KR20230094873A - 양계 데이터 처리 방법 및 장치 - Google Patents
양계 데이터 처리 방법 및 장치 Download PDFInfo
- Publication number
- KR20230094873A KR20230094873A KR1020210184351A KR20210184351A KR20230094873A KR 20230094873 A KR20230094873 A KR 20230094873A KR 1020210184351 A KR1020210184351 A KR 1020210184351A KR 20210184351 A KR20210184351 A KR 20210184351A KR 20230094873 A KR20230094873 A KR 20230094873A
- Authority
- KR
- South Korea
- Prior art keywords
- poultry
- image
- data
- chickens
- chicken
- Prior art date
Links
- 241000287828 Gallus gallus Species 0.000 title claims description 366
- 238000000034 method Methods 0.000 title claims description 41
- 238000012545 processing Methods 0.000 title description 52
- 244000144977 poultry Species 0.000 claims abstract description 222
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000003672 processing method Methods 0.000 claims abstract description 30
- 235000013330 chicken meat Nutrition 0.000 claims description 359
- 235000013594 poultry meat Nutrition 0.000 claims description 214
- 210000003746 feather Anatomy 0.000 claims description 47
- 238000012937 correction Methods 0.000 claims description 42
- 238000013480 data collection Methods 0.000 claims description 28
- 230000007613 environmental effect Effects 0.000 claims description 19
- 230000037396 body weight Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 4
- 241000894007 species Species 0.000 claims description 4
- 238000003702 image correction Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 12
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 description 5
- 239000001569 carbon dioxide Substances 0.000 description 5
- 239000007789 gas Substances 0.000 description 4
- 244000144972 livestock Species 0.000 description 4
- 229910021529 ammonia Inorganic materials 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000002341 toxic gas Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 241000226585 Antennaria plantaginifolia Species 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009036 growth inhibition Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 230000000384 rearing effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- -1 utomatically Species 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
- 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
- A01K45/00—Other aviculture appliances, e.g. devices for determining whether a bird is about to lay
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G17/00—Apparatus for or methods of weighing material of special form or property
- G01G17/08—Apparatus for or methods of weighing material of special form or property for weighing livestock
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G06T5/007—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Animal Husbandry (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Birds (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Image Analysis (AREA)
Abstract
본 개시의 일 실시예에 따라, 컴퓨팅 장치에 의해 수행되는 양계 데이터 처리 방법으로서, 하나 이상의 양계를 포함하는 이미지를 양계 탐지 모델에 입력하여, 상기 하나 이상의 양계 중 적어도 일부의 양계들에 대한 양계 크기 정보를 획득하는 단계, 및 상기 양계 크기 정보를 복수의 체중 예측 모델 중 예측 오차를 최소화하도록 결정된 적어도 하나의 체중 예측 모델에 입력하여, 상기 하나 이상의 양계에 대한 양계 체중 예측 정보 및 출하 시점 예측 정보 중 적어도 하나를 획득하는 단계를 포함할 수 있다.
Description
본 개시는 양계 데이터 처리 방법 및 장치에 관한 것으로, 구체적으로 양계 체중 예측을 위한 데이터 처리 방법 및 장치에 관한 것이다.
양계 사육의 가장 큰 관심사는 목표 무게 도달 여부 및/또는 목표 무게 도달 기간의 예측이다. 목표 무게를 벗어나는(즉, 목표 무게 미만이거나 또는 목표 무게를 초과하는) 양계는 상품성이 떨어져, 도축 단계에서 축가에 경제적 손실이 발생한다.
한편 돼지나 소 등의 대가축과 달리, 소가축인 닭은 사육 기간이 짧고 많은 개체수를 동시에 사육하므로, 개별 체중 측정의 현실성이 떨어진다. 또한, 닭은 질병에 취약한 가축으로, 축사 내 출입은 전염병 유발의 원인이 될 수 있어, 인력을 통한 잦은 체중 측정에 제한이 있다. 이러한 체중 측정 상의 어려움에 따라, 종래에는 극소수의 양계의 무게만을 측정하고, 눈대중으로 출하 시점을 결정하는 방법이 사용되었다.
이에, 인력의 개입 없이, 수집된 대량의 데이터를 통계학적으로 분석하여 양계 체중을 정확하게 예측하는 기술에 대한 당업계의 요구가 존재한다.
해결하고자 하는 과제는, 하나 이상의 양계가 포함된 이미지를 인공지능 모델 기반으로 분석함으로써, 양계의 체중 및 출하 시점을 인력 개입 없이 정확하게 예측하는 방법을 제공하는 것이다. 상기 과제 이외에도 구체적으로 언급되지 않은 다른 과제를 달성하는 데 사용될 수 있다.
본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에 의해 수행되는 양계 데이터 처리 방법으로서, 상기 방법은, 하나 이상의 양계를 포함하는 이미지를 양계 탐지 모델에 입력하여, 상기 하나 이상의 양계 중 적어도 일부의 양계들에 대한 양계 크기 정보를 획득하는 단계, 및 상기 양계 크기 정보를 복수의 체중 예측 모델 중 예측 오차를 최소화하도록 결정된 적어도 하나의 체중 예측 모델에 입력하여, 상기 하나 이상의 양계에 대한 양계 체중 예측 정보 및 출하 시점 예측 정보 중 적어도 하나를 획득하는 단계를 포함할 수 있다.
상기 양계 크기 정보를 획득하는 단계는, 상기 하나 이상의 양계와 연관된 공간에 기 설치된 하나 이상의 카메라로부터 촬영된 하이-앵글(high-angle) 이미지인, 로우(raw) 이미지를 수신하는 단계, 및 상기 로우 이미지의 왜곡 및 밝기 중 적어도 하나를 보정하여 상기 양계 탐지 모델에 입력하기 위한 상기 이미지를 생성하는 단계를 포함할 수 있다.
상기 이미지를 생성하는 단계는, 상기 로우 이미지에 포함된 픽셀들 각각의 밝기 값의 평균을 임계값과 비교하여, 상기 로우 이미지를 보정이 필요한 이미지 또는 보정이 불필요한 이미지 중 어느 하나로 이진(binary) 분류하는 단계, 및 상기 로우 이미지가 상기 보정이 필요한 이미지로 분류된 경우, 하나 이상의 과거 이미지들 중, 상기 보정이 불필요한 이미지로 분류된 이미지와 상기 보정이 필요한 이미지로 분류된 이미지 간의 밝기 값 차이를 기초로, 상기 로우 이미지의 밝기를 보정하는 단계를 포함할 수 있다.
상기 하나 이상의 과거 이미지들은, 상기 로우 이미지의 촬영 시점으로부터 사전 설정된 시간 간격을 두고 촬영된 이미지들일 수 있다.
상기 적어도 일부의 양계들은, 상기 이미지의 중심점으로부터 임계 거리 이내에 존재하는 양계, 양계 각각에 대응하는 경계값 정보가 상기 이미지의 영역 이내에 존재하는 양계, 및 상기 이미지 상에서 중첩되지 않는 타원형 형태를 가지는 양계 중 적어도 일부일 수 있다.
상기 양계 크기 정보는, 상기 적어도 일부의 양계들 각각에 대응하는 상기 이미지의 서브 영역의 픽셀 단위 크기 정보, 상기 픽셀 단위 크기 정보의 평균값 및 상기 픽셀 단위 크기 정보의 편차값 중 적어도 하나를 포함할 수 있다.
상기 복수의 체중 예측 모델은, 깃털 양이 많은 양계에 관한 제 1 체중 예측 모델, 및 깃털 양이 적은 양계에 관한 제 2 체중 예측 모델을 적어도 포함하고, 상기 적어도 하나의 체중 예측 모델은, 상기 하나 이상의 양계 중 깃털 양이 많은 양계의 개체수와 깃털 양이 적은 양계의 개체수 중 어느 것이 더 많은지 여부에 기초하여, 상기 복수의 체중 예측 모델 중 예측 오차를 최소화하도록 결정될 수 있다.
상기 적어도 하나의 체중 예측 모델은, 상기 하나 이상의 양계와 연관된 공간의 온도 정보에 기초하여, 상기 온도 정보가 임계 온도값 보다 높은 경우 상기 제 2 체중 예측 모델로 결정되고, 상기 온도 정보가 상기 임계 온도값 보다 낮은 경우 상기 제 1 체중 예측 모델로 결정될 수 있다.
상기 적어도 하나의 체중 예측 모델은, 상기 하나 이상의 양계 각각의 색상 정보에 기초하여, 상기 색상 정보가 갈색 계통인 양계 개체수가 상기 색상 정보가 흰색 계통인 양계 개체수보다 많은 경우, 상기 제 2 체중 예측 모델로 결정되고, 상기 색상 정보가 갈색 계통인 양계 개체수가 상기 색상 정보가 흰색 계통인 양계 개체수보다 적은 경우, 상기 제 1 체중 예측 모델로 결정될 수 있다.
상기 하나 이상의 양계 중 어느 하나인 타겟 양계의 상기 색상 정보는, 상기 타겟 양계에 대응하는 상기 이미지 내 서브 영역의 픽셀 값들로부터 적어도 두 개의 대표값을 추출하고, 상기 적어도 두 개의 대표값 간의 차이가 임계 차이값보다 작은 경우 상기 색상 정보는 흰색 계통으로 결정되고, 상기 적어도 두 개의 대표값 간의 차이가 상기 임계 차이값보다 큰 경우 상기 색상 정보는 갈색 계통으로 결정될 수 있다.
상기 적어도 두 개의 대표값은, 상기 타겟 양계에 대응하는 상기 이미지 내 서브 영역의 픽셀 값을 2-Cluster-GMM 분석하여 추출될 수 있다.
서로 대응되는 상기 양계 크기 정보가 상기 복수의 체중 예측 모델 각각에 입력되는 경우, 상기 제 1 체중 예측 모델에 의해 예측되는 제 1 양계 체중 예측 정보는, 상기 제 2 체중 예측 모델에 의해 예측되는 제 2 양계 체중 예측 정보보다 작은 값을 가질 수 있다.
양계 체중 예측 정보 및 출하 시점 예측 정보 중 적어도 하나를 획득하는 단계는, 양계의 성장과 관련된 환경 데이터를 상기 적어도 하나의 체중 예측 모델에 추가로 입력하여, 상기 양계 체중 예측 정보 및 상기 출하 시점 예측 정보 중 적어도 하나를 획득하는 단계를 포함할 수 있다.
상기 방법은, 상기 이미지 및 상기 이미지를 상기 적어도 하나의 체중 예측 모델에 입력하여 획득된 상기 양계 체중 예측 정보 및 상기 출하 시점 예측 정보 중 적어도 하나를 서로 매칭한 데이터 세트(data set)를 누적 저장하는 단계, 및 누적 저장된 상기 데이터 세트를 사용하여, 상기 적어도 하나의 체중 예측 모델을 학습시키는 단계를 더 포함할 수 있다.
