WO2021182695A1 - 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법 - Google Patents

가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법 Download PDF

Info

Publication number
WO2021182695A1
WO2021182695A1 PCT/KR2020/012334 KR2020012334W WO2021182695A1 WO 2021182695 A1 WO2021182695 A1 WO 2021182695A1 KR 2020012334 W KR2020012334 W KR 2020012334W WO 2021182695 A1 WO2021182695 A1 WO 2021182695A1
Authority
WO
WIPO (PCT)
Prior art keywords
livestock
diarrhea
risk
predicting
data
Prior art date
Application number
PCT/KR2020/012334
Other languages
English (en)
French (fr)
Inventor
박지환
천선일
Original Assignee
(주)씽크포비엘
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020200116045A external-priority patent/KR102624927B1/ko
Application filed by (주)씽크포비엘 filed Critical (주)씽크포비엘
Publication of WO2021182695A1 publication Critical patent/WO2021182695A1/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
    • 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
    • A01K29/00—Other apparatus for animal husbandry
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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 for detecting diarrhea in livestock and predicting the risk of diarrhea by analyzing image information and sensor information, and a method of using the same.
  • the death of livestock is one of the important factors that greatly affect the productivity of livestock breeding farms such as Korean cattle and dairy cows.
  • Korean beef industry calf deaths resulted in a loss of about KRW 605.7 billion as of 2018.
  • digestive diseases diarrhea
  • ICT information and communication technology
  • livestock industry is changing as ICT technology is applied in the direction of reducing the cost of livestock
  • the adoption of smart livestock technology is still low in the field of disease management of livestock.
  • a manager In order to manage the health status and disease symptoms of livestock, a manager usually walks around and observes them directly, records and manages the weight and meal amount of the livestock, or uses a wearable sensor to contact the livestock movement data, etc.
  • the current level of technology is to analyze and manage the disease or use a microphone to analyze and detect disease signs of livestock, such as coughing sounds, with artificial intelligence.
  • Diarrhea in livestock is mostly caused by viruses, and especially young livestock such as calves can die from dehydration if not taken within 24 hours. There is a need to quickly recognize young livestock and take action with careful observation.
  • a method for detecting diarrhea and predicting the risk of diarrhea in livestock based on sensor data and image data performed on a computer system.
  • the method includes receiving sensor data and an identifier of the livestock, analyzing the sensor data to identify the livestock, classifying the identified activity of the livestock, and calculating the location of the livestock; and receiving image data, analyzing the image data, and classifying the activity of at least one livestock included in the image.
  • the method may further include mapping the activity of the livestock classified as a result of sensor data analysis and the activity of the animal classified as a result of image data analysis, and confirming whether the activity is recognized as the same activity.
  • the step of determining whether the same activity is recognized includes determining whether the class analyzed as a result of analyzing the image data in the same time zone as the class classified as a result of analyzing the sensor data is the same can do.
  • the method may further include predicting the posture of the livestock by time based on the sensor data.
  • the posture prediction step may be performed based on an LSTM time series-based prediction method.
  • the method further comprises calculating the livestock location and analyzing the moving line of the livestock, wherein the analyzing the moving line is frame-by-frame based on a Simple Online and Realtime Tracking technique It may be a step of analyzing the number and time of moving to a predetermined location by tracking the recognized livestock.
  • the method further comprises the step of predicting the risk of diarrhea of the livestock, wherein the predicting of the risk of diarrhea is based on the analysis value of the movement and posture of the livestock, the number of times the livestock approaches the bucket, the livestock lying down It can be calculated according to the number of times and time.
  • the method may further include transmitting an alarm when the predicted risk of diarrhea is greater than or equal to a predetermined value.
  • the step of predicting the risk of diarrhea of the livestock may be calculated by adding a predetermined weight to the number of times the livestock approaches the bucket, the number of times and the time the livestock is lying on the basis of the analysis value of the movement and posture of the livestock. have.
  • 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 detecting and predicting signs of diarrhea in livestock according to an embodiment of the present disclosure.
  • FIG. 2 is a functional block diagram illustrating an exemplary functional configuration of the diarrhea symptom detection and risk prediction server of the livestock of FIG. 1 .
  • FIG. 3 is a functional block diagram illustrating an exemplary functional configuration of the disease management server of FIG. 1 .
  • FIG. 4 is a screen on which a heat map according to a dwell time of a detection object is displayed according to an embodiment of the present disclosure.
  • FIG. 5 is a screen for displaying a result of tracking the movement of a detection object 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 diarrhea symptom detection and risk prediction system 100 of livestock includes a total sensor 110, a camera 120, a data receiving device 130, a diarrhea symptom detection and risk prediction server 140 of livestock, It may include a communication network (not shown), a beacon receiver 150 and a disease management server 160 .
  • the total sensor 110 may be a fixed sensor attached to individual livestock.
  • the total sensor 110 may include a motion sensor.
  • the total sensor 110 may be a motion sensor capable of detecting movement, such as motion, posture, etc. of livestock, for example, an acceleration sensor, a gyro sensor, or a magnetic sensor.
  • the total sensor 110 may sense the activity of the livestock based on the data of the 3-axis to 9-axis motion sensor according to the movement of the livestock.
  • the total sensor 110 may be attached to the ears, joints, neck circumference, etc. that can detect the movement of livestock. In one embodiment, the total sensor 110 may be a fixed sensor attached to an individual livestock. In one embodiment, the total sensor 110 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 may be implemented in a fixed form to the face (ear) of livestock. However, the present invention is not limited thereto.
  • the total sensor 110 may be a motion sensor capable of detecting movement, such as motion, posture, etc. of livestock, for example, an acceleration sensor, a speed sensor, or a gyro sensor, but is not limited thereto. As shown in this figure, the total sensor 110 is shown attached to the ears of livestock, but the present disclosure is not limited thereto. In one embodiment, the total sensor 110 may be attached to the ears, joints, neck circumference, etc. that can detect the movement of livestock.
  • the total sensor 110 is located in the spine of the livestock to detect the movement of the body where the forelimbs of the livestock are located, or is located in the region where the sacrum and the coccyx of the livestock are connected, the tail It is possible to sense the movement, the movement of the hind legs, the movement of the hind leg side pelvis, etc., or located in at least a part of the leg portion of the livestock, it is possible to sense the movement of the leg of the livestock, or located in at least a part of the face of the livestock, The movement of the face and/or the movement of the ears of livestock may be sensed.
  • the total sensor 110 may transmit identifier information for identifying individual livestock.
  • the total sensor 110 may include an RFID tag.
  • the total sensor 110 may transmit sensor data sensed together with livestock identifier information.
  • the total sensor 110 may transmit a beacon.
  • the beacon information transmitted from the total sensor 110 may be used to estimate the location of the livestock.
  • the total sensor 110 may operate using a battery. In an embodiment, the total sensor 110 may perform wireless communication. In an embodiment, the total sensor 110 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 camera 120 is for photographing the appearance of livestock managed by the livestock farm, and any electronic device such as an image photographing camera, a video recording camera, and a CCTV camera equipped with a wired or wireless communication function.
  • any electronic device such as an image photographing camera, a video recording camera, and a CCTV camera equipped with a wired or wireless communication function.
  • the camera 120 is an image of the livestock itself, a gait image of the livestock, a sleep image, a motion image, an amount of feed ingested, a shoulder posture image, an excretion image, a vomit image, and a cleaning of a barn. Status, etc. can be photographed.
  • the camera 120 stores the recorded image data in a network video recorder (NVR), and transmits it to the diarrhea symptom detection and risk prediction server 140 of livestock through a communication network.
  • NVR network video recorder
  • the diarrhea symptom detection and risk prediction system 100 of livestock is illustrated as having one camera 120 , but the present disclosure is not limited thereto.
  • the data receiving device 130 may receive and collect wired/wireless data. In an embodiment, the data receiving device 130 may receive and collect RFID and motion sensor data. In an embodiment, the data receiving device 130 may collect beacon reception data. In an embodiment, the data receiving device 130 may transmit the received data to the server. In an embodiment, the data receiving device 130 may transmit the received data to the diarrhea symptom detection and risk prediction server 140 of livestock. In an embodiment, the data receiving device 130 may be a sensor data collection gateway.
  • the server 140 for detecting signs of diarrhea and predicting the risk of livestock may analyze the activity of livestock based on the received sensor data.
  • the detection and risk prediction server 140 for diarrhea signs of livestock may analyze the activity pattern of the livestock based on the received sensor data.
  • the diarrhea symptom detection and risk prediction server 140 of livestock may receive image data.
  • the server 140 for detecting signs of diarrhea and predicting the risk of livestock may analyze the activity of the livestock based on the received image data.
  • the diarrhea symptom detection and risk prediction server 140 of livestock may map the activity of individual livestock based on the collected sensor data and image data.
  • the diarrhea symptom detection and risk prediction server 140 of livestock may set the transmission period of the total sensor 110 .
  • the diarrhea symptom detection and risk prediction server 140 of livestock transmits data in a long cycle in case of a daily pattern so as to efficiently use energy from the total sensor 110, and transmits data in a short cycle when a pattern of interest appears. You can instruct the sensor to send data according to the policy.
  • the diarrhea symptom detection and risk prediction server 140 of livestock may be an edge computer.
  • the diarrhea symptom detection and risk prediction server 140 of livestock may analyze sensor data and image data to transmit an identifier of a livestock that has performed a predetermined activity to the disease management server 160 .
  • the communication network may include any wired or wireless communication network, for example, a TCP/IP communication network.
  • the communication network 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 for example, Ethernet, GSM, EDGE (Enhanced Data GSM Environment), CDMA, TDMA, OFDM, Bluetooth, VoIP, Wi-MAX, Wibro and any other various wired or wireless communication protocols It can be implemented using
  • the beacon receiver 150 may receive a beacon from the total sensor 110 attached to the calf. In an embodiment, the beacon receiver 150 may transmit the received beacon information to the data receiving apparatus 130 . In one embodiment, at least four beacon receivers 150 may be provided in the barn.
  • the disease management server 160 may receive image information from the diarrhea symptom detection and risk prediction server 140 of livestock through a communication network. According to an embodiment of the present disclosure, the disease management server 160 may transmit/receive necessary information to and from the diarrhea symptom detection and risk prediction server 140 of livestock through a communication network.
  • the disease management server 160 may receive at least one of sensor data of livestock, image data of livestock, and biometric characteristic information of livestock from the diarrhea symptom detection and risk prediction server 140 of livestock. can 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, activity recognition data, sensor data, image data, and biometric characteristic information. In an embodiment, the management server 160 may predict the diarrhea risk of the corresponding livestock based on the received classification data, activity recognition data, and sensor data, image data, and biometric characteristic information.
  • the disease management server 160 detects signs of diarrhea in livestock and predicts the risk of livestock image data, biometric feature data, and genetic information about the livestock received from the server 140, and the abnormal symptom determination model. Through this, it is possible to determine whether 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 the image information of the calf according to the class classified by the diarrhea symptom detection and risk prediction server 140 of livestock, for example, in the case of a calf, a sitting calf, a lying calf, It is classified into standing calves, overlapping calves, partially visible calves, and unrecognized calves, and when a calf with diarrhea is found, it can be recognized as an abnormal symptom.
  • 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 functional block diagram illustrating an exemplary functional configuration of the diarrhea symptom detection and risk prediction server 140 of FIG. 1 .
  • the diarrhea symptom detection and risk prediction server 140 of livestock includes an image data collection module 210, an image data-based diarrhea analysis module 220, a sensor data collection module 230, and a sensor data-based posture analysis. It may include a module 240 , a sensor diarrhea and image diarrhea mapping module 250 , a livestock location calculation module 260 , a data transmission period setting module 270 , a memory module 280 , and a communication module 290 . .
  • the image data collection module 210 may collect image data according to an image data collection policy.
  • the image data collection module 210 may collect 720p or more color video images to the server at a cycle of 1 minute as the image data collection basic policy.
  • the collection period may be shortened to collect more frequently.
  • the image data collection module 210 may collect data by lengthening the collection period, for example, sleep time, if it is not a time period for livestock to be active as a second exception policy.
  • the image data collection module 210 may adjust the data transmission amount and period 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 collection module 210 may perform pre-processing on the collected data. In an embodiment, the image data collection module 210 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 diarrhea analysis module 220 analyzes the activity state of the object to be monitored in the image by processing the image data using an artificial intelligence technique such as a machine learning technique and an image classification technique.
  • an artificial intelligence technique such as a machine learning technique and an image classification technique.
  • the image data-based diarrhea analysis module 220 may generate at least one abnormal symptom classification model through a learning process such as data labeling by processing image data in advance.
  • the image data-based diarrhea analysis module 220 may analyze the activity of the object (calf) in the image using the classifier with the best recall ability among the classifiers learned by using each classification algorithm.
  • the label (class) recognizable by the livestock anomaly classifier may include feces (Dung), urine (Piddling), and diarrhea (Diarrhea).
  • the sensor data collection module 230 may collect sensor data collected by the total sensor 110 through a communication network.
  • the sensor data may be collected via the beacon receiver 150 or may be collected directly.
  • the sensor data may include beacon, RFID, and motion sensor data.
  • the sensor data-based posture analysis module 240 may analyze data collected from sensors attached to individual livestock to analyze the posture of the corresponding livestock. According to an embodiment, the sensor data-based posture analysis module 240 may detect the posture of the livestock by time based on the collected 3-axis to 9-axis motion sensor data.
  • the sensor data-based posture analysis module 240 may analyze the collected sensor data as a posture pattern using a machine learning technique of a long short term memory (LSTM) time series-based prediction method such as RNN.
  • LSTM long short term memory
  • the sensor data is a list of constant numerical values, it is possible to classify the data by classifying the data at regular intervals and recognizing a pattern of the corresponding data.
  • the posture pattern is Standing, Sitting, Lying, Walking, Running, Dung, Urine. (Piddling), may include diarrhea (Diarrhea).
  • the sensor-based diarrhea and image-based diarrhea mapping module 250 may check whether the same detection result is shown in other analysis results when the sensor data analysis result and the image data analysis result diarrhea pattern are analyzed. . In one embodiment, the sensor-based diarrhea and image-based diarrhea mapping module 250 checks whether the same diarrhea pattern is recognized in the result of analyzing the image data when an activity of interest, such as a diarrhea pattern, appears as a result of analyzing the sensor data. can The sensor-based diarrhea and image-based diarrhea mapping module 250 may determine that the livestock has diarrhea with a high probability when diarrhea appears at the same timing in the sensor data analysis result and the image data analysis result. The sensor-based diarrhea and image-based diarrhea mapping module 250 may store the analysis value and request confirmation from the user when only one of the sensor data analysis results and image data analysis results is analyzed as having an activity of interest (diarrhea). .
  • the sensor-based diarrhea and image-based diarrhea mapping module 250 maps the sensor data analysis result and the image data analysis result and confirms whether it is recognized as the same activity, which livestock only as the image data analysis result It can solve the problem that it is difficult to identify whether the activity of interest has been accurately performed. That is, the sensor-based diarrhea and image-based diarrhea mapping module 250 may compare the sensor data (RFID and motion sensor value) with the image data analysis result to specify the livestock. If the same activity of interest appears across several livestock (calf), the sensor-based diarrhea and image-based diarrhea mapping module 250 does not need to individually identify and map the livestock (calf) of each image.
  • the sensor-based diarrhea and image-based diarrhea mapping module 250 is the image data analysis result, if the number of livestock of the activity of interest recognized in the same time period and the number of livestock of the activity of interest recognized on the sensor are the same, the corresponding livestock ID It is possible to transmit interest activity detection information together with the users.
  • the activity-of-interest detection information may include a detection time, an activity-of-interest class, an image, and the like.
  • the sensor-based diarrhea and image-based diarrhea mapping module 250 can maintain accuracy while reducing the computational load through this method.
  • the sensor-based diarrhea and image-based diarrhea mapping module 250 when the sensor-based diarrhea and image-based diarrhea mapping module 250 is different from the number of livestock of the activity of interest recognized as a result of image data analysis and the number of livestock of the activity of interest recognized as a result of sensor data analysis, after mapping as follows , and other information 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 object (calf) having the symptom of interest recognized within the camera and the gateway can be known. Therefore, the sensor attached to the calf has already been input into the system, so it is possible to know which camera the calf is shooting with.
  • 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 livestock position calculation module 260 may calculate the position of the livestock based on information received from the beacon receiver 150 .
  • the livestock position calculation module 260 may calculate the position of the livestock by trilateration using the reception time of the beacon transmitter received by each beacon receiver.
  • the livestock position calculation module 260 may calculate the latitude and longitude values of the livestock based on the GPS position of the beacon receiver, as a result of trilateration, and calculate the position error using four or more beacon receivers. can be reduced Since those skilled in the art are well aware of various methods and modifications for calculating the position of an object, a detailed description of the method for calculating the position of the livestock will be omitted below.
  • the livestock position calculation module 260 may calculate the position of the livestock at a predetermined period.
  • the data transmission period setting module 270 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 270 may set a transmission policy to transmit data once every 5 minutes when a pattern of interest appears and transmit data once every 1 to 24 hours in case of a daily pattern.
  • the memory module 280 may be any storage medium in which various programs and related data that can be executed on the server 140 for detecting signs of diarrhea and predicting the risk of livestock are stored. According to an embodiment of the present disclosure, the memory module 280 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 280 may be configured to include various types of volatile or non-volatile memory such as DRAM, SRAM, DDR, RAM, ROM, magnetic disk, optical disk, flash memory, and the like.
  • the communication module 290 may support the diarrhea symptom detection and risk prediction server 140 of livestock to communicate with the outside through a communication network. According to an embodiment of the present disclosure, the communication module 290 may receive data from a communication network according to a predetermined protocol, and the data may be transmitted from the server 140 for detecting diarrhea signs of livestock and predicting the risk through the communication network. You can perform the necessary procedures to be transmitted.
  • FIG. 3 is a functional block diagram illustrating an exemplary functional configuration of the disease management server 160 of FIG. 1 .
  • the disease management server 160 includes a movement line analysis module 310 , a posture log analysis module 320 , a diarrhea risk prediction module 330 , a risk notification module 340 , a memory module 350 , and communication A module 360 may be included.
  • the movement line analysis module 310 may analyze the movement line of the livestock based on the location information of the livestock. In one embodiment, the movement analysis module 310 may receive the location information of the livestock and analyze the movement of the livestock based on the received information. In an embodiment, the movement analysis module 310 may receive a main location, for example, a water container location, a feed container location, and the like. In an embodiment, the movement line analysis module 310 may track the object recognized for each frame using a Simple Online and Realtime Tracking (SORT) algorithm. In one embodiment, the movement line analysis module 310 may analyze the time spent in each ID of the livestock and the movement line by using the ID mapping result of the total sensor 110 based on the image data. In one embodiment, the movement analysis module 310 may analyze how many times (number of times) the livestock moved to the main location and how long (time) it stayed.
  • SORT Simple Online and Realtime Tracking
  • FIG. 4 is a screen on which a heat map according to a dwell time of a detection object is displayed according to an embodiment of the present disclosure.
  • the movement line analysis module 310 may identify the object ID in the image data and display the object ID in the screen.
  • FIG. 5 is a screen for displaying a result of tracking the movement of a detection object according to an embodiment of the present disclosure.
  • the moving line analysis module 310 may display the tracked moving line for each object ID on the screen.
  • the posture log analysis module 320 may analyze the posture of the livestock based on the posture information (log data) of the livestock. In an embodiment, the posture log analysis module 320 may receive the posture data of the livestock and analyze the posture of the livestock based on the received information. In one embodiment, the posture log analysis module 320 may analyze how many times (number of times) the livestock took a certain posture during a predetermined unit time, and how many times (time) the livestock was taking one posture at one time. .
  • the diarrhea risk prediction module 330 may predict the risk that the livestock will have diarrhea based on the information on the livestock.
  • the information on the livestock may include the movement of the livestock and the posture of the livestock.
  • the diarrhea risk prediction module 330 may quantify the observed activity pattern and predict the diarrhea risk of livestock by using the movement line and posture analysis value.
  • the diarrhea risk prediction module 330 may calculate the diarrhea risk using three variable values.
  • Waterbox Trend The slope of the increase/decrease in the number of times a livestock approaches the water trough
  • Lying Count Trend The slope of the increase/decrease in the number of lying counts of livestock
  • the severity of each of the three variables may be defined as follows:
  • High Waterbox Trend In the last 12 hours, if the slope of the graph of the number of accesses to the Waterbox is greater than a predetermined value, such as 0.5, severe (meaning an increasing trend)
  • Lying Duration Trend In the last 12 hours, if the slope of the Lying Duration graph is greater than a predetermined value, such as 0.5, severe (meaning an increasing trend)
  • the diarrhea risk prediction module 330 may set a weight for each variable.
  • the weight of the Waterbox Trend may be set to 20%
  • the Lying Count Trend weight may be 40%
  • the Lying Duration Trend weight may be set to 40%.
  • the diarrhea risk prediction module 330 may calculate the final severity value as follows.
  • the diarrhea risk prediction module 330 may classify the severity type as follows according to the severity calculation result:
  • the danger notification module 340 may generate and transmit an alarm when the risk of diarrhea in livestock is greater than or equal to a predetermined value.
  • the risk notification module 340 may transmit the calf ID and the risk calculated value to the farm manager as a mobile push message, SMS, or the like, when the diarrhea risk of livestock is calculated above a certain level (eg, Warning).
  • the memory module 350 may be any storage medium in which various programs executable on the disease management server 160 and related data are stored. According to an embodiment of the present disclosure, the memory module 350 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 350 may be configured to include various types of volatile or nonvolatile memory such as DRAM, SRAM, DDR, RAM, ROM, magnetic disk, optical disk, flash memory, and the like.
  • volatile or nonvolatile memory such as DRAM, SRAM, DDR, RAM, ROM, magnetic disk, optical disk, flash memory, and the like.
  • the communication module 360 may support the disease management server 160 to communicate with the outside through a communication network. According to an embodiment of the present disclosure, the communication module 360 may receive data from a communication network according to a predetermined protocol and perform a necessary procedure to transmit data from the disease management server 160 to the outside through the communication network. can do.
  • 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

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Animal Husbandry (AREA)
  • Zoology (AREA)
  • Physiology (AREA)
  • Multimedia (AREA)
  • Birds (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

컴퓨터 시스템 상에서 수행되는, 컴퓨터 시스템 상에서 수행되는, 센서 데이터 및 이미지 데이터 기반 가축의 설사 탐지 및 설사 위험도 예측 방법이 제공된다. 상기 방법은 센서 데이터와 가축의 식별자를 수신하고, 상기 센서 데이터를 분석하여 가축을 식별하고 식별된 가축의 활동을 분류하고 가축의 위치를 계산하는 단계; 및 이미지 데이터를 수신하고, 상기 이미지 데이터를 분석하여 이미지 내 포함된 적어도 하나의 가축의 활동을 분류하는 단계를 포함할 수 있다.

Description

가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법
본 개시는 영상정보 및 센서정보를 분석하여 가축의 설사 탐지 및 설사 위험도를 예측하는 시스템 및 그 이용 방법에 관한 것이다.
가축의 폐사는 한우나 젖소 등 가축 사육 농가의생산성에 큰 영향을 미치는 중요한 요인 중의 하나이다. 한우 산업에서 송아지의 폐사로, 2018년 기준 약 6,057억원의 손실이 발생했는데, 송아지의 폐사 원인 중 소화기 질환(설사)는 약 69%로 가장 큰 비율을 차지하고 있다.
정보통신기술(ICT)의 보급으로 가축 사양 정보, 환경 정보 등 농장의 데이터를 실시간으로 통합 관리하는 ‘스마트 축산 모델’이 제공되며, 사육의 생산성 및 품질을 향상하고, 인력관리의 효율성을 높이며 노동력을 절감하는 방향으로 ICT 기술이 접목되어 축산 산업의 변화가 일어나고 있으나, 가축의 질병 관리 분야에서는 아직 스마트 축산 기술 도입이 낮은 편이다. 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 가축의 이동 데이터 등을 분석하여 관리하거나 마이크 등을 이용하여 가축의 질병 징후, 예컨대 기침 소리를 인공지능으로 분석하여 탐지하는 것이 현재의 기술 수준이다.
관리인이 주기적으로 모니터링하는 경우 관리인이 관찰하지 않는 사이 발생하는 가축의 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 필요하며, 접촉식 센서를 사용하여 관리하는 경우 접촉식 센서를 설치하거나 교체할 때 가축에 질병 등의 감염이나 상해 위험 가능성이 있고, 마이크를 사용하는 경우 축사내 다수의 가축을 대상으로 발생하는 소리를 분석하기 때문에 기침을 하거나 호흡에 문제가 있는 가축을 특정하기 매우 어렵다는 문제점이 있다.
가축의 설사는 대부분 바이러스에 의한 것이 원인으로, 특히 송아지와 같은 어린 가축은 24시간 내에 조치를 하지 않으면 탈수로 폐사할 수 있기 때문에 가축의 설사를 빠르게 탐지하고 신속한 조치가 필요한 송아지와 같은 설사 위험에 있는 어린 가축을 빠르게 인지하고 주의깊게 관찰하여 조치할 필요가 있다.
따라서, 관리자의 직접 관찰 없이도 효율적이고 안전하게 가축질병 상황을 확인할 수 있는 가축의 설사 탐지 및 설사 위험도 예측 시스템이 요구되고 있다.
본 개시의 일 특징에 따르면, 컴퓨터 시스템 상에서 수행되는, 센서 데이터 및 이미지 데이터 기반 가축의 설사 탐지 및 설사 위험도 예측 방법이 제공된다. 상기 방법은 센서 데이터와 가축의 식별자를 수신하고, 상기 센서 데이터를 분석하여 가축을 식별하고 식별된 가축의 활동을 분류하고 가축의 위치를 계산하는 단계; 및 이미지 데이터를 수신하고, 상기 이미지 데이터를 분석하여 이미지 내 포함된 적어도 하나의 가축의 활동을 분류하는 단계를 포함할 수 있다.
일 실시예에 있어서, 방법은 센서 데이터 분석 결과 분류된 가축의 활동과 이미지 데이터 분석 결과 분류된 가축의 활동을 매핑하고 동일한 활동으로 인식되었는지를 확인하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 동일한 활동으로 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 방법은 상기 센서 데이터를 기반으로 상기 가축의 시간별 자세를 예측하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 자세 예측 단계는 LSTM 시계열 기반 예측 방법을 기초로 예측할 수 있다.
일 실시예에 있어서, 상기 방법은 가축 위치를 계산하고 가축의 동선을 분석하는 단계를 더 포함하고, 상기 동선을 분석하는 단계는 심플 온라인 실시간 트랙킹(Simple Online and Realtime Tracking) 기법을 기초로 프레임별로 인식한 가축을 추적하여 소정의 위치에 이동한 횟수와 시간을 분석하는 단계일 수 있다.
일 실시예에 있어서, 상기 방법은 가축의 설사 위험도를 예측하는 단계를 더 포함하고, 상기 설사 위험도 예측하는 단계는 가축의 동선과 자세 분석값을 기초로 가축이 물통에 접근하는 횟수, 가축이 누워있는 횟수와 시간에 따라 산출될 수 있다.
일 실시예에 있어서, 상기 방법은 상기 예측된 설사 위험도가 소정의 값 이상인 경우 알람을 전송하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 가축의 설사 위험도를 예측하는 단계는 가축의 동선과 자세 분석값을 기초로 가축이 물통에 접근하는 횟수, 가축이 누워있는 횟수와 시간에 소정의 가중치를 합하여 산출될 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 설사 탐지 및 설사 위험도 예측 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 분석하면서도 가축 식별 문제를 해결하고, 사용자에게 정확히 식별된 ID를 기반으로 정확한 정보를 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 가축의 설사 징후 탐지 및 위험도 예측 시스템(100)의 전체 구성을 개략적으로 도시한 도면이다.
도 2는 도 1의 가축의 설사 징후 탐지 및 위험 예측 서버의 예시적 기능 구성을 도시한 기능 블록도이다.
도 3는 도 1의 질병 관리 서버의 예시적 기능 구성을 도시한 기능 블록도이다.
도 4는 본 개시의 일 실시예에 따라 탐지 객체의 머무른 시간에 따른 히트맵이 표시된 화면이다.
도 5는 본 개시의 일 실시예에 따라 탐지 객체의 동선을 추척하여 결과를 표시하는 화면이다.
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 설사 징후 탐지 및 위험도 예측 시스템(100)의 전체 구성을 개략적으로 도시한 도면이다. 도시된 바에 의하면, 가축의 설사 징후 탐지 및 위험도 예측 시스템(100)은, 토탈 센서(110), 카메라(120), 데이터 수신 장치(130), 가축의 설사 징후 탐지 및 위험도 예측 서버(140), 통신망(도시되지 않음), 비콘 수신기(150) 및 질병 관리 서버(160)를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 토탈 센서(110)는 개별 가축에 부착되는 고정형 센서일 수 있다.
일 실시예에서, 토탈 센서(110)는 모션센서를 포함할 수 있다. 일 실시예에서, 토탈 센서(110)는 가축의 동작, 자세 등의 움직임을 감지할 수 있는 모션센서, 예컨대 가속도 센서, 자이로 센서 또는 지자계(magnetic) 센서일 수 있다. 일 실시예에서, 토탈 센서(110)는 가축의 움직임에 따라 3축~9축 모션센서의 데이터에 기반하여 가축의 활동을 센싱할 수 있다.
일 실시예에서, 토탈 센서(110)는 가축의 움직임을 감지할 수 있는 귀, 관절, 목둘레 등에 부착될 수 있다. 일 실시예에서, 토탈 센서(110)는 개별 가축에 부착되는 고정형 센서일 수 있다. 일 실시예에서, 토탈 센서(110)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, 토탈 센서(110)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, 토탈 센서(110)는 가축의 귀에 부착된 것으로 도시되어 있으나 본 개시가 이로써 제한되는 것은 아니다. 일 실시예에서, 토탈 센서(110)는 가축의 움직임을 감지할 수 있는 귀, 관절, 목둘레 등에 부착될 수 있다.
본 개시의 일 실시예에서, 토탈 센서(110)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.
일 실시예에서, 토탈 센서(110)는 가축은 개별 가축을 식별하기 위한 식별자 정보를 송신할 수 있다. 본 개시의 일 실시예에서, 토탈 센서(110)는 RFID 태그를 포함할 수 있다. 일 실시예에서, 토탈 센서(110)는 가축 식별자 정보와 함께 센싱한 센서 데이터를 전송할 수 있다.
본 개시의 일 실시예에서, 토탈 센서(110)는 비콘을 전송할 수 있다. 일 실시예에서, 토탈 센서(110)에서 전송되는 비콘 정보는 가축의 위치를 추정하는데 사용될 수 있다.
일 실시예에서, 토탈 센서(110)는 배터리를 이용하여 동작할 수 있다. 일 실시예에서, 토탈 센서(110)는 무선통신을 할 수 있다. 일 실시예에서, 토탈 센서(110)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(120)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(120)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(120)를 통해 이용하여 모바일 AR 뷰 카메라 촬영이 가능할 수 있다.
본 개시의 일 실시예에 의하면, 카메라(120)는 녹화된 이미지 데이터를 네트워크 비디오 레코더(Network vide recorder: NVR)에 저장하고, 통신망을 통해 가축의 설사 징후 탐지 및 위험도 예측 서버(140)로 전송할 수 있다. 본 도면에 도시된 바에 의하면, 가축의 설사 징후 탐지 및 위험도 예측 시스템(100)은, 한 개의 카메라(120)를 갖는 것으로 도시되어 있으나 본 개시가 이로써 제한되는 것은 아니다.
본 개시의 일 실시예에 의하면, 데이터 수신 장치(130)는 유무선 데이터를 수신하고 수집할 수 있다. 일 실시예에서, 데이터 수신 장치(130)는 RFID, 모션 센서 데이터를 수신 및 수집할 수 있다. 일 실시예에서, 데이터 수신 장치(130)는 비콘 수신 데이터를 수집할 수 있다. 일 실시예에서, 데이터 수신 장치(130)는 수신한 데이터를 서버로 전송할 수 있다. 일 실시예에서, 데이터 수신 장치(130)는 수신한 데이터를 가축의 설사 징후 탐지 및 위험도 예측 서버(140)로 전송할 수 있다. 일 실시예에서, 데이터 수신 장치(130)는 센서 데이터 수집 게이트 웨이일 수 있다.
본 개시의 일 실시예에 의하면, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 수신한 센서 데이터를 기반으로 가축의 활동을 분석할 수 있다. 일 실시예에서, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 수신한 센서 데이터를 기반으로 가축의 활동 패턴을 분석할 수 있다.
본 개시의 일 실시예에 의하면, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 이미지 데이터를 수신할 수 있다. 일 실시예에서, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 수신한 이미지 데이터를 기반으로 가축의 활동을 분석할 수 있다. 본 개시의 일 실시예에 의하면, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 수집한 센서 데이터와 이미지 데이터를 기초로 개별 가축의 활동을 매핑할 수 있다. 본 개시의 일 실시예에 의하면, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 토탈 센서(110)의 전송 주기를 설정할 수 있다. 예컨대, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 토탈 센서(110)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 설사 징후 탐지 및 위험도 예측 서버(140)는 엣지 컴퓨터일 수 있다. 일 실시예에서, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는 센서 데이터와 이미지 데이터를 분석하여 소정의 활동을 한 가축의 식별자를 질병 관리 서버(160)로 전송할 수 있다.
본 개시의 일 실시예에 의하면, 통신망(도시되지 않음)은, 임의의 유선 또는 무선 통신망, 예컨대 TCP/IP 통신망을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 통신망은, 예컨대 Wi-Fi망, LAN망, WAN망, 인터넷망 등을 포함할 수 있으며, 본 발명이 이로써 제한되는 것은 아니다. 본 개시의 일 실시예에 의하면, 통신망은, 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, 비콘 수신기(150)는 송아지에 부착된 토탈 센서(110)로부터 비콘을 수신할 수 있다. 일 실시예에서, 비콘 수신기(150)는 수신한 비콘 정보를 데이터 수신 장치(130)로 전송할 수 있다. 일 실시예에서, 비콘 수신기(150)는 축사 내에 적어도 4개가 구비될 수 있다.
본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는, 통신망을 통하여 가축의 설사 징후 탐지 및 위험도 예측 서버(140)로부터 영상 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는, 통신망을 통하여, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)와 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 설사 징후 탐지 및 위험도 예측 서버(140)로부터 수신할 수 있다. 본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는, 수신된 분류 데이터, 활동인식 데이터, 그리고 센서 데이터, 이미지 데이터 및 생체 특징 정보에 기초하여 해당 가축의 건강 여부를 예측할 수 있다. 일 실시예에서 관리 서버(160)는, 수신된 분류 데이터, 활동인식 데이터, 그리고 센서 데이터, 이미지 데이터 및 생체 특징 정보에 기초하여 해당 가축의 설사 위험도를 예측할 수 있다.
본 개시의 일 실시예에 의하면, 질병 관리 서버(160)는 가축의 설사 징후 탐지 및 위험도 예측 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 설사 징후 탐지 및 위험도 예측 서버(140)에서 분류한 클래스에 따라, 예컨대 송아지의 경우 송아지의 이미지 정보를 분석하여 앉아 있는 송아지, 누워 있는 송아지, 서 있는 송아지, 겹쳐 있는 송아지, 일부만 보이는 송아지 및 인식 못한 송아지 등으로 분류하고, 설사하는 송아지를 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 도 1의 가축의 설사 징후 탐지 및 위험도 예측 서버(140)의 예시적 기능 구성을 도시한 기능 블록도이다.
도시된 바에 의하면, 가축의 설사 징후 탐지 및 위험도 예측 서버(140)는, 이미지데이터 수집모듈(210), 이미지데이터 기반 설사분석모듈(220), 센서 데이터 수집모듈(230), 센서데이터 기반 자세분석모듈(240), 센서 설사 및 이미지 설사 매핑 모듈(250), 가축 위치 계산모듈(260), 데이터 전송주기 설정 모듈(270), 메모리 모듈(280), 및 통신모듈(290)을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 이미지데이터 수집모듈(210)은 이미지 데이터 수집 정책에 따라 이미지 데이터를 수집할 수 있다. 일 실시예에서, 이미지데이터 수집모듈(210)은 이미지 데이터 수집 기본 정책으로 1분 단위의 주기로 720p이상 컬러 영상 이미지를 서버로 수집할 수 있다. 일 실시예에서, 이미지데이터 수집모듈(210)은 제1 예외 정책으로 활동 분석 결과 집중 모니터링할 타입(견과, 설사, 구토, 기침 등)이라면 수집 주기를 짧게 하여 보다 빈번하게 수집할 수 있다. 일 실시예에서, 이미지데이터 수집모듈(210)은 제2 예외 정책으로 가축이 활동할 시간대가 아니라면, 예컨대 수면시간 등과 같이, 수집 주기를 길게 하여 데이터를 수집할 수 있다. 일 실시예에서, 이미지데이터 수집모듈(210)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, 이미지데이터 수집모듈(210)은 수집한 데이터에 대해 전처리를 수행할 수 있다. 일 실시예에서, 이미지데이터 수집모듈(210)은 수집한 이미지 데이터의 이미지를 흑백화하거나, 엣지 이미지를 획득하는 등 원본 이미지 데이터에 대해 전처리를 수행할 수 있다.
본 개시의 일 실시예에 의하면, 이미지데이터 기반 설사분석모듈(220)은 이미지 데이터를 기계학습 기법, 이미지 분류 기법 등의 인공지능 기법을 사용하여 처리하여 이미지 내 모니터링할 객체의 활동 상태를 분석할 수 있다.
일 실시예에서, 이미지데이터 기반 설사분석모듈(220)은 사전에 이미지 데이터를 처리하여 데이터 레이블링 등의 학습 과정을 통해 이상징후 분류 모델을 적어도 하나 생성할 수 있다. 이미지데이터 기반 설사분석모듈(220)은 각 분류 알고리즘 등을 활용하여 학습시킨 분류기 중 가장 리콜(recall) 능력이 뛰어난 분류기를 이용하여 이미지 내 객체(송아지)의 활동을 분석할 수 있다. 일 실시예에서, 가축 이상징후 분류기가 인식할 수 있는 레이블(클래스)은 대변(Dung), 소변(Piddling), 설사(Diarrhea)를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 센서데이터 수집모듈(230)은 통신망을 통해 토탈 센서(110)에서 수집한 센서 데이터를 수집할 수 있다. 일 실시예에서, 센서 데이터는 비콘 수신기(150)를 통해 수집하거나 직접 수집할 수 있다. 일 실시예에서, 센서 데이터는 비콘, RFID, 모션 센서데이터를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 센서데이터 기반 자세 분석모듈(240)은 개별 가축에 부착된 센서로부터 수집한 데이터를 분석하여 해당 가축의 자세를 분석할 수 있다. 일 실시예에 의하면, 센서데이터 기반 자세 분석모듈(240)은 수집한 3축 ~ 9축 모션 센서 데이터를 기반으로 시간별 가축의 자세를 탐지할 수 있다.
일 실시예에 의하면, 센서데이터 기반 자세 분석모듈(240)은 수집한 센서 데이터를 RNN 등의 LSTM(Long Short term Memory) 시계열 기반 예측 방법의 기계학습 기법을 이용하여 자세 패턴으로 분석할 수 있다. 일 실시예에서, 센서 데이터는 일정한 숫자값의 나열이므로, 일정한 간격으로 데이터를 구분하고 해당 데이터의 패턴을 인식하여 클래스를 분류할 수 있다. 일 실시예에서, 가축이 송아지인 경우, 자세 패턴은 서 있음(Standing), 앉아 있음(Sitting), 누워 있음(Lying), 걸어감(Walking), 뛰어감(Running), 대변(Dung), 소변(Piddling), 설사(Diarrhea)를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 센서 데이터 분석 결과와 이미지 데이터 분석 결과 설사 패턴이 분석되는 경우 다른 분석결과에서도 동일한 탐지 결과를 보이는지를 확인할 수 있다. 일 실시예에서, 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 센서 데이터를 분석한 결과 관심 활동, 예컨대 설사 패턴이 나타나는 경우, 이미지 데이터를 분석한 결과에서도 동일하게 설사 패턴이 인식되었는지를 확인할 수 있다. 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 센서 데이터 분석 결과와 이미지 데이터 분석 결과에서 동일한 타이밍에 동일하게 설사가 나타나는 경우 가축이 높은 가능성으로 설사를 했다고 판단할 수 있다. 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 센서 데이터 분석 결과와 이미지 데이터 분석 결과에서 어느 한 쪽만 관심활동(설사)이 있는 것으로 분석되는 경우, 분석 값을 저장하고 사용자에게 확인을 요청할 수 있다.
본 개시의 일 실시예에 의하면, 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 센서 데이터 분석 결과와 이미지 데이터 분석 결과를 매핑하고 동일한 활동으로 인식되었는지를 확인하므로서, 이미지 데이터 분석 결과만으로 어떤 가축이 정확히 관심 활동을 했는지 식별하기 어려운 문제점을 해결할 수 있다. 즉, 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)는 센서 데이터(RFID 및 모션센서 값)를 이미지 데이터 분석 결과와 비교하여 가축을 특정할 수 있다. 만약, 동일한 관심 활동이 여러 가축(송아지)에 걸쳐 나타난 경우, 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 각 이미지의 가축(송아지)을 개별적으로 식별하여 매핑할 필요가 없다. 일 실시예에서, 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 이미지 데이터 분석 결과 동일한 시간 대에 인식된 관심 활동의 가축의 수, 센서 상 인식된 관심 활동의 가축의 수가 동일하다면 해당 가축 ID들과 함께 관심 활동 탐지 정보를 전송할 수 있다. 여기서, 관심 활동 탐지 정보는 탐지 시간, 관심활동 클래스, 이미지 등을 포함할 수 있다. 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 이러한 방법을 통해 계산의 부하를 줄이면서 정확도를 유지할 수 있다.
일 실시예에 의하면, 센서기반 설사 및 이미지기반 설사 매핑 모듈(250)은 이미지 데이터 분석 결과 인식된 관심 활동의 가축 수와 센서 데이터 분석 결과 인식된 관심 활동의 가축 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 =
Tx Power-Tx CableLoss+Tx Antenna Gain-Rx Antenna Gain-Rx Cable Loss-Rx
Sensitivity-Fade Margin
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(송아지)와 게이트웨이와의 거리를 알 수 있다. 그러므로, 송아지에 부착된 센서는 이미 시스템상으로 입력되어 있어 어떤 카메라에서 촬영하고 있는 송아지들인지 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, 가축 위치 계산모듈(260)은 비콘 수신기(150)로부터 전송받은 정보를 기초로 가축의 위치를 계산할 수 있다. 일 실시예에서 가축 위치 계산모듈(260)은 각 비콘 수신기가 수신한 비콘 송신기의 수신 시간을 이용하여 삼변측량법으로 가축의 위치를 계산할 수 있다. 일 실시예에서, 가축 위치 계산모듈(260)은 비콘 수신기의 GPS위치를 기초로, 삼변측량 계산 결과, 가축의 위도, 경도 값을 산출할 수 있으며, 4개 이상의 비콘 수신기를 사용하여 위치 오차를 감소시킬 수 있다. 본 기술분야의 당업자는 목적물의 위치 계산을 하는 다양한 방법 및 변형을 잘 알고 있으므로 가축 위치 계산 방법에 대한 상세한 설명은 이하 생략하기로 한다. 일 실시예에서, 가축 위치 계산모듈(260)은 소정의 주기로 가축의 위치를 계산할 수 있다.
본 개시의 일 실시예에 의하면 데이터 전송주기 설정 모듈(270)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(270)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 메모리 모듈(280)은 가축의 설사 징후 탐지 및 위험도 예측 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(280)은 센서 데이터, 이미지 데이터 및 분석 모듈의 실행과 관련된 데이터들이 저장될 수 있다. 본 개시의 일 실시예에 의하면, 메모리 모듈(280)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 통신모듈(290)은 가축의 설사 징후 탐지 및 위험도 예측 서버(140)가, 통신망을 통해 외부와 통신할 수 있도록 지원할 수 있다. 본 개시의 일 실시예에 의하면, 통신모듈(290)은, 소정의 프로토콜에 따라 통신망으로부터 데이터를 수신할 수 있고, 통신망을 통하여 가축의 설사 징후 탐지 및 위험도 예측 서버(140)로부터 외부로 데이터가 전송되도록 필요한 절차를 수행할 수 있다.
도 3는 도 1의 질병 관리 서버(160)의 예시적 기능 구성을 도시한 기능 블록도이다.
도시된 바에 의하면, 질병 관리 서버(160)는, 동선 분석모듈(310), 자세 로그 분석모듈(320), 설사 위험도 예측 모듈(330), 위험 알림모듈(340), 메모리 모듈(350), 통신모듈(360)을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 동선 분석모듈(310)은 가축의 위치 정보를 기초로 가축의 동선을 분석할 수 있다. 일 실시예에서, 동선 분석모듈(310)은 가축의 위치 정보를 수신하고 수신된 정보를 기초로 가축의 동선을 분석할 수 있다. 일 실시예에서, 동선 분석모듈(310)은 주요 위치, 예컨대 물통 위치, 사료통 위치 등을 입력받을 수 있다. 일 실시예에서, 동선 분석모듈(310)은 심플 온라인 실시간 트래킹(Simple Online and Realtime Tracking: SORT) 알고리즘을 이용하여 프레임별로 인식한 객체를 추적(Tracking)할 수 있다. 일 실시예에서, 동선 분석모듈(310)은 이미지 데이터를 기초로 토탈 센서(110)의 ID 매핑 결과를 이용하여 가축의 ID 별로 머무른 시간과 이동 동선을 분석할 수 있다. 일 실시예에서, 동선 분석모듈(310)은 가축이 주요 위치로 몇 번(횟수) 이동하였는지 얼마나(시간) 머물렀는지 분석할 수 있다.
도 4는 본 개시의 일 실시예에 따라 탐지 객체의 머무른 시간에 따른 히트맵이 표시된 화면이다.
도시된 바와 같이, 동선 분석모듈(310)은 이미지 데이터에서 객체 ID를 식별하고 화면 내 객체 ID를 표시할 수 있다.
도 5는 본 개시의 일 실시예에 따라 탐지 객체의 동선을 추척하여 결과를 표시하는 화면이다.
도시된 바와 같이 동선 분석모듈(310)은 객체 ID 별로 추적된 동선을 화면에 표시할 수 있다.
본 개시의 일 실시예에 의하면, 자세 로그 분석모듈(320)은 가축의 자세 정보(로그 데이터)를 기초로 가축의 자세를 분석할 수 있다. 일 실시예에서, 자세 로그 분석모듈(320)은 가축의 자세 데이터를 수신하고, 수신된 정보를 기초로 가축의 자세를 분석할 수 있다. 일 실시예에서, 자세 로그 분석모듈(320)은 가축이 소정의 단위시간동안 어떤 자세를 몇 번 취했는지(횟수), 한 번 자세를 취할 때 얼마만큼 취하고 있었는지(시간)를 분석할 수 있다.
본 개시의 일 실시예에 의하면, 설사 위험도 예측 모듈(330)은 가축의 정보를 기초로 가축이 설사를 할 위험도를 예측할 수 있다. 일 실시예에서, 가축의 정보는 가축의 동선, 가축의 자세를 포함할 수 있다.
관찰 결과, 가축은 설사 전에 물통에 자주 접근하고, 누워있는 횟수가 줄어들고, 누워있는 시간이 늘어나는 것으로 관찰되었다. 본 개시의 일 실시예에 의하면, 설사 위험도 예측 모듈(330)은 관찰된 활동 패턴을 수치화하고, 동선과 자세 분석값을 이용하여 가축의 설사 위험도를 예측할 수 있다.
일 실시예에서, 설사 위험도 예측 모듈(330)은 3개의 변수값을 이용하여 설사 위험도를 산출할 수 있다.
1. Waterbox Trend: 가축이 물통에 접근하는 횟수의 증가/감소 기울기
2. Lying Count Trend: 가축이 누워있는 횟수의 증가/감소 기울기
3. Lying Duration Trend: 가축이 누워있는 시간의 증가/감소 기울기
일 실시예에서, 3개의 변수 각각의 심각도를 다음과 같이 정의할 수 있다:
1. High Waterbox Trend: 최근 12시간 동안, Waterbox 접근 횟수 그래프의 기울기가 소정의 값, 예컨대 0.5보다 크면 심각 (증가 추세를 의미)
2. High Lying Count Trend: 최근 12시간 동안, Lying Count 그래프의 기울기가 소정의 값, 예컨대 -0.5보다 작으면 심각 (감소 추세를 의미)
3. Lying Duration Trend: 최근 12시간 동안, Lying Duration 그래프의 기울기가 소정의 값, 예컨대 0.5보다 크면 심각 (증가 추세를 의미)
일 실시예에서, 설사 위험도 예측 모듈(330)은 각 변수에 대해 가중치를 설정할 수 있다. 예컨대, Waterbox Trend의 가중치를 20%, Lying Count Trend 가중치를 40%, Lying Duration Trend 가중치를 40%로 설정할 수 있다.
1. 20%: Waterbox Trend 심각도
2. 40%: Lying Count Trend 심각도
3. 40%: Lying Duration Trend 심각도
일 실시예에서, 설사 위험도 예측 모듈(330)은 최종 심각도 값은 다음과 같이 계산할 수 있다.
Figure PCTKR2020012334-appb-I000001
, 만약 1초과이면 1, 0 미만이면 0
Figure PCTKR2020012334-appb-I000002
, 만약 1초과이면 1, 0 미만이면 0
Figure PCTKR2020012334-appb-I000003
, 만약 1초과이면 1, 0 미만이면 0
최종 심각도값(%)=(Waterbox Trend 심각도 x 0.2 + Lying Count 심각도 x 0.4 + Lying Duration 심각도 x 0.4) x 100
일 실시예에서, 설사 위험도 예측 모듈(330)은 심각도 계산 결과에 따라 심각도 유형을 다음과 같이 구분할 수 있다:
1. Danger: 심각도 75 이상
2. Warning: 40 이상 75 미만
3. Caution: 20 이상 40 미만
4. Safe: 20 미만
본 개시의 일 실시예에 의하면, 위험 알림모듈(340)은 가축의 설사 위험도가 소정의 값 이상인 경우 알람을 생성하여 전송할 수 있다. 일 실시예에서, 위험 알림모듈(340)은 일정 수준이상(예: Warning) 가축의 설사 위험도가 계산될 경우, 농장 관리인에게 송아지 ID, 위험도 계산 값을 모바일 푸시 메시지, SMS 등으로 전송할 수 있다.
본 개시의 일 실시예에 의하면, 메모리 모듈(350)은 질병 관리 서버(160) 상에서 실행될 수 있는 각종 프로그램 및 관련 데이터 등이 저장된 임의의 저장 매체일 수 있다. 본 개시의 일 실시예에 의하면, 메모리 모듈(350)은 센서 데이터, 이미지 데이터 및 분석 모듈의 실행과 관련된 데이터들이 저장될 수 있다. 본 개시의 일 실시예에 의하면, 메모리 모듈(350)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 통신모듈(360)은 질병 관리 서버(160)가, 통신망을 통해 외부와 통신할 수 있도록 지원할 수 있다. 본 개시의 일 실시예에 의하면, 통신모듈(360)은, 소정의 프로토콜에 따라 통신망으로부터 데이터를 수신할 수 있고, 통신망을 통하여 질병 관리 서버(160)로부터 외부로 데이터가 전송되도록 필요한 절차를 수행할 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 도면을 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: 토탈 센서
120: 카메라
130: 데이터 수신 장치
140: 가축의 설사 징후 탐지 및 위험도 예측 서버
150: 비콘 수신기
160: 질병 관리 서버

Claims (10)

  1. 컴퓨터 시스템 상에서 수행되는, 센서 데이터 및 이미지 데이터 기반 가축의 설사 탐지 및 설사 위험도 예측 방법으로서,
    센서 데이터와 가축의 식별자를 수신하고, 상기 센서 데이터를 분석하여 가축을 식별하고 식별된 가축의 활동을 분류하고 가축의 위치를 계산하는 단계; 및
    이미지 데이터를 수신하고, 상기 이미지 데이터를 분석하여 이미지 내 포함된 적어도 하나의 가축의 활동을 분류하는 단계;
    를 포함하는 가축의 설사 탐지 및 설사 위험도 예측 방법.
  2. 제1항에 있어서,
    상기 방법은
    센서 데이터 분석 결과 분류된 가축의 활동과 이미지 데이터 분석 결과 분류된 가축의 활동을 매핑하고 동일한 활동으로 인식되었는지를 확인하는 단계를 더 포함하는 가축의 설사 탐지 및 설사 위험도 예측 방법.
  3. 제2항에 있어서,
    상기 동일한 활동으로 인식되었는지를 확인하는 단계는 센서 데이터를 분석한 결과 분류된 클래스와 동일한 시간 대에 이미지 데이터를 분석한 결과 분석된 클래스가 동일한지 여부를 판단하는 단계를 포함하는 가축의 설사 탐지 및 설사 위험도 예측 방법.
  4. 제3항에 있어서,
    상기 방법은
    상기 센서 데이터를 기반으로 상기 가축의 시간별 자세를 예측하는 단계를 더 포함하는 가축의 설사 탐지 및 설사 위험도 예측 방법.
  5. 제4항에 있어서,
    상기 자세 예측 단계는 LSTM(Long Short Term Memory) 시계열 기반 예측 방법을 기초로 예측하는 가축의 설사 탐지 및 설사 위험도 예측 방법.
  6. 제1항에 있어서,
    상기 방법은
    가축 위치를 계산하고 가축의 동선을 분석하는 단계를 더 포함하고,
    상기 동선을 분석하는 단계는 심플 온라인 실시간 트랙킹(Simple Online and Realtime Tracking) 기법을 기초로 프레임별로 인식한 가축을 추적하여 소정의 위치에 이동한 횟수와 시간을 분석하는 단계인 가축의 설사 탐지 및 설사 위험도 예측 방법.
  7. 제6항에 있어서,
    상기 방법은
    가축의 설사 위험도를 예측하는 단계를 더 포함하고,
    상기 설사 위험도 예측하는 단계는 가축의 동선과 자세 분석값을 기초로 가축이 물통에 접근하는 횟수, 가축이 누워있는 횟수와 시간에 따라 산출되는 가축의 설사 탐지 및 설사 위험도 예측 방법.
  8. 제7항에 있어서,
    상기 방법은 상기 예측된 설사 위험도가 소정의 값 이상인 경우 알람을 전송하는 단계를 더 포함하는 가축의 설사 탐지 및 설사 위험도 예측 방법.
  9. 제7항에 있어서,
    상기 가축의 설사 위험도를 예측하는 단계는 가축의 동선과 자세 분석값을 기초로 가축이 물통에 접근하는 횟수, 가축이 누워있는 횟수와 시간에 소정의 가중치를 합하여 산출되는 가축의 설사 탐지 및 설사 위험도 예측 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/KR2020/012334 2020-03-12 2020-09-11 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법 WO2021182695A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2020-0030611 2020-03-12
KR20200030611 2020-03-12
KR10-2020-0116045 2020-09-10
KR1020200116045A KR102624927B1 (ko) 2020-03-12 2020-09-10 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법

Publications (1)

Publication Number Publication Date
WO2021182695A1 true WO2021182695A1 (ko) 2021-09-16

Family

ID=77672419

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/012334 WO2021182695A1 (ko) 2020-03-12 2020-09-11 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법

Country Status (1)

Country Link
WO (1) WO2021182695A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110298619A1 (en) * 2008-12-11 2011-12-08 Faire (Ni) Limited Animal monitoring system and method
JP2017112857A (ja) * 2015-12-21 2017-06-29 良一 春日 畜産管理システム
KR102001798B1 (ko) * 2016-03-11 2019-07-18 퀄컴 인코포레이티드 비디오 이해를 위한 모션-기반 어텐션에 의한 순환 네트워크들
KR102034998B1 (ko) * 2019-07-12 2019-10-22 경상대학교산학협력단 돼지움직임 감지용 광이표
CN110427905A (zh) * 2019-08-08 2019-11-08 北京百度网讯科技有限公司 行人跟踪方法、装置以及终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110298619A1 (en) * 2008-12-11 2011-12-08 Faire (Ni) Limited Animal monitoring system and method
JP2017112857A (ja) * 2015-12-21 2017-06-29 良一 春日 畜産管理システム
KR102001798B1 (ko) * 2016-03-11 2019-07-18 퀄컴 인코포레이티드 비디오 이해를 위한 모션-기반 어텐션에 의한 순환 네트워크들
KR102034998B1 (ko) * 2019-07-12 2019-10-22 경상대학교산학협력단 돼지움직임 감지용 광이표
CN110427905A (zh) * 2019-08-08 2019-11-08 北京百度网讯科技有限公司 行人跟踪方法、装置以及终端

Similar Documents

Publication Publication Date Title
WO2021221249A1 (ko) 스마트 가축 관리 시스템 및 그 방법
JP6203238B2 (ja) 畜産管理システム
CN107005679B (zh) 一种基于云服务的智能目标识别装置、***及方法
KR101712633B1 (ko) 센서와 무인비행체를 이용한 방목 가축 질병 예측 관리시스템 및 관리방법
KR20190033892A (ko) 야생동물 모니터링 시스템 및 그 방법
KR20150130803A (ko) 전염병 모니터링 방법 및 이를 이용한 시스템, 이를 수행하기 위한 기록매체
Dhaya et al. A wireless collision detection on transmission poles through IoT technology
WO2019083299A1 (ko) 사육장 관리 장치 및 방법
WO2022158674A1 (ko) 딥러닝을 이용한 가축행동 자동인식 및 모니터링 시스템 및 그 방법
KR101652192B1 (ko) 개체식별장치와 무인비행체를 이용한 방목가축 추적관리 시스템
WO2021194008A1 (ko) 모돈 이상징후 포착 및 관리 클라우드 서비스 방법 및 장치
WO2021182684A1 (ko) 가축의 개체별 이상 징후 포착 시스템 및 그 이용 방법
KR20210116183A (ko) 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 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
KR20200105558A (ko) 컴퓨터 비전을 이용한 가축 질병 예측 시스템 및 그 방법
WO2021182695A1 (ko) 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법
CN207938184U (zh) 一种车载违章行为抓拍***
WO2019098583A1 (ko) 반려견 행동분석 방법 및 시스템
CN115349459B (zh) 一种智能猪舍监控***
CN116963595A (zh) 猪饲养辅助装置、猪饲养辅助方法以及猪饲养辅助程序
WO2024034923A1 (ko) 인공지능을 이용한 영상 감시 기반 개체 인식 및 행동패턴 분석 방법 및 시스템
CN112489346A (zh) 一种办公区域用智能红外监测报警设备
WO2022139109A1 (ko) 객체를 모니터링하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
CN116883946B (zh) 老人异常行为实时检测方法、装置、设备及存储介质
EP4210004A1 (en) An animal detecting device, system, method and computer program

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: 20924866

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: 20924866

Country of ref document: EP

Kind code of ref document: A1