KR102646871B1 - 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법 - Google Patents
축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법 Download PDFInfo
- Publication number
- KR102646871B1 KR102646871B1 KR1020230013298A KR20230013298A KR102646871B1 KR 102646871 B1 KR102646871 B1 KR 102646871B1 KR 1020230013298 A KR1020230013298 A KR 1020230013298A KR 20230013298 A KR20230013298 A KR 20230013298A KR 102646871 B1 KR102646871 B1 KR 102646871B1
- Authority
- KR
- South Korea
- Prior art keywords
- livestock
- surveillance camera
- changes
- barn
- cae
- Prior art date
Links
- 230000008859 change Effects 0.000 title claims abstract description 77
- 230000007613 environmental effect Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title description 4
- 244000144972 livestock Species 0.000 claims abstract description 209
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000009434 installation Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 9
- 238000009395 breeding Methods 0.000 claims description 7
- 230000001488 breeding effect Effects 0.000 claims description 7
- 239000000428 dust Substances 0.000 claims description 3
- 238000009304 pastoral farming Methods 0.000 claims 5
- 238000007726 management method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 241000283690 Bos taurus Species 0.000 description 3
- 241000287828 Gallus gallus Species 0.000 description 3
- 235000013330 chicken meat Nutrition 0.000 description 3
- 241000282887 Suidae Species 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000000384 rearing effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K1/00—Housing animals; Equipment therefor
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Environmental Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Zoology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 축사 감시 카메라를 이용한 환경 변화 탐지 장치에 관한 것으로서, 보다 구체적으로는 축사 내부에 설치된 축사 감시 카메라에서 촬영된 영상을 이용해 축사 감시 카메라의 설치 환경 변화 또는 축사 내부 환경 변화를 탐지하는 변화 탐지 장치로서, 축사 내부에 설치된 축사 감시 카메라에서 촬영된 정상 상태의 영상 데이터를 이용해 CAE(Convolutional Auto-Encoder) 기반으로 비지도 학습(Unsupervised Learning)을 수행하는 학습부; 축사 감시 카메라에서 촬영된 입력 이미지로부터 상기 비지도 학습을 통해 학습 완료된 CAE 모델을 통해 복원 이미지를 생성하는 추론부; 및 상기 복원 이미지와 입력 이미지 사이의 차이를 비교해 미리 설정된 기준을 초과하면 환경 변화로 판단하는 판단부를 포함하는 것을 그 구성상의 특징으로 한다.
또한, 본 발명은 축사 감시 카메라를 이용한 환경 변화 탐지 방법에 관한 것으로서, 보다 구체적으로는 축사 내부에 설치된 축사 감시 카메라에서 촬영된 영상을 이용해 축사 감시 카메라의 설치 환경 변화 또는 축사 내부 환경 변화를 탐지하는 변화 탐지 방법으로서, (1) 축사 내부에 설치된 축사 감시 카메라에서 촬영된 정상 상태의 영상 데이터를 이용해 CAE(Convolutional Auto-Encoder) 기반으로 비지도 학습(Unsupervised Learning)을 수행하는 학습 단계; (2) 축사 감시 카메라에서 촬영된 입력 이미지로부터 상기 비지도 학습을 통해 학습 완료된 CAE 모델을 통해 복원 이미지를 생성하는 추론 단계; 및 (3) 상기 복원 이미지와 입력 이미지 사이의 차이를 비교해 미리 설정된 기준을 초과하면 환경 변화로 판단하는 판단 단계를 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법에 따르면, 축사 감시 카메라에서 촬영된 정상 상태의 영상 데이터를 이용해 CAE(Convolutional Auto-Encoder) 기반으로 비지도 학습(Unsupervised Learning) 완료된 CAE 모델을 이용해 입력 이미지로부터 복원 이미지를 생성하고, 복원 이미지와 입력 이미지 사이의 차이를 비교해 환경 변화를 판단함으로써, 축사 감시 카메라의 설치 환경 변화 또는 축사 내부 환경 변화를 모니터링하고, 축사 내부 변화 시점을 자동으로 탐지하여 관리자가 직접 관리 일지를 작성하지 않더라도 이동 날짜 및 변동이 발생한 방 번호를 자동으로 기록하여 농장 관리에 도움을 줄 수 있다.
또한, 본 발명에서 제안하고 있는 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법에 따르면, 2차원 데이터에 특화된 CAE를 사용함으로써, 축사 감시 카메라에서 촬영된 2차원 영상 데이터로부터 설치 환경 변화 또는 축사 내부 환경 변화를 효과적으로 탐지할 수 있다.
