WO2019216647A1 - Method for predicting milk yields, tmr nutrient composition to achieve target milk yields, and tmr nutrient composition to achieve target cost, on basis of deep learning-based prediction models - Google Patents

Method for predicting milk yields, tmr nutrient composition to achieve target milk yields, and tmr nutrient composition to achieve target cost, on basis of deep learning-based prediction models Download PDF

Info

Publication number
WO2019216647A1
WO2019216647A1 PCT/KR2019/005509 KR2019005509W WO2019216647A1 WO 2019216647 A1 WO2019216647 A1 WO 2019216647A1 KR 2019005509 W KR2019005509 W KR 2019005509W WO 2019216647 A1 WO2019216647 A1 WO 2019216647A1
Authority
WO
WIPO (PCT)
Prior art keywords
intake
cow
target
date
information
Prior art date
Application number
PCT/KR2019/005509
Other languages
French (fr)
Korean (ko)
Inventor
박지환
천선일
Original Assignee
(주)씽크포비엘
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority to KR20180052297 priority Critical
Priority to KR10-2018-0052297 priority
Application filed by (주)씽크포비엘 filed Critical (주)씽크포비엘
Publication of WO2019216647A1 publication Critical patent/WO2019216647A1/en

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A01AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01KANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K29/00Other apparatus for animal husbandry
    • A01K29/005Monitoring or measuring activity, e.g. detecting heat or mating
    • AHUMAN NECESSITIES
    • A23FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23NMACHINES OR APPARATUS FOR TREATING HARVESTED FRUIT, VEGETABLES OR FLOWER BULBS IN BULK, NOT OTHERWISE PROVIDED FOR; PEELING VEGETABLES OR FRUIT IN BULK; APPARATUS FOR PREPARING ANIMAL FEEDING- STUFFS
    • A23N17/00Apparatus specially adapted for preparing animal feeding-stuffs
    • AHUMAN NECESSITIES
    • A23FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23NMACHINES OR APPARATUS FOR TREATING HARVESTED FRUIT, VEGETABLES OR FLOWER BULBS IN BULK, NOT OTHERWISE PROVIDED FOR; PEELING VEGETABLES OR FRUIT IN BULK; APPARATUS FOR PREPARING ANIMAL FEEDING- STUFFS
    • A23N17/00Apparatus specially adapted for preparing animal feeding-stuffs
    • A23N17/007Apparatus specially adapted for preparing animal feeding-stuffs for mixing feeding-stuff components
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computer systems based on biological models
    • G06N3/02Computer systems based on biological models using neural network models
    • G06N3/04Architectures, e.g. interconnection topology
    • G06N3/0454Architectures, e.g. interconnection topology using a combination of multiple neural nets
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computer systems based on biological models
    • G06N3/02Computer systems based on biological models using neural network models
    • G06N3/08Learning methods

Abstract

Provided is a method for predicting milk yields performed by a livestock farm management server that communicates with the outside through a communication network. The method for predicting milk yields of the present disclosure comprises the steps of: receiving, through the communication network, n data sets (n is an integer of 2 or more) retroactively from a reference date, accumulated from a past p-month prior date (p is an integer of 2 or more) to the reference date, wherein each data set of the n data sets includes state information data of a target cow to be managed, nutrient intake data of the target cow to be managed, and ambient state data on the basis of each specific date between the past p-month prior date and the reference date; and applying the received data sets and predicting milk yields that may be expected for the target cow to be managed for q months (q is an integer of 1 or more) from the reference date on the basis of a first prediction model. The state information data of the target cow to be managed includes the date of birth or the age in months of the target cow to be managed and the number of postpartum weeks on the specific date, the nutrient intake data of the target cow to be managed includes daily dry matter intake, water intake, metabolic energy intake, metabolic protein intake, MET intake, LYS intake, calcium intake, and phosphorus intake on the specific date, and the ambient state data includes average temperature and average humidity information of the specific date.

Description

딥러닝 기반 예측 모델에 기초한, 산유량, 목표 산유량 달성을 위한 TMR 영양 조성, 목표 비용 달성을 위한 TMR 영양 조성 예측 방법Based on deep learning-based predictive models, yields, TMR nutritional composition to achieve target yields, and TMR nutritional composition prediction methods to achieve target costs
본 개시는, 딥러닝 기반 예측 모델에 기초하여, 축산 농가 젖소의 향후 산유량을 예측하는 방법에 관한 것이다. 본 개시는 또한 딥러닝 기반 예측 모델에 기초하여, 축산 농가 젖소를 위한, 미리 정해진 목표 산유량이 있는 경우 그 목표 산유량 달성을 위한 영양 조성을 예측하고, 나아가 그 영양 조성을 구성하기 위한 최소 비용의 TMR 사료 조합을 제안하는 방법에 관한 것이다. 본 개시는 또한 딥러닝 기반 학습 모델에 기초하여, 축산 농가 젖소에 대해, 미리 정해진 목표 비용이 있는 경우 그 목표 비용 범위 내에서 해당 젖소로부터 기대되는 최대의 산유량과 그 최대 산유량 달성을 위한 해당 젖소를 위한 영양 조성을 예측하고, 나아가 그 영양 조성을 구성하기 위한 최소 비용의 TMR 사료 조합을 제안하는 방법에 관한 것이다. The present disclosure relates to a method for predicting future yield of livestock dairy cows based on deep learning based prediction models. The present disclosure is also based on a deep learning based prediction model to predict the nutritional composition for livestock dairy cows to achieve that target milk yield if there is a predetermined target milk yield, and further to establish the least cost TMR feed combination. It is about how to propose. The present disclosure also provides a method for producing livestock dairy cows based on a deep learning-based learning model that, if there is a predetermined target cost, provides the maximum milk yield expected from the cow within the target cost range and the cow for achieving the maximum milk yield. The present invention relates to a method for predicting a nutritional composition for a nutritional composition and further suggesting a minimum cost TMR feed combination for constructing the nutritional composition.
젖소 사육 농가의 수익은 산유량과 사료 비용에 의해 크게 좌우되며, 산유량은 젖소의 섭취 영양 조성(사료 조성)에 의해 크게 영향을 받는다. 따라서, 각 농가는 현재 사육 중인 각 젖소의 향후 산유량이 어떻게 될 것인지 예측하기를 원하기도 하고, 각 젖소의 산유량을 늘리기 위해서는 어떠한 조성의 사료를 먹이는 것이 필요할 지에 대해 알고 싶어 하기도 한다.Yields for dairy cattle farmers are greatly influenced by milk production and feed costs, and milk production is greatly influenced by the nutritional composition of the cow (feed composition). Therefore, each farmer wants to predict what will be the future milk yield of each cow currently being raised, and may want to know what composition of feed is necessary to increase the milk yield of each cow.
그러나, 종래에는, 개별 젖소의 상태에 대한 고려 없이, 산유량 증산을 위한 일반적인 TMR 사료 조성에 관한 정보 만이 알려져 있을 뿐, 개별 젖소의 상태나 축사 환경 등에 최적화된 산유량 예측 및 산유량 증산을 위한 TMR 사료 조성 등을 제안하는 방법 등은 마련되어 있지 않았다.However, conventionally, only information on the general TMR feed composition for production of milk yield is known without considering the condition of individual cows. There was no method for suggesting such a light.
따라서, 개별 젖소의 상태 정보 및 기타 축사 주변 환경 정보 등에 기반하여 개별 젖소의 향후 산유량을 예측하거나 개별 젖소에 최적화된 TMR 사료 조성을 제안하는 방법의 제공이 필요로 된다. Therefore, there is a need to provide a method for predicting future milk yield of individual cows or suggesting a TMR feed composition optimized for individual cows based on individual cow status information and other livestock environment information.
본 개시의 일 특징에 의하면, 통신망을 통해 외부와 통신하는 축산 농가 관리 서버에 의해 수행되는 산유량 예측 방법이 제공된다. 본 개시의 산유량 예측 방법은, 상기 통신망을 통하여, 기준 일자에서 소급하여 과거 p개월(p는 2 이상의 정수) 이전 일자부터 상기 기준 일자까지 누적된 n개(n은 2 이상의 정수)의 데이터 세트를 수신- 상기 n개의 데이터 세트의 각 데이터 세트는, 상기 과거 p개월 이전 일자와 상기 기준 일자 중간의 각 특정 일자를 기준으로 한, 관리 대상 소의 상태 정보 데이터, 상기 관리 대상 소의 영양 섭취 데이터, 및 주변 상태 데이터를 포함함 -하는 단계, 및 제1 예측 모델을 기초로, 상기 수신된 데이터 세트를 적용하여, 상기 기준 일자부터 이후 q개월(q는 1 이상의 정수) 동안 상기 관리 대상 소에 대해 기대할 수 있는 우유 생산량을 예측하는 단계를 포함한다. 상기 관리 대상 소의 상태 정보 데이터는, 상기 관리 대상 소의 생년월일 또는 월령과, 상기 특정 일자에서의 산후 주차를 포함하고, 상기 관리 대상 소의 영양 섭취 데이터는, 상기 특정 일자에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함하며, 상기 주변 상태 데이터는, 상기 특정 일자의 평균 기온 및 평균 습도 정보를 포함한다. According to one aspect of the present disclosure, there is provided a production flow rate prediction method performed by a livestock farm management server that communicates with the outside through a communication network. The method for predicting oil flow rate according to the present disclosure includes n data sets accumulated from the reference date back to the previous p month (p is an integer of 2 or more) and accumulated from the reference date to the reference date through the communication network. Receive-each data set of the n data sets comprises status information data of the managed cow, nutritional intake data of the managed cow, and the surroundings, based on each specific date between the past p months ago and the reference date. Including state data, and based on a first predictive model, applying the received data set to expect for the managed cow for q months (q is an integer greater than or equal to 1) from the base date. Predicting the amount of milk produced. The state information data of the cow to be managed includes the birth date or month of the cow to be managed and postpartum parking at the specific date, and the nutritional intake data of the cow to be managed includes the daily building intake, water intake, Metabolic energy intake, metabolic protein intake, MET intake, LYS intake, calcium intake, and phosphorus intake, and the ambient state data includes average temperature and average humidity information for the specific date.
본 개시의 일 실시예에 의하면, 상기 누적된 n개의 데이터 세트를 수신하는 단계는, 상기 통신망을 통하여 통신 가능한 축산 농가 단말로부터, 상기 각 데이터 세트를 수신하는 단계, 및 상기 수신된 각 데이터 세트를 누적하여 저장하는 단계를 포함할 수 있다.According to an embodiment of the present disclosure, the receiving of the accumulated n data sets comprises: receiving each data set from a livestock farm terminal capable of communicating through the communication network, and receiving each received data set. It may include accumulating and storing.
본 개시의 일 실시예에 의하면, 상기 제1 예측 모델은, LSTM(Long-Short-Term Memory) RNN(Recurrent Neural Network) 알고리즘에 따르며, 복수의 소 각각에 관한 복수의 산유량 데이터 세트를 이용한 훈련에 의해 생성된 것일 수 있다/. 각 대응 소에 관한 상기 복수의 산유량 데이터 세트는, 시계열상의 복수의 기준일 각각에서 획득된, 상기 대응 소의 상태 정보 데이터, 상기 대응 소의 영양 섭취 데이터, 주변 상태 데이터, 및 상기 기준일 이후 소정 기간 동안 누적된 상기 대응 소의 산유량 이력 데이터를 포함하며, 상기 대응 소의 상태 정보 데이터는, 상기 대응 소의 생년월일 또는 월령과, 상기 기준일에서의 산후 주차를 포함하고, 상기 대응 소의 영양 섭취 데이터는, 상기 기준일에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함하며, 상기 주변 상태 데이터는, 상기 기준일의 평균 기온 및 평균 습도 정보를 포함할 수 있다.According to an embodiment of the present disclosure, the first prediction model is based on a Long-Short-Term Memory (LSTM) Recurrent Neural Network (RNN) algorithm, and is used for training using a plurality of milk flow data sets for each of a plurality of cows. May be generated by /. The plurality of milk yield data sets for each corresponding cow are accumulated for a predetermined period of time after the reference date, the nutrition information of the corresponding cow, the nutritional intake data of the corresponding cow, and the state data of the corresponding cow obtained at each of a plurality of reference days on a time series. And a milk production history data of the corresponding cow, wherein the status information data of the corresponding cow includes the birth date or month of the corresponding cow and postpartum parking at the reference day, and the nutrition intake data of the corresponding cow is a daily building on the reference day. Intake amount, water intake, metabolic energy intake, metabolic protein intake, MET intake, LYS intake, calcium intake, and phosphorus intake, the ambient state data may include the average temperature and average humidity information of the reference day.
본 개시의 일 실시예에 의하면, 상기 p 및 상기 q에 따라, 상기 LSTM RNN 알고리즘의 셀 개수가 조정될 수 있다.According to an embodiment of the present disclosure, the number of cells of the LSTM RNN algorithm may be adjusted according to the p and q.
본 개시의 일 실시예에 의하면, 방법은, 상기 통신망을 통해, 상기 통신망에 연결된 축산 농가 단말로부터, 상기 관리 대상 소에 관한 산유량 예측 요청을 수신하는 단계, 및 상기 관리 대상 소에 관하여, 상기 예측된 상기 우유 생산량을 상기 축산 농가 단말로 통지하는 단계를 더 포함할 수 있다.According to an embodiment of the present disclosure, the method may include receiving, from the livestock farm terminal connected to the communication network, an oil production rate prediction request for the management target cow, and the prediction target regarding the management target cow, through the communication network. The method may further include informing the livestock farm terminal of the milk production.
본 개시의 다른 특징에 의하면, 통신망을 통해 외부와 통신하는 축산 농가 관리 서버에 의해 수행되는 목표 산유량 달성을 위한 TMR 제안 방법이 제공된다. 본 개시의 방법은, 상기 통신망을 통하여 축산 농가 단말로부터, 기준 일자에서의 관리 대상 소의 상태 정보- 상기 관리 대상 소의 상태 정보는, 상기 관리 대상 소의 생년월일 또는 월령, 품종, 및 상기 기준 일자에서의 산후 주차를 포함함 -를 수신하는 단계, 상기 통신망을 통하여 외부로부터 주변 상태 정보- 상기 주변 상태 정보는 상기 기준 일자의 평균 기온 및 평균 습도 정보를 포함함 -를 수신하는 단계, 상기 통신망을 통하여 상기 축산 농가 단말로부터, 목표 산유량 정보를 수신하는 단계, 및 제2 예측 모델을 기초로, 상기 관리 대상 소의 상태 정보, 상기 주변 상태 정보, 및 상기 목표 산유량 정보를 적용해서, 상기 목표 산유량을 달성하기 위한 영양 조성을 예측하는 단계- 상기 예측되는 영양 조성은, 목표 건물섭취량, 목표 수분섭취량, 목표 대사에너지 섭취량, 목표 대사단백질 섭취량, 목표 MET 섭취량, 목표 LYS 섭취량, 목표 칼슘 섭취량, 및 목표 인 섭취량을 포함함 -를 포함한다.According to another feature of the present disclosure, there is provided a TMR proposal method for achieving a target oil flow rate performed by a livestock farm management server communicating with the outside through a communication network. The method of the present disclosure, through the communication network, from the livestock farm terminal, the status information of the management target cow on the reference date-the status information of the management target cow is the birth date or month of the management target cow, breeding, and postpartum at the reference date Receiving parking; receiving ambient state information from the outside through the communication network, wherein the ambient state information includes average temperature and average humidity information of the reference date; Receiving target milk flow rate information from a farm terminal, and based on a second prediction model, nutrition for achieving the target milk flow rate by applying the state information, the surrounding state information, and the target milk flow rate information of the management cow. Predicting the composition-The predicted nutritional composition, target building intake, target moisture intake, target Four energy consumption, including a target metabolic protein intake, intake MET goals, objectives LYS intake, calcium intake goals, and objectives of intake - including the.
본 개시의 일 실시예에 의하면, 방법은 상기 통신망을 통하여 상기 축산 농가 단말로부터, 상기 관리 대상 소에 관한, 상기 기준 일자에서의 일일 영양 섭취량- 상기 일일 영양 섭취량은, 상기 관리 대상 소의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함함 - 및 상기 기준 일자의 산유량 정보를 수신하는 단계를 더 포함할 수 있다. 또한 상기 목표 산유량을 달성하기 위한 영양 조성을 예측하는 단계는, 상기 제2 예측 모델을 기초로, 상기 관리 대상 소의 상태 정보, 상기 주변 상태 정보, 상기 목표 산유량 정보, 상기 관리 대상 소의 일일 영양 섭취량 및 상기 기준 일자의 산유량 정보를 적용해서, 상기 목표 산유량을 달성하기 위한 영양 조성을 예측하는 단계를 포함할 수 있다.According to one embodiment of the present disclosure, the method includes a daily nutritional intake at the reference date, the daily nutritional intake of the cattle to be managed, from the livestock farm terminal through the communication network, , Including water intake, metabolic energy intake, metabolic protein intake, MET intake, LYS intake, calcium intake, and phosphorus intake—and receiving milk yield information of the reference date. In addition, predicting the nutritional composition to achieve the target milk yield, based on the second prediction model, the state information of the management target cow, the surrounding condition information, the target milk yield information, the daily nutritional intake of the management target cow and the The method may include predicting a nutritional composition for achieving the target oil yield by applying the oil yield information of the reference date.
본 개시의 일 실시예에 의하면, 방법은, 상기 축산 농가 단말로부터 n개(n은 6 이상의 정수)의 사료 종류를 수신하는 단계, 미리 준비된 사료 영양/단가표를 참조하여, 상기 수신된 n개의 사료 종류 중에서 선택된 소정 수의 사료를 이용한, 상기 예측된 영양 조성을 달성하기 위한 최소 비용의 사료 조합- 상기 사료 조합은, 상기 소정 수의 사료 종류와 각 사료 종류의 배합함량(%)을 포함함 -을 구성하는 단계, 및 상기 통신망을 통하여, 상기 구성된 사료 조합을, 상기 축산 농가 단말에 제공하는 단계를 더 포함할 수 있다.According to an embodiment of the present disclosure, the method may include receiving n feed types (n is an integer greater than or equal to 6) from the livestock farm terminal, and referring to the prepared feed nutrition / unit price table, the received n feeds A minimum cost feed combination to achieve the predicted nutritional composition, using a predetermined number of feeds selected from the variety, wherein the feed combination includes the predetermined number of feed types and the blending content of each feed type Comprising, and through the communication network, providing the configured feed combination to the livestock farm terminal.
본 개시의 일 실시예에 의하면, 상기 제2 예측 모델은, 복수의 소 각각에 관한 복수의 산유량 데이터 세트를 이용한 딥러닝 알고리즘에 따른 훈련에 의해 생성된 모델이고, 상기 복수의 산유량 데이터 세트 각각은, 특정 일자를 기준으로 한 각 대응 소의 상태 정보, 주변 상태 정보, 상기 대응 소의 영양 섭취량, 및 상기 대응 소의 산유량 정보를 포함하고, 상기 대응 소의 상태 정보는, 상기 대응 소의 생년월일 또는 월령과, 상기 특정 일자에서의 산후 주차를 포함하고, 상기 대응 소의 영양 섭취량은, 상기 특정 일자에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함하며, 상기 주변 상태 데이터는, 상기 특정 일자의 평균 기온 및 평균 습도 정보를 포함할 수 있다.According to an embodiment of the present disclosure, the second prediction model is a model generated by training according to a deep learning algorithm using a plurality of oil flow data sets for each of a plurality of cattle, and each of the plurality of oil flow data sets And status information of each corresponding cow on the basis of a specific date, surrounding condition information, nutritional intake amount of the corresponding cow, and milk yield information of the corresponding cow, wherein the status information of the corresponding cow includes the date of birth or month of birth of the corresponding cow, Postpartum parking on a date, and the nutritional intake of the corresponding cow includes daily dry matter intake, water intake, metabolic energy intake, metabolic protein intake, MET intake, LYS intake, calcium intake, and phosphorus intake on the specific day. The ambient state data may include average temperature and average humidity information of the specific date.
본 개시의 또 다른 특징에 의하면, 통신망을 통해 외부와 통신하는 축산 농가 관리 서버에 의해 수행되는 최대 산유량 달성을 위한 TMR 제안 방법이 제공된다. 본 개시의 방법은, 상기 통신망을 통하여 상기 축산 농가 단말로부터, 기준 일자에서의 관리 대상 소의 상태 정보- 상기 관리 대상 소의 상태 정보는, 상기 관리 대상 소의 생년월일 또는 월령, 품종, 및 상기 기준 일자에서의 산후 주차를 포함함 -를 수신하는 단계, 상기 통신망을 통하여 외부로부터 주변 상태 정보- 상기 주변 상태 정보는 상기 기준 일자의 평균 기온 및 평균 습도 정보를 포함함 -를 수신하는 단계, 상기 통신망을 통하여 상기 축산 농가 단말로부터, 목표 비용 정보를 수신하는 단계, 및 제3 예측 모델을 기초로, 상기 관리 대상 소의 상태 정보, 상기 주변 상태 정보, 및 상기 목표 비용 정보를 적용해서, 상기 목표 비용 범위 내에서 달성 가능한 최대 산유량 및 상기 최대 산유량 달성을 위한 영양 조성을 예측하는 단계- 상기 예측되는 영양 조성은, 목표 건물섭취량, 목표 수분섭취량, 목표 대사에너지 섭취량, 목표 대사단백질 섭취량, 목표 MET 섭취량, 목표 LYS 섭취량, 목표 칼슘 섭취량, 및 목표 인 섭취량을 포함함 -를 포함한다. According to another feature of the present disclosure, there is provided a TMR proposal method for achieving the maximum oil flow rate performed by a livestock farm management server communicating with the outside through a communication network. According to the method of the present disclosure, the livestock farm terminal through the communication network, the status information of the management target cow on the reference date-The status information of the management target cow is the birth date or month of the management target cow, the breed and the Receiving postpartum parking; receiving ambient state information from the outside via the communication network, wherein the ambient state information includes average temperature and average humidity information of the reference date; Receiving target cost information from the livestock farm terminal, and based on the third predictive model, by applying the state information, the surrounding state information, and the target cost information of the management target cattle, the target cost range is achieved Estimating the maximum possible yield and the nutritional composition for achieving the maximum yield-the predicted zero It includes - composition, including the goals dry matter intake, water intake goals, objectives metabolizable energy intake, metabolic protein intake goals, objectives MET intake goals LYS intake, calcium intake goals, and objectives of intake.
본 개시의 일 실시예에 의하면, 상기 통신망을 통하여 상기 축산 농가 단말로부터, 상기 관리 대상 소에 관한, 상기 기준 일자에서의 일일 영양 섭취량- 상기 일일 영양 섭취량은, 상기 관리 대상 소의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함함 - 및 상기 기준 일자에서의 산유량 정보를 수신하는 단계를 더 포함하고, 상기 목표 비용 범위 내에서 달성 가능한 최대 산유량 및 상기 최대 산유량 달성을 위한 영양 조성을 예측하는 단계는, 상기 제3 예측 모델을 기초로, 상기 관리 대상 소의 상태 정보, 상기 주변 상태 정보, 상기 목표 비용 정보, 상기 관리 대상 소의 일일 영양 섭취량 및 상기 기준 일자의 산유량 정보를 적용해서, 상기 최대 산유량 및 상기 최대 산유량 달성을 위한 영양 조성을 예측하는 단계를 포함할 수 있다.According to one embodiment of the present disclosure, the daily nutritional intake on the reference date, the daily nutritional intake of the management target cattle, from the livestock farm terminal through the communication network, the daily nutritional intake of the cattle to be managed, water Including intake, metabolic energy intake, metabolic protein intake, MET intake, LYS intake, calcium intake, and phosphorus intake—and receiving milk yield information on the reference date, achieved within the target cost range Predicting the maximum possible milk yield and the nutritional composition for achieving the maximum milk yield are based on the third prediction model, the status information of the managed cow, the surrounding condition information, the target cost information, the daily nutritional intake of the managed cow. And the maximum oil flow rate and the maximum oil flow rate by applying the oil flow rate information of the reference date. Predicting the nutritional composition to achieve.
본 개시의 일 실시예에 의하면, 방법은, 상기 축산 농가 단말로부터 n개(n은 6 이상의 정수)의 사료 종류를 수신하는 단계, 미리 준비된 사료 영양/단가표를 참조하여, 상기 수신된 n개의 사료 종류 중에서 선택된 소정 수의 사료를 이용한, 상기 예측된 영양 조성을 달성하기 위한 최소 비용의 사료 조합- 상기 사료 조합은, 상기 소정 수의 사료 종류와 각 사료 종류의 배합함량(%)을 포함함 -을 구성하는 단계, 및 상기 통신망을 통하여, 상기 구성된 사료 조합을, 상기 축산 농가 단말에 제공하는 단계를 더 포함할 수 있다.According to an embodiment of the present disclosure, the method may include receiving n feed types (n is an integer greater than or equal to 6) from the livestock farm terminal, and referring to the prepared feed nutrition / unit price table, the received n feeds A minimum cost feed combination to achieve the predicted nutritional composition, using a predetermined number of feeds selected from the variety, wherein the feed combination includes the predetermined number of feed types and the blending content of each feed type Comprising, and through the communication network, providing the configured feed combination, the livestock farm terminal.
본 개시의 일 실시예에 의하면, 상기 제3 예측 모델은, 복수의 소 각각에 관한 복수의 산유량 데이터 세트를 이용한 딥러닝 알고리즘에 따른 훈련에 의해 생성된 모델이고, 상기 복수의 산유량 데이터 세트 각각은, 특정 일자를 기준으로 한 각 대응 소의 상태 정보, 주변 상태 정보, 상기 대응 소의 영양 섭취량, 및 상기 대응 소의 산유량 정보를 포함하고, 상기 대응 소의 상태 정보는, 상기 대응 소의 생년월일 또는 월령과, 상기 특정 일자에서의 산후 주차를 포함하고, 상기 대응 소의 영양 섭취량은, 상기 특정 일자에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함하며, 상기 주변 상태 데이터는, 상기 특정 일자의 평균 기온 및 평균 습도 정보를 포함할 수 있다.According to an embodiment of the present disclosure, the third predictive model is a model generated by training according to a deep learning algorithm using a plurality of oil flow rate data sets for each of a plurality of cattle, and each of the plurality of oil flow rate data sets And status information of each corresponding cow on the basis of a specific date, surrounding condition information, nutritional intake amount of the corresponding cow, and milk yield information of the corresponding cow, wherein the status information of the corresponding cow includes the date of birth or month of birth of the corresponding cow, Postpartum parking on a date, and the nutritional intake of the corresponding cow includes daily dry matter intake, water intake, metabolic energy intake, metabolic protein intake, MET intake, LYS intake, calcium intake, and phosphorus intake on the specific day. The ambient state data may include average temperature and average humidity information of the specific date.
본 개시의 실시예에 의한 방법에 따르면, 개별 젖소의 상태 정보 및 기타 온도나 습도 등 축사 주변의 환경 정보 등에 기반하여 개별 젖소에 맞춤화된 향후 산유량을 예측하거나 개별 젖소에 최적화된 TMR 사료 조성을 제안하는 방법이 제공된다. 본 개시의 방법에 의하면, 현재의 주어진 환경 하에서 현재의 영양 섭취 상태를 유지할 경우 얻을 수 있는 산유량을 예측할 수 있을 뿐 아니라, 목표 산유량이 정해진 경우에는 그 목표 산유량 달성을 위해 어떠한 영양 조성을 섭취시킬 것인가와 더 나아가 최저 비용의 범위에서 어떠한 TMR 사료 조합으로 그러한 영양 조성을 달성할 것인가의 정보를 제공할 수 있다. 본 개시의 방법에 의하면, 또한, 미리 정해진 목표 비용이 있는 경우 그 목표 비용 범위 내에서 해당 젖소로부터 기대되는 최대의 산유량과 그 최대 산유량 달성을 위한 해당 젖소에게 어떠한 영양 조성을 섭취시킬 것인가와 더 나아가 최저 비용의 범위에서 어떠한 TMR 사료 조합으로 그러한 영양 조성을 달성할 것인가의 정보를 제공할 수 있다. According to the method according to an embodiment of the present disclosure, based on the status information of the individual cows and other environmental information such as temperature and humidity, etc. to predict the future milk production customized to the individual cows or to propose a TMR feed composition optimized for the individual cows A method is provided. According to the method of the present disclosure, it is possible not only to predict the amount of oil that can be obtained by maintaining the current nutritional status under a given environment, but also what nutritional composition is consumed to achieve the target amount of milk when the target amount of milk is determined. Furthermore, it can provide information on which TMR feed combinations will achieve such nutritional composition at the lowest cost. According to the method of the present disclosure, if there is a predetermined target cost, the maximum milk yield expected from the cow within the target cost range and what nutritional composition is to be ingested to the cow for achieving the maximum milk yield and further lower Within a range of costs, you can provide information on which TMR feed combinations will achieve such nutritional composition.
따라서, 본 개시에 의하면, 개별 젖소의 특징이나 주변 환경 특징을 반영하여 각 젖소에 최적화된 영양 조성 및 제공함으로써 산유량의 극대화를 도모하고 축산 농가의 수익 증대를 도모할 수 있다. 본 개시에 의하면, 축산 농가는, 전체 유유 생산량 계획을 수립하고 농가 소득을 미리 예측할 수 있게 되어, 효율적 농가 운영을 도모할 수 있다. Therefore, according to the present disclosure, by optimizing the composition and providing nutrition for each cow by reflecting the characteristics of the individual cow or the surrounding environment, it is possible to maximize the production of milk and increase the profit of the livestock farm. According to the present disclosure, the livestock farmer can establish a total milk production plan and predict the farm income in advance, and can efficiently operate the farm.
도 1은, 본 개시의 일 실시예에 따른, 축산 농가 관리 시스템(100)의 전체 구성을 개략적으로 도시한 도면이다.1 is a diagram schematically showing the overall configuration of a livestock farm management system 100 according to an embodiment of the present disclosure.
도 2는, 도 1의 축산 농가 관리 서버(130)의 예시적 기능 구성을 도시한 기능 블록도이다.FIG. 2 is a functional block diagram illustrating an exemplary functional configuration of the livestock farm management server 130 of FIG. 1.
도 3은, 도 1의 축산 농가 단말(120)의 예시적 기능 구성을 도시한 기능 블록도이다.FIG. 3 is a functional block diagram illustrating an exemplary functional configuration of the livestock farmhouse terminal 120 of FIG. 1.
도 4는, 본 개시의 일 실시예에 따라, 도 2의 축산 농가 단말(120)의 표시부(330) 상에 표시될 수 있는 예시적 시뮬레이션 화면을 도시한 도면이다.4 is a diagram illustrating an exemplary simulation screen that may be displayed on the display unit 330 of the livestock farm terminal 120 of FIG. 2 according to an embodiment of the present disclosure.
도 5는, 본 개시의 일 실시예에 따른 축산 농가 관리 서버(130)의 각 기능 별 입출력 및 활용 방안을 전반적으로 도시한 도면이다.FIG. 5 is a diagram generally illustrating input / output and utilization methods for each function of the livestock farm management server 130 according to an exemplary embodiment of the present disclosure.
이하, 첨부 도면을 참조하여 본 개시의 실시예에 관하여 상세히 설명한다. 이하에서는, 본 개시의 요지를 불필요하게 흐릴 우려가 있다고 판단되는 경우, 이미 공지된 기능 및 구성에 관한 구체적인 설명을 생략한다. 또한, 이하에서 설명하는 내용은 어디까지나 본 개시의 일 실시예에 관한 것일 뿐 본 개시가 이로써 제한되는 것은 아님을 알아야 한다.Hereinafter, exemplary embodiments of the present disclosure will be described in detail with reference to the accompanying drawings. In the following, when it is determined that there is a risk of unnecessarily obscuring the subject matter of the present disclosure, a detailed description of already known functions and configurations will be omitted. In addition, it should be understood that what is described below is only related to an embodiment of the present disclosure, but the present disclosure is not limited thereto.
본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 개시를 한정하려는 의도에서 사용된 것이 아니다. 예를 들면, 단수로 표현된 구성요소는 문맥상 명백하게 단수만을 의미하지 않는다면 복수의 구성요소를 포함하는 개념으로 이해되어야 한다. 또한, 본 개시의 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐이고, 이러한 용어의 사용에 의해 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하려는 것은 아니다.The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the disclosure. For example, a component expressed in the singular should be understood as a concept including a plurality of components unless the context clearly indicates the singular. In addition, in the specification of the present disclosure, the terms 'comprise' or 'having' are merely intended to designate that there exists a feature, a number, a step, an operation, a component, a part, or a combination thereof described on the specification. The use of the term is not intended to exclude the presence or addition of one or more other features or numbers, steps, actions, components, parts or combinations thereof.
본 명세서에 기재된 실시예에 있어서 '블록' 또는 '부'는 적어도 하나의 기능이나 동작을 수행하는 기능적 부분을 의미하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '블록' 또는 '부'는, 특정한 하드웨어로 구현될 필요가 있는 '블록' 또는 '부'를 제외하고는, 적어도 하나의 소프트웨어 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.In the embodiments described herein, 'block' or 'unit' refers to a functional part that performs at least one function or operation, and may be implemented in hardware or software or a combination of hardware and software. In addition, a plurality of 'blocks' or 'units' may be integrated into at least one software module and implemented as at least one processor, except for 'blocks' or 'units' that need to be implemented with specific hardware. .
덧붙여, 달리 정의되지 않는 한 기술적 또는 과학적인 용어를 포함하여, 본 명세서에서 사용되는 모든 용어들은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의된 용어들은, 관련 기술의 문맥상 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 개시의 명세서에서 명백하게 달리 정의하지 않는 한 과도하게 제한 또는 확장하여 해석되지 않는다는 점을 알아야 한다.In addition, all terms used herein, including technical or scientific terms, unless defined otherwise, have the same meaning as commonly understood by one of ordinary skill in the art to which this disclosure belongs. It is to be understood that commonly used terms are to be interpreted as having a meaning consistent with the contextual meaning of the related art, and are not to be construed as being excessively limited or extended unless expressly defined otherwise in the specification of the present disclosure. You should know
이하, 첨부된 도면을 참조하여, 본 개시의 실시예에 대해 구체적으로 설명하기로 한다.Hereinafter, exemplary embodiments of the present disclosure will be described in detail with reference to the accompanying drawings.
도 1은, 본 개시의 일 실시예에 따른, 축산 농가 관리 시스템(100)의 전체 구성을 개략적으로 도시한 도면이다. 도시된 바에 의하면, 축산 농가 관리 시스템(100)은, 복수의 축산 농가 단말(110), 통신망(120), 및 축산 농가 관리 서버(130)를 포함한다.1 is a diagram schematically showing the overall configuration of a livestock farm management system 100 according to an embodiment of the present disclosure. As illustrated, the livestock farm management system 100 includes a plurality of livestock farm terminal 110, a communication network 120, and a livestock farm management server 130.
본 개시의 일 실시예에 의하면, 복수의 축산 농가 단말(110) 각각은, 축산 농가 관리자를 위한 단말로서, 유선 또는 무선 통신 기능을 구비한 임의의 사용자 전자 장치일 수 있다. 본 도면에서는, 3개의 축산 농가 단말(110)이 도시되어 있으나 본 개시가 이로써 제한되는 것은 아니다. 각 축산 농가 단말(110)은, 예컨대 스마트 폰, 태블릿 PC, 데스크탑, 랩탑, PDA, 디지털 TV 등을 포함한 다양한 유선 또는 무선 통신 단말일 수 있으며, 특정 형태로 제한되지 않음을 알아야 한다.According to one embodiment of the present disclosure, each livestock farm terminal 110 is a terminal for a livestock farm administrator, and may be any user electronic device having a wired or wireless communication function. In this figure, three livestock farmhouse terminals 110 are shown, but the present disclosure is not limited thereto. Each livestock farm terminal 110 may be a variety of wired or wireless communication terminals, including, for example, smart phones, tablet PCs, desktops, laptops, PDAs, digital TVs, and the like, and is not limited to specific forms.
본 개시의 일 실시예에 의하면, 농가 관리자는, 축산 농가 단말(110)을 통해, 해당 축산 농가에서 사육 중인 각 젖소에 관련된 정보를 입력 및 저장/관리할 수 있다. 본 개시의 일 실시예에 의하면, 예컨대 축산 농가 단말(110) 상에서, 해당 농가에서 사육 중인 각 젖소에 관한 상태 정보 데이터, 예컨대 각 젖소의 생년월일(월령), 품종, 산후 주차(출산 후 몇주가 지났는가) 등(그러나 이로써 제한되는 것은 아님)가 입력 및 저장될 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(110) 상에서, 예컨대 해당 축산 농가의 축사 주변 환경 정보 데이터, 예컨대 평균 기온이나 평균 습도 정보 등이 입력 및 저장될 수 있으며, 다만 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(110)을 통해, 해당 축산 농가에서 사육 중인 각 젖소에 관한 영양 섭취 정보(예컨대, TMR 사료 조성, 즉 각 원료 사료 의 종류 및 함량 정보, 섭취량, 그에 포함된 영양 조성 정보 등을 포함할 수 있으며, 이로써 제한되는 것은 아님) 및 산유량 정보(예컨대, 일일 산유량)가 입력 및 저장/관리할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(110) 상에 입력된 이러한 각 젖소의 영양 섭취 정보 및 산유량 정보는 시계열적으로 계속 누적 저장되고 관리될 수 있다.According to an embodiment of the present disclosure, the farm manager may input and store / manage information related to each cow in the livestock farm, through the livestock farm terminal 110. According to one embodiment of the present disclosure, for example, on the livestock farm terminal 110, status information data about each cow in the farm, for example, the date of birth (monthly age), breed, postpartum parking of each cow (how many weeks have passed since birth) ), But not limited thereto, may be entered and stored. According to one embodiment of the present disclosure, on the livestock farmhouse terminal 110, for example, the environment information data of the livestock farmhouse surroundings, for example, average temperature or average humidity information, may be input and stored, but the present disclosure is limited thereto. It doesn't happen. According to one embodiment of the present disclosure, through the livestock farm terminal 110, nutritional intake information (e.g., TMR feed composition, ie, type and content information of each raw material feed, intake, Nutrition composition information and the like contained therein, but are not limited thereto, and the oil flow rate information (eg, the daily milk flow rate) may be input and stored / managed. According to an embodiment of the present disclosure, the nutritional intake information and the milk flow information of each cow input on the livestock farm terminal 110 may be continuously stored and managed in time series.
본 개시의 일 실시예에 의하면, 축산 농가 단말(110)은, 통신망(120)을 통해서, 축산 농가 관리 서버(130)와 통신, 즉 필요한 정보를 송수신할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(110)은, 통신망(120)을 통해, 해당 농가에서 사육 중인 각 젖소의 상태 및 환경에 관련된 정보, 예컨대 각 젖소의 나이 및 산후 주차 정보, 기온이나 습도 정보, 각 젖소의 영양 섭취 정보 및 산유량 정보 등의 각종 정보를 축산 농가 관리 서버(130)로 전송할 수 있고, 축산 농가 관리 서버(130)로부터 해당 젖소에 관련된 예측 정보, 예컨대 산유량 예측 정보나 목표 산유량 달성을 위한 영양 조성 정보, 비용 최적의 TMR 사료 조합 정보 등을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(110)은, 축산 농가 관리 서버(130)로부터 수신된 각종 정보들을 디스플레이를 통해 표시할 수 있다.According to the exemplary embodiment of the present disclosure, the livestock farm terminal 110 may communicate with the livestock farm management server 130, that is, transmit and receive necessary information through the communication network 120. According to one embodiment of the present disclosure, the livestock farm terminal 110, through the communication network 120, information related to the status and environment of each cow in the farm, such as the age and postpartum parking information of each cow, temperature Or humidity information, nutritional intake information and milk flow information of each cow, can be transmitted to the livestock farm management server 130, and from the livestock farm management server 130, prediction information related to the cow, for example, milk production forecast information, Nutritional composition information, cost-optimized TMR feed combination information, etc., may be received to achieve a target yield. According to one embodiment of the present disclosure, the livestock farm terminal 110 may display various information received from the livestock farm management server 130 on the display.
본 개시의 일 실시예에 의하면, 통신망(120)은, 임의의 유선 또는 무선 통신망, 예컨대 TCP/IP 통신망을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 통신망(104)은, 예컨대 Wi-Fi망, LAN망, WAN망, 인터넷망 등을 포함할 수 있으며, 본 발명이 이로써 제한되는 것은 아니다. 본 개시의 일 실시예에 의하면, 통신망(120)은, 예컨대 이더넷, GSM, EDGE(Enhanced Data GSM Environment), CDMA, TDMA, OFDM, 블루투스, VoIP, Wi-MAX, Wibro 기타 임의의 다양한 유선 또는 무선 통신 프로토콜을 이용하여 구현될 수 있다.According to an embodiment of the present disclosure, the communication network 120 may include any wired or wireless communication network, such as a TCP / IP communication network. According to one embodiment of the present disclosure, the communication network 104 may include, for example, a Wi-Fi network, a LAN network, a WAN network, an Internet network, and the like, but the present invention is not limited thereto. According to one embodiment of the present disclosure, the communication network 120 may include, for example, Ethernet, GSM, Enhanced Data GSM Environment (EDGE), CDMA, TDMA, OFDM, Bluetooth, VoIP, Wi-MAX, Wibro, and any other various wired or wireless. It may be implemented using a communication protocol.
본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(130)는, 젖소의 산유량을 예측하는데 이용될 수 있는 산유량 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(130)는, 임의의 다양한 방법으로 수집된 젖소 관련 시계열적 누적 빅데이터 정보, 예컨대 시계열적으로 누적된 상태 정보 데이터(예컨대, 젖소의 월령 및 산후 주차 등), 영양 섭취 데이터(예컨대, 각 주요 영양소의 섭취량 등), 주변 상태 데이터(예컨대, 기온 및 습도 정보 등), 및 시계열적 산유량 정보 등을 포함하는 빅데이터 정보에 기초하여, 순환 신경망 방식에 따라 구축된 산유량 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 산유량 예측 모델은, LSTM RNN 알고리즘에 기초하여 구축된 모델일 수 있다.According to an embodiment of the present disclosure, the livestock farm management server 130 may include a production flow prediction model that may be used to predict the production flow of the cow. According to one embodiment of the present disclosure, the livestock farm management server 130, the time series cumulative big data information related to cows collected in any of a variety of ways, such as the state information data (e.g. A circulating neural network based on big data information including postpartum parking, etc.), nutritional intake data (e.g., intake of each major nutrient, etc.), ambient state data (e.g., temperature and humidity information, etc.), and time series of milk yield information. It may include a model for predicting oil flow established according to the method. According to an embodiment of the present disclosure, the oil flow prediction model may be a model constructed based on the LSTM RNN algorithm.
본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(130)는, 또한, 젖소의 목표 산유량이 정해진 경우, 그 목표 산유량을 달성하기 위한 영양 조성을 예측할 수 있는 영양 조성 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(130)는, 임의의 다양한 방법으로 수집된 젖소 관련 빅데이터 정보, 예컨대 상태 정보 데이터(예컨대, 젖소의 월령 및 산후 주차 등), 영양 섭취 데이터(예컨대, 각 주요 영양소의 섭취량 등), 주변 상태 데이터(예컨대, 기온 및 습도 정보 등), 및 산유량 정보 등을 포함하는 빅데이터 정보에 기초하여, 딥러닝 방식에 따라 구축된 영양 조성 예측 모델을 포함할 수 있다. According to an embodiment of the present disclosure, the livestock farm management server 130 may further include a nutritional composition prediction model that may predict the nutritional composition for achieving the target milk flow rate when the cow milk target milk flow rate is determined. According to one embodiment of the present disclosure, the livestock farm management server 130, the cow-related big data information collected by any of a variety of methods, such as state information data (for example, the age of the cow and postpartum parking, etc.), nutrition intake data (E.g., intake of each major nutrient, etc.), ambient condition data (e.g., temperature and humidity information, etc.), and big data information including oil flow rate information, and the like, It may include.
본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(130)는, 또한, 목표 사육 비용(예컨대, 목표 일일 사료비용 등)이 정해진 경우, 그 목표 사육 비용의 범위에서 달성 가능한 최대 산유량을 예측할 수 있는 최대 산유량 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(130)는, 임의의 다양한 방법으로 수집된 젖소 관련 빅데이터 정보, 예컨대 상태 정보 데이터(예컨대, 젖소의 월령 및 산후 주차 등), 영양 섭취 데이터(예컨대, 각 주요 영양소의 섭취량 등), 주변 상태 데이터(예컨대, 기온 및 습도 정보 등), 및 산유량 정보 등을 포함하는 빅데이터 정보에 기초하여, 딥러닝 방식에 따라 구축된 최대 산유량 예측 모델을 포함할 수 있다. According to an embodiment of the present disclosure, the livestock farm management server 130 may also predict the maximum oil production that can be achieved within a range of the target breeding cost when a target breeding cost (eg, a target daily feed cost, etc.) is determined. Maximum oil flow prediction model. According to one embodiment of the present disclosure, the livestock farm management server 130, the cow-related big data information collected by any of a variety of methods, such as state information data (for example, the age of the cow and postpartum parking, etc.), nutrition intake data Based on big data information (e.g., intake of each major nutrient, etc.), ambient state data (e.g., temperature and humidity information, etc.), and oil flow rate information, a maximum oil yield prediction model constructed according to a deep learning method It may include.
도 2는, 도 1에 도시된 축산 농가 관리 서버(130)의 예시적 기능 구성을 도시한 기능 블록도이다. 도시된 바에 의하면, 축산 농가 관리 서버(130)는, 통신부(210), 산유량 예측부(220), 목표 산유량 기반 영양 조성 예측부(230), 사료 영양/단가표(240), 최소 비용 사료 조합 결정부(250), 및 목표 비용 기반 최대 산유량 및 영양 조성 예측부(260)를 포함한다. FIG. 2 is a functional block diagram illustrating an exemplary functional configuration of the livestock farm management server 130 shown in FIG. 1. As shown, the livestock farm management server 130, the communication unit 210, the milk production flow rate prediction unit 220, the target oil production based nutrition composition prediction unit 230, feed nutrition / unit price table 240, minimum cost feed combination determination The unit 250, and the target cost-based maximum yield and nutritional composition predictor 260.
본 개시의 일 실시예에 의하면, 통신부(210)는, 축산 농가 관리 서버(130)가, 통신망(120)을 통해 외부와 통신할 수 있도록 지원할 수 있다. 본 개시의 일 실시예에 의하면, 통신부(210)는, 소정의 프로토콜에 따라 통신망(120)으로부터 데이터를 수신할 수 있고, 통신망(120)을 통하여 축산 농가 관리 서버(130)로부터 외부로 데이터가 전송되도록 하기 위해 필요한 절차를 수행할 수 있다.According to an embodiment of the present disclosure, the communication unit 210 may support the livestock farm management server 130 to communicate with the outside through the communication network 120. According to an embodiment of the present disclosure, the communication unit 210 may receive data from the communication network 120 according to a predetermined protocol, and data may be externally transmitted from the livestock farm management server 130 through the communication network 120. You can perform the necessary procedures to ensure that they are sent.
본 개시의 일 실시예에 의하면, 산유량 예측부(220)는, 산유량 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 산유량 예측 모델은, 다양한 방식에 의해 획득된 수 많은 젖소 관련 데이터에 기초한 순환 신경망 방식, 특히 RNN(Recurrent Neural Network) LSTM(Long-Short-Term Memory) 알고리즘에 따른 학습에 의해 생성된 것일 수 있다. 당업자라면, 주지하듯이 LSTM RNN 알고리즘은, 시계열적으로 누적된 입력 데이터 중 소정 범위 내의 과거 데이터가 망각되지 않고 결과에 영향을 미치도록 하기 위한 모델이다. 본 개시의 일 실시예에 의하면, 산유량 예측 모델은, 많은 수의 젖소에 관한 시계열적 누적 데이터 세트로서, 예컨대 각각의 데이터 세트는, 주어진 젖소에 관하여, 시계열상 복수의 기준일 각각에서 획득된, 해당 젖소의 상태 정보 데이터(예컨대, 그 기준일 상의 젖소의 월령 및 산후 주차 등), 해당 젖소의 영양 섭취 데이터(예컨대, 그 기준일에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량 등 각 주요 영양소의 섭취량 등), 주변 상태 데이터(예컨대, 그 기준일의 평균 기온 및 습도 정보 등), 및 시계열적 산유량 정보 등을 포함하는 빅데이터 정보를 이용한 학습에 의해 생성된 것일 수 있다. 본 개시의 일 실시예에 의하면, 산유량 예측 모델은, 과거 p개월에 걸친 누적 데이터에 기초하여 향후 q개월 동안의 산유량 값을 예측함에 있어서, 그 p 기간 및 q 기간의 길이에 따라 정해지는 메모리 셀 개수를 가질 수 있다.According to an embodiment of the present disclosure, the oil flow rate predictor 220 may include an oil flow rate prediction model. According to one embodiment of the present disclosure, the milk yield prediction model is based on a cyclic neural network method, in particular, a Recurrent Neural Network (RNN) Long-Short-Term Memory (LSTM) algorithm, based on a large number of cow-related data obtained by various methods. It may be generated by learning. As will be appreciated by those skilled in the art, the LSTM RNN algorithm is a model for causing the past data within a predetermined range of the input data accumulated in a time series to affect the result without forgetting. According to one embodiment of the present disclosure, the milk yield prediction model is a time series cumulative data set for a large number of cows, for example, each data set is obtained on each of a plurality of reference time series in time series for a given cow. Cow status information data (e.g., age and postpartum parking of cows on that reference day), nutrient intake data of the cow (e.g. daily building intake, water intake, metabolic energy intake, metabolic protein intake, MET intake) , Big data information including LYS intake, calcium intake, phosphorus intake, etc.), ambient state data (e.g., average temperature and humidity information for the reference day), and time series of milk yield information. It may be generated by learning. According to one embodiment of the present disclosure, the oil flow prediction model predicts a milk flow value for the next q months based on the cumulative data over the past p months, wherein the memory cell is determined according to the p period and the length of the q period. It can have a number.
본 개시의 일 실시예에 의하면, 산유량 예측부(220)는, 통신망(120) 및 통신부(210)를 통하여 축산 농가 단말(110)로부터 수신된 소정 젖소에 관한 산유량 예측 요청과 함께, 해당 젖소에 관련된 소정 기간 동안의 누적 데이터 세트, 예컨대 과거 소정 기간 이전부터 현재에 이르기까지 중간에 속한 임의의 일자에서 각각 획득한 데이터 세트들(예컨대, 지난 7개월 동안 매월 같은 날을 기준으로 획득한 7개의 데이터 세트들 등일 수 있으나, 단지 예시일 뿐 본 개시가 이로써 제한되는 것은 아님)을 수신할 수 있다. 그 누적 데이터 세트에 속한 각 데이터 세트는, 각 주어진 날짜에서의 해당 젖소의 상태 정보 데이터(예컨대, 그 날짜에서의 해당 젖소의 월령 및 산후 주차 등), 해당 젖소의 영양 섭취 데이터(예컨대, 그 날짜에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량 등 각 주요 영양소의 섭취량 등), 및 주변 상태 데이터(예컨대, 그 날짜의 평균 기온 및 습도 정보 등)를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 산유량 예측부(220)는, 수신된 누적 데이터 세트를 산유량 예측 모델에 적용함으로써, 해당 젖소에 관한 향후 소정 기간(예컨대, 향후 2개월 등) 동안의 시계열적 산유량 흐름을 예측할 수 있다.According to an embodiment of the present disclosure, the milking flow predicting unit 220, together with the milking flow forecasting request for the predetermined cow received from the livestock farm terminal 110 through the communication network 120 and the communication unit 210, to the cow Cumulative data sets for a given period of time, e.g., data sets each obtained on any date in the middle, from a previous period up to the present (e.g., seven data obtained on the same day each month for the last seven months). Sets, etc., but are illustrative only and not limiting of this disclosure. Each data set belonging to the cumulative data set includes status information data (e.g., age and postpartum parking of the cow at that given date), nutritional data (e.g., the date) of the cow at each given date. Daily building intake, water intake, metabolic energy intake, metabolic protein intake, MET intake, LYS intake, calcium intake, and intake of each of the major nutrients such as phosphorus intake, and ambient state data (e.g., average temperature for the day) And humidity information). According to one embodiment of the present disclosure, the milk yield estimator 220 applies the received cumulative data set to the milk yield forecasting model, so that the time series milk yield for a predetermined period of time (eg, 2 months, etc.) related to the cow. You can predict the flow.
본 개시의 일 실시예에 의하면, 목표 산유량 기반 영양 조성 예측부(230)는, 목표 산유량 기반 영양 조성 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 목표 산유량 기반 영양 조성 예측 모델은, 다양한 방식에 의해 획득된 수 많은 젖소 관련 데이터에 기초하여 딥러닝 알고리즘에 따른 학습에 의해 생성된 것일 수 있다. According to an embodiment of the present disclosure, the target milk flow-based nutritional composition predictor 230 may include a target milk flow-based nutritional composition prediction model. According to one embodiment of the present disclosure, the target milk yield based nutritional composition prediction model may be generated by learning according to a deep learning algorithm based on a large number of cow-related data obtained by various methods.
본 개시의 일 실시예에 의하면, 목표 산유량 기반 영양 조성 예측 모델은, 임의의 다양한 방법으로 수집된 젖소 관련 빅데이터 정보, 예컨대 상태 정보 데이터(예컨대, 특정 일자를 기준으로 한 젖소의 월령 및 산후 주차 등), 영양 섭취 데이터(예컨대, 그 특정 일자에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량 등 각 주요 영양소의 섭취량 등), 주변 상태 데이터(예컨대, 그 특정 일자의 평균 기온 및 습도 정보 등), 및 산유량 정보 등을 포함하는 빅데이터 정보에 기초하여, 딥러닝 방식에 따라 구축된 예측 모델일 수 있다. According to one embodiment of the present disclosure, a target milk yield-based nutritional composition prediction model includes: cow-related big data information collected by any of a variety of methods, such as status information data (eg, age and postpartum parking of cows based on a specific date). Nutritional intake data (e.g. daily major daily nutrient intake, water intake, metabolic energy intake, metabolic protein intake, MET intake, LYS intake, calcium intake, and phosphorus intake, etc.), It may be a prediction model built according to a deep learning method based on big data information including ambient state data (eg, average temperature and humidity information of a specific date), and acid flow rate information.
본 개시의 일 실시예에 의하면, 목표 산유량 기반 영양 조성 예측부(230)는, 통신망(120) 및 통신부(210)를 통하여 축산 농가 단말(110)로부터 수신된 소정 젖소에 관한 목표 산유량 정보와 함께, 해당 젖소에 관한 상태 정보(예컨대, 해당 젖소의 월령 또는 생년월일, 품종, 및 산후 주차 등), 및 주변 상태 정보(예컨대, 해당 축산 농가의 평균 기온 및 평균 습도 정보 등) 등을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 목표 산유량 기반 영양 조성 예측부(230)는, 축산 농가 단말(110)로부터 수신된 전술한 소정 젖소 관련 정보와 목표 산유량 정보를 위 목표 산유량 기반 영양 조성 예측 모델에 적용하여, 위 목표 산유량 달성을 위해 필요한 영양 조성을 예측할 수 있다. 본 개시의 일 실시예에 의하면, 목표 산유량 기반 영양 조성 예측부(230)에 의해 예측되는 영양 조성은, 예컨대 목표 건물섭취량, 목표 수분섭취량, 목표 대사에너지 섭취량, 목표 대사단백질 섭취량, 목표 MET 섭취량, 목표 LYS 섭취량, 목표 칼슘 섭취량, 및 목표 인 섭취량을 포함할 수 있다.According to an embodiment of the present disclosure, the target milk yield-based nutritional composition predicting unit 230, together with the target milk yield information about the predetermined cow, received from the livestock farm terminal 110 through the communication network 120 and the communication unit 210. , Status information (eg, age or date of birth, breed, postpartum parking, etc.) of the cow, and surrounding condition information (eg, average temperature and average humidity information of the livestock farm) may be received. . According to an embodiment of the present disclosure, the target milk yield based nutritional composition predicting unit 230 may include the above-mentioned predetermined cow related information and target milk yield information received from the livestock farm terminal 110 in the target milk yield based nutritional composition prediction model. By applying, the nutritional composition required to achieve the above target yield can be estimated. According to one embodiment of the present disclosure, the nutritional composition predicted by the target milk flow-based nutritional composition predicting unit 230 may include, for example, target dry matter intake, target water intake, target metabolic energy intake, target metabolic protein intake, target MET intake, Target LYS intake, target calcium intake, and target phosphorus intake.
본 개시의 일 실시예에 의하면, 사료 영양/단가표(240)는, 젖소를 위한 상용 사료 원료들(예컨대, 옥수수, 콩, 옥수수사일리, 티모시건초, 석회석, 대두박 등 200여가지 사료원료들) 각각마다에 관한 각 영양 성분 함량 정보 및 단가를 포함하는 데이터베이스일 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 관리 서버(130)는, 소정 주기로 외부로부터 수신된 정보에 기초하여 사료 영양/단가표(240)를 갱신할 수 있다. According to one embodiment of the present disclosure, the feed nutrition / unit price table 240, each of the commercial feed raw materials for cows (eg, corn, soybeans, corn silly, Timothy dry, limestone, soybean meal, etc. 200 feed materials, respectively) It may be a database containing information on the amount of each ingredient and the unit price for each. According to an embodiment of the present disclosure, the livestock farm management server 130 may update the feed nutrition / unit price table 240 based on information received from the outside at a predetermined cycle.
본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)는, 전술한 목표 산유량 기반 영양 조성 예측부(230)로부터 획득된 영양 조성 예측 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)는, 사료 영양/단가표(240)를 참조하여, 위 영양 조성 예측 정보를 달성하기 위한 최소 비용의 사료 조합을 제공할 수 있다, 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)는, 통신망(120) 및 통신부(210)를 통하여 축산 농가 단말(110)로부터 선호하는 몇 가지 사료 원료들(예컨대, 주로 사용하는 소정 수의 사료 원료들)의 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)는, 전술한 바와 같이, 사료 영양/단가표(240)를 참조하여, 위 수신된 소정 수의 사료 원료들 중에서 선택된 소정 수의 사료를 이용하여, 위 예측된 영양 조성을 달성하기 위한 최소 비용의 사료 조합을 제공할 수 있다. 최소 비용 사료 조합 결정부(250)에 의해 제공되는 사료 조합은, 각 사료 종류와 각각의 사료 종류의 배합함량(%)을 포함하는 정보일 수 있다. 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)에 의하여 결정된 사료 조합의 정보는, 통신부(210) 및 통신망(120)을 통하여, 축산 농가 단말(110)로 전송될 수 있다.According to one embodiment of the present disclosure, the minimum cost feed combination determination unit 250 may receive the nutritional composition prediction information obtained from the above-described target milk flow-based nutritional composition prediction unit 230. According to one embodiment of the present disclosure, the minimum cost feed combination determiner 250 may provide a minimum cost feed combination for achieving the above nutritional composition prediction information with reference to the feed nutrition / unit price table 240. In accordance with one embodiment of the present disclosure, the minimum cost feed combination determination unit 250, through the communication network 120 and the communication unit 210, the preferred feed material from the livestock farm terminal 110 (eg, mainly Information of a predetermined number of feed ingredients used) can be received. According to one embodiment of the present disclosure, the minimum cost feed combination determining unit 250, as described above, with reference to the feed nutrition / unit price table 240, a predetermined number selected from the predetermined number of feed ingredients received above Feed can be used to provide the least costly feed combination to achieve the predicted nutritional composition. The feed combination provided by the minimum cost feed combination determination unit 250 may be information including the blending content (%) of each feed type and each feed type. According to an embodiment of the present disclosure, the information on the feed combination determined by the minimum cost feed combination determination unit 250 may be transmitted to the livestock farm terminal 110 through the communication unit 210 and the communication network 120. .
본 개시의 일 실시예에 의하면, 목표 비용 기반 최대 산유량 및 영양 조성 예측부(260)는, 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측 모델은, 다양한 방식에 의해 획득된 수 많은 젖소 관련 데이터에 기초하여 딥러닝 알고리즘에 따른 학습에 의해 생성된 것일 수 있다. According to one embodiment of the present disclosure, the target cost-based maximum yield and nutritional composition predicting unit 260 may include a target cost-based maximum yield and a maximum oil yield achieving nutritional composition prediction model. According to one embodiment of the present disclosure, the target cost-based maximum milk yield and maximum milk yield achieving nutrition composition prediction model may be generated by learning according to a deep learning algorithm based on a large number of cow related data obtained by various methods. have.
본 개시의 일 실시예에 의하면, 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측 모델은, 임의의 다양한 방법으로 수집된 젖소 관련 빅데이터 정보, 예컨대 상태 정보 데이터(예컨대, 특정 일자를 기준으로 한 젖소의 월령 및 산후 주차 등), 영양 섭취 데이터(예컨대, 그 특정 일자에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량 등 각 주요 영양소의 섭취량 등), 주변 상태 데이터(예컨대, 그 특정 일자의 평균 기온 및 습도 정보 등), 및 산유량 정보 등을 포함하는 빅데이터 정보에 기초하여, 딥러닝 방식에 따라 구축된 예측 모델일 수 있다. According to one embodiment of the present disclosure, a target cost-based maximum milk yield and maximum milk yield achieving nutritional composition prediction model includes: cow-related big data information, such as status information data (eg, based on a specific date) collected in any of a variety of ways. Age and postpartum parking of cows, nutritional data (e.g. daily dry matter, water intake, metabolic energy intake, metabolic protein intake, MET intake, LYS intake, calcium intake, and phosphorus intake) A prediction model built according to a deep learning method based on big data information including nutrient intake, etc.), ambient state data (eg, average temperature and humidity information of a specific date), and milk flow rate information. .
본 개시의 일 실시예에 의하면, 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측부(250)는, 통신망(120) 및 통신부(210)를 통하여 축산 농가 단말(110)로부터 수신된 소정 젖소에 관한 목표 비용 정보와 함께, 해당 젖소에 관한 상태 정보(예컨대, 해당 젖소의 월령 또는 생년월일, 품종, 및 산후 주차 등), 및 주변 상태 정보(예컨대, 해당 축산 농가의 평균 기온 및 평균 습도 정보 등) 등을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측부(250)는, 축산 농가 단말(110)로부터 수신된 전술한 소정 젖소 관련 정보와 목표 비용 정보를 위 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측 모델에 적용하여, 위 목표 비용 범위 내에서 달성 가능한 최대 산유량 및 그 최대 산유량 달성을 위한 영양 조성을 예측할 수 있다. 본 개시의 일 실시예에 의하면, 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측부(250)에 의해 예측되는 영양 조성은, 예컨대 목표 건물섭취량, 목표 수분섭취량, 목표 대사에너지 섭취량, 목표 대사단백질 섭취량, 목표 MET 섭취량, 목표 LYS 섭취량, 목표 칼슘 섭취량, 및 목표 인 섭취량을 포함할 수 있다.According to an embodiment of the present disclosure, the target cost-based maximum milk yield and maximum milk yield achieving nutrition composition predicting unit 250 may be provided to a predetermined cow received from the livestock farm terminal 110 through the communication network 120 and the communication unit 210. Status information about the cow (e.g., age or date of birth, breed, and postpartum parking), and surrounding condition information (e.g., average temperature and average humidity information of the livestock farm) And the like. According to an embodiment of the present disclosure, the target cost-based maximum milk yield and the maximum milk yield achieving nutrition composition predicting unit 250 may target the above-described predetermined cow-related information and target cost information received from the livestock farm terminal 110. Baseline maximum oil yield and maximum oil yield can be applied to a nutritional composition prediction model to predict the maximum achievable oil yield and the nutritional composition for achieving that maximum oil yield within the target cost range. According to the exemplary embodiment of the present disclosure, the nutritional composition predicted by the target cost-based maximum oil yield and maximum oil yield achieving nutrition composition predicting unit 250 may include, for example, target building intake, target water intake, target metabolic energy intake, and target metabolic protein. Intake, target MET intake, target LYS intake, target calcium intake, and target phosphorus intake.
본 개시의 일 실시예에 의하면, 전술한 최소 비용 사료 조합 결정부(250)는, 전술한 목표 비용 기반 최대 산유량 및 최대 산유량 달성 영양 조성 예측부(250)로부터 획득된 영양 조성 예측 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)는, 사료 영양/단가표(240)를 참조하여, 위 영양 조성 예측 정보를 달성하기 위한 최소 비용의 사료 조합을 제공할 수 있다, 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)는, 통신망(120) 및 통신부(210)를 통하여 축산 농가 단말(110)로부터 선호하는 몇 가지 사료 원료들(예컨대, 주로 사용하는 소정 수의 사료 원료들)의 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)는, 전술한 바와 같이, 사료 영양/단가표(240)를 참조하여, 위 수신된 소정 수의 사료 원료들 중에서 선택된 소정 수(예컨대 5개)의 사료를 이용하여, 위 예측된 영양 조성을 달성하기 위한 최소 비용의 사료 조합을 제공할 수 있다. 최소 비용 사료 조합 결정부(250)에 의해 제공되는 사료 조합은, 각 사료 종류와 각각의 사료 종류의 배합함량(%)을 포함하는 정보일 수 있다. 본 개시의 일 실시예에 의하면, 최소 비용 사료 조합 결정부(250)에 의하여 결정된 사료 조합의 정보는, 통신부(210) 및 통신망(120)을 통하여, 축산 농가 단말(110)로 전송될 수 있다.According to one embodiment of the present disclosure, the above-described minimum cost feed combination determination unit 250 may receive nutritional composition prediction information obtained from the above-described target cost-based maximum oil yield and maximum oil yield achieving nutritional composition predictor 250. Can be. According to one embodiment of the present disclosure, the minimum cost feed combination determiner 250 may provide a minimum cost feed combination for achieving the above nutritional composition prediction information with reference to the feed nutrition / unit price table 240. In accordance with one embodiment of the present disclosure, the minimum cost feed combination determination unit 250, through the communication network 120 and the communication unit 210, the preferred feed material from the livestock farm terminal 110 (eg, mainly Information of a predetermined number of feed ingredients used) can be received. According to one embodiment of the present disclosure, the minimum cost feed combination determination unit 250, as described above, with reference to the feed nutrition / unit price table 240, a predetermined number selected from the predetermined number of feed ingredients received above ( For example, 5) feeds may be used to provide the least cost feed combination to achieve the above predicted nutritional composition. The feed combination provided by the minimum cost feed combination determination unit 250 may be information including the blending content (%) of each feed type and each feed type. According to an embodiment of the present disclosure, the information on the feed combination determined by the minimum cost feed combination determination unit 250 may be transmitted to the livestock farm terminal 110 through the communication unit 210 and the communication network 120. .
도 3은, 도 1에 도시된 축산 농가 단말(110)의 예시적 기능 구성을 도시한 기능 블록도이다. 도시된 바에 의하면, 축산 농가 단말(110)은, 통신부(310), 데이터 입력부(320), 표시부(330) 및 이력 저장부(340)를 포함한다.3 is a functional block diagram illustrating an exemplary functional configuration of the livestock farm terminal 110 shown in FIG. As illustrated, the livestock farm terminal 110 includes a communication unit 310, a data input unit 320, a display unit 330, and a history storage unit 340.
본 개시의 일 실시예에 의하면, 통신부(310)는, 축산 농가 단말(110)이, 통신망(120)을 통해 외부와 통신할 수 있도록 지원할 수 있다. 본 개시의 일 실시예에 의하면, 통신부(310)는, 소정의 프로토콜에 따라 통신망(120)으로부터 데이터를 수신할 수 있고, 통신망(120)을 통하여 축산 농가 단말(110)로부터 외부로 데이터가 전송되도록 필요한 절차를 수행할 수 있다.According to the exemplary embodiment of the present disclosure, the communication unit 310 may support the livestock farm terminal 110 to communicate with the outside through the communication network 120. According to the exemplary embodiment of the present disclosure, the communication unit 310 may receive data from the communication network 120 according to a predetermined protocol, and transmit data from the livestock farm terminal 110 to the outside via the communication network 120. You may perform the necessary procedures as much as possible.
본 개시의 일 실시예에 의하면, 데이터 입력부(320)는, 소정의 데이터 입력 장치, 예컨대 키보드, 터치패드, 터치스크린, 마우스, 스캐너, 트랙볼, 카메라 등을 비롯한 다양한 유형의 데이터 입력 장치를 포함할 수 있다. 본 개시의 일 실시예에 의하면, 데이터 입력부(320)를 통해, 농가 관리자는, 해당 농가에서 사육 중인 각 젖소에 관련된 정보를 입력 및 저장/관리할 수 있다. 본 개시의 일 실시예에 의하면, 예컨대 데이터 입력부(320)를 통하여, 각 젖소에 관한 상태 정보 데이터, 예컨대 각 젖소의 생년월일(월령), 품종, 산후 주차(출산 후 몇주가 지났는가) 등(그러나 이로써 제한되는 것은 아님)가 입력 및 저장될 수 있다. 본 개시의 일 실시예에 의하면, 데이터 입력부(320)를 통하여, 예컨대 해당 축산 농가의 축사 환경 정보 데이터, 예컨대 평균 기온이나 평균 습도 정보 등이 입력 및 저장될 수 있으며, 다만 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 일 실시예에 의하면, 데이터 입력부(320)를 통해, 해당 축산 농가에서 사육 중인 각 젖소에 관한 영양 섭취 정보(예컨대, TMR 사료 조성, 즉 각 원료 사료 의 종류 및 함량 정보, 섭취량, 그에 포함된 영양 조성 정보 등을 포함할 수 있으며, 이로써 제한되는 것은 아님) 및 산유량 정보(예컨대, 일일 산유량)가 입력 및 저장/관리할 수 있다. 본 개시의 일 실시예에 의하면, 데이터 입력부(320) 상에 입력된 이러한 각 젖소의 상태 정보, 영양 섭취 정보 및 산유량 정보 등은 이력 저장부(340)에 시계열적으로 계속 누적 저장되고 관리될 수 있다.According to an embodiment of the present disclosure, the data input unit 320 may include various types of data input devices including a predetermined data input device, such as a keyboard, a touch pad, a touch screen, a mouse, a scanner, a trackball, a camera, and the like. Can be. According to an embodiment of the present disclosure, the farm manager may input and store / manage information related to each cow in the farm, through the data input unit 320. According to one embodiment of the present disclosure, for example, through the data input unit 320, status information data about each cow, for example, the birth date (monthly age) of each cow, breed, postpartum parking (how many weeks have passed since birth), etc. Not limited) can be entered and stored. According to one embodiment of the present disclosure, through the data input unit 320, for example, barn environment information data of the corresponding livestock farm, for example, average temperature or average humidity information may be input and stored, but the present disclosure is limited thereto. It is not. According to one embodiment of the present disclosure, through the data input unit 320, nutritional intake information (e.g., TMR feed composition, namely, type and content information of each raw material feed, intake amount, and the like) of each cow being raised in the corresponding livestock farm The nutritional composition information may be included, but is not limited thereto, and the oil flow rate information (eg, the daily milk flow rate) may be input and stored / managed. According to one embodiment of the present disclosure, the status information, nutritional intake information, and milk yield information of each cow input on the data input unit 320 may be continuously stored and managed in time series in the history storage unit 340. have.
본 개시의 일 실시예에 의하면, 표시부(330)는, LCD, LED, 터치스크린 등의 다양한 디스플레이 장치를 포함할 수 있다. 본 개시의 일 실시예에 의하면, 표시부(330)는, 통신망(120) 및 통신부(310)를 통하여 축산 농가 관리 서버(130)로부터 수신되는 각종 정보, 예컨대 전술한 축산 농가 관리 서버(130) 상에서 획득된 정보들, 예컨대 산유량 예측 값, 목표 산유량 기반 영양 조성, 목표 산유량 기반 영양 조성을 달성하기 위한 사료 조성(사료 원료 및 함량), 목표 비용 기반 최대 산유량 예측 값, 최대 산유량 예측 값 달성을 위한 영양 조성, 최대 산유량 예측 값 달성을 위한 영양 조성을 달성하기 위한 사료 조성 등을 수신 및 표시할 수 있다. According to the exemplary embodiment of the present disclosure, the display unit 330 may include various display devices such as an LCD, an LED, a touch screen, and the like. According to the exemplary embodiment of the present disclosure, the display unit 330 may receive various information received from the livestock farm management server 130 through the communication network 120 and the communication unit 310, for example, on the livestock farm management server 130 described above. Obtained information such as the milk yield prediction value, the target milk yield-based nutritional composition, the feed composition (feedstock and content) to achieve the target milk yield-based nutritional composition, the target cost-based maximum milk yield prediction value, and the nutritional composition to achieve the maximum milk yield prediction value For example, it is possible to receive and display the feed composition for achieving the nutritional composition for achieving the maximum predicted milk flow rate.
본 개시의 일 실시예에 의하면, 이력 저장부(340)는, 해당 농가에서 사육되는 각 젖소에 관련되어 획득된 정보, 예컨대 데이터 입력부(320)를 통해 입력된 젖소 상태 정보, 주변 상태 정보, 산유량 정보, 영양 섭취량 정보 등, 통신망(120) 및 통신부(210)를 통해 축산 농가 관리 서버(130)로부터 각종 정보, 예컨대 산유량 예측 값, 목표 산유량 기반 영양 조성, 목표 산유량 기반 영양 조성을 달성하기 위한 사료 조성(사료 원료 및 함량), 목표 비용 기반 최대 산유량 예측 값, 최대 산유량 예측 값 달성을 위한 영양 조성, 최대 산유량 예측 값 달성을 위한 영양 조성을 달성하기 위한 사료 조성 등을 누적하여 저장할 수 있다.According to the exemplary embodiment of the present disclosure, the history storage unit 340 may include information obtained in relation to each cow raised in the farm, for example, cow status information, surrounding condition information, and milk yield input through the data input unit 320. Information, such as nutritional intake information, from the livestock farm management server 130 through the communication network 120 and the communication unit 210, for example, a feed composition for achieving a milk production forecast value, a target milk production based nutrition composition, a target milk production based nutrition composition (Feedstock and content), the maximum cost forecast value based on the target cost, the nutritional composition to achieve the maximum milk yield forecast value, and the feed composition to achieve the nutritional composition to achieve the maximum yield forecast value can be accumulated and stored.
도 4는, 본 개시의 일 실시예에 따라, 도 2의 축산 농가 단말(120)의 표시부(330) 상에 표시될 수 있는 예시적 시뮬레이션 화면을 도시한 도면이다.4 is a diagram illustrating an exemplary simulation screen that may be displayed on the display unit 330 of the livestock farm terminal 120 of FIG. 2 according to one embodiment of the present disclosure.
도시된 바에 의하면, 화면 좌측에는 현재의 영양 섭취량 및 산유량이 표시된 것을 알 수 있다. 화면 중앙부에는, 많은 수의 사료 원료들 가운데 농가 관리자가 선호하는 소정 수의 사료 원료들을 입력할 수 있는 부분이 표시되어 있고, 그 하단에는 2개의 작업 요청 버튼, 즉 최대 산유량 최적 TMR 배합 버튼(주어진 비용 범위에서 최대로 가능한 산유량 예측과 그에 맞는 영양 조성 및 최대 산유량 달성을 위한 최적의 사료 조합, 즉 TMR 조성을 요청하는 버튼)과, 최소 비용 및 최대 효과 TMR 버튼(주어진 목표 산유량 달성을 위한 영양 조성 및 최적의 사료 조합, 즉 TMR 조성을 요청하는 버튼)이 표시되어 있다. As shown, it can be seen that the current nutritional intake and the amount of milk are displayed on the left side of the screen. In the middle of the screen, there is a part of the large number of feed ingredients, which allows the farmer manager to input a desired number of feed ingredients, and at the bottom of the screen, two work request buttons, that is, a maximum oil yield optimum TMR formulation button ( Prediction of the maximum possible yield in the range of costs and the corresponding nutritional composition and optimum feed combination for achieving maximum yield, i.e. the button for requesting TMR composition, and the minimum cost and maximum effective TMR button (for nutritional composition to achieve a given target yield) The button for requesting the optimal feed combination, i.e. the TMR composition).
본 개시의 일 실시예에 의하면, 농가 관리자는, 도 3의 화면 중앙부에서 선호하는 소정 수의 사료 원료들을 입력할 수 있고, 하단의 2개의 작업 요청 버튼 중 하나를 선택하고, 맨 아래 시뮬레이트 버튼을 선택할 수 있다. 본 개시의 일 실시예에 의하면, 농가 관리자가, 예컨대 2개의 작업 요청 버튼 중 위쪽의 최대 산유량 최적 TMR 배합 버튼을 선택하고 시뮬레이트 버튼을 선택한 경우, 축산 농가 단말(110)은, 축산 농가 관리 서버(130)로부터 미리 주어진 비용 범위 내에서 가능한 최대 산유량 예측 결과와 그에 맞는 영양 조성, 그리고 그 최대 산유량 달성을 위한 최적의 사료 조합 정보(본 개시의 일 실시예에 의하면, 사료 조합 정보는, 농가 관리자가 선택했던 사료 원료들 중에서 선택된 일부 사료 원료들에 의해 구성될 수 있음)을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 수신된 사료 조합 정보는, 도 3의 화면 중앙부의 상단의 각 사료 원료 옆의 급여량, 배합비, 및 배합비용 부분에 반영되어 표시될 수 있다. 도 3의 화면 우측에는, 시뮬레이션에 따른 결과, 예컨대 최대 산유량 예측 결과 및 영양 조성과, 비용 정보가 표시되어 있다. 도 4의 시뮬레이션 화면은 어디까지나 예시적인 것일 뿐이며, 본 개시가 이로써 제한되는 것은 아님을 알아야 한다.According to an embodiment of the present disclosure, the farm manager may input a predetermined number of feed ingredients preferred in the center of the screen of FIG. 3, select one of the two work request buttons at the bottom, and press the bottom simulate button. You can choose. According to one embodiment of the present disclosure, when the farm manager selects, for example, the maximum maximum oil yield optimal TMR combination button among two work request buttons, and selects the simulate button, the livestock farm terminal 110 includes a livestock farm management server ( 130, the maximum oil yield prediction result and the nutritional composition according to the cost range given in advance, and the optimum feed combination information for achieving the maximum yield (in accordance with one embodiment of the present disclosure, the feed combination information may be May be constituted by some feedstocks selected from among the selected feedstocks). According to an embodiment of the present disclosure, the received feed combination information may be displayed by being reflected in the amount of feed, the blending cost, and the blending cost next to each feed material at the top of the center of the screen of FIG. 3. On the right side of the screen of FIG. 3, the results of the simulation, for example, the maximum oil flow rate prediction result, the nutritional composition, and the cost information are displayed. It should be understood that the simulation screen of FIG. 4 is merely exemplary, and the present disclosure is not limited thereto.
도 5는, 본 개시의 일 실시예에 따른 축산 농가 관리 서버(130)의 각 기능 별 입출력 및 활용 방안을 전반적으로 도시한 도면이다. 도시된 바에 의하면, 축산 농가 관리 서버(130)의 전술한 각 기능 및 관련된 예시적 입력 및 출력 데이터와, 각 기능별 활용 방안을 보다 용이하게 이해할 수 있을 것이다.FIG. 5 is a diagram generally illustrating input and output of each function of the livestock farm management server 130 according to an embodiment of the present disclosure, and a utilization plan. As shown, it will be easier to understand each of the above-described functions of the livestock farm management server 130 and related input and output data, and how to use each function.
당업자라면 알 수 있듯이 본 개시는 본 명세서에서 기술된 예시에 한정되는 것이 아니라 본 개시의 범주를 벗어나지 않는 범위 내에서 다양하게 변형, 재구성 및 대체될 수 있다. 예를 들어, 본원에 기술된 다양한 기술들은 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 조합에 의해 구현될 수 있다. 따라서, 본원에 따른 소프트웨어 안전성 분석을 위한 분석 머신의 특정한 양태나 부분은 범용 또는 전용 마이크로프로세서, 마이크로-컨트롤러 등에 의해 실행 가능한 하나 이상의 컴퓨터 프로그램으로 구현될 수 있다. 본 개시의 일 실시예에 따른 컴퓨터 프로그램은, 컴퓨터 프로세서 등에 의해 판독 가능한 저장 매체, 예컨대 EPROM, EEPROM, 플래시 메모리장치와 같은 비휘발성 메모리, 내장형 하드 디스크와 착탈식 디스크 같은 자기 디스크, 광자기 디스크, 및 CDROM 디스크 등을 포함한 다양한 유형의 저장 매체에 저장된 형태로 구현될 수 있다. 또한, 프로그램 코드(들)는 어셈블리어나 기계어로 구현될 수 있고, 전기 배선이나 케이블링, 광섬유, 또는 기타 임의의 다른 형태의 전송 매체를 통해 전송되는 형태로 구현될 수도 있다. As will be appreciated by those skilled in the art, the present disclosure is not limited to the examples described herein but may be variously modified, reconfigured and replaced without departing from the scope of the present disclosure. For example, the various techniques described herein may be implemented by hardware or software, or a combination of hardware and software. Thus, certain aspects or portions of an analysis machine for software safety analysis in accordance with the present disclosure may be implemented in one or more computer programs executable by a general purpose or dedicated microprocessor, micro-controller, or the like. A computer program according to an embodiment of the present disclosure may include a storage medium readable by a computer processor or the like, such as an EPROM, an EEPROM, a nonvolatile memory such as a flash memory device, a magnetic disk such as an internal hard disk and a removable disk, a magneto-optical disk, and It may be implemented in a form stored in various types of storage media, including a CDROM disk. Further, the program code (s) may be implemented in assembly or machine language, and may also be implemented in the form of transmission via electrical wiring or cabling, optical fiber, or any other form of transmission medium.
본 명세서에서는, 예시적인 실시예에 대해 다양한 도면를 참조하여 주로 기술했지만, 다른 유사한 실시예들이 이용될 수 있다. 본 개시의 진정한 사상 및 범주에 속하는 모든 변형 및 변경을 이하의 특허청구범위에 의해 모두 포괄하고자 한다.In the present specification, an exemplary embodiment has been mainly described with reference to various drawings, but other similar embodiments may be used. All modifications and changes that fall within the true spirit and scope of this disclosure are intended to be covered by the following claims.

Claims (13)

  1. 통신망을 통해 외부와 통신하는 축산 농가 관리 서버에 의해 수행되는 산유량 예측 방법으로서,An oil production forecasting method performed by a livestock farm management server communicating with the outside through a communication network,
    상기 통신망을 통하여, 기준 일자에서 소급하여 과거 p개월(p는 2 이상의 정수) 이전 일자부터 상기 기준 일자까지 누적된 n개(n은 2 이상의 정수)의 데이터 세트를 수신- 상기 n개의 데이터 세트의 각 데이터 세트는, 상기 과거 p개월 이전 일자와 상기 기준 일자 중간의 각 특정 일자를 기준으로 한, 관리 대상 소의 상태 정보 데이터, 상기 관리 대상 소의 영양 섭취 데이터, 및 주변 상태 데이터를 포함함 -하는 단계, 및Receive, through the network, n data sets accumulated from the date prior to the past p months (p is an integer of 2 or more) from the reference date back to the reference date (n is an integer of 2 or more)-of the n data sets. Each data set includes status information data of the managed cow, nutritional intake data of the managed cow, and ambient status data, based on each specific date between the past p months ago and the base date. , And
    제1 예측 모델을 기초로, 상기 수신된 데이터 세트를 적용하여, 상기 기준 일자부터 이후 q개월(q는 1 이상의 정수) 동안 상기 관리 대상 소에 대해 기대할 수 있는 우유 생산량을 예측하는 단계를 포함하고,Based on a first predictive model, applying the received data set to predict milk yield that can be expected for the managed cow for q months (q is an integer of 1 or more) from the base date; ,
    상기 관리 대상 소의 상태 정보 데이터는, 상기 관리 대상 소의 생년월일 또는 월령과, 상기 특정 일자에서의 산후 주차를 포함하고,The state information data of the cow to be managed includes the date of birth or month of birth of the cow to be managed and postpartum parking at the specific date;
    상기 관리 대상 소의 영양 섭취 데이터는, 상기 특정 일자에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함하며,The nutritional intake data of the cows to be managed includes daily dry matter intake, water intake, metabolic energy intake, metabolic protein intake, MET intake, LYS intake, calcium intake, and phosphorus intake on the specific date,
    상기 주변 상태 데이터는, 상기 특정 일자의 평균 기온 및 평균 습도 정보를 포함하는, The ambient state data includes average temperature and average humidity information of the specific date,
    산유량 예측 방법.Production flow forecasting method.
  2. 제1항에 있어서,The method of claim 1,
    상기 누적된 n개의 데이터 세트를 수신하는 단계는, Receiving the accumulated n data sets,
    상기 통신망을 통하여 통신 가능한 축산 농가 단말로부터, 상기 각 데이터 세트를 수신하는 단계, 및Receiving each data set from a livestock farm terminal capable of communicating through the communication network, and
    상기 수신된 각 데이터 세트를 누적하여 저장하는 단계를 포함하는, 산유량 예측 방법.Accumulating and storing each received data set.
  3. 제1항에 있어서,The method of claim 1,
    상기 제1 예측 모델은, LSTM(Long-Short-Term Memory) RNN(Recurrent Neural Network) 알고리즘에 따르며, 복수의 소 각각에 관한 복수의 산유량 데이터 세트를 이용한 훈련에 의해 생성된 것이고,The first prediction model is generated by training using a plurality of milk flow data sets for each of a plurality of cows according to a Long-Short-Term Memory (LSTM) Recurrent Neural Network (RNN) algorithm.
    각 대응 소에 관한 상기 복수의 산유량 데이터 세트는, 시계열상의 복수의 기준일 각각에서 획득된, 상기 대응 소의 상태 정보 데이터, 상기 대응 소의 영양 섭취 데이터, 주변 상태 데이터, 및 상기 기준일 이후 소정 기간 동안 누적된 상기 대응 소의 산유량 이력 데이터를 포함하며,The plurality of milk yield data sets for each corresponding cow are accumulated for a predetermined period of time after the reference date, the nutrition information of the corresponding cow, the nutritional intake data of the corresponding cow, and the state data of the corresponding cow obtained at each of a plurality of reference days on a time series. Includes oil production history data of the corresponding cattle,
    상기 대응 소의 상태 정보 데이터는, 상기 대응 소의 생년월일 또는 월령과, 상기 기준일에서의 산후 주차를 포함하고,The state information data of the corresponding cow includes the date of birth or month of birth of the corresponding cow, and postpartum parking at the reference day,
    상기 대응 소의 영양 섭취 데이터는, 상기 기준일에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함하며,The nutritional intake data of the corresponding cattle includes daily dry matter intake, water intake, metabolic energy intake, metabolic protein intake, MET intake, LYS intake, calcium intake, and phosphorus intake on the reference day,
    상기 주변 상태 데이터는, 상기 기준일의 평균 기온 및 평균 습도 정보를 포함하는, 산유량 예측 방법.The ambient state data includes the average temperature and average humidity information of the reference day, the oil quantity prediction method.
  4. 제3항에 있어서, The method of claim 3,
    상기 p 및 상기 q에 따라, 상기 LSTM RNN 알고리즘의 셀 개수가 조정되는, 산유량 예측 방법.And the number of cells of the LSTM RNN algorithm is adjusted according to the p and q.
  5. 제1항에 있어서,The method of claim 1,
    상기 통신망을 통해, 상기 통신망에 연결된 축산 농가 단말로부터, 상기 관리 대상 소에 관한 산유량 예측 요청을 수신하는 단계, 및Receiving, through the communication network, a production flow forecasting request for the management target cow from a livestock farm terminal connected to the communication network, and
    상기 관리 대상 소에 관하여, 상기 예측된 상기 우유 생산량을 상기 축산 농가 단말로 통지하는 단계를 포함하는, 산유량 예측 방법.And a step of notifying the livestock farm terminal of the predicted milk yield with respect to the management target cow.
  6. 통신망을 통해 외부와 통신하는 축산 농가 관리 서버에 의해 수행되는, 목표 산유량 달성을 위한 TMR 제안 방법으로서,A TMR proposal method for achieving a target oil flow rate, which is performed by a livestock farm management server communicating with the outside through a communication network,
    상기 통신망을 통하여 축산 농가 단말로부터, 기준 일자에서의 관리 대상 소의 상태 정보- 상기 관리 대상 소의 상태 정보는, 상기 관리 대상 소의 생년월일 또는 월령, 품종, 및 상기 기준 일자에서의 산후 주차를 포함함 -를 수신하는 단계,From the livestock farm terminal through the communication network, the status information of the management target cow on the reference date, wherein the status information of the management target cow includes the birth date or month of the management target cow, breed, and postpartum parking on the reference date. Receiving,
    상기 통신망을 통하여 외부로부터 주변 상태 정보- 상기 주변 상태 정보는 상기 기준 일자의 평균 기온 및 평균 습도 정보를 포함함 -를 수신하는 단계, Receiving ambient state information from the outside through the communication network, wherein the ambient state information includes average temperature and average humidity information of the reference date;
    상기 통신망을 통하여 상기 축산 농가 단말로부터, 목표 산유량 정보를 수신하는 단계, 및Receiving target milking flow rate information from the livestock farm terminal through the communication network, and
    제2 예측 모델을 기초로, 상기 관리 대상 소의 상태 정보, 상기 주변 상태 정보, 및 상기 목표 산유량 정보를 적용해서, 상기 목표 산유량을 달성하기 위한 영양 조성을 예측하는 단계- 상기 예측되는 영양 조성은, 목표 건물섭취량, 목표 수분섭취량, 목표 대사에너지 섭취량, 목표 대사단백질 섭취량, 목표 MET 섭취량, 목표 LYS 섭취량, 목표 칼슘 섭취량, 및 목표 인 섭취량을 포함함 -를 포함하는, 목표 산유량 달성을 위한 TMR 제안 방법.Predicting a nutrition composition for achieving the target milk yield by applying state information, the surrounding condition information, and the target milk yield information of the management target cow, based on a second prediction model, wherein the predicted nutrition composition is a target A method of suggesting a TMR to achieve a target milk yield, including building uptake, target water intake, target metabolic energy intake, target metabolic protein intake, target MET intake, target LYS intake, target calcium intake, and target phosphorus intake.
  7. 제6항에 있어서,The method of claim 6,
    상기 통신망을 통하여 상기 축산 농가 단말로부터, 상기 관리 대상 소에 관한, 상기 기준 일자에서의 일일 영양 섭취량- 상기 일일 영양 섭취량은, 상기 관리 대상 소의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함함 - 및 상기 기준 일자의 산유량 정보를 수신하는 단계를 더 포함하고,From the livestock farm terminal through the communication network, the daily nutritional intake on the reference date, the daily nutritional intake of the cow to be managed, the daily dry matter intake, water intake, metabolic energy intake, metabolic protein intake of the cow to be managed , Including MET intake, LYS intake, calcium intake, and phosphorus intake—and receiving milk yield information of the reference date;
    상기 목표 산유량을 달성하기 위한 영양 조성을 예측하는 단계는, 상기 제2 예측 모델을 기초로, 상기 관리 대상 소의 상태 정보, 상기 주변 상태 정보, 상기 목표 산유량 정보, 상기 관리 대상 소의 일일 영양 섭취량 및 상기 기준 일자의 산유량 정보를 적용해서, 상기 목표 산유량을 달성하기 위한 영양 조성을 예측하는 단계를 포함하는, 목표 산유량 달성을 위한 TMR 제안 방법.Predicting the nutritional composition for achieving the target milk yield, based on the second prediction model, the state information of the management target cow, the surrounding condition information, the target milk yield information, the daily nutritional intake of the management target cow and the reference Predicting a nutritional composition to achieve the target yield by applying the date of flow information of the date, TMR proposal method for achieving the target yield.
  8. 제6항에 있어서,The method of claim 6,
    상기 축산 농가 단말로부터 n개(n은 6 이상의 정수)의 사료 종류를 수신하는 단계,Receiving n feed types (n is an integer of 6 or more) from the livestock farm terminal,
    미리 준비된 사료 영양/단가표를 참조하여, 상기 수신된 n개의 사료 종류 중에서 선택된 소정 수의 사료를 이용한, 상기 예측된 영양 조성을 달성하기 위한 최소 비용의 사료 조합- 상기 사료 조합은, 상기 소정 수의 사료 종류와 각 사료 종류의 배합함량(%)을 포함함 -을 구성하는 단계, 및Minimum cost feed combination to achieve the predicted nutritional composition using a predetermined number of feeds selected from the n received feed types, with reference to a previously prepared feed nutrition / unit price table, wherein the feed combination is the predetermined number of feeds Comprising the type and the blending content (%) of each feed type, and
    상기 통신망을 통하여, 상기 구성된 사료 조합을, 상기 축산 농가 단말에 제공하는 단계를 포함하는, 목표 산유량 달성을 위한 TMR 제안 방법.Providing the configured feed combination to the livestock farm terminal through the communication network, TMR proposal method for achieving a target milk flow rate.
  9. 제6항에 있어서,The method of claim 6,
    상기 제2 예측 모델은, 복수의 소 각각에 관한 복수의 산유량 데이터 세트를 이용한 딥러닝 알고리즘에 따른 훈련에 의해 생성된 모델이고, The second predictive model is a model generated by training according to a deep learning algorithm using a plurality of flow rate data sets for each of a plurality of cattle,
    상기 복수의 산유량 데이터 세트 각각은, 특정 일자를 기준으로 한 각 대응 소의 상태 정보, 주변 상태 정보, 상기 대응 소의 영양 섭취량, 및 상기 대응 소의 산유량 정보를 포함하고,Each of the plurality of milk flow rate data sets includes state information of each corresponding cow based on a specific date, surrounding state information, nutritional intake amount of the corresponding cow, and milk yield information of the corresponding cow,
    상기 대응 소의 상태 정보는, 상기 대응 소의 생년월일 또는 월령과, 상기 특정 일자에서의 산후 주차를 포함하고,The state information of the corresponding cow includes the date of birth or month of birth of the corresponding cow, and postpartum parking at the specific date.
    상기 대응 소의 영양 섭취량은, 상기 특정 일자에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함하며,The nutrient intake of the corresponding cattle includes daily dry matter intake, water intake, metabolic energy intake, metabolic protein intake, MET intake, LYS intake, calcium intake, and phosphorus intake on the specific date,
    상기 주변 상태 정보는, 상기 특정 일자의 평균 기온 및 평균 습도 정보를 포함하는, 목표 산유량 달성을 위한 TMR 제안 방법.The ambient state information, the average temperature and average humidity information of the specific date, TMR proposal method for achieving a target oil flow rate.
  10. 통신망을 통해 외부와 통신하는 축산 농가 관리 서버에 의해 수행되는 최대 산유량 달성을 위한 TMR 제안 방법으로서,As a method of suggesting a TMR for achieving a maximum oil production performed by a livestock farm management server communicating with the outside through a communication network,
    상기 통신망을 통하여 상기 축산 농가 단말로부터, 기준 일자에서의 관리 대상 소의 상태 정보- 상기 관리 대상 소의 상태 정보는, 상기 관리 대상 소의 생년월일 또는 월령, 품종, 및 상기 기준 일자에서의 산후 주차를 포함함 -를 수신하는 단계,Status information of the cow to be managed on a reference date from the livestock farm terminal through the communication network, wherein the status information of the cow to be managed includes a birth date or month of age of the cow to be managed, a breed, and postpartum parking on the reference date; Receiving the,
    상기 통신망을 통하여 외부로부터 주변 상태 정보- 상기 주변 상태 정보는 상기 기준 일자의 평균 기온 및 평균 습도 정보를 포함함 -를 수신하는 단계, Receiving ambient state information from the outside through the communication network, wherein the ambient state information includes average temperature and average humidity information of the reference date;
    상기 통신망을 통하여 상기 축산 농가 단말로부터, 목표 비용 정보를 수신하는 단계, 및Receiving target cost information from the livestock farm terminal through the communication network, and
    제3 예측 모델을 기초로, 상기 관리 대상 소의 상태 정보, 상기 주변 상태 정보, 및 상기 목표 비용 정보를 적용해서, 상기 목표 비용 범위 내에서 달성 가능한 최대 산유량 및 상기 최대 산유량 달성을 위한 영양 조성을 예측하는 단계- 상기 예측되는 영양 조성은, 목표 건물섭취량, 목표 수분섭취량, 목표 대사에너지 섭취량, 목표 대사단백질 섭취량, 목표 MET 섭취량, 목표 LYS 섭취량, 목표 칼슘 섭취량, 및 목표 인 섭취량을 포함함 -를 포함하는, On the basis of a third prediction model, by applying the state information, the surrounding state information, and the target cost information of the management target cow, to predict the maximum oil yield that can be achieved within the target cost range and the nutritional composition for achieving the maximum oil yield Step-the predicted nutritional composition includes a target dry matter intake, a target water intake, a target metabolic energy intake, a target metabolic protein intake, a target MET intake, a target LYS intake, a target calcium intake, and a target phosphorus intake ,
    최대 산유량 달성을 위한 TMR 제안 방법.TMR proposal method for achieving maximum oil flow rate.
  11. 제10항에 있어서,The method of claim 10,
    상기 통신망을 통하여 상기 축산 농가 단말로부터, 상기 관리 대상 소에 관한, 상기 기준 일자에서의 일일 영양 섭취량- 상기 일일 영양 섭취량은, 상기 관리 대상 소의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함함 - 및 상기 기준 일자에서의 산유량 정보를 수신하는 단계를 더 포함하고,From the livestock farm terminal through the communication network, the daily nutritional intake on the reference date, the daily nutritional intake of the cow to be managed, the daily dry matter intake, water intake, metabolic energy intake, metabolic protein intake of the cow to be managed , Including MET intake, LYS intake, calcium intake, and phosphorus intake—and receiving milk yield information at the reference date,
    상기 목표 비용 범위 내에서 달성 가능한 최대 산유량 및 상기 최대 산유량 달성을 위한 영양 조성을 예측하는 단계는, 상기 제3 예측 모델을 기초로, 상기 관리 대상 소의 상태 정보, 상기 주변 상태 정보, 상기 목표 비용 정보, 상기 관리 대상 소의 일일 영양 섭취량 및 상기 기준 일자의 산유량 정보를 적용해서, 상기 최대 산유량 및 상기 최대 산유량 달성을 위한 영양 조성을 예측하는 단계를 포함하는, 최대 산유량 달성을 위한 TMR 제안 방법.The step of predicting the maximum amount of oil that can be achieved within the target cost range and the nutritional composition for achieving the maximum amount of oil production is based on the third predictive model, the status information of the management cow, the surrounding condition information, the target cost information, Predicting the maximum yield and the nutritional composition for achieving the maximum yield by applying the daily nutritional intake of the cow and the reference date of the management target cow, the TMR proposal method for achieving the maximum yield.
  12. 제10항에 있어서,The method of claim 10,
    상기 축산 농가 단말로부터 n개(n은 6 이상의 정수)의 사료 종류를 수신하는 단계,Receiving n feed types (n is an integer of 6 or more) from the livestock farm terminal,
    미리 준비된 사료 영양/단가표를 참조하여, 상기 수신된 n개의 사료 종류 중에서 선택된 소정 수의 사료를 이용한, 상기 예측된 영양 조성을 달성하기 위한 최소 비용의 사료 조합- 상기 사료 조합은, 상기 소정 수의 사료 종류와 각 사료 종류의 배합함량(%)을 포함함 -을 구성하는 단계, 및Minimum cost feed combination to achieve the predicted nutritional composition, using a predetermined number of feeds selected from the n received feed types, with reference to a previously prepared feed nutrition / unit price table, wherein the feed combination is the predetermined number of feeds Comprising the type and the blending content (%) of each feed type, and
    상기 통신망을 통하여, 상기 구성된 사료 조합을, 상기 축산 농가 단말에 제공하는 단계를 포함하는, 최대 산유량 달성을 위한 TMR 제안 방법.Providing the configured feed combination, through the communication network to the livestock farm terminal, TMR proposal method for achieving the maximum milk flow rate.
  13. 제10항에 있어서,The method of claim 10,
    상기 제3 예측 모델은, 복수의 소 각각에 관한 복수의 산유량 데이터 세트를 이용한 딥러닝 알고리즘에 따른 훈련에 의해 생성된 모델이고, The third prediction model is a model generated by training according to a deep learning algorithm using a plurality of oil flow data sets for each of a plurality of cattle,
    상기 복수의 산유량 데이터 세트 각각은, 특정 일자를 기준으로 한 각 대응 소의 상태 정보, 주변 상태 정보, 상기 대응 소의 영양 섭취량, 및 상기 대응 소의 산유량 정보를 포함하고,Each of the plurality of milk flow rate data sets includes state information of each corresponding cow based on a specific date, surrounding state information, nutritional intake amount of the corresponding cow, and milk yield information of the corresponding cow,
    상기 대응 소의 상태 정보는, 상기 대응 소의 생년월일 또는 월령과, 상기 특정 일자에서의 산후 주차를 포함하고,The state information of the corresponding cow includes the date of birth or month of birth of the corresponding cow, and postpartum parking at the specific date.
    상기 대응 소의 영양 섭취량은, 상기 특정 일자에서의 일일 건물섭취량, 수분섭취량, 대사에너지 섭취량, 대사단백질 섭취량, MET 섭취량, LYS 섭취량, 칼슘 섭취량, 및 인 섭취량을 포함하며,The nutrient intake of the corresponding cattle includes daily dry matter intake, water intake, metabolic energy intake, metabolic protein intake, MET intake, LYS intake, calcium intake, and phosphorus intake on the specific date,
    상기 주변 상태 데이터는, 상기 특정 일자의 평균 기온 및 평균 습도 정보를 포함하는, 최대 산유량 달성을 위한 TMR 제안 방법.The ambient state data, the average temperature and average humidity information of the specific date, TMR proposal method for achieving the maximum oil flow rate.
PCT/KR2019/005509 2018-05-08 2019-05-08 Method for predicting milk yields, tmr nutrient composition to achieve target milk yields, and tmr nutrient composition to achieve target cost, on basis of deep learning-based prediction models WO2019216647A1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR20180052297 2018-05-08
KR10-2018-0052297 2018-05-08

Publications (1)

Publication Number Publication Date
WO2019216647A1 true WO2019216647A1 (en) 2019-11-14

Family

ID=68467388

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/005509 WO2019216647A1 (en) 2018-05-08 2019-05-08 Method for predicting milk yields, tmr nutrient composition to achieve target milk yields, and tmr nutrient composition to achieve target cost, on basis of deep learning-based prediction models

Country Status (2)

Country Link
KR (1) KR102251643B1 (en)
WO (1) WO2019216647A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111102669A (en) * 2019-12-31 2020-05-05 珠海格力电器股份有限公司 Air conditioning system with multiple refrigerant loops and control method and device thereof

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060036419A1 (en) * 2004-07-29 2006-02-16 Can Technologies, Inc. System and method for animal production optimization
KR100673506B1 (en) * 2006-05-11 2007-01-25 (주)바리오 A server for managing quality of milk and cow and a computer readable medium storing a program for the same
US20100170445A1 (en) * 2007-06-03 2010-07-08 Maasland N.V. Method of and device for managing a group of dairy animals, as well as a computer program product therefor
US20140116341A1 (en) * 2012-10-26 2014-05-01 Farmeron, Inc. Method for managing dairy production
US20170231199A1 (en) * 2015-11-05 2017-08-17 N.V. Nederlandsche Apparatenfabriek Nedap Method of monitoring the physical condition and/or suitability of animal feed of ruminant animals

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060036419A1 (en) * 2004-07-29 2006-02-16 Can Technologies, Inc. System and method for animal production optimization
KR100673506B1 (en) * 2006-05-11 2007-01-25 (주)바리오 A server for managing quality of milk and cow and a computer readable medium storing a program for the same
US20100170445A1 (en) * 2007-06-03 2010-07-08 Maasland N.V. Method of and device for managing a group of dairy animals, as well as a computer program product therefor
US20140116341A1 (en) * 2012-10-26 2014-05-01 Farmeron, Inc. Method for managing dairy production
US20170231199A1 (en) * 2015-11-05 2017-08-17 N.V. Nederlandsche Apparatenfabriek Nedap Method of monitoring the physical condition and/or suitability of animal feed of ruminant animals

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111102669A (en) * 2019-12-31 2020-05-05 珠海格力电器股份有限公司 Air conditioning system with multiple refrigerant loops and control method and device thereof

Also Published As

Publication number Publication date
KR102251643B1 (en) 2021-05-14
KR20190128588A (en) 2019-11-18

Similar Documents

Publication Publication Date Title
VandeHaar et al. Harnessing the genetics of the modern dairy cow to continue improvements in feed efficiency
Morehouse et al. Sex in a material world: why the study of sexual reproduction and sex‐specific traits should become more nutritionally‐explicit
Giraldeau et al. Food exploitation: searching for the optimal joining policy
Knap Breeding robust pigs
Tibbetts et al. Rearing conditions influence quality signals but not individual identity signals in Polistes wasps
Carabaño et al. Selecting for heat tolerance
CN102223453B (en) High performance queueless contact center
MX2007001081A (en) System and method for optimizing animal production.
WO2019216647A1 (en) Method for predicting milk yields, tmr nutrient composition to achieve target milk yields, and tmr nutrient composition to achieve target cost, on basis of deep learning-based prediction models
Cook et al. Seasonality directs contrasting food collection behavior and nutrient regulation strategies in ants
CN104462738A (en) Method, device and system for labeling medical images
House et al. Macronutrient balance mediates the growth of sexually selected weapons but not genitalia in male broad‐horned beetles
Halachmi Simulating the hierarchical order and cow queue length in an automatic milking system
CN103823437A (en) Aquaculture intelligent control system with portable monitoring device
CN102300011A (en) Automated mechanism for populating and maintaining data structures in queueless contact center
Russo et al. Lévy processes and stochastic von Bertalanffy models of growth, with application to fish population analysis
Daigle et al. Moving GIS research indoors: Spatiotemporal analysis of agricultural animals
CN108292385A (en) Genome-based technologies for agricultural production and performance management
Kapheim et al. Juvenile hormone, but not nutrition or social cues, affects reproductive maturation in solitary alkali bees (Nomia melanderi)
Helm et al. The geometric framework for nutrition reveals interactions between protein and carbohydrate during larval growth in honey bees
Francis et al. Nutritional complexity and the structure of bee foraging bouts
Lunghi et al. What shapes the trophic niche of European plethodontid salamanders?
De Marco How bees tune their dancing according to their colony's nectar influx: re-examining the role of the food-receivers'eagerness'
EP3255551A1 (en) Information processing apparatus, information processing method, and information processing system
Reynoso-Campos et al. Predicting nutritional requirements and lactation performance of dual-purpose cows using a dynamic model

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19799875

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19799875

Country of ref document: EP

Kind code of ref document: A1