본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에 의해 수행되는 양계 데이터 처리 방법으로서, 상기 방법은, 하나 이상의 양계에 관한 종 데이터, 주령 데이터, 이미지 데이터, 이미지 촬영 거리 데이터, 및 크기 데이터 중 적어도 하나를 포함하는 학습용 양계 데이터를 획득하는 단계, 양계장에 기 설치된 하나 이상의 체중계를 통해, 상기 하나 이상의 양계에 관한 학습용 체중 데이터를 획득하는 단계, 상기 학습용 체중 데이터를 상기 학습용 양계 데이터와 매칭한 제 1 학습용 데이터 세트에 기초하여, 양계의 크기 정보로부터 상기 양계의 체중 및 상기 양계의 출하 시점 중 적어도 하나를 추론하도록 체중 예측 모델을 학습시키는 단계를 포함할 수 있다.
상기 방법은, 상기 양계장에 관한 온도 데이터, 습도 데이터, 조도 데이터, 및 하나 이상의 유해가스 데이터 중 적어도 하나를 포함하는 학습용 환경 데이터를 획득하는 단계, 및 상기 학습용 체중 데이터를 상기 학습용 환경 데이터와 매칭한 제 2 학습용 데이터 세트에 추가로 기초하여, 상기 양계의 상기 크기 정보로부터 상기 양계의 체중 및 상기 양계의 출하 시점 중 적어도 하나를 추론하도록 체중 예측 모델을 학습시키는 단계를 더 포함할 수 있다.
상기 방법은, 하나 이상의 양계를 포함하는 이미지 및 상기 이미지를 상기 체중 예측 모델에 입력하여 추론된 상기 양계의 체중 및 상기 양계의 출하 시점 중 적어도 하나를 서로 매칭하고 누적 저장하여, 재학습용 데이터 세트를 생성하는 단계, 및 상기 재학습용 데이터 세트를 사용하여, 상기 체중 예측 모델을 학습시키는 단계를 더 포함할 수 있다.
상기 학습용 양계 데이터 및 상기 학습용 환경 데이터 중 적어도 일부는, 상기 컴퓨팅 장치와 무선통신 연결되도록 상기 양계장에 기 설치되며, 하나 이상의 센서, 카메라, 및 마이크 중 적어도 하나를 포함하는 데이터 수집 장치에 의해, 기 설정된 시간 간격에 따라 주기적으로 자동 수집될 수 있다.
본 개시의 몇몇 실시예에 따르면, 기 설치된 데이터 수집 장치를 활용하여 자동 획득되는 양계 이미지를 인공지능 모델 기반으로 분석함으로써, 양계의 체중 및 출하 시점을 인력 개입 없이 정확하게 예측할 수 있다.
본 개시의 몇몇 실시예에 따르면, 인공지능 모델을 기반으로, 이미지에 포함된 하나 이상의 양계들 중 데이터 처리에 적합한 양계들만을 필터링하여, 정확한 크기 및 체중을 예측할 수 있다.
본 개시의 몇몇 실시예에 따르면, 양계를 포함하는 이미지를 분석하여, 복수의 예측 모델 중 예측 오차를 최소화할 수 있는 예측 모델을 자동 선택해 사용함으로써, 양계의 체중 및 출하 시점을 보다 높은 정확도로 예측할 수 있다.
본 개시의 몇몇 실시예에 따르면, 다양한 농장으로부터 입력된 데이터와 해당 데이터를 인공지능 모델에 입력하여 출력된 예측 데이터를 매칭하여, 체중 예측을 위한 인공지능 모델을 지속적으로 갱신하고 성능을 향상시킬 수 있다.
도 1은 본 개시의 몇몇 실시예에 따른 양계 데이터 처리 장치를 나타낸 블록도이다.
도 2는 본 개시의 몇몇 실시예에 따른 로우 이미지와 왜곡 보정된 이미지를 비교 도시한 도면이다.
도 3은 본 개시의 몇몇 실시예에 따른 로우 이미지로부터 밝기 보정된 이미지를 생성하는 방법에 대한 순서도이다.
도 4는 본 개시의 몇몇 실시예에 따른 양계 탐지 모델을 설명하기 위한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른 양계 데이터 처리 방법에 대한 순서도이다.
도 6은 본 개시의 몇몇 실시예에 따른 복수의 체중 예측 모델을 비교 설명하기 위한 도면이다.
도 7은 본 개시의 몇몇 실시예에 따른 복수의 체중 예측 모델 중 적어도 하나의 체중 예측 모델을 결정하는 방법에 대한 순서도이다.
도 8은 본 개시의 몇몇 실시예에 따른 체중 예측 모델을 설명하기 위한 도면이다.
도 9는 본 개시의 몇몇 실시예에 따른 인공지능 모델의 학습 방법에 대한 순서도이다.
도 10은 본 개시의 몇몇 실시예에 따른 양계 데이터 처리 방법을 제공하기 위한 컴퓨팅 장치를 나타낸 블록도이다.
도 2는 본 개시의 몇몇 실시예에 따른 로우 이미지와 왜곡 보정된 이미지를 비교 도시한 도면이다.
도 3은 본 개시의 몇몇 실시예에 따른 로우 이미지로부터 밝기 보정된 이미지를 생성하는 방법에 대한 순서도이다.
도 4는 본 개시의 몇몇 실시예에 따른 양계 탐지 모델을 설명하기 위한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른 양계 데이터 처리 방법에 대한 순서도이다.
도 6은 본 개시의 몇몇 실시예에 따른 복수의 체중 예측 모델을 비교 설명하기 위한 도면이다.
도 7은 본 개시의 몇몇 실시예에 따른 복수의 체중 예측 모델 중 적어도 하나의 체중 예측 모델을 결정하는 방법에 대한 순서도이다.
도 8은 본 개시의 몇몇 실시예에 따른 체중 예측 모델을 설명하기 위한 도면이다.
도 9는 본 개시의 몇몇 실시예에 따른 인공지능 모델의 학습 방법에 대한 순서도이다.
도 10은 본 개시의 몇몇 실시예에 따른 양계 데이터 처리 방법을 제공하기 위한 컴퓨팅 장치를 나타낸 블록도이다.
아래에서는 첨부한 도면을 참고로 하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 개시에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 네트워크를 구성하는 장치들은 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
본 개시내용에서 “모델”이라는 용어는, 하나 이상의 알고리즘을 포함하는 인공지능 모델을 의미하는 용어로 사용될 수 있다. 특히 본 개시내용에서 모델은, 하나 이상의 양계를 포함하는 이미지를 처리하여, 양계와 관련한 체중 및/또는 출하 시점을 예측하도록 학습된 머신러닝 모델이나 딥 러닝 모델일 수 있다.
본 개시 내용에서 모델은, 이미지에 포함된 하나 이상의 양계 중 형태 정확도가 높은 적어도 일부의 양계들에 대하여 양계 크기 정보를 획득하기 위한 양계 탐지 모델을 포함할 수 있다. 본 개시 내용에서 양계 탐지 모델은, 예컨대 ResNet 기반의 FPN(Feature Pyramid Network)을 백본 네트워크(backbone network)로 하고, 수집되는 하나 이상의 이미지들을 활용하여 파인 튜닝(fine tuning)된 모델로 구현될 수 있다.
또한 본 개시 내용에서 모델은, 양계 크기 정보를 기초로 이미지에 포함된 하나 이상의 양계에 대한 양계 체중 예측 정보 및 출하 시점 예측 정보를 획득하기 위한 체중 예측 모델을 적어도 포함할 수 있다. 본 개시 내용에서 무게 예측 모델은, 예컨대 복수의 모델의 평균화를 통해 일반화 오류를 줄이기 위한 앙상블 모델일 수 있으며, 가령 선형 회귀(Linear Regression), 결정 트리(Decision Tree), 또는 SVR(Support Vector Regression) 중 하나 이상이 결합으로 구현될 수 있다.
다만 이에 한정되는 것은 아니며, 본 개시 내용에서 모델은 하나 이상의 양계를 포함하는 이미지를 입력 받고 대응되는 양계 체중 및/또는 출하 시점을 추론하도록 학습된 단일한 딥 러닝 모델일 수 있으며, 이 경우 모델은 CNN(Convolutional Neural Network; CNN), RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory), 오토인코더(Autoencoder), DRN(Deep Residual Network) 등 이미지 처리에 사용 가능한 임의의 알고리즘 및/또는 뉴럴 네트워크 구조를 사용하여 구현될 수 있다. 또는, 본 개시 내용에서 모델은 상술한 양계 탐지 모델 및 체중 예측 모델 외에도 이미지 보정 모델 등 추가적인 모델을 더 포함할 수도 있다.
도 1은 본 개시의 몇몇 실시예에 따른 양계 데이터 처리 장치를 나타낸 블록도이다.
도 1을 참조하면, 본 개시에 따른 양계 데이터 처리 장치(100)는 이미지 보정부(110), 양계 탐지 모델부(120), 예측 모델 결정부(130), 체중 예측 모델부(140), 모델 학습부(150) 및 저장부(160)를 포함할 수 있다.
본 개시에 따른 데이터 수집 장치(200)는, 예컨대 양계장에 설치되는 CCTV, 열화상 카메라 등 하나 이상의 카메라를 포함하는 카메라부(210), 양계장에 설치되는 온습도 센서, 유해가스(예를 들어, 이산화탄소, 암모니아) 센서, 조도 센서, 무게 센서(예를 들어, 체중계) 등 하나 이상의 센서를 포함하는 센서부(220), 그리고 이 밖에 녹음 데이터를 수집하기 위한 마이크부(230) 중 적어도 일부를 포함할 수 있다.
본 개시에 따른 양계 데이터 처리 장치(100)는, 양계와 연관된 공간에 기 설치되는 데이터 수집 장치(200)와 무선통신 등의 통신망으로 연결되어, 데이터 수집 장치(200)로부터 수집되는 데이터를 전송받을 수 있다.
양계 데이터 처리 장치(100)의 이미지 보정부(110)는, 데이터 수집 장치(200)의 카메라부(210)로부터 하나 이상의 양계를 포함하도록 촬영된 로우(raw) 이미지를 수신하고, 로우 이미지의 왜곡 및 밝기 중 적어도 하나를 보정하여, 모델에 입력하기 위한 이미지를 생성할 수 있다.
여기서 로우 이미지는, 높은 고도에서 지면에 대해 수직 방향으로 촬영된 하이-앵글(high-angle) 이미지일 수 있다. 가령 로우 이미지는, 양계장의 천정에 설치된 카메라가 양계장 내부를 양계장 바닥면에 대해 수직인 방향으로 촬영한 이미지일 수 있다.
이미지 보정부(110)는, 로우 이미지에 포함된 왜곡을 보정할 수 있으며, 예컨대 어안렌즈 왜곡(fisheye distortion)을 보정할 수 있다. 다만 이에 한정되는 것은 아니며, 이미지 보정부(110)는 로우 이미지에 포함된 핀쿠션 왜곡(pincushion distortion) 등 임의의 광학 왜곡이나 기기에 의한 왜곡을 보정할 수 있다.
한편 이미지 보정부(110)는, 로우 이미지의 밝기를 보정할 수 있다. 구체적으로 이미지 보정부(110)는, 먼저 로우 이미지가 보정이 필요한 이미지인지 또는 보정이 불필요한 이미지인지를 이진(binary) 분류할 수 있다. 가령, 로우 이미지의 밝기(또는, 명암)가 충분한 지 여부를 판단하고, 밝기가 불충분한 경우 로우 이미지를 보정이 필요한 이미지로 분류하고, 밝기가 충분한 경우 로우 이미지를 보정이 불필요한 이미지로 분류할 수 있다.
