AI-Hub

데이터 변경이력

데이터 히스토리

소개

- 국내에 회귀하는 토종 연어인 북태평양 연어 양식을 위한 인공지능 학습용 데이터
- 성장예측, 생체량 추정 및 수중촬영 이미지의 양식 객체 영역 분할

구축목적

- 북태평양 연어 완전 양식을 위한 지능화 시스템을 마련하고 기초 학습용 데이터로 활용

- 데이터 구축 규모

- 데이터 분포

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

- 양식 개체 영역 분할 모델
1. 모델 설명
   ∙SegFormer: Transformer 기반 의미 분할 모델 (홍콩대, 난징대, NVIDIA, 칼텍, 2021)
   ∙발표논문 DOI: https://doi.org/10.48550/arXiv.2105.15203
   ∙소스 코드: https://github.com/NVlabs/SegFormer

2. 모델 아키텍처

   ∙Transformer를 사용한 의미분할 모델로 다중 스케일 특징을 출력으로 뽑아내는 계층적 구조의 Transformer 인코더와 MLP로만 이루어진 단순한 decoder로 구성됨
   ∙계층적 구조의 Transformer encoder를 사용하여 다양한 스케일의 특징들을 활용할 수 있음
   ∙Transformer 구조에서 각 패치의 위치 정보를 위해 사용하는 positional encoding이 필요 없게 하여 학습에 사용되지 않은 사이즈의 이미지를 시험에서 사용했을 때 interpolation 사용으로 인한 성능 하락 회피
   ∙간단한 구조의 Decoder에서 Encoder의 여러 계층에서 얻어낸 특징들을 함께 사용하여 전체적 문맥정보와 국소적 정보를 모두 활용
   ∙모델의 스케일에 따라 SegFormer-B0부터 SegFormer-B5까지 5개 모델 제안

3. 학습 모델 정보
   ∙학습 모델: SegFormer B5
   ∙입력 데이터: Salmon Image, Salmon Mask
   ∙출력 데이터: Predicted Salmon Mask
   ∙입력 데이터 및 출력 데이터 크기: 512×512

4. 모델 Task
   ∙ 이미지 의미 분할(Instance Segmentation)
   ∙ 연어 개체 의미 분할

5. 서비스 활용 시나리오 
   ∙ 이미지 기반 개체 크기 예측 서비스 
     - 구축하는 데이터는 스테레오 카메라를 이용해 일부 개체가 크기(체장, 체고) 정보가 부여되는데 추후 이 정보를 라벨로 이용하여 연어 개체 분할 이미지를 준지도 학습하면 스테레오 카메라를 사용하지 않고 단일 이미지만으로 각 개체의 크기를 예측하는 모델을 개발할 수 있음
   ∙ 영상 기반 실시간 크기와 중량 예측
     - 단일 이미지에서 각 개체의 크기를 예측하는 모델과 개체 크기로부터 중량을 추정하는 모델을 함께 사용할 경우 연어 영상으로부터 실시간으로 크기와 중량을 예측하는 양식 관리 시스템 구축 가능
   ∙ 양식 개체 향후 성장 이미지 예측
     - 연어 개체의 생육 일수와 연어 개체 분할 이미지를 매칭하여 시계열 기반의 연어 성장 이미지 데이터를 구축할 수 있으며 이를 이용해 생육 일수에 따른 연어의 표준 이미지 데이터를 구축할 수 있으며 양식 관리 시스템에서 양식 개체의 향후 성장 이미지를 파악할 수 있음

- 양식 개체 중량 추정 모델

1. 모델 설명
   ∙LightGBM: 그라디언드 부스팅 트리 모델 (Microsoft, 북경대, 2017)
   ∙발표논문 DOI: https://doi.org/10.5555/3294996.3295074
   ∙소스 코드: https://github.com/microsoft/LightGBM

2. 모델 아키텍처

   ∙LightGBM은 Gradient Boosting 프레임워크로 Tree 기반 학습을 수행하는 알고리즘으로 Tree가 수직적으로 확장(leaf-wise)되는 특징을 가짐  
   ∙Gradient Boosted Decision Tree (GBDT)는 여러 Decision Tree를 결합하여 더 강력한 모델을 만드는 앙상블 기법으로 Random forest의 접근 방법과는 다르게 Tree를 연속적인 방식으로 만들며 각 트리는 이전 트리의 오류를 수정
   ∙LightGBM은 대용량 데이터셋을 다룰때 일반적인 GBDT 모델이 학습 속도가 느려지고 메모리 소모량이 증가하는 문제를 해결하기 위해 더 많은 손실을 유발시키는 데이터에 집중하는 GOSS(Gradient One-Side Sampling) 기법과 상호 배타적인 희소 특징들을 단일 특징으로 묶어 차원을 줄이는 EFB(Exclusive Feature Building) 기법을 사용 

3. 학습 모델 정보
   ∙학습 모델: LightGBM
   ∙입력 데이터: Fork Length, Total Length, Body Depth
   ∙출력 데이터: Weight (중량)

4. 모델 Task
   ∙회귀(regression)
   ∙연어 개체 중량 추정

5. 서비스 활용 시나리오  
   ∙ 실시간 중량 추정 서비스
     - 크기(체장, 체고)가 측정된 양식 개체의 이미지 데이터가 함께 수집되므로 양식 개체의 이미지, 크기(체장, 체고) 데이터를 입력받아 개체의 중량을 추정하는 AI 모델 개발에 활용
     - 양식 개체의 이미지, 크기(체장, 체고) 데이터를 입력받아 개체의 중량을 추정하는 AI모델은 준지도학습 기술을 이용해 수조촬영 데이터로부터 양식 개체의 크기를 예측하는 모델과 결합하여 수조촬영 이미지로부터 실시간으로 양식 개체의 크기 및 중량을 예측하는데 활용

- 양식 개체 향후 크기 예측 모델
1. 모델 설명
   ∙Temporl Fusion Transformer: 시계열 예측 모델 (옥스포드대, 구글 클라우드 AI, 2019)
   ∙발표논문 DOI: https://doi.org/10.48550/arXiv.1912.09363
   ∙소스 코드: https://github.com/jdb78/pytorch-forecasting/tree/master/pytorch_fore casting/models/temporal_fusion_transformer

2. 모델 아키텍처

   ∙다변수 시계열 데이터와 시간 가변 및 정적 변수, 관찰 변수 및 사전 인지 변수 등 이종(heterogeneous) 데이터를 효과적으로 학습하여 예측 대상 변수의 다중 시간 예측(multi-horizon forecasting) 성능 향상
   ∙시계열 데이터의 관찰 변수의 과거 데이터는 LSTM 인코더에 입력되고 사전 인지 변수 데이터는 미래 시점의 LSTM 디코더에 입력  
   ∙정적 변수 데이터는 과거와 미래에 모두 동일하므로 LSTM 인코더, 디코더 및 TF(Temporal Fusion) 디코더 전체에 전달되는데 이때 각 변수는 변수 선택 모듈을 거치며 가중치가 부여
   ∙어텐션 계층에서 산출된 정보는 일련의 게이팅(gating) 처리과정을 거쳐 분위수(quantile) 기반 예측 결과를 제공

3. 학습 모델 정보
   ∙학습 모델: Temporal Fusion Transformer
   ∙입력 데이터: 과거 30일(단기), 과거 45일(장기)간의 다음의 일간 데이터
     - 생육일수, 치어/성어 구분, 연어사료/송어사료 구분
     - Fork Length, Body Depth (평균, 최대, 최소, 표준편차)
     - 염도, 용존산소량, 수온, pH, ORP, 조도 (평균, 최대, 최소, 표준편차)
     - 사료공급량, 암모늄수치, 질산염수치, 아질산염수치, 약품사용량, 환수량
   ∙출력 데이터: 연어의 1주일 후(단기), 2주일 후(장기) Fork Length 평균, Body Depth 평균

4. 모델 Task
   ∙시계열 데이터 예측
   ∙연어 개체 크기 단기(1주일), 장기(2주일) 예측

5. 서비스 활용 시나리오  
   ∙ 양식 환경 관리서비스
     - 양식 개체 크기 예측 모델을 사용할 경우 수질환경 및 먹이 공급량에 따른 양식 객체 크기 예측이 가능하며 양식의 수확 결과를 미리 확인하고 최고의 수확을 얻기 위한 양식 환경 관리 조치를 사전에 취할 수 있도록 안내하는 등의 양식 환경 관리 서비스 개발 가능
     - 수질환경 및 생육관리 시계열 데이터를 기반으로 실시간 모니터링 및 수확 예측 기능을 제공하는 웹 플랫폼을 구축할 경우 국내외 양식 업체를 대상으로 최적 양식 환경 관리 서비스 사업화 가능

설명서 및 활용가이드 다운로드

- 수조촬영 데이터 구성

- 개체실측 데이터 구성

- 생육관리 데이터 구성

- 수조촬영 데이터 어노테이션 포맷

- 개체실측 데이터 어노테이션 포맷

- 수조촬영 데이터 실제 예시

- 개체실측 데이터 실제 예시

- 수질환경 데이터 실제 예시

- 생육관리 데이터 실제 예시

데이터셋 구축 담당자

수행기관(주관) : ㈜부상

수행기관(참여)

데이터 관련 문의처

AI모델 관련 문의처

저작도구 관련 문의처