KR102425522B1 - 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법 - Google Patents
영상정보를 분석하여 가축 방역 경계선을 설정하는 방법 Download PDFInfo
- Publication number
- KR102425522B1 KR102425522B1 KR1020190157406A KR20190157406A KR102425522B1 KR 102425522 B1 KR102425522 B1 KR 102425522B1 KR 1020190157406 A KR1020190157406 A KR 1020190157406A KR 20190157406 A KR20190157406 A KR 20190157406A KR 102425522 B1 KR102425522 B1 KR 102425522B1
- Authority
- KR
- South Korea
- Prior art keywords
- livestock
- disease
- information
- time
- image information
- Prior art date
Links
- 244000144972 livestock Species 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 title description 21
- 230000002265 prevention Effects 0.000 title description 4
- 201000010099 disease Diseases 0.000 claims abstract description 119
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 119
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 208000024891 symptom Diseases 0.000 claims description 43
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 208000035473 Communicable disease Diseases 0.000 claims description 17
- 208000015181 infectious disease Diseases 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 12
- 230000008673 vomiting Effects 0.000 claims description 10
- 206010047700 Vomiting Diseases 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000007480 spreading Effects 0.000 claims description 5
- 238000003892 spreading Methods 0.000 claims description 5
- 210000004916 vomit Anatomy 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 210000003608 fece Anatomy 0.000 claims 1
- 238000004891 communication Methods 0.000 description 25
- 230000036544 posture Effects 0.000 description 16
- 238000003860 storage Methods 0.000 description 9
- 241000282887 Suidae Species 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 241000282898 Sus scrofa Species 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 235000015278 beef Nutrition 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 206010012735 Diarrhoea Diseases 0.000 description 2
- 208000007212 Foot-and-Mouth Disease Diseases 0.000 description 2
- 241000710198 Foot-and-mouth disease virus Species 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 231100001261 hazardous Toxicity 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000007918 intramuscular administration Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000029142 excretion Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 230000007775 late Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 230000000276 sedentary effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 229940126585 therapeutic drug Drugs 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 개시의 일 특징에 의하면, 컴퓨터 시스템 상에서 수행되는, 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법이 제공된다. 전술한 방법은 기준 축사에서 질병이 발명한 경우 GIS 정보를 반영하여 주변 축사로의 전염 속도 데이터를 기초로 시계열 예측 기계학습 기법을 사용하여 질병 확산 가능성 예측 모델을 생성하는 단계; 영상정보를 분석하여 특정 축사의 가축의 질병 발생여부를 판별하는 단계; 질병이 발생한 경우, 해당 축사의 정보, 질병이 발생한 가축의 정보, 질병 정보를 시간에 따라 저장하여 입력 데이터를 생성하는 단계 - 상기 질병 정보는 질병명, 전염성, 비전염성, 전염성의 정도를 포함함 - ; 및 상기 입력 데이터를 기초로 상기 질병 확산 가능성 예측 모델에 따라 질병 확산 가능성을 예측하는 단계; 를 포함할 수 있다.
Description
본 개시는 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법에 관한 것이다.
가축에게 발생하는 전염병·계절·지역을 비롯하여 품종·연령·저항성 등에 따라 발생에 차이가 있다. 축산업의 발달에 따라 예방약과 치료약이 많이 개발되었으나 치료가 어렵고 사망률이 높기 때문에 병의 예방에 주력해야 하고 일단 발병하면 그 전파방지에 노력해야 한다.
병원체로는 세균·바이러스·곰팡이·리케차 및 여러 종류의 원생충(原生蟲)이 있으며 그 종류에 따라 전염경로·치료방법 및 예방법이 다르다. 세계 각국에서는 가축전염병의 발생 및 확대를 막기 위해 법으로 지정하여 예방하고 있다. 특히 한국에서는 <가축전염병 예방법>을 제정하여 1종 29가지, 2종 12가지의 가축전염병을 법정전염병으로 지정하고 있다.
최근 죽거나 병든 가축의 신고의무자 확대하여 검사결과 가축전염병으로 확인된 경우에는 가축의 소유자 또는 관리자에게도 신고의무를 부과함으로써 신속한 신고를 유도하여 전염병의 확산을 방지할 수 있도록 하였다. 죽거나 병든 가축의 검사결과 전염병으로 확인된 경우에도 수의사는 의뢰자와 상의하여 가축방역기관에 신고하지 아니하는 경우가 종종 발생하고 있는데 이를 방지하기 위함이다.
한편, 제한된 토지면적으로 인하여 가축 밀도가 큰 폭으로 증대되었고 생산의 규모화가 실현되는 등 가축사육의 구조변화가 이루어졌으나, 소규모 생산 농가는 여전히 수적으로 중요한 위치를 차지하며, 소규모 생산 농가의 생산자들은 고령에다 상대적으로 교육수준이 낮아 바이오 안전성(biosecurity)에 관한 관심이 높지 않은 성향을 보인다.
또한, 가축의 질병 발병 여부는 주로 생산자 본인이 가지고 있는 지식을 기반으로 눈으로 보고 확인한 후 신고하는 절차로 진행되기 때문에 생산자가 발견하지 못하면 늦은 대처를 해야 하는 상황이 발생하는 문제점이 있다.
따라서, 질병이 발생한 지역에 대한 정보의 부족으로 인하여 감염 경로를 파악하거나 예측하는데 어려움이 발생하며 이를 해결할 필요가 있다.
또한, 생산자의 지식이나 경험에 의존하지 않고 가축질병 상황을 확인할 수 있는 방법 및 시스템의 제공이 필요하다.
또한, 대가축의 전염성 질병이 발병한 경우, 살처분의 범위와 방역 경계선의 설정 등을 시스템화할 필요가 있다.
본 개시의 일 특징에 의하면, 컴퓨터 시스템 상에서 수행되는, 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법이 제공된다. 전술한 방법은 기준 축사에서 질병이 발명한 경우 GIS 정보를 반영하여 주변 축사로의 전염 속도 데이터를 기초로 시계열 예측 기계학습 기법을 사용하여 질병 확산 가능성 예측 모델을 생성하는 단계; 영상정보를 분석하여 특정 축사의 가축의 질병 발생여부를 판별하는 단계; 질병이 발생한 경우, 해당 축사의 정보, 질병이 발생한 가축의 정보, 질병 정보를 시간에 따라 저장하여 입력 데이터를 생성하는 단계 - 상기 질병 정보는 질병명, 전염성, 비전염성, 전염성의 정도를 포함함 - ; 및 상기 입력 데이터를 기초로 상기 질병 확산 가능성 예측 모델에 따라 질병 확산 가능성을 예측하는 단계; 를 포함할 수 있다.
일 실시예에서, 상기 방법은 질병 확산 가능성 예측 결과에 따라, 상기 해당 축사와 다른 축사의 GIS 정보에 따라 다른 축사를 소정의 카테고리로 분류하고, 동일한 카테고리에 속한 축사를 연결하여 경계선을 설정하는 단계를 더 포함할 수 있다.
일 실시예에서, 영상정보를 분석하여 특정 축사의 가축의 질병 발생 여부를 판별하는 단계는 농가에 설치된 CCTV로부터 수신한 영상정보를 분석하여 가축의 자세를 판단하는 단계 - 상기 가축의 자세는 앉아 있는 자세, 누워 있는 자세 및 서 있는 자세를 포함함 -; 농가에 설치된 CCTV로부터 수신한 영상정보를 분석하여 상기 가축의 구토여부를 판단하는 단계; 상기 가축의 자세, 상기 가축의 구토여부, 상기 가축의 자세가 유지되는지 여부를 기록한 제1 시계열적 데이터를 생성하는 단계; 상기 가축이 소정의 자세를 보이거나 구토한 경우 이상징후로 판단하는 단계; 상기 이상징후로 판단하는 경우, 이상징후 발견 시간과 이상징후 지속 시간을 제2 시계열적 데이터로 생성하는 단계; 상기 제2 시계열적 데이터를 기초로 시간에 따른 이상징후 횟수와 시간에 따른 이상징후 지속시간을 각각 2차원 데이터로 생성하는 단계; 및 상기 2차원 데이터의 패턴을 분석하여 질병 발생 여부를 판단하는 단계; 를 포함할 수 있다.
일 실시예에서, 질병 확산 가능성 예측 모델을 생성하는 단계는 기준 축사의 위치 정보, 이상징후 심각도, 질병 심각도 정보의 시간순 데이터를 입력받고, 다음 단위 시간에 주변 축사로 전염성 질병의 확산 가능성 확률을 구하도록 학습하는 단계를 포함할 수 있다.
일 실시예에서, 동일한 카테고리에 속한 축사를 연결하여 경계선을 설정하는 단계는 각 경계선으로 구분되는 지역을 서로 다른 색으로 시각적으로 표시하는 단계를 더 포함할 수 있다.
일 실시예에서, 전술한 방법은 상기 해당 축사의 위치 정보, 이상징후 심각도, 질병 심각도 정보의 시간순 데이터를 기초로 시간에 따라 심각도의 변화 정도를 시각적으로 확인할 수 있는 UI를 제공하는 단계를 더 포함할 수 있다.
본 개시의 다른 특징에 의하면, 컴퓨터에 의해 실행 가능한, 하나 이상의 컴퓨터 판독가능 명령이 수록된 컴퓨터 판독가능 기록매체로서, 상기 하나 이상의 컴퓨터 판독가능 명령은, 상기 컴퓨터에 의해 실행될 경우, 상기 컴퓨터로 하여금, 전술한 방법들 어느 하나의 방법을 수행하게 하는, 컴퓨터 판독가능 기록매체가 제공된다.
본 개시에 따르면 질병이 의심되는 가축을 조기에 발견하고 빠르게 확인하여 대처할 수 있는 방역 시스템을 제공할 수 있다.
본 개시에 따르면 CCTV 영상 등 시각정보를 활용하여 인공지능 기술 기반 가축의 질병 상태를 인식하고 그에 따른 방역 경계선을 설정하는 시스템을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 가축 방역 관리 시스템(100)의 전체 구성을 개략적으로 도시한 도면이다.
도 2는 도 1의 방역 관리 서버(140)의 예시적 기능 구성을 도시한 기능 블록도이다.
도 3은 도 1의 방역 관리 서버(140)에서 생성하는 예시적 데이터의 형식을 도시하는 도면이다.
도 4a 및 4b는 본 개시의 일 실시예에 따라 도 3의 데이터를 기초로 이상징후를 패턴화한 그래프이다.
도 5는 본 개시의 일 실시예에 따라 방역 경계선을 설정하는 지도를 도시하는 도면이다.
도 2는 도 1의 방역 관리 서버(140)의 예시적 기능 구성을 도시한 기능 블록도이다.
도 3은 도 1의 방역 관리 서버(140)에서 생성하는 예시적 데이터의 형식을 도시하는 도면이다.
도 4a 및 4b는 본 개시의 일 실시예에 따라 도 3의 데이터를 기초로 이상징후를 패턴화한 그래프이다.
도 5는 본 개시의 일 실시예에 따라 방역 경계선을 설정하는 지도를 도시하는 도면이다.
이하, 첨부 도면을 참조하여 본 개시의 실시예에 관하여 상세히 설명한다. 이하에서는, 본 개시의 요지를 불필요하게 흐릴 우려가 있다고 판단되는 경우, 이미 공지된 기능 및 구성에 관한 구체적인 설명을 생략한다. 또한, 이하에서 설명하는 내용은 어디까지나 본 개시의 일 실시예에 관한 것일 뿐 본 개시가 이로써 제한되는 것은 아님을 알아야 한다.
본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 개시를 한정하려는 의도에서 사용된 것이 아니다. 예를 들면, 단수로 표현된 구성요소는 문맥상 명백하게 단수만을 의미하지 않는다면 복수의 구성요소를 포함하는 개념으로 이해되어야 한다. 또한, 본 개시의 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐이고, 이러한 용어의 사용에 의해 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하려는 것은 아니다.
본 명세서에 기재된 실시예에 있어서 '블록' 또는 '부'는 적어도 하나의 기능이나 동작을 수행하는 기능적 부분을 의미하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '블록' 또는 '부'는, 특정한 하드웨어로 구현될 필요가 있는 '블록' 또는 '부'를 제외하고는, 적어도 하나의 소프트웨어 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
덧붙여, 달리 정의되지 않는 한 기술적 또는 과학적인 용어를 포함하여, 본 명세서에서 사용되는 모든 용어들은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의된 용어들은, 관련 기술의 문맥상 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 개시의 명세서에서 명백하게 달리 정의하지 않는 한 과도하게 제한 또는 확장하여 해석되지 않는다는 점을 알아야 한다.
이하, 첨부된 도면을 참조하여, 본 개시의 실시예에 대해 구체적으로 설명하기로 한다.
도 1은 본 개시의 일 실시예에 따른, 가축 방역 관리 시스템(100)의 전체 구성을 개략적으로 도시한 도면이다. 도시된 바에 의하면, 가축 방역 관리 시스템(100)은, 축산 농가 단말(110), 복수 개의 카메라(120a, 120b, ..., 120n), 통신망(130), 통신망(130)을 통해 복수 개의 카메라(120a, 120b, ..., 120n) 및 축산 농가 단말(110)에 연결된 방역 관리 서버(140)를 포함한다.
본 개시의 일 실시예에 의하면, 축산 농가 단말(110)은, 축산 농가 관리자를 위한 단말로서, 유선 또는 무선 통신 기능을 구비한 임의의 사용자 전자 장치일 수 있다. 축산 농가 단말(110)은, 예컨대 스마트 폰, 태블릿 PC, 데스크탑, 랩탑, PDA, 디지털 TV, 셋탑박스 등을 포함한 다양한 유선 또는 무선 통신 단말일 수 있으며, 특정 형태로 제한되지 않음을 알아야 한다. 본 도면에서는, 하나의 축산 농가 단말(110) 만이 도시되어 있으나, 본 개시가 이로써 제한되는 것은 아니다.
본 개시의 일 실시예에 의하면, 농가 관리자는, 축산 농가 단말(110)을 통해, 해당 농가에서 관리하는 가축의 관련 정보를 입력 및 저장/관리할 수 있다. 본 개시의 일 실시예에 의하면, 농가 관리자는, 예컨대 축산 농가 단말(110) 상에서, 해당 농가에서 관리하는 가축에 관한 복수의 이미지(예컨대, 측면 및 후면 이미지 등) 데이터를 입력할 수 있다. 본 개시의 일 실시예에 의하면, 농가 관리자는, 예컨대 축산 농가 단말(110) 상에서, 해당 농가에서 관리하는 가축에 관한 복수의 생체 특징 데이터, 예컨대 가축의 월령, 품종, 임신 상태, 및 성별 정보 등(그러나 이로써 제한되는 것은 아님)을 입력할 수 있다. 본 개시의 일 실시예에 의하면, 농가 관리자는, 예컨대 축산 농가 단말(110) 상에서, 해당 농가에서 관리하는 가축에 관한 복수의 유전 정보 데이터, 예컨대 가축의 부 유전능력 냉도체중, 부 유전능력 배최장근단면적, 부 유전능력 등지방두께, 부 유전능력 근내지방도, 모 유전능력 냉도체중, 모 유전능력 배최장근단면적, 모 유전능력 등지방두께, 및 모 유전능력 근내지방도 등(그러나 이로써 제한되는 것은 아님)을 입력할 수 있다.
본 개시의 다른 실시예에 의하면, 축산 농가 단말(110)은, 통신망(130)을 통하여 외부의 별도 데이터베이스(구체적으로 도시되지 않았음)로부터, 해당 농가에서 관리하는 가축의 생체 특징 정보 및 유전 정보 등을 획득할 수 있다. 예컨대, 한우의 경우, 정부나 지자체에서 관리하는 한우 데이터베이스가 있는데, 본 개시의 일 실시예에 의하면, 한우 축산 농가의 농가 관리자는, 축산 농가 단말(110)을 이용해서, 외부의 한우 데이터베이스로부터 자신의 농가의 각 소에 관한 필요한 정보를 가져올 수 있다(그러나 본 개시가 이로써 제한되는 것은 아니다).
본 개시의 일 실시예에 의하면, 축산 농가 단말(110)은, 통신망(130)을 통해서, 방역 관리 서버(140)와 통신, 즉 필요한 정보를 송수신할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(110)은, 통신망(130)을 통해, 해당 농가에서 관리하는 가축에 관련된 정보, 예컨대 가축의 이미지 정보, 생체 특징 정보, 유전 정보 등의 각종 정보를 방역 관리 서버(140)로 전송할 수 있고, 방역 관리 서버(140)로부터 해당 가축에 관한 정보, 예컨대 질병 발생 유무, 체성분 값 예측 정보, 등급 예측 정보, 및 시계열적 등급 변동 예측 정보 등을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 축산 농가 단말(110)은, 방역 관리 서버(140)로부터 수신된 각종 정보들을 디스플레이를 통해 표시할 수 있다.
본 개시의 일 실시예에 의하면, 카메라(120a, 120b, ..., 120n)는 축산 농가에서 관리하는 가축의 모습을 촬영하기 위한 것으로서 유선 또는 무선 통신 기능을 구비한 이미지 촬영 카메라, 동영상 촬영 카메라, CCTV 카메라 등 임의의 전자 장치일 수 있다.
본 개시의 일 실시예에 의하면, 카메라(120a, 120b, ..., 120n)는 가축 자체의 이미지, 가축의 걸음 걸이 영상, 수면 영상, 움직임 영상, 섭취한 사료의 양, 견좌 자세 영상, 배설 영상, 토사물 영상, 축사의 청소 상태 등을 촬영할 수 있다. 본 도면에 도시된 바에 의하면, 가축 방역 관리 시스템(100)은, 두 개의 카메라(120a, 120b)를 갖는 것으로 도시되어 있으나 본 개시가 이로써 제한되는 것은 아니다.
본 개시의 일 실시예에 의하면, 통신망(130)은, 임의의 유선 또는 무선 통신망, 예컨대 TCP/IP 통신망을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 통신망(130)은, 예컨대 Wi-Fi망, LAN망, WAN망, 인터넷망 등을 포함할 수 있으며, 본 발명이 이로써 제한되는 것은 아니다. 본 개시의 일 실시예에 의하면, 통신망(130)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.
본 개시의 일 실시예에 의하면, 방역 관리 서버(140)는, 통신망(130)을 통하여 카메라(120a, 120b, ..., 120n)로부터 영상 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 방역 관리 서버(140)는, 통신망(130)을 통하여, 축산 농가 단말(110)과 필요한 정보를 송수신할 수 있다.
본 개시의 일 실시예에 의하면, 방역 관리 서버(140)는, 가축에 관한 이미지 데이터 및 생체 특징 정보를 축산 농가 단말(110)로부터 수신할 수 있다. 본 개시의 일 실시예에 의하면, 방역 관리 서버(140)는, 수신된 이미지 데이터 및 생체 특징 정보에 기초하여 해당 가축의 건강 여부를 예측할 수 있다.
본 개시의 일 실시예에 의하면, 방역 관리 서버(140)는, 축산 농가 단말(110)로부터 수신된 가축에 관한 이미지 데이터, 생체 특징 데이터, 및 유전 정보와, 이상징후 판단 모델을 통해 해당 가축의 질병 발생 여부을 판단할 수 있다.
본 개시의 일 실시예에 의하면, 방역 관리 서버(140)는, 축산 농가 단말(110) 또는 카메라(120a, 120b, .. 120n)로부터 수집된 데이터를 기초로 시계열 예측 기계학습 기법을 이용하여 가축 질병 경계선을 설정할 수 있다.
도 2는 도 1의 방역 관리 서버(140)의 예시적 기능 구성을 도시한 기능 블록도이다.
도시된 바에 의하면, 방역 관리 서버(140)는, 통신부(210), 이상징후 판단부(220), 질병패턴 학습부(230), 저장부(240), 질병현황 분석부(250) 를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 통신부(210)는, 방역 관리 서버(140)가, 통신망(140)을 통해 외부와 통신할 수 있도록 지원할 수 있다. 본 개시의 일 실시예에 의하면, 통신부(210)는, 소정의 프로토콜에 따라 통신망(140)으로부터 데이터를 수신할 수 있고, 통신망(140)을 통하여 방역 관리 서버(140)로부터 외부로 데이터가 전송되도록 필요한 절차를 수행할 수 있다.
본 개시의 일 실시예에 의하면, 이상징후 판단부(220)는 예컨대 가축의 이미지 정보를 분석하여 가축에게 이상징후가 있는지 여부를 판단할 수 있다. 본 개시의 일 실시예에 의하면, 이상징후 판단부(220)는 가축 이미지 정보를 분석하여 가축의 자세를 인식할 수 있다. 일 실시예에서, 이상징후 판단부(220)는 돼지의 경우 모돈의 이미지 정보를 분석하여 앉아 있는 돼지, 누워 있는 돼지, 서 있는 돼지, 겹쳐 있는 돼지, 일부만 보이는 돼지 및 인식 못한 돼지 등으로 분류하고, 예컨대 앉아 있는 돼지를 발견하면 이상징후라고 인식할 수 있다. 본 개시의 일 실시예에 의하면, 이상징후 판단부(220)는 수신한 이미지 정보를 분석하여 가축의 토사물이 존재하는지 가축의 배설물의 형태가 정상 범위에 포함되는지 등을 인식할 수 있다. 본 기술분야의 당업자는 가축 이미지의 인식, 예컨대 모돈의 견좌자세의 경우 견좌자세 모돈 인식 이미지 데이터셋 활용하여 클라우드 기반 기계학습 알고리즘을 적용할 수 있고 특히 기존의 YOLO v3 및 다양한 클래스 구분 기계학습 알고리즘 및 그 변형을 적용하여 구현가능하다는 것을 잘 알고 있으므로 가축 이미지 정보 분석에 대한 상세한 설명은 이하 생략하기로 한다.
도 3은 도 1의 방역 관리 서버(140)에서 수집하는 예시적 데이터의 형식을 도시하는 도면이다.
본 개시의 일 실시예에 의하면, 이상징후 판단부(220)는 이상징후 발견 횟수와 이상징후의 지속 시간을 시계열적 데이터로 생성할 수 있다.
이상징후 판단부(220)는 일정한 시간 간격으로 촬영된 이미지를 분석하여 그 결과를 식별자(ID), 가축 아이디(Pig ID), 인식 시간(Recognition Time), 지속여부(continous), 인식 형태(Recognition Type) 항목 등을 포함하여 저장할 수 있다.
도 3에 도시된 바와 같이, 가축 아이디 '55-76'을 가지는 가축은 '2019-10-01 0:00' 부터 '2019-10-01 1:40' 까지 1시간 40분 동안 5분 간격으로 관찰되었고, 0:00부터 10분간 앉아 있는 상태였다가 0:15에는 누워 있다가 0:20부터 10 여분간 서 있다가 다시 0:35에는 누워 있는 상태로 인식되었다.
본 개시의 일 실시예에 의하면, 질병패턴 학습부(230)는 가축 이미지 분석 결과를 기초로 질병패턴을 분석하고 패턴을 정리할 수 있다. 일 실시예에서, 질병패턴 학습부(230)는 이상징후 발견 횟수와 이상징후의 지속 시간 정보를 포함하는 시계열적 데이터를 기초로 이상징후 인식 인공지능 알고리즘 등으로 인식한 결과의 연속성 여부를 확인하고 이상징후의 횟수 및 지속시간을 산출할 수 있다.
다시 도 3을 참조하면, '2019-10-01 0:00' 부터 '2019-10-01 0:10' 까지 10여분간 가축이 앉아 있는 상태로서 이상징후 상태로 볼 수 있고, 이를 하나의 세션으로서 1회로 간주하고, 연속된 시간을, 예를 들어 도 3에서 '2019-10-01 0:00' 부터 '2019-10-01 0:10' 까지를 모두 더하여 이상징후 지속 시간으로 계산할 수 있다.
본 개시의 일 실시예에 의하면, 질병패턴 학습부(230)는 이상징후 인식 결과를 계산 및 분석하여 각 이상징후, 예를 들어 가축이 돼지인 경우, 견좌자세, 구토, 설사, 식사량 등을 분석하여 이상징후 횟수, 이상징후 지속시간을 계산할 수 있다.
본 개시의 일 실시예에 의하면, 질병패턴 학습부(230)는 시간을 X 축으로 하고, 이상징후 횟수와 이상징후 지속시간을 Y축으로 하여 2차원 데이터 생성하고 2차원 데이터의 패턴을 분석하여 질병을 탐지할 수 있다.
도 4a 및 4b는 본 개시의 일 실시예에 따라 도 3의 데이터를 기초로 이상징후를 패턴화한 그래프이다.
도 4a는 시간에 따른 이상징후 횟수 패턴을 도시하는 그래프이다.
도 4a에 도시된 바와 같이, 해당 가축은 '2019-10-01 0:00' 부터 '2019-10-01 18:00'까지의 관찰 시간동안 9번의 견좌자세를 보였으며 '2019-10-01 1:00' 부터 '2019-10-01 2:00', '2019-10-01 7:00' 부터 '2019-10-01 8:00', '2019-10-01 17:00' 부터 '2019-10-01 18:00' 에서는 연속으로 견좌자세를 보이고 있음을 알 수 있다. 또한, 해당 가축은 '2019-10-01 14:00' 및 '2019-10-01 17:00'에서는 구토를 했음을 알 수 있다.
도 4b는 시간에 따른 이상징후 지속 시간 패턴을 도시하는 그래프이다.
도 4b에 도시된 바와 같이, 해당 가축은 '2019-10-01 0:00' 부터 '2019-10-01 18:00'까지의 관찰 시간동안 0 ~ 10분 내외로 이상징후를 보였으며, 구체적으로 '2019-10-01 1:00'에는 10분 정도, '2019-10-01 2:00'에는 5분 정도, '2019-10-01 5:00'에는 5분 정도, '2019-10-01 7:00'에는 8분 정도, '2019-10-01 8:00'에는 10분 정도, '2019-10-01 13:00'에는 5분 정도, '2019-10-01 15:00'에는 5분 정도, '2019-10-01 17:00'에는 10분 정도, '2019-10-01 18:00'에는 5분 정도 견좌자세를 유지하였으며, '2019-10-01 14:00'에는 1분 정도, '2019-10-01 17:00'에는 1분 정도 구토를 하였음을 알 수 있다.
본 개시의 일 실시예에서, 도 4a 및 도 4b의 이상징후 횟수와 지속시간 패턴 기반으로, '2019-10-01 17:00'은 구제역 의심 시점으로 판단될 수 있다.
본 개시의 일 실시예에 의하면, 질병패턴 학습부(230)는 인공지능 패턴 분류 알고리즘을 적용하여 질병여부를 판단할 수 있다. 여기서, 입력 데이터는 이상징후 횟수 및 이상징후 지속 시간의 시간 수의 패턴 데이터이고, 출력 데이터는 질병명일 수 있다. 본 개시의 일 실시예에서, 인공지능 패턴 분류 알고리즘은 기계학습 알고리즘을 사용할 수 있으며, 예를 들어 CNN(Convolutional Neural Network) 알고리즘, 서포트 벡터 머신(Support Vector Machine) 알고리즘 등 패턴 분류 알고리즘을 이용할 수 있다.
본 개시의 일 실시예에 의하면, 가축이 돼지인 경우, 견좌 자세를 약 2시간에 1회, 지속시간 약 5~10분 정도를 유지하다가, 설사를 시작하였고 '돼지 구제역'이라는 확진을 받았을 때, 확진을 받은 돼지들의 이상징후 횟수, 지속시간 패턴을 학습데이터로 사용할 수 있다.
본 개시의 일 실시예에 의하면, 기존 가축의 질병체계를 참고하여 현재 모티너링 중인 가축 중 특정 질병을 확진받은 경우, 질병 정보를 입력받아 시스템에 관련 질병 정보를 등록할 수 있으며, 해당 질병과 관련된 데이터를 학습데이터로 사용할 수 있다. 일 실시예에서, 질병 정보는 질환 및 질환에 따른 병명, 전염성 여부 등을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 저장부(240)는 해당 농가에서 관리되는 가축에 관한 각종 정보, 예컨대 통신망(130) 및 통신부(210)를 통하여 사용자 단말로부터 입력된 이미지 정보, 질병 정보, 생체 특징 정보, 유전 정보 등을 저장하는 데이터베이스일 수 있다. 본 개시의 일 실시예에 의하면, 저장부(240)는 또한, 이상징후 판단부(220)에서 생성한 이미지 분석 결과 데이터, 식별자(ID), 가축 아이디(Pig ID), 인식 시간(Recognition Time), 지속여부(continous), 인식 형태(Recognition Type) 항목 등을 포함하는 데이터 등을 저장하는 데이터베이스일 수 있다.
본 개시의 일 실시예에 의하면, 저장부(250)는 지도 데이터를 저장하는 데이터베이스일 수 있다. 일 실시예에서, 지도 데이터는 전국의 대가축 축사의 위치 정보를 포함할 수 있다. 예컨대, 지도 데이터는 영상 기반 질병 상태 모니터링 시스템을 이용하는 축사뿐만 아니라 해당 시스템이 없는 축사에 대한 데이터도 포함할 수 있으며, 시스템 유무 정보를 포함할 수 있다. 일 실시예에서, 영상 기반 질병 상태 모니터링 시스템을 이용하는 축사인 경우 지도 데이터에는 가축의 이상징후 심각도, 질병의 심각도, 예를 들어, 전염성, 비전염성, 전염성 정도 등의 항목을 추가로 포함할 수 있다.
본 개시의 일 실시예에 의하면, 저장부(250)는 축사 상황 정보를 저장하는 데이터베이스일 수 있다. 일 실시예에서, 축사 상황 정보는 해당 축사의 위치 정보와, 해당 축사에 있는 가축의 이상징후 심각도, 질병, 질병의 심각도를 포함하며 시간 정보를 함께 저장할 수 있다.
본 개시의 일 실시예에 의하면, 질병현황 분석부(250)는 기존 가축의 질병체계를 참고하여 현재 모티너링 중인 가축 중 특정 질병이 발생한 경우, 농가의 농장 정보 및 영상 정보를 소정의 관리자 단말로 전송할 수 있다. 일 실시예에서, 소정의 관리자는 해당 축산 농가 관리자, 해당 농가가 위치한 지역의 지자체, 또는 정부기관 담당자일 수 있다.
본 개시의 일 실시예에 의하면, 질병현황 분석부(250)는 기존 가축의 질병체계를 참고하여 현재 모티너링 중인 가축 중 특정 질병이 발생한 경우, 해당 농가의 지리적 위치를 기초로 가축방역 경계선을 생성할 수 있다. 일 실시예에서, 방역 관리 서버(140)는 질병이 발생된 복수의 농가 정보를 기초로 가축 방역 경계선을 자동으로 생성할 수 있다. 예컨대, 가축 방역 경계선은 발생된 질병의 전염성 여부, 전염성 정도, 발생 빈도, 발생 계절 등의 질병 정보를 기초로 적응형으로 설정될 수 있다.
본 개시의 일 실시예에 의하면, 질병현황 분석부(250)는 저장부(240)에 저장된 지도 데이터를 기반으로 현재 질병 현황을 분석하거나, 현재 질병 현황의 시간에 따른 확산 현황을 분석할 수 있다. 일 실시예에서, 질병현황 분석부(250)는 저장된 시간 정보와 질병 정보를 기초로 사용자는 과거 1시간, 과거 1일, 과거 1주일 등의 심각도의 변화 정도를 확인할 수 있으며, UI(User Interface)를 통하여 시각적인 정보로 표시할 수도 있다.
본 개시의 일 실시예에 의하면, 질병현황 분석부(250)는 저장부(240)에 저장된 지도 데이터를 기반으로 진염성 질병의 확산 예측을 위한 학습을 수행할 수 있다. 일 실시예에서, 질병현황 분석부(250)는 축사의 위치 정보(위도, 경도, GIS(Geographic Information System), 이상징후 심각도, 질병 심각도 정보의 시간순 데이터를 입력받아, 다음 단위 시간에 주변 축사로 전염성 질병의 확산 가능성 확률을 구하도록 학습할 수 있다.
일 실시예에서, 질병현황 분석부(250)는 학습 목표를, 기준 축사에서 전염성 질병이 발병한 경우, GIS 정보를 반영하여 주변 축사로 얼마나 빨리 퍼져갔는지의 과거 데이터를 활용하여 전염성 질병의 확산 정도를 예측하는 것으로 정할 수 있다.
일 실시예에서, 질병현황 분석부(250)는 시계열 예측 기계학습 방법 등을 이용하여 학습할 수 있다.
본 개시의 일 실시예에 의하면, 질병현황 분석부(250)는 전염성 질병의 확산 예측 결과를 기초로 위험성 정도를 구분할 수 있다. 예를 들어, 각 축사로의 전염성 질병 확산 가능성 예측 결과 값을 소정의 카테고리로 구분하여 지도 상에 각 지역을 구분 표시할 수 있다. 일 실시예에서, 소정의 카테고리는 위험도에 따라 위험(살처분), 경계, 주의, 안전으로 구분할 수 있다.
일 실시예에서, 질병현황 분석부(250)는 전국에 있는 전체 축사의 전염성 질병 확산 가능성 확률을 예측할 수 있다. 만약, 질병현황 분석부(250)에서 예측한 확률이, 위험(75% 이상), 경계(50% 이상 75% 미만), 주의(25% 이상 50% 미만), 안전(25% 미만)의 4개의 카테고리로 지정되는 경우, 위험 카테고리에 포함된 축사와 자동차로 0.5 시간 이내 거리의 지역은 모두 위험 지역 표시, 경계 카테고리에 포함된 축사와 자동차로 1시간 이내 거리의 지역은 모두 경계 지역 표시, 주의 카테고리에 포함된 축사와 자동차로 2시간 이내 거리의 지역은 모두 주의 지역 표시, 그 외 나머지 지역은 안전 지역으로 표시할 수 있다. 상기 설명한 시간 및 카테고리 분류 경계값은 학습 데이터가 쌓일 수록 보다 정확하게 조정될 수 있다.
본 개시의 일 실시예에 의하면, 질병현황 분석부(250)는 전염성 질병의 확산 예측 결과 위험(살처분), 경계, 주의, 안전 지역에 대한 구분을 시간별로 예측할 수 있다. 질병현황 분석부(250)는 예측 및 실제 확산 데이터가 쌓일수록 학습 데이터를 토대로 예측의 오류를 보완하고, 시간대별 확산 진행에 관한 보다 정확한 시뮬레이션이 가능할 것이다.
본 개시의 일 실시예에 의하면, 질병현황 분석부(250)는 기준 축사에서 질병이 발명한 경우 GIS 정보를 반영하여 주변 축사로의 전염 속도 데이터를 기초로 시계열 예측 기계학습 기법을 사용하여 질병 확산 가능성 예측 모델을 생성할 수 있다. 일 실시예에서 질병 확산 가능성 예측 모델은 기준 축사의 위치 정보, 이상징후 심각도, 질병 심각도 정보의 시간순 데이터를 입력받고, 다음 단위 시간에 주변 축사로 전염성 질병의 확산 가능성 확률을 구하도록 학습하는 모델로서, 시계열 예측 기계학습 기법을 이용할 수 있다. 여기서 입력 데이터는 해당 축사의 정보, 질병이 발생한 가축의 정보, 질병 정보를 시간에 따라 저장된 시계열 데이터일 수 있으며, 질병 정보는 질병명, 전염성, 비전염성, 전염성의 정도를 포함할 수 있다. 기계학습 기법에 대한 다양한 예와 변형은 본 기술분야의 당업자가 쉽게 이해하고 구현할 수 있으므로 상세한 설명은 생략하기로 한다.
일 실시예에서, 질병현황 분석부(250)는 질병 확산 가능성 예측 결과에 따라, 상기 해당 축사와 다른 축사의 GIS 정보에 따라 다른 축사를 소정의 카테고리로 분류하고, 동일한 카테고리에 속한 축사를 연결하여 경계선을 설정할 수 있다.
일 실시예에서, 질병현황 분석부(250)는 동일한 카테고리에 속한 축사를 연결하여 경계선을 설정하는 단계는 각 경계선으로 구분되는 지역을 서로 다른 색으로 시각적으로 표시할 수 있다.
일 실시예에서, 질병현황 분석부(250)는 상기 해당 축사의 위치 정보, 이상징후 심각도, 질병 심각도 정보의 시간순 데이터를 기초로 시간에 따라 심각도의 변화 정도를 시각적으로 확인할 수 있는 UI를 제공할 수 있다.
본 개시에 따르면, 전국 단위 축사의 가축 이상징후를 상시 모니터링하고, 전염성 질병이 확진되었을 때 GIS 정보(지형정보, 도로 정보)를 반영하여 전염성 질병의 확산 양상과 속도를 예측함으로써, 적시적소에 필요한 조치를 효율적으로 투입할 수 있는 시스템을 제공할 수 있다.
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.
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.
100: 가축 방역 관리 시스템
110: 축산 농가 단말
120: 카메라
130: 통신망
140: 방역 관리 서버
110: 축산 농가 단말
120: 카메라
130: 통신망
140: 방역 관리 서버
Claims (7)
- 가축 방역 관리 시스템의 방역 관리 서버에 의해 수행되는, 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법으로서,
기준 축사에서 질병이 발명한 경우 GIS 정보를 반영하여 주변 축사로의 전염 속도 데이터를 기초로 시계열 예측 기계학습 기법을 사용하여 질병 확산 가능성 예측 모델을 생성하는 단계;
영상정보를 분석하여 특정 축사의 가축의 질병 발생여부를 판별하는 단계 - 상기 질병 발생여부 판별은 농가에 설치된 CCTV로부터 수신한 영상정보를 분석하여 상기 가축의 토사물이 존재하는지 또는 상기 가축의 배설물의 형태가 정상 범위에 포함되는지를 판단하여 결정됨 -;
질병이 발생한 경우, 해당 축사의 정보, 질병이 발생한 가축의 정보, 질병 정보를 시간에 따라 저장하여 입력 데이터를 생성하는 단계 - 상기 질병 정보는 질병명, 전염성, 비전염성, 전염성의 정도를 포함함 - ; 및
상기 입력 데이터를 기초로 상기 질병 확산 가능성 예측 모델에 따라 질병 확산 가능성을 예측하는 단계;
를 포함하는 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법. - 제1항에 있어서,
상기 방법은
상기 질병 확산 가능성 예측 결과에 따라, 상기 해당 축사와 다른 축사의 GIS 정보에 따라 다른 축사를 소정의 카테고리로 분류하고, 동일한 카테고리에 속한 축사를 연결하여 경계선을 설정하는 단계를 더 포함하는 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법. - 제1항에 있어서,
영상정보를 분석하여 특정 축사의 가축의 질병 발생 여부를 판별하는 단계는
농가에 설치된 CCTV로부터 수신한 영상정보를 분석하여 가축의 자세를 판단하는 단계 - 상기 가축의 자세는 앉아 있는 자세, 누워 있는 자세 및 서 있는 자세를 포함함 -;
농가에 설치된 CCTV로부터 수신한 영상정보를 분석하여 상기 가축의 구토여부를 판단하는 단계;
상기 가축의 자세, 상기 가축의 구토여부, 상기 가축의 자세가 유지되는지 여부를 기록한 제1 시계열적 데이터를 생성하는 단계 - 상기 제1 시계열적 데이터는 식별자(ID), 가축 아이디, 인식 시간, 지속여부, 인식 형태를 포함함 -;
상기 가축이 소정의 자세를 보이거나 구토한 경우 이상징후로 판단하는 단계;
상기 이상징후로 판단하는 경우, 이상징후 발견 시간과 이상징후 지속 시간을 제2 시계열적 데이터로 생성하는 단계;
상기 제2 시계열적 데이터를 기초로 시간에 따른 이상징후 횟수와 시간에 따른 이상징후 지속시간을 각각 2차원 데이터로 생성하는 단계; 및
가축의 유전 정보, 가축의 생체특징 데이터, 및 상기 2차원 데이터의 패턴을 분석하여 질병 발생 여부를 판단하는 단계;
를 포함하는 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법. - 제1항에 있어서,
질병 확산 가능성 예측 모델을 생성하는 단계는 기준 축사의 위치 정보, 이상징후 심각도, 질병 심각도 정보의 시간순 데이터를 입력받고, 다음 단위 시간에 주변 축사로 전염성 질병의 확산 가능성 확률을 구하도록 학습하는 단계를 포함하는 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법. - 제4항에 있어서,
상기 동일한 카테고리에 속한 축사를 연결하여 경계선을 설정하는 단계는 각 경계선으로 구분되는 지역을 서로 다른 색으로 시각적으로 표시하는 단계를 더 포함하는 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법. - 제4항에 있어서,
상기 방법은
상기 해당 축사의 위치 정보, 이상징후 심각도, 질병 심각도 정보의 시간순 데이터를 기초로 시간에 따라 심각도의 변화 정도를 시각적으로 확인할 수 있는 UI를 제공하는 단계를 더 포함하는 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법. - 컴퓨터에 의해 실행 가능한, 하나 이상의 컴퓨터 판독가능 명령이 수록된 컴퓨터 판독가능 기록매체로서, 상기 하나 이상의 컴퓨터 판독가능 명령은, 상기 컴퓨터에 의해 실행될 경우, 상기 컴퓨터로 하여금, 제1항 내지 제6항 중 어느 한 항에 따른 방법을 수행하게 하는, 컴퓨터 판독가능 기록매체.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190157406A KR102425522B1 (ko) | 2019-11-29 | 2019-11-29 | 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190157406A KR102425522B1 (ko) | 2019-11-29 | 2019-11-29 | 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210067602A KR20210067602A (ko) | 2021-06-08 |
KR102425522B1 true KR102425522B1 (ko) | 2022-07-27 |
Family
ID=76399892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190157406A KR102425522B1 (ko) | 2019-11-29 | 2019-11-29 | 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102425522B1 (ko) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792702A (zh) * | 2021-09-26 | 2021-12-14 | 中国农业科学院草原研究所 | 一种基于计算机视觉的视频流家畜监测方法及*** |
CN116434972B (zh) * | 2023-03-13 | 2023-10-20 | 连云港市畜牧兽医站 | 一种提升畜禽疫病综合防控能力的***及实现方法 |
CN116700297B (zh) * | 2023-07-31 | 2023-10-27 | 北京市农林科学院智能装备技术研究中心 | 基于畜舍作业机器人的自主导航控制***和控制方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101574593B1 (ko) * | 2013-03-27 | 2015-12-07 | 한국로봇융합연구원 | 스마트 단말기 연계형 실시간 검진 방법 |
KR20150089314A (ko) * | 2014-01-27 | 2015-08-05 | 대원항업 주식회사 | 구제역 수치 지형도 및 구제역 제보 정보를 이용한 구제역 확산 지도 제작 방법 및 그 시스템 |
KR20150098402A (ko) * | 2014-02-20 | 2015-08-28 | 메티스정보주식회사 | 역병확산 영역 모델링 장치 및 그 방법 |
KR101607934B1 (ko) * | 2014-05-14 | 2016-03-31 | 숭실대학교산학협력단 | 전염병 모니터링 방법 및 이를 이용한 시스템, 이를 수행하기 위한 기록매체 |
KR102667163B1 (ko) * | 2016-06-23 | 2024-05-20 | 주식회사 케이티 | 전염성 동물 질병의 확산을 예측하는 동물 질병의 확산 예측 장치 및 동물 질병의 확산 예측 방법 |
KR102035672B1 (ko) * | 2017-10-27 | 2019-10-24 | 대한민국 | 가축의 행동과 위치를 모니터링하는 장치 및 방법 |
-
2019
- 2019-11-29 KR KR1020190157406A patent/KR102425522B1/ko active IP Right Grant
Also Published As
Publication number | Publication date |
---|---|
KR20210067602A (ko) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102425522B1 (ko) | 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법 | |
García et al. | A systematic literature review on the use of machine learning in precision livestock farming | |
KR101607934B1 (ko) | 전염병 모니터링 방법 및 이를 이용한 시스템, 이를 수행하기 위한 기록매체 | |
US9084411B1 (en) | Livestock identification system and method | |
González et al. | Behavioral classification of data from collars containing motion sensors in grazing cattle | |
Forsyth et al. | Methodology matters when estimating deer abundance: a global systematic review and recommendations for improvements | |
JP6203238B2 (ja) | 畜産管理システム | |
JP7002066B2 (ja) | 情報処理システム、情報処理装置、およびプログラム | |
CN111723729A (zh) | 基于知识图谱的监控视频犬类姿态和行为智能识别方法 | |
Brockman et al. | Determining kill rates of ungulate calves by brown bears using neck‐mounted cameras | |
Kröschel et al. | Remote monitoring of vigilance behavior in large herbivores using acceleration data | |
Obbard et al. | Demography of black bears in hunted and unhunted areas of the boreal forest of Ontario | |
KR102315991B1 (ko) | 인공지능 기반 원격 가축 관리 장치 및 시스템 | |
US11967154B2 (en) | Video analytics to detect instances of possible animal abuse based on mathematical stick figure models | |
Taylor et al. | A generic framework for spatial quantitative risk assessments of infectious diseases: Lumpy skin disease case study | |
Peterson et al. | Mortality of mule deer fawns in a natural gas development area | |
EP4402657A1 (en) | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes | |
KR102425521B1 (ko) | 영상정보 분석 기반 방역 시스템 및 그 이용 방법 | |
CN106469347A (zh) | 一种牲畜宰后视检信息采集终端及视检结果辅助判定方法 | |
KR102518418B1 (ko) | 영상 분석 기반의 반추동물 및 사육환경 분석 장치 및 방법 | |
KR102332252B1 (ko) | 영상 분석 기반의 반추 동물의 발정행동패턴 분석 장치 및 방법 | |
CN112668631B (zh) | 基于卷积神经网络的移动端社区宠物识别方法 | |
Ali et al. | Application of artificial intelligence in monitoring of animal health and welfare | |
CN113221776A (zh) | 一种基于人工智能对反刍动物一般行为识别的方法 | |
CN111652084A (zh) | 一种异常蛋鸡识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right |