또한, 본 발명은 축사 감시 카메라를 이용한 환경 변화 탐지 방법에 관한 것으로서, 보다 구체적으로는 축사 내부에 설치된 축사 감시 카메라에서 촬영된 영상을 이용해 축사 감시 카메라의 설치 환경 변화 또는 축사 내부 환경 변화를 탐지하는 변화 탐지 방법으로서, (1) 축사 내부에 설치된 축사 감시 카메라에서 촬영된 정상 상태의 영상 데이터를 이용해 CAE(Convolutional Auto-Encoder) 기반으로 비지도 학습(Unsupervised Learning)을 수행하는 학습 단계; (2) 축사 감시 카메라에서 촬영된 입력 이미지로부터 상기 비지도 학습을 통해 학습 완료된 CAE 모델을 통해 복원 이미지를 생성하는 추론 단계; 및 (3) 상기 복원 이미지와 입력 이미지 사이의 차이를 비교해 미리 설정된 기준을 초과하면 환경 변화로 판단하는 판단 단계를 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법에 따르면, 축사 감시 카메라에서 촬영된 정상 상태의 영상 데이터를 이용해 CAE(Convolutional Auto-Encoder) 기반으로 비지도 학습(Unsupervised Learning) 완료된 CAE 모델을 이용해 입력 이미지로부터 복원 이미지를 생성하고, 복원 이미지와 입력 이미지 사이의 차이를 비교해 환경 변화를 판단함으로써, 축사 감시 카메라의 설치 환경 변화 또는 축사 내부 환경 변화를 모니터링하고, 축사 내부 변화 시점을 자동으로 탐지하여 관리자가 직접 관리 일지를 작성하지 않더라도 이동 날짜 및 변동이 발생한 방 번호를 자동으로 기록하여 농장 관리에 도움을 줄 수 있다.
또한, 본 발명에서 제안하고 있는 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법에 따르면, 2차원 데이터에 특화된 CAE를 사용함으로써, 축사 감시 카메라에서 촬영된 2차원 영상 데이터로부터 설치 환경 변화 또는 축사 내부 환경 변화를 효과적으로 탐지할 수 있다.
Description
본 발명은 변화 탐지 장치 및 방법에 관한 것으로서, 보다 구체적으로는 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 발명의 일실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
농가에서 축사를 경영하기 위해서는, 가축의 건강 상태는 물론, 소비되는 물품 등을 관리해야 할 뿐 아니라, 가축의 구매부터 출하까지 교배와 분만, 육성 등의 다양한 과정이 필요하며, 이를 위하여 가축을 이동시키고 분리하여 관리하는 등 수많은 이벤트가 발생하게 된다.
이에, 소, 돼지, 닭 등의 가축을 효율적으로 관리하기 위해, 소와 같은 대형 가축의 경우 고유 식별정보가 입력된 칩을 내장하거나 가축의 몸에 칩을 부착하고, 축사 출입구 등에 설치된 리더기를 이용해 칩을 인식해 가축을 관리하기도 한다. 그러나 이러한 방식에 따르면 가축별로 인식 센서를 반드시 부착해야 하는데, 이러한 센서의 부착, 유지, 관리에 비용이 많이 들고, 닭과 같은 소형 가축에는 적용하기에는 한계가 있다.
최근에는 CCTV와 같은 감시 카메라를 축사 내부에 설치해 축사 내 가축들을 관찰 및 감시하는 방식을 많이 사용하고 있다. 그러나 인력을 사용하여 24시간 지속적인 관찰 및 감시가 불가능하기 때문에 감시 카메라 설치환경에 변화가 발생하거나 축사 내부의 환경 변화가 발생한 시간을 특정하기는 쉽지 않다.
또한, 카메라 기반으로 설치된 축사 감시 시스템은, 감시 카메라가 정상적인 화면을 수집하고 있는지를 확인해야 한다. 예를 들어, 전원이 정상적으로 들어온 상태이지만 작업자 실수, 바람, 노후화 등 여러 이유로 감시 카메라의 설치 각도 및 위치가 초기와 다르게 변경된 카메라는 정상적으로 축사 상태를 관찰 및 감시할 수가 없다. 그러므로 감시 시스템에 물리적 외부 요인으로 카메라 설치 환경에 변화가 있는지를 탐지하고 자동으로 판단할 수 있어야 한다.
또한, 축사 관리 과정에는 가축을 이동시키고 분리하여 관리하는 등의 과정이 포함된다. 그런데 카메라 기반 축사 감시 시스템에서, 이러한 가축의 육성단계에 따른 방 이동을 인지하지 못하면 다른 개체로부터 수집된 데이터가 이전 개체의 데이터로 잘못 저장될 수 있다. 이렇게 잘못 저장된 데이터들은 분석 단계에서 노이즈로 분류될 수 있고, 이것은 데이터 분석을 진행함에 있어서 큰 오차를 발생시키는 원인이 된다. 따라서 가축 데이터베이스를 지속해서 구축하기 위해서는 축사의 방 내부에서 발생하는 환경 변화를 자동으로 탐지해야 할 필요성이 있다.
한편, 본 발명과 관련된 선행기술로서, 공개특허 제10-2022-0054982호(발명의 명칭: 열화상 카메라를 이용한 축사 관리 시스템, 공개일자: 2022년 05월 03일) 등이 개시된 바 있다.
전술한 배경 기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지 기술이라 할 수는 없다.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 축사 감시 카메라에서 촬영된 정상 상태의 영상 데이터를 이용해 CAE(Convolutional Auto-Encoder) 기반으로 비지도 학습(Unsupervised Learning) 완료된 CAE 모델을 이용해 입력 이미지로부터 복원 이미지를 생성하고, 복원 이미지와 입력 이미지 사이의 차이를 비교해 환경 변화를 판단함으로써, 축사 감시 카메라의 설치 환경 변화 또는 축사 내부 환경 변화를 모니터링하고, 축사 내부 변화 시점을 자동으로 탐지하여 관리자가 직접 관리 일지를 작성하지 않더라도 이동 날짜 및 변동이 발생한 방 번호를 자동으로 기록하여 농장 관리에 도움을 줄 수 있는, 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법을 제공하는 것을 그 목적으로 한다.
