KR20240102282A - 젖소 체중 예측 모델 및 예측방법 - Google Patents
젖소 체중 예측 모델 및 예측방법 Download PDFInfo
- Publication number
- KR20240102282A KR20240102282A KR1020220184190A KR20220184190A KR20240102282A KR 20240102282 A KR20240102282 A KR 20240102282A KR 1020220184190 A KR1020220184190 A KR 1020220184190A KR 20220184190 A KR20220184190 A KR 20220184190A KR 20240102282 A KR20240102282 A KR 20240102282A
- Authority
- KR
- South Korea
- Prior art keywords
- cow
- dairy
- weight
- milk
- dairy cow
- Prior art date
Links
- 235000013365 dairy product Nutrition 0.000 title claims abstract description 71
- 230000037396 body weight Effects 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 title abstract description 8
- 235000013336 milk Nutrition 0.000 claims abstract description 36
- 239000008267 milk Substances 0.000 claims abstract description 36
- 210000004080 milk Anatomy 0.000 claims abstract description 36
- 230000035935 pregnancy Effects 0.000 claims abstract description 36
- 238000004519 manufacturing process Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000006651 lactation Effects 0.000 claims abstract description 10
- 235000021239 milk protein Nutrition 0.000 claims description 20
- 235000021243 milk fat Nutrition 0.000 claims description 19
- 102000014171 Milk Proteins Human genes 0.000 claims description 18
- 108010011756 Milk Proteins Proteins 0.000 claims description 18
- 241000283690 Bos taurus Species 0.000 abstract description 90
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 abstract description 16
- 239000000203 mixture Substances 0.000 abstract description 10
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 3
- 229910052799 carbon Inorganic materials 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 description 16
- 244000111261 Mucuna pruriens Species 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 3
- 230000002503 metabolic effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 235000019577 caloric intake Nutrition 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 210000002268 wool Anatomy 0.000 description 2
- 241000282849 Ruminantia Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008175 fetal development Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 젖소 체중 예측을 위한 체중 예측 방법 모델 및 이의 알고리즘에 관한 것이다. 보다 구체적으로는 젖소 나이, 산타, 비유일수, 임신상태, 우유 생산량 및 유성분을 활용하여 젖소의 체중을 예측하는 방법 및 이의 알고리즘인 것을 특징으로 하는, 젖소 체중 예측 모델 및 예측방법에 관한 것이다.
본 발명의 일 실시예에 따른 젖소 체중 예측 모델 및 예측방법은 젖소 나이, 산차, 임신상태, 우유 생산량, 유성분 등을 변수를 이용하여 젖소의 체중을 예측할 수 있다.
본 발명에 따른 젖소 체중 예측모델은 젖소 에너지 상태, 젖소 사양관리, 젖소 사료 개발, 낙농 목장 메탄가스 배출량 등을 예측하기 위한 용도로 유용하게 활용될 수 있다.
따라서 상기 모델은 젖소 생산성 향상 및 탄소 배출 저감 목장 구축 용도로 유용하게 활용될 수 있다.
본 발명의 일 실시예에 따른 젖소 체중 예측 모델 및 예측방법은 젖소 나이, 산차, 임신상태, 우유 생산량, 유성분 등을 변수를 이용하여 젖소의 체중을 예측할 수 있다.
본 발명에 따른 젖소 체중 예측모델은 젖소 에너지 상태, 젖소 사양관리, 젖소 사료 개발, 낙농 목장 메탄가스 배출량 등을 예측하기 위한 용도로 유용하게 활용될 수 있다.
따라서 상기 모델은 젖소 생산성 향상 및 탄소 배출 저감 목장 구축 용도로 유용하게 활용될 수 있다.
Description
본 발명은 젖소 체중 예측을 위한 체중 예측 방법 모델 및 이의 알고리즘에 관한 것이다. 보다 구체적으로는 젖소 나이, 산타, 비유일수, 임신상태, 우유 생산량 및 유성분을 활용하여 젖소의 체중을 예측하는 방법 및 이의 알고리즘인 것을 특징으로 하는, 젖소 체중 예측 모델 및 예측방법에 관한 것이다.
낙농 산업에 있어 젖소의 에너지 이용 상태 예측은 낙농 목장의 경제성 판단 및 젖소 관리에 매우 중요한 요소이다. 젖소 에너지 이용 상태는 젖소가 우유를 생산하거나 임신 중 태아 발달을 위한 에너지 요구량 측정에 있어 꼭 필요한 요소이다. 젖소 에너지 이용 상태에 따라서 경제적인 사료 에너지 공급을 설정하게 된다. 즉 에너지 과잉 혹은 부족으로 발생하는 손실을 최소화하는 것이 낙농 목장 경제성 유지에 매우 중요하다.
일반적으로 젖소의 에너지 이용상태 혹은 에너지 요구량은 젖소의 체중, 비유 기간, 임신 상태, 임신 기간, 우유 생산량 및 우유 성분 등의 요소에 따라서 변화한다. 낙농 목장은 우유를 생산하여 유업체에 납품하고 있어 젖소의 상태를 매일 혹은 매월 파악하게 된다. 이러한 과정에서 체중을 제외한 나머지 상기 요소들이 집계된다. 그러나 젖소의 체중은 별도의 장치가 존재하지 않는 이상, 목장 현장에서 측정할 수 없는 실정이다. 따라서 정확한 젖소 에너지 상태 혹은 요구량을 예측하기가 불가능하다.
젖소의 에너지 요구량을 계산하기 위해서는 체중이 반드시 요구된다. 젖소의 기초 대사 에너지 요구량(유지를 위한 정미에너지 요구량)를 파악하기 위해서는 체중에 기초한 대사체중 계산식이 필요하기 때문이다(수식 1, 수식 2, 한국사양표준 젖소, 2017).
(수식 1) ,
MBW = 대사체중, BW = 체중
(수식 2),
NEm = 유지를 위한 정미에너지 요구량
최근 반추동물에서 발생하는 메탄 생성량을 감소하기 위해 많은 노력들이 기울여지고 있다. 이러한 노력의 일환으로 목장에서 발생하는 메탄 양을 측정하기 위해 많은 연구가 진행되고 있다. 낙농 목장에서 사육되고 있는 젖소의 메탄 발생량 예측을 위해서도 체중 자료가 필요하다. 그 이유는 메탄 발생량 예측 수식에도 체중 데이터가 필요하기 때문이다(수식 3, 수식 4, 2019 IPCC guideline Chapter 10).
(수식 3),
GE = 총 에너지 섭취량(MJ head-1day-1), NEm = 유지를 위한 정미에너지 요구량, NEa = 활동 정미 에너지, NEwork = 일 활동 정미 에너지, NEp = 임신 정미 에너지, NEg = 성장 정미 에너지, NEwool = 털 생산 정미에너지, DE% = 사료 총에너지 중 가소화 에너지 비율
(수식 4),
EF = 메탄 배출량 (kg CH4 head-1year-1), GE = 총 에너지 섭취량(MJ head-1day-1), Ym = 메탄 배출계수
그러나 현재까지 국내에서 사육되는 젖소를 저울 혹은 기타 기계 장치를 사용하지 않고 젖소의 나이, 산차, 임신상태, 우유 생산량 및 우유 성분만으로 체중을 예측하는 모델은 없는 실정이다. 외부 장치가 아닌 농장에서 기본적으로 수집되는 젖소 정보만으로 체중을 예측하는 기술은 낙농 산업 발전에 큰 기여를 할 수 있으며, 더 나아가 대한민국 탄소 배출량 감소에도 큰 기여를 할 수 있게 된다.
이에, 젖소 정보 만으로 체중을 예측하는 모델을 개발하게 되었다.
본 발명에 의한 젖소 체중 예측 모델 및 예측 방법이 해결하고자 하는 과제는 다음과 같다.
첫째, 젖소 체중을 예측하는 모델 및 알고리즘을 제공하는 것이다.
둘째, 상기 모델과 알고리즘의 변수로 젖소 나이를 사용하는 것이다.
셋째, 상기 모델과 알고리즘의 변수로 젖소 산차, 임신상태, 우유 생산량 및 우유 성분을 변수로 사용하는 것이다.
넷째, 상기 모델 개발을 위해 상기 변수들을 입력변수로 체중을 예측하는 인공지능 모델을 제공하는 것이다.
본 발명에 따른, 젖소 체중 예측 모델 및 예측 방법은 젖소 정보를 활용하여 체중을 예측할 수 있다.
또한, 상기 젖소 정보는 젖소 체중 예측을 위한 변수로 젖소의 나이를 활용할 수 있고, 상기 젖소 정보는 젖소 체중 예측을 위한 변수로, 젖소의 나이, 산차, 비유일수, 임신여부, 임신기간, 우유 생산량, 유지방, 유단백질 및 유지방/유단백질 비율 중 어느 하나 이상의 것을 선택할 수 있다.
또한, 상기 젖소 정보는 젖소 체중 예측을 위한 변수로, 젖소의 나이, 산차, 비유일수, 임신여부, 임신기간, 우유 생산량, 유지방, 유단백질 및 유지방/유단백질 비율을 모두 포함할 수 있다.
본 발명의 일 실시예에 따른 젖소 체중 예측 모델 및 예측방법은 젖소 나이, 산차, 임신상태, 우유 생산량, 유성분 등을 변수를 이용하여 젖소의 체중을 예측할 수 있다.
본 발명에 따른 젖소 체중 예측모델은 젖소 에너지 상태, 젖소 사양관리, 젖소 사료 개발, 낙농 목장 메탄가스 배출량 등을 예측하기 위한 용도로 유용하게 활용될 수 있다.
따라서 상기 모델은 젖소 생산성 향상 및 탄소 배출 저감 목장 구축 용도로 유용하게 활용될 수 있다.
도 1은 본 발명의 일실시예에 따른 인공지능 모델을 활용한 젖소 예측 모델에 사용된 변수들의 중요도를 나타내는 표.
도 2는 본 발명의 일실시예에 따른 인공지능 모델을 활용하여 예측된 젖소의 체중과 실제 젖소의 체중에 대한 상관성을 나타내는 그래프.
도 3은 본 발명의 일실시예에 따른 인공지능 모델을 활용시 변수로 젖소 나이를 포함하는지 여부에 따른 모델의 정확도를 나타내는 그래프.
도 4는 실제 낙농 목장에서 사육중인 젖소의 실제 체중 변화와 본 발명의 일실시예에 따른 인공지능 모델을 활용하여 예측된 체중의 변화를 나타낸 그래프(검정색 선과 점은 실제 관측된 젖소 체중이며, 붉은색 점과 선은 예측된 젖소 체중을 나타냄).
도 2는 본 발명의 일실시예에 따른 인공지능 모델을 활용하여 예측된 젖소의 체중과 실제 젖소의 체중에 대한 상관성을 나타내는 그래프.
도 3은 본 발명의 일실시예에 따른 인공지능 모델을 활용시 변수로 젖소 나이를 포함하는지 여부에 따른 모델의 정확도를 나타내는 그래프.
도 4는 실제 낙농 목장에서 사육중인 젖소의 실제 체중 변화와 본 발명의 일실시예에 따른 인공지능 모델을 활용하여 예측된 체중의 변화를 나타낸 그래프(검정색 선과 점은 실제 관측된 젖소 체중이며, 붉은색 점과 선은 예측된 젖소 체중을 나타냄).
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 그러나, 이들 실시예는 본 발명을 예시적으로 설명하기 위한 것으로 본 발명의 범위가 이들 실시예에 한정되는 것은 아니다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결' 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결' 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함' 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
본 발명에 따른, 젖소 체중 예측 모델 및 예측 방법은 젖소 정보를 활용하여 체중을 예측할 수 있고, 상기 젖소 정보는 젖소 체중 예측을 위한 변수로 젖소의 나이를 활용할 수 있으며, 상기 젖소 정보는 젖소 체중 예측을 위한 변수로, 젖소의 나이, 산차, 비유일수, 임신여부, 임신기간, 우유 생산량, 유지방, 유단백질 및 유지방/유단백질 비율 중 어느 하나 이상의 것을 선택할 수 있다.
또한, 상기 젖소 정보는 젖소 체중 예측을 위한 변수로, 젖소의 나이, 산차, 비유일수, 임신여부, 임신기간, 우유 생산량, 유지방, 유단백질 및 유지방/유단백질 비율을 모두 포함할 수 있다.
본 발명의 일실시예에 따른 젖소 체중 예측 모델 및 예측방법은 젖소 체중을 예측하기 위해 젖소 나이, 산차, 임신상태, 우유 생산량, 유성분 등을 변수로 사용하는 인공지능 모델을 제공한다.
상기 젖소 체중 예측 인공지능 모델을 통하여 사육 중인 젖소의 체중을 예측할 수 있다.
구체적으로, 상기 변수에서 나이는 출생일로부터 체중 예측 당일의 나이를 일령으로 환산한 값(일)을 사용한다. 상기 변수에서 산차는 분만 회수에 대한 값을 사용하고, 임신상태는 임신 여부와 임신 일수에 대한 값(일)을 사용한다. 상기 변수에서 우유 생산량은 예측 당일의 우유 생산량 값(kg)을 사용한다. 상기 변수에서 유성분으로는 우유내 지방 비율(%), 우유내 유단백질 비율(%), 우유 지방을 우유 단백질로 나눈 값을 사용한다.
상기 체중 예측 인공지능 모델 변수는 실제 값을 사용하거나 표준화된 값이 사용될 수 있다.
상기 체중 예측 인공지능 모델의 구현을 위하여 상기 변수를 입력변수로 사용하고 다양한 인공지능 모델이 사용될 수 있다.
실시예 1.
젖소 체중 예측 모델의 구현
젖소 체중 예측 모델을 개발하기 위하여 체중, 산차, 나이, 임신상태, 우유 생산량 및 우유 성분 데이터를 사용하였으며, 사용된 데이터의 특성은 표 1과 같다. 총 51,287개의 데이터를 사용하였고, 예측 모델로는 random forest 회귀 모델을 사용하였다. 인공지능 모델 학습을 학습 데이터(training set)과 검증 데이터(test set)를 분할하였다. 학습 데이터는 전체 데이터의 70%가 되도록 하였다. 인공지능 모델 개발은 R statistic program (version 4.1.0)을 사용하였다.
도 1은 본 발명의 일실시예에 따른 인공지능 모델을 활용한 젖소 예측 모델에 사용된 변수들의 중요도를 나타내는 표이다. 도 1에 도시된 바와 같이, 사용된 변수들의 중요성을 분석한 결과 %IncMSE 기준으로는 유단백질(Milk protein) > 우유 생산량(Milk) > 비유일수(Days in miliking) > 나이(Age) > 임신기간(Pregnancy day) > 유지방/유단백질 비율(Milk fat/protein) > 유지방(Milk fat) > 산차(Parity) > 임신여부(Pregnancy status)의 순으로 나타났다.
IncNodePurity 기준으로는 나이(Age) > 산차(Parity) > 비유일수(Days in milking) > 우유생산량(Milk) > 유지방/유단백질 비율(Milk fat/protein) > 유지방(Milk fat) > 유단백질(Milk protein) > 임신기간(Pregnancy day) > 임신여부(Pregnancy status) 순으로 나타났다.
젖소 체중 예측을 위해 학습한 모델에 대하여 검증 데이터를 활용하여 정확도를 평가하였다. 도 2는 본 발명의 일실시예에 따른 인공지능 모델을 활용하여 예측된 젖소의 체중과 실제 젖소의 체중에 대한 상관성을 나타내는 그래프이다. 도 2에 도시된 바와 같이, 실제 체중 값과 예측된 체중 값의 관계를 조사한 결과 매우 높은 정확도가 확인되었다. 선형 회귀분석을 이용하여 예측 정확도를 평가한 결과, 예측력에 대한 결정계수(R2 value)가 0.9775로 나타났으며, MAE (mean absolute error)값이 8.68 kg으로 나타났다.
| N | Min | 1st Qu. | Median | Mean | 3rd Qu. | Max. | |
| 비유일수,일 | 51,287 | 0.0 | 90.0 | 196.0 | 219.3 | 328.0 | 724.0 |
| 나이, 일 | 51,287 | 0.0 | 664.0 | 1,007.0 | 1,193.5 | 1,567.0 | 4,893.0 |
| 산차 | 51,287 | 0.0 | 0.0 | 1.0 | 1.5 | 2.0 | 8.0 |
| 임신기간, 일 | 51,287 | 0.0 | 0.0 | 0.0 | 72.6 | 151.0 | 277.0 |
| 우유 생산량, kg | 51,287 | 0.0 | 29.6 | 35.8 | 35.4 | 42.3 | 64.4 |
| 유지방, % | 51,287 | 0.3 | 3.4 | 3.9 | 3.9 | 4.4 | 8.6 |
| 유단백질, % | 51,287 | 2.4 | 3.0 | 3.2 | 3.2 | 3.3 | 5.7 |
| 유지방/유단백질 | 51,287 | 0.1 | 1.1 | 1.2 | 1.2 | 1.4 | 2.0 |
| 체중, kg | 51,287 | 435.0 | 606.0 | 674.0 | 677.2 | 742.0 | 969.0 |
N, 자료의 개수; Min, 최소값; 1st Qu., 제1사분위수; Median, 중앙값; 3nd Qu., 제3사분위수; Max, 최대값.
실시예 2.
젖소 나이 변수 유무에 따른 예측력 변화
개발된 젖소 체중 예측 모델 성능에 있어 젖소 나이 변수의 중요성을 실시예 1을 통하여 확인하였다. 이에 본 실시예 2에서는 젖소 체중 예측 모델에서 젖소 나이 변수의 포함 여부에 따른 예측력 변화를 확인하였다. 도 3은 본 발명의 일실시예에 따른 인공지능 모델을 활용시 변수로 젖소 나이를 포함하는지 여부에 따른 모델의 정확도를 나타내는 그래프로서 함께 설명한다. 두 가지 예측 모델을 구축하고 예측력을 평가하였다. 젖소 나이를 포함하는 모델 1(도 3의 왼쪽 그래프)의 평균절대오차(MAE, mean absolute error)는 8 kg으로 나타났고, 관측값과 예측값에 대한 회귀분석 결정 계수(R squared value)는 0.97로 나타났으며, 젖소 나이를 포함하지 않는 모델 2(도 3의 오른쪽 그래프)의 평균절대오차(MAE, mean absolute error)는 19 kg으로 모델 1보다 오차 정도가 2 배 이상임을 확인할 수 있었다. 또한 관측값과 예측값에 대한 회귀분석 결정 계수(R squared value)는 0.91로 모델 1에 비해 낮아짐을 확인하였다.
시험예 1.
젖소 체중 예측 모델의 검증
도 4는 실제 낙농 목장에서 사육중인 젖소의 실제 체중 변화와 본 발명의 일실시예에 따른 인공지능 모델을 활용하여 예측된 체중의 변화를 나타낸 그래프이다. 도 4에 도시된 바와 같이, 개발된 젖소 체중 예측 모델을 이용하여 실제 낙농 목장에서 사육중인 젖소 개체 4 두에 대한 날짜별 체중 변화에 대한 실제 값과 예측 값의 차이를 분석하였다. 그 결과, 젖소의 나이, 산차, 임신여부, 임신기간, 비유일수, 우유 생산량 및 유성분으로 예측된 체중 변화가 실제 체중 변화와 매우 유사함을 확인할 수 있었다.
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.
없음
Claims (4)
- 젖소 정보를 활용하여 체중을 예측하는 것을 특징으로 하는, 젖소 체중 예측 모델 및 예측방법.
- 제1항에 있어서,
상기 젖소 정보는 젖소 체중 예측을 위한 변수로, 젖소의 나이인 것을 특징으로 하는, 젖소 체중 예측 모델 및 예측방법. - 제1항에 있어서,
상기 젖소 정보는 젖소 체중 예측을 위한 변수로, 젖소의 나이, 산차, 비유일수, 임신여부, 임신기간, 우유 생산량, 유지방, 유단백질 및 유지방/유단백질 비율 중 어느 하나 이상을 선택하는 것을 특징으로 하는, 젖소 체중 예측 모델 및 예측방법. - 제1항 내지 제3항중 어느 하나의 항에 있어서,
상기 젖소 정보는 젖소 체중 예측을 위한 변수로, 젖소의 나이, 산차, 비유일수, 임신여부, 임신기간, 우유 생산량, 유지방, 유단백질 및 유지방/유단백질 비율을 모두 포함하는 것을 특징으로 하는, 젖소 체중 예측 모델 및 예측방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220184190A KR20240102282A (ko) | 2022-12-26 | 2022-12-26 | 젖소 체중 예측 모델 및 예측방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220184190A KR20240102282A (ko) | 2022-12-26 | 2022-12-26 | 젖소 체중 예측 모델 및 예측방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240102282A true KR20240102282A (ko) | 2024-07-03 |
Family
ID=91900420
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220184190A KR20240102282A (ko) | 2022-12-26 | 2022-12-26 | 젖소 체중 예측 모델 및 예측방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240102282A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101859691B1 (ko) | 2016-11-15 | 2018-05-24 | 대한민국 | 스마트 젖소 체중 측정장치를 가진 착유장치 및 이를 이용한 착유관리방법 측정방법 |
-
2022
- 2022-12-26 KR KR1020220184190A patent/KR20240102282A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101859691B1 (ko) | 2016-11-15 | 2018-05-24 | 대한민국 | 스마트 젖소 체중 측정장치를 가진 착유장치 및 이를 이용한 착유관리방법 측정방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Macciotta et al. | The mathematical description of lactation curves in dairy cattle | |
| Do et al. | The effect of age at first calving and calving interval on productive life and lifetime profit in Korean Holsteins | |
| Hagnestam-Nielsen et al. | Economic impact of clinical mastitis in a dairy herd assessed by stochastic simulation using different methods to model yield losses | |
| Coffey et al. | Genetic evaluations of dairy bulls for daughter energy balance profiles using linear type scores and body condition score analyzed using random regression | |
| Hagemann et al. | Contribution of milk production to global greenhouse gas emissions: An estimation based on typical farms | |
| Sahin et al. | Genetic and environmental parameters and trends for milk production of Holstein cattle in Turkey | |
| Amer et al. | A methodology framework for weighting genetic traits that impact greenhouse gas emission intensities in selection indexes | |
| Gernand et al. | Genetic background of claw disorders in the course of lactation and their relationships with type traits | |
| Richardson et al. | Determining the economic value of daily dry matter intake and associated methane emissions in dairy cattle | |
| Drews et al. | An evaluation of efficiency in dairy production using structural equation modelling | |
| Rezende et al. | Heritability and genetic correlation of body weight and Kleiber ratio in Limousin and Charolais beef cattle breeds | |
| Khan et al. | Lactation curves of different cattle breeds under cooperative dairying conditions in Bangladesh | |
| KR20240102282A (ko) | 젖소 체중 예측 모델 및 예측방법 | |
| Hossein-Zadeh | Comparison of non-linear models to describe the lactation curves for milk yield and composition in buffaloes (Bubalus bubalis) | |
| McCosker et al. | Reproductive performance of northern Australia beef herds. 5. Factors influencing risk of non-pregnancy | |
| TWI784740B (zh) | 家禽健康監測系統及其方法 | |
| Fodor et al. | A systematic review of genotype-by-climate interaction studies in cattle, pigs, and chicken | |
| Boniecki et al. | Neural prediction of cows’ milk yield according to environment temperature | |
| Radun et al. | Implementing artificial inteligence as a part of precision dairy farming for enabling sustainable dairy farming | |
| Menendez III et al. | The conceptualization and preliminary evaluation of a dynamic, mechanistic mathematical model to assess the water footprint of beef cattle production | |
| O'Neill et al. | Evaluation of the GrazeIn model of grass dry‐matter intake and milk production prediction for dairy cows in temperate grass‐based production systems. 2–Animal characteristics | |
| Akıllı et al. | Path Analysis for Factor Affecting the 305-Day Milk Yield of Holstein Cows | |
| Retallick | Genetic variance and covariance compenents for feed intake, average daily gain, and postweaning gain and indices to improve feed efficiency in growing beef cattle | |
| JP5546825B2 (ja) | シミュレーション装置、シミュレーション方法、及びシミュレーションシステム | |
| Dressler et al. | Novel trait selection to enhance sustainability of beef production systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E601 | Decision to refuse application |