WO2021182684A1 - 가축의 개체별 이상 징후 포착 시스템 및 그 이용 방법 - Google Patents

가축의 개체별 이상 징후 포착 시스템 및 그 이용 방법 Download PDF

Info

Publication number
WO2021182684A1
WO2021182684A1 PCT/KR2020/009864 KR2020009864W WO2021182684A1 WO 2021182684 A1 WO2021182684 A1 WO 2021182684A1 KR 2020009864 W KR2020009864 W KR 2020009864W WO 2021182684 A1 WO2021182684 A1 WO 2021182684A1
Authority
WO
WIPO (PCT)
Prior art keywords
pig
livestock
behavior
image data
data
Prior art date
Application number
PCT/KR2020/009864
Other languages
English (en)
French (fr)
Inventor
박지환
천선일
Original Assignee
㈜씽크포비엘
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ㈜씽크포비엘 filed Critical ㈜씽크포비엘
Publication of WO2021182684A1 publication Critical patent/WO2021182684A1/ko

Links

Images

Classifications

    • 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
    • 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
    • A01K11/00—Marking of animals
    • 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
    • A01K11/00—Marking of animals
    • A01K11/001—Ear-tags
    • A01K11/004—Ear-tags with electronic identification means, e.g. transponders
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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

Definitions

  • the present disclosure relates to a system and method of using the same for detecting abnormal signs of individual animals by analyzing image information and sensor information.
  • ICT information and communication technology
  • the current level of technology is to analyze and manage the human movement data of pigs in a contact-type using such as using a microphone, etc.
  • a method for capturing anomalies for each individual animal based on sensor data and image data performed on a computer system.
  • the above-described method includes receiving sensor data and an identifier of the livestock, analyzing the sensor data to identify the livestock and classifying the identified behavior of the livestock; and receiving image data and analyzing the image data to classify the behavior of at least one livestock included in the image.
  • the above-described method may further include mapping the behavior of the cattle classified as a result of sensor data analysis and the behavior of the cattle classified as a result of image data analysis, and confirming whether the same behavior is recognized.
  • the step of determining whether the same behavior is recognized includes determining whether the class analyzed as a result of analyzing the image data in the same time period as the class classified as a result of analyzing the sensor data is the same can do.
  • the identifier of the pig included in the image data is included in the sensor data. It may include the step of assigning to an identifier.
  • the method may further include transmitting an identifier of the corresponding pig and classified class information.
  • the classification of the behavior of the livestock is when the livestock is a pig, a standing pig (Standing_Pig), a lying pig (Lying_Pig), a sitting pig (Sitting_Pig), a vomiting pig (Vomiting_Pig), a diarrhea pig (Diarrhea_Pig) ) and coughing pigs (Cough_Pig).
  • the method includes the step of setting a sensor data transmission policy, wherein the sensor data transmission policy is set to transmit data at a longer period in case of a daily pattern as a result of sensor data analysis, and when a pattern of interest appears, short Setting to transmit data periodically may include instructing the sensor to transmit data according to the policy.
  • the step of receiving the image data includes receiving data according to an image data collection policy, and the image data collection policy collects 720p or more color video images to the server at a cycle of 1 minute as a basic policy, As the first exception policy, if the behavior analysis result is a class to be monitored intensively, the collection cycle is shortened to collect more frequently 3 As an exception policy, it can be set to control the amount and period of data transmission according to the network transmission environment.
  • the analyzing of the image data includes, when the livestock is a pig, collect image data in advance and generate at least one anomaly symptom classification model through a learning process such as data labeling, and sow recognition image data It may further include the step of applying a machine learning algorithm by using the set.
  • a computer-readable medium containing one or more computer-readable instructions executable by a computer, wherein the one or more computer-readable instructions, when executed by the computer, cause the computer to:
  • a computer-readable recording medium for performing any one of the above-described methods is provided.
  • the behavior of the livestock can be monitored without omission for 24 hours, and a prescription necessary for the livestock can be applied in a timely manner.
  • FIG. 1 is a diagram schematically illustrating the overall configuration of a system 100 for managing abnormal symptoms for each individual animal according to an embodiment of the present disclosure.
  • FIG. 2 is a view exemplarily illustrating a state in which the livestock wears the sensor 110 of FIG. 1 .
  • FIG. 3 is a functional block diagram illustrating an exemplary functional configuration of the abnormal symptom determination server 140 for each individual animal of FIG. 1 .
  • FIG. 4 is a graph exemplarily illustrating a format of behavioral sensor data collected according to an embodiment of the present disclosure.
  • FIG. 5 is a diagram schematically illustrating the overall configuration of the system 100 for managing anomalies for each individual animal based on the edge cloud server model according to an embodiment of the present disclosure.
  • a 'block' or 'unit' means a functional part that performs at least one function or operation, and may be implemented as hardware or software, or a combination of hardware and software.
  • the plurality of 'blocks' or 'units' may be integrated into at least one software module and implemented with at least one processor, except for 'blocks' or 'units' that need to be implemented with specific hardware. .
  • the individual anomaly symptom management system 100 of livestock includes a plurality of sensors 110a, 110b, ..., 110n, a plurality of cameras 120a, 120b, ..., 120n, and It may include an individual abnormal symptom determination server 140 , a communication network 150 , and a disease management server 160 .
  • the plurality of sensors 110a, 110b, ..., 110n may be fixed sensors attached to individual livestock.
  • the sensors 110a, 110b, ..., 110n may be motion sensors, such as an acceleration sensor or a gyro sensor, capable of detecting motions, postures, and the like of livestock.
  • the sensors 110a, 110b, ..., 110n may be attached to ears, joints, neck circumferences, etc. capable of detecting the movement of livestock.
  • the sensors 110a, 110b, ..., 110n may operate using a battery. In an embodiment, the sensors 110a, 110b, ..., 110n may perform wireless communication. In an embodiment, the sensors 110a, 110b, ..., 110n may adjust a communication mode in order to efficiently use energy, and may transmit collected data according to a data transmission policy. In an embodiment, the data transmission policy may include transmitting data in a long period in case of a daily pattern and transmitting data in a short period when a pattern of interest appears.
  • the cameras are for photographing the appearance of livestock managed by the livestock farm, an image photographing camera equipped with a wired or wireless communication function, a video recording camera , may be any electronic device such as a CCTV camera.
  • the cameras 120a, 120b, ..., 120n are images of livestock itself, gait images of livestock, sleep images, motion images, amount of feed ingested, shoulder posture image, excretion You can shoot video, vomit video, and the cleaning status of the livestock.
  • the cameras 120a, 120b, ..., 120n may store recorded image data in a network video recorder (NVR) and transmit the recorded image data through a communication network.
  • NVR network video recorder
  • the system 100 for managing anomalies for each individual of livestock is illustrated as having two cameras 120a and 120b, but the present disclosure is not limited thereto.
  • the server 140 for determining anomalies for each individual of livestock receives sensor data from the sensors 110a, 110b, ..., 110n and analyzes a behavior pattern based on the collected sensor data. can do.
  • the server 140 for determining anomalies for each individual of livestock receives image data from the cameras 120a, 120b, ..., 120n and analyzes a behavior pattern based on the collected image data. can do.
  • the server 140 for determining anomalies for each individual of livestock may map the behavior of individual livestock based on the collected sensor data and image data.
  • the server 140 for determining anomalies for each individual animal may set the transmission period of the sensors 110a, 110b, ..., 110n.
  • the individual anomaly detection server 140 of livestock transmits data in a long cycle in case of a daily pattern to efficiently use energy from the sensors 110a, 110b, ..., 110n, and transmits data in a short cycle when a pattern of interest appears. You can instruct the sensor to send data according to the data transmission policy that sends the data.
  • the abnormal symptom determination server 140 for each individual animal may be an edge computer.
  • the communication network 150 may include any wired or wireless communication network, for example, a TCP/IP communication network.
  • the communication network 150 may include, for example, a Wi-Fi network, a LAN network, a WAN network, an Internet network, and the like, but the present invention is not limited thereto.
  • the communication network 150 is, for example, Ethernet, GSM, EDGE (Enhanced Data GSM Environment), CDMA, TDMA, OFDM, Bluetooth, VoIP, Wi-MAX, Wibro and any other various wired or wireless It can be implemented using a communication protocol.
  • the disease management server 160 may receive image information from the individual abnormal symptom determination server 140 of livestock through the communication network 150 . According to an embodiment of the present disclosure, the disease management server 160 may transmit/receive necessary information to and from the abnormal symptom determination server 140 for each individual animal through the communication network 150 .
  • the disease management server 160 may receive at least one of sensor data of livestock, image data of livestock, and biometric characteristic information from the server 140 for determining anomalies for each individual of livestock. have. According to an embodiment of the present disclosure, the disease management server 160 may predict whether the corresponding livestock is healthy based on the received classification data, behavior recognition data, sensor data, image data, and biometric characteristic information.
  • the disease management server 160 analyzes the image data, biometric characteristic data, and genetic information about the livestock received from the individual abnormal symptom determination server 140 of the livestock, and the abnormal symptom determination model. Through this, it is possible to determine whether or not a disease has occurred in the relevant livestock.
  • the disease management server 160 may determine whether there are abnormal symptoms in the livestock by, for example, analyzing image information of the livestock.
  • the disease management server 160 may analyze the livestock image information to recognize the posture of the livestock.
  • the disease management server 160 analyzes image information of sows in the case of pigs, for example, according to the class classified by the individual abnormal symptom determination server 140 of livestock, so that a sitting pig, a lying pig, and a standing pig It can be recognized as an anomaly if it is classified as a pig with a pigeon, a pig with overlapping, a pig with a partial view, and a pig without recognition.
  • the disease management server 160 may analyze the received image information to recognize whether vomit of livestock is present or the form of excrement of livestock is included in a normal range, and the like.
  • a person skilled in the art can apply a cloud-based machine learning algorithm by using the image data set for recognition of livestock images, for example, in the case of the sow's sitting posture, and in particular, the existing YOLO v3 and various class classification machine learning algorithms and Since it is well known that it can be implemented by applying the transformation, a detailed description of the livestock image information analysis will be omitted below.
  • the disease management server 160 may be a cloud server.
  • FIG. 2 is a view exemplarily illustrating a state in which the livestock wears the sensor 110 of FIG. 1 .
  • the plurality of sensors 110a, 110b, ..., 110n may be fixed sensors attached to individual livestock.
  • the sensors 110a, 110b, ..., 110n may be implemented in the form of a band detachable to a specific part, may be implemented in the form of a polyhedron attachable to a specific part, and the face (ear) of the livestock. It may be implemented in a fixed form, but is not limited thereto.
  • the sensors 110a, 110b, ..., 110n may be motion sensors capable of detecting movements such as motions and postures of livestock, for example, an acceleration sensor, a speed sensor, or a gyro sensor, but is not limited thereto. does not As shown in this figure, the sensor 110 is shown attached to the ears of livestock, but the present disclosure is not limited thereto. In one embodiment, the sensors 110a, 110b, ..., 110n may be attached to ears, joints, neck circumferences, etc. capable of detecting the movement of livestock.