이미지 보정부(110)는, 로우 이미지의 밝기가 충분한지 여부를 정량적으로 판단하기 위해, 로우 이미지에 포함된 픽셀들 각각의 밝기 값의 평균을 임계값과 비교할 수 있다. 즉, 로우 이미지에 포함된 픽셀들 각각의 밝기 값의 평균이 임계값보다 낮은 경우, 로우 이미지를 밝기 보정이 필요한 이미지로 분류하고, 로우 이미지에 포함된 픽셀들 각각의 밝기 값의 평균이 임계값보다 높은 경우, 로우 이미지를 밝기 보정이 불필요한 이미지로 분류할 수 있다. 이와 같이 이미지 보정부(110)는 밝기 보정이 필요한 이미지에 대하여만 보정을 수행함으로써, 연산 프로세스를 간소화하고 부하를 줄일 수 있다.
한편 이미지 보정부(110)는, 보정이 필요한 이미지로 분류된 로우 이미지의 밝기를 보정하기 위해, 과거 시점에 수집된 하나 이상의 이미지들을 사용할 수 있다. 구체적으로 이미지 보정부(110)는, 로우 이미지보다 24시간 전(또는, 하루 전)에 획득된 하나 이상의 과거 이미지들 중, 보정이 필요한 이미지로 분류된 과거 이미지들과 보정이 불필요한 이미지로 분류된 과거 이미지 간의 밝기 값의 차이를 기초로, 로우 이미지의 밝기를 보정할 수 있다. 가령, 보정이 필요한 이미지로 분류된 과거 이미지들의 평균 밝기 값과 보정이 불필요한 이미지로 분류된 과거 이미지들의 평균 밝기 값 간의 차이 값을 산출하고, 해당 차이 값을 로우 이미지의 픽셀들 각각의 밝기 값에 더하여 밝기를 보정할 수 있다. 다만 이에 한정되는 것은 아니다.
이미지 보정부(110)는 상술한 과정을 통해 로우 이미지를 보정하여 이미지를 생성하고, 해당 이미지를 양계 탐지 모델부(120)로 전달하여, 이미지와 대응되는 양계 크기 정보를 획득하게끔 할 수 있다. 이미지 보정부(110)에 의해 수행되는 로우 이미지 보정과 관련한 보다 상세한 설명은, 도 2 내지 도 3을 통하여 후술한다.
양계 데이터 처리 장치(100)의 양계 탐지 모델부(120)는, 하나 이상의 양계를 포함하는 이미지를 입력받아, 하나 이상의 양계 중 적어도 일부의 양계들에 대한 양계 크기 정보를 획득할 수 있다.
여기서 적어도 일부의 양계들은, 이미지의 중심점으로부터 임계 거리 이내에 존재하는 양계일 수 있다. 이미지 보정부(110)에 의해 로우 이미지에 대한 왜곡 보정이 수행된 경우라도, 카메라 초점(즉, 이미지의 중심점)으로부터 멀어질 수록 이미지 내 데이터 부정확도가 높아질 수 있다. 이에 따라 양계 탐지 모델부(120)는, 이미지에 포함된 하나 이상의 양계들 중, 가령 이미지의 중심점으로부터 기 설정된 반지름을 초과하는 영역에 속하는 양계들을 제외하고, 나머지 양계들에 대하여 양계 크기 정보를 획득할 수 있다.
또는, 적어도 일부의 양계들은, 양계 각각에 대응하는 경계값 정보가 이미지의 영역 이내에 존재하는 양계일 수 있다. 가령 양계 탐지 모델부(120)는, 객체 인식을 통해 이미지에 포함된 하나 이상의 양계들 각각에 대한 바운딩 박스(bounding box; 즉, 경계값 정보)를 생성할 수 있다. 그리고 양계 탐지 모델부(120)는, 바운딩 박스가 이미지 영역 이내에 존재하는 양계들, 즉 바운딩 박스가 이미지의 테두리에 걸쳐지거나 혹은 바운딩 박스가 이미지의 테두리를 거의 벗어나는 양계들을 제외한 나머지 양계들에 대하여 양계 크기 정보를 획득할 수 있다.
또는, 적어도 일부의 양계들은, 형태 완성도가 높은 양계들로서, 가령 이미지 상에서 중첩되지 않는 타원형 형태를 가지는 양계일 수 있다. 즉, 양계 탐지 모델부(120)는, 여러 양계들이 밀집해 있어, 이미지 상에서 형태가 서로 중첩되고 타원형으로 인식되지 않는 양계들을 제외한 나머지 양계들에 대하여 양계 크기 정보를 획득할 수 있다.
이와 같이 양계 탐지 모델부(120)는 이미지에 포함된 하나 이상의 양계들 중, 양계 크기 정보를 정확하게 산출하기에 적합한 적어도 일부의 양계들을 식별하고, 해당 양계들에 대하여만 양계 크기 정보를 산출할 수 있다. 이에 따라 본 발명에 따른 양계 데이터 처리 방법은, 높은 정확도로 획득된 양계 크기 정보를 바탕으로, 양계에 관한 체중 및/또는 출하 시점을 높은 정확도로 예측할 수 있다. 양계 탐지 모델부(120)에 의해 이미지에 포함된 하나 이상의 양계들 중 적어도 일부의 양계들이 식별되는 일 예시를 도 4를 통하여 후술한다.
한편 양계 탐지 모델부(120)는, 상술한 적어도 일부의 양계들 각각에 대응되는 이미지 서브 영역의 픽셀 단위 크기 정보, 각각의 픽셀 단위 크기 정보의 평균값, 또는 각각의 픽셀 단위 크기 정보의 편차값 중 적어도 하나를 양계 크기 정보로서 획득할 수 있다. 그리고 양계 탐지 모델부(120)는, 상술한 과정을 통해 획득된 양계 크기 정보를 예측 모델 결정부(130)를 통해 결정된 체중 예측 모델로 전달하여, 대응되는 양계 체중 예측 정보 및 출하 시점 예측 정보 중 적어도 하나를 획득하게끔 할 수 있다.
양계 데이터 처리 장치(100)의 예측 모델 결정부(130)는, 양계 크기 정보로부터 양계 체중 예측 정보 및/또는 출하 시점 예측 정보를 획득하기 위한 복수의 체중 예측 모델 중, 예측 오차를 최소화하도록 적어도 하나의 체중 예측 모델을 결정할 수 있다.
여기서 복수의 체중 예측 모델은, 양계의 깃털 양에 의존하는 적어도 두 개의 체중 예측 모델을 포함할 수 있다. 가령 복수의 체중 예측 모델은, 깃털 양이 많은 양계에 관한 체중 예측 모델과, 깃털 양이 적은 양계에 관한 체중 예측 모델을 적어도 포함할 수 있다. 서로 동일하거나 유사한 값의 양계 크기 정보가 복수의 체중 예측 모델 각각에 입력되는 경우, 깃털 양이 많은 양계에 관한 체중 예측 모델에 의해 예측되는 체중 예측 정보는, 깃털 양이 적은 양계에 관한 체중 예측 모델에 의해 예측되는 체중 예측 정보보다 작은 값을 가질 수 있다.
이에 따라 예측 모델 결정부(130)는, 이미지에 포함된 하나 이상의 양계들 중, 깃털 양이 많은 양계와 깃털 양이 적은 양계 중 어느 것이 더 지배적인지 여부에 기초하여, 깃털 양에 따른 체중 예측 오차를 최소화할 수 있는 적어도 하나의 체중 예측 모델을 결정할 수 있다.
가령, 예측 모델 결정부(130)는, 이미지의 하나 이상의 양계와 연관된 공간(예를 들어, 양계장)의 온도 정보에 기초하여, 복수의 체중 예측 모델 중 적어도 하나의 체중 예측 모델을 결정할 수 있다. 여기서 온도 정보는, 전술한 데이터 수집 장치(200)의 센서부(220)에 의해 수집될 수 있다.
보다 구체적으로, 예측 모델 결정부(130)는, 하나 이상의 양계와 연관된 공간의 온도 정보가 임계 온도값 보다 높은 경우, 깃털 양이 적은 양계에 관한 체중 예측 모델을, 적어도 하나의 체중 예측 모델로 결정할 수 있다. 반대로 예측 모델 결정부(130)는, 하나 이상의 양계와 연관된 공간의 온도 정보가 임계 온도값 보다 낮은 경우, 깃털 양이 많은 양계에 관한 체중 예측 모델을, 적어도 하나의 체중 예측 모델로 결정할 수 있다.
겨울철 양계의 경우 깃털의 양이 많으므로, 여름철 양계와 비교하여 이미지 상 양계 크기 정보가 상대적으로 크게 측정될 수 있다. 이에 예측 모델 결정부(130)는, 계절(또는, 온도)과 깃털 양 간의 상관관계에 기초하여, 깃털 양에 따른 체중 예측 오차를 최소화하기 위한 적어도 하나의 체중 예측 모델을 결정할 수 있다.
또는, 예측 모델 결정부(130)는, 이미지의 하나 이상의 양계의 색상 정보에 기초하여, 복수의 체중 예측 모델 중 적어도 하나의 체중 예측 모델을 결정할 수 있다. 보다 구체적으로, 예측 모델 결정부(130)는, 하나 이상의 양계들 중 갈색 계통인 양계 개체수가 흰색 계통인 양계 개체수보다 많은 경우, 깃털 양이 적은 양계에 관한 체중 예측 모델을, 적어도 하나의 체중 예측 모델로 결정할 수 있다. 반대로 예측 모델 결정부(130)는, 갈색 계통인 양계 개체수가 흰색 계통인 양계 개체수보다 적은 경우, 깃털 양이 많은 양계에 관한 체중 예측 모델을, 적어도 하나의 체중 예측 모델로 결정할 수 있다.
겨울철 양계의 경우 흰색 계통인 깃털의 양이 많으므로, 깃털의 양이 적어 피부가 드러나는 여름철 양계에 비하여 흰색 계통의 깃털 색상이 지배적일 수 있다. 이에 예측 모델 결정부(130)는, 계절(또는, 온도)과 양계 색상 정보 간의 상관관계 및 전술한 계절과 깃털 양 간의 상관관계에 기초하여, 깃털 양에 따른 체중 예측 오차를 최소화하기 위한 적어도 하나의 체중 예측 모델을 결정할 수 있다.
예측 모델 결정부(130)는, 이미지에 대한 클러스터링 분석을 통해, 이미지로부터 색상 정보를 획득할 수 있다. 예를 들어, 예측 모델 결정부(130)는 이미지에 포함된 양계들 각각에 대하여, 대응되는 이미지 내 서브 영역의 픽셀 값들로부터 2-Cluster-GMM을 통해 두 개의 대표값을 추출할 수 있다. 그리고 예측 모델 결정부(130)는, 대표값들 간의 차이가 임계 차이값보다 작은 경우, 해당 양계의 색상 정보가 흰색 계통인 것으로 결정하고, 대표값들 간의 차이가 임계 차이값보다 큰 경우, 해당 양계의 색상 정보가 갈색 계통인 것으로 결정할 수 있다.
예측 모델 결정부(130)는 상술한 과정을 통해 이미지에 포함된 하나 이상의 양계들(또는, 적어도 일부의 양계들) 각각에 대하여 색상 정보를 결정하고, 이미지 내에 갈색 계통인 양계 개체수와 흰색 계통인 양계 개체수 중 어느 것이 더 많은지 여부에 따라 깃털 양에 따른 체중 예측 오차를 최소화하기 위한 적어도 하나의 체중 예측 모델을 결정할 수 있다.
다만 이에 한정되는 것은 아니며, 예측 모델 결정부(130)는 이미지에 포함된 양계들 각각에 대한 색상 정보가 아닌, 이미지 전체에 대한 색상 정보 대표값들에 기초하여 적어도 하나의 체중 예측 모델을 결정할 수도 있다.
이와 같이 예측 모델 결정부(130)는, 이미지에 대해 예측 오차를 최소화할 수 있는 체중 예측 모델을 자동 결정하여 체중 예측에 사용되게끔 할 수 있고, 이에 따라 본 발명에 따른 양계 데이터 처리 방법은, 양계에 관한 체중 및/또는 출하 시점을 높은 정확도로 예측할 수 있다. 예측 오차를 최소화하기 위해 복수의 체중 예측 모델 중 적어도 하나의 체중 예측 모델을 결정하여야 할 필요성 및 그 방법의 일 예시에 관하여, 도 6 내지 도 7을 통해 보다 자세히 후술한다.
양계 데이터 처리 장치(100)의 체중 예측 모델부(140)는, 양계 탐지 모델부(120)로부터 획득된 양계 크기 정보를, 예측 모델 결정부(130)로부터 결정된 적어도 하나의 체중 예측 모델에 입력하고, 하나 이상의 양계에 대한 양계 체중 예측 정보 및 출하 시점 예측 정보 중 적어도 하나를 획득할 수 있다.
체중 예측 모델부(140)는, 적어도 데이터 수집 장치(200)로부터 수집된 데이터에 기초한 학습용 데이터 세트, 그리고 후술할 모델 학습부(150)에 의해, 양계의 크기 정보와 양계의 체중 및/또는 양계의 출하 시점 간의 상관관계를 학습하고, 궁극적으로 양계의 크기 정보를 입력 받아 양계의 체중 및 양계의 출하 시점 중 적어도 하나를 추론할 수 있다. 양계의 크기 정보와 양계의 체중 간의 상관관계에 관하여, 도 8을 통해 보다 자세히 후술한다.
다만 이에 한정되는 것은 아니며, 체중 예측 모델부(140)는 양계를 포함하는 이미지와, 이미지에 포함된 양계들의 체중 및/또는 출하 시점 간의 상관관계를 학습하여, 궁극적으로 이미지를 입력 받아 양계의 체중 및 양계의 출하 시점 중 적어도 하나를 추론할 수 있다.
또는, 체중 예측 모델부(140)는 양계 크기 정보 이외에, 양계의 성장과 관련된 환경 데이터와 양계의 체중 및/또는 양계의 출하 시점 간의 상관관계를 추가로 학습하고, 궁극적으로 양계의 크기 정보 및 양계와 연관된 환경 데이터를 입력 받아 양계의 체중 및 양계의 출하 시점 중 적어도 하나를 추론할 수 있다. 다시 말해, 양계 크기 정보 외에도, 양계의 성장 저해 조건 등 양계와 연관된 공간(예를 들어, 양계장)의 여러 환경 데이터를 고려하여, 양계 체중 및/또는 출하 시점을 보다 높은 정확도로 예측할 수 있다.
여기서 환경 데이터는, 온도 데이터, 습도 데이터, 조도 데이터, 및 이산화탄소나 암모니아 등 하나 이상의 유해가스 데이터 중 적어도 일부를 포함할 수 있다. 환경 데이터의 적어도 일부는, 전술한 데이터 수집 장치(200)에 의해 수집될 수 있다.
양계 데이터 처리 장치(100)의 모델 학습부(150)는, 하나 이상의 학습용 데이터 세트를 사용하여, 전술한 양계 탐지 모델 및/또는 체중 예측 모델을 학습시킬 수 있다.
보다 구체적으로, 모델 학습부(150)는, 양계에 관한 종 데이터, 주령 데이터, 이미지 데이터, 이미지 촬영 거리 데이터, 및 크기 데이터 중 적어도 일부를 포함하는 학습용 양계 데이터를 획득할 수 있다. 또한 모델 학습부(150)는 양계장에 기 설치된 하나 이상의 무게 센서(예를 들어, 체중계)를 통해, 양계에 관한 학습용 체중 데이터를 획득할 수 있다.
일반적으로 양계는 천적을 피하거나 잠을 자기 위해 평지보다 높은 곳에 머무르려 하는 습성이 있다. 이와 같은 양계의 습성을 이용하여, 양계장 내에 하나 이상의 체중계를 설치함으로써, 양계에 관한 학습용 체중 데이터를 획득할 수 있다. 여기서 체중계는 상시 전원이 아닌 배터리 전원으로 작동하여, 가령 양계가 체중계로 뛰어 올라 체중이 감지될 때마다 체중 데이터를 획득하도록 작동될 수 있다. 다만 이에 한정되는 것은 아니다.
모델 학습부(150)는, 상술한 학습용 체중 데이터를 학습용 양계 데이터와 매칭한 학습용 데이터 세트에 기초하여, 본 개시에 따른 체중 예측 모델을 학습시킬 수 있다. 구체적으로, 모델 학습부(150)는 학습용 양계 데이터에 포함된 이미지 데이터로부터 양계의 크기 데이터를 산출하거나, 또는 학습용 양계 데이터에 포함된 크기 데이터를 학습용 체중 데이터와 매칭한 학습용 데이터 세트에 기초하여, 양계의 크기 정보로부터 양계의 체중 및 양계의 출하 시점 중 적어도 하나를 추론하도록, 본 개시에 따른 체중 예측 모델을 학습시킬 수 있다.
또는, 모델 학습부(150)는, 양계장에 관한 온도 데이터, 습도 데이터, 조도 데이터, 및 하나 이상의 유해가스 데이터 중 적어도 일부를 포함하는 학습용 환경 데이터를 획득할 수 있다. 그리고 모델 학습부(150)는, 학습용 체중 데이터를 학습용 환경 데이터와 매칭한 학습용 데이터 세트에 추가로 기초하여, 본 개시에 따른 체중 예측 모델을 학습시킬 수 있다.
다시 말해, 모델 학습부(150)는 학습용 양계 데이터에 포함된 양계의 크기 데이터 및 해당 양계와 연관된 환경 데이터를 학습용 체중 데이터와 매칭한 학습용 데이터 세트에 기초하여, 양계의 크기 정보 및 환경 데이터로부터 양계의 체중 및 양계의 출하 시점 중 적어도 하나를 추론하도록, 본 개시에 따른 체중 예측 모델을 보다 정교하게 학습시킬 수 있다.
또는, 모델 학습부(150)는, 하나 이상의 양계를 포함하는 이미지 및 해당 이미지를 본 개시에 따른 모델에 입력하여 추론된 양계의 체중 및 양계의 출하 시점 중 적어도 하나를 서로 매칭하고 누적 저장하여, 재학습용 데이터 세트를 획득할 수 있다. 그리고 모델 학습부(150)는, 재학습용 데이터 세트에 추가로 기초하여 본 개시에 따른 모델(예를 들어, 체중 예측 모델)을 학습시킬 수 있다.
다시 말해 모델 학습부(150)는, 상술한 하나 이상의 학습용 데이터 세트(즉, 학습용 체중 데이터를 학습용 양계 데이터와 매칭한 학습용 데이터 세트, 및/또는 학습용 체중 데이터를 학습용 환경 데이터와 매칭한 학습용 데이터 세트)에 기초하여 본 개시에 따른 체중 예측 모델을 학습시킬 수 있으며, 나아가 그와 같이 기 학습된 체중 예측 모델에 입력되는 이미지와 해당 이미지로부터 추론된 결과(즉, 양계의 체중 및 양계의 출하 시점 중 적어도 하나)의 쌍으로 이루어진 재학습용 데이터 세트에 기초하여, 본 개시에 따른 체중 예측 모델을 지속적으로 재학습시킬 수 있다.
이에 따라 본 개시에 따른 하나 이상의 모델들 각각은, 입력되는 이미지 데이터가 누적될수록 그 추론의 성능이 향상될 수 있으며, 궁극적으로 양계에 관한 체중 및/또는 출하 시점을 높은 정확도로 예측할 수 있다.
한편 상술한 학습용 양계 데이터, 학습용 체중 데이터, 및/또는 학습용 환경 데이터 중 적어도 일부는, 양계 데이터 처리 장치(100)와 무선통신 연결되도록 양계장에 기 설치되며, 카메라부(210), 센서부(220), 및 마이크부(230) 중 적어도 일부를 포함하는 데이터 수집 장치(200)에 의해 수집되고, 양계 데이터 처리 장치(100)로 전달될 수 있다.
이 때 데이터 수집 장치(200)는 기 설정된 시간 간격에 따라 데이터를 주기적으로 자동 수집할 수 있다. 가령 5분 주기로 이미지 데이터를 획득하거나, 2분 주기로 환경 데이터를 측정하여 양계 데이터 처리 장치(100)로 전송할 수 있다.
다만 이에 한정되는 것은 아니며, 학습용 양계 데이터, 학습용 체중 데이터, 및/또는 학습용 환경 데이터 중 적어도 일부는 데이터 수집 장치(200)로부터 수집된 데이터를 연산하여 획득되거나, 사용자에 의해 직접 입력될 수도 있다.
학습용 데이터 세트에 기초하여 체중 예측 모델을 학습시키는 방법의 일 예시에 관하여, 도 9를 통해 보다 자세히 후술한다.
양계 데이터 처리 장치(100)의 저장부(160)는, 데이터 수집 장치(200) 또는 사용자 입력 등으로부터 수집된 데이터를 저장하거나, 수집된 데이터를 기초로 하나 이상의 모델들로부터 획득된 체중 예측 정보 및/또는 출하 시점 예측 정보를 저장하거나, 또는 본 개시에 따른 양계 데이터 처리 방법을 제공하기 위한 하나 이상의 모델이나 프로그램 명령을 저장할 수 있다.
저장부(160)는, 데이터 수집 장치(200)로부터 수집된 데이터를 정형 데이터와 비정형 데이터로 구분하여 저장할 수 있다.
정형 데이터는, 온도 데이터, 습도 데이터, 유해가스 데이터, 또는 체중 데이터 등을 포함할 수 있다. 양계 데이터 처리 장치(100)는, 데이터 수집 장치(200)로부터 MQTT 프로토콜을 사용하여 JSON 형태로 정형 데이터를 수신하고, 저장부(160)의 정형 데이터베이스(미도시)에 정형 데이터를 저장할 수 있다.
비정형 데이터는, 이미지 데이터 또는 녹음 데이터 등을 포함할 수 있다. 양계 데이터 처리 장치(100)는 비정형 데이터를 수신하고, 각각의 비정형 데이터의 파일은 저장부(160)의 파일 저장 공간(미도시)에 저장할 수 있다.
한편 양계 데이터 처리 장치(100)는, 수신한 비정형 데이터 파일의 목록과 종류에 관한 데이터를 저장부(160)의 정형 데이터베이스(미도시)에 저장할 수 있다. 이 때 각각의 비정형 데이터 파일을, 연관된 농가 ID, 수집 장치 ID, 축사 ID, 수집 일시 중 적어도 하나와 매칭하여 파일 저장 공간(미도시)에 저장할 수 있다. 또한 비정형 데이터를 본 개시에 따른 하나 이상의 모델을 사용하여 처리한 결과 데이터는 일반적으로 정형 데이터인 바, 양계 데이터 처리 장치(100)는 비정형 데이터의 처리 결과를 저장부(160)의 정형 데이터베이스(미도시)에 저장할 수 있다.
다만 상술한 구성은 본 개시에 따른 양계 데이터 처리 장치(100)를 구현하는 데 필수적인 것은 아니어서, 양계 데이터 처리 장치(100)는 열거된 구성보다 많거나 적은 구성들로 구현될 수 있다. 가령 양계 데이터 처리 장치(100)는 저장부(160)를 포함하지 않고, 외부 데이터베이스나 또는 클라우드 데이터베이스와 네트워크를 통해 연결될 수도 있다. 또는 양계 데이터 처리 장치(100)는 모델 학습부(150)를 포함하지 않고, 별도 서버 등에서 기 학습된 양계 탐지 모델 및/또는 체중 예측 모델을 네트워크를 통해 전송받아 사용할 수도 있다.
도 2는 본 개시의 몇몇 실시예에 따른 로우 이미지와 왜곡 보정된 이미지를 비교 도시한 도면이다.
구체적으로 도 2(a)는 어안렌즈 왜곡을 포함하는 로우 이미지의 일 예시이며, 도 2(b)는 도 2(a)의 어안렌즈 왜곡을 보정하여 생성된 이미지의 일 예시이다.
양계 데이터 처리 장치(100)의 이미지 보정부(110)는, 데이터 수집 장치(200)의 카메라부(210)로부터 하나 이상의 양계를 포함하도록 촬영된 로우(raw) 이미지를 수신하고(도 2(a) 참조), 로우 이미지의 왜곡을 보정하여, 모델에 입력하기 위한 이미지(도 2(b) 참조)를 생성할 수 있다.
예를 들어 이미지 보정부(110)는, 도 2(a)의 로우 이미지에 포함된 것과 같은 어안렌즈 왜곡(fisheye distortion)을 보정할 수 있다. 어안렌즈 왜곡을 위해 하기와 같은 카메라 행렬 연산이 사용될 수 있다:
[수학식 1]
여기서 변수 fx 및 fy는 카메라 초점거리에 관한 변수로서 카메라 사양에 의존하는 값일 수 있고, 변수 cx 및 cy는 광학 중심에 관한 변수로서, 예컨대 로우 이미지의 중심점 좌표일 수 있다. 다만 이에 한정되는 것은 아니며, 이미지 보정부(110)는 로우 이미지에 포함된 핀쿠션 왜곡(pincushion distortion) 등 임의의 광학 왜곡이나 기기에 의한 왜곡을 보정할 수 있다.
도 3은 본 개시의 몇몇 실시예에 따른 로우 이미지로부터 밝기 보정된 이미지를 생성하는 방법에 대한 순서도이다.
양계 데이터 처리 장치(100)의 이미지 보정부(110)는, 데이터 수집 장치(200)의 카메라부(210)로부터 하나 이상의 양계를 포함하도록 촬영된 로우(raw) 이미지를 수신하고, 로우 이미지의 밝기를 보정하여, 모델에 입력하기 위한 이미지를 생성할 수 있다.
도 3을 참조하면, 양계 데이터 처리 장치(100)의 이미지 보정부(110)는, 먼저 로우 이미지가 보정이 필요한 이미지인지 또는 보정이 불필요한 이미지인지를 판단하기 위해, 로우 이미지에 포함된 픽셀들 각각의 밝기 값의 평균을 임계값과 비교할 수 있다(S110).
다음으로, 양계 데이터 처리 장치(100)의 이미지 보정부(110)는, 상기 비교결과에 기초하여, 로우 이미지를 보정이 필요한 이미지 또는 보정이 불필요한 이미지 중 어느 하나로 이진 분류할 수 있다(S120).
다시 말해, 이미지 보정부(110)는 로우 이미지에 포함된 픽셀들 각각의 밝기 값의 평균을 임계값과 비교하여, 로우 이미지의 밝기(또는, 명암)가 충분한 지 여부를 판단할 수 있다. 로우 이미지에 포함된 픽셀들 각각의 밝기 값의 평균이 임계값보다 낮은 경우, 이미지 보정부(110)는 로우 이미지를 밝기 보정이 필요한 이미지로 분류하고, 로우 이미지에 포함된 픽셀들 각각의 밝기 값의 평균이 임계값보다 높은 경우, 이미지 보정부(110)는 로우 이미지를 밝기 보정이 불필요한 이미지로 분류할 수 있다.
이와 같이 이미지 보정부(110)는 밝기 보정이 필요한 이미지에 대하여만 보정을 수행함으로써, 연산 프로세스를 간소화하고 부하를 줄일 수 있다.
한편 로우 이미지가 보정이 필요한 이미지로 분류된 경우(S120, Y), 이미지 보정부(110)는, 하나 이상의 기 처리된 이미지들 중, 보정이 불필요한 이미지로 분류된 이미지와 보정이 필요한 이미지로 분류된 이미지 간의 밝기 값 차이를 기초로, 로우 이미지의 밝기를 보정할 수 있다(S130).
구체적으로 이미지 보정부(110)는, 로우 이미지보다 24시간 전(또는, 하루 전)에 획득된 하나 이상의 과거 이미지들 중, 보정이 필요한 이미지로 분류된 과거 이미지들과 보정이 불필요한 이미지로 분류된 과거 이미지 간의 밝기 값의 차이를 기초로, 로우 이미지의 밝기를 보정할 수 있다. 가령, 보정이 필요한 이미지로 분류된 과거 이미지들의 평균 밝기 값과 보정이 불필요한 이미지로 분류된 과거 이미지들의 평균 밝기 값 간의 차이 값을 산출하고, 해당 차이 값을 로우 이미지의 픽셀들 각각의 밝기 값에 더하여 밝기를 보정할 수 있다. 다만 이에 한정되는 것은 아니다.
로우 이미지가 보정이 불필요한 이미지로 분류된 경우(S120, N), 이미지 보정부(110)는 밝기 보정을 수행하지 않고, 해당 로우 이미지를 양계 탐지 모델부(120)로 전달하여 이미지와 대응되는 양계 크기 정보를 획득하게끔 하거나, 그리고/또는 후속하는 로우 이미지를 수신하여 이미지 보정을 수행할 수 있다.
도 4는 본 개시의 몇몇 실시예에 따른 양계 탐지 모델을 설명하기 위한 도면이다.
구체적으로 도 4는, 양계 탐지 모델부(120)가 이미지 보정부(110)로부터 수신한 이미지를 양계 탐지 모델에 입력하여, 이미지에 포함된 하나 이상의 양계 중 양계 크기 정보를 획득하기 위한 적어도 일부의 양계들을 식별하는 일례를 도시한다.
여기서 적어도 일부의 양계들은, 이미지의 중심점으로부터 임계 거리 이내에 존재하는 양계일 수 있다. 이미지 보정부(110)에 의해 로우 이미지에 대한 왜곡 보정이 수행된 경우라도, 카메라 초점(즉, 이미지의 중심점)으로부터 멀어질 수록 이미지 내 데이터 부정확도가 높아질 수 있다. 이에 따라 양계 탐지 모델부(120)는, 이미지에 포함된 하나 이상의 양계들 중, 가령 이미지의 중심점으로부터 기 설정된 반지름을 초과하는 영역에 속하는 양계들(310)을 제외하고, 나머지 양계들에 대하여 양계 크기 정보를 획득할 수 있다.
또는, 적어도 일부의 양계들은, 양계 각각에 대응하는 경계값 정보가 이미지의 영역 이내에 존재하는 양계일 수 있다. 가령 양계 탐지 모델부(120)는, 객체 인식을 통해 이미지에 포함된 하나 이상의 양계들 각각에 대한 바운딩 박스(즉, 경계값 정보)를 생성할 수 있다. 그리고 양계 탐지 모델부(120)는, 바운딩 박스가 이미지 영역 이내에 존재하는 양계들, 즉 바운딩 박스가 이미지의 테두리에 걸쳐지거나 혹은 바운딩 박스가 이미지의 테두리를 거의 벗어나는 양계들을 제외한 나머지 양계들에 대하여 양계 크기 정보를 획득할 수 있다.
또는, 적어도 일부의 양계들은, 형태 완성도가 높은 양계들로서, 가령 이미지 상에서 중첩되지 않는 타원형 형태를 가지는 양계일 수 있다. 즉, 양계 탐지 모델부(120)는, 여러 양계들이 밀집해 있어, 이미지 상에서 형태가 서로 중첩되고 타원형으로 인식되지 않는 양계들(320)을 제외한 나머지 양계들에 대하여 양계 크기 정보를 획득할 수 있다.
이와 같이 양계 탐지 모델부(120)는 이미지에 포함된 하나 이상의 양계들 중, 양계 크기 정보를 정확하게 산출하기에 적합한 적어도 일부의 양계들을 식별하고, 해당 양계들에 대하여만 양계 크기 정보를 산출할 수 있다. 이에 따라 본 발명에 따른 양계 데이터 처리 방법은, 높은 정확도로 획득된 양계 크기 정보를 바탕으로, 양계에 관한 체중 및/또는 출하 시점을 높은 정확도로 예측할 수 있다.
도 5는 본 개시의 몇몇 실시예에 따른 양계 데이터 처리 방법에 대한 순서도이다.
도 5를 참조하면, 양계 데이터 처리 장치(100)의 양계 탐지 모델부(120)는, 하나 이상의 양계를 포함하는 이미지를 양계 탐지 모델에 입력하여, 하나 이상의 양계 중 적어도 일부의 양계들에 대한 양계 크기 정보를 획득할 수 있다(S210).
여기서 이미지는, 이미지 보정부(110)가 로우 이미지를 보정하여 생성한 이미지일 수 있으며, 양계 탐지 모델부(120)는 이미지에 포함된 하나 이상의 양계 중 적어도 일부의 양계들을 식별하고, 해당 양계들에 대한 양계 크기 정보를 획득할 수 있다.
구체적으로 양계 탐지 모델부(120)는, 적어도 일부의 양계들 각각에 대응되는 이미지 서브 영역의 픽셀 단위 크기 정보, 각각의 픽셀 단위 크기 정보의 평균값, 또는 각각의 픽셀 단위 크기 정보의 편차값 중 적어도 하나를 양계 크기 정보로서 획득할 수 있다.
그리고 양계 탐지 모델부(120)는, 상술한 과정을 통해 획득된 양계 크기 정보를 예측 모델 결정부(130)를 통해 결정된 체중 예측 모델로 전달할 수 있다.
다음으로, 양계 데이터 처리 장치(100)의 체중 예측 모델부(140)는, 양계 크기 정보를, 복수의 체중 예측 모델 중 예측 오차를 최소화하도록 예측 모델 결정부(130)에서 결정된 적어도 하나의 체중 예측 모델에 입력하여, 하나 이상의 양계에 대한 양계 체중 예측 정보 및 출하 시점 예측 정보 중 적어도 하나를 획득할 수 있다(S220).
양계 데이터 처리 장치(100)의 예측 모델 결정부(130)는, 양계 크기 정보로부터 양계 체중 예측 정보 및/또는 출하 시점 예측 정보를 획득하기 위한 복수의 체중 예측 모델 중, 예측 오차를 최소화하도록 적어도 하나의 체중 예측 모델을 결정할 수 있다.
양계 데이터 처리 장치(100)의 체중 예측 모델부(140)는, 양계 탐지 모델부(120)로부터 획득된 양계 크기 정보를, 예측 모델 결정부(130)로부터 결정된 적어도 하나의 체중 예측 모델에 입력하고, 하나 이상의 양계에 대한 양계 체중 예측 정보 및 출하 시점 예측 정보 중 적어도 하나를 획득할 수 있다.
여기서 체중 예측 모델부(140)는, 적어도 데이터 수집 장치(200)로부터 수집된 데이터에 기초한 학습용 데이터 세트, 그리고 모델 학습부(150)에 의해, 양계의 크기 정보와 양계의 체중 및/또는 양계의 출하 시점 간의 상관관계를 학습하고, 궁극적으로 양계의 크기 정보를 입력 받아 양계의 체중 및 양계의 출하 시점 중 적어도 하나를 추론하도록 구현될 수 있다.
도 6은 본 개시의 몇몇 실시예에 따른 복수의 체중 예측 모델을 비교 설명하기 위한 도면이다.
구체적으로 도 6(a)는 깃털 양이 적은 양계를, 도 6(b)는 깃털 양이 많은 양계를 각각 도시한다.
겨울철 양계(도 6(b) 참조)의 경우 깃털의 양이 많으므로, 여름철 양계(도 6(a) 참조)와 비교하여 이미지 상 양계 크기 정보가 상대적으로 크게 측정될 수 있다. 또는, 겨울철 양계(도 6(b) 참조)의 경우 흰색 계통인 깃털의 양이 많으므로, 깃털의 양이 적어 피부가 드러나는 여름철 양계(도 6(a) 참조)에 비하여 흰색 계통의 깃털 색상이 지배적일 수 있다.
이에 복수의 체중 예측 모델은, 양계의 깃털 양에 의존하는 적어도 두 개의 체중 예측 모델을 포함할 수 있다. 가령 복수의 체중 예측 모델은, 깃털 양이 많은 양계에 관한 체중 예측 모델과, 깃털 양이 적은 양계에 관한 체중 예측 모델을 적어도 포함할 수 있다.
서로 동일하거나 유사한 값의 양계 크기 정보가 복수의 체중 예측 모델 각각에 입력되는 경우, 깃털 양이 많은 양계에 관한 체중 예측 모델에 의해 예측되는 체중 예측 정보는, 깃털 양이 적은 양계에 관한 체중 예측 모델에 의해 예측되는 체중 예측 정보보다 작은 값을 가질 수 있다.
그리고 예측 모델 결정부(130)는, 상술한 계절(또는, 온도)과 깃털 양 간의 상관관계 및/또는 계절(또는, 온도)과 양계 색상 정보 간의 상관관계에 기초하여, 이미지 내에 깃털 양이 많은 양계와 깃털 양이 적은 양계 중 어느 것이 더 지배적인지 여부에 따라, 체중 예측 오차를 최소화하기 위한 적어도 하나의 체중 예측 모델을 결정할 수 있다.
도 7은 본 개시의 몇몇 실시예에 복수의 체중 예측 모델 중 적어도 하나의 체중 예측 모델을 결정하는 방법에 대한 순서도이다.
구체적으로 도 7은, 예측 모델 결정부(130)가 이미지 내 하나 이상의 육계의 색상 정보에 기초하여, 복수의 체중 예측 모델 중 적어도 하나의 체중 예측 모델을 결정하는 일례를 도시한다.
도 7을 참조하면, 양계 데이터 처리 장치(100)의 예측 모델 결정부(130)는, 하나 이상의 양계 중 어느 하나인 타겟 양계에 대응하는 이미지 내 서브 영역의 픽셀 값들로부터 적어도 두 개의 대표값을 추출할 수 있다(S310).
보다 구체적으로, 예측 모델 결정부(130)는, 이미지에 대한 클러스터링 분석을 통해, 이미지로부터 색상 정보를 획득할 수 있다. 예를 들어, 예측 모델 결정부(130)는 이미지에 포함된 양계들 각각에 대하여, 대응되는 이미지 내 서브 영역의 픽셀 값들로부터 2-Cluster-GMM을 통해 두 개의 대표값을 추출할 수 있다.
다음으로, 양계 데이터 처리 장치(100)의 예측 모델 결정부(130)는, 두 개의 대표값 간의 차이를 임계 차이값과 비교할 수 있다(S320). 두 개의 대표값 간의 차이가 임계 차이값보다 작은 경우(S320), 예측 모델 결정부(130)는 타겟 양계의 색상 정보를 흰색 계통으로 결정할 수 있다(S330). 또는, 두 개의 대표값 간의 차이가 임계 차이값보다 큰 경우, 예측 모델 결정부(130)는 타겟 양계의 색상 정보를 갈색 계통으로 결정할 수 있다(S335).
예측 모델 결정부(130)는, 상술한 과정을 통해 이미지에 포함된 하나 이상의 양계들(또는, 적어도 일부의 양계들) 각각에 대하여 색상 정보를 결정하고(S340), 이미지 내에 갈색 계통인 양계 개체수와 흰색 계통인 양계 개체수 중 어느 것이 더 많은지 여부를 판단할 수 있다(S350).
갈색 계통인 양계 개체수가 흰색 계통인 양계 개체수보다 많은 경우(S350, Y), 예측 모델 결정부(130)는 적어도 하나의 체중 예측 모델을 깃털 양이 적은 양계에 관한 체중 예측 모델로 결정할 수 있다(S360). 또는, 갈색 계통인 양계 개체수가 흰색 계통인 양계 개체수보다 적은 경우(S350, N), 예측 모델 결정부(130)는 적어도 하나의 체중 예측 모델을 깃털 양이 많은 양계에 관한 체중 예측 모델로 결정할 수 있다(S365).
다만 이에 한정되는 것은 아니며, 예측 모델 결정부(130)는, 이미지의 하나 이상의 양계와 연관된 공간(예를 들어, 양계장)의 온도 정보에 기초하여, 복수의 체중 예측 모델 중 적어도 하나의 체중 예측 모델을 결정할 수도 있다.
보다 구체적으로, 예측 모델 결정부(130)는, 하나 이상의 양계와 연관된 공간의 온도 정보가 임계 온도값 보다 높은 경우, 깃털 양이 적은 양계에 관한 체중 예측 모델을, 적어도 하나의 체중 예측 모델로 결정할 수 있다. 반대로 예측 모델 결정부(130)는, 하나 이상의 양계와 연관된 공간의 온도 정보가 임계 온도값 보다 낮은 경우, 깃털 양이 많은 양계에 관한 체중 예측 모델을, 적어도 하나의 체중 예측 모델로 결정할 수 있다.
이와 같이 예측 모델 결정부(130)는, 이미지에 대해 예측 오차를 최소화할 수 있는 체중 예측 모델을 자동 결정하여 체중 예측에 사용되게끔 할 수 있고, 이에 따라 본 발명에 따른 양계 데이터 처리 방법은, 양계에 관한 체중 및/또는 출하 시점을 높은 정확도로 예측할 수 있다.
도 8은 본 개시의 몇몇 실시예에 따른 체중 예측 모델을 설명하기 위한 도면이다.
구체적으로 도 8은, 체중 예측 모델의 기반이 되는 양계의 크기 정보와 양계의 체중 간의 상관관계를 도시한다. 도 8의 좌측 y축(no. of pixels)은, 양계들 각각의 크기 정보(즉, 이미지 내에서 각 양계들에 대응하는 서브 영역의 픽셀 단위 크기 정보), 우측 y축(real weight)은, 양계들 각각의 실측 체중 정보, 그리고 x축은 시간의 경과(즉, 양계의 일령 내지 주령)를 각각 나타낸다.
도 8을 참조하면, 양계들 각각의 크기 정보 및 체중 정보는 모두 시간의 경과에 대해 선형 비례하는 관계를 가지며, 이에 따라 궁극적으로, 양계의 크기 정보와 체중 정보는 양의 상관관계를 가진다.
체중 예측 모델부(140)는, 데이터 수집 장치(200)로부터 수집된 데이터에 기초한 학습용 데이터 세트 및 모델 학습부(150)에 의해, 상술한 양계의 크기 정보와 양계의 체중 간의 상관관계를 학습할 수 있다. 그리고 체중 예측 모델부(140)는 궁극적으로, 양계의 크기 정보를 입력 받아 양계의 체중 및 양계의 출하 시점 중 적어도 하나를 추론하도록 학습될 수 있다.
다만 이에 한정되는 것은 아니며, 체중 예측 모델부(140)는 양계 크기 정보 이외에, 양계의 성장과 관련된 환경 데이터와 양계의 체중 및/또는 양계의 출하 시점 간의 상관관계를 추가로 학습하고, 궁극적으로 양계의 크기 정보 및 양계와 연관된 환경 데이터를 입력 받아 양계의 체중 및 양계의 출하 시점 중 적어도 하나를 추론할 수 있다.
가령, 이산화탄소 농도와 양계의 체중 및/또는 양계의 출하 시점 간에 음의 상관관계가 존재하는 경우, 체중 예측 모델부(140)는 양계의 크기 정보와 양계의 체중 간의 상관관계에 더하여 이산화탄소 농도 정보와 양계의 체중 간의 상관관계를 추가로 학습할 수 있다. 이에 따라 체중 예측 모델부(140)는, 양계 크기 정보 외에도, 양계의 성장 저해 조건 등을 고려하여, 양계 체중 및/또는 출하 시점을 보다 높은 정확도로 예측할 수 있다.
도 9는 본 개시의 몇몇 실시예에 따른 인공지능 모델의 학습 방법에 대한 순서도이다.
양계 데이터 처리 장치(100)의 모델 학습부(150)는, 하나 이상의 학습용 데이터 세트를 사용하여, 전술한 양계 탐지 모델 및/또는 체중 예측 모델을 학습시킬 수 있다. 구체적으로 도 9는, 모델 학습부(150)가 본 개시에 따른 체중 예측 모델을 학습시키는 일례를 도시한다.
도 9를 참조하면, 양계 데이터 처리 장치(100)의 모델 학습부(150)는, 하나 이상의 양계에 관한 종 데이터, 주령 데이터, 이미지 데이터, 이미지 촬영 거리 데이터, 및 크기 데이터 중 적어도 하나를 포함하는 학습용 양계 데이터를 획득할 수 있다(S410).
다음으로, 양계 데이터 처리 장치(100)의 모델 학습부(150)는, 양계장에 기 설치된 하나 이상의 체중계를 통해, 하나 이상의 양계에 관한 학습용 체중 데이터를 획득할 수 있다(S420).
다음으로, 양계 데이터 처리 장치(100)의 모델 학습부(150)는, 학습용 체중 데이터를 학습용 양계 데이터와 매칭한 제 1 학습용 데이터 세트에 기초하여, 양계의 크기 정보로부터 양계의 체중 및 상기 양계의 출하 시점 중 적어도 하나를 추론하도록 체중 예측 모델을 학습시킬 수 있다(S430).
구체적으로, 모델 학습부(150)는 학습용 양계 데이터에 포함된 이미지 데이터로부터 양계의 크기 데이터를 산출하거나, 또는 학습용 양계 데이터에 포함된 크기 데이터를 학습용 체중 데이터와 매칭한 학습용 데이터 세트에 기초하여, 양계의 크기 정보로부터 양계의 체중 및 양계의 출하 시점 중 적어도 하나를 추론하도록, 본 개시에 따른 체중 예측 모델을 학습시킬 수 있다.
다만 이에 한정되는 것은 아니며, 모델 학습부(150)는, 양계장에 관한 온도 데이터, 습도 데이터, 조도 데이터, 및 하나 이상의 유해가스 데이터 중 적어도 일부를 포함하는 학습용 환경 데이터를 획득할 수 있다. 그리고 모델 학습부(150)는, 학습용 체중 데이터를 학습용 환경 데이터와 매칭한 학습용 데이터 세트에 추가로 기초하여, 본 개시에 따른 체중 예측 모델을 학습시킬 수 있다.
다시 말해, 모델 학습부(150)는 학습용 양계 데이터에 포함된 양계의 크기 데이터 및 해당 양계와 연관된 환경 데이터를 학습용 체중 데이터와 매칭한 학습용 데이터 세트에 기초하여, 양계의 크기 정보 및 환경 데이터로부터 양계의 체중 및 양계의 출하 시점 중 적어도 하나를 추론하도록, 본 개시에 따른 체중 예측 모델을 보다 정교하게 학습시킬 수 있다.
또한 모델 학습부(150)는, 다양한 농장으로부터 수집 내지는 입력된 데이터와, 해당 데이터를 본 개시에 따른 인공지능 모델에 입력하여 출력된 예측 데이터를 매칭하여, 본 개시에 따른 인공지능 모델을 지속적으로 갱신하고 성능을 향상시킬 수 있다.
구체적으로 모델 학습부(150)는, 하나 이상의 양계를 포함하는 이미지 및 해당 이미지를 본 개시에 따른 모델에 입력하여 추론된 양계의 체중 및 양계의 출하 시점 중 적어도 하나를 서로 매칭하고 누적 저장하여, 재학습용 데이터 세트를 획득할 수 있다. 그리고 모델 학습부(150)는, 재학습용 데이터 세트에 추가로 기초하여 본 개시에 따른 모델(예를 들어, 체중 예측 모델)을 학습시킬 수 있다.
즉 모델 학습부(150)는, 상술한 하나 이상의 학습용 데이터 세트(즉, 학습용 체중 데이터를 학습용 양계 데이터와 매칭한 학습용 데이터 세트, 및/또는 학습용 체중 데이터를 학습용 환경 데이터와 매칭한 학습용 데이터 세트)에 기초하여 본 개시에 따른 체중 예측 모델을 학습시킬 수 있으며, 나아가 그와 같이 기 학습된 체중 예측 모델에 입력되는 이미지와 해당 이미지로부터 추론된 결과(즉, 양계의 체중 및 양계의 출하 시점 중 적어도 하나)의 쌍으로 이루어진 재학습용 데이터 세트에 기초하여, 본 개시에 따른 체중 예측 모델을 지속적으로 재학습시킬 수 있다.
이에 따라 본 개시에 따른 하나 이상의 모델들 각각은, 입력되는 이미지 데이터가 누적될수록 그 추론의 성능이 향상될 수 있으며, 궁극적으로 양계에 관한 체중 및/또는 출하 시점을 높은 정확도로 예측할 수 있다.
한편 여기서 학습용 양계 데이터, 학습용 체중 데이터, 및/또는 학습용 환경 데이터 중 적어도 일부는, 데이터 수집 장치(200)에 의해 수집되고, 양계 데이터 처리 장치(100)로 전달될 수 있다.
데이터 수집 장치(200)는, 예컨대 양계장에 설치되는 CCTV, 열화상 카메라 등 하나 이상의 카메라를 포함하는 카메라부(210), 양계장에 설치되는 온습도 센서, 유해가스(예를 들어, 이산화탄소, 암모니아) 센서, 조도 센서, 무게 센서(예를 들어, 체중계) 등 하나 이상의 센서를 포함하는 센서부(220), 그리고 이 밖에 녹음 데이터를 수집하기 위한 마이크부(230) 중 적어도 일부를 포함할 수 있다.
본 개시에 따른 양계 데이터 처리 장치(100)는, 양계와 연관된 공간에 기 설치되는 데이터 수집 장치(200)와 무선통신 등의 통신망으로 연결되어, 데이터 수집 장치(200)로부터 수집되는 데이터를 전송받을 수 있다.
이 때 데이터 수집 장치(200)는 기 설정된 시간 간격에 따라 데이터를 주기적으로 자동 수집할 수 있다. 가령 5분 주기로 이미지 데이터를 획득하거나, 2분 주기로 환경 데이터를 측정하여 양계 데이터 처리 장치(100)로 전송할 수 있다.
다만 이에 한정되는 것은 아니며, 학습용 양계 데이터, 학습용 체중 데이터, 및/또는 학습용 환경 데이터 중 적어도 일부는 데이터 수집 장치(200)로부터 수집된 데이터를 연산하여 획득되거나, 사용자에 의해 직접 입력될 수도 있다.
도 10은 본 개시의 몇몇 실시예에 따른 양계 데이터 처리 방법을 제공하기 위한 컴퓨팅 장치를 나타낸 블록도이다.
여기서 양계 데이터 처리 방법을 제공하는 컴퓨팅 장치(10)는, 전술한 양계 데이터 처리 장치(100)이거나, 데이터 수집 장치(200)이거나, 또는 양계의 체중 및/또는 출하 예측 정보를 획득하기 위해 양계 데이터 처리 장치(100)나 데이터 수집 장치(200)와 통신적으로 연결된 사용자 단말(미도시)일 수 있다. 다만 이에 한정되는 것은 아니다.
도 10을 참조하면, 본 개시에 따른 컴퓨팅 장치(10)는 하나 이상의 프로세서(11), 프로세서(11)에 의하여 수행되는 프로그램을 로드하는 메모리(12), 프로그램 및 각종 데이터를 저장하는 스토리지(13), 및 통신 인터페이스(14)를 포함할 수 있다. 다만, 상술한 구성 요소들은 본 개시에 따른 컴퓨팅 장치(10)를 구현하는데 있어서 필수적인 것은 아니어서, 컴퓨팅 장치(10)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다. 예컨대 컴퓨팅 장치(10)는 출력부 및/또는 입력부(미도시)를 더 포함하거나, 또는 스토리지(13)가 생략될 수도 있다.
프로그램은 메모리(12)에 로드될 때 프로세서(11)로 하여금 본 개시의 다양한 실시예에 따른 방법/동작을 수행하게끔 하는 명령어들(instructions)을 포함할 수 있다. 즉, 프로세서(11)는 명령어들을 실행함으로써, 본 개시의 다양한 실시예에 따른 방법/동작들을 수행할 수 있다. 프로그램은 기능을 기준으로 묶인 일련의 컴퓨터 판독가능 명령어들로 구성되고, 프로세서에 의해 실행되는 것을 가리킨다.
프로세서(11)는 컴퓨팅 장치(10)의 각 구성의 전반적인 동작을 제어한다. 프로세서(11)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 프로세서(11)는 본 개시의 다양한 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다.
메모리(12)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(12)는 본 개시의 다양한 실시예들에 따른 방법/동작을 실행하기 위하여 스토리지(13)로부터 하나 이상의 프로그램을 로드할 수 있다. 메모리(12)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위는 이에 한정되지 않는다.
스토리지(13)는 프로그램을 비임시적으로 저장할 수 있다. 스토리지(13)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다. 통신 인터페이스(14)는 유/무선 통신 모듈일 수 있다.
이상에서 설명한 본 개시의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 개시의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.
이상에서 본 개시의 실시예에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속하는 것이다.
Claims (18)
- 컴퓨팅 장치에 의해 수행되는 양계 데이터 처리 방법으로서,
하나 이상의 양계를 포함하는 이미지를 양계 탐지 모델에 입력하여, 상기 하나 이상의 양계 중 적어도 일부의 양계들에 대한 양계 크기 정보를 획득하는 단계, 및
상기 양계 크기 정보를 복수의 체중 예측 모델 중 예측 오차를 최소화하도록 결정된 적어도 하나의 체중 예측 모델에 입력하여, 상기 하나 이상의 양계에 대한 양계 체중 예측 정보 및 출하 시점 예측 정보 중 적어도 하나를 획득하는 단계를 포함하는,
양계 데이터 처리 방법.
- 제 1항에서,
상기 양계 크기 정보를 획득하는 단계는,
상기 하나 이상의 양계와 연관된 공간에 기 설치된 하나 이상의 카메라로부터 촬영된 하이-앵글(high-angle) 이미지인, 로우(raw) 이미지를 수신하는 단계, 및
상기 로우 이미지의 왜곡 및 밝기 중 적어도 하나를 보정하여 상기 양계 탐지 모델에 입력하기 위한 상기 이미지를 생성하는 단계를 포함하는,
양계 데이터 처리 방법.
- 제 2항에서,
상기 이미지를 생성하는 단계는,
상기 로우 이미지에 포함된 픽셀들 각각의 밝기 값의 평균을 임계값과 비교하여, 상기 로우 이미지를 보정이 필요한 이미지 또는 보정이 불필요한 이미지 중 어느 하나로 이진(binary) 분류하는 단계, 및
상기 로우 이미지가 상기 보정이 필요한 이미지로 분류된 경우, 하나 이상의 과거 이미지들 중, 상기 보정이 불필요한 이미지로 분류된 이미지와 상기 보정이 필요한 이미지로 분류된 이미지 간의 밝기 값 차이를 기초로, 상기 로우 이미지의 밝기를 보정하는 단계를 포함하는,
양계 데이터 처리 방법.
- 제 3항에서,
상기 하나 이상의 과거 이미지들은,
상기 로우 이미지의 촬영 시점으로부터 사전 설정된 시간 간격을 두고 촬영된 이미지들인,
양계 데이터 처리 방법.
- 제 1항에서,
상기 적어도 일부의 양계들은,
상기 이미지의 중심점으로부터 임계 거리 이내에 존재하는 양계, 양계 각각에 대응하는 경계값 정보가 상기 이미지의 영역 이내에 존재하는 양계, 및 상기 이미지 상에서 중첩되지 않는 타원형 형태를 가지는 양계 중 적어도 일부인,
양계 데이터 처리 방법.
- 제 1항에서,
상기 양계 크기 정보는,
상기 적어도 일부의 양계들 각각에 대응하는 상기 이미지의 서브 영역의 픽셀 단위 크기 정보, 상기 픽셀 단위 크기 정보의 평균값 및 상기 픽셀 단위 크기 정보의 편차값 중 적어도 하나를 포함하는,
양계 데이터 처리 방법.
- 제 1항에서,
상기 복수의 체중 예측 모델은,
깃털 양이 많은 양계에 관한 제 1 체중 예측 모델, 및 깃털 양이 적은 양계에 관한 제 2 체중 예측 모델을 적어도 포함하고,
상기 적어도 하나의 체중 예측 모델은,
상기 하나 이상의 양계 중 깃털 양이 많은 양계의 개체수와 깃털 양이 적은 양계의 개체수 중 어느 것이 더 많은지 여부에 기초하여, 상기 복수의 체중 예측 모델 중 예측 오차를 최소화하도록 결정되는,
양계 데이터 처리 방법.