또한, 본 발명은, 2차원 데이터에 특화된 CAE를 사용함으로써, 축사 감시 카메라에서 촬영된 2차원 영상 데이터로부터 설치 환경 변화 또는 축사 내부 환경 변화를 효과적으로 탐지할 수 있는, 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법을 제공하는 것을 또 다른 목적으로 한다.
다만, 본 발명이 이루고자 하는 기술적 과제는 상기한 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있고, 명시적으로 언급하지 않더라도 과제의 해결수단이나 실시 형태로부터 파악될 수 있는 목적이나 효과도 이에 포함됨은 물론이다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치는,
축사 내부에 설치된 축사 감시 카메라에서 촬영된 영상을 이용해 축사 감시 카메라의 설치 환경 변화 또는 축사 내부 환경 변화를 탐지하는 변화 탐지 장치로서,
축사 내부에 설치된 축사 감시 카메라에서 촬영된 정상 상태의 영상 데이터를 이용해 CAE(Convolutional Auto-Encoder) 기반으로 비지도 학습(Unsupervised Learning)을 수행하는 학습부;
축사 감시 카메라에서 촬영된 입력 이미지로부터 상기 비지도 학습을 통해 학습 완료된 CAE 모델을 통해 복원 이미지를 생성하는 추론부; 및
상기 복원 이미지와 입력 이미지 사이의 차이를 비교해 미리 설정된 기준을 초과하면 환경 변화로 판단하는 판단부를 포함하는 것을 그 구성상의 특징으로 한다.
바람직하게는, 상기 CAE는,
서로 대칭 구조를 이루는 인코더 네트워크(encoder network)와 디코더 네트워크(decoder network)로 구성되되, 인코더 네트워크에서는 컨볼루셔널 레이어(Convoultional Layer)를 사용하고, 디코더 네트워크에서는 전치 컨볼루션(Transposed Convolution) 연산을 사용할 수 있다.
바람직하게는, 상기 학습부는,
손실 함수를 평균 제곱 오차(Mean Square Error, MSE)로 정의하고, 평균 제곱 오차를 최소화하도록 학습을 수행할 수 있다.
바람직하게는, 상기 판단부는,
상기 복원 이미지와 입력 이미지 사이의 평균 제곱 오차가 상기 미리 설정된 기준을 초과하면 환경 변화로 판단할 수 있다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 방법은,
축사 내부에 설치된 축사 감시 카메라에서 촬영된 영상을 이용해 축사 감시 카메라의 설치 환경 변화 또는 축사 내부 환경 변화를 탐지하는 변화 탐지 방법으로서,
(1) 축사 내부에 설치된 축사 감시 카메라에서 촬영된 정상 상태의 영상 데이터를 이용해 CAE(Convolutional Auto-Encoder) 기반으로 비지도 학습(Unsupervised Learning)을 수행하는 학습 단계;
(2) 축사 감시 카메라에서 촬영된 입력 이미지로부터 상기 비지도 학습을 통해 학습 완료된 CAE 모델을 통해 복원 이미지를 생성하는 추론 단계; 및
(3) 상기 복원 이미지와 입력 이미지 사이의 차이를 비교해 미리 설정된 기준을 초과하면 환경 변화로 판단하는 판단 단계를 포함하는 것을 그 구성상의 특징으로 한다.
바람직하게는, 상기 CAE는,
서로 대칭 구조를 이루는 인코더 네트워크(encoder network)와 디코더 네트워크(decoder network)로 구성되되, 인코더 네트워크에서는 컨볼루셔널 레이어(Convoultional Layer)를 사용하고, 디코더 네트워크에서는 전치 컨볼루션(Transposed Convolution) 연산을 사용할 수 있다.
바람직하게는, 상기 학습 단계에서는,
손실 함수를 평균 제곱 오차(Mean Square Error, MSE)로 정의하고, 평균 제곱 오차를 최소화하도록 학습을 수행할 수 있다.
바람직하게는, 상기 판단 단계에서는,
상기 복원 이미지와 입력 이미지 사이의 평균 제곱 오차가 상기 미리 설정된 기준을 초과하면 환경 변화로 판단할 수 있다.
본 발명에서 제안하고 있는 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법에 따르면, 축사 감시 카메라에서 촬영된 정상 상태의 영상 데이터를 이용해 CAE 기반으로 비지도 학습 완료된 CAE 모델을 이용해 입력 이미지로부터 복원 이미지를 생성하고, 복원 이미지와 입력 이미지 사이의 차이를 비교해 환경 변화를 판단함으로써, 축사 감시 카메라의 설치 환경 변화 또는 축사 내부 환경 변화를 모니터링하고, 축사 내부 변화 시점을 자동으로 탐지하여 관리자가 직접 관리 일지를 작성하지 않더라도 이동 날짜 및 변동이 발생한 방 번호를 자동으로 기록하여 농장 관리에 도움을 줄 수 있다.
또한, 본 발명에서 제안하고 있는 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법에 따르면, 2차원 데이터에 특화된 CAE를 사용함으로써, 축사 감시 카메라에서 촬영된 2차원 영상 데이터로부터 설치 환경 변화 또는 축사 내부 환경 변화를 효과적으로 탐지할 수 있다.
더불어, 본 발명의 다양하면서도 유익한 장점과 효과는 상술한 내용에 한정되지 않으며, 본 발명의 구체적인 실시 형태를 설명하는 과정에서 보다 쉽게 이해될 수 있을 것이다.
도 1은 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치의 구성을 도시한 도면.
도 2는 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치에서 사용하는 CAE 구조를 도시한 도면.
