KR20200002315A - 사육장 환경 관리 시스템, 단말 및 그 방법 - Google Patents
사육장 환경 관리 시스템, 단말 및 그 방법 Download PDFInfo
- Publication number
- KR20200002315A KR20200002315A KR1020180075682A KR20180075682A KR20200002315A KR 20200002315 A KR20200002315 A KR 20200002315A KR 1020180075682 A KR1020180075682 A KR 1020180075682A KR 20180075682 A KR20180075682 A KR 20180075682A KR 20200002315 A KR20200002315 A KR 20200002315A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- environment
- kennel
- environmental
- parameter
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 40
- 230000007613 environmental effect Effects 0.000 claims abstract description 126
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 93
- 230000033001 locomotion Effects 0.000 claims abstract description 75
- 230000003542 behavioural effect Effects 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 238000007726 management method Methods 0.000 claims description 79
- 238000009826 distribution Methods 0.000 claims description 58
- 238000004891 communication Methods 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 45
- 238000003384 imaging method Methods 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000004378 air conditioning Methods 0.000 claims description 22
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 8
- 239000001569 carbon dioxide Substances 0.000 claims description 7
- 235000021050 feed intake Nutrition 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000004584 weight gain Effects 0.000 claims description 3
- 235000019786 weight gain Nutrition 0.000 claims description 3
- 244000144972 livestock Species 0.000 abstract description 63
- 238000010191 image analysis Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 201000010099 disease Diseases 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 241001465754 Metazoa Species 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 241000283690 Bos taurus Species 0.000 description 4
- 241000287828 Gallus gallus Species 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 235000013330 chicken meat Nutrition 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011410 subtraction method Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 208000007212 Foot-and-Mouth Disease Diseases 0.000 description 3
- 241000710198 Foot-and-mouth disease virus Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 206010064097 avian influenza Diseases 0.000 description 3
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 244000144977 poultry Species 0.000 description 3
- 235000013594 poultry meat Nutrition 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 241000272517 Anseriformes Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000012190 activator Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003287 bathing Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008685 targeting 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
-
- 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
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Environmental Sciences (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Agronomy & Crop Science (AREA)
- Image Analysis (AREA)
Abstract
본 발명의 실시예에 따른 단말은 개체에 대한 정보가 포함된 영상 데이터로부터 사육장 내 가축의 위치 또는 움직임 중 적어도 하나를 검출하여 상기 가축에 대한 행동 성향 데이터를 생성하는 영상 분석부, 그리고 상기 행동 성향 데이터와 상기 사육장의 환경 데이터를 기계학습 기반의 최적 환경 추정 알고리즘에 적용하여 상기 가축의 성장에 최적화된 최적 환경 파라미터를 추정하고, 상기 환경 데이터에 기반한 추천 환경 파라미터와 상기 최적 환경 파라미터 중 적어도 하나에 기초하여 최종 환경 파라미터를 산출하는 환경 파라미터 추정부를 포함한다.
Description
실시 예는 사육장 환경 관리 시스템, 단말 및 그 방법에 관한 것이다.
최근 광우병, 구제역, 조류 독감 등 축산 농가에서 사육하는 가축을 대상으로 하는 질병이 확산되고 있다. 광우병, 구제역, 조류 독감과 같은 가축 질병은 가축의 치사율 및 전염율이 매우 높은 반면, 그 치료법 발견되지 않아 대부분 살처분을 통해 문제를 해결하고 있다. 이러한 가축 질병들은 사람에게 전염될 가능성이 제기되어 더 큰 문제가 되고 있다.
특히, 광우병, 구제역, 조류 독감과 같은 가축 질병들은 전 세계적으로 우리 나라에 집중적으로 발생하고 있는데, 경제협력개발기구(OECD)는 가축질병의 주요 원인으로 좁은 면적에서 집약적으로 가축을 키우는 공장식 축산을 지목하고 있다. 그러나 농지가 부족한 우리 나라 현황에서 공장식 축산 방식을 당장 벗어나는 것은 어려운 실정이다.
따라서, 가축을 사육하는 사육장의 환경을 개선하여 가축 질병의 발병을 감소시킴과 동시에 가축의 생산량을 향상시킬 수 있는 시스템의 연구가 필요하다.
실시 예는 사육장의 가축 사육 환경을 최적화하여 생산 능력을 향상시키기 위한 사육장 환경 관리 시스템, 단말 및 그 방법을 제공하기 위한 것이다. 실시 예에서 해결하고자 하는 과제는 이에 한정되는 것은 아니며, 아래에서 설명하는 과제의 해결수단이나 실시 형태로부터 파악될 수 있는 목적이나 효과도 포함된다고 할 것이다.
본 발명의 실시예에 따른 사육장 환경 관리 단말은 개체에 대한 정보가 포함된 영상 데이터로부터 사육장 내 동작 개체의 위치 또는 움직임 중 적어도 하나를 검출하여 상기 동작 개체에 대한 행동 성향 데이터를 생성하는 영상 분석부, 그리고 상기 행동 성향 데이터와 상기 사육장의 환경 데이터를 기계학습 기반의 최적 환경 추정 알고리즘에 적용하여 상기 동작 개체의 성장에 최적화된 최적 환경 파라미터를 추정하고, 상기 환경 데이터에 기반한 추천 환경 파라미터와 상기 최적 환경 파라미터 중 적어도 하나에 기초하여 최종 환경 파라미터를 산출하는 환경 파라미터 추정부를 포함한다.
상기 행동 성향 데이터는, 상기 동작 개체에 대한 위치 분포 데이터 및 동작 데이터 중 적어도 하나를 포함할 수 있다.
상기 영상 분석부는, 상기 영상 데이터로부터 상기 개체의 에지를 검출하고, 검출된 상기 개체의 에지와 기 저장된 비교 데이터베이스(Data Base)에 기초하여 상기 복수 영역별 개체의 분포도를 계산하여 상기 위치 분포 데이터를 생성하는 제1 분석 유닛을 포함할 수 있다.
상기 비교 데이터 베이스는, 기 촬영한 개체의 영상들로부터 구축된 훈련 DB를 기계학습 알고리즘에 적용하여 학습된 개체 DB를 포함할 수 있다.
상기 영상 분석부는, 상기 영상 데이터의 픽셀에 대한 모션 벡터를 연산하고, 상기 모션 벡터에 기초하여 상기 복수 영역별 개체의 활동성을 계산하여 상기 동작 데이터를 생성하는 제2 분석 유닛을 포함할 수 있다.
상기 환경 데이터는, 모이 제공량, 모이 섭취량, 월령, 동작 개체 증체량, 상기 사육장의 온도, 습도, 이산화탄소량, 외부 기온 중 적어도 하나를 포함할 수 있다.
상기 환경 파라미터 추정부는, 상기 모이 제공량, 월령, 증체량, 상기 사육장의 온도, 습도, 이산화탄소량, 외부 기온 중 적어도 하나와 상기 개체의 위치 분포 데이터 및 동작 데이터 중 적어도 하나의 상관성에 기초하여 상기 제1 훈련 데이터셋을 생성할 수 있다.
상기 최적 환경 파라미터는, 상기 사육장의 목표 온도, 목표 습도, 목표 급이량 및 목표 급수량 중 적어도 하나를 포함할 수 있다.
상기 환경 파라미터 추정부는, 상기 행동 성향 데이터 및 환경 데이터와 각각에 대응하는 신뢰 범위에 기초하여 데이터 신뢰도를 산출하고, 상기 데이터 신뢰도와 기 설정된 임계값을 비교한 결과에 따라 상기 행동 성향 데이터 및 환경 데이터에 대한 경보 신호를 생성할 수 있다.
상기 환경 파라미터 추정부는, 상기 경보 신호에 대한 사용자의 판단 결과를 저장하고, 상기 경보 신호에 대응하는 상기 행동 성향 데이터 및 환경 데이터가 입력되면 저장된 상기 사용자의 판단 결과를 이용하여 상기 데이터 신뢰도를 산출할 수 있다.
상기 환경 파라미터 추정부는, 상기 추천 환경 파라미터와 상기 환경 데이터에 기초하여 상기 추천 환경 파라미터 적용시 상기 사육장 환경의 악화 여부를 판단하며, 상기 사육장 환경이 악화된다고 판단되면 상기 최적 환경 파라미터를 상기 최종 환경 파라미터로 결정하고, 상기 사육장 환경이 좋아진다고 판단되면, 상기 최적 환경 파라미터와 상기 추천 파라미터를 조합하여 상기 최종 환경 파라미터를 산출할 수 있다.
상기 추천 환경 파라미터는, 기계 학습 기반의 추천 환경 추정 알고리즘을 포함하는 학습 서버에 의해 생성될 수 있다.
상기 학습 서버는, 상기 환경 데이터를 및 상기 사육장의 동작 개체 생산량을 조합하여 제2 훈련 데이터셋을 생성하고, 상기 환경 파라미터 추정부는, 상기 제2 훈련 데이터셋을 이용하여 상기 추천 환경 추정 알고리즘을 학습시킬 수 있다.
상기 학습 서버는, 상기 사육장 이외의 타 사육장에 대한 환경 데이터를 및 동작 개체 생산량을 조합하여 제2 훈련 데이터셋을 생성하고, 상기 환경 파라미터 추정부는, 상기 제2 훈련 데이터셋을 이용하여 상기 추천 환경 추정 알고리즘을 학습시킬 수 있다.
상기 학습 서버는, 날짜, 지역 및 장소 중 적어도 하나에 따라 상기 추천 환경 추정 알고리즘을 학습시킬 수 있다.
본 발명의 실시예에 따른 사육장 환경 관리 방법은 촬상 장치가 사육장 내 전경을 촬영하여 개체에 대한 정보가 포함된 영상 데이터를 생성하는 단계, 센싱 장치가 상기 사육장 내 환경을 계측하여 환경 데이터를 생성하는 단계, 사육장 환경 관리 단말이 상기 영상 데이터로부터 사육장 내 동작 개체의 위치 또는 움직임 중 적어도 하나를 검출하여 상기 동작 개체에 대한 행동 성향 데이터를 생성하는 단계, 사육장 환경 관리 단말이 상기 개체의 행동 성향과 상기 사육장의 환경 데이터를 기계학습 기반의 최적 환경 추정 알고리즘에 적용하여 상기 동작 개체의 성장에 최적화된 최적 환경 파라미터를 추정하는 단계, 학습 서버가 현재 날짜, 상기 사육장이 위치한 지역 및 장소 중 적어도 하나에 따라 추천 환경 파라미터를 생성하여 상기 사육장 환경 관리 단말로 전송하는 단계, 상기 환경 데이터에 기반한 추천 환경 파라미터와 상기 최적 환경 파라미터 중 적어도 하나에 기초하여 최종 환경 파라미터를 산출하는 단계, 그리고 공조 장치가 상기 사육장 환경 관리 단말로부터 상기 최종 환경 파라미터를 수신하고, 상기 최종 환경 파라미터에 기초하여 상기 사육장 내 온도 및 습도 중 적어도 하나를 조절하는 단계를 포함한다.
본 발명의 실시예에 따른 통신 단말은 공조 장치와 통신하는 통신 프로세서; 및 촬영 영상을 입력받고, 상기 촬영 영상 내 개체의 위치와 상기 개체의 움직임 유무를 지시(indicating)하도록 픽셀 영역이 마스킹 된 영상을 출력하고, 상기 마스킹 된 영상 및 현재 온도 및 현재 습도 중 적어도 하나를 이용하여 상기 공조 장치의 목표 온도 및 목표 습도 중 적어도 하나를 조절하는 조절신호를 생성하는 제어부를 포함하고, 상기 조절신호를 상기 공조 장치로 전송한다.
실시 예에 따르면, 사육장의 상태를 실시간 반영하여 사육장 환경을 관리함으로써 가축 생산량을 향상시킬 뿐만 아니라 가축 질병을 예방할 수 있는 장점이 있다.
본 발명의 다양하면서도 유익한 장점과 효과는 상술한 내용에 한정되지 않으며, 본 발명의 구체적인 실시형태를 설명하는 과정에서 보다 쉽게 이해될 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 사육장 환경 관리 시스템의 개념도이다.
도 2는 본 발명의 실시예에 따른 촬상 장치의 구성도이다.
도 3은 본 발명의 실시예에 따른 촬상 장치의 배치를 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 센싱 장치의 배치를 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 사육장 환경 관리 단말의 구성도이다.
도 6은 본 발명의 실시예에 따른 사육장 환경 관리 단말의 사육장 환경 관리 방법에 대한 순서도이다.
도 7은 본 발명의 실시예에 따른 사육장 환경 관리 시스템의 사육장 환경 관리 방법에 대한 순서도이다.
도 8은 본 발명의 실시예에 따른 기계학습 기반의 분포량 예측 알고리즘을 설명하기 위한 도면이다.
도 9는 본 발명의 실시예에 따른 최적 환경 파라미터 산출에 따른 데이터 흐름도를 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 촬상 장치의 구성도이다.
도 3은 본 발명의 실시예에 따른 촬상 장치의 배치를 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 센싱 장치의 배치를 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 사육장 환경 관리 단말의 구성도이다.
도 6은 본 발명의 실시예에 따른 사육장 환경 관리 단말의 사육장 환경 관리 방법에 대한 순서도이다.
도 7은 본 발명의 실시예에 따른 사육장 환경 관리 시스템의 사육장 환경 관리 방법에 대한 순서도이다.
도 8은 본 발명의 실시예에 따른 기계학습 기반의 분포량 예측 알고리즘을 설명하기 위한 도면이다.
도 9는 본 발명의 실시예에 따른 최적 환경 파라미터 산출에 따른 데이터 흐름도를 나타낸 개념도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제2, 제1 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 실시예에 따른 사육장 환경 관리 시스템의 개념도이다.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 사육장 환경 관리 시스템은 촬상 장치(100), 센싱 장치(200), 사육장 환경 관리 단말(300) 및 공조 장치(500)를 포함할 수 있다. 여기서, 사육장은 가축을 사육하는 축사를 의미한다. 가축은 닭, 오리 등의 가금류뿐만 아니라, 소, 돼지 등 축사 내에서 집단으로 사육되는 다양한 종류의 동물일 수 있다.
우선, 촬상 장치(100)는 사육장 내의 환경을 촬영하고, 개체가 촬영된 영상 데이터를 사육장 환경 관리 단말(300)에 전송할 수 있다. 이를 위하여, 촬상 장치(100)는 사육장 환경 관리 단말(300)과 유선 또는 무선으로 통신할 수 있다.
사육장 내에는 복수의 촬상 장치(100)가 배치될 수 있다. 촬상 장치(100)는 이미지 센서에서 촬영한 영상 데이터를 사육장 환경 관리 단말(300)로 전송할 수 있다. 또는, 사육장내에는 별도의 데이터 수집장치가 배치되어 복수의 촬상 장치(100)로부터 영상 데이터를 수집하여 사육장 환경 관리 단말(300)로 전송할 수 있다. 사육장 내부의 상태를 정밀하게 분석하기 위하여 촬상 장치(100)의 영상 데이터는 고화질, 고용량의 특성을 가질 수 있다. 그러므로, 복수의 촬상 장치(100)에서 촬영된 영상 데이터를 실시간으로 원격의 사육장 환경 관리 단말(300)로 전송하기 위하여서는 큰 대역폭이 요구될 수 있으며, 이에 따라 전송 속도가 저하될 수 있다. 따라서, 별도의 데이터 수집장치에서는 사육장내의 촬상 장치(100)로부터 영상 데이터를 수집하여 인코딩 한 후 사육장 환경 관리 단말(300)로 전송함으로써 통신 대역폭을 저감시키고, 전송 속도를 향상시킬 수 있다. 또는, 촬상 장치(100)는 영상 데이터를 이용하여 사육장 상태를 분석하기 위한 1차 분석을 수행한 후, 가공된 데이터를 데이터 수집장치(미도시)에 전달하거나 또는 사육장 환경 관리 단말(300)에 전송할 수 있다. 즉, 촬상 장치(100)는 사육장의 상태 분석을 위하여 필요한 데이터만을 선별하여 데이터 수집장치에 전달하거나 또는 사육장 환경 관리 단말(300)에 전송함으로써 통신 자원을 효율적으로 관리할 수 있다. 또는 촬상 장치(100)는 사육장을 촬영한 영상 데이터를 이용하여 사육장 내부 상태를 1차적으로 분석하여 그 결과를 데이터 수집장치에 전달하거나 또는 사육장 환경 관리 단말(300)에 전송할 수 있다.
다음으로, 센싱 장치(200)는 사욕장 내의 환경 정보를 계측하고, 환경 정보가 포함된 환경 데이터를 생성하여 사육장 환경 관리 단말(300)로 전송할 수 있다. 이를 위하여, 센싱 장치(200)는 사육장 환경 관리 단말(300)과 유선 또는 무선으로 통신할 수 있다. 사육장 내에는 복수의 센싱 장치(200)가 배치될 수 있다. 복수의 센싱 장치(200)는 사육장의 환경을 계측한 환경 데이터를 사육장 환경 관리 단말(300)로 직접 전송할 수 있다. 또는, 사육장내에는 별도의 데이터 수집장치가 배치되어, 데이터 수집장치가 복수의 센싱 장치(200)로부터 환경 데이터를 수집하여 사육장 환경 관리 단말(300)로 전송할 수 있다.
센싱 장치(200)는 여러 종류의 환경 정보를 계측하는 센서가 모듈화 된 장치일 수 있다. 예를 들어, 센싱 장치(200)는 온도 센서, 습도 센서, 가스 센서 등 환경 정보를 계측하기 위한 센서가 모듈화 된 장치일 수 있다. 복수의 센서가 모듈화된 복수의 센싱 장치(200)가 사육장의 여러 위치에 배치된 수 있다. 또는, 복수의 센싱 장치(200)는 상이한 환경 정보를 계측할 수 있다. 예를 들어, 제1 센싱 장치(200)는 사육장 내 온도를 계측하고, 제2 센싱 장치(200)는 사육장 내 습도를 계측할 수 있다. 이때, 동일한 종류의 환경 정보를 계측하는 센싱 장치(200)는 여러 개일 수 있다. 예를 들어, 제1 및 5 센싱 장치(200)는 사육장 내 온도를 계측하고, 제2 내지 4센싱 장치(200)는 사육장 내 습도를 계측할 수 있다.
다음으로, 사육장 환경 관리 단말(300)은 촬상 장치(100)로부터 수신한 영상 데이터와 센싱 장치(200)로부터 수신한 환경 데이터를 이용하여 사육장 내 가축의 성장에 최적화 된 최적 환경 파라미터를 생성한다.
사육장 환경 관리 단말(300)은 개체에 대한 정보가 포함된 영상 데이터로부터 사육장 내 가축의 위치 또는 움직임 중 적어도 하나를 검출하여 사육장 내 가축에 대한 행동 성향 데이터를 생성한다. 그리고 사육장 환경 관리 단말(300)은 행동 성향 데이터와 환경 데이터를 기계학습 기반의 최적 환경 추정 알고리즘에 적용하여 가축의 성장에 최적화된 최적 환경 파라미터를 추정한다. 그리고, 사육장 환경 관리 단말(300)은 사육장에 기반한 추천 환경 파라미터와 최적 환경 파라미터 중 적어도 하나에 기초하여 최종 환경 파라미터를 산출한다.
사육장 환경 관리 단말(300)은 퍼스널 컴퓨터(Personal Computer, PC), 태블릿 PC, 휴대 단말 등으로 구현될 수 있으며, 서버(server)나 클라우드(cloud)의 형태로 구현될 수도 있다. 사육장 환경 관리 단말(300)이 복수의 사육장으로부터 정보를 전송 받는 중앙 서버일 경우에 관리자는 사육장 환경 관리 단말(300)과의 접근성이 용이하지 않을 수 있다. 이런 경우 사육장 환경 관리 단말(300)은 별도의 관리자의 휴대단말 등을 통하여 사육장 관리에 대한 정보를 전달 할 수 있다. 사육장 환경 관리 단말(300)에 대한 구체적인 내용은 아래에서 도면을 통해 상세하게 설명하도록 한다.
다음으로, 학습 서버(400)는 추천 환경 파라미터를 생성하는 기계 학습 기반의 추천 환경 추정 알고리즘을 포함하는 장치이다. 학습 서버(400)는 현재 날짜, 사육장이 위치한 지역 및 장소 중 적어도 하나에 따라 추천 환경 추정 알고리즘을 통해 추천 환경 파라미터를 생성할 수 있다. 학습 서버(400)는 제2 훈련 데이터를 통해 추천 환경 추정 알고리즘을 학습시킴으로써 추천 환경 파라미터의 적정성을 향상시킬 수 있다. 제2 훈련 데이터는 학습 서버(400)와 연결된 복수의 사육장 환경 관리 단말(300)로부터 획득한 환경 데이터 및 가축 생산량 정보로부터 생성될 수 있다. 학습 서버(400)는 퍼스널 컴퓨터(Personal Computer, PC), 태블릿 PC, 휴대 단말 등으로 구현될 수 있으며, 클라우드(cloud)의 형태로 구현될 수도 있다. 학습 서버(400)에 대한 구체적인 내용은 아래에서 도면을 통해 상세하게 설명하도록 한다.
다음으로, 공조 장치(500)는 사육장의 온도를 조절하는 장치이다. 공조 장치(500)는 사육장 환경 관리 단말(300)로부터 수신한 최적 환경 파라미터에 기초하여 사육장 내 온도 및 습도 중 적어도 하나를 조절할 수 있다. 예를 들어, "목표 온도 20도"라는 최적 환경 파라미터를 수신하였다고 가정한다. 이때, 사육장의 온도가 25도라면, 공조 장치(500)는 사육장의 실내 온도가 20도에 도달하도록 냉열원을 가동시킬 수 있다. 다른 예로,"목표 습도 40%"라는 최적 환경 파라미터를 수신하였다고 가정한다. 이때, 사육장의 습도가 70%라면, 공조 장치(500)는 사육장의 실내 습도가 40%에 도달하도록 송풍기를 가동시킬 수 있다.