  • the sensors 110a, 110b, ..., 110n are located on the spine of the livestock to detect the movement of the body where the forelimbs of the livestock are located, or the sacrum and the coccyx of the livestock are connected It is located in the region, it is possible to detect the movement of the tail, the movement of the hind legs, the movement of the pelvis on the hind legs, etc., or located in at least a part of the leg portion of the livestock, it is possible to sense the movement of the legs of the livestock, or the movement of the face of the livestock Located at least in part, it is possible to sense the movement of the animal's face and / or the movement of the animal's ears.
  • livestock may attach an identifier for identifying individual livestock.
  • the identifier may be an RFID tag.
  • the RFID may store and transmit sensor data sensing the movement of livestock.
  • each sensor may transmit sensor data sensed together with livestock identifier information.
  • FIG. 3 is a functional block diagram illustrating an exemplary functional configuration of the abnormal symptom determination server 140 for each individual animal of FIG. 1 .
  • the individual abnormal symptom determination server 140 of livestock includes a sensor behavior and image behavior mapping module 310 , a sensor data-based behavior analysis module 320 , an image data-based behavior analysis module 330 , and a memory It may include a module 340 , a data transmission period setting module 350 , and a communication module 360 .
  • the sensor behavior and image behavior mapping module 310 may map the sensor data analysis result and the image data analysis result and determine whether the same behavior is recognized. In an embodiment, the sensor behavior and image behavior mapping module 310 determines whether an action of interest, for example, cramping, vomiting, diarrhea, or coughing, appears as a result of analyzing the sensor data, whether it is the same recognition result as a result of analyzing the image data can be checked The sensor behavior and image behavior mapping module 310 may determine that the pig has the behavior of interest when the same class appears at the same timing in the sensor data analysis result and the image data analysis result. The sensor behavior and image behavior mapping module 310 may request confirmation from the user when it is analyzed that only one of the sensor data analysis result and the image data analysis result has a behavior of interest.
  • an action of interest for example, cramping, vomiting, diarrhea, or coughing
  • the sensor behavior and image behavior mapping module 310 maps the sensor data analysis result and the image data analysis result and confirms whether the same behavior is recognized, so that which pig is accurately identified only by the image data analysis result It can solve the problem that it is difficult to identify whether the behavior of interest has been performed. That is, the sensor behavior and image behavior mapping module 310 may specify a pig by comparing the sensor data (RFID and motion sensor value) with the image data analysis result. If the same behavior of interest appears across several pigs, the sensor behavior and image behavior mapping module 310 does not need to individually identify and map the pigs in each image.
  • the sensor behavior and image behavior mapping module 310 is interested together with the corresponding pig IDs if the number of pigs with the behavior of interest recognized in the same time period and the number of pigs with the behavior of interest recognized on the sensor are the same as a result of image data analysis Behavior detection information may be transmitted.
  • the behavioral interest detection information may include a detection time, a behavioral interest class, an image, and the like.
  • the sensor behavior and image behavior mapping module 310 may maintain accuracy while reducing the computational load through this method.
  • the sensor behavior and image behavior mapping module 310 is configured to, if the number of pigs of the behavior of interest recognized as a result of image data analysis is different from the number of pigs of the behavior of interest recognized as a result of sensor data analysis, after mapping as follows, other Information can be sent so that the user can check it.
  • the distance between each sensor and the sensor data collection gateway can be calculated as follows.
  • free space path loss can be calculated as follows.
  • distance (KM) can be obtained as follows.
  • each sensor knows the distance to the gateway and that each camera also knows the distance to the gateway
  • the distance between the gateway and the object (pig) having the symptom of interest recognized in the camera can be known. Therefore, the sensor attached to the pig has already been input into the system, so it is possible to know which camera the pig is shooting from.
  • the recognition result of a specific livestock and a sensor can be mapped by comparing the distance from the camera to the gateway of a specific livestock and the distance from the sensor to the gateway.
  • the sensor data-based behavior analysis module 320 may analyze data collected from sensors attached to individual livestock to analyze the behavior of the corresponding livestock. According to an embodiment, the sensor data-based behavior analysis module 320 may analyze the collected sensor data as a behavior pattern using a technique such as machine learning.
  • the behavior pattern is a standing pig (Standing_Pig), a lying pig (Lying_Pig), a sitting pig (Sitting_Pig), a vomiting pig (Vomiting_Pig), a diarrhea pig (Diarrhea_Pig), a coughing pig ( Cough_Pig) may be included.
  • FIG. 4 is a graph exemplarily illustrating a format of behavioral sensor data collected according to an embodiment of the present disclosure.
  • behavioral sensor data can be collected as a time axis, and the sensor data-based behavior analysis module 320 refers to the pre-analyzed behavior pattern and acts at a predetermined time interval (eg, 1 minute). patterns can be analyzed. 3, the sensor data-based behavior analysis module 320 shows that pig IDs 55-78 are standing for the first minute (00:01) for the first minute (00:01), and the next minute (00:02) is lying down (Lying). , the next minute (00:03) is sitting, and the next minute (00:04) is still sitting.
  • a predetermined time interval eg, 1 minute
  • the behavioral sensor data is a list of constant numerical values
  • the data may be divided at regular intervals, patterns of the corresponding data may be recognized, and the data may be classified into classes.
  • the image data-based behavior analysis module 330 may collect image data and analyze the behavioral state of an object to be monitored in the image using an artificial intelligence technique such as a machine learning technique or an image classification technique. have.
  • the image data-based behavior analysis module 330 may collect image data according to an image data collection policy. In one embodiment, the image data-based behavior analysis module 330 may collect 720p or more color video images to the server at a cycle of 1 minute as the image data collection basic policy. In one embodiment, if the image data-based behavior analysis module 330 is a type to be intensively monitored as a result of the behavior analysis as the first exception policy (nut, diarrhea, vomiting, cough, etc.), the collection cycle may be shortened to collect more frequently. . In one embodiment, the image data-based behavior analysis module 330 may collect data by lengthening the collection period, for example, sleep time, if the time is not the time for the pig to act as the second exception policy.
  • the image data-based behavior analysis module 330 may collect image data according to an image data collection policy. In one embodiment, the image data-based behavior analysis module 330 may collect 720p or more color video images to the server at a cycle of 1 minute as the image data collection basic policy. In one embodiment, if the image data
  • the image data-based behavior analysis module 330 may adjust the amount and period of data transmission according to the network transmission environment as the third exception policy. For example, when the network transmission environment deteriorates, the data collection queue can be adjusted to collect data at once when the transmission speed exceeds a certain value.
  • the image data-based behavior analysis module 330 may perform pre-processing on the collected data. In an embodiment, the image data-based behavior analysis module 330 may perform pre-processing on the original image data, such as black-and-white images of the collected image data, or acquire an edge image.
  • the image data-based behavior analysis module 330 may analyze the behavioral state of the object to be monitored in the image by using an artificial intelligence technique such as a machine learning technique or an image classification technique.
  • the image data-based behavior analysis module 330 may collect image data in advance and generate at least one anomaly symptom classification model through a learning process such as data labeling.
  • the image data-based behavior analysis module 330 may analyze the behavior of an object (pig) in an image using a classifier with the highest recall ability among classifiers learned by using each classification algorithm.
  • the label (class) that the pig anomaly classifier can recognize is a standing pig (Standing_Pig), a lying pig (Lying_Pig), a stacked pig (Multiple_Pig), a sitting pig (Sitting_Pig), and a vomiting pig ( Vomiting_Pig), diarrhea pigs (Diarrhea_Pig), and cough pigs (Cough_Pig).
  • the memory module 340 may be any storage medium in which various programs executable on the server 140 and related data are stored. According to an embodiment of the present disclosure, the memory module 340 may store sensor data, image data, and data related to the execution of the analysis module. According to an embodiment of the present disclosure, the memory module 340 may be configured to include various types of volatile or non-volatile memory, such as DRAM, SRAM, DDR, RAM, ROM, magnetic disk, optical disk, and flash memory.
  • volatile or non-volatile memory such as DRAM, SRAM, DDR, RAM, ROM, magnetic disk, optical disk, and flash memory.
  • the data transmission period setting module 350 may determine a data transmission policy of the sensor and instruct the sensor to transmit sensor data according to the transmission policy.
  • the data transmission policy may instruct the sensor to transmit data at a longer period if the sensor data analysis result is a daily pattern, and may instruct the sensor to transmit the sensor data at a shorter period when a pattern of interest appears.
  • the data transmission period setting module 350 may set the transmission policy to transmit the data once every 5 minutes when the pattern of interest appears and transmit the data once every 1 to 24 hours in the case of a daily pattern.
  • the communication module 360 may support the server 140 for determining anomalies for each individual animal to communicate with the outside through the communication network 150 .
  • the communication module 360 may receive data from the communication network 150 according to a predetermined protocol, and the abnormal symptom determination server 140 for each individual animal through the communication network 150 . A necessary procedure can be performed to transmit data from the to the outside.
  • FIG. 5 is a diagram schematically illustrating the overall configuration of the system 100 for managing anomalies for each individual animal based on the edge cloud server model according to an embodiment of the present disclosure.
  • the sensor data collection gateway may receive data from the RFID tag attached to the livestock and the sensor data of Mosen and transmit it to the edge computer.
  • a network video recorder may receive image data of a livestock through a camera installed in a livestock and transmit the image data to an edge computer.
  • the edge computer may analyze the sensor-based behavior data and the image-based behavior data to transmit the behavior recognition result and the identifier of the pig that performed the corresponding behavior to the cloud service server.
  • the cloud service server may determine whether the corresponding livestock has a disease based on the received classification data, behavior recognition data, and sensor data, image data, and biometric characteristic information.
  • the present disclosure is not limited to the examples described herein, and various modifications, reconstructions, and substitutions may be made without departing from the scope of the present disclosure.
  • the various techniques described herein may be implemented by hardware or software, or a combination of hardware and software.
  • certain aspects or portions of the analysis machine for software safety analysis according to the present disclosure may be implemented as one or more computer programs executable by a general purpose or dedicated microprocessor, micro-controller, or the like.
  • a computer program includes a storage medium readable by a computer processor or the like, for example, non-volatile memory such as EPROM, EEPROM, flash memory device, magnetic disk such as built-in hard disk and removable disk, magneto-optical disk, and It may be implemented in a form stored in various types of storage media including a CDROM disk and the like.
  • the program code(s) may be implemented in assembly language or machine language, and may be implemented in a form transmitted through electric wiring, cabling, optical fiber, or any other type of transmission medium.

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Husbandry (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Agronomy & Crop Science (AREA)
  • Zoology (AREA)
  • Tourism & Hospitality (AREA)
  • Birds (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

컴퓨터 시스템 상에서 수행되는, 센서 데이터 및 이미지 데이터 기반 가축의 개체별 이상 징후 포착 방법이 제공된다. 상기 방법은 센서 데이터와 가축의 식별자를 수신하고, 상기 센서 데이터를 분석하여 가축을 식별하고 식별된 가축의 행동을 분류하는 단계; 및 이미지 데이터를 수신하고, 상기 이미지 데이터를 분석하여 이미지 내 포함된 적어도 하나의 가축의 행동을 분류하는 단계를 포함할 수 있다.

Description

가축의 개체별 이상 징후 포착 시스템 및 그 이용 방법
본 개시는 영상정보 및 센서정보를 분석하여 가축의 개체별 이상 징후를 포착하는 시스템 및 그 이용 방법에 관한 것이다.
정보통신기술(ICT)의 보급으로 가축 사양 정보, 환경 정보 등 농장의 데이터를 실시간으로 통합 관리하는 ‘스마트 축산 모델’이 제공되면서, 사육의 생산성 및 품질을 향상하고, 인력관리의 효율성을 높이며 노동력을 절감하는 방향으로 ICT 기술이 접목되어 축산 산업의 변화가 일어나고 있다.
가축의 질병 관리 분야에서는 아직 도입 기술이 미약한데, 가축의 건강상태 및 질병 이상 징후 등을 관리하기 위해서 통상 관리인이 돌아다니며 눈으로 직접 관찰하거나, 가축의 체중 및 식사량을 기록하여 관리하거나, 웨어러블 센서 등을 사용하여 접촉식으로 돼지의 인동 데이터 등을 분석하여 관리하거나 마이크 등을 이용하여 가축의 질병 징후, 예컨대 기침 소리를 인공지능으로 분석하여 탐지하는 등이 현재의 기술 수준이다.
현재의 방법으로는 여러 문제점이 발생할 수 있다. 예컨대, 관리인이 주기적으로 모니터링하는 경우 관리인이 관찰하지 않는 사이 발생하는 돼지의 이상 행동이나 질병 징후를 발견하기 어렵고, 가축의 체중 및 식사량을 기록하여 관리하는 경우, 기록이 누락되거나 기록한 데이터를 적절하게 분석 및 데이터가 주는 의미를 도출하기 위한 데이터 분석 기술이 추가로 필요하다는 문제점이 있으며, 접촉식 센서를 사용하여 관리하는 경우 접촉식 센서를 설치하거나 교체할 때 가축에 질병 등의 감염이나 상해 위험 가능성이 있고, 마이크를 사용하는 경우 축사내 다수의 돼지를 대상으로 발생하는 소리를 분석하기 때문에 기침을 하거나 호흡에 문제가 있는 돼지를 특정하기 매우 어렵다는 문제점이 있다.
따라서, 관리자의 직접 관찰 없이도 효율적이고 안전하게 가축질병 상황을 확인할 수 있는 가축의 질병 관리 방법 및 시스템이 요구되고 있다.
본 개시의 일 특징에 따르면, 컴퓨터 시스템 상에서 수행되는, 센서 데이터 및 이미지 데이터 기반 가축의 개체별 이상 징후 포착 방법이 제공된다. 전술한 방법은 센서 데이터와 가축의 식별자를 수신하고, 상기 센서 데이터를 분석하여 가축을 식별하고 식별된 가축의 행동을 분류하는 단계; 및 이미지 데이터를 수신하고, 상기 이미지 데이터를 분석하여 이미지 내 포함된 적어도 하나의 가축의 행동을 분류하는 단계를 포함할 수 있다.
일 실시예에 있어서, 전술한 방법은 센서 데이터 분석 결과 분류된 가축의 행동과 이미지 데이터 분석 결과 분류된 가축의 행동을 매핑하고 동일한 행동으로 인식되었는지를 확인하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 동일한 행동으로 인식되었는지를 확인하는 단계는 센서 데이터를 분석한 결과 분류된 클래스와 동일한 시간 대에 이미지 데이터를 분석한 결과 분석된 클래스가 동일한지 여부를 판단하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 센서 데이터를 분석한 결과 분류된 클래스와 동일한 시간 대에 이미지 데이터를 분석한 결과 분석된 클래스가 동일한 경우, 상기 이미지 데이터에 포함된 돼지의 식별자를 상기 센서 데이터에 포함된 식별자로 할당하는 단계를 포함할 수 있다.
일 실시예에 있어서, 전술한 방법은 상기 가축이 돼지인 경우 이미지 데이터 분석 결과 동일한 시간 대에 인식된 관심 행동의 돼지 수, 센서 데이터 분석 결과 동일한 시간 대에 인식된 관심 행동의 돼지 수가 동일한 경우, 해당 돼지의 식별자와 분류된 클래스 정보를 전송하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 가축의 행동에 대한 분류는 상기 가축이 돼지인 경우 서 있는 돼지(Standing_Pig), 누워 있는 돼지(Lying_Pig), 견좌자세 돼지(Sitting_Pig), 구토 돼지(Vomiting_Pig), 설사 돼지(Diarrhea_Pig), 기침 돼지(Cough_Pig) 중 적어도 하나로 분류될 수 있다.
일 실시예에 있어서, 전술한 방법은 센서 데이터 전송 정책 설정 단계를 포함하고, 상기 센서 데이터 전송 정책은 센서 데이터 분석 결과 일상 패턴인 경우 보다 긴 주기로 데이터를 전송하도록 설정하고, 관심 패턴이 나타나는 경우 짧은 주기로 데이터를 전송하도록 설정하여 센서로 하여금 상기 정책에 따라 데이터를 전송하도록 지시하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 이미지 데이터를 수신하는 단계는 이미지 데이터 수집 정책에 따라 데이터가 수신되며, 상기 이미지 데이터 수집 정책은 기본 정책으로 1분 단위의 주기로 720p이상 컬러 영상 이미지를 서버로 수집하고, 제1 예외 정책으로 행동 분석 결과 집중 모니터링할 클래스인 경우 수집 주기를 짧게 하여 보다 빈번하게 수집하고, 제2 예외 정책으로 가축이 행동할 시간대가 아닌 경우, 수집 주기를 길게 하여 데이터를 수집하며, 제3 예외 정책으로 네트워크 전송 환경에 따라 데이터 전송 양과 주기를 조절하도록 설정될 수 있다.
일 실시예에 있어서, 상기 이미지 데이터를 분석하는 단계는 상기 가축이 돼지인 경우, 사전에 이미지 데이터를 수집하고 데이터 레이블링 등의 학습 과정을 통해 이상징후 분류 모델을 적어도 하나 생성하고, 모돈 인식 이미지 데이터셋을 활용하여 기계학습 알고리즘을 적용하는 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 실행되는 경우, 상기 컴퓨터로 하여금, 전술한 방법들 중 어느 하나의 방법을 수행하게 하는 컴퓨터 판도가능 기록매체가 제공된다.
본 개시의 실시예에 따르면, 효율적이고 안전하게 가축질병 상황을 확인할 수 있는 가축의 질병 관리 방법 및 시스템을 제공할 수 있다.
본 개시의 실시예에 따르면, 영상을 기초로 자동으로 가축의 이상 징후를 판별함으로써 24시간 누락 없이 가축의 행동을 모니터링할 수 있고, 가축에게 필요한 처방을 적시에 적용할 수 있다.
본 개시의 실시예에 따르면, 영상을 기초로 가축의 행동을 모니터링하여 분석함으로써 위험상황의 요인을 추가적으로 더 도출하고 관리할 수 있다.
도 1은 본 개시의 일 실시예에 따른 가축의 개체별 이상 징후 관리 시스템(100)의 전체 구성을 개략적으로 도시한 도면이다.
도 2는 가축이 도 1의 센서(110)를 착용한 모습을 예시적으로 도시하는 도면이다.
도 3은 도 1의 가축의 개체별 이상 징후 판별 서버(140)의 예시적 기능 구성을 도시한 기능 블록도이다.
도 4는 본 개시의 일 실시예에 따라 수집한 행동 센서 데이터의 형식을 예시적으로 도시하는 그래프이다.
도 5은 본 개시의 일 실시예에 따른 엣지클라우드서버 모델 기반의 가축의 개체별 이상 징후 관리 시스템(100)의 전체 구성을 개략적으로 도시한 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 가축의 개체별 이상 징후 관리 시스템(100)의 전체 구성을 개략적으로 도시한 도면이다. 도시된 바에 의하면, 가축의 개체별 이상 징후 관리 시스템(100)은, 복수 개의 센서(110a, 110b, ..., 110n), 복수 개의 카메라(120a, 120b, ..., 120n), 가축의 개체별 이상 징후 판별 서버(140), 통신망(150), 및 질병 관리 서버(160)를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 복수 개의 센서(110a, 110b, ..., 110n)는 개별 가축에 부착되는 고정형 센서일 수 있다. 일 실시예에서, 센서(110a, 110b, ..., 110n)는 가축의 동작, 자세 등의 움직임을 감지할 수 있는 모션센서, 예컨대 가속도 센서 또는 자이로 센서일 수 있다. 일 실시예에서, 센서(110a, 110b, ..., 110n)는 가축의 움직임을 감지할 수 있는 귀, 관절, 목둘레 등에 부착될 수 있다.
일 실시예에서, 센서(110a, 110b, ..., 110n)는 배터리를 이용하여 동작할 수 있다. 일 실시예에서, 센서(110a, 110b, ..., 110n)는 무선통신을 할 수 있다. 일 실시예에서, 센서(110a, 110b, ..., 110n)는 에너지를 효율적으로 이용하기 위해서 통신 모드를 조절할 수 있고, 데이터 전송 정책에 따라 수집된 데이터를 전송할 수 있다. 일 실시예에서, 데이터의 전송 정책은 일상 패턴인 경우 긴 주기로 데이터를 전송하다가 관심 패턴이 나타나는 경우 짧은 주기로 데이터를 전송하는 것을 포함할 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 개시의 일 실시예에 의하면, 카메라(120a, 120b, ..., 120n)는 녹화된 이미지 데이터를 네트워크 비디오 레코더(Network vide recorder: NVR)에 저장하고, 통신망을 통해 전송할 수 있다. 본 도면에 도시된 바에 의하면, 가축의 개체별 이상 징후 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, 가축의 개체별 이상 징후 판별 서버(140)는 센서(110a, 110b, ..., 110n)로부터 센서 데이터를 송신받아 수집한 센서 데이터를 기반으로 행동 패턴을 분석 할 수 있다. 본 개시의 일 실시예에 의하면, 가축의 개체별 이상 징후 판별 서버(140)는 카메라(120a, 120b, ..., 120n)로부터 이미지 데이터를 송신받아 수집한 이미지 데이터를 기반으로 행동 패턴을 분석 할 수 있다. 본 개시의 일 실시예에 의하면, 가축의 개체별 이상 징후 판별 서버(140)는 수집한 센서 데이터와 이미지 데이터를 기초로 개별 가축의 행동을 매핑할 수 있다. 본 개시의 일 실시예에 의하면, 가축의 개체별 이상 징후 판별 서버(140)는 센서(110a, 110b, ..., 110n)의 전송 주기를 설정할 수 있다. 예컨대, 가축의 개체별 이상 징후 판별 서버(140)는 센서(110a, 110b, ..., 110n)에서 에너지를 효율적으로 이용하도록 일상 패턴인 경우 긴 주기로 데이터를 전송하다가 관심 패턴이 나타나는 경우 짧은 주기로 데이터를 전송하는 데이터 전송 정책에 따라 데이터를 전송하도록 센서에게 지시할 수 있다.
본 개시의 일 실시예에 의하면, 가축의 개체별 이상 징후 판별 서버(140)는 엣지 컴퓨터일 수 있다.
본 개시의 일 실시예에 의하면, 통신망(150)은, 임의의 유선 또는 무선 통신망, 예컨대 TCP/IP 통신망을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 통신망(150)은, 예컨대 Wi-Fi망, LAN망, WAN망, 인터넷망 등을 포함할 수 있으며, 본 발명이 이로써 제한되는 것은 아니다. 본 개시의 일 실시예에 의하면, 통신망(150)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, 질병 관리 서버(160)는, 통신망(150)을 통하여 가축의 개체별 이상 징후 판별 서버(140)로부터 영상 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는, 통신망(150)을 통하여, 가축의 개체별 이상 징후 판별 서버(140)과 필요한 정보를 송수신할 수 있다.
본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는, 가축의 센서 데이터, 가축에 관한 이미지 데이터 및 생체 특징 정보 중 적어도 하나를 가축의 개체별 이상 징후 판별 서버(140)로부터 수신할 수 있다. 본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는, 수신된 분류 데이터, 행동인식 데이터, 그리고 센서 데이터, 이미지 데이터 및 생체 특징 정보에 기초하여 해당 가축의 건강 여부를 예측할 수 있다.
본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는 가축의 개체별 이상 징후 판별 서버(140)로부터 수신된 가축에 관한 이미지 데이터, 생체 특징 데이터, 및 유전 정보와, 이상징후 판단 모델을 통해 해당 가축의 질병 발생 여부을 판단할 수 있다. 일 실시예에서, 질병 관리 서버(160)는 예컨대 가축의 이미지 정보를 분석하여 가축에게 이상징후가 있는지 여부를 판단할 수 있다. 본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는 가축 이미지 정보를 분석하여 가축의 자세를 인식할 수 있다. 일 실시예에서, 질병 관리 서버(160)는 가축의 개체별 이상 징후 판별 서버(140)에서 분류한 클래스에 따라, 예컨대 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 분류됨, 앉아 있는 돼지를 발견하면 이상징후라고 인식할 수 있다. 본 개시의 일 실시예에 의하면, 질병 관리 서버(160)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.
본 개시의 일 실시예에 따르면, 질병 관리 서버(160)는 클라우드 서버일 수 있다.
도 2는 가축이 도 1의 센서(110)를 착용한 모습을 예시적으로 도시하는 도면이다.
복수 개의 센서(110a, 110b, ..., 110n)는 개별 가축에 부착되는 고정형 센서일 수 있다. 일 실시예에서, 센서(110a, 110b, ..., 110n)는 특정 부위에 탈착 가능한 밴드 형태로 구현될 수 있고, 특정 부위에 부착 가능한 다면체 형태로 구현될 수 있으며, 가축의 얼굴(귀)에 고정 형태로 구현될 수도 있으나 이에 한정되지 않는다.
일 실시예에서, 센서(110a, 110b, ..., 110n)는 가축의 동작, 자세 등의 움직임을 감지할 수 있는 모션센서, 예컨대 가속도 센서, 속도감지 센서 또는 자이로 센서일 수 있으나 이에 한정되지 않는다. 본 도면에 도시된 바에 의하면, 센서(110)는 가축의 귀에 부착된 것으로 도시되어 있으나 본 개시가 이로써 제한되는 것은 아니다. 일 실시예에서, 센서(110a, 110b, ..., 110n)는 가축의 움직임을 감지할 수 있는 귀, 관절, 목둘레 등에 부착될 수 있다.
본 개시의 일 실시예에서, 센서(110a, 110b, ..., 110n)는 가축의 척추부위에 위치되어 가축의 앞다리가 위치한 신체의 움직임을 감지할 수 있거나, 가축의 선골과 미추가 연결되는 부위에 위치되어, 꼬리의 움직임, 뒷다리의 움직임, 뒷다리 측 골반 움직임 등을 감지할 수 있거나, 가축의 다리 부위의 적어도 일부에 위치하여, 가축의 다리의 움직임을 센싱할 수 있거나, 가축의 얼굴의 적어도 일부에 위치하여, 가축의 얼굴의 움직임 및/또는 가축의 귀의 움직임을 센싱할 수 있다.
본 개시의 일 실시예에서, 가축은 개별 가축을 식별하기 위한 식별자를 부착할 수 있다. 일 실시예에서, 식별자는 RFID 태그일 수 있다. 일 실시예에서, RFID는 가축의 움직임을 센싱한 센서 데이터를 저장 및 전송할 수 있다. 일 실시예에서, 각 센서는 가축 식별자 정보와 함께 센싱한 센서 데이터를 전송할 수 있다.
도 3은 도 1의 가축의 개체별 이상 징후 판별 서버(140)의 예시적 기능 구성을 도시한 기능 블록도이다.
도시된 바에 의하면, 가축의 개체별 이상 징후 판별 서버(140)는, 센서 행동 및 이미지 행동 매핑 모듈(310), 센서 데이터 기반 행동분석모듈(320), 이미지데이터 기반 행동분석모듈(330), 메모리 모듈(340), 데이터 전송주기 설정 모듈(350), 통신모듈(360)을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 센서 행동 및 이미지 행동 매핑 모듈(310)는 센서 데이터 분석 결과와 이미지 데이터 분석 결과를 매핑하고 동일한 행동으로 인식되었는지를 확인할 수 있다. 일 실시예에서, 센서 행동 및 이미지 행동 매핑 모듈(310)는 센서 데이터를 분석한 결과 관심 행동, 예컨대 견좌, 구토, 설사, 또는 기침 등이 나타나는 경우, 이미지 데이터를 분석한 결과에서도 동일한 인식결과인지 확인할 수 있다. 센서 행동 및 이미지 행동 매핑 모듈(310)는 센서 데이터 분석 결과와 이미지 데이터 분석 결과에서 동일한 타이밍에 동일한 클래스가 나타나면, 돼지가 관심행동을 했다고 판단할 수 있다. 센서 행동 및 이미지 행동 매핑 모듈(310)는 센서 데이터 분석 결과와 이미지 데이터 분석 결과에서 어느 한 쪽만 관심행동이 있는 것으로 분석되는 경우 사용자에게 확인을 요청할 수 있다.
본 개시의 일 실시예에 의하면, 센서 행동 및 이미지 행동 매핑 모듈(310)는 센서 데이터 분석 결과와 이미지 데이터 분석 결과를 매핑하고 동일한 행동으로 인식되었는지를 확인하므로서, 이미지 데이터 분석 결과만으로 어떤 돼지가 정확히 관심 행동을 했는지 식별하기 어려운 문제점을 해결할 수 있다. 즉, 센서 행동 및 이미지 행동 매핑 모듈(310)는 센서 데이터(RFID 및 모션센서 값)를 이미지 데이터 분석 결과와 비교하여 돼지를 특정할 수 있다. 만약, 동일한 관심 행동이 여러 돼지에 걸쳐 나타난 경우, 센서 행동 및 이미지 행동 매핑 모듈(310)는 각 이미지의 돼지를 개별적으로 식별하여 매핑할 필요가 없다. 일 시시예에서, 센서 행동 및 이미지 행동 매핑 모듈(310)는 이미지 데이터 분석 결과 동일한 시간 대에 인식된 관심 행동의 돼지 수, 센서 상 인식된 관심 행동의 돼지 수가 동일하다면 해당 돼지 ID들과 함께 관심 행동 탐지 정보를 전송할 수 있다. 여기서, 관심 행동 탐지 정보는 탐지 시간, 관심행동 클래스, 이미지 등을 포함할 수 있다. 센서 행동 및 이미지 행동 매핑 모듈(310)는 이러한 방법을 통해 계산의 부하를 줄이면서 정확도를 유지할 수 있다.
일 실시예에 의하면, 센서 행동 및 이미지 행동 매핑 모듈(310)는 이미지 데이터 분석 결과 인식된 관심 행동의 돼지 수와 센서 데이터 분석 결과 인식된 관심 행동의 돼지 수가 다른 경우, 다음과 같이 매핑 후, 기타 정보를 전송하여 사용자로 하여금 확인할 수 있도록 할 수 있다.
각 센서와 센서 데이터 수집 게이트웨이 사이의 거리는 다음과 같이 계산될 수 있다.
FSPL(dB) = 20log10(d) + 20log10(f) + K
여기서 d는 거리(distance)이고, f는 주기(frequency)이며, K는 d와 f에 사용된 단위에 의존하는 상수이다. 따라서, d의 단위가 km이고, f의 단위가 MHz라면, 다음 수식과 같이 계산될 수 있다.
FSPL(dB) = 20log10(d) + 20log10(f) + 32.44
페이드 마진(Fade margine) 수식으로부터, 자유공간 경로 손실(free space path loss)은 다음과 같이 계산될 수 있다.
Free Space Path Loss =
Figure PCTKR2020009864-appb-I000001
위 두 FSPL 수식으로부터, distance(KM)는 다음과 같이 구할 수 있다.
Distance(Km) = 10(FSPL - 32.44 - 20log10(f))/20
따라서, 각 센서가 게이트웨이까지의 거리를 알고 있고 각 카메라도 게이트웨이와의 거리를 알고 있다고 가정하면, 카메라 내에서 인식된 관심 증상을 가지는 객체(돼지)와 게이트웨이와의 거리를 알 수 있다. 그러므로, 돼지에 부착된 센서는 이미 시스템상으로 입력되어 있어 어떤 카메라에서 촬영하고 있는 돼지들인지 알 수 있다. 결론적으로, 카메라에서 특정 가축의 게이트웨이까지의 거리와 센서의 게이트웨이까지의 거리를 비교하여 특정 가축과 센서의 인식 결과를 매핑할 수 있다.
본 개시의 일 실시예에 의하면, 센서 데이터 기반 행동분석모듈(320)은 개별 가축에 부착된 센서로부터 수집한 데이터를 분석하여 해당 가축의 행동을 분석할 수 있다. 일 실시예에 의하면, 센서 데이터 기반 행동분석모듈(320)은 수집한 센서 데이터를 기계학습 등의 기법을 이용하여 행동 패턴으로 분석할 수 있다. 일 실시예에서, 가축이 돼지인 경우, 행동 패턴은 서 있는 돼지(Standing_Pig), 누워 있는 돼지(Lying_Pig), 견좌자세 돼지(Sitting_Pig), 구토 돼지(Vomiting_Pig), 설사 돼지(Diarrhea_Pig), 기침 돼지(Cough_Pig)를 포함할 수 있다.
도 4는 본 개시의 일 실시예에 따라 수집한 행동 센서 데이터의 형식을 예시적으로 도시하는 그래프이다.
도시된 바와 같이, 행동 센서 데이터를 시간 축으로 하여 수집할 수 있으며, 센서 데이터 기반 행동분석모듈(320)은 사전 분석된 행동 패턴을 참고하여, 소정의 시간 간격(예를 들어 1분)으로 행동 패턴을 분석할 수 있다. 도 3에서, 센서 데이터 기반 행동분석모듈(320)은 돼지 ID 55-78은 처음 1분동안(00:01) 서 있고(Standing), 그 다음 1분(00:02)은 누워 있으며(Lying), 그 다음 1분(00:03)은 앉아 있고, 그 다음 1분(00:04)도 여전히 앉아 있다고 분석할 수 있다.
일 실시예에서, 행동 센서 데이터는 일정한 숫자값의 나열이므로, 일정한 간격으로 데이터를 구분하고, 해당 데이터의 패턴을 인식하여 클래스로 구분할 수 있다.
본 개시의 일 실시예에 의하면 이미지 데이터 기반 행동분석모듈(330)은 이미지 데이터를 수집하여 기계학습 기법, 이미지 분류 기법 등의 인공지능 기법을 사용하여 이미지 내 모니터링할 객체의 행동 상태를 분석할 수 있다.
일 실시예에서, 이미지 데이터 기반 행동분석모듈(330)은 이미지 데이터 수집 정책에 따라 이미지 데이터를 수집할 수 있다. 일 실시예에서, 이미지 데이터 기반 행동분석모듈(330)은 이미지 데이터 수집 기본 정책으로 1분 단위의 주기로 720p이상 컬러 영상 이미지를 서버로 수집할 수 있다. 일 실시예에서, 이미지 데이터 기반 행동분석모듈(330)은 제1 예외 정책으로 행동 분석 결과 집중 모니터링할 타입(견과, 설사, 구토, 기침 등)이라면 수집 주기를 짧게 하여 보다 빈번하게 수집할 수 있다. 일 실시예에서, 이미지 데이터 기반 행동분석모듈(330)은 제2 예외 정책으로 돼지가 행동할 시간대가 아니라면, 예컨대 수면시간 등과 같이, 수집 주기를 길게 하여 데이터를 수집할 수 있다. 일 실시예에서, 이미지 데이터 기반 행동분석모듈(330)은 제3 예외 정책으로 네트워크 전송 환경에 따라 데이터 전송 양과 주기를 조절할 수 있다. 예컨데, 네트워크 전송 환경이 나빠지는 경우, 데이터 수집 큐를 조정하여 전송 속도가 일정값이상이 나올 때 한번에 수집할 수 있다.
일 실시예에서, 이미지 데이터 기반 행동분석모듈(330)은 수집한 데이터에 대해 전처리를 수행할 수 있다. 일 실시예에서, 이미지 데이터 기반 행동분석모듈(330)은 수집한 이미지 데이터의 이미지를 흑백화하거나, 엣지 이미지를 획득하는 등 원본 이미지 데이터에 대해 전처리를 수행할 수 있다.
일 실시예에서, 이미지 데이터 기반 행동분석모듈(330)은 이미지 내 모니터링할 객체의 행동 상태를 기계학습 기법, 이미지 분류 기법 등의 인공지능 기법으로 분석할 수 있다. 일 실시예에서, 이미지 데이터 기반 행동분석모듈(330)은 사전에 이미지 데이터를 수집하고 데이터 레이블링 등의 학습 과정을 통해 이상징후 분류 모델을 적어도 하나 생성할 수 있다. 이미지 데이터 기반 행동분석모듈(330)은 각 분류 알고리즘 등을 활용하여 학습시킨 분류기 중 가장 리콜(recall) 능력이 뛰어난 분류기를 이용하여 이미지 내 객체(돼지)의 행동을 분석할 수 있다. 일 실시예에서, 돼지 이상징후 분류기가 인식할 수 있는 레이블(클래스)는 서 있는 돼지(Standing_Pig), 누워 있는 돼지(Lying_Pig), 겹쳐있는 돼지(Multiple_Pig), 견좌자세 돼지(Sitting_Pig), 구토 돼지(Vomiting_Pig), 설사 돼지(Diarrhea_Pig), 기침 돼지(Cough_Pig)를 포함할 수 있다.
본 개시의 일 실시예에 의하면 메모리 모듈(340)은 서버(140) 상에서 실행될 수 있는 각종 프로그램 및 관련 데이터 등이 저장된 임의의 저장 매체일 수 있다. 본 개시의 일 실시예에 의하면, 메모리 모듈(340)은 센서 데이터, 이미지 데이터 및 분석 모듈의 실행과 관련된 데이터들이 저장될 수 있다. 본 개시의 일 실시예에 의하면, 메모리 모듈(340)은 DRAM, SRAM, DDR, RAM, ROM, 자기디스크, 광 디스크, 플래시 메모리 등 다양한 형태의 휘발성 또는 비휘발성 메모리를 포함하도록 구성될 수 있다.
본 개시의 일 실시예에 의하면 데이터 전송주기 설정 모듈(350)은 센서의 데이터 전송 정책을 정하고, 센서로 하여금 전송 정책에 따라 센서 데이터를 전송하도록 지시할 수 있다. 일 실시예에서, 데이터의 전송 정책은 센서 데이터 분석 결과 일상 패턴인 경우 센서로 하여금 보다 긴 주기로 데이터를 전송하도록 지시하며, 관심 패턴이 나타나는 경우 짧은 주기로 센서 데이터를 전송하도록 명령할 수 있다. 예컨대, 데이터 전송주기 설정 모듈(350)은 관심 패턴이 나타나는 경우 데이터를 5분에 1회로 전송하고 일상 패턴인 경우 1시간~24시간에 1회로 전송하도록 전송정책을 설정할 수 있다.
본 개시의 일 실시예에 의하면 통신모듈(360)은 가축의 개체별 이상 징후 판별 서버(140)가, 통신망(150)을 통해 외부와 통신할 수 있도록 지원할 수 있다. 본 개시의 일 실시예에 의하면, 통신모듈(360)은, 소정의 프로토콜에 따라 통신망(150)으로부터 데이터를 수신할 수 있고, 통신망(150)을 통하여 가축의 개체별 이상 징후 판별 서버(140)로부터 외부로 데이터가 전송되도록 필요한 절차를 수행할 수 있다.
도 5은 본 개시의 일 실시예에 따른 엣지클라우드서버 모델 기반의 가축의 개체별 이상 징후 관리 시스템(100)의 전체 구성을 개략적으로 도시한 도면이다.
일 실시예에서, 센서 데이터 수집 게이트 웨이는 가축에 부착된 RFID 태그와 모센 센서 데이터로부터 데이터를 수신하여 엣지컴퓨터로 전송할 수 있다.
일 실시예에서, 네트워크 비디오 레코더(Network vide recorder: NVR)는 축사에 설치된 카메라를 통해 가축을 촬영한 이미지 데이터를 수신하여 엣지컴퓨터로 이미지 데이터를 전송할 수 있다.
일 실시예에서, 엣지컴퓨터는 센서 기반 행동 데이터와 이미지 기반 행동 데이터를 분석하여 행동 인식 결과와 해당 행동을 한 돼지의 식별자를 클라우드 서비스 서버로 전송할 수 있다.
일 실시예에서, 클라우드 서비스 서버는 수신된 분류 데이터, 행동인식 데이터, 그리고 센서 데이터, 이미지 데이터 및 생체 특징 정보에 기초하여 해당 가축이 질병 발생 여부를 판단할 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.
110: 센서
120: 카메라
140: 가축의 개체별 이상 징후 판별 서버
160: 질병 관리 서버

Claims (10)

  1. 컴퓨터 시스템 상에서 수행되는, 센서 데이터 및 이미지 데이터 기반 가축의 개체별 이상 징후 포착 방법으로서,
    센서 데이터와 가축의 식별자를 수신하고, 상기 센서 데이터를 분석하여 가축을 식별하고 식별된 가축의 행동을 분류하는 단계; 및
    이미지 데이터를 수신하고, 상기 이미지 데이터를 분석하여 이미지 내 포함된 적어도 하나의 가축의 행동을 분류하는 단계;
    를 포함하는 가축의 개체별 이상 징후 포착 방법.
  2. 제1항에 있어서,
    상기 방법은
    센서 데이터 분석 결과 분류된 가축의 행동과 이미지 데이터 분석 결과 분류된 가축의 행동을 매핑하고 동일한 행동으로 인식되었는지를 확인하는 단계를 더 포함하는 가축의 개체별 이상 징후 포착 방법.
  3. 제2항에 있어서,
    상기 동일한 행동으로 인식되었는지를 확인하는 단계는 센서 데이터를 분석한 결과 분류된 클래스와 동일한 시간 대에 이미지 데이터를 분석한 결과 분석된 클래스가 동일한지 여부를 판단하는 단계를 포함하는 가축의 개체별 이상 징후 포착 방법.
  4. 제3항에 있어서,
    상기 센서 데이터를 분석한 결과 분류된 클래스와 동일한 시간 대에 이미지 데이터를 분석한 결과 분석된 클래스가 동일한 경우, 상기 이미지 데이터에 포함된 돼지의 식별자를 상기 센서 데이터에 포함된 식별자로 할당하는 단계를 포함하는 가축의 개체별 이상 징후 포착 방법.
  5. 제4항에 있어서,
    상기 방법은 상기 가축이 돼지인 경우 이미지 데이터 분석 결과 동일한 시간 대에 인식된 관심 행동의 돼지 수, 센서 데이터 분석 결과 동일한 시간 대에 인식된 관심 행동의 돼지 수가 동일한 경우, 해당 돼지의 식별자와 분류된 클래스 정보를 전송하는 단계를 더 포함하는 가축의 개체별 이상 징후 포착 방법.
  6. 제1항에 있어서,
    가축의 행동에 대한 분류는 상기 가축이 돼지인 경우 서 있는 돼지(Standing_Pig), 누워 있는 돼지(Lying_Pig), 견좌자세 돼지(Sitting_Pig), 구토 돼지(Vomiting_Pig), 설사 돼지(Diarrhea_Pig), 기침 돼지(Cough_Pig) 중 적어도 하나로 분류되는 가축의 개체별 이상 징후 포착 방법.
  7. 제1항에 있어서,
    상기 방법은
    센서 데이터 전송 정책 설정 단계를 포함하고, 상기 센서 데이터 전송 정책은 센서 데이터 분석 결과 일상 패턴인 경우 보다 긴 주기로 데이터를 전송하도록 설정하고, 관심 패턴이 나타나는 경우 짧은 주기로 데이터를 전송하도록 설정하여 센서로 하여금 상기 정책에 따라 데이터를 전송하도록 지시하는 단계를 포함하는 가축의 개체별 이상 징후 포착 방법.
  8. 제1항에 있어서,
    상기 이미지 데이터를 수신하는 단계는 이미지 데이터 수집 정책에 따라 데이터가 수신되며, 상기 이미지 데이터 수집 정책은 기본 정책으로 1분 단위의 주기로 720p이상 컬러 영상 이미지를 서버로 수집하고, 제1 예외 정책으로 행동 분석 결과 집중 모니터링할 클래스인 경우 수집 주기를 짧게 하여 보다 빈번하게 수집하고, 제2 예외 정책으로 가축이 행동할 시간대가 아닌 경우, 수집 주기를 길게 하여 데이터를 수집하며, 제3 예외 정책으로 네트워크 전송 환경에 따라 데이터 전송 양과 주기를 조절하도록 설정되는 가축의 개체별 이상 징후 포착 방법.
  9. 제1항에 있어서,
    상기 이미지 데이터를 분석하는 단계는 상기 가축이 돼지인 경우, 사전에 이미지 데이터를 수집하고 데이터 레이블링 등의 학습 과정을 통해 이상징후 분류 모델을 적어도 하나 생성하고,
    모돈 인식 이미지 데이터셋을 활용하여 기계학습 알고리즘을 적용하는 단계를 더 포함하는 가축의 개체별 이상 징후 포착 방법.
  10. 컴퓨터에 의해 실행 가능한, 하나 이상의 컴퓨터 판독가능 명령이 수록된 컴퓨터 판독가능 기록매체로서, 상기 하나 이상의 컴퓨터 판독가능 명령은, 상기 컴퓨터에 의해 실행되는 경우, 상기 컴퓨터로 하여금, 제1항 내지 제9항 중 어느 한 항에 따른 방법을 수행하게 하는 컴퓨터 판도가능 기록매체.
PCT/KR2020/009864 2020-03-12 2020-07-29 가축의 개체별 이상 징후 포착 시스템 및 그 이용 방법 WO2021182684A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200030629A KR102486761B1 (ko) 2020-03-12 2020-03-12 가축의 개체별 이상 징후 포착 시스템 및 그 이용 방법
KR10-2020-0030629 2020-03-12

Publications (1)

Publication Number Publication Date
WO2021182684A1 true WO2021182684A1 (ko) 2021-09-16

Family

ID=77672428

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/009864 WO2021182684A1 (ko) 2020-03-12 2020-07-29 가축의 개체별 이상 징후 포착 시스템 및 그 이용 방법

Country Status (2)

Country Link
KR (1) KR102486761B1 (ko)
WO (1) WO2021182684A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230080219A (ko) * 2021-11-29 2023-06-07 주식회사 바딧 센서 데이터에 대한 레이블링을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
KR102584357B1 (ko) 2022-12-12 2023-10-12 주식회사 리얼팜 반문 이미지를 기반으로 한 축산 동물의 개체 식별 장치 및 영상을 기반으로 한 가축 행동 패턴 분류 시스템 및 가축 행동 패턴 분류 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010004861A (ja) * 2008-06-24 2010-01-14 Darwin:Kk 動物個体識別システム及び動物個体識別方法
US20110298619A1 (en) * 2008-12-11 2011-12-08 Faire (Ni) Limited Animal monitoring system and method
KR20160078089A (ko) * 2014-12-24 2016-07-04 고려대학교 산학협력단 농장에서의 움직임 객체의 공격적 행동 탐지 및 관리시스템
JP2017112857A (ja) * 2015-12-21 2017-06-29 良一 春日 畜産管理システム
KR102034998B1 (ko) * 2019-07-12 2019-10-22 경상대학교산학협력단 돼지움직임 감지용 광이표

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150118245A (ko) * 2014-04-11 2015-10-22 재단법인대구경북과학기술원 카메라를 이용한 가축 상태 모니터링 방법 및 그 장치
KR101712633B1 (ko) * 2015-01-27 2017-03-07 주식회사 드론오렌지 센서와 무인비행체를 이용한 방목 가축 질병 예측 관리시스템 및 관리방법
JP2017060407A (ja) 2015-09-21 2017-03-30 株式会社グリーン＆ライフ・イノベーション 反芻動物の健康管理システムおよび反芻動物の健康管理方法
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
KR20180105451A (ko) * 2017-03-15 2018-09-28 한국전자통신연구원 가축의 사육 환경을 제어하는 장치 및 그 방법
KR102069087B1 (ko) 2018-12-21 2020-01-22 (주)위세아이텍 고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010004861A (ja) * 2008-06-24 2010-01-14 Darwin:Kk 動物個体識別システム及び動物個体識別方法
US20110298619A1 (en) * 2008-12-11 2011-12-08 Faire (Ni) Limited Animal monitoring system and method
KR20160078089A (ko) * 2014-12-24 2016-07-04 고려대학교 산학협력단 농장에서의 움직임 객체의 공격적 행동 탐지 및 관리시스템
JP2017112857A (ja) * 2015-12-21 2017-06-29 良一 春日 畜産管理システム
KR102034998B1 (ko) * 2019-07-12 2019-10-22 경상대학교산학협력단 돼지움직임 감지용 광이표

Also Published As

Publication number Publication date
KR102486761B1 (ko) 2023-01-11
KR20210115204A (ko) 2021-09-27

Similar Documents

Publication Publication Date Title
KR101984983B1 (ko) 야생동물 모니터링 시스템 및 그 방법
WO2021182684A1 (ko) 가축의 개체별 이상 징후 포착 시스템 및 그 이용 방법
JP7460798B2 (ja) スマート家畜管理システム及びその方法
WO2021194008A1 (ko) 모돈 이상징후 포착 및 관리 클라우드 서비스 방법 및 장치
Yang et al. Classification of broiler behaviours using triaxial accelerometer and machine learning
Banerjee et al. Remote activity classification of hens using wireless body mounted sensors
WO2020138526A1 (ko) 곤충의 사육 제어 장치 및 방법
WO2022158674A1 (ko) 딥러닝을 이용한 가축행동 자동인식 및 모니터링 시스템 및 그 방법
WO2024117665A1 (ko) 소의 승가 행위 검출 장치
CN111310596A (zh) 一种动物患病状态监测***及方法
KR102307478B1 (ko) 컴퓨터 비전을 이용한 가축 질병 예측 시스템 및 그 방법
CN112580552A (zh) 一种鼠类行为分析方法及装置
KR102341715B1 (ko) 가축 모니터링 장치 및 방법
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
Kuźnicka et al. Automatic detection of suckling events in lamb through accelerometer data classification
KR20220068711A (ko) 영상 기반 가축의 급이 행동 분석 장치 및 방법
CN114980011B (zh) 穿戴式传感器与红外相机协同的畜禽体温监测方法
KR102624927B1 (ko) 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법
KR102172347B1 (ko) 농장 가축 상태 평가 방법 및 시스템
WO2019098583A1 (ko) 반려견 행동분석 방법 및 시스템
WO2021182695A1 (ko) 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법
CN115349459A (zh) 一种智能猪舍监控***
CN109982051A (zh) 具有动物识别功能的监控摄像方法和监控相机
WO2021096136A1 (ko) 전자 장치 및 그 제어 방법
WO2022139109A1 (ko) 객체를 모니터링하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Legal Events

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

Ref document number: 20924564

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20924564

Country of ref document: EP

Kind code of ref document: A1