도 3은 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 방법의 흐름을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법에서, CAE 학습 시의 손실 변화를 나타낸 도면.
도 5는 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법에 의한 탐지 결과를 나타낸 도면.
도 2는 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치에서 사용하는 CAE 구조를 도시한 도면.
도 3은 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 방법의 흐름을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법에서, CAE 학습 시의 손실 변화를 나타낸 도면.
도 5는 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법에 의한 탐지 결과를 나타낸 도면.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하의 실시예는 본 발명의 이해를 돕기 위한 상세한 설명이며, 본 발명의 권리 범위를 제한하는 것이 아니다. 따라서 본 발명과 동일한 기능을 수행하는 동일 범위의 발명 역시 본 발명의 권리 범위에 속할 것이다.
또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호간 모순되지 않는 범위 내에서 공유될 수 있다.
도 1은 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100)의 구성을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100)는, 축사 내부에 설치된 축사 감시 카메라에서 촬영된 영상을 이용해 축사 감시 카메라의 설치 환경 변화 또는 축사 내부 환경 변화를 탐지하는 변화 탐지 장치(100)로서, 학습부(110), 추론부(120) 및 판단부(130)를 포함하여 구성될 수 있다.
여기서, 축사 감시 카메라는, 소, 돼지, 닭 등 가축을 사육하는 축사 내부에 가축을 촬영하도록 축방을 향하도록 설치된 카메라로서, 복수의 축사 감시 카메라가 카메라 시스템을 구성할 수 있다.
본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100)는, 축사 감시 카메라에서 촬영된 정상 상태의 영상 데이터를 이용해 CAE 기반으로 비지도 학습을 하여, 학습 완료된 CAE 모델을 이용해 축사 감시 카메라의 설치 환경 변화 또는 축사 내부 환경 변화를 탐지할 수 있다. 즉, 축사 감시 카메라로부터 수집한 영상이 기존의 일반적인 상황인지, 기존에 관찰할 수 없었던 변화된 상황인지를 판단하여 축사 환경의 변화 여부를 탐지할 수 있다. 축사 감시 카메라의 화면으로 확인할 수 있는 변화된 상황은 주로 두 가지인데, 카메라 시스템에 문제가 발생한 상황과 축사 내부에 정상 데이터에서는 볼 수 없는 장면이 발생한 상황이다. 물론, 축사 감시 카메라로 확인할 수 있는 환경 변화 상황은 다양할 수 있으나, 주로 앞에서 설명한 축사 감시 카메라의 설치 환경 변화 또는 축사 내부 환경 변화로부터 화면 변화가 발생하기 때문에, 앞서 설명한 두 가지 상태를 변화된 상태로 정의하고 탐지를 수행할 수 있다.
첫 번째로, 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100)는, 감시 카메라 시스템의 설치 환경에 변화가 발생하였는지를 자동으로 탐지할 수 있다. 즉, 축사 감시 카메라가 작업자 실수, 바람, 노후화 등 여러 이유로 인해 처음 설치된 상태에서 각도의 변동이 발생하거나, 습기나 먼지 등으로 인해 영상이 선명하지 않은 상태 등을 탐지할 수 있다. 두 번째로, 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100)는, 축사 내부의 환경 변화를 자동으로 탐지할 수 있다. 즉, 가축의 방 이동이나 사람의 출입 등을 탐지할 수 있다. 따라서, 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100)에 따르면, 축사, 축방, 가축 등에 다수의 센서를 설치할 필요 없이 축사 내부에 설치된 축사 감시 카메라만으로도 여러 변화된 상황을 탐지할 수 있다.
이하에서는, 도 1을 참조하여 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100)의 각 구성에 대해 상세히 설명하도록 한다.
학습부(110)는, 축사 내부에 설치된 축사 감시 카메라에서 촬영된 정상 상태의 영상 데이터를 이용해 CAE 기반으로 비지도 학습을 수행할 수 있다.
기존의 신호처리 기반 이상 탐지 기술은 이상 상황 탐지를 위하여 1차원 데이터를 활용한 오토인코더(Auto-Encoder)로 이상 상황을 탐지하는 방법을 사용했다. 그러나 본 발명에서는 카메라 기반 시스템에서 가로와 세로로 구성된 2차원 영상 데이터로부터 감시 카메라 설치 환경의 변동이나 축사 내부 환경 변화 탐지를 수행하기 때문에, 영상 데이터에 대하여 높은 정확도로 변화를 탐지하기 위해 2차원 데이터에 특화된 CAE를 사용하여 변화를 판단할 수 있다.
축사 감시 카메라에서 수집된 데이터는 다소 정적인(static) 영상으로 구성된다. 카메라 설치 환경 변화나 축사 내부 환경 변화와 같은 변화된 상황은 매우 낮은 빈도로 발생하기 때문에 인공지능 학습을 위해 충분한 데이터를 확보하기는 어렵다. 또한, 농가나 축사마다 가축 육성 방법이 상이할 수 있고, 축사의 구조, 육성단계에 따른 방 이동 방법 등도 모두 다르기 때문에, 축사의 방 이동 등과 같은 축사 내부 환경 변화에 대한 데이터를 농장별로 수집하고 정리하여 가공하는 것 또한 매우 어렵다. 여러 농장의 축사 감시 카메라에서 수집된 영상의 단순 수집 저장은 시스템을 구축하여 자동으로 할 수 있지만, 데이터를 정리하여 가공하는 것은 많은 시간과 인력이 있어야 하는 작업이고, 충분한 데이터를 확보하기도 어렵기 때문이다. 따라서 변화된 상황 탐지를 위한 학습 데이터셋을 만드는 것은 쉽지 않은 과정이다.
따라서 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100)의 학습부(110)는, 인력이 꼭 필요한 데이터 수집 및 가공에 대한 문제점을 해소하면서, 축사 감시 카메라에서 수집한 영상에서의 변화를 탐지하기 위해서 정답지(레이블) 데이터가 불필요한 CAE 기반 비지도 학습 방식을 활용하여 축사 내부를 촬영한 영상으로부터 카메라 설치 환경 및 축사 내부 환경의 변동사항을 확인할 수 있다.
축사 내부에서 가축들의 움직임이 발생한 상황을 제외하면 축사에서 수집된 영상 데이터는 정적인 영상들로 이루어져 있으므로, 변화된 상황이 발생할 때 수집된 영상은 그 특징에서 일반적인 정상 상태와 뚜렷한 차이를 가질 수밖에 없다. 따라서 학습부(110)는 환경 변화가 없는 정상 상태의 영상 데이터만을 이용해 비지도 학습을 수행하고, 학습이 완료된 CAE 모델을 사용해 축사 감시 카메라의 설치 환경 변화 또는 축사 내부 환경 변화를 탐지할 수 있다.
도 2는 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100)에서 사용하는 CAE 구조를 도시한 도면이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100)에서 사용하는 CAE는, 2차원의 입력 이미지(10)를 2차원의 복원 이미지(20)로 재구성하는 모델로서, 서로 대칭 구조를 이루는 인코더 네트워크와 디코더 네트워크로 구성되되, 인코더 네트워크에서는 컨볼루셔널 레이어를 사용하고, 디코더 네트워크에서는 전치(Transposed) 컨볼루션 연산을 사용할 수 있다. 따라서 CAE는 CNN(Convolution Neural Network)을 사용하여 공간 차원을 줄인 후, 다시 원래 크기로 복원하는 컨볼루션 연산 기반의 encoder-decoder 구조로 이루어져 있다.
보다 구체적으로, CAE의 인코더 부분은 다음 수학식 1과 같이 입력 이미지(10) x를 잠재 공간(latent space) Z로 변환할 수 있다. 여기서, W는 인코더 네트워크의 가중치(weights), b는 바이어스(bias), σ는 활성화 함수이다.
잠재 공간 Z는 입력 이미지(10)보다 낮은 차원으로 강제함으로써 인코더 네트워크가 이미지의 핵심이 되는 표현(representation)을 효율적으로 압축하도록 할 수 있다. 이런 방법은 입력을 출력으로 단순히 복사하지 못하도록 제약하는 역할을 하기도 한다.
CAE의 디코더 부분은 다음 수학식 2와 같이 인코더 네트워크가 압축한 잠재 공간 Z를 입력 이미지(10)와 동일하도록 복원하는 네트워크이다.
인코더와 디코더 네트워크는 서로 다른 초기값을 가지도록 초기화될 수 있다.
한편, 학습부(110)는, 손실 함수(loss function)를 평균 제곱 오차(Mean Square Error, MSE)로 정의하고, 평균 제곱 오차를 최소화하도록 학습을 수행할 수 있다. CAE를 학습하기 위해서는 손실 함수를 정의해야 한다. CAE의 목적이 입력값으로부터 뽑아낸 특징들을 기반으로 다시 입력값으로 복원하는 것이므로, CAE가 복원해 낸 출력과 입력값의 차이를 비교하는 손실 함수를 사용할 수 있다. 보다 구체적으로, 디코더 네트워크가 복원해 낸 복원 이미지(20)의 품질을 평가할 수 있다. 복원된 이미지와 원본 이미지와의 차이(손실)는 다음 수학식 3과 같은 MSE로 정의하고, 이 차이를 줄이기 위한 방향으로 학습할 수 있다.
추론부(120)는, 축사 감시 카메라에서 촬영된 입력 이미지(10)로부터 비지도 학습을 통해 학습 완료된 CAE 모델을 통해 복원 이미지(20)를 생성할 수 있다. 즉, 추론부(120)는 학습부(110)에서 학습 완료한 CAE 모델을 이용해, 실시간으로 입력되는 입력 이미지(10)로부터 복원 이미지(20)를 생성하는 추론 또는 예측을 수행할 수 있다.
판단부(130)는, 복원 이미지(20)와 입력 이미지(10) 사이의 차이를 비교해 미리 설정된 기준을 초과하면 환경 변화로 판단할 수 있다. 보다 구체적으로, 판단부(130)는, 복원 이미지(20)와 입력 이미지(10) 사이의 평균 제곱 오차(MSE)가 미리 설정된 기준을 초과하면 환경 변화가 있는 것으로 판단할 수 있다.
즉, CAE가 평상시 일반적인 상황(정상 상태)의 축사 내부 이미지 데이터를 학습한 다음, 추론 시 CAE가 복원한 복원 이미지(20)와 입력 이미지(10)와의 차이(MSE)를 비교해 사전에 정의한 기준값을 초과하면 변화된 상황으로 판단할 할 수 있다. 여기서 변화된 상황은 축사 감시 카메라의 각도 및 위치 변경, 축사 내부의 환경 변화인 가축의 사육장소 이동을 위한 작업 등을 의미할 수 있다. 따라서 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100)는, 정상 상태의 데이터만 활용하여 학습한 이후에, 현재 수집 중인 영상에서 사전에 정의한 변화된 상황을 의미하는 카메라의 변화 상태 여부 및 축사 내부의 환경 변화 여부를 실시간으로 탐지할 수 있다.
도 3은 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 방법의 흐름을 도시한 도면이다. 도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 방법은, 축사 내부에 설치된 축사 감시 카메라에서 촬영된 영상을 이용해 축사 감시 카메라의 설치 환경 변화 또는 축사 내부 환경 변화를 탐지하는 변화 탐지 방법으로서, 축사 내부에 설치된 축사 감시 카메라에서 촬영된 정상 상태의 영상 데이터를 이용해 CAE 기반으로 비지도 학습을 수행하는 학습 단계(S110); 축사 감시 카메라에서 촬영된 입력 이미지(10)로부터 비지도 학습을 통해 학습 완료된 CAE 모델을 통해 복원 이미지(20)를 생성하는 추론 단계(S120); 및 복원 이미지(20)와 입력 이미지(10) 사이의 차이를 비교해 미리 설정된 기준을 초과하면 환경 변화로 판단하는 판단 단계(S130)를 포함하여 구현될 수 있다.
본 발명은 축사 감시 카메라를 이용한 환경 변화 탐지 방법에 관한 것으로서, 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100)에서 각 단계가 수행될 수 있으며, 메모리 및 프로세서를 포함한 하드웨어에서 기록되는 소프트웨어로 구성될 수 있다. 예를 들어, 본 발명의 축사 감시 카메라를 이용한 환경 변화 탐지 방법은, 개인용 컴퓨터, 노트북 컴퓨터, 서버 컴퓨터, PDA, 스마트폰, 태블릿 PC 등에 저장 및 구현될 수 있다.
각각의 단계들과 관련된 상세한 내용들은, 앞서 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100)와 관련하여 충분히 설명되었으므로, 상세한 설명은 생략하기로 한다.
도 4는 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100) 및 방법에서, CAE 학습 시의 손실 변화를 나타낸 도면이다. 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100) 및 방법에서는, 실제 농가의 축사 내부에 설치된 축사 감시 카메라에서 수집한 데이터베이스에서 정상 상태의 영상을 학습 데이터로 구성하여, 전술한 바와 같은 CAE를 비지도 학습하였다. 도 4에서 x축은 epoch, y축은 loss(손실)로 epoch에 따른 손실 변화를 나타낸다.
도 5는 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100) 및 방법에 의한 탐지 결과를 나타낸 도면이다. 도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100) 및 방법은, 정상 상태(“일반 상황”)와 변화 상태(카메라의 설치 환경 변화(“감시 시스템 변화 탐지”) 및 축사 내부 환경 변화(“축사 내 환경 변화 탐지”))를 모두 성공적으로 탐지했음을 확인할 수 있다. 즉, 학습 완료된 CAE 모델은, 충분히 확보하기 힘든 축사의 변화된 상태의 데이터 없이도, 정상 상태의 학습 데이터만 학습하여 변화된 상황을 탐지할 수 있다.
보다 구체적으로, 도 5에서 첫 번째 행은 일반적인 상황이라고 분류한 예시이다. 도 5의 두 번째 행은 축사 감시 카메라의 설치 환경 변화를 탐지한 예로, 두 번째 행의 첫 번째 이미지는 설치된 카메라가 여러 이유로 인해 처음 설치된 상태에서 각도의 변동이 발생한 상태이며, 두 번째 이미지는 습기로 인해 카메라 영상이 뿌옇게 보이는 상태이다. 따라서 두 번째 행과 같이 탐지된 두 가지 상황 모두 카메라 관리가 필요한 상태를 의미하며, 학습 완료된 CAE 모델은 카메라가 외부 요인에 의하여 설치 환경에 변화가 발생했을 때 자동으로 탐지할 수 있음을 보여준다. 도 5의 세 번째 행은 축사 내부의 환경 변화 상황을 탐지한 예로, 해당 이미지는 축사 내에서 육성단계에 따라 사육장소를 이동하는 상황이다. 따라서 학습 완료된 CAE 모델은 축사 내부에서 발생하는 환경 변화를 자동으로 탐지할 수 있음을 보여준다.
전술한 바와 같이, 본 발명에서 제안하고 있는 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100) 및 방법에 따르면, 축사 감시 카메라에서 촬영된 정상 상태의 영상 데이터를 이용해 CAE 기반으로 비지도 학습 완료된 CAE 모델을 이용해 입력 이미지(10)로부터 복원 이미지(20)를 생성하고, 복원 이미지(20)와 입력 이미지(10) 사이의 차이를 비교해 환경 변화를 판단함으로써, 축사 감시 카메라 시스템의 외부 요인에 의한 카메라 설치 환경의 변화나, 축사 내부에서 발생하는 환경 변화를 카메라로 탐지할 수 있다. 따라서 축사 내부 변화 시점을 자동으로 탐지하여 관리자가 직접 관리 일지를 작성하지 않더라도 이동 날짜 및 변동이 발생한 축사 또는 축방 번호를 자동으로 기록하여 농장 관리에 도움을 줄 수 있고, 가축의 이동 등을 고려해 가축 사육 데이터를 지속해서 모니터링하고 데이터베이스 구축을 할 수 있다. 특히, 축사에 가축 관리를 위한 카메라가 이미 설치된 환경에서는 추가 센서의 설치가 없어도 본 발명을 쉽게 적용할 수 있으므로, 기존의 감시 시스템에서도 효율적으로 활용될 수 있다.
본 발명의 실시예는 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램 또는 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비 분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비 분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
본 발명은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명된 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명된 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 입력 이미지
20: 복원 이미지
100: 변화 탐지 장치
110: 학습부
120: 추론부
130: 판단부
S110: 학습 단계
S120: 추론 단계
S130: 판단 단계
20: 복원 이미지
100: 변화 탐지 장치
110: 학습부
120: 추론부
130: 판단부
S110: 학습 단계
S120: 추론 단계
S130: 판단 단계
Claims (8)
- 축사 내부에 설치된 축사 감시 카메라에서 촬영된 영상을 이용해 축사 감시 카메라의 설치 환경 변화 또는 축사 내부 환경 변화를 탐지하는 변화 탐지 장치(100)로서,
축사 내부에 설치된 축사 감시 카메라에서 촬영된 정상 상태의 영상 데이터를 이용해 CAE(Convolutional Auto-Encoder) 기반으로 비지도 학습(Unsupervised Learning)을 수행하는 학습부(110);
축사 감시 카메라에서 촬영된 입력 이미지(10)로부터 상기 비지도 학습을 통해 학습 완료된 CAE 모델을 통해 복원 이미지(20)를 생성하는 추론부(120); 및
상기 복원 이미지(20)와 입력 이미지(10) 사이의 차이를 비교해 미리 설정된 기준을 초과하면 환경 변화로 판단하는 판단부(130)를 포함하며,
상기 판단부(130)는,
상기 축사 감시 카메라의 각도 및 위치 변경, 습기나 먼지에 의한 영상 상태 변화를 포함하는 축사 감시 카메라의 설치 환경 변화, 및 가축의 방 이동이나 사람의 출입을 포함하는 축사 내부 환경 변화를 판단하며,
축사 감시 카메라의 설치 환경 변화 및 축사 내부 환경 변화의 변화 시점을 자동으로 탐지하여 이동 날짜 및 변동이 발생한 축사 또는 축방 번호를 자동으로 기록하여, 가축의 이동을 고려해 가축 사육 데이터를 지속해서 모니터링하고 데이터베이스 구축을 하는 것을 특징으로 하는, 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100).
- 제1항에 있어서, 상기 CAE는,
서로 대칭 구조를 이루는 인코더 네트워크(encoder network)와 디코더 네트워크(decoder network)로 구성되되, 인코더 네트워크에서는 컨볼루셔널 레이어(Convoultional Layer)를 사용하고, 디코더 네트워크에서는 전치 컨볼루션(Transposed Convolution) 연산을 사용하는 것을 특징으로 하는, 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100).
- 제1항에 있어서, 상기 학습부(110)는,
손실 함수를 평균 제곱 오차(Mean Square Error, MSE)로 정의하고, 평균 제곱 오차를 최소화하도록 학습을 수행하는 것을 특징으로 하는, 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100).
- 제1항에 있어서, 상기 판단부(130)는,
상기 복원 이미지(20)와 입력 이미지(10) 사이의 평균 제곱 오차가 상기 미리 설정된 기준을 초과하면 환경 변화로 판단하는 것을 특징으로 하는, 축사 감시 카메라를 이용한 환경 변화 탐지 장치(100).
- 축사 내부에 설치된 축사 감시 카메라에서 촬영된 영상을 이용해 축사 감시 카메라의 설치 환경 변화 및 축사 내부 환경 변화를 탐지하는, 변화 탐지 장치(100)에서 각 단계가 수행되는 변화 탐지 방법으로서,
(1) 축사 내부에 설치된 축사 감시 카메라에서 촬영된 정상 상태의 영상 데이터를 이용해 CAE(Convolutional Auto-Encoder) 기반으로 비지도 학습(Unsupervised Learning)을 수행하는 학습 단계(S110);
(2) 축사 감시 카메라에서 촬영된 입력 이미지(10)로부터 상기 비지도 학습을 통해 학습 완료된 CAE 모델을 통해 복원 이미지(20)를 생성하는 추론 단계(S120); 및
(3) 상기 복원 이미지(20)와 입력 이미지(10) 사이의 차이를 비교해 미리 설정된 기준을 초과하면 환경 변화로 판단하는 판단 단계(S130)를 포함하며,
상기 판단 단계(S130)에서는,
상기 축사 감시 카메라의 각도 및 위치 변경, 습기나 먼지에 의한 영상 상태 변화를 포함하는 축사 감시 카메라의 설치 환경 변화, 및 가축의 방 이동이나 사람의 출입을 포함하는 축사 내부 환경 변화를 판단하며,
축사 감시 카메라의 설치 환경 변화 및 축사 내부 환경 변화의 변화 시점을 자동으로 탐지하여 이동 날짜 및 변동이 발생한 축사 또는 축방 번호를 자동으로 기록하여, 가축의 이동을 고려해 가축 사육 데이터를 지속해서 모니터링하고 데이터베이스 구축을 하는 것을 특징으로 하는, 축사 감시 카메라를 이용한 환경 변화 탐지 방법.
- 제5항에 있어서, 상기 CAE는,
서로 대칭 구조를 이루는 인코더 네트워크(encoder network)와 디코더 네트워크(decoder network)로 구성되되, 인코더 네트워크에서는 컨볼루셔널 레이어(Convoultional Layer)를 사용하고, 디코더 네트워크에서는 전치 컨볼루션(Transposed Convolution) 연산을 사용하는 것을 특징으로 하는, 축사 감시 카메라를 이용한 환경 변화 탐지 방법.
- 제5항에 있어서, 상기 학습 단계(S110)에서는,
손실 함수를 평균 제곱 오차(Mean Square Error, MSE)로 정의하고, 평균 제곱 오차를 최소화하도록 학습을 수행하는 것을 특징으로 하는, 축사 감시 카메라를 이용한 환경 변화 탐지 방법.
- 제5항에 있어서, 상기 판단 단계(S130)에서는,
상기 복원 이미지(20)와 입력 이미지(10) 사이의 평균 제곱 오차가 상기 미리 설정된 기준을 초과하면 환경 변화로 판단하는 것을 특징으로 하는, 축사 감시 카메라를 이용한 환경 변화 탐지 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230013298A KR102646871B1 (ko) | 2023-01-31 | 2023-01-31 | 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230013298A KR102646871B1 (ko) | 2023-01-31 | 2023-01-31 | 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102646871B1 true KR102646871B1 (ko) | 2024-03-13 |
Family
ID=90299158
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230013298A KR102646871B1 (ko) | 2023-01-31 | 2023-01-31 | 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102646871B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101716365B1 (ko) * | 2015-05-14 | 2017-03-15 | 군산대학교산학협력단 | 실시간 가축 도난 감지를 위한 모듈화 기반의 지능형 영상 감시 시스템 및 그 방법 |
| KR20200038509A (ko) * | 2017-08-07 | 2020-04-13 | 더 잭슨 래보라토리 | 장기적이고 지속적인 동물 행동 모니터링 |
| US20210110550A1 (en) * | 2016-03-18 | 2021-04-15 | President And Fellows Of Harvard College | Automatically classifying animal behavior |
| JP2022507490A (ja) * | 2018-11-19 | 2022-01-18 | コーチェック アイエヌシー | 活動検証のためのシステム及び方法 |
| CN115359511A (zh) * | 2022-08-04 | 2022-11-18 | 华南农业大学 | 一种猪只异常行为检测方法 |
-
2023
- 2023-01-31 KR KR1020230013298A patent/KR102646871B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101716365B1 (ko) * | 2015-05-14 | 2017-03-15 | 군산대학교산학협력단 | 실시간 가축 도난 감지를 위한 모듈화 기반의 지능형 영상 감시 시스템 및 그 방법 |
| US20210110550A1 (en) * | 2016-03-18 | 2021-04-15 | President And Fellows Of Harvard College | Automatically classifying animal behavior |
| KR20200038509A (ko) * | 2017-08-07 | 2020-04-13 | 더 잭슨 래보라토리 | 장기적이고 지속적인 동물 행동 모니터링 |
| JP2022507490A (ja) * | 2018-11-19 | 2022-01-18 | コーチェック アイエヌシー | 活動検証のためのシステム及び方法 |
| CN115359511A (zh) * | 2022-08-04 | 2022-11-18 | 华南农业大学 | 一种猪只异常行为检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| Martin Wutke et al., "Investigation of Pig Activity Based on Video Data and Semi-Supervised Neural Networks", AgriEngineering 2020, 2, 581-595 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190286725A1 (en) | Intelligent preprocessing of multi-dimensional time-series data | |
| US7751647B2 (en) | System and method for detecting an invalid camera in video surveillance | |
| CN1898960A (zh) | 视频绊索 | |
| US20200226360A1 (en) | System and method for automatically detecting and classifying an animal in an image | |
| KR20070053358A (ko) | 감시 시스템을 위한 타깃 속성 맵 | |
| AU2006237604A1 (en) | Video image processing appliance manager | |
| GB2408877A (en) | Environment monitoring wherein parts of images may be masked | |
| US11776271B2 (en) | Systems and methods for creating a story board with forensic video analysis on a video repository | |
| KR102584357B1 (ko) | 반문 이미지를 기반으로 한 축산 동물의 개체 식별 장치 및 영상을 기반으로 한 가축 행동 패턴 분류 시스템 및 가축 행동 패턴 분류 방법 | |
| CN113168528A (zh) | 持续学习图像流处理*** | |
| CN115273231A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
| KR102646871B1 (ko) | 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법 | |
| CN117351271A (zh) | 高压配电线路监控设备故障监测方法、***及其存储介质 | |
| US11210378B2 (en) | System and method for authenticating humans based on behavioral pattern | |
| CN113158842A (zh) | 一种识别方法、***、设备及介质 | |
| CN113902997A (zh) | 基于视频监控的异常行为报警方法及*** | |
| CN114040223A (zh) | 一种图像处理方法及*** | |
| CN111627060A (zh) | 一种用于动物运动信息统计的数据处理方法及*** | |
| CN112837471A (zh) | 网约房安全监控方法和装置 | |
| Gat et al. | Animal Detector System for Forest Monitoring Using OpenCV and Raspberry-pi | |
| KR102646869B1 (ko) | 축사 관리 카메라를 위한 카메라 관리 시스템 및 방법 | |
| US20220239861A1 (en) | Video management system and video management method | |
| US11682213B2 (en) | Method and device for training image analysis neural network model and intelligent image capturing apparatus employing the same | |
| KR102509581B1 (ko) | 영상 판단 장치 및 그 판단 방법 | |
| US20230368536A1 (en) | Site-Based Calibration of Object Detection Rules |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |