AI-Hub

데이터 변경이력

데이터 히스토리

소개

한우 신체충실지수(BCS)를 기반으로 정량적으로 축산데이터를 지수화하고 측정함으로서 신체충실지수 등을 추정하고 예상하는데 활용되는 데이터 구축

구축목적

한우의 신체 분위별 영상 데이터를 활용하여 도축우의 BCS 등급을 판정할 수 있는 AI 학습 데이터 제공

1. 데이터 구축 규모

2. 데이터 분포 

• BCS 등급별 분포

  BCS 등급	이미지 수(컷)	비율(%)
  5등급	14,657	1.20%
  6등급	55,720	4.40%
  7등급	149,187	11.90%
  8등급	298,206	23.70%
  9등급	739,230	58.80%

  

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

구축 ai모델의 true, predict label model

• 학습 모델 설계

  • 최종 모델 구조 : ResNet
  • Dataset : 도축장에서 취득된 소 이미지와 BCS 등급으로 구성된 Dataset
    • 1단계 : 모델 구조 개발
      – ResNet 특징 및 장단점
      – 학습을 위한 모델 튜닝
    • 2단계 : 데이터셋
      – 데이터셋 구성
        1. 이미지
        2. JSON 파일
      – 데이터셋 전처리
        1. 이미지 데이터 전처리
        2. 라벨 데이터 전처리
        3. 학습 데이터 전처리
• 모델 구조    
  • 모델의 깊이에 따른 학습 효율 판단을 위해 깊이가 다른 두 모델을 후보군으로 선정
  • ResNet 모델 특징
    
• 데이터 셋 구성
  • image
    • 도축장A, 도축장B의 이미지 존재
    • 카메라 구도에 따라 상면, 후면 카메라에서 찍은 이미지로 구분
      
  • JSON
    • 소의 부위 Segmentation 정보
      소의 부위는 목, 전구, 중구, 후구 4가지로 구분 되어있음
      전구, 중구, 후구는 소의 목 끝부터 꼬리까지 뼈를 기준으로 3등분하여 구분
      부위와 Segmentation 좌표값으로 구성
    • 소의 BCS 등급
  • 도축장, 소 부위, 카메라 구도에 따른 BCS 등급별 데이터 분포
  • 도축장A 이미지
  • 목, 전구, 중구, 후구에서는 데이터 분포 유사하게 일어남
    
  • 도축장B 이미지
    
  • 도축장A와 유사한 데이터 분포
• 이미지 데이터 전처리
  (1) Image Segmentation
     학습 과정에서 배경 노이즈 제거를 위해 JSON 파싱을 통해 Segmentation 좌표로 이미지 Masking 불필요한 데이터 제거를 위해 Masking된 영역 기준으로 이미지 축소
  (2) 학습 과정에 사용하기 위해 모델 Input 사이즈인 (64,64) 크기로 축소
  (3) Grayscale , Depth 이미지
     BCS등급은 소의 근육 및 골격 상태를 기준으로 분류되기 때문에 색상 정보를 제외한 명암 정보만을 학습에 사용, 외부 변수(카메라 설치 높이, 소마다 상대적인 키)를 제외한 명암 정보만을 학습에 사용하기 위해 Min Max Normalization을 거친 Grayscale, Depth 이미지 사용
  (4) Edge 이미지
     이미지에서 명암의 경사가 커지는 지점을 검출하여 근육 및 골격의 굴곡정보를 갖는 이미지를 등급인식에 사용
  (5) Grayscale ,Depth , Edge 세가지 이미지를 사용하여 (64,64,3) 크기의 Input 사이즈 이미지 데이터 생성
• 라벨 데이터 전처리
  (1)소 부위
     부위별 학습을 위해 Segmentation 이미지에 대한 부위 정보로 데이터 구분
  (2)카메라 구도
     카메라 구도별 학습을 위해 카메라 구도 정보로 데이터 구분
  (3)BCS 등급
     JSON 파싱을 통해 BCS 등급 Labeling 파일 생성
• 학습 데이터 전처리
  • 이미지 데이터와 Labeling 파일을 이용해 학습 데이터셋 생성
• 모델 학습 및 평가
  (1)모델 학습
  - Training set으로 학습을 진행함과 동시에 학습에 관여하지 않은 Validation set으로 모델을 평가, 
  - 학습과정에서 실시간으로 Training loss와 Validation loss를 비교하며 학습
  - Overfitting을 방지하기 위해 학습간 Validation loss가 제일 낮은 지점에서 모델 저장데이터의 양이 많으므로 학습 과정에서 메모리 과부하를 피하기 위해 데이터셋을 분할하여 학습 
  - 분할된 데이터셋을 이용하여 순차척으로 모델 Fine tuning(Fine tuning : 이미 학습된 모델에 추가 데이터를 이용하여 가중치를 미세 조정하는 학습 방법)
  - 학습 과정에서 Validation loss가 최소인 지점에서 모델 저장
  (2) 모델 평가
      전체 데이터의 10% 분량인 125,700장 분량의 Test set으로 모델 성능 평가
      최종 Accuracy : 85.16% 

  구축 ai모델의 true, predict label model

  학습모델	모델 : ResNet 내용 : Convolution layer를 Short-cut connection으로 연결시켜 깊은 모델 구조에서도 학습이 용이한 모델	Accuracy : 80.00%

  
  

데이터 성능 점수

설명서 및 활용가이드 다운로드

• 한우 신체충실지수(BCS)는 한우 사육의 기본이 되는 데이터입니다.
   

  한우 신체충실지수(Body Condition Score)는 9단계 방법으로 측정되고 있습니다. ‘야윔'부터 '살찜'까지 육량을 가늠하는 수치입니다. 즉 적절한 정도의 BCS는 한우에게 가장 좋은 번식 상태를 제공합니다. 또 농가 입장에서도 육량이 가장 좋을 때 비싼 가격에 팔 수 있는 기준이 될 수 있습니다.
   
  그동안 BCS는 감별사의 육안 및 촉진으로 평가돼왔습니다. 이 때문에 측정과 평가를 하는 사람에 따라 다르게 판단하는 어려움이 있습니다. 정확성이 보장되지 않다는 지적도 꾸준히 나오고 있습니다. 이를 극복하기 위해 AI를 활용한 BCS 측정·분석 기술을 개발합니다. 
   

  위 데이터를 통해 빠르고 정확하게 한우 신체충실지수(BCS)를 예측할 수 있는 모델을 개발함으로써, 스마트 팜 운영 및 축산업에 다양하게 접목 가능합니다.
   

  등급

  등급			특징	내용
  야윔	1	1	극히 야윔	뼈들이 심하게 돌출하며, 병적인 상태로 허약하여 거동이 불편함
  	2	1.5	야주 야윔	병적인 상태는 아니지만 뼈들이 삼하게 돌출 되어있음
  	3	2	야윔	등줄기가 뚜렸하고 갈비뼈, 어깨주위에 지방이 없고 사지에 근육이 약간 보임.
  적당	4	2.5	허약	갈비뼈와 엉치뼈가 쉽게 느껴지지만 사지에는 근육이 보임.
  	5	3	적당	끝쪽 2~3번째 갈비뼈는 쉽게 느껴지지만 엉치뼈 돌출부의 지방을 느낄 수 있음.
  	6	3.5	양호	약간의 지방 침착으로 갈비뼈들이 감지되지 않고 가슴에도 1cm정도의 지방을 느낄 수있음
  비만	7	4	살찜	갈비뼈, 꼬리뼈 시작부위, 가슴 등에 약간의 지방이 있고 등이 넓적하게 보임
  	8	4.5	비만	가슴과 꼬리뼈 시작부위, 엉치뼈 등은 지방으로 부풀어있고 마지막 2~3번째의 갈비뼈에서는 상당량의 지방을 느낄 수 있음.
  	9	5	매우 비만	꼬리뼈와 등줄기는 벽돌처럼 지방으로 덮여있고 과도한 비만으로 행동이 부자연스러움.

  
  신체 충실 지수는 5단계 또는 9단계로 측정하는 방법 크게 2가지가 있으나 표현의 차이일 뿐 실질적으로는 같음 : [5단계 구분(9단계 구분)] 1(1), 1.5(2), 2(3), 2.5(4), 3(5), 3.5(6), 4(7), 4.5(8), 5(9)
  
  ※ 9단계 기준 BCS 5 이하는 낮은 육량을 가져 번식우로서는 적합해도 비육우로서는 적합하지 못하며 축산물 등급판정 규정에 따르면 도체중량이 150kg 미만은 등외등급(D등급)으로 판정된다는 점을 근거로 9단계 측정법을 사용하되 5점 이하의 BCS(1,2,3,4,5)는 BCS 5 이하 그룹으로 풀링(pooling)을 실시, 주로 수집되 는 BCS 6,7,8,9와 데이터의 균일성을 어느 정도 맞추고자 함.

1. 대표도면

• 원천데이터
  
• 라벨데이터
  

2. 라벨링데이터 구성

3. 라벨링데이터 실제예시

데이터셋 구축 담당자

수행기관(주관) : ㈜아이트

수행기관(참여)