)에서 산출된 값을 사용하거나 무게 추론부(130)의 별도의 모듈에서 계산할 수 있다. 일 실시예에서, 무게 추론부(130)의 별도의 모듈은 도 2이 부피 예측 회귀 학습부(208)와 동일 또는 유사하게 구성될 수 있음을 본 기술분야의 당업자는 쉽게 알 수 있으므로 이하 상세한 설명은 생략한다.
도 8은 본 개시의 일 실시예에 따른, 무게 예측 회귀 학습부에서 선형 회귀(linear regression)를 위한 딥 러닝 학습 네트워크를 예시적으로 도시하는 도면이다.
일 실시예에서, 무게 예측 회귀 학습부(708)는 이미지 정보 및 객체(비육우) 정보를 수신하고 처리하여 이미지 내 객체의 무게 예측값을 산출할 수 있다. 일 실시예에서, 이미지 정보는 객체의 측면 이미지의 특징점(총 128개) 벡터, 객체의 후면 이미지의 특징점(총 128개) 벡터, 측면 이미지에서 측정한 객체(비육우) 길이(width, height), 측면 이미지 촬영 거리(distance), 객체의 후면 이미지의 특징점(총 128개) 벡터, 후면 이미지에서 측정한 객체(비육우) 길이(depth), 후면 이미지 촬영 거리(distance) 중 적어도 하나를 포함할 수 있다. 일 실시예에서, 객체(비육우) 정보는 객체의 월령, 품중(한우, 육우, 젖소), 상태(임신), 성별(암, 수, 거세), 부피값 중 적어도 하나를 포함할 수 있다. 일 실시예에서, 무게 예측 회귀 학습부(708)의 입력값 노드 수는 266개일 수 있다.
일 실시예에서, 무게 예측 회귀 학습부(708)는 입력값을 기초로 기계학습을 수행하여 이미지 내 객체의 무게 예측값을 산출할 수 있다. 일 실시예에서, 무게 예측 회귀 학습부(708)는 딥러닝 알고리즘(예: 다중 히든 레이어 기반 기계학습 알고리즘)을 사용할 수 있으나 이에 한정되는 것은 아니다.
상기 설명한 바와 같이, 부피 예측 회귀 학습 기법은 입력값 항목의 다항식 결과가 출력값(무게)을 계산하므로 선형 회귀 문제로 정의될 수 있다. 부피 예측 회귀 학습 기법은 입력 항목의 개수가 많고, 복잡한 모델을 학습할 수 있도록 다중 레이어를 사용하는 뉴럴 네트워크(Neural Network) 중 딥 러닝 알고리즘을 사용할 수 있으나, 이에 한정되는 것은 아니다.
본 개시의 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 저장 매체에 기록될 수 있고, 그러한 컴퓨터 판독 가능 기록 매체에는 프로그램 명령, 데이터 파일, 데이터 구조 등이 단독으로 또는 조합하여 기록될 수 있다. 컴퓨터 판독가능 기록 매체에 기록되는 프로그램 명령은, 본 개시의 구현을 위하여 설계 및 구성된 것을 포함할 수 있고, 그 외 기타 다른 목적을 위한 컴퓨터 소프트웨어를 더 포함할 수도 있다. 컴퓨터 판독 가능 기록 매체로는, 예컨대 EPROM, EEPROM, 플래시 메모리장치와 같은 비휘발성 메모리, 내장형 하드 디스크와 착탈식 디스크 같은 자기 디스크, 광자기 디스크, 및 CDROM 디스크 등을 포함한 다양한 유형의 저장 매체가 포함될 수 있다.
본 명세서에서는 비록 한정된 실시예와 도면을 중심으로 설명되었으나, 당업자라면 알 수 있듯이, 본 개시가 본 명세서에 기술된 예시에 한정되는 것은 아니며, 본 개시의 범주를 벗어나지 않는 범위 내에서 다양하게 변형, 재구성 및 대체될 수 있다. 본 명세서에 기술된 다양한 기술들은 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 조합에 의해 구현될 수 있음을 알아야 한다.