한편, 본 발명의 실시예에 따른 사육장 환경 관리 시스템은 통신 단말(미도시)을 더 포함할 수 있다.
통신 단말은 통신 프로세서 및 제어부를 포함할 수 있다.
구체적으로, 통신 프로세서는 공조 장치(500)와 통신을 수행하며, 통신 단말의 제어부가 생성한 조절신호를 공조 장치로 전송할 수 있다. 또한, 통신 프로세서는 촬상 장치(100), 센싱 장치(200), 사육장 환경 관리 단말(300) 및 학습 서버(400)와 통신을 수행하며, 촬영 영상과 같은 데이터를 수신할 수 있다.
제어부는 촬영 영상을 입력받고, 촬영 영상 내 개체의 위치와 개체의 움직임 유무를 지시(indicating)하도록 픽셀 영역이 마스킹 된 영상을 출력할 수 있다. 예를 들어, 제어부는 촬영 영상에 대한 동작 데이터 및 위치 분포 데이터가 촬영 영상의 픽셀 영역에 마스킹된 영상을 출력할 수 있다. 이때, 동작 데이터 및 위치 분포 데이터는 영역 별, 블록 별, 또는 픽셀 별로 나타내어질 수 있다. 본 명세서에서, 이상 개체 정보는 이상 개체 데이터와 혼용될 수 있다. 또는, 이상 개체 정보는 이상 개체 데이터로부터 얻어지는 정보일 수도 있다. 예를 들어, 원본의 촬영 영상의 픽셀에 객체가 존재할 확률이 높을수록, 마스킹된 영상의 해당 픽셀의 값은 높은 값을 가질 수 있다. 다른 예로, 영상 데이터의 구분된 영역 또는 블록 별로 해당되는 영역 또는 블록에 움직임이 존재했는지 여부를 나타내거나 픽셀 별로 해당되는 픽셀에 움직임이 존재했는지 여부를 나타낼 수 있다.
그리고, 제어부는 마스킹 된 영상 및 현재 온도 및 현재 습도 중 적어도 하나를 이용하여 공조 장치의 목표 온도 및 목표 습도 중 적어도 하나를 조절하는 조절신호를 생성할 수 있다.
도 2는 본 발명의 실시예에 따른 촬상 장치의 구성도이다.
도 2를 참조하면, 촬상 장치는 촬영부(111), 제어부(112), 제1 통신부를 포함할 수 있으며, 인코딩부(114), 데이터베이스(115), 광원부(116), 팬틸트부(117)를 더 포함할 수 있다. 제어부(112), 인코딩부(114) 중 적어도 하나는 컴퓨터 프로세서 또는 칩에 의하여 구현될 수 있으며, 데이터베이스는 메모리와 혼용될 수 있고, 통신부는 안테나 또는 통신 프로세서 등과 혼용될 수 있다.
우선, 촬영부(111)는 복수 개체를 포함하는 이미지를 촬영할 수 있다. 본 발명의 실시예에서 복수 개체는 사육장 내부에서 사육되는 가금류를 의미할 수 있다. 촬영부(111)는 복수 개체를 포함하는 이미지를 이용하여 영상 데이터를 생성할 수 있다. 하나의 제1영상 데이터는 단일 프레임을 의미할 수 있다. 촬영부(111)는 순차적으로 촬영되는 이미지를 이용하여 복수의 영상 데이터를 생성할 수 있다.
촬영부(111)는 COMS(complementary metal-oxide semiconductor) 모듈 또는 CCD(charge coupled device) 모듈 등을 이용하여 피사체를 촬영하는 이미지 센서일 수 있다. 이때, 입력되는 영상 프레임은 렌즈를 통해 촬영부(111) 내의 COMS 모듈 또는 CCD 모듈로 제공되고, COMS 모듈 또는 CCD 모듈은 렌즈를 통과한 피사체의 광신호를 전기적 신호(영상 데이터)로 변환하여 출력한다.
촬영부(111)는 시야각이 넓은 어안렌즈 또는 광각렌즈를 포함할 수 있다. 이에 따라, 하나의 촬상 장치가 사육장 내부의 전체 공간을 촬영하는 것이 가능하다.
또한, 촬영부(111)는 깊이 카메라일 수 있다. 촬영부(111)는 다양한 깊이 인식 방식 중 어느 하나의 방식으로 구동될 수 있으며, 촬영부(111)를 통하여 촬영된 영상에는 깊이 정보가 포함될 수 있다. 촬영부(111)는 예를 들어, 키넥트 센서일 수 있다. 키넥트 센서는 구조광 투영 방식의 깊이 카메라로서, 프로젝터나 레이저를 이용하여 정의된 패턴 영상을 투영시키고 카메라를 통하여 패턴이 투영된 영상을 획득함으로써 장면의 삼차원 정보를 획득할 수 있다. 이러한 키넥트 센서는 적외선 레이저를 이용해 패턴을 조사하는 적외선 방사체, 및 적외선 영상을 촬영하는 적외선 카메라를 포함하며, 일반적인 웹캠과 같은 기능을 하는 RGB 카메라가 적외선 방사체와 적외선 카메라 사이에 배치되어 있다. 이 외에도, 키넥트 센서에는 마이크 배열과 카메라의 각도를 조절하는 팬틸트부(117)가 더 구성될 수 있다.
키넥트 센서의 기본적인 원리는, 적외선 방사체에서 조사된 레이저 패턴이 물체에 투영되어 반사되면, 반사 지점에서의 패턴의 위치 및 크기를 이용해 물체 표면까지의 거리를 구하게 된다. 이러한 원리에 따라, 촬영부(111)는 축사 내 공간으로 레이저 패턴을 조사하고, 개체에서 반사된 레이저 패턴을 센싱하여 개체 별 깊이 정보를 포함하는 영상 데이터를 생성할 수 있다.
다음으로, 제어부(112)는 촬상 장치 전반의 동작을 제어한다. 일례로, 제어부(112)는 촬영부(111)를 제어하여 이상 개체가 있는 특정 영역을 추적 촬영할 수도 있다. 추적 촬영 대상은 유저 인터페이스부(미도시)를 통하여 설정되거나 또는 사육장 환경 관리 단말의 제어 명령을 통하여 설정될 수도 있다. 제어부(112)는 촬영부(111)를 제어하여 이상개체가 있는 특정 영역을 추적 촬영하여 영상 데이터를 생성하게 함으로써 지속적인 모니터링을 수행할 수 있게 한다.
이때, 제어부(112)는 팬틸트부(117)를 제어하여 추적 촬영을 수행할 수 있다. 팬틸트부(117)는 팬(Pan, 수평방향) 및 틸트(Tilt, 수직 방향) 2개의 모터를 구동하여 촬영부(111)의 촬영 영역을 제어할 수 있다. 팬틸트부(117)는 제어부(112)의 제어에 따라 특정 영역을 촬영하기 위하여 촬영부(111)의 지향 방향을 조절할 수 있다. 또한, 팬틸트부(117)는 제어부(112)의 제어에 따라 특정 개체를 트래킹하기 위하여 촬영부(111)의 지향 방향을 조절할 수 있다.
다음으로, 제1 통신부(113)는 타 촬상 장치, 사육장 환경 관리 단말 중 적어도 하나와 데이터 통신을 수행할 수 있다. 예를 들면, 제1 통신부(113)는 무선랜(Wireless LAN: WLAN), 와이 파이(Wi-Fi), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등의 원거리 통신 기술을 사용하여 데이터 통신을 수행할 수 있다.
또는, 제1 통신부(113)는 블루투스, RFID(RadioFrequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비, 인접 자장 통신(NFC) 등이 포함될 수 있다. 또한, 유선 통신 기술로는, USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등의 근거리 통신 기술을 사용하여 데이터 통신을 수행할 수 있다.
예를 들면, 제1 통신부(113)는 근거리 통신 기술을 사용하여 타 이상 개체 검출 장치와 데이터 통신을 수행하고, 원거리 통신 기술을 사용하여 사육장 환경 관리 단말와 데이터 통신을 수행할 수 있다, 그러나 이에 한정되는 것은 아니고, 사육장의 제반 사항 등을 고려하여 다양한 통신 기술이 사용될 수 있다.
제1 통신부(113)는 촬영부(111)에서 촬영한 영상 데이터를 사육장 환경 관리 단말에게 전송할 수 있다. 제1 통신부(113)를 통하여 전송되는 영상 데이터는 인코딩부(114)를 통하여 인코딩된 압축 데이터일 수 있다.
다음으로, 인코딩부(114)는 촬영부(111)에서 촬영한 영상 데이터를 디지털 신호로 부호화한다. 예를 들면, 인코딩부(114)는 H.264, H.265, MPEG(Moving Picture Experts Group), M-JPEG(Motion Joint Photographic Experts Group) 표준에 따라 영상 데이터를 인코딩 할 수 있다.
다음으로, 데이터베이스(115)는 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리등), 자기 메모리, 자기 디스크, 광디스크, 램(Random Access Memory: RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory: ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 중 적어도 하나의 저장매체를 포함할 수 있다. 또한, 촬상 장치는 인터넷(internet) 상에서 데이터베이스(115)의 저장 기능을 수행하는 웹 스토리지(web storage)를 운영하거나, 또는 웹 스토리지와 관련되어 동작할 수도 있다.
데이터베이스(115)는 촬영부(111)에서 촬영한 영상 데이터를 저장할 수 있으며, 과거 일정 기간 동안의 영상 데이터를 저장할 수 있다. 또한, 데이터베이스(115)는 촬상 장치가 동작하는데 필요한 데이터와 프로그램 등을 저장할 수 있다. 또한, 데이터베이스(115)는 다양한 사용자 인터페이스(User Interface: UI) 또는 그래픽 사용자 인터페이스(Graphic User Interface: GUI)를 저장할 수 있다.
다음으로, 광원부(116)는 제어부(112)의 제어에 따라 지향하는 방향으로 광을 조사할 수 있다. 예를 들면, 광원부(116)는 적어도 하나의 레이저 다이오드(laser diode, LD), 발광 다이오드(light emitting diode, LED)를 포함할 수 있다. 광원부(116)는 제어부(112)의 제어에 따라 다양한 파장대의 광을 조사할 수 있다.
예를 들면, 광원부(116)는 야간 촬영을 위하여 적외선 파장대의 광을 조사할 수 있다. 또는, 광원부(116)는 사육장 내 가축의 광화학 치료(photochemotherapy)를 위하여 자외선 파장대의 광을 조사할 수도 있다.
도 3은 본 발명의 실시예에 따른 촬상 장치의 배치를 설명하기 위한 도면이다.
일 실시예에 따르면, 도 3의 (a)에서와 같이, 촬상 장치(100)는 1개로 구현되어, 사육장(10) 내 기 설정된 위치에 배치될 수 있다. 촬상 장치(100)는 사육장(10) 내 전경을 촬영하여 개체에 대한 정보가 포함된 영상 데이터를 생성하기 위하여 촬상 장치(100)의 시야각 등을 고려하여 배치된다. 즉, 촬상 장치(100)는 사육장(10) 내 전경이 전부 촬영될 수 있는 위치에 배치될 수 있다. 예를 들어, 사육장(10) 상부에 배치될 수 있으며, 사육장(10) 측부에 배치될 수도 있다.
다른 예로, 도 3의 (b) 및 도 3의 (c)에서와 같이, 촬상 장치(100)는 복수로 구현되어 사육장(10) 내 기 설정된 여러 장소에 배치될 수 있다. 복수의 촬상 장치(100)는 사육장(10) 내 전경을 촬영하여 개체에 대한 정보가 포함된 영상 데이터를 생성하기 위하여 촬상 장치(100)의 시야각 등을 고려하여 사육장(10) 내 여러 장소에 배치된다. 즉, 촬상 장치(100)는 사육장(10) 내 전경이 전부 촬영될 수 있는 위치에 배치될 수 있다. 예를 들어, 복수의 촬상 장치(100)는 사육장(10) 상부 및 측부에 배치될 수 있다.
한편, 사육장(10)이 복수인 경우, 촬상 장치(100)는 사육장(10) 별로 배치될 수 있으며, 사육장(10) 별로 복수의 촬상 장치(100)가 배치될 수 있다.
도 4는 본 발명의 실시예에 따른 센싱 장치의 배치를 설명하기 위한 도면이다.
센싱 장치(200)는 사육장(10) 내 기 설정된 위치에 배치되어, 사육장(10) 내 환경 정보를 계측하여 환경 데이터를 생성한다. 이때, 센싱 장치(200)는 도 4에 도시된 바와 같이, 사육장(10)의 바닥면으로부터 일정 높이 이상의 위치에 배치될 수 있다. 일정 높이는 사육장(10) 내 가축의 행동 반경에 기초하여 결정될 수 있다. 예를 들어, 가축이 닭인 경우, 닭이 날개짓으로 닿을 수 있는 높이보다 높은 위치에 센싱 장치(200)를 배치할 수 있다.
센싱 장치(200)의 경우, 크기가 소형이고 내구성이 높지 않아 파손이나 고장이 쉽게 발생할 수 있다. 이러한 센싱 장치(200)를 사육장(10) 내 가축의 행동 반경 이내에 설치할 경우, 가축이 센서를 먹이로 오인하여 센싱 장치(200)를 파손할 수 있다. 따라서, 센싱 장치(200)를 사육장(10)의 바닥면으로부터 일정 높이 이상의 위치에 배치하여 파손을 막을 수 있다.
도 5는 본 발명의 실시예에 따른 사육장 환경 관리 단말의 구성도이다.
도 5에 도시된 바와 같이, 본 발명의 실시예에 따른 사육장 환경 관리 단말(300)은 영상 분석부(310) 및 환경 파라미터 추정부(320)를 포함하며, 통신부를 더 포함할 수 있다. 그리고 영상 분석부(310)는 제1 분석 유닛(311) 및 제2 분석 유닛(312)을 포함할 수 있다.
우선, 영상 분석부(310)는 개체에 대한 정보가 포함된 영상 데이터로부터 사육장 내 가축의 위치 또는 움직임 중 적어도 하나를 검출하여 사육장 내 가축에 대한 행동 성향 데이터를 생성한다. 행동 성향 데이터는 가축에 대한 위치 분포 데이터 및 동작 데이터 중 적어도 하나를 포함한다. 위치 분포 데이터는 영상 데이터로부터 가축의 위치를 검출하여 생성되며, 동작 데이터는 영상 데이터로부터 가축의 움직임을 검출하여 생성된다. 영상 분석부(310)는 영상 데이터를 복수 영역으로 구분하고, 복수 영역별로 가축의 활동량 및 분포량 중 적어도 하나를 계산한다. 예를 들어, 영상 데이터를 24개 영역으로 구분하는 경우, 하나의 프레임으로부터 24개의 영역 각각에 대한 활동성 및 분포도가 생성될 수 있다. 여기서, 가축의 활동성이란 구분된 영역에서 모션 벡터량을 의미할 수 있으며, 가축의 분포도란 구분된 영역에서 검출된 가축의 밀도를 의미할 수 있다.
이때, 영상 분석부(310)는 영상 데이터를 생성하는 촬상 장치의 높이, 방향, 렌즈 왜곡 정보 중 적어도 하나에 기초하여 복수 영역 각각의 실제 면적이 동일하도록 영상 데이터를 복수 영역으로 구분할 수 있다. 렌즈 등의 왜곡 등으로 인해 영상 데이터를 동일한 면적으로 구분하더라도 각 영역의 실제 면적은 동일하지 않을 수 있다. 따라서, 영상 데이터 자체를 동일한 면적으로 구분하여 각 영역의 활동량 및 분포량을 계산하는 경우, 각 영역의 실제 면적이 상이하므로 데이터 신뢰도에 문제가 발생할 수 있다. 예를 들어, 영상 데이터를 영상에서 동일 면적으로 구분하고, 복수 영역 중 A 영역에 대응하는 실제 면적은 10m2이고 B 영역에 대응하는 실제 면적은 20m2이라고 가정한다. 이때, A 영역에서 검출된 개체수는 30이고 B영역에서 검출된 개체수는 40인 경우, 실제로는 A 영역의 분포도가 높으나, 계산 결과는 B 영역의 분포도가 높게 산출된다. 이러한 문제점을 해결하고자, 본 발명의 실시예에 따른 영상 분석부(310)는 복수 영역 각각의 실제 면적이 동일하도록 영상 데이터를 복수 영역으로 구분할 수 있다.
그러면, 위치 분포 데이터를 생성하는 과정을 구체적으로 살펴본다. 영상 분석부(310)에 포함된 제1 분석 유닛(311)은 영상 데이터 상에서 가축 개체를 검출하여 위치 분포 데이터를 생성할 수 있다. 즉, 제1 분석 유닛(311)은 가축 개체를 검출하여 가축의 분포량을 계산하는 분포량 예측 알고리즘에 영상 데이터를 입력하여 위치 분포 데이터를 생성할 수 있다. 분포량 예측 알고리즘은 기계학습 기반의 알고리즘일 수 있다. 구체적으로, 제1 분석 유닛(311)은 영상 데이터로부터 개체의 에지를 검출하고, 검출된 개체의 에지와 기 저장된 비교 DB에 기초하여 복수 영역별 개체의 분포량을 계산하여 위치 분포 데이터를 생성할 수 있다. 여기서, 개체는 가축뿐만 아니라 급이기 등을 포함하는 사육장의 배경을 의미할 수 있다.
일 실시예로, 제1 분석 유닛(311)은 영상 데이터에서 개체의 외곽선을 검출하고, 검출된 외곽선과 비교 DB에 미리 저장된 동물 개체의 외형을 비교하여 미리 저장된 동물 개체의 외형과 매칭되는 외곽선을 가진 개체를 가축으로 검출할 수 있다. 이때, 비교 DB에 저장된 가축의 외형은 적어도 하나 이상의 가축의 외형일 수 있으며, 이상 개체 분석부는 상술한 바와 같이 매칭되는 외곽선을 가진 개체를 가축으로서 검출함과 동시에 해당 가축의 종류도 판단할 수 있다.
다른 실시예로, 제1 분석 유닛(311)은 영상 데이터 내의 개체의 특징점을 추출하고, 추출된 특징점이 비교 DB에 미리 저장된 가축의 특징점에 임계치 이상의 근접도로 매칭되면, 해당 영상 데이터 내의 개체를 가축으로서 검출할 수 있다. 이때, 제1 분석 유닛(311)은 비교 대상이 되는 두 개체의 영상에서 특징점을 추출하고, 추출된 두 개체의 특징점 기술자(descriptor)를 매칭하는 SIFT(Scale Invariant Feature Transform) 또는SURF(Speeded Up Robust Features) 알고리즘을 사용할 수 있다.
다른 실시예로, 제1 분석 유닛(311)은 영상 데이터에서 개체들의 윤곽을 기초로 가축을 검출할 수 있다. 보다 구체적으로, 제1 분석 유닛(311)은 영상 데이터에서 개체들의 윤곽을 검출하여 에지 영상을 생성하고, 비교 DB(118)에 미리 저장된 사육장의 배경 영상인 전경 영상 데이터로부터 윤곽을 검출하여 배경 에지 영상을 생성하며, 에지 영상에서 배경 에지 영상을 뺀 차 영상(different image) 에서 가축을 검출할 수 있다. 이때, 제1 분석 유닛(311)은 영상 데이터 프레임의 그래디언트(gradient) 정보를 이용하여 프레임 내에 나타나는 개체의 윤곽을 에지로 검출하여 에지 영상을 생성한다. 여기서, 그래디언트 정보는 프레임에서 소정의 화소들 중 인접하는 화소들 간의 차이값으로부터 생성된 값으로서 차이의 절대값의 합을 의미하고, 에지는 그래디언트 정보를 이용한 개체 간의 경계선을 의미한다.
다른 실시예로, 제1 분석 유닛(311)은 기촬영된 사육장 내 전경의 영상 데이터에서 배경에 해당하는 개체의 에지를 검출하여 배경 에지 영상을 생성할 수 있다. 이때의 배경 에지 영상은 기설정된 영역의 개체들의 윤곽을 배경에지로 검출한 영상일 수 있으나, 기촬영된 사육장 내 전경의 복수개의 영상 데이터 프레임을 비교하여 소정의 횟수이상 반복하여 동일하게 나타나는 개체의 윤곽을 배경에지로 검출한 영상일 수도 있다.
다른 실시예로, 제1 분석 유닛(311)은 개체 검출 분류기를 이용하여 영상 데이터에서 가축을 검출할 수 있다. 이때, 개체 검출 분류기는 가축의 자세나 외부 환경을 달리하여 기촬영한 가축의 영상들로부터 훈련 DB 를 구축하여 학습된 것으로서, 이러한 개체 검출 분류기는 SVM(Support Vector Machine), 신경망, AdaBoost 알고리즘 등을 포함하는 다양한 학습 알고리즘을 통해 가축의 비교 DB 를 생성한다. 구체적으로, 제1 분석 유닛(311)은 기 촬영된 사육장 내 배경의 영상 데이터에서 전경에 해당하는 개체의 에지를 검출하고, 영상 데이터에서 검출된 전경 개체의 에지를 적용하고, 전경 개체의 에지가 적용된 영상 데이터의 영역에 개체 검출 분류기를 적용하여 가축을 검출할 수 있다.
다음으로, 동작 데이터를 생성하는 과정을 구체적으로 살펴본다. 영상 분석부(310)에 포함된 제2 분석 유닛(312)은 영상 데이터를 이용하여 가축의 움직임을 나타내는 동작 데이터를 생성할 수 있다. 즉, 제2 분석 유닛(312)은 개체의 활동량을 계산하는 활동량 예측 알고리즘에 영상 데이터를 입력하여 동작 데이터를 생성할 수 있다. 구체적으로, 제2 분석 유닛(312)은 영상 데이터의 픽셀에 대한 모션 벡터를 연산하고, 모션 벡터에 기초하여 복수 영역별 개체의 활동량을 계산하여 동작 데이터를 생성할 수 있다.
일 실시예로, 제2 분석 유닛(312)은 Dense Optical Flow방식을 이용하여 동작 개체의 움직임을 검출할 수 있다. 제2 분석 유닛(312)은 영상 데이터상의 모든 픽셀에 대해서 모션 벡터(Motion Vector)를 연산하여 각 픽셀에 대한 움직임을 검출할 수 있다. Dense Optical Flow방식의 경우 모든 픽셀에 대하여 모션 벡터를 연산하기 때문에 검출 정확도는 향상되지만 상대적으로 연산량은 증가하게 된다. 따라서, Dense Optical Flow방식은 이상상황이 발생된 것으로 의심되는 사육장이나 개체 숫자가 매우 많은 사육장 등 검출 정확도가 매우 높게 요구되는 특정 영역에 적용될 수 있다.
다른 실시예로, 제2 분석 유닛(312)은 Sparse Optical Flow방식을 이용하여 동작 개체의 움직임을 검출할 수 있다. 제2 분석 유닛(312)은 영상 내 에지와 같은 움직임 추적이 쉬운 특징적인 일부 픽셀에 대해서만 모션 벡터를 연산하여 움직임을 검출할 수 있다. Sparse Optical Flow방식은 연산량이 감소하지만 한정적인 픽셀에 대한 결과만 얻을 수 있다. 따라서, Sparse Optical Flow방식은 개체 숫자가 적은 사육장 또는 개체가 중복되어 나타나지 않는 특정 영역에 적용될 수 있다.
다른 실시예로, 제2 분석 유닛(312)은 Block Matching을 이용하여 동작 개체의 움직임을 검출할 수 있다. 제2 분석 유닛(312)은 영상을 균등하게 또는 비균등하게 분할하여 분할 영역에 대해 모션 벡터를 연산하여 움직임을 검출할 수 있다. Block Matching은 분할 영역별로 모션 벡터를 연산하기 때문에 연산량이 감소하지만 영역별 모션 벡터에 대한 결과를 산출하기 때문에 검출 정확도가 상대적으로 낮을 수 있다. 따라서, Block Matching방식은 개체 숫자가 적은 사육장 또는 개체가 중복되어 나타나지 않는 특정 영역에 적용될 수 있다.
다른 실시예로, 제2 분석 유닛(312)은 Continuous Frame Difference방식을 이용하여 동작 개체의 움직임을 검출할 수 있다. 제2 분석 유닛(312)은 연속하는 영상 프레임을 픽셀 별로 비교하고, 그 차이만큼의 값을 연산하여 움직임을 검출할 수 있다. Continuous Frame Difference방식은 프레임간 차이값을 이용하여 움직임을 검출하기 때문에, 전체적인 연산량은 감소하지만 부피가 큰 개체 또는 중복되어 나타나는 개체에 대한 검출 정확도가 상대적으로 낮을 수 있다. 또한, Continuous Frame Difference방식은 배경 영상과 움직이지 않는 개체를 구분할 수 없어 정확도가 상대적으로 낮을 수 있다. 따라서, Continuous Frame Difference방식은 개체 숫자가 적은 사육장 또는 개체가 중복되어 나타나지 않는 특정 영역에 적용될 수 있다.
다른 실시예로, 제2 분석 유닛(312)은 Background Subtraction방식을 이용하여 동작 개체의 움직임을 검출할 수 있다. 제2 분석 유닛(312)은 배경 영상을 초기에 학습한 상태에서 연속하는 영상 프레임을 픽셀 별로 비교하고, 그 차이만큼의 값을 연산하여 움직임을 검출할 수 있다. Background Subtraction방식은 배경 영상을 미리 학습하고 있기 때문에 배경 영상과 움직이지 않는 개체를 구분할 수 있다. 따라서, 배경 영상을 필터링하는 별도의 과정이 필요하여 연산량은 증가하지만 정확도는 향상된다. 따라서, Background Subtraction방식은 이상상황이 발생된 것으로 의심되는 사육장이나 개체 숫자가 매우 많은 사육장 등 검출 정확도가 매우 높게 요구되는 특정 영역에 적용될 수 있다. Background Subtraction방식에서 배경 영상은 지속적으로 업데이트 될 수 있다.
다음으로, 환경 파라미터 추정부(320)는 기계학습 기반의 최적 환경 추정 알고리즘을 포함하며, 최적 환경 추정 알고리즘을 이용하여 최적 환경 파라미터를 산출한다. 구체적으로, 환경 파라미터 추정부(320)는 행동 성향 데이터와 사육장의 환경 데이터를 기계학습 기반의 최적 환경 추정 알고리즘에 적용하여 가축의 성장에 최적화된 최적 환경 파라미터를 추정한다.
여기서, 환경 데이터는 모이 제공량, 모이 섭취량, 월령, 가축 증체량, 사육장의 온도, 습도, 이산화탄소량, 외부 기온 중 적어도 하나를 포함할 수 있다. 이 중 사육장의 온도, 습도, 이산화탄소량은 센싱 장치로부터 수신할 수 있으며, 모이 제공량, 모이 섭취량, 가축 증체량은 사용자로부터 입력될 수 있다. 월령 및 외부 기온은 기상청 서버와 같은 외부 서버로부터 수신할 수 있다.
그리고, 환경 파라미터 추정부(320)는 환경 데이터에 기반한 추천 환경 파라미터와 최적 환경 파라미터 중 적어도 하나에 기초하여 최종 환경 파라미터를 산출한다. 환경 파라미터 추정부(320)는 추천 환경 파라미터에 따라 공조 장치를 제어할 경우, 사육장 환경이 악화될지 여부를 판단하여 최종 환경 파라미터 산출 시 추천 환경 파라미터를 고려할지 여부를 판단한다. 추천 환경 파라미터에 따를 경우 사육장 환경이 악화된다고 판단되면, 환경 파라미터 추정부(320)는 최적 환경 파라미터를 최종 환경 파라미터로 결정한다. 반면, 추천 환경 파라미터에 따를 경우 사육장 환경이 악화되지 않는다고 판단되면, 환경 파라미터 추정부(320)는 최적 환경 파라미터와 추천 환경 파라미터를 고려하여 최종 환경 파라미터를 산출한다.
그리고, 최적 환경 파라미터는 사육장의 최적 온도, 최적 습도, 최적 급이량 및 최적 급수량 중 적어도 하나를 포함한다. 추천 환경 파라미터는 사육장의 추천 온도, 추천 습도, 추천 급이량 및 추천 급수량 중 적어도 하나를 포함한다. 최종 환경 파라미터는 사육장의 최종 온도, 최종 습도, 최종 급이량 및 최종 급수량 중 적어도 하나를 포함한다.
환경 파라미터 추정부(320)는 행동 성향 데이터와 환경 데이터를 조합하여 훈련 데이터셋(training data set)을 생성하고, 훈련 데이터셋을 이용하여 최적 환경 추정 알고리즘을 학습시킬 수 있다. 이때, 훈련 데이터셋은 환경 파라미터 추정부(320)에 포함된 훈련 데이터 생성 알고리즘이 행동 성향 데이터와 환경 데이터를 조합함으로써 생성될 수 있다. 환경 파라미터 추정부(320)는 모이 제공량, 모이 섭취량, 월령, 가축 증체량, 사육장의 온도, 습도, 이산화탄소량, 외부 기온 중 적어도 하나와 위치 분포 데이터 및 동작 데이터 중 적어도 하나의 상관성에 기초하여 훈련 데이터셋을 생성할 수 있다.
환경 파라미터 추정부(320)는 행동 성향 데이터 및 환경 데이터에 대한 신뢰도를 판단하고, 판단된 신뢰도에 따라 사용자에게 경보 신호를 송출할 수 있다. 구체적으로, 환경 파라미터 추정부(320)는 행동 성향 데이터 및 환경 데이터와 각각에 대응하는 신뢰 범위에 기초하여 데이터 신뢰도를 산출하고, 데이터 신뢰도가 기 설정된 임계값보다 작은 행동 성향 데이터 및 환경 데이터에 대한 경보 신호를 생성할 수 있다. 경보 신호에 대응하여 사용자가 행동 성향 데이터 및 환경 데이터에 대한 판단 결과를 입력하면, 환경 파라미터 추정부(320)는 경보 신호에 대한 사용자의 판단 결과를 저장하고, 경보 신호에 대응하는 행동 성향 데이터 및 환경 데이터가 입력되면 저장된 사용자의 판단 결과를 이용하여 데이터 신뢰도를 산출할 수 있다. 예를 들어, 환경 파라미터 추정부(320)는 현재 시점으로부터 이전 1시간 동안의 사육장 온도에 대한 현재 온도의 표준 편차를 데이터 신뢰도로 산출할 수 있으며, 표준 편차가 임계값보다 높은 경우 현재 온도 데이터에 대한 경보 신호를 생성할 수 있다. 그러면, 사용자는 경보 신호에 대응하여 현재 온도의 오류 여부 또는 보정 온도를 입력할 수 있으며, 환경 파라미터 추정부(320)는 입력받은 정보를 저장할 수 있다. 차후 유사한 상황이 발생할 경우, 환경 파라미터 추정부(320)는 저장된 정보에 따라 데이터 신뢰도를 판단할 수 있다.
다음으로, 제2 통신부(330)는 촬상 장치, 공조 장치 중 적어도 하나와 데이터 통신을 수행할 수 있다. 예를 들면, 제2 통신부(330)는 무선랜(Wireless LAN: WLAN), 와이 파이(Wi-Fi), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등의 원거리 통신 기술을 사용하여 데이터 통신을 수행할 수 있다.
또는 제2 통신부(330)는 블루투스, RFID(RadioFrequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra WideBand), 지그비, 인접 자장 통신(NFC) 등이 포함될 수 있다. 또한, 유선 통신 기술로는, USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등의 근거리 통신 기술을 사용하여 데이터 통신을 수행할 수 있다.
예를 들면, 제2 통신부(330)는 근거리 통신 기술을 사용하여 타 이상 개체 검출 장치와 데이터 통신을 수행하고, 원거리 통신 기술을 사용하여 사육장 환경 관리 단말(300)와 데이터 통신을 수행할 수 있다, 그러나 이에 한정되는 것은 아니고, 사육장의 제반 사항 등을 고려하여 다양한 통신 기술이 사용될 수 있다.
제2 통신부(330)는 촬영부에서 촬영한 영상 데이터를 사육장 환경 관리 단말(300)에게 전송할 수 있다. 제2 통신부(330)를 통하여 전송되는 영상 데이터는 인코딩부를 통하여 인코딩된 압축 데이터일 수 있다.
도 6은 본 발명의 실시예에 따른 사육장 환경 관리 단말의 사육장 환경 관리 방법에 대한 순서도이다.
우선, 영상 분석부는 사육장의 전경을 촬영한 영상 데이터 및 사육장의 환경 정보를 계측한 환경 데이터를 수신한다(S610).
그리고, 영상 분석부는 영상 데이터로부터 사육장 내 가축의 위치 또는 움직임 중 적어도 하나를 검출하여 사육장 내 가축에 대한 행동 성향 데이터를 생성한다(S620). 행동 성향 데이터는 가축에 대한 위치 분포 데이터 및 동작 데이터 중 적어도 하나를 포함할 수 있다.
그러면, 환경 파라미터 추정부는 행동 성향 데이터와 사육장의 환경 데이터를 기계학습 기반의 최적 환경 추정 알고리즘에 적용하여 가축의 성장에 최적화된 최적 환경 파라미터를 추정한다(S630).
그리고, 환경 파라미터 추정부는 환경 데이터에 기초하여 추천 환경 파라미터 적용 시 사육장 환경의 악화 여부를 판단한다(S640).
그러면, 환경 파라미터 추정부는 사육장 환경의 악화 여부 판단 결과에 따라 최적 환경 파라미터 및 추천 환경 파라미터 중 적어도 하나에 기초하여 최종 환경 파라미터를 산출한다(S650).
그리고, 환경 파라미터 추정부는 최종 환경 파라미터를 공조 장치로 전송한다(S660).
또한, 환경 파라미터 추정부는 행동 성향 데이터와 환경 데이터를 조합하여 훈련 데이터셋(training data set)을 생성한다(S670). 그리고 환경 파라미터 추정부는 훈련 데이터셋을 이용하여 최적 환경 추정 알고리즘을 학습시킨다(S680).
도 7은 본 발명의 실시예에 따른 사육장 환경 관리 시스템의 사육장 환경 관리 방법에 대한 순서도이다.
우선, 촬상 장치(100)는 사육장의 전경을 촬영하여 사육장 내 개체에 대한 정보가 포함된 영상 데이터를 생성한 후(S705), 영상 데이터를 사육장 환경 관리 단말(300)로 전송한다(S710).
그리고, 센싱 장치(200)는 사육장의 환경을 계측하여 환경 데이터를 생성하고(S715), 환경 데이터를 사육장 환경 관리 단말(300)로 전송한다(S720).
그러면, 사육장 환경 관리 단말(300)은 영상 데이터로부터 사육장 내 가축의 위치 또는 움직임 중 적어도 하나를 검출하여 사육장 내 가축에 대한 행동 성향 데이터를 생성한다(S725). 행동 성향 데이터는 가축에 대한 위치 분포 데이터 및 동작 데이터 중 적어도 하나를 포함할 수 있다.
다음으로, 사육장 환경 관리 단말(300)은 행동 성향 데이터와 환경 데이터를 조합하여 훈련 데이터셋(training data set)을 생성한다(S730). 그리고, 사육장 환경 관리 단말(300)은 훈련 데이터셋을 이용하여 최적 환경 추정 알고리즘을 학습시킨다(S735).
또한, 사육장 환경 관리 단말(300)은 행동 성향 데이터와 사육장의 환경 데이터를 기계학습 기반의 최적 환경 추정 알고리즘에 적용하여 가축의 성장에 최적화된 최적 환경 파라미터를 추정한다(S740).
그리고, 사육장 환경 관리 단말(300)은 환경 데이터에 기초하여 추천 환경 파라미터 적용 시 사육장 환경의 악화 여부를 판단한다(S745).
그러면, 사육장 환경 관리 단말(300)은 사육장 환경의 악화 여부 판단 결과에 따라 최적 환경 파라미터 및 추천 환경 파라미터 중 적어도 하나에 기초하여 최종 환경 파라미터를 산출한다(S750).
그리고, 환경 파라미터 추정부는 최종 환경 파라미터를 공조 장치(500)로 전송한다(S755).
그러면, 공조 장치(500)는 최종 환경 파라미터에 기초하여 사육장의 환경을 제어한다(S760).
도 8은 본 발명의 실시예에 따른 기계학습 기반의 분포량 예측 알고리즘을 설명하기 위한 도면이다.
여기서, 분포량 예측 알고리즘은 객체가 위치하는 영역의 밀도 정보를 표시하도록 설계된 딥러닝 알고리즘의 한 예이다. 분포량 예측 알고리즘은 컨볼루션 네트워크(convolution network) 기반 학습 머신에 원본 영상을 입력한 후, 그레이 스케일의 확률 맵으로 나타낸 밀도 영상을 출력하는 알고리즘일 수 있다. 이에 따르면, 닭장과 같이 유사한 모양을 가진 객체가 높은 밀도로 수용된 사육장 환경에서도 이상 객체 정보를 용이하게 추출할 수 있다.
도 8에서 도시된 바와 같이, 분포량 예측 알고리즘은 적어도 하나의 컨볼루션 네트워크(convolution network(layer))를 포함할 수 있다.
컨볼루션 네트워크는 적어도 하나의 피쳐 맵(feature map(W))을 이용하여 영상의 특징점을 분류할 수 있다.
컨볼루션 네트워크는 적어도 하나의 풀러(pooler) 및/또는 액티베이터(activator)를 통해 분포량 예측 알고리즘의 성능을 개선할 수 있다.
분포량 예측 알고리즘은 concatenator를 더 포함하며, concatenator는 적어도 하나의 컨볼루션 네트워크의 출력 결과를 연결하고(concatenate), 재배열하여 원본 영상의 특징점을 이용하여 객체의 밀도(분포) 정보를 출력할 수 있다.
사육장 환경 관리 단말은 원본 영상과 밀도 영상을 이용하여 분포량 예측 알고리즘을 학습시킬 수 있으며, 적어도 하나의 피쳐 맵(feature map(W))은 객체의 밀도 정보를 출력할 수 있도록 훈련(trained(tuned))될 수 있다.
본 발명의 실시예에서, 밀도 영상은 원본 영상과 같거나 유사한 크기(Width x Highet)를 가지도록 분포량 예측 알고리즘이 구성되며, 각각의 픽셀(또는 블록)의 위치는 서로 대응되고, 밀도 영상의 픽셀의 값은 원본 영상의 대응 픽셀에 객체(예를들어 가금류)가 존재할 수 있는 확률을 나타낼 수 있다. 예를 들어, 원본 영상의 픽셀에 객체가 존재할 확률이 높을수록, 밀도 영상의 해당 픽셀의 값은 높은 값을 가질 수 있다.
도 9는 본 발명의 실시예에 따른 최적 환경 파라미터 산출에 따른 데이터 흐름도를 나타낸 개념도이다.
도 9에서는 최적 환경 추정 알고리즘을 통해 최적 환경 파라미터를 추정하는 과정을 중심으로 데이터의 흐름을 살펴보도록 한다.
우선, n번째 영상 데이터는 분포량 예측 알고리즘과 활동량 예측 알고리즘에 각각 입력되고, n-1번째 영상 데이터는 활동량 예측 알고리즘에 입력된다. 여기서, 영상 데이터는, W X H크기의 RGB데이터일 수 있으며, n번째 영상 데이터는 n번째 원본 데이터, n번째 원본 영상, n 번째 원본 영상 데이터 등과 혼용될 수 있다.
사육장 환경 관리 단말(300)의 영상 분석부(310), 예를 들어 제1 분석 유닛(311)은 n번째 영상 데이터에서 개체를 검출하여 n번째 영상 데이터에 대한 개체의 위치 분포 데이터를 생성한다. 여기서, 위치 분포 데이터는 영역 별, 블록 별, 또는 픽셀 별로 생성될 수 있으며, 영상 분석부(310)는 영상 데이터 내에서 객체가 위치한다고 판단되는 영역을 제안하도록 학습된 분포량 예측 알고리즘을 이용할 수 있다. 여기서, 분포량 예측 알고리즘은, 전술한 바와 같이 객체가 존재하는 영역을 표시하는 알고리즘을 활용한 실시간 객체 검출 방법을 이용할 수 있다, 또는, 분포량 예측 알고리즘은 객체의 분포 정보, 즉 객체가 위치하는 영역의 밀도 정보를 나타내는 방법을 이용할 수도 있다. 여기서, 위치 분포 데이터는 밀도 맵 일 수 있다.
사육장 환경 관리 단말(300)의 영상 분석부(310), 예를 들어 제2 분석 유닛(312)은 n-1번째 영상 데이터와 n번째 영상 데이터를 비교하여 n번째 영상 데이터에 대한 개체의 움직임을 검출한다. 이 때, n-1번째 영상 데이터는 래치회로 또는 버퍼회로에 저장되어 있을 수 있다. 사육장 환경 관리 단말(300)의 영상 분석부(310), 예를 들어 제2 분석 유닛(312)는 검출한 움직임에 따라 동작 데이터를 생성한다. 여기서, 동작 데이터는 동작 맵일 수 있다. 여기서, 동작 데이터는 영역 별, 블록 별 또는 픽셀 별로 생성될 수 있으며, 영상 분석부(310)는 옵티컬 플로우(optical flow)를 활용하여 모션을 검출하도록 학습된 활동량 예측 알고리즘을 이용할 수 있다.
그러면, 사육장 환경 관리 단말(300)은 n번째 위치 분포 데이터, n번째 동작 데이터 및 센서로부터 수신한 n번째 환경 데이터를 최적 환경 추정 알고리즘에 입력하여 최적 환경 파라미터를 추출한다. 최적 환경 파라미터는 공조 장치(400)로 전달되고 공조 장치는 최적 환경 파라미터를 이용하여 공조 장치(400)를 가동한다.
한편, 사육장 환경 관리 단말(300)은 최적 환경 추정 알고리즘을 학습(training), 즉, 업데이트 시킬 수 있다.
최적 환경 추정 알고리즘은 지도 학습(Supervised Learning) 기반의 기계학습 알고리즘, 비지도 학습(Unsupervised Learning) 기반의 기계학습 알고리즘 및 강화 학습(Reinforcement Learning) 기반의 기계학습 알고리즘 중 적어도 하나일 수 있다.
최적 환경 추정 알고리즘은 로지스틱 회귀법(logistic regression), k-최근린내삽법(k-nearest neighbor, KNN), 서포트 벡터 머신 (Support Vector Machine, SVM), 일반화 선형 모델(Generalized linear models, GLM), 의사결정 트리(Decision trees), 랜덤 포레스트(Random forests), 점진적 부스팅 머신(Gradient boosting machine, GBM), 딥 러닝(Deep learning), 컨벌루션 신경망(Convolutional Neural Network, CNNs), 순환 신경망(Recurrent Neural Networks, RNNs), 클러스터링(Clustering), 비정상 탐지(Anomaly detection), 차원 축소(Dimension reduction), 분포 추정(Underlying Probability Density Estimation), Autoencoders, 큐 러닝(Q-Learning), 딥 큐 네트워크(Deep-Q-Network, DQN), 나이브 베이즈 분류기(Naive Bayes Classifier, NBC), 은닉 마르코프 모델(Hidden Markov Model, HMM), 케이-민스 클러스터링(K-Means Clustering), K-최근접 이웃 알고리즘 (k-Nearest Neighbors, k-NN), 앙상블 학습(Ensemble Learning) 중 적어도 하나일 수 있다.
구체적으로 본 발명의 실시예에 따른 사육장 환경 관리 단말(300)은 훈련 데이터 생성 알고리즘을 통해 동작 데이터, 위치 데이터 및 환경 데이터를 조합하여 훈련 데이터 셋을 생성할 수 있다.
훈련 데이터 생성 알고리즘은 최적 환경 추정 알고리즘의 유형에 따라 훈련 데이터셋을 생성할 수 있다.
일 실시예에 따르면, 최적 환경 추정 알고리즘이 지도 학습 기반의 기계학습 알고리즘인 경우, 훈련 데이터 생성 알고리즘은 위치 분포 데이터 및 동작 데이터 중 적어도 하나에 환경 데이터를 라벨링(labeling)하여 훈련 데이터 셋을 생성할 수 있다. 훈련 데이터 생성 알고리즘은 환경 데이터에 위치 분포 데이터 및 동작 데이터 중 적어도 하나를 라벨링(labeling)하여 훈련 데이터 셋을 생성할 수도 있다. 예를 들어, 훈련 데이터 셋은 [Data(n번째 환경 데이터의 온도); Label(n번째 동작 데이터)]이나 [Data(n번째 동작 데이터, n번째 위치 분포 데이터); Label(n번째 환경 데이터의 온도, n번째 환경 데이터의 습도, n번째 환경 데이터의 CO2)]와 같은 형태일 수 있다.
다른 실시예에 따르면, 최적 환경 추정 알고리즘이 비지도 학습 기반의 기계학습 알고리즘인 경우, 훈련 데이터 생성 알고리즘은 위치 분포 데이터, 동작 데이터 및 환경 데이터를 조합하여 훈련 데이터 셋을 생성할 수 있다. 예를 들어, 훈련 데이터 셋은 [Data(n번째 동작 데이터, n번째 위치 분포 데이터, n번째 환경 데이터의 온도, n번째 환경 데이터의 습도)]와 같은 형태일 수 있다.
다른 실시예에 따르면, 최적 환경 추정 알고리즘이 비지도 학습 기반의 기계학습 알고리즘인 경우, 훈련 데이터 생성 알고리즘은 위치 분포 데이터, 동작 데이터 및 환경 데이터를 조합하여 훈련 데이터 셋을 생성할 수 있다. 예를 들어, 훈련 데이터 셋은 [state(n번째 동작 데이터, n번째 위치 분포 데이터, n번째 환경 데이터의 온도, n번째 환경 데이터의 습도), action(n번째 최적 환경 파라미터의 제어 온도, n번째 최적 환경 파라미터의 제어 습도), reward(생산량, 모이 섭취량, 증체량)]와 같은 형태일 수 있다. 여기서, action(n번째 최적 환경 파라미터의 제어 온도, n번째 최적 환경 파라미터의 제어 습도)의 경우 최적 환경 파라미터의 값일 수 있으며, 공조 장치의 실제 제어값 일 수 있다.
그리고, 본 발명의 실시예에 따른 사육장 환경 관리 단말(300)은 훈련 데이터 셋을 이용하여 최적 환경 추정 알고리즘을 학습시킬 수 있다.
예를 들어, 최적 환경 추정 알고리즘이 입력 레이어(input layer), 히든 레이어(hidden layer) 및 출력 레이어(output layer)로 구성된 신경망 회로라고 가정한다.
그러면, n번째 동작 데이터, n번째 위치 분포 데이터 및 n번째 온도 데이터가 입력 레이어의 3개 노드에 각각 입력된다. 각 입력 레이어의 노드는 n번째 동작 데이터, n번째 위치 분포 데이터 및 n번째 온도으로부터 특징 값을 추출할 수 있다. 예를 들어, n번째 동작 데이터의 전체 동작 벡터의 크기 값을 합산한 값을 특징 값으로 추출할 수 있으며, 이외에도 다양한 특징 값을 추출할 수 있다.
각 특징값은 히든 레이어의 각 노드들로 입력되며, 히든 레이어의 각 노드들은 아래의 수학식 1과 에 입력되는 특징값에 각각에 대응하는 가중치(w)가 곱해진 값을 합산하고 이를 아래의 수학식 2와 같은 활성화 함수(Activation Function)인 시그모이드 함수(sigmoid fuction)에 적용하여 출력을 결정할 수 있다.
w1은 n번째 동작 데이터에 대응한 가중치이고, x1은 n번째 동작 데이터의 특징값이고, w2은 n번째 위치 분포 데이터에 대응한 가중치이고, x2은 n번째 위치 분포 데이터의 특징값이고, w3은 n번째 환경 데이터에 대응한 가중치이고, x3은 n번째 환경 데이터의 특징값이다.
입력 레이어와 연결된 제1 히든 레이어 이외의 히든 레이어들은 입력 노드에 따라 수학식 1이 변형되어 이용될 수 있다.
그러면, 본 발명의 실시예에 따른 사육장 환경 관리 단말(300)은 출력 레이어를 통해 출력되는 값의 오차에 따라 각 노드에 설정된 가중치(w)를 조절한다. 이때, 가중치(w)의 조절은 역전파 기법(backpropagation)을 이용할 수 있다.
그리고, 최종 환경 추정 알고리즘은 최적 환경 파라미터 및 추천 환경 파라미터 중 적어도 하나에 기초하여 최종 환경 파라미터를 생성한다.
우선, 최종 환경 추정 알고리즘은 최종 환경 파라미터 산출 시, 최적 환경 파라미터만을 고려할 지 추천 환경 파라미터 최적 환경 파라미터 및 추천 환경 파라미터를 함께 고려할지를 결정하기 위하여, 추천 환경 파라미터의 적정성 여부를 판단한다. 최종 환경 추정 알고리즘은 사육장에 대한 환경 데이터와 추천 환경 파라미터를 비교하여 추천 환경 파라미터에 따라 사육장 환경을 제어할 경우 생산성이 악화되는지 여부를 판단한다. 일 실시예로, 환경 데이터의 값과 추천 환경 파라미터의 값의 차이값이 임계 범위를 초과하는 경우, 최종 환경 추정 알고리즘은 추천 환경 파라미터 적용시 사육장 환경이 악화된다고 판단할 수 있다. 예를 들어, 온도에 대한 임계범위가 -5도에서 5도 사이로 설정되어 있는데, 환경 데이터의 현재 온도와 사육장 추천 환경 파라미터의 추천 온도 간 차이값이 10도인 경우 최종 환경 추정 알고리즘은 해당 추천 환경 파라미터 적용시 사육장 환경이 악화된다고 판단할 수 있다.
추천 환경 파라미터 적용시 사육장 환경이 악화된다고 판단되면, 최종 환경 추정 알고리즘은 추천 환경 파라미터를 고려하지 않고 최적 환경 파라미터를 최종 환경 파라미터로 결정한다.
반면, 추천 환경 파라미터 적용시 사육장 환경이 악화되지 않는다고 판단되면, 최종 환경 추정 알고리즘은 추천 환경 파라미터를 고려하지 않고 최적 환경 파라미터를 최종 환경 파라미터로 결정한다. 일 실시예로, 최종 환경 추정 알고리즘은 추천 환경 파라미터와 최적 환경 파라미터의 평균값을 최종 환경 파라미터로 산출할 수 있다. 다른 실시예로, 최종 환경 추정 알고리즘은 추천 환경 파라미터에 기 설정된 가중치를 부가하여 오프셋(offset) 값을 생성하고, 최적 환경 파라미터에 오프셋(offset) 값을 가산 또는 감산하여 최종 환경 파라미터를 산출할 수 있다.
한편, 학습 서버(400)에 포함된 추천 환경 추정 알고리즘은 날짜, 지역 및 장소 중 적어도 하나를 카테고리로 설정하고, 카테고리 별로 제2 훈련 데이터셋을 이용하여 학습시킬 수 있다. 예를 들어, 추천 환경 추정 알고리즘은 <강원도 철원군, 4월>이라는 카테고리를 가질 수 있다. 이때, 제2 훈련 데이터셋 조합에 이용된 환경 데이터가 생성된 사육장의 지역이 강원도 철원군이고, 날짜가 4월 15일인 경우, 제2 훈련 데이터셋은 <강원도 철원군, 4월>이라는 카테고리에서 추천 환경 추정 알고리즘에 이용된다.
제2 훈련 데이터셋은 기계학습 기반의 추천 환경 추정 알고리즘을 학습시키는데 이용된다. 그리고, 추천 환경 추정 알고리즘은 현재 날짜, 사육장이 위치한 지역 및 장소 중 적어도 하나에 따라 추천 환경 파라미터를 생성할 수 있다. 일 실시예로, 10월의 경상도 김해시의 해안지역에 있는 사육장에 대한 추천 환경 파라미터를 생성하는 경우, 추천 환경 추정 알고리즘은 <경상도 김해시, 해안, 가을>이라는 카테고리 내에서 추천 환경 파라미터를 생성할 수 있다.
추천 환경 추정 알고리즘은 일정 주기마다 추천 환경 파라미터를 사육장 환경 관리 단말로 전송하거나, 전송 요청이 있는 경우 추천 환경 파라미터를 사육장 환경 관리 단말로 전송할 수 있다. 추천 환경 추정 알고리즘의 종류 및 학습 과정은 훈련 데이터 셋에 포함된 정보만 상이할 뿐 최적 환경 추정 알고리즘의 종류와 동일한 바, 상세한 설명은 생략하도록 한다.
본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
이상에서 실시예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 촬상 장치
200 : 센싱 장치
300 : 사육장 환경 관리 단말 400 : 학습 서버
500 : 공조 장치
300 : 사육장 환경 관리 단말 400 : 학습 서버
500 : 공조 장치
Claims (17)
- 개체에 대한 정보가 포함된 영상 데이터로부터 사육장 내 동작 개체의 위치 또는 움직임 중 적어도 하나를 검출하여 상기 동작 개체에 대한 행동 성향 데이터를 생성하는 영상 분석부, 그리고
상기 행동 성향 데이터와 상기 사육장의 환경 데이터를 기계학습 기반의 최적 환경 추정 알고리즘에 적용하여 상기 동작 개체의 성장에 최적화된 최적 환경 파라미터를 추정하고, 상기 환경 데이터에 기반한 추천 환경 파라미터와 상기 최적 환경 파라미터 중 적어도 하나에 기초하여 최종 환경 파라미터를 산출하는 환경 파라미터 추정부를 포함하는 단말. - 제1항에 있어서,
상기 행동 성향 데이터는,
상기 동작 개체에 대한 위치 분포 데이터 및 동작 데이터 중 적어도 하나를 포함하는 단말. - 제2항에 있어서,
상기 영상 분석부는,
상기 영상 데이터로부터 상기 개체의 에지를 검출하고, 검출된 상기 개체의 에지와 기 저장된 비교 데이터 베이스(Data Base)에 기초하여 복수 영역별 개체의 분포도를 계산하여 상기 위치 분포 데이터를 생성하는 제1 분석 유닛을 포함하는 단말. - 제3항에 있어서,
상기 비교 데이터 베이스는,
기 촬영한 개체의 영상들로부터 구축된 훈련 DB를 기계학습 알고리즘에 적용하여 학습된 개체 DB를 포함하는 단말. - 제2항에 있어서,
상기 영상 분석부는,
상기 영상 데이터의 픽셀에 대한 모션 벡터를 연산하고, 상기 모션 벡터에 기초하여 복수 영역별 개체의 활동성을 계산하여 상기 동작 데이터를 생성하는 제2 분석 유닛을 포함하는 단말. - 제1항에 있어서,
상기 환경 데이터는,
모이 제공량, 모이 섭취량, 월령, 동작 개체 증체량, 상기 사육장의 온도, 습도, 이산화탄소량, 외부 기온 중 적어도 하나를 포함하는 단말. - 제6항에 있어서,
상기 환경 파라미터 추정부는,
상기 모이 제공량, 월령, 증체량, 상기 사육장의 온도, 습도, 이산화탄소량, 외부 기온 중 적어도 하나와 상기 개체의 위치 분포 데이터 및 동작 데이터 중 적어도 하나의 상관성에 기초하여 제1 훈련 데이터셋을 생성하는 단말. - 제1항에 있어서,
상기 최적 환경 파라미터는,
상기 사육장의 목표 온도, 목표 습도, 목표 급이량 및 목표 급수량 중 적어도 하나를 포함하는 단말. - 제1항에 있어서,
상기 환경 파라미터 추정부는,
상기 행동 성향 데이터 및 환경 데이터와 각각에 대응하는 신뢰 범위에 기초하여 데이터 신뢰도를 산출하고, 상기 데이터 신뢰도와 기 설정된 임계값을 비교한 결과에 따라 상기 행동 성향 데이터 및 환경 데이터에 대한 경보 신호를 생성하는 단말. - 제9항에 있어서,
상기 환경 파라미터 추정부는,
상기 경보 신호에 대한 사용자의 판단 결과를 저장하고, 상기 경보 신호에 대응하는 상기 행동 성향 데이터 및 환경 데이터가 입력되면 저장된 상기 사용자의 판단 결과를 이용하여 상기 데이터 신뢰도를 산출하는 단말. - 제9항에 있어서,
상기 환경 파라미터 추정부는,
상기 추천 환경 파라미터와 상기 환경 데이터에 기초하여 상기 추천 환경 파라미터 적용시 사육장 환경의 악화 여부를 판단하며,
상기 사육장 환경이 악화된다고 판단되면 상기 최적 환경 파라미터를 상기 최종 환경 파라미터로 결정하고,
상기 사육장 환경이 좋아진다고 판단되면, 상기 최적 환경 파라미터와 상기 추천 환경 파라미터를 조합하여 상기 최종 환경 파라미터를 산출하는 단말. - 제1항에 있어서,
상기 추천 환경 파라미터는,
기계 학습 기반의 추천 환경 추정 알고리즘을 포함하는 학습 서버에 의해 생성되는 단말. - 제12항에 있어서,
상기 학습 서버는,
상기 환경 데이터를 및 상기 사육장의 동작 개체 생산량을 조합하여 제2 훈련 데이터셋을 생성하고,
상기 환경 파라미터 추정부는,
상기 제2 훈련 데이터셋을 이용하여 상기 추천 환경 추정 알고리즘을 학습시키는 단말. - 제12항에 있어서,
상기 학습 서버는,
상기 사육장 이외의 타 사육장에 대한 환경 데이터를 및 동작 개체 생산량을 조합하여 제2 훈련 데이터셋을 생성하고,
상기 환경 파라미터 추정부는,
상기 제2 훈련 데이터셋을 이용하여 상기 추천 환경 추정 알고리즘을 학습시키는 단말. - 제14항에 있어서,
상기 학습 서버는,
날짜, 지역 및 장소 중 적어도 하나에 따라 상기 추천 환경 추정 알고리즘을 학습시키는 단말. - 촬상 장치가 사육장 내 전경을 촬영하여 개체에 대한 정보가 포함된 영상 데이터를 생성하는 단계,
센싱 장치가 상기 사육장 내 환경을 계측하여 환경 데이터를 생성하는 단계,
사육장 환경 관리 단말이 상기 영상 데이터로부터 사육장 내 동작 개체의 위치 또는 움직임 중 적어도 하나를 검출하여 상기 동작 개체에 대한 행동 성향 데이터를 생성하는 단계,
사육장 환경 관리 단말이 상기 개체의 행동 성향과 상기 사육장의 환경 데이터를 기계학습 기반의 최적 환경 추정 알고리즘에 적용하여 상기 동작 개체의 성장에 최적화된 최적 환경 파라미터를 추정하는 단계,
학습 서버가 현재 날짜, 상기 사육장이 위치한 지역 및 장소 중 적어도 하나에 따라 추천 환경 파라미터를 생성하여 상기 사육장 환경 관리 단말로 전송하는 단계,
상기 환경 데이터에 기반한 추천 환경 파라미터와 상기 최적 환경 파라미터 중 적어도 하나에 기초하여 최종 환경 파라미터를 산출하는 단계, 그리고
공조 장치가 상기 사육장 환경 관리 단말로부터 상기 최종 환경 파라미터를 수신하고, 상기 최종 환경 파라미터에 기초하여 상기 사육장 내 온도 및 습도 중 적어도 하나를 조절하는 단계를 포함하는 사육장 환경 관리 방법. - 공조 장치와 통신하는 통신 프로세서; 및
촬영 영상을 입력받고, 상기 촬영 영상 내 개체의 위치와 상기 개체의 움직임 유무를 지시(indicating)하도록 픽셀 영역이 마스킹 된 영상을 출력하고,
상기 마스킹 된 영상 및 현재 온도 및 현재 습도 중 적어도 하나를 이용하여 상기 공조 장치의 목표 온도 및 목표 습도 중 적어도 하나를 조절하는 조절신호를 생성하는 제어부를 포함하고,
상기 조절신호를 상기 공조 장치로 전송하는 통신 단말.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180075682A KR20200002315A (ko) | 2018-06-29 | 2018-06-29 | 사육장 환경 관리 시스템, 단말 및 그 방법 |
PCT/KR2019/007935 WO2020005038A1 (ko) | 2018-06-29 | 2019-06-28 | 사육장 환경 관리 시스템, 단말 및 그 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180075682A KR20200002315A (ko) | 2018-06-29 | 2018-06-29 | 사육장 환경 관리 시스템, 단말 및 그 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20200002315A true KR20200002315A (ko) | 2020-01-08 |
Family
ID=69154592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180075682A KR20200002315A (ko) | 2018-06-29 | 2018-06-29 | 사육장 환경 관리 시스템, 단말 및 그 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20200002315A (ko) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102168641B1 (ko) * | 2020-02-27 | 2020-10-21 | 동양정보서비스(주) | 가축 농가의 축사 관리 시스템 및 축사 관리 방법 |
WO2022045382A1 (ko) * | 2020-08-24 | 2022-03-03 | 주식회사 이모션 | 인공지능 최적환경제어를 통한 가금류 생산성 개선 시스템 |
CN114740930A (zh) * | 2022-04-22 | 2022-07-12 | 湖南田园牧歌农业科技开发有限公司 | 用于温室大棚智能管控平台***及管控处理方法 |
KR20230099367A (ko) * | 2021-12-27 | 2023-07-04 | 주식회사 이모션 | 인공지능 기반의 실시간 능동 제어형 가금사 환경 제어 시스템 |
-
2018
- 2018-06-29 KR KR1020180075682A patent/KR20200002315A/ko not_active Application Discontinuation
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102168641B1 (ko) * | 2020-02-27 | 2020-10-21 | 동양정보서비스(주) | 가축 농가의 축사 관리 시스템 및 축사 관리 방법 |
WO2022045382A1 (ko) * | 2020-08-24 | 2022-03-03 | 주식회사 이모션 | 인공지능 최적환경제어를 통한 가금류 생산성 개선 시스템 |
KR20230099367A (ko) * | 2021-12-27 | 2023-07-04 | 주식회사 이모션 | 인공지능 기반의 실시간 능동 제어형 가금사 환경 제어 시스템 |
WO2023128211A1 (ko) * | 2021-12-27 | 2023-07-06 | 주식회사 이모션 | 인공지능 기반의 실시간 능동 제어형 가금사 환경 제어 시스템 |
CN114740930A (zh) * | 2022-04-22 | 2022-07-12 | 湖南田园牧歌农业科技开发有限公司 | 用于温室大棚智能管控平台***及管控处理方法 |
CN114740930B (zh) * | 2022-04-22 | 2023-11-21 | 湖南田园牧歌农业科技开发有限公司 | 用于温室大棚智能管控平台***及管控处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20200002315A (ko) | 사육장 환경 관리 시스템, 단말 및 그 방법 | |
KR20200002314A (ko) | 사육장 환경 관리 시스템, 단말 및 그 방법 | |
US20210224998A1 (en) | Image recognition method, apparatus, and system and storage medium | |
US11568178B2 (en) | Closed loop automatic dataset creation systems and methods | |
US20210185987A1 (en) | Rearing place management device and method | |
US20240196867A1 (en) | Animal visual identification, tracking, monitoring and assessment systems and methods thereof | |
US12014541B2 (en) | Device for managing environment of breeding farm | |
KR102615986B1 (ko) | 이상 개체 판단 장치 및 방법 | |
US11301673B2 (en) | Apparatus and method for controlling electronic device | |
KR101944374B1 (ko) | 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치 | |
KR102506029B1 (ko) | 영상 기반 가축 개체 성장 추이 모니터링 장치 및 방법 | |
US20230162488A1 (en) | Closed loop automatic dataset creation systems and methods | |
KR20190103510A (ko) | 촬상 장치, 이를 포함하는 가금류 관리 시스템 및 방법 | |
KR20200009530A (ko) | 이상 개체 검출 시스템 및 방법 | |
WO2020005038A1 (ko) | 사육장 환경 관리 시스템, 단말 및 그 방법 | |
KR102505691B1 (ko) | 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치 | |
KR102606062B1 (ko) | 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치 | |
KR102492066B1 (ko) | 이동식 예방 경계 시스템 | |
KR20190113360A (ko) | 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치 | |
KR102307609B1 (ko) | 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치 | |
Patel et al. | Smart Crop Protection Against Animal Encroachment using Deep Learning | |
JPWO2018155412A1 (ja) | 分類装置と分類方法並びにプログラム | |
KR20230123226A (ko) | Ai 기반 객체인식을 통한 감시 카메라 영상의 노이즈 제거 | |
KR20190102760A (ko) | 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치 | |
Roopa et al. | Data driven approach for farm re-modeling using prediction analytics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application |