KR20240047970A

KR20240047970A - 피험체에 물질을 전달하기 위한 방법, 시스템 및 컴퓨터 프로그램 제품

Info

Publication number: KR20240047970A
Application number: KR1020247003160A
Authority: KR
Inventors: 조슈아 데이비드 그레논; 조나단 엠. 아담스
Original assignee: 타르간 인크.
Priority date: 2021-08-17
Filing date: 2022-08-16
Publication date: 2024-04-12
Also published as: CN117813657A; EP4388543A1; CA3223695A1; WO2023023505A1; IL310473A; AU2022331422A1; WO2023023505A8

Abstract

피험체의 하나 이상의 스캔을 획득하는 단계를 포함하는, 움직이는 피험체에게 물질을 정확하게 투여하는 방법이 제공된다. 피험체는 물질 전달을 위해 적어도 하나의 규정된 타겟 영역을 가지고 있다. 움직이는 피험체의 3차원 위치는 피험체의 획득된 하나 이상의 스캔에 기초하여 계산된다. 3차원 위치는 3차원 위치를 규정하는 X, Y 및 Z 좌표를 포함한다. 움직이는 피험체의 계산된 3차원 위치에 기초하여 타이밍 조정이 계산된다. 적어도 하나의 규정된 타겟 영역으로 물질 전달의 타이밍은 계산된 타이밍 조정을 사용하여 피험체에 기초하여 조정된다. 획득, 3차원 위치 계산, 타이밍 조정 계산 및 조정은 적어도 하나의 프로세서에 의해 수행된다.

Description

피험체에 물질을 전달하기 위한 방법, 시스템 및 컴퓨터 프로그램 제품

(우선권 주장)

본 출원은 피험체에게 물질을 전달하기 위한 방법, 시스템 및 컴퓨터 프로그램 제품이라는 제목으로 2021년 8월 17일에 출원된 미국 가특허 출원 번호 63/234,034의 이익 및 우선권을 주장하며, 이는 본원에 참고로 포함된다.

본 발명적 개념은 일반적으로 피험체에게 물질을 전달하는 것에 관한 것이며, 특히 물질을 전달하는 동안에 피험체의 3차원 이동을 수용하는 것에 관한 것이다.

박테리아, 바이러스 및 진균 감염 및 기타 질병은 종종 백신접종, 또는 피험체에 대한 약물 전달을 통해 치료된다. 모든 동물, 특히 척추동물이나 물고기, 및 갑각류와 같은 무척추동물에 있어서, 질병이나 사망의 가능성을 줄이거나 전반적인 양호한 건강을 유지하기 위해 백신, 생물학적 제제 및 기타 의약품을 종종 전달한다. 다수의 가축 및 물고기 운용에 있어서, 모든 동물을 효과적으로 치료하는 것은 어려운 일이다. 피험체의 수와 크기의 차이로 인해, 각각의 피험체에게 백신접종과 기타 약물 전달이 어려워진다.

예를 들면, 가금류의 백신접종은 백신접종시에 가금류의 크기뿐만 아니라 단일 기간 동안 백신접종되는 동물의 수로 인해 특히 어려울 수 있다. 현재, 가금류는 알 속에 있는 동안 백신접종을 받을 수 있거나, 부화한 후에 병아리가 치료를 받을 수 있다. 구체적으로, 이러한 방법에는 부화장에서 18일 또는 19일에 "인 오보(in ovo)"(알 내에서) 수행되는 자동 백신접종; 부화장에서 "부화 후" 수행되는 자동 대량 백신접종; 부화장에서 "부화 후" 수행되는 수동 백신접종; "성장 농장"에서 사료 또는 물에 추가된 백신접종/약물; 및 수동으로 또는 대량 분무기에 의해 병아리에게 백신접종/약물이 분부된다.

가금류 산업은 백신 및 기타 의약품에 해마다 30억 달러 이상을 지출하고 있지만, 백신 또는 기타 물질이 전달되는 방식에 대한 문제로 인해 투자 수익이 보장되지 않는다. 앞서 지칭된 각각의 방법은 눈에 띄고 상당한 부적절함을 보여주고 있다. 따라서, 동물에게 백신접종을 전달하기 위한 자동 시스템 및 방법은, 예를 들면 PCT 공개 번호 WO2017/083663에 논의된 바와 같이 개발되었으며, 그 개시는 본원에 참고로 포함된다. 그러나, 자동 시스템조차도 각각의 동물이 유효량의 백신을 접종받았는지 보장하지는 않는다.

본 발명적 개념의 일부 실시형태는 움직이는 피험체에게 물질을 정확하게 투여하는 방법을 제공하며, 이 방법은 피험체에 대한 하나 이상의 스캔을 획득하는 단계를 포함한다. 피험체는 물질 전달을 위해 적어도 하나의 규정된 타겟 영역을 갖는다. 움직이는 피험체의 3차원 위치는 피험체에 대한 획득된 하나 이상의 스캔에 기초하여 계산된다. 3차원 위치는 3차원 위치를 규정하는 X, Y 및 Z 좌표가 포함된다. 계산된 움직이는 피험체의 3차원 위치에 기초하여 타이밍 조정이 계산된다. 적어도 하나의 규정된 타겟 영역으로 물질 전달의 타이밍은 계산된 타이밍 조정을 사용하여 피험체에 기초하여 조정된다. 획득되는, 3차원 위치 계산, 타이밍 조정 계산 및 전달 타이밍 조정은 적어도 하나의 프로세서에 의해 수행된다.

추가 실시형태에서는 움직이는 전체 피험체에 대한 단일 스캔만을 획득할 수 있다.

또 다른 추가실시형태에 있어서, 움직이는 피험체에 대한 제 1 슬라이스 스캔을 획득할 수 있다. 제 1 슬라이스 스캔은 전체 피험체보다 작은 스캔이다. 제 1 슬라이스 스캔은 제 1 슬라이스 스캔에서 규정된 전체 타겟 영역이 보이는 것을 나타내는 임계값을 초과하는 것으로 결정된다. 제 1 슬라이스 스캔에서 규정된 전체 타겟 영역이 보이는 것으로 결정되면, 제 1 슬라이스 스캔에 기초하여 움직이는 피험체의 3차원 위치를 계산한다. 제 1 슬라이스 스캔이 임계값을 초과하지 않는 것으로 결정되면, 추가 슬라이스 스캔을 획득할 수 있다. 결합된 스캔을 제공하기 위해 제 1 슬라이스 스캔과 추가 슬라이스 스캔은 결합될 수 있다. 결합된 스캔이 임계값을 초과하는지의 여부가 결정된다. 획득 및 결합 단계는 임계값이 초과되었다고 결정될 때까지 반복되며, 그 다음 규정된 전체 타겟 영역이 보이는 것을 나타내는 임계값을 초과하는 것으로 결정될 때에 결합된 스캔에 기초하여 움직이는 피험체의 3차원 위치가 계산된다.

일부 실시형태에 있어서, 방법은 움직이는 피험체의 계산된 3차원 위치에 기초하여 노즐 조정 인자를 계산하는 단계를 추가로 포함할 수 있다. 계산된 노즐 조정 인자에 기초하여 물질을 투여하기 위해 사용되는 적어도 하나의 노즐의 위치가 조정될 수 있다.

추가 실시형태에 있어서, 타이밍 조정 및 노즐 조정 인자를 계산하는 단계는 다음 중 하나 이상에 기초하여 타이밍 조정 및 노즐 조정 인자를 계산하는 것을 포함할 수 있다: 피험체가 이동하고 있는 컨베이어 벨트의 속도(v_b); 물질이 피험체에게 전달되기 전의 비행 시간(TofF); 물질이 전달되는 속도(v_s); 적어도 하나의 규정된 타겟 영역과 물질을 전달하는 노즐까지의 거리(d_tn); 및 컨베이어 벨트의 폭(w_c).

또 다른 추가 실시형태에 있어서, 물질은 노즐 조정 인자 및/또는 타이밍 조정에 의해 변경된 시간 및 위치에서 피험체의 적어도 하나의 규정된 타겟 영역에 투여될 수 있다.

일부 실시형태에 있어서, 적어도 하나의 노즐은 하나 이상의 노즐 뱅크일 수 있다.

추가 실시형태에 있어서, 피험체는 새일 수 있고 적어도 하나의 규정된 타겟 영역은 새의 하나 이상의 눈에 있는 점막, 새의 하나 이상의 눈 주위 영역, 새의 콧구멍, 새의 입, 및/또는 내장 및/또는 기도로 이어지는 새의 머리에 있는 임의의 오리피스일 수 있다.

일부 실시형태에 있어서, 피험체는 돼지일 수 있다. 이들 실시형태에 있어서, 방법은 적어도 하나의 바늘 또는 바늘 없는 주사기를 사용하여 돼지에게 물질을 전달하는 단계를 추가로 포함할 수 있다.

추가 실시형태에 있어서, 물질은 120ul/피험체 이하의 체적으로 전달될 수 있다.

또 다른 추가실시형태에 있어서, 방법은 부화일부터 5일령을 갖는 병아리까지 피험체에게 물질을 전달하는 단계를 추가로 포함할 수 있다.

일부 추가 실시형태에 있어서, 피험체는 물질을 수용하는 임의의 인간 또는 동물일 수 있다.

추가 실시형태에 있어서, 피험체의 적어도 85%는 적어도 하나의 규정된 타겟 영역에서 물질의 전달을 받는다.

또 다른 추가 실시형태에 있어서, 피험체의 92% 이상은 적어도 하나의 규정된 타겟 영역에서 물질의 전달을 받는다.

도 1a는 본 발명적 개념의 일부 실시형태에 따른 위치 모듈을 포함하는 시스템을 도시한 기본 블록도이다.
도 1b는 본 발명적 개념의 일부 실시형태에 따른 피험체에게 물질을 투여하기 위한 전체 시스템의 간략화된 개략적인 평면도를 도시한다.
도 1c는 본 발명적 개념의 일부 실시형태에 따른 그 안에 병아리를 포함하는 도 1b의 시스템의 도면이다.
도 2는 본 발명적 개념의 일부 실시형태에 따른 피험체의 이동 및 그와 관련된 발생가능한 오류를 개략적으로 도시한 도면이다.
도 3은 본 발명적 개념의 일부 실시형태에 따른 x 방향으로 공간적 변화를 도시한 도면이다.
도 4는 본 발명적 개념의 실시형태에 따른 x 방향으로 이동에 대해 보상하지 않은 결과를 도시한 도면이다.
도 5는 본 발명적 개념의 일부 실시형태에 따른 y 방향으로 공간적 변화를 도시한 도면이다.
도 6은 본 발명적 개념의 일부 실시형태에 따른 z 방향으로 공간적 변화를 도시한 도면이다.
도 7은 본 발명적 개념의 일부 실시형태에 따른 적응형 노즐 투여를 도시한 도면이다.
도 8은 본 발명적 개념의 실시형태에 따른 다중 스캐너를 포함하는 벨트 측면에 위치하는 실시형태를 도시한 블록도이다.
도 9 및 10은 본 발명적 개념의 실시형태에 따른 멀티뱅크 노즐을 도시한 도면이다.
도 11 및 12는 본 발명적 개념의 다양한 실시형태에 따른 방법에서의 프로세싱 단계를 도시한 흐름도이다.
도 13은 본 발명적 개념의 일부 실시형태에 따른 전체 병아리 스캐닝 방법 및 슬라이스 방법을 비교한 도면이다.
도 14는 본 발명적 개념의 일부 실시형태에 따른 새가 노즐에 접근함에 따라 새의 눈의 위치를 계산하는 것을 도시한 도면이다.
도 15는 본 발명적 개념의 일부 실시형태에 따른 스캐너 및 데이터 프로세서를 포함하는 시스템의 블록도이다.
도 16a 및 16b는 본 발명적 개념의 일부 실시형태에 따른 부분 패턴 동시 투여를 도시한 도면이다.
도 17은 본 발명적 개념의 다양한 실시형태에 따른 물질이 전달되는 일반적인 피험체를 도시한 상위 레벨 도면이다.
도 18은 본 발명적 개념의 일부 실시형태에 따른 물질을 전달하기 위해 사용될 수 있는 주입 시스템의 도면이다.
도 19a 내지 19d는 물질을 돼지에게 전달하기 위해 본원에서 논의된 방법의 사용을 도시한 도면이다.
도 20a 내지 20e는 물질을 물고기에게 전달하기 위해 본원에서 논의된 방법의 사용을 도시한 도면이다.
도 21은 본 발명적 개념의 일부 실시형태에 따른 기계 학습 모델을 트레이닝시키는 예를 도시한 도면이다.
도 22는 본 발명적 개념의 일부 실시형태에 따른 새의 눈 위치를 식별하는 것과 관련된 새로운 관찰에 트레이닝된 기계 학습 모델을 적용하는 예를 도시한 도면이다.

이제, 발명적 개념은 발명적 개념의 예시적인 실시형태를 나타내고 있는 첨부 도면을 참조하여 이하에서 더욱 완전하게 설명될 것이다. 그러나, 본 발명적 개념은 다수의 상이한 형태로 구체화될 수 있으며, 여기에서 설명하는 실시형태에 한정되어 해석되어서는 안 되며; 오히려, 이들 실시형태는 본 개시가 철저하고 완전해지고, 당업자에게 본 발명적 개념의 사상이 완전하게 전달될 수 있도록 제공되는 것이다. 유사한 숫자는 전체적으로 유사한 요소를 나타낸다. 본원에서 사용되는 용어 "및/또는"은 관련된 목록 항목 중 하나 이상의 임의의 및 모든 조합을 포함한다. 마찬가지로, 본원에서 사용되는 "또는"은 포괄적 및 배타적 OR 조건을 포괄하도록 의도된다. 즉, A, B 또는 C에는 특정 용도에 적합한 다음의 대체 조합 중 일부 또는 전부를 포함한다: A 단독; B 단독; C 단독; A와 B만; A와 C만; B와 C만; 및 A와 B와 C.

본원에서 사용되는 기술은 단지 특정 실시형태를 설명하기 위해 사용되는 것이며, 본 발명적 개념을 한정하려는 의도는 아니다. 본원에서 사용되는 단수형 "일", "하나" 및 "그"는 문맥상 명백하게 달리 나타내지 않는 한 복수형도 포함하도록 의도된다. 본 명세서에서 사용되는 경우, 용어 "포함하다" 및/또는 "포함하는"은 지칭된 특징, 정수, 단계, 운용, 요소 및/또는 구성요소의 존재를 지정하지만, 존재를 배제하지는 않는다는 것이 추가로 이해될 것이지만, 하나 이상의 다른 특징, 정수, 단계, 운용, 요소, 구성요소 및/또는 이들 군의 존재 또는 추가를 배제하는 것은 아니다.

달리 규정되지 않는 한, 본원에서 사용되는 모든 용어(기술적 및 과학적 용어를 포함)는 본 발명적 개념이 속하는 기술 분야의 당업자 중 한 명에 의해 통상적으로 이해되는 것과 동일한 의미를 갖는다. 통상적으로 사용되는 사전에 규정된 것과 같은 용어는 관련 기술 및 본 명세서의 맥락에서 그 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 이상적이거나 과도하게 형식적인 의미로 해석되지 않을 것이라는 점이 추가로 이해될 것이다.

이제, 다양하고 대안적인 예시적인 실시형태 및 첨부된 도면에서 상세하게 참조될 것이다. 각각의 예시적인 실시형태는 설명을 위해 제공되며, 한정으로서 제공되지는 않는다. 본 개시 및 청구범위의 범위 또는 사상을 벗어나지 않고 수정 및 변경이 이루어질 수 있는 것이 당업자에게 명백할 것이다. 예를 들면, 하나의 실시형태의 일부로서 예시되거나 설명된 특징은 또 다른 실시형태와 관련하여 사용되어 또 다른 실시형태를 생성할 수 있다. 따라서, 본 개시는 첨부된 청구범위 및 그 균등물의 범위 내에 있는 수정 및 변형을 포함하도록 의도된다.

배경기술에서 논의된 바와 같이, 물질, 예를 들면 백신 또는 기타 약물을 피험체에게 전달하기 위한 종래 방법 중 어느 것도 피험체에게 물질의 정확한 용량이 실제로 투여되었는지를 적절하게 보장할 수 없다. 가금류, 즉 부화한 병아리의 예를 사용하면, 병아리에게 물질을 자동으로 전달하기 위해 있어서 한 가지 문제점은 본질적으로 병아리가 움직인다는 것이다. 따라서, 병아리가 자동 시스템에서 백신접종 지점에 접근할 때에, 병아리가 "타겟 획득" 중에 무작위로 배향될 수 있고, 따라서 병아리가 실제로 올바른 용량의 물질을 받았는지 확인하기가 어렵다.

또한, 일단 타겟이 위치되면(즉, 병아리의 눈), 병아리는 물질 투여 전에 여전히 움직일 수 있으며, 이는 또한 병아리가 실제로 적절한 용량으로 물질을 받았는지 보장하는 것는 것을 어렵게 한다. 따라서, 본 발명적 개념의 일부 실시형태는 3차원으로 피험체의 위치의 가변성을 수용하고 타겟 획득, 즉 피험체의 위치와 전달 사이의 시간을 최소화하도록, 피험체에게 물질을 전달하는 방법을 제공하며, 도 1 내지 14와 관련하여 본원에서 추가로 논의되는 바와 같이, 피험체가 적절한 용량으로 물질을 실제로 받을 가능성을 증가시키기 위해 피험체에게 물질을 투여한다.

본원에서 사용되는 용어 "피험체"는 물질을 받은 동물 또는 인간을 지칭한다. 본 발명적 개념의 실시형태는 가금류, 즉 병아리를 예시적인 피험체와 관련하여 본원에서 논의될 것이다. 그러나, 피험체는 본원에 논의된 방법, 시스템 및 컴퓨터 프로그램 제품으로부터 이익을 얻을 수 있는 임의의 주제일 수 있다. 예를 들면, 피험체는 닭, 칠면조, 오리, 거위, 메추라기, 꿩, 기니, 뿔닭, 공작, 자고새, 비둘기, 에뮤, 타조, 이국적인 새 등을 포함하지만, 이에 한정되지 않는 임의의 유형의 가금류일 수 있다. 피험체는 또한 암소, 소, 양, 당나귀, 염소, 라마, 말 및 돼지(돼지)와 같은 비가금류 가축일 수도 있다.

본원에서 추가로 사용되는 "피험체"는 피험체에게 투여될 수 있는 임의의 물질을 지칭한다. 예를 들면, 물질은 백신 또는 다른 유형의 의약품일 수 있다. 또한, 물질은 의약, 미용 또는 약용화장품 이점을 제공하는 용액의 국소 코팅 또는 적용일 수 있음이 추가로 고려된다. 논의의 편의를 위해서, 본원에서 논의되는 실시형태는 백신을 지칭할 것이다. 또한, "타겟"은 물질이 전달되어야 하는 피험체 상의 위치를 나타낸다. 예를 들면, 피험체로서 병아리를 사용하는 경우, 타겟은 병아리의 눈 또는 병아리의 임의의 오리피스 또는 병아리의 내장 및/또는 기도로 이어질 수 있는 병아리 얼굴일 수 있다. 일부 실시형태에 있어서, 본원에서 논의되는 방법 및 시스템은 병아리의 각각의 눈을 개별적으로 타게팅하며, 이는 병아리당 2개의 별개의 "타겟 존"을 생성할 수 있다.

특히, 피험체에게 물질을 투여하기 위한 종래의 방법 및 시스템은 물질이 피험체에 의해 적절한 용량으로 실제로 받았는지 적절한 보증을 제공하지 않을 수 있다. 가금류의 예에 있어서, 예를 들면 백신은 새의 점막, 예를 들면 새의 눈에 있는 점막, 새의 하나 이상의 눈 주위 영역에 있는 점막, 새의 콧구멍에 있는 점막, 새의 입 및/또는 내장 및/또는 기도로 이어지는 새의 머리에 있는 임의의 오리피스에 있는 점막을 향해야 한다. 일부 실시형태에 있어서, 점막에 분무 적용에 의해 병아리에게 제공되는 백신 또는 다른 물질의 유형은, 예를 들면 뉴캐슬병, 전염성 기관지염 바이러스, 대장균, 살모넬라균, 콕시디아, 캄필로박터, 마렉병, 전염성 F낭병, 건활막염, 뇌척수염, 계두, 가금류 전염성 빈혈, 후두기관염, 가금콜레라, 마이코플라스마 갈리셉티쿰, ND B1-B1, 라소타, DW, 출혈성장염, SC, 단독, 리메렐라 아나티페스티퍼, 오리 바이러스성 간염, 및 오리 바이러스성 장염에 대한 백신접종을 포함할 수 있다. 그러나 앞서 논의된 바와 같이, 본원에서 논의되는 실시형태는 가금류 또는 새에 한정되지 않는다. 따라서, 본원의 실시형태는 인간을 포함한 다른 동물 및 포유동물의 점막으로 물질의 자동화된 전달에도 적용될 수 있을 것으로 예상된다. 특히, 유아 또는 어린이, 또는 장애인의 안면 점막으로 물질의 자동화된 전달에 적절할 수 있는 특정 적용이 있을 수 있다. 또한, 본원에서 기술된 자동화된 전달 시스템은 가축, 설치류 및 상업적으로 사육되는 다른 동물과 같은 다른 동물에 적용가능성을 가질 수 있다.

이제, 도 1a를 참조하면, 하나 이상의 피험체에게 물질을 자동으로 전달하기 위해 사용되는 시스템(105)의 기본 블록도가 논의될 것이다. 도 1에 도시된 바와 같이, 시스템은 복수의 피험체(101)가 그 위를 이동하는 컨베이어 벨트(210)를 포함한다. 도시된 바와 같이, 피험체(101)는 선택적인 배리어(117)에 의해 분리되거나 일부 실시형태에 있어서 컨베이어 벨트(210) 상의 별개의 상자에 배치될 수 있다. 시스템(105)은 본원에서 논의되는 실시형태에 따라 위치 모듈(160)과 통신하는 하나 이상의 분무 노즐(115) 또는 노즐 뱅크를 추가로 포함한다. 노즐(115)은 당업자에게 알려진 임의의 통신 방법을 사용하여 위치 모듈(160)과 통신할 수 있다. 예를 들면, 통신(190)은 본 발명적 개념의 범위를 벗어나지 않고 유선 또는 무선일 수 있다.

위치 모듈(160)은 노즐(115)과 통신하여, 노즐이 피험체 상의 타겟에 물질을 포함하는 분무를 언제 어디서 전달해야 하는지 알 수 있게 한다. 도시된 바와 같이, 각각의 피험체(101)는 물질이 전달되어야 하는 위치를 도시하는 타겟 영역(T)을 포함한다.

추가로 도시된 바와 같이, 위치 모듈(160)은 스캐닝/이미징 시스템(165), 버퍼(170) 및 프로세서(도 15의 1538)에 의해 실행되는 복수의 스크립트(175)를 포함한다. 위치 모듈(160)은 피험체(101)의 하나 이상의 스캔을 사용하여, 피험체의 3차원(3D) 위치를 결정하고 결정된 3D 위치에 기초하여 특정 시간 및 위치에 물질을 분무하도록 노즐(115)에 지시한다. 본원에 사용된 바와 같이, 피험체의 3차원 위치는 3D 좌표 또는 3D 눈 좌표로 지칭될 수 있다. 3D 좌표는 피험체/눈의 X, Y 및 Z 위치로 규정된다. 특히, 본원에서 논의된 3D 좌표(3D 눈 좌표)는 스칼라 X 위치, Y 위치 및 Z 위치로 구성될 수 있으며, 여기에서 이들 위치 중 임의의 것은 피험체/눈의 3D 좌표를 정확하게 규정하기 위해 필요에 따라 조정될 수 있다. 여기에서 X, Y 및 Z 위치, 좌표, 방향 등에 대한 참조는 피험체/눈의 3D 좌표를 나타낸다.

스캐닝/이미징 시스템(165)은, 예를 들면 별개의 1차원(1D) 센서를 갖춘 2차원(2D) 스캐닝 시스템, 3차원(3D) 스캐닝 시스템 또는 3D 단층촬영 시스템, 또는 능동 또는 수동인 1D, 2D 또는 3D 센서의 임의의 조합을 포함할 수 있다. 피험체(101)의 X, Y 및 Z 위치를 결정하는 예시적인 방법의 상세는 이하에서 더 논의될 것이다. 일단 물질이 피험체(101)에게 전달되면, 피험체(101)는 미리결정된 속도(v_b)로 컨베이어 벨트(210) 아래로 이동하여 봉쇄 유닛(125)으로 전달된다. 도 1a에 도시된 시스템(105)은 단지 예를 들어 제공되는 것이므로, 본 발명적 개념의 실시형태는 이에 한정되는 것은 아니다. 예를 들면, 단일 노즐 및 스캐닝 시스템만 도시되어 있지만, 본 발명적 개념의 범위를 벗어나지 않고 임의의 요소 중 하나 이상이 포함될 수 있다.

본원에서 사용되는 "스캔" 또는 "스캐닝"은 본 발명적 개념의 범위를 벗어나지 않으면서 글로벌 셔터 및/또는 로컬 셔터를 통합하는 시스템을 사용하여 스캐닝하는 것을 지칭한다. 이들 스캐닝 시스템은 일부 실시형태에 있어서 이미징 시스템에 통합될 수 있거나 독립형 시스템일 수 있다. 따라서, 본원에서 논의되는 실시형태에 따라 사용자가 피험체의 위치를 보여주는 피험체의 스캔 또는 이미지를 획득할 수 있게 하는 임의의 시스템이 본 발명적 개념의 범위를 벗어나지 않고 사용될 수 있음이 이해될 것이다.

본 발명적 개념의 실시형태는 병아리를 피험체로 하여 사용하고, 병아리의 눈을 분무된 물질의 타겟으로 하여 본원에서 논의될 것이다. 이는 설명의 편의를 위한 것이며, 본 발명적 개념의 실시형태는 이에 한정되는 것은 아니다.

앞서 논의된 바와 같이, 물질의 자동화된 분무 전달에서 발생하는 문제는 피험체, 예를 들면 병아리가 이동한다는 것이다. 상하, 좌우, 전후, 및 이들의 임의의 조합으로 이동할 수 있다. 이는 시스템(105)에 문제를 야기하는데, 물질이 타겟, 즉 병아리 눈(들)에 있는 점막, 병아리의 하나 이상의 눈 주위 영역에 있는 점막, 병아리 콧구멍의 점막, 병아리 입의 점막, 또는 병아리의 내장 및/또는 기도로 이어지는 병아리 머리의 임의의 오리피스에 있는 점막에 적절하게 전달될 수 있도록 시스템(105)이 병아리의 위치를 알아야 할 필요가 있기 때문이다. 또한, 일단 병아리의 위치가 획득/결정되면, 병아리는 위치 결정(타겟 획득)과 물질의 적용 사이를 이동할 수 있어, 전달을 더욱 복잡하게 할 수 있다.

본원에서 논의되는 방법이 사용될 수 있는 예시적인 시스템은 도 1b에 도시되어 있다. 도 1b는 본 발명적 개념의 일부 실시형태에 따라 피험체에게 물질을 투여하기 위한 전체 시스템의 간략화된 개략적인 평면도를 도시한다. 간략화된 도면에는 시스템(10)의 다양한 영역에 주어진 장비 중 일부가 포함되어 있지 않다는 것이 이해될 것이다. 피험체가 병아리인 실시형태에 있어서, 시스템(10)은 닭 부화장에서 부화 당일에 위치할 가능성이 높다. 도시된 바와 같이, 시스템(10)은 병아리/껍질 분리기(12)를 포함한다. 병아리/껍질 분리기(12)는 그 껍질로부터 부화된 새끼를 분리하기 위한 수단을 제공한다. 제 1 컨베이어(14)는 분리 벽(16)의 개구를 통해 병아리를 병아리/껍질 분리기(12)로부터 화살표(15) 방향으로 더 넓은 제 2 컨베이어(18)로 이동시킨다. 분리 벽(16)은 물질 전달 프로세스로부터 껍질 분리 프로세스를 분리한다.

더 넓은 제 2 컨베이어(18)는 병아리를 밖으로 펼쳐 놓기 시작하고, 각각 별개의 병아리를 더 쉽게 프로세싱하게 한다. 제 2 컨베이어(18)로부터, 병아리는 화살표(15) 방향으로 각각 컨베이어(18)보다 넓은 제 3 및 제 4 컨베이어(20, 22)로 운반된다. 제 5 컨베이어(24)는 운송 어셈블리의 상부로부터 매달릴 수 있는 칸막이(26)를 갖춘다. 칸막이(26)는 병아리를 좁은 열로 이동시켜 궁극적으로 단일 파일 열로 만드는 데 도움이 되는 레인을 생성한다. 병아리는 센서(33, 34)와 카메라(35)를 통해 여러 컨베이어(28, 30)를 이동하여 각진 컨베이어 벨트(30) 아래에 위치된 일련의 별개의 캐리어로 이동할 수 있다. 각각 별개의 캐리어 장치(32)는 컵, 케이지 또는 바구니와 유사하며, 단일 병아리를 수용할 수 있는 크기이다. 병아리는 캐리어 장치(32)에서 분무(42)될 수 있고, 컨베이어(42)를 따라 컨테이너(42)로 이동할 수 있다. 도 1c는 그 안에 병아리를 갖는 시스템(10)을 도시한다. 도 1b 및 도 1c에 도시된 실시형태는 단지 예시일 뿐이고, 본 발명적 개념의 실시형태는 이에 한정되는 것은 아니다.

이제 도 2를 참조하면, 앞서 논의된 피험체의 이동과 관련된 문제를 그래픽으로 도시하는 도면이 논의될 것이다. 도 1a에 도시된 바와 같이, 피험체는 병아리(100)이다. 상부 라인 A는 병아리(100)와 함께 현재 상황, 병아리(100)가 타겟 획득과 물질 T의 적용 사이에서 이동해야 하는 시간, 물질 L 적용 시에 가정된 위치, 물질 AL 적용 시에 실제 위치 및 이와 관련된 오류 TE를 도시한다. 제 2 라인 B는 본원에서 논의된 방법 및 시스템과 협력하여 동일한 상세를 도시하므로, 따라서 이하에 추가로 논의될 수 있는 바와 같이 오류 TE를 감소시킨다.

특히, 라인 A에 나타낸 바와 같이, 병아리(100)의 위치를 결정한 후, 병아리(100)가 물질을 받기 위해 기다리는 동안 T를 이동시킬 시간을 갖는다. 따라서, 병아리(100)는 위치 L에 있는 것으로 가정될 수 있다. 그러나, 실제로 물질이 투여되기 전에는 병아리(100)는 다시 이동할 수 있으므로, 물질이 투여될 때에 병아리는 실제로 위치 L에 위치하는 것이 아니라 실제 위치 AL에 위치하게 된다. 따라서, 병아리(100)가 물질이 투여될 때에 시스템이 생각하는 위치에 있지 않다는 사실에 기초한 전달과 관련된 "오류" TE가 있다.

따라서, 병아리(100)가 상/하, 후/전, 좌우로 이동할 것이라는 것이 알려져 있으므로, 본 발명적 개념의 실시형태는 물질을 언제 어디로 전달할 것인지 결정할 때에 이러한 이동을 고려한다. 즉, 획득되는 동안 병아리의 무작위 배향을 수용하기 위해, 본 발명적 개념의 일부 실시형태에 있어서는 타겟 영역(들)(병아리의 별개의 눈)의 3차원(3D) 좌표(X, Y 및 Z)를 결정하고, 별개의 병아리 기준으로 각각 별개의 눈에 대한 전달 타이밍(예를 들면, 분무 타이밍)을 다르게 함으로써 X, Y 및 Z 방향으로 위치상 변화를 수용한다. 3D 위치상(X, Y 및 Z) 정보가 유용하게 활용되기 위해서, 물질의 위치 결정과 투여 사이의 응답 시간을 가능한 한 줄이거나 최소화해야 한다.

다시 도 2를 참조하면, 라인 B에서는 병아리(100)의 위치 결정과 실제로 물질을 투여하는 사이의 시간(T)이 급격하게 감소된다. 따라서, 타게팅 오류(TE)도 감소될 수 있다. 병아리(100)의 위치(스캔)를 결정하는 것과 물질(분무)이 병아리(100)의 타겟 영역으로 전달되는 시간 사이의 시간을 줄이는 것은 결과적으로 전달 시스템에서 오류 가능성을 줄일 수 있다. 따라서, 본원에서 논의되는 일부 실시형태에 따르면, 전체 시스템 응답 시간이 감소함에 따라 병아리가 위치에 대한 스캔과 전달(분무) 사이를 이동해야 하는 시간도 감소된다. 이는 병아리 이동과 관련된 타게팅 오류(TE)의 평균 양을 감소시킨다.

본원에서 추가로 논의될 수 있는 바와 같이, 본 발명적 개념의 일부 실시형태는 피험체(병아리 눈)의 타겟 존에 물질(분무)의 정확한 전달을 제공하기 위해 피험체의 위치상 변화를 조정하기 위한 방법, 시스템 및 컴퓨터 프로그램 제품을 제공한다. 또한, 일부 실시형태는 전달된 용량의 효율성을 개선시키고 스캐닝으로부터 전달까지의 시간을 감소시키기 위한 전략을 제공한다.

3개의 방향, X, Y 및 Z 모두에서 피험체에 의한 이동을 적절하게 수용하기 위해서, 각각에 대한 오류가 이하에서 논의될 수 있는 바와 같이 고려되고 계산되어야 한다. 특히, 본 발명적 개념의 일부 실시형태는 "적응형 노즐 타이밍"을 제공한다. "적응형 노즐 타이밍"은 각각의 병아리/피험체의 3D 위치를 개별적으로 평가하고 각각의 전달된 용량에 대한 전달 타이밍(분무 타이밍)을 개별적으로 변경하는 분무 시스템의 능력을 지칭한다. 즉, 각각의 병아리의 3D 좌표는 물질이 피험체(눈)에 닿고 적절한 용량이 전달될 가능성을 증가시키기 위해, 전달 타이밍을 선택하기 위해 결정되고 사용된다.

적응형 노즐 타이밍은 본원에서 논의된 예시적인 실시형태에 따라 X, Y 및 Z 방향을 고려한다. 먼저 도 3을 참조하여, 본 발명적 개념의 일부 실시형태에 따른 X 방향 공간 변화를 도시하는 도면이 논의될 것이다. 본원에서 논의되는 실시형태에 따른 X 방향 적응형 노즐 타이밍은 컨베이어 벨트(210)의 폭을 가로질러 병아리의 위치를 수용한다. 병아리(100)는 물질을 병아리에게 전달할 수 있는 전달 시스템을 향해 컨베이어 벨트(210) 상을 이동하고 있다. 도 3에 도시된 바와 같이, 병아리(100)의 위치는 컨베이어 벨트(210) 상에서 X방향으로 변화될 수 있다. 특히, P1 위치에 있는 병아리(100)는 벨트(210)의 좌측을 따라 이동하고 있고, P2 위치에 있는 병아리는 벨트(120)의 중앙 아래로 이동하고 있고, P3 위치에 있는 병아리(100)는 벨트(120)의 우측을 따라 이동하고 있다. 전달시에 벨트의 이 부분에는 오직 한 마리의 병아리만 있다는 것이 이해될 것이지만, 도 3은 예를 들면 벨트(210) 상의 3개의 상이한 위치에 있는 동일한 병아리를 도시한다. 단지 3개의 위치만 예시되어 있지만, 본 발명적 개념의 범위를 벗어나지 않으면서 위치의 임의의수가 수용될 수 있다는 것이 이해될 것이다. 병아리(100)가 항상 벨트(210)의 중심 아래로, 즉 위치 P2에서 이동한다고 가정하면, 전달은 위치 P1 및 P3에서 타겟을 벗어날 것이다.

각각의 위치 P1, P2 및 P3을 수용하지 않는 경우의 효과는, 예를 들면 도 4에 도시되어 있다. 그 안에 도시된 바와 같이, 병아리(100)는 컨베이어 벨트(210) 상에서 속도(v_b)로 노즐 뱅크(120)를 향해 이동하고 있다. 나타내는 바와 같이, 위치 P1에 있는 병아리(100)는 눈에 분무를 받지 못할 것이고(초기 미스히트), 위치 P3에 있는 병아리(100)는 컨베이어(210) 아래로 너무 멀리 떨어져 있을 것이고, 또한 눈에 분무를 받지 못할 것이다(후기 미스히트). 따라서, 본 발명적 개념의 일부 실시형태에 따르면, x 방향으로 정확한 타겟을 위해 분무 계산의 타이밍에 2개의 주요 수용이 이루어진다. 이 2개의 수용은 공기를 통해 이동하는 분무의 속도(v_s)와 각각의 분무기에서 각각의 병아리의 타겟 존까지의 거리(d)이다.

특히, 노즐(120)은 유체 패턴이 타겟 영역에 접촉하는 정확한 순간에 속도(v_b)로 컨베이어(210) 상에서 이동하는 타겟 영역, 예를 들면 병아리(100)의 눈이 분무 패턴 바로 아래에서 교차하도록 알려진 속도(v_s)로 벡터 내에서 물질을 분무한다. 타겟 영역이 분무 패턴과 교차하기 전에 병아리가 벨트를 따라 이동하는 거리는 분무의 속도(vs), 컨베이어를 따라 이동하는 타겟(병아리)의 속도 v_t, 및 분무 노즐로부터 타겟 영역까지의 거리(d)의 함수이다. 따라서, 유용한 관계는 다음과 같이 규정된다.

(비행 시간) = (노즐로부터 타겟까지의 거리(d_tn))/

(분배된 유체의 속도(v_s)) 식(1)

여기에서, 비행시간(TofF)은 분무가 전달되는 동안 병아리(100)가 벨트(210) 위에서 이동하는 시간이고; 거리(d)는 분무 노즐로부터 타겟 영역까지의 거리이고 속도(v_s)는 노즐로부터 분무되는 속도이다. 각각의 병아리(100)에 대한 분무 타이밍은 벨트(210)의 폭(w_c)에 대해서 병아리 눈(타겟)의 X 위치에 기초하여 개별적으로 계산된다. 위에서 논의된 바와 같이, 이 치수가 고려되지 않으면 병아리가 노즐에 더 가까울 때에 분무 패턴이 병아리 눈에 더 빨리 도달하게 될 것이고(초기 미스히트-도 4), 병아리가 노즐에서 멀리 떨어져 있을 때에 분무 패턴이 병아리 눈에 늦게 도달하게 될 수 있다(후기 미스히트-도 4). x 방향으로 적응형 노즐 타이밍은 오른쪽 눈과 왼쪽 눈 모두에 대한 자신의 고유한 X 위치상 조정 및 계산된 노즐 타이밍으로 2개의 별개의 "타겟 영역"을 독립적으로 생성하기 위해 계산된다.

노즐(120)로부터 타겟(병아리 눈)까지의 거리(d_tn)는 다음과 같이 결정할 수 있다: 컨베이어 벨트의 폭(w_c)이 6인치라고 가정하면, 병아리는 벨트의 중앙에 위치하게 되고(3인치에서 벨트 폭의 1/2), 병아리 눈이 타겟이고 병아리 머리의 1.0인치 폭, 병아리가 전방을 보고 있으면 병아리 눈(타겟)은 노즐로부터 2½ 인치일 수 있다. 이는 벨트 폭(3인치)의 절반과 병아리 머리 폭(0.5인치)의 절반을 뺀 6인치 벨트 폭이다.

유체 분무 속도(v_s)를 보상하는 것은 X 방향으로 위치상 변동성을 수용하는 제 1 단계일 뿐이라는 것이 이해될 것이다. 본 발명적 개념의 실시형태가 분무 속도만 보상한다면, 시스템은 병아리의 머리가 중심선을 중심으로 균일하게 눈을 배치하는 벨트(210)의 중심선과 일직선으로 있을 때만 정확할 것이지만, 중심선으로부터의 거리가 클수록 점진적으로 더 큰 오차로 타게팅될 것이다. 유체 속도 분무 타이밍 오프셋과 분무 노즐에 대한 벨트를 따른 x 위치를 모두 고려함으로써, 타겟 존으로의 정확한 유체 전달을 위해 정밀한 분무 타이밍 조정이 달성될 수 있다.

X 방향으로 적응형 노즐 타이밍의 샘플 계산은 이하에 설명되어 있다. 다음의 실시예에 있어서, 벨트 속도(v_b)는 30인치/초(in/s)로 가정하고; 분무 속도(v_s)는 200in/sec로 가정하고; 컨베이어 벨트의 폭(w_c)은 6인치(in.)로 가정하고, 병아리 머리의 폭(w_bh)은 1.0인치로 가정한다. 위의 (1)에서 설정한 것(TofF=(w_c-d_tn)/v_s):

TofF = ((6in./2)-½in.))/200in/sec.

= 0.0125s

따라서, 병아리 100에 대한 TofF는 0.0125초이다. 오류는 다음과 같이 계산할 수 있다.

D_error = v_b*TofF 식(2)

여기에서, D_error는 거리 오류이고; v_b는 벨트 속도이고, TofF는 계산된 비행시간으로 다음과 같은 결과를 얻을 수 있다:

D_error = 30in/s*0.0125s = .375인치

따라서, 시스템은 X 방향으로 .375인치만큼 노즐의 위치결정을 수정해야 한다. 이는 단지 예로서 제공되는 것이며, 본 발명적 개념의 범위를 벗어나지 않고 다른 폭, 속도 등이 사용될 수 있음이 이해될 것이다.

비록 본 발명적 개념의 실시형태는 물질이 병아리가 이동하는 벨트를 가로질러 일직선으로 제공되는 예를 제공하고 있다. 본 발명적 개념의 실시형태는 직선형 분무에 한정되지 않음이 이해될 것이다. 예를 들면, 물질은 본 발명적 개념의 범위를 벗어나지 않으면서 벨트에 대해 상대적인 각도로 분무될 수 있다. 이들 실시형태에 있어서, 노즐(들)은 원하는 각도로 분무를 생성하도록 위치될 수 있다.

위에서 논의된 바와 같이, 본 발명적 개념의 실시형태는 X, Y 및 Z 방향을 조정한다. 이제, Y 방향에 대한 적응형 노즐 타이밍에 대해 논의될 것이다. 적응형 노즐 타이밍은 벨트의 길이에 따른 타겟 영역(병아리 눈)의 위치상 변화를 수용한다. X 방향 보상과 유사하게, Y 방향 보상은 벨트의 Y축(벨트의 길이)을 따라 타겟 영역의 위치를 측정하고, Y축을 따라 변경된 타겟 위치에서도 눈이 교차하도록 각각의 병아리에 대한 분무 타이밍을 적응적으로 변경한다. 도 5에 도시된 바와 같이, 병아리(100)는 벨트(210)를 따라 전진 및 후진할 수 있다. 예를 들면, 설정된 시간 값을 사용하여 본 발명적 개념의 실시형태가 Y 차원에 대해 수용되지 않으면, 타게팅은 벨트 상의 단일 지점에 대해서만 정확하고 타게팅에 부정확성을 야기하는 큰 오류 원인이 유도될 것이다. y 방향으로 적응형 노즐 타이밍은 오른쪽 눈과 왼쪽 눈 모두에 대한 자신의 고유한 Y 위치상 조정 및 계산된 노즐 타이밍으로 2개의 별개의 타겟 영역을 독립적으로 생성하기 위해 계산된다.

분무 타이밍을 규정하는 등식은 벨트(210)의 방향을 따라 병아리 눈의 Y 위치결정을 직접 측정하고, 분무 패턴 중심이 각각 별개의 병아리에 대한 타겟 존과 교차하도록 분무기를 켜는 데 필요한 다양한 지연을 적응적으로 설명하는 것이다. 분무 지연 시간은 식(4)을 사용하여 계산할 수 있다.

Delay_Spray = (d_m)/(v_b) 식(3)

여기에서, Delay_spray는 시스템이 병아리 분무를 지연시켜야 하는 시간이고; d_m은 측정된 거리로 타겟에 대한 y 좌표이고, 예를 들면 병아리의 눈(들)과 v_b는 벨트의 속도이다.

유사하게, 도 6은 나타낸 바와 같이 Z 방향(벨트로부터의 거리)으로 상하로 병아리의 움직임을 도시한다. 따라서, 도 6에 도시된 "오류"는 컨베이어 벨트(210)에 수직으로 상하로 이동하는 병아리(110)의 변위이다. Z 방향으로의 수용은 Z 방향으로 타겟 영역(병아리 눈)의 위치를 정확하게 측정하고, 도 6에 나타낸 바와 같이 분무 패턴이 병아리(100)의 높이 주위에 중심이 되도록 높이 선택의 어레이(상하 델타)에 대한 "분무 패턴"을 선택한다. 이는 또한 오른쪽 눈과 왼쪽 눈 모두에 대한 자신의 고유한 Z 위치상 조정으로 2개의 별개의 타겟 영역을 독립적으로 생성하기 위해 계산된다.

위에서 논의된 본 발명적 개념의 실시형태는, 예를 들면 병아리 또는 새끼 돼지에게 백신을 분무하는, 피험체에게 물질을 전달하는 노즐의 위치를 조정하고, X, Y 및 Z 위치에서 병아리 또는 새끼 돼지의 이동을 조정하도록 분무의 타이밍을 조정한다. 그러나, 일부 실시형태에 있어서, 각각의 병아리의 위치로 이동하는 노즐의 뱅크를 제공함으로써 X, Y 및 Z 방향으로의 이동이 조정될 수 있다. 예를 들면, 이는 액체의 스트림을 각각 발사하는 오리피스의 매니폴드 또는 분무 콘의 매니폴드일 수 있다. 일부 실시형태에 있어서, 매니폴드는 X, Y 및 Z 평면으로 이동할 수 있는 갠트리에 배치될 수 있다. 그렇게 함으로써, 매니폴드는 각각의 병아리, 새끼 돼지 또는 물고기에 대해 동일한 노즐을 분무하지만, 매니폴드의 위치는 타겟 존의 높이, 벨트의 길이에 따른 거리를 조정하기 위해 적응적으로 이동될 것이며, 분무의 타이밍은 벨트를 따라 폭을 따라 변화하는 타겟 존 위치를 조정하기 위해 적응적으로 변경될 것이다. 또한, 일부 실시형태에 있어서, 노즐 뱅크는 가능한 한 스캐닝에 가까운 위치로 이동될 수 있다. 이는 배향에 관계없이 노즐을 각각의 피험체에 대해 가능한 가깝게 배치함으로써 이미징으로부터 분무까지의 시간을 최소화하기 위해, 개별화된 병아리, 새끼 돼지 또는 물고기를 기준으로 노즐 뱅크(들)를 적응적으로 이동하는 것을 포함할 수 있다.

분무 시스템의 목적은 병아리(눈)의 타겟 영역에 규정된 용량을 전달하는 것이다. 병아리 눈의 위치는 스캐닝 및 분무 주기 동안 머리를 고정하는 배향에 의존하기 때문에, 분무기 중 하나가 타겟 영역, 즉 한쪽 눈 또는 양쪽 눈을 볼 수 없는 특정 배향이 있다. 병아리(100)의 다양한 위치가, 예를 들면 도 7에 도시되어 있다. 이들 실시형태에 있어서, 타겟 영역을 볼 수 있는 분무기가 동일한 분무기로부터 한쪽 눈 또는 양쪽 눈에 효과적으로 투여량을 전달하도록 노즐 투여를 적응적으로 변경하는 것이 유리할 수 있다. 이것이 유익한 하나의 주목할만한 배향은 서로 180도 반대 방향으로 배향된 분무 매니폴드이다. 이러한 상황에서, 병아리의 두 눈이 단일 분무 노즐을 직접 바라보고 있으면, 그 머리 뒤쪽이 대향 노즐을 향하게 될 것이다. 하나의 노즐을 눈에 발사하고 다른 하나를 머리 뒤쪽에 발사하는 대신에, 본 발명적 개념의 실시형태는 병아리의 머리가 하나의 노즐에서 멀어지는 방향을 향하고 있음을 인식하고, 따라서 병아리가 향하고 있고 대향하는 노즐로부터 아무것도 분무되지 않는 노즐 밴드로부터 각각의 눈에 대해 전체 투여량을 전달할 것이다. 또한, 병아리의 머리가 분무 노즐 중 하나를 직접 바라보고 지정된 각도의 수 내에서 배향되면, "더블 샷" 각도가 규정될 수 있으며, 이 "더블 샷" 기능은 활성화되고 분무기는 단일 뱅크로부터 두 눈을 타게팅하기 위해 적응적으로 변경된다. 업스트림 및 다운스트림 노즐 뱅크를 포함하는 실시형태에 있어서, 업스트림 뱅크로부터 한쪽 눈 및 다운스트림 뱅크로부터 두 눈에 에 대해 발사하는 결정이 이루어질 수 있다. 이 구성은 분무 각도 및 분무 타이밍 모두에서 최적화를 허용할 수 있다. 적응형 분무기를 포함하는 실시형태는 또한 위에서 논의된 바와 같이 X, Y 및 Z 위치에서의 위치 변경을 조정할 수 있으며, 한쪽 눈 또는 양쪽 눈을 타게팅하기 위해 사용될 수 있다는 것이 이해될 것이다. 도 7을 다시 참조하면, "더블 샷 각도"는 병아리에 대한 눈/얼굴 타격의 비율이 병아리의 해부학에 기초하여 최대화되도록 단일 측면으로부터 분무를 발사하기 위한 최적의 각도로 간주될 수 있다.

일부 조건에서는 시스템이 단 하나의 눈만을 타겟으로 하는 것이 유리할 수 있다. 예를 들면, 단일 눈을 타게팅으로 하면 분배 체적을 줄이거나 모든 백신 입자를 한쪽 눈에 발사하는 것을 허용할 수 있다. 병아리 또는 새를 사용하는 실시형태에 있어서, 분무할 최적의 눈을 결정하기 위해 머리의 각도를 사용할 수 있다. 가장 직접적인 타격을 제공하기 위해 분무 헤드에 가장 직각인 눈을 선택할 수 있다. 또한, 오른쪽과 왼쪽 분무 노즐 사이의 각도가 동일하면, 비행 시간을 줄이거나 가능한 최소화함으로써 이미징에서 분무까지의 시간을 최소화하기 위해 분무 노즐에 가장 가까운 눈을 선택할 수 있다.

위에서 논의된 위치상 스캐닝의 하나의 단점은 스캐닝이 탑 다운 뷰로부터 획득된다는 것이다. 따라서, 스캔하는 동안, 병아리의 눈은 직접 스캔되지 않는다. 일부 실시형태에 있어서 눈은 분무 타겟 영역이기 때문에, 눈의 위치는 병아리의 해부학적 가정에 기초하여 계산된다. 따라서, 병아리의 일부 위치는 가정된 해부학적 오프셋이 정확하기 않은 곳에 수용되지 않는다. 예를 들면, 일부 실시형태에 있어서, 병아리의 높이가 발견되고, 미리결정된 기하학적 구조가 데이터의 서브세트에 맞춰진 다음, 눈(타겟 영역)에 대한 가정된 위치가 계산된다. 병아리가 똑바로 위를 보거나 똑바로 아래를 보거나, 또는 옆으로 그들의 머리를 젖히도록 머리를 회전시킨다면, 병아리의 가정된 해부학적 위치가 실제로 부정확하다는 것을 알 수 있는 방법은 없을 것이다. 일부 실시형태에 있어서, 이는 눈을 직접 스캐닝함으로써 해결된다. 예를 들면, 도 8에 도시된 바와 같이, 스캐너(450 및 451)는 눈을 직접 스캔할 수 있도록 컨베이어(210)에 대해 각도를 두고 배치된다. 도 8에 도시된 실시형태는 부정확한 해부학적 가정에 의해 야기되는 위치상 오류를 제거하는 이점을 제공한다.

예를 들면, 도 8에 도시된 "직접 눈 이미징"을 사용하여, 이미지 프로세싱 알고리즘은 이미지 데이터에 대해 운용하여 타겟 영역(예를 들면, 눈)의 위치를 계산한다. 이러한 알고리즘의 간단한 예는 임계 밝기값보다 어두운 모든 픽셀을 선택하고 인접한 선택된 픽셀을 그룹화하여 그룹의 중심 위치를 눈 위치로 하여 계산함으로써, 눈이 이미지의 가장 어두운 부분에 눈이 있다는 사실을 활용한다. 눈의 위치를 결정하기 위한 알고리즘 계산은 간단한 임계값 알고리즘을 사용하여 눈과 깃털 사이의 대비를 증가시켜 눈을 돋보이게 하고 쉽게 감지되도록 한다. 이 기능을 수행하기 위해 알고리즘을 실행하기 위해는 공간 해상도가 거의 필요하지 않으며, 눈 감지에는 1.0MP 미만의 스캐너로 충분하다. 이를 통해 전체 시스템 응답 시간이 향상되어 타게팅 성능이 향상된다. 근적외선(NIR), 단파 적외선(SWIR), 중파 적외선(MWIR) 또는 장파 적외선(LWIR)을 포함한 적외선, 가시광선 스펙트럼, 자외선("UVA", "UVB" 및 "UVC" 밴드 포함) 또는 기타 파장 장치(영상 장치 및/또는 조명 광원)를 사용하여 새의 해부학적 특징(예를 들면, 깃털, 눈, 부리, 콧구멍 등)의 감지를 향상시킬 수 있다.

위에서 논의된 바와 같이, 본 발명적 개념의 일부 실시형태는, 예를 들면 도 9 및 10에 도시된 멀티뱅크 노즐(880)을 포함할 수 있다. 스캐닝 시스템으로부터 상이한 거리에 위치된 다중(멀티뱅크) 노즐을 가짐으로써, 스캐닝에서 분무까지의 시간을 줄이거나 최소화할 수 있다. 예를 들면 도 2를 참조한다. 전방 배향의 병아리(도 9)는 머리가 몸보다 벨트 아래로 더 멀리 있고, 후방 배향(도 10)의 병아리는 그 반대이다. 벨트를 따라 상이한 위치에 다중 노즐 뱅크를 가짐으로써, 다양한 배향의 병아리에 대한 시스템 응답을 최소화하기 위해 노즐이 미리 위치될 수 있다. 전방을 향한 병아리(도 9)는 먼 뱅크에 의해 분무될 수 있고, 후방을 향한 병아리(도 10)는 가까운 뱅크에 의해 분무될 수 있다. 평균 시스템 응답 시간이 최소화되도록 노즐의 위치를 최적화할 수 있다. 예를 들면, 그들이 벨트를 따라 이동할 때 병아리 몸 위치의 분포를 측정하고, 특정 자세로 그들 스스로 배향시키는 통계적 가능성을 사용함으로써 이를 수행할 수 있다. 이 데이터 세트는 병아리가 그들 스스로 배향시킬 가능성이 가장 높은 위치를 적응적으로 학습하기 위해 시스템에서 실시간으로 강화될 수 있다. 그 다음, 이 데이터를 사용하여 이미징과 분무 사이의 응답 시간을 평균하여 감소시키거나, 또는 가능하면 최소화할 수 있는 최적의 노즐 위치를 설정할 수 있다. 위에서 논의된 바와 같이, 일부 실시형태에 있어서, 고정된 위치에 있는 분무 매니폴드 대신에, 매니폴드는 이미징에서 스캔까지의 대기 시간을 최소화하기 위해 스캔된 후에 각각의 병아리로 이동할 수 있다.

예를 들면, 위에서 논의된 3차원(3D) 스캐닝 또는 3D 단층촬영을 사용한 스캔 획득에 관한 상세가 논의될 것이다. 추가 변위, 색상 및/또는 강도 정보가 있는 픽셀의 어레이를 포함하는 포인트 클라우드는, 예를 들면 스캔(픽셀의 로우) 또는 영역 스캔(픽셀의 어레이) 장치에 의해 생성된다. 장치는 하나 이상의 장치일 수 있으며, 본원에서 논의되는 실시형태로부터 벗어나지 않고 타겟의 바로 위, 타겟의 측면, 또는 임의의 다른 위치로부터 스캔할 수 있다. 생성된 스캔은 하나 또는 별개로, 예를 들면 스테레오비전으로 분석되어 "이미지"를 생성할 수 있다. 스캐닝 장치는 내부 또는 외부 트리거 메커니즘을 가질 수 있으며, 스캔 또는 픽셀 정보를 버퍼링하거나 연속적으로 스트리밍할 수도 있고 그렇지 않을 수도 있다.

특히 "LMI"(예를 들면, Gocator 브랜드)는 X, Y 및 Z(변위 또는 높이) 및 강도 정보가 포함된 데이터 지점으로 구성된 단일 로우, 또는 프로파일을 보고하는 스캔 레이저 프로파일로미터이다. 장치는 지속적인 "프리런" 모드에서 사용될 수 있다. 이 모드에서, 장치는 지속적으로 프로필을 가져오고 각각의 프로필을 버퍼링하고 프로그래밍가능한 임계값을 사용하여 이미지를 시작 및 종료하는 온보드 알고리즘을 갖는다. 추가 Z 높이 및 강도 정보가 포함된 XY 좌표의 2차원(2D) 어레이는 분석 알고리즘(분석 모듈)에 전달된다. "프리런" 모드 알고리즘은 센서 제조사로부터 센서의 핵심 기능인 알려진 알고리즘임을 이해하게 될 것이다. 본 발명적 개념의 범위를 벗어나지 않고 다른 알고리즘이 사용될 수 있다.

위치 모듈은 이미지 분석을 수행하여 타겟(병아리)의 전체(또는 부분) 스캔(또는 포인트 클라우드)을 취하고 추론되거나 직접 측정된 타겟 존(예를 들면, 병아리의 경우에 병아리의 눈)의 XY 위치를 보고한다(또는 Z 좌표도 포함). Z 높이는 스캔으로부터 간접적으로 측정될 수 있고, 본 발명적 개념의 범위를 벗어나지 않으면서 직접적으로 측정될 수 있다.

이제 도 11의 흐름도를 참조하여, 전체 스캔 분석을 위한 프로세싱 단계가 논의될 것이다. 도 11에 도시된 바와 같이, 프로세싱 단계는 블록(1100)에서 타겟, 예를 들면 단일 또는 다중 병아리의 "전체 스캔"을 반환함으로써 시작된다. 일단 스캔 또는 스캔들이 획득되면, 스캔 또는 스캔들은 전체적으로 또는 부분적으로 분석되어, 예를 들면 스캔에서 병아리의 눈과 같은 타겟 존(들)의 위치를 결정한다. 위에서 논의된 바와 같이, "타겟" 또는 "타겟 존(들)"은 물질, 예를 들면 백신의 전달을 위한 타겟 상의 위치이다. 병아리 타겟의 경우, 병아리의 한쪽 눈 또는 양쪽 눈이 타겟 존(들)일 것이다. 타겟이 병아리일 때, 이 분석은 병아리의 머리 또는 기타 구별가능한 특징을 찾을 수 있으며, 유추된 왼쪽 및 오른쪽 눈 위치를 보고할 수 있다. 직접 측정된 눈 위치 Z 값 또는 머리를 찾는 데 사용되는 "피크" 값도 보고될 수 있다. 눈 위치를 직접 검출하는 것 대 눈 위치를 추론하는 것과 관련하여 추가 상세는 이하에 더 자세히 논의된다.

LMI를 사용할 때, LMI의 온보드 알고리즘은 그 안에 포함하는 "부품 검출" 알고리즘에 의해 보고된 각각의 전체 스캔을 프로세싱한다. 운용은 획득된 전체 스캔이 잔해, 반사 등에 의해 발생된 임의의 노이즈를 제거하기 위해 필터링되는 블록 1105로 진행된다.

전체 스캔이 분석되고 기하학적 조건 및 계산의 세트 또는 서브세트에 부합하는지의 여부가 결정된다. 이제, 특정 시스템 응답이 발생할 수 있다. 이미지는 관심 영역을 포함하는 것으로 가정되거나 결정되며, 그 다음 설명된 XYZ 알고리즘이 실행된다(블록 1115).

스캔 길이가 초과되지 않았다고 결정되면(블록 1110), 스캔에서 미리규정된 관심 지점이 발견된다(블록 1115). 관심 지점 주위에 구체적으로 규정된 데이터 영역이 취해지고, 측정되는 피험체 유형에 적합한 이 영역의 데이터 주위에 미리결정된 기하학적 구조가 피팅된다(블록 1120). 병아리 머리의 방향은 병아리 머리의 알려진 해부학적 구조를 고려하여 기하학적 조건을 평가함으로써 결정된다(블록 1125). X, Y 및 Z 공간에서 타겟 존(눈)의 가정된 위치가 계산된다(블록 1130).

알고리즘 모듈은 센서(예를 들면, C) 제조사에 의해 제공되는 인터페이스 및 언어로 작성된 맞춤형 스크립트를 사용할 수 있다. 맞춤형 스크립트는 가정된 눈 위치 "전방" 및 "측면"(미리결정된 기하학의 중심점에서)에 해당하는 밀리미터(mm)로 오프셋을 규정할 수 있다. 일단 결정되면(블록 1130), 눈의 위치(눈 위치) 및 머리 각도가 보고된다(블록 1135). 보고된 값에 기초하여 적응형 노즐 타이밍이 계산된다(블록 1140).

계산된 스캔의 전체 길이가 미리규정된 임계값을 초과하면(블록 1110), 타겟(병아리)은 스캔을 획득되는 동안 이동한 것으로 가정된다. 이들 실시형태에 있어서, 스캔 종료로부터 데이터의 단일 프로파일이 사용된다(블록 1150). 운용은 다른 측정 및 계산을 우회하여 블록 1130으로 직접 진행된다.

본원에서 논의된 일부 실시형태에 있어서, 알고리즘은 도구 사이의 입력, 출력 및 데이터 흐름을 갖는 도구 세트로 조직화된, 센서 제조사 제공 도구를 사용하여 구축되고, 알고리즘의 맞춤형 기록된 스크립트 부분에 공급된다. 그러나, 본 발명적 개념의 실시형태는 이에 한정되는 것은 아님이 이해될 것이다.

이제 도 12를 참조하면, 본 발명적 개념의 일부 실시형태에 따라 병아리의 머리/눈을 검출하는 방법의 프로세싱 단계를 도시하는 흐름도가 논의될 것이다. 이들 실시형태에 있어서, 도 12와 관련하여 위에서 논의된 실시형태와는 달리, 센서는 더 이상 단일 병아리/타겟의 단일 스캔을 반환하지 않는다. 병아리의 슬라이스가 이미지화되고, 그 다음 전체 병아리가 이미지화될 때까지 미리규정된 슬라이스 길이를 가진 모든 이미지에 대해 병아리 이미지가 추가되도록 버퍼에 추가된다. 버퍼가 새로운 "슬라이스"를 수신할 때마다 스캔이 분석된다. 특히, 운용은 타겟/병아리로부터 데이터 슬라이스를 획득함으로써 블록 1201에서 시작된다. 획득된 슬라이스는 버퍼에 제공되고, 이미 버퍼링된 슬라이스가 있다면 해당 슬라이스에 추가된다(블록 1206). 그 다음, 전체 타겟/병아리의 스캔을 획득하기 위해 추가 슬라이스를 획득하기 위해 추가 스캔이 필요한지의 여부를 결정한다(블록 1211). 추가 스캔이 필요하면(블록 1211), 운용은 블록 1201로 돌아가서 새로운 슬라이스를 얻는다. 반면에, 추가 스캔이 필요하지 않다고 결정되면(블록 1211), 운용은 블록 1216으로 진행된다.

스캔의 전체 길이를 계산하고, 길이가 미리결정된 임계값을 초과하는지가 결정된다. 임계값을 초과하면, 이동의 미리규정된 모든 증분(즉, "슬라이스"의 길이)을 프로세싱하기 위해 새 스캔이 반환된다. 임계값을 초과하지 않으면, 스캔은 프로세싱을 위해 반환된다. 프로세싱 모듈에는 위에서 논의된 규정된 길이의 "슬라이스"를 버퍼링하도록 설계된 특수 도구가 포함되어 있다. 스캔이 반환될 때마다, 이미 버퍼에 구성가능한 수 이상의 스캔이 있으면, 버퍼가 클리어된다. 각각의 스캔은 또한 이동 방향을 따라 최종 프로필이 "어디서" 촬영된 것인지도 알고 있다. 최종으로 반환된 이미지가 버퍼의 이전 프로필로부터 규정된 슬라이스 길이보다 길면, 즉 연속 이미지가 아니면 버퍼는 클리어된다.

센서의 스캔 특성으로 인해, 병아리의 전체 이미지는 한 번에 한 조각씩 획득되고 단일 프로파일을 타겟의 전체 스캔으로 구축할 때 센서 아래를 통과한다. 시스템 응답 시간에는 스캔을 분석하기 전에 전체 병아리가 레이저 라인 아래를 통과하기 위해 걸리는 시간과, 추가 분석 시간이 포함된다. 이들 실시형태에 있어서, 각각의 부분 스캔(슬라이스 또는 결합된 슬라이스)은 다음 "슬라이스"가 획득되는 것과 동시에 분석되며, 도 13에 나타낸 바와 같이 헤드를 포함하는 부분 스캔은 시스템 응답(노즐로부터의 분무)을 트리거할 수 있고, 머리가 포함되지 않은 이미지의 나머지 부분에 대한 추가 획득 시간을 절약한다. 즉, 슬라이스를 이용하여 병아리 눈이 있는 머리만 병아리에게 분무하기 전에 획득되는 것이 필요하다. 따라서, 병아리의 나머지 부분을 스캔하기 위해 걸리는 시간만큼 시간을 줄일 수 있다. 이는 도 13에 그래프로 도시되어 있다.

특히, 도 13에 도시된 바와 같이, 프레임 A에서는 위에서 논의된 두 가지 방법, 즉 병아리 전체와 슬라이스를 사용하여 병아리 머리의 일부만 스캔되었다. 그러나, 프레임 B에서는 병아리의 머리 전체가 스캔되었지만, 완성된 병아리는 프레임 B까지 스캔되지 않는다. 따라서, 슬라이스 방법을 사용하여, 타겟(병아리 눈의 하나 이상)이 스캔되어 그들의 위치가 알려져 있으므로 프레임 B 후에 분무를 수행할 수 있다. 따라서, 슬라이스 방법은 전체 병아리의 스캐닝을 기다릴 필요가 없으므로, 검출과 분무 사이의 타이밍을 줄이기 위해 사용될 수 있다.

일부 실시형태에 있어서, 새/병아리는 위치가 고정되고 분무 패턴에 대한 타이밍 조정이 이루어지기 전에 새가 노즐에 최대한 가깝게 접근할 수 있도록 하는 알고리즘을 사용하여 다중 프레임을 통해 추적될 수 있다. 이러한 알고리즘의 간단한 예는, 예를 들면 도 8과 관련하여 위에서 논의된 방법의 단계를 사용하여 도 13의 프레임 B에서 타겟 영역(이 예에서는 눈)을 검출하고, 그 다음 새/병아리 움직임의 알려진 속도를 사용하여 프레임 C에서 눈의 위치를 예측한다. 그 다음, 프레임 C에서 동일한 검출 방법을 사용하여, 알고리즘은 프레임 B에서 검출된 것과 동일한 눈으로 하여 예측된 위치에 가장 가까운 검출된 어두운 픽셀 그룹을 식별할 수 있다. 이 프로세스는 현재 프레임에서 다가오는 프레임까지 예측된 위치가 분무될 수 있는 지점을 넘어 진행될 때까지 후속 프레임을 통해 계속될 수 있다. 이 시점에서, 현재 프레임으로부터 눈 위치가 분무 패턴을 고정하기 위해 사용된다.

도 14를 참조하여, 피험체/새가 노즐에 가능한 한 가까이 접근하도록 점진적으로 스캐닝하는 본 발명적 개념의 실시형태가 논의될 것이다. 도 14에 도시된 바와 같이, 타겟 존 추적을 통해 위치상 정보를 가능한 한 최신 상태로 유지하여, 이미징에서 분무까지의 시간을 단축할 수 있다. 이는 또한 시스템 응답 시간에서 손실 없이, 도 10, 880에 나타낸 이중 세트와 반대로 단일 분무 매니폴드 세트를 사용하여 성능 손실 없이 시스템을 단순화할 수 있는 가능성을 열어준다. 이는 시스템 복잡성, 시스템 유지 비용 및 전체 시스템 하드웨어 비용을 모두 줄이는 데 있어 상당한 이점이 될 것이다. 특히, 도 14에 나타낸 바와 같이 타겟 존(위치 1, 위치 2, 위치 3… 위치 n)을 점진적으로 스캔하고 벨트를 따라 이동하는 피험체의 위치를 계산함으로써, 예측 위치상 알고리즘을 적용하여 타겟 존의 최종 가정 위치를 수정할 수 있다. 이러한 유형의 알고리즘은 그 최종 위치가 고정되기 전에 새의 이동 방향을 활용하여 이미징에서 분무까지의 시간 동안 새의 이동을 예측적으로 수용한다. 그 다음, 해당 속도 및 가속도를 사용하여 분무의 정확한 충격 순간에서 새의 최종 위치를 예측한다. 이하에 논의된 인공 지능/기계 학습은 눈의 위치 추정을 개선하기 위해 운동학적 일관성을 위한 알고리즘과 함께 사용될 수도 있다. 3D에서 눈 쌍의 위치 및 방향을 추적하면, 추적 알고리즘에 해부학적 데이터를 공급하여 찾는 것을 한정함으로써 잘못된 경보를 줄이는 데 사용할 수 있다. 예를 들면, 주어진 새의 병아리 눈 쌍은 서로 일정 거리 내에 있어야 한다.

다시 도 12를 참조하면, 운용은 획득된 스캔(모든 슬라이스가 함께)이 필터링되는 블록 1216으로 진행되고, 그 다음 미리규정된 관심 지점이 발견된다. 측정되는 피험체 영역에 적합한 미리규정된 기하학적 구조는 미리규정된 관심 지점 주위에 피팅된다(블록 1221). 병아리 머리의 방향은 알려진 병아리 머리의 해부학적 구조에 비추어 타겟 영역을 평가함으로써 결정된다.

X, Y 및 Z 공간에서 타겟 존(눈)의 가정된 위치가 계산된다(블록 1231). 추가로 미리결정된 기하학적 구조 및 이미지 파라미터는 더욱 더 정밀한 위치상 정보, 예를 들면 공간 내에 머리의 보다 정밀한 정렬을 제공하기 위해 계산될 수 있다(블록 1236). 위에서 논의된 바와 같이, 그 다음 맞춤형 스크립트가 센서에서 실행된다. 눈 오프셋이 규정되고, 머리 방향이 발견되고, 눈 위치가 추론된다. 그러나, 도 12에 도시된 실시형태에 있어서, 이들 모든 특성은 현재 스캔이 유효한지, 즉 이 스캔이 시스템 응답을 트리거하는지를 결정하도록 설계된 조건의 루브릭에 입력된다(블록 1241). 조건에는, 예를 들면 미리결정된 기하학적 구조가 병아리 머리의 특징적인 방식으로 병아리에 맞지 않는 것, 추론된 눈 지점이 스캔의 끝에 너무 가깝거나 해부학적 가정과 일치하지 않는 것, 이미지의 마지막 라인이 "완전한" 이미지의 특징이 아닌 것 등을 포함할 수 있다. 일부 조건은 조합되거나, 또는 독립적으로 적용된다. 그 다음, 맞춤형 스크립트는 이 평가된 조건(참 또는 거짓)을 눈 위치, 높이 등과 함께 제어 시스템에 보고한다(블록 1246). 이들 조건 및 다른 정보를 파싱하기 위한 비트 필드도 반환된다. 제어 시스템은 보고된 XYZ 눈 좌표 정보에 대한 응답을 취해야 하는지, 또는 다음 이미지가 프로세싱될 때까지 기다려야 하는지를 결정하기 위해 참 거짓 조건을 평가한다. 일단 현재 이미지를 사용해야 한다고 결정되면, 보고된 값에 기초한 적응형 노즐 타이밍이 계산된다(블록 1251). 적응형 타이밍은 성공적인 분무의 가능성을 높이기 위해 적절한 시간에 타겟을 분무하기 위해 사용된다.

위에서 논의된 바와 같이, 본 발명적 개념의 일부 실시형태는 새의 눈의 위치를 추론하고, 이 추론된 위치를 알고리즘에 대한 입력으로서 사용한다. 새의 눈의 위치를 결정하기 위해 새의 눈을 직접 이미징하지 않는 것이 시스템에 문제가 발생할 수 있다는 것이 이해될 것이다. 예를 들면, 도 14에 도시된 바와 같이, 새(100)를 위에서 아래로 이미징/스캔(165)될 때에 눈은 직접 볼 수 없으므로, 눈의 위치는 알고리즘적으로 계산되어야 한다. 이는 계산된 눈 위치가 매우 낮은 정확도를 갖는 코너 경우에 대한 여지가 남는다. 눈을 직접 이미징하는 것은 이러한 실패 모드를 감소시키거나 가능한 제거할 수 있다. 또한, 눈을 직접 이미징하면 이미징부터 분무까지의 시간을 급격하게 줄일 수 있다. 이는 "관심 영역"이고, 일부 실시형태에 있어서 타겟 존인 눈이, 새가 컨베이어 벨트 아래로 이동할 때 추적될 수 있고 눈 위치의 고정이 눈이 분무기(880)에 매우 가까워질 때 까지 지연될 수 있기 때문이다. 이는 새가 분무 노즐(880)에 점점 더 가까워짐에 따라 시야 내에서 새의 눈 위치를 지속적으로 계산할 수 있게 한다. 일단 새가 분무 노즐에 매우 가까워지면, 각각의 눈 위치는 새의 이동을 위한 매우 적은 시간을 허용하면서 독립적으로 고정시킬 수 있다. 또한, 위치의 차이는 새가 이동할 수 있는 속도를 측정하고 분무가 새에 영향을 미치는 순간에 "타겟 존"(즉, 눈)이 있을 위치를 적응적으로 예측하기 위해 사용될 수 있다.

직접 눈 이미징을 수행할 때에 다양한 변수가 관련될 수 있다. 여기에는 프레임 기간, 노출 시간, 알고리즘 프로세싱 및 통신, 밸브 응답 시간, 비행 시간 및 투여 시간이 포함된다. 본 발명적 개념의 범위를 벗어나지 않으면서 다른 변수도 관련될 수 있다는 것이 이해될 것이다.

예를 들면, 도 14의 논의를 위해 본원에서 사용되는 바와 같이, "프레임 기간"은 주어진 프레임 속도(초당 프레임 수(fps)로 표현됨)의 비디오 카메라에 대한 이미지 획득 사이의 시간량을 지칭한다. "노출 시간"은 비디오 카메라에 의해 취해진 각각의 프레임마다 디지털 센서가 빛에 노출되는 시간량을 지칭한다. 이 시간량은 셔터 속도이며, 1초 단위로 표시된다. 1.0ms 셔터는 1/1000초 셔터 속도일 수 있다. "알고리즘 프로세싱 및 통신"은 디지털 카메라에 의해 획득된 이미지를 분석 및 프로세싱하고 새의 각각의 눈의 X, Y 및 Z 좌표를 결정하기 위해 필요한 시간량을 지칭한다. "밸브 응답 시간"은 분무를 제어하는 전기기계식 밸브가 열리는 데 필요한 시간량을 지칭한다. "비행 시간"은 노즐에서 나오는 액체가 공기를 통과하여 타겟에 충돌하기 위해 걸리는 시간량을 지칭한다. "투여 시간"은 밸브가 열린 위치에 남아 있는 시간량을 지칭한다. 이는 벨트 속도와 함께 타겟에 적용되는 패턴의 길이를 규정한다.

도 14에 도시된 바와 같이, 새의 눈이 벨트를 따라 위치 1로 횡단함에 따라, 새(100)는 비디오 카메라(165)의 시야 내로 들어간다. 비디오 카메라는 눈의 위치를 계산하기 위해 보이는 눈에 대해 모든 프레임을 스캔한다. 카메라는 새가 위치 1에 들어갈 때에 처음으로 눈을 보고 새의 3D 좌표를 계산한다. 이 계산 시간 동안, 새는 위치 2로 이동된다. 분무 노즐까지 남아 있는 거리와 주어진 X, Y 및 Z 좌표로 새를 발사하기 위해 필요한 타이밍 보상에 기초하여, 시스템은 위치가 고정되기 전에 새가 노즐에 더 가까이 다가갈 수 있도록 새로운 X, Y 및 Z 위치를 결정할 수 있다. 도 14는 시스템이 위치 2, 3 및 4에서 추가 X, Y 및 Z 좌표를 계산할 수 있는지를 결정할 수 있다. 새는 그 눈 위치가 계산되는 동안에 벨트를 따라 이동하고, 위치 4로부터 X, Y 및 Z 좌표가 계산될 때에 새의 눈은 위치 5로 이동한다. 이 시점에서, 새의 눈은 분무 노즐(880)에 매우 가까워진다. 이것이 수행되면, X, Y 및 Z 좌표를 반환하기 위해 필요한 시간량으로 인해 눈이 노즐(880)에 너무 가깝게 이동하여 밸브 응답 시간, 분무의 비행 시간 및 분무의 투여량이 적절하게 보상되는 것을 허용하기 때문에, 위치 5에 있는 새(100)의 눈은 계산할 수 없다. 따라서, 위치 4에 대한 X, Y 및 Z 좌표는 시스템이 캡처할 수 있는 분무에 가장 가까운 X, Y 및 Z 좌표이므로 이 새에 사용된다. 새 배향은 위치 1에서 4까지 변경되지만, 최후의 순간에 눈 좌표가 고정되므로 시스템이 가장 정확한 눈 좌표를 고정할 수 있는 최적의 기회를 제공한다.

일부 실시형태에 있어서, 노즐에 가능한 한 가까운 새의 눈의 계산에서 프로세싱 단계는 이하와 같다. 새의 눈(타겟 영역)이 벨트 아래로 이동함에 따라, X, Y 및 Z 좌표가 결정된다. 하드웨어의 프레임 속도에 따라 새로운 좌표를 획득할 수 있는 다음 시간이 결정된다. 임의의 2개의 연속적인 X, Y 및 Z 좌표를 비교함으로써, 서로에 대한 상대적인 위치를 결정할 수 있다. 정지하여 이동하지 않는 새의 경우, 좌표의 차이는 새가 벨트 아래로 이동한 거리에 의해 규정된다. 이 예상된 위치(이동하지 않는 새의 경우)는 위치 사이의 새의 실제 위치와 비교할 수 있다. 예를 들면, 위치 3과 4 사이의 X, Y 및 Z 좌표 차이이다. 이 실시예에 있어서, 이 차이는 새가 컨베이어 위에 있기 때문에 밸트를 아래로 이동하는 것 이외에도 새도 아래로 이동한다는 것을 나타낸다. 고정할 수 있는 최근 X, Y 및 Z 좌표는 위치 4로부터의 좌표이지만 새가 위치 3과 4 사이에서 아래로 이동한다고 결정됨으로써, 이와 동일한 이동량을 위치 5에서 타게팅 위치에 예측적으로 적용할 수 있다. 이러한 유형의 알고리즘은 새가 이동하기 직전의 이동 방향과 계속해서 이동하는 방향을 활용함으로써, 이미징에서 분무까지의 시간 동안 새의 이동을 예측적으로 적용한다. 이는 예측 가속 또는 감속을 생성하기 위해 다중 위치 지점을 함께 묶도록 추가로 개선될 수 있다. 이러한 예측 위치결정은 본 발명적 개념의 범위를 벗어나지 않고 3개의 축 모두에서 각각의 눈에 대해 독립적으로 달성될 수 있다.

도 14에 도시된 실시형태는 알고리즘에서 셔터 속도가 프레임 속도와 동일하다고 가정한다는 것으로 이해될 것이다. 알고리즘이 프레임 속도보다 빠르면, 최종 X, Y 및 Z 위치를 약간 더 최신 상태로 유지할 수 있는 기회가 있을 수 있다.

일부 실시형태에 있어서, 새의 눈의 위치를 직접 측정하는 것은 아니고, 새의 눈은 벨트 아래로 이동하고 분무 스테이션에서 가능한 한 가까워질 때 까지 눈의 위치를 고정하기 위해 기다리는 동안 공간에서 추적될 수 있다. 이는, 예를 들면 간단한 임계값 또는 블랍 검출 알고리즘과 2D 카메라 어레이로 달성될 수 있다.

위의 논의로부터 명백한 바와 같이, 본 발명적 개념의 일부 양태는 스캐닝 시스템, 버퍼, 스크립트 등을 포함하는 위치 모듈 및 데이터 프로세싱 시스템에 의해 구현될 수 있다. 데이터 프로세싱 시스템은 본 발명적 개념의 범위를 벗어나지 않으면서 시스템의 임의의 모듈에 포함될 수 있다. 본 발명적 개념의 실시형태에 따라 구성된 데이터 프로세싱 시스템(1530)의 예시적인 실시형태가 도 15를 참조하여 논의될 것이다. 데이터 프로세싱 시스템(1530)은, 예를 들면 키보드 또는 키패드, 디스플레이, 스피커 및/또는 마이크로폰, 및 프로세서(1538)와 통신하는 메모리(1536)와 같은 입력 장치(들)를 포함하는 사용자 인터페이스(1544)를 포함할 수 있다. 데이터 프로세싱 시스템(1530)은 프로세서(1538)와 통신하는 I/O 데이터 포트(들)(1546)를 추가로 포함할 수 있다. I/O 데이터 포트(1546)는 데이터 프로세싱 시스템(1530)과 다른 컴퓨터 시스템 또는, 예를 들면 인터넷 프로토콜(IP) 연결을 사용하는 네트워크 사이에서 정보를 전송하기 위해 사용될 수 있다. 이들 구성요소는 본원에서 설명된 바와 같이 운용하도록 구성될 수 있는, 다수의 종래 데이터 프로세싱 시스템에서 사용되는 것과 같은 종래 구성요소일 수 있다.

도시된 바와 같이, 프로세서(1538)는 위에서 논의된 본 발명적 개념의 다양한 양태를 수행하는 위치 모듈(1560) 및 스캐닝 시스템(1565)과 통신한다. 예를 들면, 스캐닝 시스템(1565)은 다양한 실시형태와 관련하여 위에서 논의된 스캔을 획득되는 데 사용되며, 이들 스캔 중 일부는 버퍼(1570)에 "슬라이스:"로 저장될 수 있다. 추가로 도시된 바와 같이, 위치 모듈(1560)은 스캐닝 시스템(1565) 및 버퍼(1570)에 대한 접근을 가지고, 이들 스캔을 사용하여 타겟 위치(들)를 결정하고 위에서 논의된 바와 같이 분무 타이밍을 계산할 수 있다. 맞춤형 스크립트(1575)는 스캔을 분석하고, 이에 따라 노즐과 분무를 조정하기 위해 사용될 수 있다.

본원에서 논의되는 실시형태에 따른 시스템 및 방법을 사용하여 일부 실시예 테스트가 수행된다. 이들 테스트 중 일부의 결과가 본원에서 논의될 것이다. 이들 테스트에 사용된 파라미터 및 그 결과는 단지 예시만 제공하므로, 본 발명적 개념의 실시형태는 이에 한정되는 것은 아니다.

일부 실시형태에 있어서, 본원에서 논의되는 실시형태에 따른 시스템 및 방법은 눈 또는 얼굴에 분무되는 새의 적어도 85%의 눈/얼굴 타게팅 비율을 생성할 수 있다. 특정 테스트 실행에는 2개의 부화장에 걸쳐 테스트된 22,000마리의 새가 포함되고, 적어도 약 92.7%의 눈/얼굴 타게팅의 눈/얼굴 타게팅 비율을 생성한다. 이 실시예에 있어서, 벨트의 속도는 적어도 15인치/초, 예를 들면 45인치/초이며, 분무 전달 체적은 220ul 이하이다. 일부 실시형태에 있어서, 전달 체적은 120ul/병아리 이하일 수 있다. 이 분무 전달 체적으로 병아리에게 분무하면 병아리 건강에 부정적인 영향을 미칠 수 있는 병아리 칠링을 최소화하는 관점에서 이점을 제공할 수 있다.

일부 실시형태에 있어서, 벨트 폭에 걸쳐 패턴 크기 및 백신 패턴 영역을 효과적으로 제어하기 위해 콘형 각도 분무 대신에 다중 스트림 노즐 분무가 사용될 수 있다. 일부 실시형태에 있어서, 다중 노즐 뱅크는 타겟 영역, 예를 들면 새의 눈 중 하나 또는 둘 모두에 평행한 스트림을 발사하기 위해 선택될 수 있다. 이는 분무 노즐로부터 새의 거리에 관계없이 최대 위치상 조정 및 백신 효능을 제공할 수 있다.

다양한 패턴에서 다중 노즐 분무를 포함하는 실시형태가, 예를 들면 도 16a 및 16b에 도시되어 있다. 나타낸 바와 같이, 일부 실시형태에 있어서, 스트림은 공간에서 노즐의 배향을 분무할 때에 새에 패턴을 생성하는 것을 돕도록 벨트의 길이를 따라 배향된 다중 노즐에 의해 적용될 수 있다. 이는 패턴을 생성하기 위해 컨베이어를 따라 타겟이 이동할 때까지 기다리지 않고 주어진 패턴 크기의 투여량을 분배할 수 있다는 이점이 있으며, 분무의 이미징에서 완료까지의 시간을 감소시켜 병아리 이동의 기회를 감소시킨다.

특히, 도 16a 및 16b에 도시된 바와 같이, 예를 들면 30인치/초의 벨트 속도로 피험체 새의 눈에 6mm 패턴을 전달하는 것은 밸브에 대한 5ms의 온타임과 동일하다. 이미지 획득이 매우 빠르고, 알고리즘 속도가 빨라지면 백신 투여 시간이 이미징에서 백신 적용 완료까지 전체 대기 시간의 상당 부분을 차지하게 된다. 도 16a 및 16b는 새에 전체 패턴을 구성하기 위해 스트림의 상이한 부분을 동시에 발사하는 것이 새에 전체 패턴을 투여하기 위해 걸리는 시간을 감소시킴으로써 시간을 절약하는 방법을 도시한다. 도면은 2개의 섹션으로 분할된 스트림을 나타내지만, 실시형태는 이에 한정되지 않는다는 것이 이해될 것이다. 스트림은 일단 운용되면 패턴의 전체 형상이 거의 동시에 새를 때리는 즉시 공기를 통해 날아가는 전체 도트 매트릭스로 분할될 수 있다. 도 16a 및 16b에 도시된 개념을 사용하면, 임의의 패턴 크기 또는 형상의 생성을 허용하지만 동시에 투여와 관련된 거의 모든 시간을 제거할 수 있다. 즉, 밸브를 켜고 벨트가 분무를 통해 새가 이동할 때까지 기다리는 대신에, 패턴은 공기를 통해 새를 향해 날아가고, 충돌할 때에 원하는 형상을 생성할 수 있다.

일부 실시형태에 있어서, 파라미터(도 2)는 ≤200ms의 새 이동 시간(T)(새가 이미징과 분무 사이에서 이동하는 시간의 양)을 포함할 수 있다. 일부 실시형태에 있어서, 새 이동 시간(T)은 약 74ms 내지 약 118ms 범위 내에서 평균 약 87ms일 수 있다. 도 11을 참조하면, 일부 실시형태에 있어서, 블록 1105로부터 끝까지의 프로세싱 단계는 <50ms의 소프트웨어 응답 시간(이미지 분석에서 계산 완료까지)을 가질 수 있다. 일부 실시형태에 있어서, 평균 시스템 응답 시간은 약 25ms일 수 있으며, 약 20ms 내지 약 35ms의 범위일 수 있다. 일부 실시형태에 있어서, 평균 시스템 응답 시간은 약 60ms일 수 있으며, 약 40ms 내지 약 85ms의 범위일 수 있다. 일부 실시형태에 있어서, 평균 시스템 응답 시간은 약 35ms일 수 있으며, 약 23ms 내지 약 45ms의 범위일 수 있다. 일부 실시형태에 있어서, 평균 시스템 응답 시간은 약 24ms일 수 있으며, 약 14ms 내지 약 32ms의 범위일 수 있다. 일부 실시형태에 있어서, 평균 시스템 응답 시간은 약 17ms일 수 있으며, 약 10ms 내지 약 25ms의 범위일 수 있다. 일부 실시형태에 있어서, 평균 시스템 응답 시간은 약 9ms일 수 있으며, 약 5ms 내지 약 12ms의 범위일 수 있다.

위에서 간략히 논의된 바와 같이, 본 발명적 개념의 일부 실시형태에는 피험체(병아리 눈)의 타겟 존에 물질(분무)의 정확한 전달을 제공하기 위해 피험체의 위치상 변화를 조정하기 위한 방법, 시스템 및 컴퓨터 프로그램 제품을 제공한다. 또한, 일부 실시형태는 전달된 투여량의 효율성을 개선하고, 스캐닝에서 전달까지의 시간을 감소시키기 위한 전략을 제공한다. 따라서, 본 발명적 개념의 실시형태는 향상된 정확성뿐만 아니라 감소된 분무 타이밍을 제공한다.

위에서 논의된 바와 같이, 본 발명적 개념의 일부 실시형태는, 예를 들면 분무를 통해 물질을 새에게 전달하기 위해 사용될 수 있다. 그러나 논의된 바와 같이, 본 발명적 개념의 실시형태는 이러한 구성에 한정되지 않는다. 이제 도 17을 참조하여, 본 발명적 개념의 다양한 실시형태에 따라 물질을 받는 일반적인 피험체가 논의될 것이다. 특히, 본 발명적 개념의 예시적인 실시형태는 새를 피험체로로 하여 제공되지만, 본 발명적 개념의 실시형태는 이에 한정되는 것은 아니다. 도 17에 도시된 바와 같이, 피험체(1702)는 다양한 타겟 영역 X, X1 및 X2를 갖는 것으로 나타내어진다. 도 17에서는 3개만의 타겟 영역을 갖는 단 하나의 피험체(1702)만 나타내고 있지만, 본 발명은 이에 한정되는 것은 아니다. 3개보다 많거나 적은 타겟 영역을 갖는 하나 이상의 피험체가 존재할 수 있다.

피험체(1702)는, 예를 들면 닭, 칠면조, 오리, 거위, 메추라기, 꿩, 기니, 뿔닭, 공작, 자고새, 비둘기, 에뮤, 타조, 이국적인 새 등을 포함하지만, 이에 한정되지 않는 임의의 유형의 가금류일 수 있다. 피험체는 또한 암소, 소, 양, 당나귀, 염소, 라마, 말 및 돼지(돼지)와 같은 비가금류 가축뿐만 아니라 수생 동물일 수도 있다. 타겟 영역 X, X1 및 X2는 물질을 받아들이기에 적합한 피험체(1702) 상의 임의 영역일 수 있다. 예를 들면, 타겟 영역은 본 발명적 개념의 범위를 벗어나지 않으면서 피험체(1702)의 입 또는 주둥이, 목, 엉덩이, 눈 또는 코 부분일 수도 있고, 심지어 수생 동물의 아랫배일 수도 있다.

도 1 내지 16과 관련하여 위에서 논의된 것과 유사한 알고리즘 및 방법은 피험체의 위치 및/또는 배향 및 이와 관련된 타겟 영역(들)을 결정하기 위해 사용될 수 있다. 일단 피험체(1702)의 위치 및/또는 배향이 결정되면, 물질(1795)은 다양한 방법(1796) 중 하나를 사용하여 전달될 수 있다. 전달되는 물질은, 예를 들면 뉴캐슬병, 전염성 기관지염 바이러스, 대장균, 살모넬라균, 콕시디아, 캄필로박터, 마렉병, 전염성 F낭병, 건활막염, 뇌척수염, 계두, 가금류 전염성 빈혈, 후두기관염, 가금콜레라, 마이코플라스마 갈리셉티쿰, ND B1-B1, 라소타, DW, 출혈성장염, SC, 단독, 리메렐라 아나티페스티퍼, 오리 바이러스성 간염, 및 오리 바이러스성 장염에 대한 백신접종일 수 있다. 그러나, 실시형태는 이에 한정되지 않는다. 위에서 논의된 본 발명적 개념의 실시형태는 분무 전달 방법에 중점을 두고 있지만, 물질은, 예를 들면 바늘 또는 바늘없는 주사 또는 본 발명적 개념으로부터 벗어나지 않고 임의의 다른 가능한 전달 시스템을 사용하여 전달될 수 있다.

예를 들면, 도 18에 도시된 자동화된 주입 시스템은 피험체가 스캔된 후에 물질을 전달하기 위해 사용될 수 있다. 도 18에 도시된 바와 같이, 자동화된 주입 시스템(82)은 피험체를 치료하기 위해 사용되는 백신, 약물, 생물학적 제제 또는 다른 약제와 같은 물질(86)로 채워진 저장소(84)를 포함한다. 주입 시스템(82)은 또한 가압된 가스 공급(90) 및 주입 헤드(91)를 포함한다. 가압된 가스는 사전 가압된 가스 캡슐을 통해 또는 대안적으로 중앙집중화된 압축기에 부착된 가스 배관을 통해 자동 주입 시스템(82)으로 전달될 수 있다.

주입 시스템(82)은 주입 시스템의 높이, 깊이 및 길이에 대한 자동 조정을 허용하는 프레임(92)에 조정가능하게 장착될 수 있다. 프레임(92)은 고정된 구조물에 고정적으로 장착된다. 주입 시스템(82)의 자동 조정가능성은 피험체의 위치 및 그 위의 타겟 영역 X, X1 및 X2에 대해 주입 시스템(82)의 높이, 폭 및 깊이를 자동으로 원격 조정할 수 있는 메커니즘에 의해 달성된다. 가압된 가스 공급원(90)은 저장소(84) 내의 물질(86)을 피험체 안으로 전달하기 위해 사용될 수 있다. 가압된 가스 공급(90) 및 물질(86)은 바늘없는 전달 장치 분야의 당업자에 의해 이해되는 것이 인식될 수 있다. 따라서, 주사는 바늘 또는 바늘없는 것일 수도 있다. 도 18에 도시된 분무 시스템은 단지 예시로서 제공되고, 따라서 본 발명적 개념의 실시형태는 이에 한정되는 것은 아니다.

특히, 본원에서 논의되는 실시형태에 따라 피험체에게 물질을 전달하는 방법은 도 19a 내지 19d에 도시된 바와 같이 돼지에게 물질을 전달하기 위해 사용될 수 있다. 도 19a에 도시된 바와 같이, 이들 도시된 실시형태에서 피험체는 돼지(1953)이다. 추가로 도시된 바와 같이, 돼지(1953)는 병아리에 대해 도 1b 및 1c와 관련하여 위에서 논의된 실시형태와 유사하게, 벽에 의해 분리된 일련의 긴 라인으로 정렬되어 있다. 도 19b에 도시된 바와 같이, 돼지(1953)가 주입 시스템(또는 분무 시스템)(1982)에 접근함에 따라, 돼지는 돼지(1953) 상의 타겟 존 X, X1 및 X2(도 19c)를 위치시키기 위해 본원에서 논의되는 실시형태에 따라 돼지를 스캔(1977)한다. 돼지(1953)는 위에서 논의된 바와 같이 병아리가 이동하는 것과 동일한 방향으로 이동하지 않을 수 있음이 이해될 것이다. 따라서, 본 발명적 개념의 범위를 벗어나지 않으면서 돼지(1953) 상의 타겟 존 X, X1 및 X2에 위치하기 위해 알고리즘을 조정할 수 있다. 도 19d에 도시된 바와 같이, 일단 하나 이상의 타겟 존 X, X1 및 X2가 위치되면, 주입 시스템(1982)은 물질을 돼지(1953)에 주입하기 위해 사용될 수 있다.

유사하게, 일부 실시형태에 있어서, 본원에서 논의되는 실시형태에 따라 피험체에게 물질을 전달하는 방법은 도 20a 내지 20e에 도시된 바와 같이 물고기에게 물질을 전달하기 위해 사용될 수 있다. 도 20a에 도시된 바와 같이, 물고기(2054)는 일련의 튜브(2009)를 통해 제 1 풀(2007)에서 제 2 풀(2008)로 헤엄친다. 튜브(2009)에서 헤엄치는 물고기(2054)의 분해도가 도 20b에 제공된다. 도 20c에 도시된 바와 같이, 물고기(2054)는 튜브를 통해 제 1 풀(2007)에서 제 2 풀(2008)까지 헤엄치면서, 예를 들면 금속 플레이트(2057)를 사용하여 포획된다. 본 발명적 개념의 실시형태는 이러한 구성에 한정되지 않으며, 각각의 물고기를 분리하는 다른 방법은 물고기의 앞뒤에 위치된 팽창가능한 방광을 포함할 수 있다. 일단 포획되면, 도 20d에 나타낸 바와 같이, 물고기(2054)는 물고기(2054) 상의 타겟 존 X(도 20e)의 위치에 본원에서 논의되는 실시형태에 따라 스캐닝(2077)된다. 위에서 논의된 것과 같이 병아리가 이동하는 것과 동일한 방식으로 이동하지 않을 수 있음을 이해될 것이다. 따라서, 본 발명적 개념의 범위를 벗어나지 않으면서 물고기(2054) 상의 타겟 존 X, X1 및 X2를 위치시키기 위해 알고리즘이 조정될 수 있다. 도 20e에 도시된 바와 같이, 일단 하나 이상의 타겟 존 X, X1 및 X2가 물고기 상에 위치되면, 주입 시스템(2082)은 물고기(2054) 안에 물질을 주입하기 위해 사용될 수 있다. 도시된 바와 같이, 스캐닝 시스템(2077) 및 주입 시스템(2082)은 주입이 타겟 X에 전달될 수 있도록 좌우로 이동할 수 있다. 그 다음, 물고기(2054)는 제 2 풀(2008)로 방출된다.

병아리, 돼지 및 물고기의 특정 실시형태가 본원에서 논의되지만, 본 발명적 개념의 실시형태는 이들 예로 한정되지 않는다. 위에서 논의된 임의의 주제는 본 발명적 개념의 범위를 벗어나지 않고 본원에서 논의된 바와 같은 물질이 전달될 수 있다.

위에서 논의된 바와 같이, 본 발명적 개념의 일부 실시형태는 기계 학습 및/또는 인공 지능을 활용한다. 이제 도 21을 참조하면, 본 개시와 관련하여 기계 학습 모델을 트레이닝하는 예를 도시하는 도면이 논의될 것이다. 본원에서 설명된 기계 학습 모델 트레이닝은 기계 학습 시스템을 사용하여 수행될 수 있다. 기계 학습 시스템은 컴퓨팅 장치, 서버, 클라우드 컴퓨팅 환경 등을 포함하거나 포함될 수 있다.

기계 학습 모델은 일련의 관찰을 사용하여 트레이닝될 수 있다. 일련의 관찰은 본원에서 설명된 하나 이상의 프로세스 중에 수집된 데이터와 같은 역사적 데이터로부터 획득 및/또는 입력될 수 있다. 예를 들면, 일련의 관찰은 본원의 다른 곳에서 설명된 바와 같이 분무 노즐에 대한 벨트 상의 새의 위치에 대해 수집된 데이터를 포함할 수 있다. 일부 구현에 있어서, 기계 학습 시스템은 위치 모듈(160)(도 1a) 또는 저장 장치로부터 일련의 관찰(예를 들면, 입력으로서)을 받을 수 있다.

특징 세트는 일련의 관찰로부터 유래될 수 있다. 특징 세트는 일련의 변수를 포함할 수 있다. 변수는 특징으로 지칭될 수 있다. 특정 관찰은 일련의 변수에 해당하는 일련의 변수값을 포함할 수 있다. 일련의 변수값은 관찰에 따라 특정될 수 있다. 일부 경우에, 상이한 관찰은 때때로 특징값이라고 지칭되는, 상이한 일련의 변수값과 관련될 수 있다.

일부 구현에 있어서, 기계 학습 시스템은 위치 모듈(160)로부터 수신된 입력에 기초하여 일련의 관찰에 대한 변수 및/또는 특정 관찰에 대한 변수값을 결정할 수 있다. 예를 들면, 기계 학습 시스템은 표의 특정 컬럼으로부터 데이터를 추출, 형식 및/또는 메시지의 특정 분야로부터 데이터를 추출, 및/또는 구조화된 데이터 포멧으로 수신된 데이터를 추출하는 것과 같은 기계 학습 시스템에 입력된 구조화된 데이터로부터 특징 세트(예를 들면, 하나 이상의 특징 및/또는 해당 특징값)를 식별할 수 있다. 추가적으로 또는 대안적으로, 기계 학습 시스템은 특징 및/또는 특징값을 결정하기 위해 오퍼레이터로부터 입력을 수신할 수 있다.

일부 구현에 있어서, 기계 학습 시스템은 텍스트로부터 키워드 및/또는 해당 키워드와 관련된 값을 식별하는 것과 같은 기계 학습 시스템에 입력된 텍스트(예를 들면, 구조화되지 않은 데이터)로부터 특징(예를 들면, 변수) 및/또는 특징값(예를 들면, 변수값)을 추출하기 위해 자연어 프로세싱 및/또는 다른 특징 식별 기술을 수행할 수 있다.

예로서, 일련의 관찰에 대한 특징 세트는 벨트 상의 새의 제 1 위치, 벨트 상의 새의 제 2 위치 등을 포함할 수 있다. 이들 특징 및 특징값은 예시로서 제공되며, 다른 예시에서는 상이할 수 있다. 예를 들면, 특징 세트는 이하의 특징 중 하나 이상을 포함할 수 있다: 새의 눈의 위치, 새의 눈의 높이, 벨트 상의 새의 상대적 위치 등. 일부 구현에 있어서, 기계 학습 시스템은 특징 세트를 감소 및/또는 특징 세트의 특징을 최소 특징 세트로 결합하기 위해 사전 프로세스 및/또는 차원수 감소를 수행할 수 있다. 기계 학습 모델은 최소 특징 세트에 대해 트레이닝될 수 있으며, 이로써 기계 학습 모델을 트레이닝하기 위해 사용되는 기계 학습 시스템의 리소스(예를 들면, 프로세싱 리소스 및/또는 메모리 리소스)를 보존할 수 있다.

일련의 관찰은 타겟 변수와 관련될 수 있다. 다른 예 중에, 타겟 변수는 숫자 값(예를 들면, 정수 값 또는 부동 소수점 값)을 갖는 변수를 나타낼 수 있고, 값의 범위 내에 속하거나 일부 이산 가능한 값을 갖는 숫자 값을 갖는 변수를 나타낼 수 있고, 다중 옵션(예를 들면, 다중 클래스, 범주 또는 레이블 중 하나) 중 하나로부터 선택할 수 있는 변수를 나타낼 수 있고, 불 값(예를 들면, 0 또는 1, 참 또는 거짓, 예 또는 아니오)을 갖는 변수를 나타낼 수 있다. 타겟 변수는 타겟 변수값과 관련될 수 있고, 타겟 변수값은 관찰에 특정될 수 있다. 일부 경우에, 상이한 관찰은 상이한 타겟 변수값과 관련될 수 있다. 타겟 변수는 제 1 관찰에 대한 XYZ 값(3D 좌표 값)을 갖는 새의 위치일 수 있다. 위에서 설명된 특징 세트 및 타겟 변수는 예로서 제공되고, 다른 예는 위에서 설명된 것과 상이할 수 있다.

타겟 변수는 기계 학습 모델이 예측하도록 트레이닝되는 값을 나타낼 수 있고, 특징 세트는 타겟 변수에 대한 값을 예측하기 위해 트레이닝된 기계 학습 모델에 입력되는 변수를 나타낼 수 있다. 일련의 관찰은 타겟 변수값으로 이어지는 특징 세트에서의 패턴을 인식하기 위해 기계 학습 모델을 트레이닝할 수 있도록 타겟 변수값을 포함할 수 있다. 타겟 변수값을 예측하기 위해 트레이닝된 기계 학습 모델을 지도 학습 모델 또는 예측 모델이라고 지칭할 수 있다. 타겟 변수가 연속적인 타겟 변수값(예를 들면, 숫자의 범위)과 관련되어 있는 경우, 기계 학습 모델은 회귀 기술을 이용할 수 있다. 타겟 변수가 범주형 타겟 변수값(예를 들면, 클래스 또는 레이블)과 관련되어 있는 경우, 기계 학습 모델은 범주 기법을 이용할 수 있다.

일부 구현에 있어서, 기계 학습 모델은 타겟 변수를 포함하지 않는(또는 타겟 변수를 포함하지만, 기계 학습 모델이 타겟 변수를 예측하기 위해 실행되지 않는) 일련의 관찰에 대해 트레이닝될 수 있다. 이는 비지도 학습 모델, 자동화된 데이터 분석 모델, 또는 자동화된 신호 추출 모델이라고 지칭될 수 있다. 이 경우에, 기계 학습 모델은 레이블링 또는 감독 없이 일련의 관찰로부터 패턴을 학습할 수 있으며, 일련의 관찰 내의 항목의 관련된 그룹을 식별하기 위해 클러스터링 및/또는 관련을 사용하는 것과 같은 이러한 패턴을 나타내는 출력을 제공할 수 있다.

도 21에 나타낸 바와 같이, 기계 학습 시스템은 일련의 관찰의 제 1 서브세트를 포함하는 트레이닝 세트(2120), 및 일련의 관찰의 제 2 서브세트를 포함하는 테스트 세트(2125)로 일련의 관찰을 분할할 수 있다. 트레이닝 세트(2120)는 기계 학습 모델을 트레이닝(예를 들면, 피팅 또는 조정)하기 위해 사용될 수 있는 반면, 테스트 세트(2125)는 트레이닝 세트(2120)를 사용하여 트레이닝된 기계 학습 모델을 평가하기 위해 사용될 수 있다. 예를 들면, 지도 학습을 위해, 테스트 세트(2125)는 관찰의 제 1 서브세트를 사용하는 초기 모델 트레이닝에 사용될 수 있고, 테스트 세트(2125)는 트레이닝된 모델이 관찰의 제 2 서브세트에서 타겟 변수를 정확하게 예측하는지의 여부를 테스트하기 위해 사용될 수 있다. 일부 구현에 있어서, 기계 학습 시스템은 트레이닝 세트(2021)에서 일련의 관찰의 제 1 부분 또는 제 1 백분율(예를 들면, 다른 예 중에 75%, 80% 또는 85%)을 포함하고, 테스트 세트(2125)에서 일련의 관찰의 제 2 부분 또는 제 2 백분율(예를 들면, 다른 예 중에 25%, 20% 또는 15%)을 포함함으로써, 일련의 관찰을 트레이닝 세트(2120)와 테스트 세트(2125)로 분할할 수 있다. 일부 구현에 있어서, 기계 학습 시스템은 트레이닝 세트(2120) 및/또는 테스트 세트(2125)에 포함될 관찰을 무작위로 선택할 수 있다.

참조 번호 2131에 의해 나타낸 바와 같이, 기계 학습 시스템은 트레이닝 세트(2120)를 사용하여 기계 학습 모델을 트레이닝할 수 있다. 이 트레이닝은 기계 학습 시스템에 의해 기계 학습 알고리즘을 실행하여, 트레이닝 세트(2120)에 기초하여 일련의 모델 파라미터를 결정하는 것을 포함할 수 있다. 일부 구현에 있어서, 기계 학습 알고리즘은 정규화된 회귀 알고리즘(예를 들면, Lasso 회귀, Ridge 회귀 또는 Elastic-Net 회귀)을 포함할 수 있는 회귀 알고리즘(예를 들면, 선형 회귀 또는 로지스틱 회귀)을 포함할 수 있다. 추가적으로 또는 대안적으로, 기계 학습 알고리즘은 트리 앙상블 알고리즘(예를 들면, 배깅 및/또는 부스팅을 사용하여 생성됨), 랜덤 포레스트 알고리즘, 또는 부스트된 트리 알고리즘을 포함할 수 있는, 결정 트리 알고리즘을 포함할 수 있다. 모델 파라미터는 모델(예를 들면, 트레이닝 세트(2120))에 입력된 데이터로부터 학습되는 기계 학습 모델의 속성을 포함할 수 있다. 예를 들면, 회귀 알고리즘의 경우, 모델 파라미터는 회귀 계수(예를 들면, 가중치)를 포함할 수 있다. 결정 트리 알고리즘의 경우, 모델 파라미터는, 예를 들면 결정 트리 분할 위치를 포함할 수 있다.

참조번호 2135에 의해 나타낸 바와 같이, 기계 학습 시스템은 기계 학습 모델을 튜닝하기 위해 하나 이상의 하이퍼파라미터 세트(2141)를 사용할 수 있다. 하이퍼파라미터는 기계 학습 알고리즘에 적용되는 제약 조건과 같은 기계 학습 시스템에 의한 기계 학습 알고리즘의 실행을 제어하는 구조적 파라미터를 포함할 수 있다. 모델 파라미터와 다르게, 하이퍼파라미터는 모델에 입력된 데이터로부터 학습되지 않는다. 정규화된 회귀 알고리즘에 대한 예시적인 하이퍼파라미터는 트레이닝 세트(2120)에 대한 기계 학습 모델의 과적합을 완화하기 위해 회귀 계수에 적용되는 페널티의 강도(예를 들면, 가중치)를 포함한다. 페널티는 계수값의 크기(예를 들면, 큰 계수값에 페널티하는 것과 같은 Lasso 회귀의 경우)에 기초하여 적용되고, 계수값의 제곱 크기에 기초하여 적용되고(예를 들면, 큰 제곱 계수값을 페널티하는 것과 같은 Ridge 회귀의 경우), 크기와 제곱 크기의 비율에 기초하여 적용되고(예를 들면, Elastic-Net 회귀의 경우), 및/또는 하나 이상의 특성값을 0으로 설정함으로써 적용될 수 있다(예를 들면, 자동 특징 선택의 경우). 결정 트리 알고리즘에 대한 예시적인 하이퍼파라미터에는 적용될 트리 앙상블 기술(예를 들면, 배깅, 부스팅, 랜덤 포레스트 알고리즘 및/또는 부스팅된 트리 알고리즘), 평가할 특징의 수, 사용할 관찰의 수, 각각의 결정 트리의 최대 깊이(예를 들면, 결정 트리에 허용되는 분기의 수), 또는 랜덤 포레스트 알고리즘에 포함할 결정 트리의 수를 포함될 수 있다.

기계 학습 모델을 트레이닝시키기 위해서, 기계 학습 시스템은 트레이닝될 일련의 기계 학습 알고리즘을 식별할 수 있고(예를 들면, 하나 이상의 기계 학습 알고리즘을 식별하는 오퍼레이터 입력에 기초하고/또는 일련의 기계 학습 알고리즘의 무작위 선택에 기초하여), 트레이닝 세트(2120)를 사용하여 일련의 기계 학습 알고리즘을 트레이닝할 수 있다(예를 들면, 세트에서 각각의 기계 학습 알고리즘에 대해 독립적으로). 기계 학습 시스템은 하나 이상의 하이퍼파라미터 세트(2124)를 사용하여 각각의 기계 학습 알고리즘을 튜닝할 수 있다(예를 들면, 사용될 하이퍼파라미터 세트(2141)를 식별하는 오퍼레이터 입력에 기초하고/또는 무작위로 생성되는 하이퍼파라미터 값에 기초하여). 기계 학습 시스템은 특정 기계 학습 알고리즘 및 대응하는 하이퍼파라미터 세트(2141)를 사용하여 특정 기계 학습 모델을 트레이닝할 수 있다. 일부 구현에 있어서, 기계 학습 시스템은 각각의 기계 학습 모델에 대한 일련의 모델 파라미터를 생성하기 위해 다중 기계 학습 모델을 트레이닝할 수 있으며, 여기에서 각각의 기계 학습 모델은 기계 학습 알고리즘과 해당 기계 학습 알고리즘에 대한 하이퍼파라미터 세트(2141)의 상이한 조합에 대응한다.

일부 구현에 있어서, 기계 학습 시스템은 기계 학습 모델을 트레이닝할 때에 교차 검증을 수행할 수 있다. 교차 검증은 트레이닝 세트(2120)만을 사용하고 테스트 세트(2125)를 사용하지 않고, 예를 들면 트레이닝 세트(2120)를 다수의 그룹으로 분할하고(예를 들면, 그룹의 수를 식별하는 오퍼레이터 입력에 기초하고/또는 그룹의 수를 무작위로 선택하는 것에 기초하여) 해당 그룹을 사용함으로써, 모델 성능을 추정하는 것과 같은, 기계 학습 모델 성능의 신뢰할 수 있는 추정치를 얻기 위해 사용될 수 있다. 예를 들면, k-폴드 교차 검증을 사용하여, 트레이닝 세트(2120)에서의 관찰은 k 그룹으로 분할될 수 있다(예를 들면, 순서대로 또는 무작위로). 트레이닝 절차의 경우, 한 그룹은 홀드아웃 그룹으로 마킹되고, 나머지 그룹은 트레이닝 그룹으로 마킹될 수 있다. 트레이닝 절차의 경우, 기계 학습 시스템은 트레이닝 그룹에 대해 기계 학습 모델을 트레이닝한 다음, 홀드아웃 그룹에 대해 기계 학습 모델을 테스트하여 교차 검증 스코어를 생성할 수 있다. 기계 학습 시스템은 각각의 트레이닝 절차에 대한 교차 검증 스코어를 생성하기 위해 상이한 홀드아웃 그룹과 상이한 테스트 그룹을 사용하여 이 트레이닝 절차을 반복할 수 있다. 일부 구현에 있어서, 기계 학습 시스템은 기계 학습 모델을 독립적으로 k회 트레이닝할 수 있으며, 각각 별개의 그룹은 한 번 홀드아웃 그룹으로 사용되고 트레이닝 그룹으로 k-1회 사용된다. 기계 학습 시스템은 각각의 트레이닝 절차에 대한 교차 검증 스코어를 결합하여 기계 학습 모델에 대한 전체 교차 검증 스코어를 생성할 수 있다. 전체 교차 검증 스코어는, 예를 들면 평균 교차 검증 스코어(예를 들면, 모든 트레이닝 절차에 걸친), 교차 검증 스코어에 걸친 표준 편차, 또는 교차 검증 스코어에 걸친 표준 오류를 포함할 수 있다.

일부 구현에 있어서, 기계 학습 시스템은 기계 학습 모델을 트레이닝할 때에 트레이닝 세트를 다수의 그룹으로 분할함으로써(예를 들면, 그룹의 수를 식별하는 오퍼레이터 입력에 기초하고/또는 그룹의 수를 무작위로 선택하는 것에 기초하여) 교차 검증을 수행할 수 있다. 기계 학습 시스템은 다중 트레이닝 절차를 수행할 수 있으며, 각각의 트레이닝 절차에 대한 교차 검증 스코어를 생성할 수 있다. 기계 학습 시스템은 특정 기계 학습 알고리즘과 관련된 각각의 하이퍼파라미터 세트(2141)에 대한 전체 교차 검증 스코어를 생성할 수 있다. 기계 학습 시스템은 특정 기계 학습 알고리즘과 관련된 상이한 하이퍼파라미터 세트(2141)에 대한 전체 교차 검증 스코어를 비교할 수 있으며, 기계 학습 모델 트레이닝을 위한 최상의(예를 들면, 가장 높은 정확도, 가장 낮은 오류, 또는 원하는 임계값에 가장 가까운) 전체 교차 검증 스코어를 가진 하이퍼파라미터 세트(2141)를 선택할 수 있다. 그 다음, 기계 학습 시스템은 특정 기계 학습 알고리즘에 대한 단일 기계 학습 모델을 생성하기 위해, 교차 검증 없이(예를 들면, 홀드아웃 그룹없이 트레이닝 세트(2120)에서 모든 데이터를 사용하여) 선택된 하이퍼파라미터 세트(2141)를 사용하여 기계 학습 모델을 트레이닝할 수 있다. 그 다음, 기계 학습 시스템은 테스트 세트(2125)를 사용하는 이 기계 학습 모델을 테스트하여 평균 제곱 오류(예를 들면, 회귀의 경우), 평균 절대 오류(예를 들면, 회귀의 경우), 또는 수신기 운용 특성 곡선 아래 영역(예를 들면, 범주의 경우)과 같은 성능 스코어를 생성할 수 있다. 기계 학습 모델이 적절하게 수행되면(예를 들면, 임계값을 충족시키는 성능 스코어로), 그 다음 기계 학습 시스템은 도 22와 관련되어 이하에 설명되는 바와 같이 새로운 관찰을 분석하기 위해 사용되는 트레이닝된 기계 학습 모델(2145)로서 해당 기계 학습 모델을 저장할 수 있다.

일부 구현에 있어서, 기계 학습 시스템은 상술한 바와 같이 정규화된 회귀 알고리즘, 싱이한 유형의 정규화된 회귀 알고리즘, 결정 트리 알고리즘, 또는 상이한 유형의 결정 트리 알고리즘과 같은 다중 기계 학습 알고리즘(예를 들면, 독립적으로)에 대해 교차 검증을 수행할 수 있다. 다중 기계 학습 알고리즘에 대한 교차 검증 수행에 기초하여, 기계 학습 시스템은 다중 기계 학습 모델을 생성할 수 있으며, 여기에서 각각의 기계 학습 모델은 대응하는 기계 학습 알고리즘에 대해 최상의 전체 교차 검증 스코어를 갖는다. 그 다음, 기계 학습 시스템은 전체 트레이닝 세트(2120)를 사용하여 각각의 기계 학습 모델을 트레이닝할 수 있으며(예를 들면, 교차 검증 없이), 테스트 세트를 사용하여 각각의 기계 학습 모델을 테스트하여 각각의 기계 학습 모델에 대한 대응하는 성능 스코어를 생성할 수 있다. 기계 학습 모델은 각각의 기계 학습 모델에 대한 성능 스코어를 비교할 수 있으며, 최상의(예를 들면, 가장 높은 정확도, 가장 낮은 오류, 또는 원하는 임계값에 가장 가까운) 성능 스코어를 갖는 기계 학습 모델을 트레이닝된 기계 학습 모델(2145)로서 선택할 수 있다.

상기에 나타낸 바와 같이, 도 21은 예로서 제공된다. 다른 예는 도 21과 관련하여 설명된 것과 상이할 수 있다. 예를 들면, 기계 학습 모델은 도 21과 관련하여 설명된 것과 상이한 프로세스를 사용하여 트레이닝될 수 있다. 추가적으로 또는 대안적으로, 기계 학습 모델은 Bayesian 추정 알고리즘, k-최근접 이웃 알고리즘, 선험적 알고리즘, k-평균 알고리즘, 지원 벡터 기계 알고리즘, 신경 네트워크 알고리즘(예를 들면, 나선형 신경 네트워크 알고리즘) 및/또는 딥 러닝 알고리즘과 같은 도 21과 관련하여 설명된 것과 상이한 기계 학습 알고리즘을 이용한다.

도 22는 피험체에게 물질을 전달하는 것과 관련된 새로운 관찰에 트레이닝된 기계 학습 모델을 적용하는 예를 도시하는 도면이다. 새로운 관찰은 도 21과 관련하여 상술된 트레이닝된 기계 학습 모델(2145)과 같은 트레이닝된 기계 학습 모델(2145)을 저장하는 기계 학습 시스템에 입력될 수 있다. 기계 학습 시스템은 컴퓨팅 장치, 서버 또는 클라우드 컴퓨팅 환경을 포함할 수 있거나, 이에 포함될 수 있다.

기계 학습 시스템은 새로운 관찰(또는 일련의 새로운 관찰)을 수신할 수 있고, 새로운 관찰을 기계 학습 모델에 입력할 수 있다. 나타낸 바와 같이, 새로운 관찰은 제 1 특징, 제 2 특징, 제 3 특징 등을 포함할 수 있다. 기계 학습 시스템은 트레이닝된 기계 학습 모델(2145)을 새로운 관찰에 적용하여 출력(2271)(예를 들면, 결과)을 생성할 수 있다. 출력 유형은 기계 학습 모델의 유형 및/또는 수행되는 기계 학습 운용의 유형에 의존할 수 있다. 예를 들면, 출력(2271)은 지도 학습이 이용되는 경우와 같이, 타겟 변수의 예측값(예를 들면, 추정된)(예를 들면, 값의 연속적인 범위 내의 값, 이산값, 레이블, 클래스 또는 범주)을 포함할 수 있다. 추가적으로 또는 대안적으로, 출력(2271)은 비지도 학습이 이용되는 경우와 같이, 새로운 관찰이 속하는 클러스터를 식별하는 정보 및/또는 새로운 관찰과 하나 이상의 이전 관찰(예를 들면, 이전에 기계 학습 모델에 입력된 새로운 관찰 및/또는 기계 학습 모델을 트레이닝시키는 데 사용된 관찰일 수 있음) 사이의 유사도를 나타내는 정보를 포함할 수 있다.

일부 구현에 있어서, 트레이닝된 기계 학습 모델(2145)은 새의 위치의 XYZ 값을 예측할 수 있다. 이 예측에 기초하여(예를 들면, 특정 레이블 또는 범주를 갖는 값에 기초하거나 또는 임계값을 충족시키거나 충족시키지 않는 값에 기초하여), 기계 학습 시스템은 물질이 새에게 전달되어야 한다는 표시를 제공하는 것과 같은 추천의 결정을 위한 추천 및/또는 출력을 제공할 수 있다. 추가적으로 또는 대안적으로, 기계 학습 시스템은 자동화된 동작을 수행할 수 있고/또는 자동화된 동작이 수행되도록 할 수 있다(예를 들면, 다른 장치에 자동화된 동작을 수행하도록 지시함으로써). 일부 구현에 있어서, 추천 및/또는 자동화된 동작은 특정 레이블(예를 들면, 범주 또는 범주화)을 갖는 타겟 변수값에 기초할 수 있고/또는 타겟 변수값이 하나 이상의 임계값(예를 들면, 타겟 변수값이 임계값보다 큰지, 임계값보다 작은지, 임계값과 같은지, 또는 임계값의 범위에 속하는지의 여부)을 충족시키는지의 여부에 기초할 수 있다.

이러한 방식으로, 기계 학습 시스템은 새의 위치 및 그 새에게 물질을 전달할 시기를 결정하기 위해 엄격하고 자동화된 프로세스를 적용할 수 있다. 기계 학습 시스템은 수십, 수백, 수천 또는 수백만 개의 관찰에 대한 수십, 수백, 수천 또는 수백만 개의 특징 및/또는 특징값을 인식 및/또는 식별할 수 있으므로, 새에게 수동으로 백신접종을 하기 위해 수십, 수백 또는 수천명의 오퍼레이터에게 할당되는 필수 리소스(예를 들면, 컴퓨팅 또는 수동)에 비해 정확성 및 일관성이 향상되고 병아리 백신접종과 관련된 지연이 감소된다.

위에 표시된 바와 같이, 도 22는 예로서 제공된다. 다른 예는 도 22와 관련하여 설명된 것과 상이할 수 있다.

상술한 흐름 로직 및/또는 방법은 본원에서 설명된 다양한 서비스 및 애플리케이션의 기능 및 운용을 보여준다. 소프트웨어로 구현되면, 각각의 블록은 지정된 로직 함수(들)를 구현하기 위한 프로그램 명령을 포함하는 모듈, 세그먼트 또는 코드 부분을 나타낼 수 있다. 프로그램 명령은 컴퓨터 시스템 또는 다른 시스템에서 프로세서와 같은 적합한 실행 시스템에 의해 인식될 수 있는 수치 명령을 포함하는 프로그래밍 언어 또는 기계 코드로 작성된 사람 판독가능한 명령문을 포함하는 소스 코드의 형태로 구현될 수 있다. 기계 코드는 소스 코드 등으로부터 변환될 수 있다. 다른 적합한 유형의 코드는 컴파일된 코드, 해석된 코드, 실행가능한 코드, 정적 코드, 동적 코드, 객체 지향 코드, 시각적 코드 등이 포함된다. 예로는 이러한 맥락으로 한정되지 않는다.

하드웨어로 구현되면, 각각의 블록은 지정된 로직 함수(들)를 구현하기 위해 회로 또는 다수의 상호연결된 회로를 나타낼 수 있다. 회로는 상업적으로 이용가능한 다양한 프로세서를 포함할 수 있으며, AMD® Athlon®, Duron® 및 Opteron® 프로세서; ARM® 애플리케이션, 임베디드 및 보안 프로세서; IBM® 및 Motorola® DragonBall® 및 PowerPC® 프로세서; IBM 및 Sony® Cell 프로세서; Qualcomm® Snapdragon®; Intel® Celeron®, Core(2) Duo®, Core i3, Core i5, Core i7, Itanium®, Pentium®, Xeon®, Atom® 및 XScale® 프로세서; Nvidia Jetson®급 프로세서(예를 들면, Xavier 및 Orin 패밀리) 및 유사한 프로세서를 포함하지만 이에 한정되지 않는다. 다른 유형의 다중 코어 프로세서 및 기타 다중 프로세서 아키텍처도 회로의 일부로서 사용될 수 있다. 일부 예에 따르면, 회로는 또한 ASIC(Application Specific Integrated Circuit) 또는 FPGA(Field Programmable Gate Array)를 포함할 수 있고, 모듈은 ASIC 또는 FPGA의 하드웨어 요소로서 구현될 수 있다. 또한, 실시형태는 칩, 칩셋 또는 패키지의 형태로 제공될 수 있다.

상술한 흐름 로직 및/또는 방법은 각각 특정 실행 순서를 나타내지만, 실행 순서는 설명된 것과 상이할 수 있음이 이해된다. 또한, 플로우차트에 연속적으로 나타낸 운용은 동시에 또는 부분적으로 동시에 실행될 수 있다. 또한, 일부 실시형태에 있어서, 운용 중 하나 이상이 스킵되거나 생략될 수 있다. 또한, 향상된 유용성, 회계, 성능 측정, 또는 문제 해결 지원 제공 등의 목적을 위해, 카운터, 상태 변수, 경고 신호기 또는 메시지가 본원에서 설명된 논리적 흐름 또는 방법에 추가될 수 있다. 이러한 모든 변형은 본 개시의 범위 내에 있다. 또한, 흐름 로직 또는 방법에 도시된 모든 운용은 새로운 구현에 필요한 것은 아닐 수도 있다.

본원에서 논의된 임의의 운용 또는 구성요소가 소프트웨어의 형태로 구현되는 경우, 예를 들면 C, C++, C#, 오브젝티브 C, 자바, 자바스트립트, 펄, PHP, 비주얼 베이직, 파이썬, 루비, 델파이, 플래시 또는 기타 프로그래밍 언어 등을 이용할 수 있다. 소프트웨어 구성요소는 메모리에 저장되며, 프로세서에 의해 실행된다. 여기서, 용어 "실행가능한"은 궁극적으로 프로세서에 의해 실행될 수 있는 형식인 프로그램 파일을 의미한다. 실행가능한 프로그램의 예로는 메모리의 랜덤 액세스 부분에 로딩되고 프로세서에 의해 실행될 수 있는 형식의 기계 코드로 변환될 수 있는 컴파일된 프로그램, 메모리의 랜덤 액세스 부분에 로딩되고 프로세서에 의해 실행될 수 있는 오브젝트 코드와 같은 적절한 형식으로 표현될 수 있는 소스 코드, 또는 다른 실행 프로그램에 의해 해석되어 메모리의 랜덤 액세스 부분에 프로세서에 의해 실행될 명령을 생성할 수 있는 소스 코드 등일 수 있다. 실행가능한 프로그램은 메모리의 임의의 부분이나 구성요소에도 저장될 수 있다. 본 개시의 맥락에서, "컴퓨터 판독가능한 매체"는 명령 실행 시스템에 의해 또는 그와 관련하여 사용하기 위해 본원에서 설명된 로직 또는 애플리케이션을 포함, 저장 또는 유지할 수 있는 임의의 매체(예를 들면, 메모리)일 수 있다.

메모리는 휘발성 및/또는 비휘발성 메모리, 분리가능 및/또는 분리불가능 메모리, 소거가능 및/또는 소거불가능 메모리, 기록가능 및/또는 재기록가능 메모리 등을 포함하는 제조품으로서 본원에서 규정된다. 휘발성 구성요소는 전원이 꺼졌을 때 데이터값을 유지하지 않는 구성요소이다. 비휘발성 구성요소는 전원이 꺼졌을 때 데이터를 유지하는 구성요소이다. 따라서, 메모리는, 예를 들면 RAM(Random Access Memory), ROM(Read-Only Memory), 하드 디스크 드라이브, 솔리드 스테이트 드라이브, USB 플래시 드라이브, 메모리 카드 판독기를 통해 액세스되는 메모리 카드, 관련된 플로피 디스크 드라이브를 통해 액세스되는 플로피 디스크, 광 디스크 드라이브를 통해 액세스되는 광 디스크, 적절한 테이프 드라이브를 통해 액세스되는 자기 테이프 및/또는 기타 메모리 구성요소, 또는 이들 메모리 구성요소 중 2개 이상의 조합을 포함할 수 있다. 또한, RAM은 예를 들면, SRAM(Static Random Access Memory), DRAM(Dynamic Random Access Memory), MRAM(Magnetic Random Access Memory) 및 기타 이러한 장치를 포함할 수 있다. ROM은, 예를 들면 PROM(Programmable Read-Only Memory), EPROM(Erasable Programmable Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory) 또는 기타 유사한 메모리 장치를 포함할 수 있다.

본원에서 설명된 장치는 각각 병렬 프로세싱 회로에서 운용하는 다중 프로세서 및 다중 메모리를 포함할 수 있다. 이러한 경우, 통신 버스와 같은 로컬 인터페이스는 다중 프로세서 중 임의의 2개 사이, 임의의 프로세서와 메모리 중 임의의 2개 사이, 또는 메모리 중 임의의 2개 사이 등의 통신을 용이하게 할 수 있다. 로컬 인터페이스는, 예를 들면 로드 밸런싱 수행을 포함하여, 이러한 통신을 조정하도록 설계된 추가 시스템을 포함할 수 있다. 프로세서는 전기적이거나 또는 일부 다른 사용가능한 구성일 수 있다.

본 개시의 위에서 설명된 실시형태는 단지 본 개시의 원리의 명확한 이해를 위해 제시된 구현의 가능한 예에 불과하다는 것이 강조되어야 한다. 물론, 구성요소 및/또는 방법론의 모든 가능한 조합을 설명하는 것은 불가능하지만, 당업자는 다수의 추가 조합 및 순열이 가능하다는 것을 인식할 수 있다. 즉, 본 개시의 사상 및 원리로부터 실질적으로 벗어나지 않고 위에서 설명된 실시형태(들)에 대해 다수의 변형 및 수정이 이루어질 수 있다. 이러한 모든 수정 및 변형은 본 개시 내용의 범위 내에 포함되도록 의도되고, 다음의 청구범위에 의해 보호된다.

Claims

움직이는 피험체에게 물질을 정확하게 투여하는 방법으로서,
물질 전달을 위해 적어도 하나의 규정된 타겟 영역을 갖는 피험체에 대한 하나 이상의 스캔을 획득하는 단계;
피험체의 획득된 하나 이상의 스캔에 기초하여 움직이는 피험체의 3차원 위치를 계산하는 단계로서, 3차원 위치는 3차원 위치를 규정하는 X, Y 및 Z 좌표를 포함하는 단계;
움직이는 피험체의 계산된 3차원 위치에 기초하여 타이밍 조정을 계산하는 단계; 및
계산된 타이밍 조정을 사용하여 피험체 상의 적어도 하나의 규정된 타겟 영역으로 물질 전달의 타이밍을 조정하는 단계를 포함하며,
여기에서, 획득, 3차원 위치 계산, 타이밍 조정 계산 및 전달의 타이밍 조정은 적어도 하나의 프로세서에 의해 수행되는, 방법.
제 1 항에 있어서,
피험체의 적어도 85%가 적어도 하나의 규정된 타겟 영역에서 물질의 전달을 받는, 방법.
제 2 항에 있어서,
피험체의 92% 이상이 적어도 하나의 규정된 타겟 영역에서 물질의 전달을 받는, 방법.
제 1 항에 있어서,
하나 이상의 스캔을 획득하는 단계는 움직이는 전체 피험체의 단일 스캔을 획득하는 것을 포함하는, 방법.
제 1 항에 있어서,
획득하는 단계는:
움직이는 피험체의 제 1 슬라이스 스캔을 획득하고, 제 1 슬라이스 스캔은 전체 피험체보다 적은 스캔인 것;
제 1 슬라이스 스캔이, 전체 규정된 타겟 영역이 제 1 슬라이스 스캔에서 보이는 것을 나타내는 임계값을 초과하는지의 여부를 결정하는 것;
제 1 슬라이스 스캔에서 전체 규정된 피험체 영역이 보이는 것으로 결정되면, 제 1 슬라이스 스캔에 기초하여 움직이는 피험체의 3차원 위치를 계산하는 단계로 진행되는 것;
제 1 슬라이스 스캔이 임계값을 초과하지 않는 것으로 결정되면, 추가 슬라이스 스캔을 획득하는 것;
결합된 스캔을 제공하기 위해 제 1 슬라이스 스캔 및 추가 슬라이스 스캔을 결합하는 것;
결합된 스캔이 임계값을 초과하는지 결정하는 것;
임계값이 초과된 것으로 판단될 때까지 획득 및 결합하는 단계를 반복하는 것; 및
전체 규정된 타겟 영역이 보이는 것을 나타내는 임계값이 초과된 것으로 결정될 때에, 결합된 스캔에 기초하여 움직이는 피험체의 3차원 위치를 계산하는 단계로 진행되는 것을 포함하는, 방법.
제 1 항에 있어서,
움직이는 피험체의 계산된 3차원 위치에 기초하여 노즐 조정 인자를 계산하는 단계; 및
계산된 노즐 조정 인자에 기초하여 물질을 투여하기 위해 사용되는 적어도 하나의 노즐의 위치를 조정하는 단계를 추가로 포함하는, 방법.
제 6 항에 있어서,
타이밍 조정 및 노즐 조정 인자를 계산하는 단계는 이하 중 하나 이상에 기초하여 타이밍 조정 및 노즐 조정 인자를 계산하는 것을 포함하는, 방법.
피험체가 이동하고 있는 컨베이어 벨트의 속도(v_b); 물질이 피험체에게 전달되기 전의 비행 시간(TofF); 물질이 전달되는 속도(v_s); 적어도 하나의 규정된 타겟 영역과 물질을 전달하는 노즐 사이의 거리(d_tn); 및 컨베이어 벨트의 폭(w_c).
제 6 항에 있어서,
노즐 조정 인자 및/또는 타이밍 조정에 의해 변경된 시간 및 위치에서 피험체의 적어도 하나의 규정된 타겟 영역에 물질을 투여하는 단계를 추가로 포함하는, 방법.
제 6 항에 있어서,
적어도 하나의 노즐은 하나 이상의 노즐 뱅크를 포함하는, 방법.
제 1 항에 있어서,
피험체는 새이고, 적어도 하나의 규정된 타겟 영역은 새의 하나 이상의 눈에 있는 점막, 새의 하나 이상의 눈 주위 영역, 새의 콧구멍, 새의 입, 및/또는 내장 및/또는 기도로 이어지는 새의 머리에 있는 임의의 오리피스인, 방법.
제 1 항에 있어서,
피험체가 돼지이고, 적어도 하나의 바늘 또는 바늘 없는 주사기를 사용하여 돼지에게 물질을 전달하는 단계를 추가로 포함하는, 방법.
제 1 항에 있어서,
물질이 120ul/피험체 이하의 체적으로 전달되는, 방법.
제 1 항에 있어서,
부화일로부터 5일령을 갖는 병아리까지 피험체에게 물질을 전달하는 단계를 추가로 포함하는, 방법.
제 1 항에 있어서,
피험체가 물질을 받아들이는 임의의 인간 또는 동물인, 방법.
움직이는 피험체에게 물질을 정확하게 투여하기 위한 시스템으로서,
피험체의 하나 이상의 스캔을 획득하는 스캐닝 시스템으로서, 피험체는 물질 전달을 위해 적어도 하나의 규정된 타겟 영역을 갖는 스캐닝 시스템; 및
피험체의 획득된 하나 이상의 스캔에 기초하여 움직이는 피험체의 3차원 위치를 계산하고, 3차원 위치는 3차원 위치를 규정하는 X, Y 및 Z 좌표를 포함하고,
움직이는 피험체의 계산된 3차원 위치에 기초하여 타이밍 조정을 계산하고, 그리고
계산된 타이밍 조정을 사용하여 피험체 상의 적어도 하나의 규정된 타겟 영역으로 물질 전달의 타이밍을 조정하는 위치 모듈을 포함하는, 시스템.
제 15 항에 있어서,
스캐닝 시스템은 움직이는 전체 피험체의 단일 스캔을 획득하는, 시스템.
제 15 항에 있어서,
상기 스캐닝 시스템은 움직이는 피험체의 제 1 슬라이스 스캔을 획득하고, 제 1 슬라이스 스캔은 전체 피험체보다 적은 스캔이고;
상기 위치 모듈은, 제 1 슬라이스 스캔에서 전체 규정된 타겟 영역이 보이는 것을 나타내는 임계값을 초과하는지를 결정하고, 제 1 슬라이스 스캔에서 전체 규정된 타겟 영역이 보이는 것으로 결정되면, 제 1 슬라이스 스캔에 기초하여 움직이는 피험체의 3차원 위치를 계산하고;
상기 스캐닝 시스템은 제 1 슬라이스 스캔이 임계값을 초과하지 않는 것으로 결정되면, 추가 슬라이스 스캔을 획득하고;
상기 위치 모듈은 제 1 슬라이스 스캔과 추가 슬라이스 스캔이 결합되어 결합된 스캔을 제공하고, 결합된 스캔이 임계값을 초과하는지를 결정하고;
상기 스캐닝 시스템 및 상기 위치 모듈은 임계값이 초과된 것으로 결정될 때까지 반복적으로 획득 및 결합하고; 그리고
상기 위치 모듈은 규정된 전체 타겟 영역이 보이는 것을 나타내는 임계값이 초과되는 것으로 결정될 때에 결합된 스캔에 기초하여 움직이는 피험체의 3차원 위치를 계산하는, 시스템.
제 15 항에 있어서,
움직이는 피험체에게 물질을 투여하기 위해 사용되는 적어도 하나의 노즐을 추가로 포함하며,
상기 위치 모듈은 움직이는 피험체의 계산된 3차원 위치에 기초하여 노즐 조정 인자를 계산하고, 계산된 노즐 조정 인자에 기초하여 적어도 하나의 노즐의 위치를 조정하는, 시스템.
제 18 항에 있어서,
상기 위치 모듈은 이하 중 하나 이상에 기초하여 타이밍 조정 및 노즐 조정 인자를 계산하는, 시스템.
피험체가 이동하고 있는 컨베이어 벨트의 속도(v_b); 물질이 피험체에게 전달되기 전의 비행 시간(TofF); 물질이 전달되는 속도(v_s); 적어도 하나의 규정된 타겟 영역과 물질을 전달하는 노즐 사이의 거리(d_tn); 및 컨베이어 벨트의 폭(w_c).
제 18 항에 있어서,
적어도 하나의 노즐은 노즐 조정 인자 및/또는 타이밍 조정에 의해 변경된 시간 및 위치에서 피험체의 적어도 하나의 규정된 타겟 영역에 물질을 투여하는, 시스템.
제 18 항에 있어서,
적어도 하나의 노즐은 하나 이상의 노즐 뱅크를 포함하는, 시스템.
제 15 항에 있어서,
피험체는 새이고, 적어도 하나의 규정된 타겟 영역은 새의 하나 이상의 눈에 있는 점막, 새의 하나 이상의 눈 주위 영역, 새의 콧구멍, 새의 입, 및/또는 내장 및/또는 기도로 이어지는 새의 머리에 있는 임의의 오리피스 중 하나 이상인, 시스템.
제 15 항에 있어서,
피험체는 이동하기 쉬운 임의의 인간 또는 동물 피험체인, 시스템.
움직이는 피험체에게 물질을 정확하게 투여하기 위한 컴퓨터 프로그램 제품으로서,
피험체의 하나 이상의 스캔을 획득하고, 피험체는 물질 전달을 위해 적어도 하나의 규정된 타겟 영역을 갖는 컴퓨터 판독가능한 프로그램 코드;
피험체의 획득된 하나 이상의 스캔에 기초하여 움직이는 피험체의 3차원 위치를 계산하고, 3차원 위치는 3차원 위치를 규정하는 X, Y 및 Z 좌표를 포함하는 컴퓨터 판독가능한 프로그램 코드;
움직이는 피험체의 계산된 3차원 위치에 기초하여 타이밍 조정을 계산하는 컴퓨터 판독가능한 프로그램 코드; 및
계산된 타이밍 조정을 사용하여 피험체 상의 적어도 하나의 규정된 타겟 영역으로 물질 전달의 타이밍을 조정하는 컴퓨터 판독가능한 프로그램 코드를 포함하는, 컴퓨터 프로그램 제품.
제 24 항에 있어서,
획득하기 위한 컴퓨터 판독가능한 프로그램 코드는:
움직이는 피험체의 제 1 슬라이스 스캔을 획득하고, 제 1 슬라이스 스캔은 전체 피험체보다 적은 스캔인 컴퓨터 판독가능한 프로그램 코드;
제 1 슬라이스 스캔이 제 1 슬라이스 스캔에서 전체 규정된 타겟 영역이 보이는 것을 나타내는 임계값을 초과하는지를 결정하는 컴퓨터 판독가능한 프로그램 코드;
제 1 슬라이스 스캔에서 전체 규정된 피험체 영역이 보이는 것으로 결정되면, 제 1 슬라이스 스캔에 기초하여 움직이는 피험체의 3차원 위치를 계산하는 컴퓨터 판독가능한 프로그램 코드;
제 1 슬라이스 스캔이 임계값을 초과하지 않는 것으로 결정되면, 추가 슬라이스 스캔을 획득하는 컴퓨터 판독가능한 프로그램 코드;
결합된 스캔을 제공하기 위해 제 1 슬라이스 스캔과 추가 슬라이스 스캔을 결합하는 컴퓨터 판독가능한 프로그램 코드;
결합된 스캔이 임계값을 초과하는지 여부를 결정하는 컴퓨터 판독가능한 프로그램 코드;
임계값이 초과되는 것으로 결정될 때까지 획득 및 결합 단계를 반복하는 컴퓨터 판독가능한 프로그램 코드; 및
전체 규정된 타겟 영역이 보이는 것을 나타내는 임계값이 초과된 것으로 결정될 때에, 결합 스캔에 기초하여 움직이는 피험체의 3차원 위치를 계산하는 컴퓨터 판독가능한 프로그램 코드를 포함하는, 컴퓨터 프로그램 제품.