110: 데이터 입출력부
120: 부피 추론부
130: 무게 추론부
140: 데이터베이스
120: 부피 추론부
130: 무게 추론부
140: 데이터베이스
Claims (10)
- 머신러닝 기반의 가축 무게 예측 방법으로서,
적어도 하나의 이미지를 수신하는 단계;
상기 적어도 하나의 이미지에 포함된 객체를 인식하는 단계;
상기 객체의 크롭 이미지를 생성하는 단계;
상기 크롭 이미지에 대해 삼중쌍 손실 학습을 수행하여 특징점(feature)을 생성하는 단계;
상기 특징점을 포함하는 이미지 정보 및 객체 정보를 기초로 상기 이미지 내 객체의 부피 값을 추정하는 단계; 및
상기 추정된 부피 값과 상기 이미지 정보 및 상기 객체 정보를 기초로 무게 값을 추정하는 단계;
를 포함하는 머신러닝 기반의 가축 무게 예측 방법. - 제1항에 있어서,
상기 적어도 하나의 이미지는 상기 객체의 측면 이미지 및 상기 객체의 후면 이미지를 포함하는 머신러닝 기반의 가축 무게 예측 방법. - 제1항에 있어서,
상기 크롭 이미지에 대해 교정 알고리즘을 적용하여 교정된 크롭 이미지를 생성하는 단계를 더 포함하는 머신러닝 기반의 가축 무게 예측 방법. - 제3항에 있어서,
상기 교정된 크롭 이미지를 생성하는 단계는
랜드마크 예측(Landmark Estimation) 기법과 이미지 변환 기법(Affine transformations) 중 적어도 하나를 사용하여 수행되는 머신러닝 기반의 가축 무게 예측 방법. - 제2항에 있어서,
상기 이미지 정보는 상기 객체의 측면 이미지에 대한 128 개의 특징 값, 상기 객체의 측면 이미지에서 측정한 객체의 너비(width) 및 키(height), 상기 객체의 측면 이미지의 촬영 거리(distance), 상기 객체의 후면 이미지에 대한 128 개의 특징 값, 상기 객체의 후면 이미지에서 측정한 객체의 너비(width) 및 키(height), 상기 객체의 후면 이미지의 촬영 거리(distance)를 포함하고,
상기 객체 정보는 상기 객체의 월령, 품종, 건강상태, 성별 중 적어도 하나를 포함하는 머신러닝 기반의 가축 무게 예측 방법. - 제5항에 있어서,
상기 부피 값을 추정하는 단계는 상기 이미지 정보 및 상기 객체 정보를 포함하는 265개의 입력으로 다중 히든 레이어 기반 기계학습 알고리즘을 사용하여 부피 값을 추정하는 머신러닝 기반의 가축 무게 예측 방법. - 제5항에 있어서,
상기 무게 값을 추정하는 단계는 상기 부피 값, 상기 이미지 정보 및 상기 객체 정보를 포함하는 266개의 입력으로 다중 히든 레이어 기반 기계학습 알고리즘을 사용하여 무게 값을 추정하는 머신러닝 기반의 가축 무게 예측 방법. - 제1항에 있어서,
상기 적어도 하나의 이미지에 포함된 객체를 인식하는 단계는 HoG(Histogram of Gradient) 알고리즘을 사용하여 HoG 표현된 이미지로 변환하는 단계를 더 포함하는 머신러닝 기반의 가축 무게 예측 방법. - 제4항에 있어서,
상기 객체의 크롭 이미지를 생성하는 단계는 상기 객체의 위치 좌표를 포함하는 객체의 영역 확인 및 영역 표시된 이미지를 생성하는 단계를 더 포함하는 머신러닝 기반의 가축 무게 예측 방법. - 컴퓨터에 의해 실행 가능한, 하나 이상의 컴퓨터 판독가능 명령이 수록된 컴퓨터 판독가능 기록매체로서, 상기 하나 이상의 컴퓨터 판독가능 명령은, 상기 컴퓨터에 의해 실행되는 경우, 상기 컴퓨터로 하여금, 제1항 내지 제9항 중 어느 한 항에 따른 방법을 수행하게 하는 컴퓨터 판독가능 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210009270A KR102624925B1 (ko) | 2021-01-22 | 2021-01-22 | 머신러닝 기반의 가축 무게 예측 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210009270A KR102624925B1 (ko) | 2021-01-22 | 2021-01-22 | 머신러닝 기반의 가축 무게 예측 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220106397A true KR20220106397A (ko) | 2022-07-29 |
| KR102624925B1 KR102624925B1 (ko) | 2024-01-15 |
Family
ID=82606539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210009270A KR102624925B1 (ko) | 2021-01-22 | 2021-01-22 | 머신러닝 기반의 가축 무게 예측 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102624925B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240066671A (ko) | 2022-11-08 | 2024-05-16 | 전북대학교산학협력단 | 비접촉방식 가금 평균체중 측정 장치 및 방법 |
| WO2024106881A1 (ko) * | 2022-11-14 | 2024-05-23 | 주식회사 노바 | 딥러닝 컴퓨터비전 기반 가축의 체중을 측정하기 위한 시스템 및 그 방법 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160081190A (ko) * | 2014-12-31 | 2016-07-08 | 서경대학교 산학협력단 | 카메라를 이용한 보행자 인식 방법 및 그 기록 매체 |
| KR20180037436A (ko) * | 2016-10-04 | 2018-04-12 | 한화테크윈 주식회사 | 다중 크기 컨볼루션 블록 층을 이용한 얼굴 인식 장치 |
| JP2019046239A (ja) * | 2017-09-04 | 2019-03-22 | 大日本印刷株式会社 | 画像処理装置、画像処理方法、プログラム及び合成用画像データ |
| KR102014353B1 (ko) | 2018-12-11 | 2019-08-26 | 에이비주식회사 | 머신러닝 기반의 스마트팜 가축관리 시스템 |
| JP2020194454A (ja) * | 2019-05-29 | 2020-12-03 | キヤノン株式会社 | 画像処理装置および画像処理方法、プログラム、並びに記憶媒体 |
-
2021
- 2021-01-22 KR KR1020210009270A patent/KR102624925B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160081190A (ko) * | 2014-12-31 | 2016-07-08 | 서경대학교 산학협력단 | 카메라를 이용한 보행자 인식 방법 및 그 기록 매체 |