- 제 7항에서,
상기 적어도 하나의 체중 예측 모델은,
상기 하나 이상의 양계와 연관된 공간의 온도 정보에 기초하여, 상기 온도 정보가 임계 온도값 보다 높은 경우 상기 제 2 체중 예측 모델로 결정되고, 상기 온도 정보가 상기 임계 온도값 보다 낮은 경우 상기 제 1 체중 예측 모델로 결정되는,
양계 데이터 처리 방법.
- 제 7항에서,
상기 적어도 하나의 체중 예측 모델은,
상기 하나 이상의 양계 각각의 색상 정보에 기초하여, 상기 색상 정보가 갈색 계통인 양계 개체수가 상기 색상 정보가 흰색 계통인 양계 개체수보다 많은 경우, 상기 제 2 체중 예측 모델로 결정되고, 상기 색상 정보가 갈색 계통인 양계 개체수가 상기 색상 정보가 흰색 계통인 양계 개체수보다 적은 경우, 상기 제 1 체중 예측 모델로 결정되는,
양계 데이터 처리 방법.
- 제 9항에서,
상기 하나 이상의 양계 중 어느 하나인 타겟 양계의 상기 색상 정보는,
상기 타겟 양계에 대응하는 상기 이미지 내 서브 영역의 픽셀 값들로부터 적어도 두 개의 대표값을 추출하고, 상기 적어도 두 개의 대표값 간의 차이가 임계 차이값보다 작은 경우 상기 색상 정보는 흰색 계통으로 결정되고, 상기 적어도 두 개의 대표값 간의 차이가 상기 임계 차이값보다 큰 경우 상기 색상 정보는 갈색 계통으로 결정되는,
양계 데이터 처리 방법.
- 제 10항에서,
상기 적어도 두 개의 대표값은,
상기 타겟 양계에 대응하는 상기 이미지 내 서브 영역의 픽셀 값을 2-Cluster-GMM 분석하여 추출되는,
양계 데이터 처리 방법.
- 제 7항에서,
서로 대응되는 상기 양계 크기 정보가 상기 복수의 체중 예측 모델 각각에 입력되는 경우, 상기 제 1 체중 예측 모델에 의해 예측되는 제 1 양계 체중 예측 정보는, 상기 제 2 체중 예측 모델에 의해 예측되는 제 2 양계 체중 예측 정보보다 작은 값을 가지는,
양계 데이터 처리 방법.
- 제 1항에서,
양계 체중 예측 정보 및 출하 시점 예측 정보 중 적어도 하나를 획득하는 단계는,
양계의 성장과 관련된 환경 데이터를 상기 적어도 하나의 체중 예측 모델에 추가로 입력하여, 상기 양계 체중 예측 정보 및 상기 출하 시점 예측 정보 중 적어도 하나를 획득하는 단계를 포함하는,
양계 데이터 처리 방법.
- 제 1항에서,
상기 방법은,
상기 이미지 및 상기 이미지를 상기 적어도 하나의 체중 예측 모델에 입력하여 획득된 상기 양계 체중 예측 정보 및 상기 출하 시점 예측 정보 중 적어도 하나를 서로 매칭한 데이터 세트(data set)를 누적 저장하는 단계, 및
누적 저장된 상기 데이터 세트를 사용하여, 상기 적어도 하나의 체중 예측 모델을 학습시키는 단계를 더 포함하는,
양계 데이터 처리 방법.
- 컴퓨팅 장치에 의해 수행되는 양계 데이터 처리 방법으로서,
하나 이상의 양계에 관한 종 데이터, 주령 데이터, 이미지 데이터, 이미지 촬영 거리 데이터, 및 크기 데이터 중 적어도 하나를 포함하는 학습용 양계 데이터를 획득하는 단계,
양계장에 기 설치된 하나 이상의 체중계를 통해, 상기 하나 이상의 양계에 관한 학습용 체중 데이터를 획득하는 단계,
상기 학습용 체중 데이터를 상기 학습용 양계 데이터와 매칭한 제 1 학습용 데이터 세트에 기초하여, 양계의 크기 정보로부터 상기 양계의 체중 및 상기 양계의 출하 시점 중 적어도 하나를 추론하도록 체중 예측 모델을 학습시키는 단계를 포함하는,
양계 데이터 처리 방법.
- 제 15항에 있어서,
상기 양계장에 관한 온도 데이터, 습도 데이터, 조도 데이터, 및 하나 이상의 유해가스 데이터 중 적어도 하나를 포함하는 학습용 환경 데이터를 획득하는 단계, 및
상기 학습용 체중 데이터를 상기 학습용 환경 데이터와 매칭한 제 2 학습용 데이터 세트에 추가로 기초하여, 상기 양계의 상기 크기 정보로부터 상기 양계의 체중 및 상기 양계의 출하 시점 중 적어도 하나를 추론하도록 체중 예측 모델을 학습시키는 단계를 더 포함하는,
양계 데이터 처리 방법.
- 제 15항에서,
상기 방법은,
하나 이상의 양계를 포함하는 이미지 및 상기 이미지를 상기 체중 예측 모델에 입력하여 추론된 상기 양계의 체중 및 상기 양계의 출하 시점 중 적어도 하나를 서로 매칭하고 누적 저장하여, 재학습용 데이터 세트를 생성하는 단계, 및
상기 재학습용 데이터 세트를 사용하여, 상기 체중 예측 모델을 학습시키는 단계를 더 포함하는,
양계 데이터 처리 방법.
- 제 16항에 있어서,
상기 학습용 양계 데이터 및 상기 학습용 환경 데이터 중 적어도 일부는,
상기 컴퓨팅 장치와 무선통신 연결되도록 상기 양계장에 기 설치되며, 하나 이상의 센서, 카메라, 및 마이크 중 적어도 하나를 포함하는 데이터 수집 장치에 의해, 기 설정된 시간 간격에 따라 주기적으로 자동 수집되는,
양계 데이터 처리 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210184351A KR20230094873A (ko) | 2021-12-21 | 2021-12-21 | 양계 데이터 처리 방법 및 장치 |
| PCT/KR2022/020998 WO2023121317A1 (ko) | 2021-12-21 | 2022-12-21 | 양계 데이터 처리 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210184351A KR20230094873A (ko) | 2021-12-21 | 2021-12-21 | 양계 데이터 처리 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230094873A true KR20230094873A (ko) | 2023-06-28 |
Family
ID=86903103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210184351A KR20230094873A (ko) | 2021-12-21 | 2021-12-21 | 양계 데이터 처리 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230094873A (ko) |
| WO (1) | WO2023121317A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118095760A (zh) * | 2024-03-14 | 2024-05-28 | 江苏省家禽科学研究所 | 一种基于物联网技术的肉鸡智能养殖管理系统 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681184B (zh) * | 2023-07-28 | 2023-10-10 | 厦门农芯数字科技有限公司 | 生猪生长指标的预测方法、装置、设备及可读存储介质 |
| CN117011804B (zh) * | 2023-09-28 | 2023-12-26 | 厦门农芯数字科技有限公司 | 高精度猪场栋舍盘估方法、系统、设备及存储介质 |
| CN118279080A (zh) * | 2024-05-08 | 2024-07-02 | 汇链通产业供应链数字科技(厦门)有限公司 | 一种基于人工智能的大模型的蛋鸡类养殖系统优化方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100948406B1 (ko) * | 2007-11-13 | 2010-03-19 | 성균관대학교산학협력단 | 닭도체의 품질등급 자동 판정 및 중량 산출시스템 |
| JP6844609B2 (ja) * | 2016-03-15 | 2021-03-17 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
| KR20180105451A (ko) * | 2017-03-15 | 2018-09-28 | 한국전자통신연구원 | 가축의 사육 환경을 제어하는 장치 및 그 방법 |
| KR20210069987A (ko) * | 2019-12-04 | 2021-06-14 | 전남대학교산학협력단 | 영상 이미지를 이용한 작물 성장 진단 시스템 및 방법 |
| JP7483242B2 (ja) * | 2020-03-06 | 2024-05-15 | 株式会社田中衡機工業所 | 情報処理装置及び予測プログラム |
| KR102340290B1 (ko) * | 2021-07-30 | 2021-12-17 | 주식회사 일루베이션 | Rgb-d 기반 가축 체중 추론 ai 시스템 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 |
-
2021
- 2021-12-21 KR KR1020210184351A patent/KR20230094873A/ko unknown
-
2022
- 2022-12-21 WO PCT/KR2022/020998 patent/WO2023121317A1/ko unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118095760A (zh) * | 2024-03-14 | 2024-05-28 | 江苏省家禽科学研究所 | 一种基于物联网技术的肉鸡智能养殖管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023121317A1 (ko) | 2023-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20230094873A (ko) | 양계 데이터 처리 방법 및 장치 | |
| KR101984983B1 (ko) | 야생동물 모니터링 시스템 및 그 방법 | |
| CN107667903B (zh) | 基于物联网的畜牧养殖活体体重监测方法 | |
| Ojo et al. | Internet of Things and Machine Learning techniques in poultry health and welfare management: A systematic literature review | |
| JP6101878B1 (ja) | 診断装置 | |
| US11516992B2 (en) | System, client terminal, control method for system, and storage medium | |
| KR102341715B1 (ko) | 가축 모니터링 장치 및 방법 | |
| JP7209269B2 (ja) | 畜舎監視方法、及び、畜舎監視システム | |
| Busch et al. | Determination of standing-time of dairy cows using 3D-accelerometer data from collars | |
| KR20220064712A (ko) | 영상 기반 가축 개체 성장 추이 모니터링 장치 및 방법 | |
| KR102518418B1 (ko) | 영상 분석 기반의 반추동물 및 사육환경 분석 장치 및 방법 | |
| KR20210115204A (ko) | 가축의 개체별 이상 징후 포착 시스템 및 그 이용 방법 | |
| González et al. | Real-time monitoring of poultry activity in breeding farms | |
| CN117560393A (zh) | 一种规模化肉鸽数字化养殖系统 | |
| CN114375158A (zh) | 母猪用发情判定装置、母猪发情判定方法和母猪发情判定程序 | |
| Majewski et al. | Prediction of the remaining time of the foraging activity of honey bees using spatio-temporal correction and periodic model re-fitting | |
| CN116524591A (zh) | 奶牛跛行检测方法、装置、设备及存储介质 | |
| Chan et al. | Comparison of manual, machine learning, and hybrid methods for video annotation to extract parental care data | |
| CN115100683A (zh) | 估重方法、装置、设备及存储介质 | |
| CN115439789A (zh) | 一种家蚕生命状态智能识别方法和识别系统 | |
| KR102478157B1 (ko) | 인공지능 최적환경제어를 통한 가금류 생산성 개선 시스템 | |
| CN113762745A (zh) | 基于机器视觉的生猪体型外貌评定方法及装置 | |
| WO2022171267A1 (en) | System, method, and computer executable code for organism quantification | |
| KR20230101441A (ko) | 양계 데이터 처리 방법 및 장치 | |
| KR102643254B1 (ko) | 가축 개체군의 출하 정보 산출 장치 및 방법과, 상기 출하 정보 산출 장치를 포함하는 출하 정보 산출 시스템 |