| KR20180037436A (ko) * | 2016-10-04 | 2018-04-12 | 한화테크윈 주식회사 | 다중 크기 컨볼루션 블록 층을 이용한 얼굴 인식 장치 |
| JP2019046239A (ja) * | 2017-09-04 | 2019-03-22 | 大日本印刷株式会社 | 画像処理装置、画像処理方法、プログラム及び合成用画像データ |
| KR102014353B1 (ko) | 2018-12-11 | 2019-08-26 | 에이비주식회사 | 머신러닝 기반의 스마트팜 가축관리 시스템 |
| JP2020194454A (ja) * | 2019-05-29 | 2020-12-03 | キヤノン株式会社 | 画像処理装置および画像処理方法、プログラム、並びに記憶媒体 |
Non-Patent Citations (1)
| Title |
|---|
| Cattle breed identification and live weight evaluation on the basis of machine learning and computer vision, CMIS, 2020.04.* * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240066671A (ko) | 2022-11-08 | 2024-05-16 | 전북대학교산학협력단 | 비접촉방식 가금 평균체중 측정 장치 및 방법 |
| WO2024106881A1 (ko) * | 2022-11-14 | 2024-05-23 | 주식회사 노바 | 딥러닝 컴퓨터비전 기반 가축의 체중을 측정하기 위한 시스템 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102624925B1 (ko) | 2024-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qiao et al. | Intelligent perception for cattle monitoring: A review for cattle identification, body condition score evaluation, and weight estimation | |
| Wang et al. | ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images | |
| US8971586B2 (en) | Apparatus and method for estimation of livestock weight | |
| Fernandes et al. | A novel automated system to acquire biometric and morphological measurements and predict body weight of pigs via 3D computer vision | |
| Wongsriworaphon et al. | An approach based on digital image analysis to estimate the live weights of pigs in farm environments | |
| US11627726B2 (en) | System and method of estimating livestock weight | |
| CN110426112B (zh) | 一种生猪体重测量方法及装置 | |
| US9521829B2 (en) | Livestock identification and monitoring | |
| Bercovich et al. | Development of an automatic cow body condition scoring using body shape signature and Fourier descriptors | |
| KR102624925B1 (ko) | 머신러닝 기반의 가축 무게 예측 방법 및 장치 | |
| KR20190128589A (ko) | 기계학습 예측 모델에 기초한 최적의 소 출하 시점 결정 방법 | |
| Sant’Ana et al. | Weighing live sheep using computer vision techniques and regression machine learning | |
| CN111297367A (zh) | 一种动物状态监测方法、装置、电子设备及存储介质 | |
| KR20220062911A (ko) | 모돈 관리 및 환경 제어 시스템 | |
| Ling et al. | Point cloud-based pig body size measurement featured by standard and non-standard postures | |
| Zhao et al. | Review on image-based animals weight weighing | |
| Dao et al. | Automatic cattle location tracking using image processing | |
| US20230342902A1 (en) | Method and system for automated evaluation of animals | |
| KR102372107B1 (ko) | 영상기반의 모돈 분만 알림 시스템 | |
| KR102355681B1 (ko) | 가축사양표준에 기초한 가축사양관리 가이드 제공 방법 | |
| Yu et al. | Non‐contact detection method of pregnant sows backfat thickness based on two‐dimensional images | |
| CN112116647B (zh) | 估重方法和估重装置 | |
| Xu et al. | Optimized BottleNet Transformer model with Graph Sampling and Counterfactual Attention for cow individual identification | |
| Duan et al. | Feed weight estimation model for health monitoring of meat rabbits based on deep learning | |
| DAHIYA et al. | Udderly accurate: A deep learning based modelling for determination of dairyness of Sahiwal cow using computer vision |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |