집단으로 사육되는 돼지 농장에서 돼지 소모성 질환의 자동 탐지는 매우 중요한 문제이다. 특히, 밀집된 돈사에서 사육되는 돼지들의 호흡기 질환은 축산 농가의 막대한 경제적 손실을 야기하는 대표적 질병들 중 하나이다. 본 논문에서는 소리 신호 해석에 기반하여 돼지의 호흡기 질환을 조기 탐지 및 식별하는 잡음에도 강인한 시스템을 제안한다. 제안하는 시스템은, 먼저 1차원의 소리 신호를 2차원의 회색조 영상으로 변환한 후, DNS기법으로 질감 특징 정보를 갖는 이미지를 생성한다. 마지막으로, 이를 CNN에 입력함으로써 잡음에도 강인한 돼지 호흡기 질병 탐지 및 식별 시스템을 구현하고자 한다. 실제 국내 돈사에서 취득한 돼지의 발성음을 이용하여 제안하는 시스템의 성능을 실험적으로 검증한바, 제안된 시스템은 경제적인 비용(저가의 소리 센서)과 시스템 정확도(96.0% 정확도)로 다양한 잡음 환경에서도 돼지의 호흡기 질병들을 탐지할 수 있음을 실험적으로 확인하였다. 제안된 시스템은 독자적인 혹은 기존 방법들의 보완책으로 사용될 수 있다.
집단으로 사육되는 돼지 농장에서 돼지 소모성 질환의 자동 탐지는 매우 중요한 문제이다. 특히, 밀집된 돈사에서 사육되는 돼지들의 호흡기 질환은 축산 농가의 막대한 경제적 손실을 야기하는 대표적 질병들 중 하나이다. 본 논문에서는 소리 신호 해석에 기반하여 돼지의 호흡기 질환을 조기 탐지 및 식별하는 잡음에도 강인한 시스템을 제안한다. 제안하는 시스템은, 먼저 1차원의 소리 신호를 2차원의 회색조 영상으로 변환한 후, DNS기법으로 질감 특징 정보를 갖는 이미지를 생성한다. 마지막으로, 이를 CNN에 입력함으로써 잡음에도 강인한 돼지 호흡기 질병 탐지 및 식별 시스템을 구현하고자 한다. 실제 국내 돈사에서 취득한 돼지의 발성음을 이용하여 제안하는 시스템의 성능을 실험적으로 검증한바, 제안된 시스템은 경제적인 비용(저가의 소리 센서)과 시스템 정확도(96.0% 정확도)로 다양한 잡음 환경에서도 돼지의 호흡기 질병들을 탐지할 수 있음을 실험적으로 확인하였다. 제안된 시스템은 독자적인 혹은 기존 방법들의 보완책으로 사용될 수 있다.
Automatic detection of pig wasting diseases is an important issue in the management of group-housed pigs. In particular, porcine respiratory diseases are one of the main causes of mortality among pigs and loss of productivity in intensive pig farming. In this paper, we propose a noise-robust system ...
Automatic detection of pig wasting diseases is an important issue in the management of group-housed pigs. In particular, porcine respiratory diseases are one of the main causes of mortality among pigs and loss of productivity in intensive pig farming. In this paper, we propose a noise-robust system for the early detection and recognition of pig wasting diseases using sound data. In this method, first we convert one-dimensional sound signals to two-dimensional gray-level images by normalization, and extract texture images by means of dominant neighborhood structure technique. Lastly, the texture features are then used as inputs of convolutional neural networks as an early anomaly detector and a respiratory disease classifier. Our experimental results show that this new method can be used to detect pig wasting diseases both economically (low-cost sound sensor) and accurately (over 96% accuracy) even under noise-environmental conditions, either as a standalone solution or to complement known methods to obtain a more accurate solution.
Automatic detection of pig wasting diseases is an important issue in the management of group-housed pigs. In particular, porcine respiratory diseases are one of the main causes of mortality among pigs and loss of productivity in intensive pig farming. In this paper, we propose a noise-robust system for the early detection and recognition of pig wasting diseases using sound data. In this method, first we convert one-dimensional sound signals to two-dimensional gray-level images by normalization, and extract texture images by means of dominant neighborhood structure technique. Lastly, the texture features are then used as inputs of convolutional neural networks as an early anomaly detector and a respiratory disease classifier. Our experimental results show that this new method can be used to detect pig wasting diseases both economically (low-cost sound sensor) and accurately (over 96% accuracy) even under noise-environmental conditions, either as a standalone solution or to complement known methods to obtain a more accurate solution.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
질감 추출 모듈에서는 Khellah[12]가 제안한 DNS 알고리즘을 이용하여 회색조 이미지에서 질감 정보를 추출한다. DNS 방법은 잡음이 존재하는 이미지 처리 분야에서 강인한 성능이 이미 검증된 방법론[13]으로, 본 연구에서는 소리 신호에 이를 새롭게 적용함으로써, DNS의 응용 영역을 확장하고자 한다. Fig.
돼지의 발성음을 기반으로 호흡기 질병을 탐지하는 최근의 연구 결과들에 의하면, 소리 신호 해석에 의한 돼지 호흡기 질병의 탐지가 현실적으로 가능하다는 학술적 결과를 도출하였으나, 실제 돈사 환경에서 발생하는 잡음의 영향력을 충분히 고려했다고는 볼 수 없다. 본 논문에서는 잡음 환경에서도 우수한 성능을 보이는 돼지 호흡기 질병 탐지 및 분류 시스템을 새롭게 제안하였으며, 실제 돈사에서 수집한 돼지의 기침 소리를 이용하여 제안된 시스템의 유효성을 실험적으로 검증하였다.
본 연구에서는 위와 같은 최근 학계의 연구 성과들을 참조하여, 다양한 잡음이 발생하는 실제 돈사 환경에서도 강인한 소리 정보 기반의 돼지 호흡기 질병 탐지 및 식별 시스템을 제안한다. 제안하는 시스템은 유독 잡음에 취약한 구조적 약점을 갖는 소리 신호의 문제점을 해결하는 차원에서 이미지를 대상으로 잡음 문제를 해결한 DNS 기법을 소리 신호에 새롭게 적용하여 소리 신호를 질감 정보를 갖는 이미지로 변환한 후, 이를 이미지 인식 및 분류에서 그 성능이 이미 검증된 딥러닝의 대표적 모델인 CNN(Convolutional Neural Network)에 입력함으로써, 잡음에도 강인한 돼지 호흡기 질병 탐지 및 식별 시스템을 구현하고자 한다.
제안 방법
본 논문에서 제안하는 잡음에 강인한 돼지 호흡기 질병 식별 시스템은 Fig. 1과 같이 전처리 모듈(preprocessing module), 질감 추출 모듈(texture extraction module), 질병 탐지 모듈(disease detection module)로 구성된다.
선형 변환을 통해 정규화 된 소리 신호를 158×158 크기의 2차원 회색조 이미지로 변환하고 DNS 기법을 이용하여 질감 정보를 추출하였다. DNS 실험에서, 검색 윈도우의 크기는 64, 이웃 윈도우의 크기는 32로 고정하였으며, 그 결과 64×64 크기의 질감 이미지를 생성하였다.
본 연구에서는 위와 같은 최근 학계의 연구 성과들을 참조하여, 다양한 잡음이 발생하는 실제 돈사 환경에서도 강인한 소리 정보 기반의 돼지 호흡기 질병 탐지 및 식별 시스템을 제안한다. 제안하는 시스템은 유독 잡음에 취약한 구조적 약점을 갖는 소리 신호의 문제점을 해결하는 차원에서 이미지를 대상으로 잡음 문제를 해결한 DNS 기법을 소리 신호에 새롭게 적용하여 소리 신호를 질감 정보를 갖는 이미지로 변환한 후, 이를 이미지 인식 및 분류에서 그 성능이 이미 검증된 딥러닝의 대표적 모델인 CNN(Convolutional Neural Network)에 입력함으로써, 잡음에도 강인한 돼지 호흡기 질병 탐지 및 식별 시스템을 구현하고자 한다.
질병 탐지 모듈에서는 돼지 호흡기 질병을 탐지 및 식별하기 위하여 이미지 분류에서 좋은 성능을 보이는 딥러닝의 대표적 모델인 CNN[15]을 본 연구의 목적에 맞게 설계하여 적용한다. CNN은 일반적으로 Convolution Layer, Pooling Layer, Fully connected Layer의 3가지의 계층으로 구성된다.
28%의 매우 안정적인 탐지 및 식별 성능을 확인하였다. 한편, 본 연구에서 초점을 두고 있는 잡음에도 강인한 시스템임을 확인하기 위하여 잡음이 없는 데이터로 CNN을 학습하고, 백색 잡음 데이터(SNR 18, 15, 12, 9, 6, 3, 0)와 실제 환경 잡음 데이터(발자국 소리, 라디오 소리, 문 여는 소리)로 CNN의 성능을 테스트하였다. 실험 결과는 Table 3과 같으며 인위적인 잡음에서뿐만 아니라 실제 환경 잡음에서도 본 연구에서 제안한 시스템의 안정적인 성능 결과 값을 실험적으로 확인하였다.
대상 데이터
66초, 샘플링은 44,100Hz, mono 타입이다. 또한, 돈사에서 발생하는 실제 잡음인 돼지 발자국 소리, 라디오 소리, 문 여는 소리와 인위적인 백색 잡음(SNR 비율: 18, 15, 12, 9, 6, 3, 0dB)으로 합성한 데이터를 추가하였다. 실제 잡음들 중 돼지의 발자국 소리는 1～2마리가 움직일 때의 소리(weak footprint)와 여러 마리가 움직일 때의 소리(strong footprint)로 나누어서 수집하였고, 돼지의 안정을 위해 틀어주는 라디오 소리(radio), 그리고 돈사 관리인이 사료를 주거나 배설물 청소를 할 때 돈사의 문을 여닫는 소리(door)를 수집하였다.
실험에 사용한 데이터는 충청남도에 위치한 4개의 돼지농장에서 평균적으로 25∼30kg의 총 36마리의 돼지(Yorkshire× Landrace×Duroc)를 대상으로 호흡기 질병으로 의심되는 돼지의 혈액을 채취한 후, virus 분리와 serological analysis로 PMWS, PRRS, 그리고 MH에 감염된 개체(22마리) 및 질병에 걸리지 않은 돼지를 확인하였다.
이론/모형
본 논문에서 제안하는 시스템의 성능을 정량적으로 평가하기 위하여 정밀도(precision), 재현율(recall), f-measure를 성능 지표로 이용하였다. precision은 검출된 결과들 중에서 정검출의 비율을 의미하며, recall은 입력 데이터 중에서 성공적으로 검출된 데이터의 비율을 의미한다[19].
7의 질감 이미지 결과로부터, 백색 잡음과 환경 잡음의 대부분이 DNS를 통해 제거됐으며 각자 고유한 질감 정보는 지속적으로 유지하고 있음을 시각적으로 확인할 수 있다. 이를 정량적 수치로 확인하기 위하여 SSIM(Structural Similarity, 구조적 유사성) 지표를 사용하였다(Fig. 8 참조).
정상 돼지 소리 350개와 호흡기 질병 소리 360개의 질감정보 이미지를 대상으로, 최근 구글(Google)에서 개발한 오픈소스 기계학습 엔진인 TensorFlow 1.21[18]을 활용하여 CNN 모델을 설계하였다(Fig. 4 참조).
질감 추출 모듈에서는 Khellah[12]가 제안한 DNS 알고리즘을 이용하여 회색조 이미지에서 질감 정보를 추출한다. DNS 방법은 잡음이 존재하는 이미지 처리 분야에서 강인한 성능이 이미 검증된 방법론[13]으로, 본 연구에서는 소리 신호에 이를 새롭게 적용함으로써, DNS의 응용 영역을 확장하고자 한다.
성능/효과
잡음의 SNR 강도에 따라 순차적으로 비교한 Fig. 7의 질감 이미지 결과로부터, 백색 잡음과 환경 잡음의 대부분이 DNS를 통해 제거됐으며 각자 고유한 질감 정보는 지속적으로 유지하고 있음을 시각적으로 확인할 수 있다. 이를 정량적 수치로 확인하기 위하여 SSIM(Structural Similarity, 구조적 유사성) 지표를 사용하였다(Fig.
실험 결과는 Table 2와 같으며, 본 연구에서 제안한 시스템의 성능을 살펴보면, 평균 precision은 97.72%, recall은 94.88%, f-measure는 96.28%의 매우 안정적인 탐지 및 식별 성능을 확인하였다. 한편, 본 연구에서 초점을 두고 있는 잡음에도 강인한 시스템임을 확인하기 위하여 잡음이 없는 데이터로 CNN을 학습하고, 백색 잡음 데이터(SNR 18, 15, 12, 9, 6, 3, 0)와 실제 환경 잡음 데이터(발자국 소리, 라디오 소리, 문 여는 소리)로 CNN의 성능을 테스트하였다.
후속연구
향후 연구 과제로는 본 연구에서 제안한 프로토타입의 시스템을 실세계에서 구현 및 운용하기 위한 실용화 차원의 후속 연구들이 요구되며, 소리 신호뿐만 아니라 영상 신호를 동시에 사용하는 멀티 모달 기반의 융합 연구를 후속 연구로 진행할 계획이다. 또한, 돼지의 호흡기 질병 탐지를 위한 개별화(localization) 연구도 기대된다.
향후 연구 과제로는 본 연구에서 제안한 프로토타입의 시스템을 실세계에서 구현 및 운용하기 위한 실용화 차원의 후속 연구들이 요구되며, 소리 신호뿐만 아니라 영상 신호를 동시에 사용하는 멀티 모달 기반의 융합 연구를 후속 연구로 진행할 계획이다. 또한, 돼지의 호흡기 질병 탐지를 위한 개별화(localization) 연구도 기대된다.
질의응답
핵심어
질문
논문에서 추출한 답변
전신성소모성증후군은 무엇을 초래하는가?
돼지 호흡기 질병을 유발하는 환경인자 중, 양돈장의 주요 세균성 및 바이러스성 호흡기 질병의 원인체는 MH (Mycoplasma Hyopneumonia), PCV2(Porcine Circo Virus 2) 및 돼지 생식기 호흡기 증후군(PRRS) 바이러스가 주된 병원체이며, 이유 후 전신성소모성증후군(PMWS)을 유발하는데, 이는 특히 어린 돼지에게서 막대한 경제적 손실을 초래한다. 돼지 호흡기 질병에 따른 막대한 손실을 방지하기 위해서는 질병이 발병하기 전에 미리 질병을 차단하고 예방하는 작업이 요구된다.
CNN을 구성하는 Convolution Layer, Pooling Layer, Fully connected Layer의 3가지 계층의 역할은?
CNN은 일반적으로 Convolution Layer, Pooling Layer, Fully connected Layer의 3가지의 계층으로 구성된다. Convolution layer는 필터 연산을 하는 계층으로, 입력 이미지에 합성곱 연산을 수행하여 적절한 특징들을 추출해주는 역할을 한다. 필터의 크기, 스트라이드(stride), 패딩(padding)등의 파라미터를 조정함에 따라 원하는 convolution layer를 구성할 수 있다. Pooling layer는 convolution layer를 통해 얻은 특징 맵(feature map)의 크기를 줄이는 과정으로, 연산에 필요한 시간을 단축하는 역할을 수행한다. 마지막으로 fully connected layer는 여러 개의 뉴런으로 구성된 다중 신경망(multi-layer perceptron)으로, 소프트맥스(softmax) 함수를 이용하여 각각의 클래스에 속할 확률을 계산하고, 입력된 이미지의 클래스를 분류하게 된다. Fig.
돼지 호흡기 질병을 유발하는 환경인자 중, 양돈장의 주요 세균성 및 바이러스성 호흡기 질병의 원인체는?
돼지 호흡기 질병을 유발하는 환경인자 중, 양돈장의 주요 세균성 및 바이러스성 호흡기 질병의 원인체는 MH (Mycoplasma Hyopneumonia), PCV2(Porcine Circo Virus 2) 및 돼지 생식기 호흡기 증후군(PRRS) 바이러스가 주된 병원체이며, 이유 후 전신성소모성증후군(PMWS)을 유발하는데, 이는 특히 어린 돼지에게서 막대한 경제적 손실을 초래한다. 돼지 호흡기 질병에 따른 막대한 손실을 방지하기 위해서는 질병이 발병하기 전에 미리 질병을 차단하고 예방하는 작업이 요구된다.
참고문헌 (19)
M. Ju, H. Baek, J. Sa, H. Kim, Y. Chung, and D. Park, "Real-time pig segmentation for individual pig monitoring in a weaning pig room," Journal of Korea Multimedia Society, Vol.19, No.2, pp.215-223, 2016.
I. H. Seo, I. B. Lee, O. K. Moon, and K. S. Kwon, "Aerodynamic approaches for estimation of waste disease spread in pig farm through airborne contaminants," Journal of Korean Society of Agricultural Engineers, Vol.56, No.1, pp.41-49, 2014.
D. Huh and B. J. Woo, "Impact of swine wasting disease on farm income," Journal of Rural Development, pp.77-88, 2008.
J. Choi, J. Lee, D. Park, and Y. Chung, "Individual pig detection using kinect depth information," KIPS Transaction on Computer and Communication Systems, Vol.5, No.10, pp.319-326, 2016.
M. Rizwan, B. T, Carroll, D. V. Anderson, W. Daley, S. Harbert, D. F. Britton, and M. W. Jackwood, "Identifying rale sounds in chickens using audio signals for early disease detection in poultry," Signal and Information Processing on IEEE Global Conference, pp.55-59, 2016.
J. Lee, B. Noh, S. Jang, D. Park, Y. Chung, and H. H. Chang, "Stress detection and classification of laying hens by sound analysis," Asian-Australasian Journal of Animal Sciences, Vol.28, No.4, pp.592-598, 2015.
Y. Chung, J. Lee, S. Oh, D. Park, H. H. Chang, and S. Kim, "Automatic detection of cow's oestrus in audio surveillance system," Asian-Australasian Journal of Animal Sciences, Vol.26, No.7, pp.1030-1037, 2013.
J. Vandermeulen, C. Bahr, D. Johnston, B. Earley, E. Tullo, I. Fontana, and D. Berckmans, "Early recognition of bovine respiratory disease in calves using automated continuous monitoring of cough sounds," Computers and Electronics in Agriculture, Vol.129, pp.15-26. 2016.
M. Guarino, P. Jans, A. Costa, J. M. Aerts, and D. Berckmans, "Field test of algorithm for automatic cough detection in pig houses," Computers and electronics in agriculture, Vol.62, No.1, pp.22-28, 2008.
Y. Chung, S. Oh, J. Lee, D. Park, H. Chang, and S. Kim, "Automatic detection and recognition of pig wasting diseases using sound data in audio surveillance," Sensors, Vol.13, No.10, pp.12929-12942, 2013.
J. Lee, L. Jin, D. Park, Y. Chung, and H. H. Chang, "Acoustic features for pig wasting disease detection," International Journal of Information Processing and Management, Vol.6, No.1, pp.37-46, 2015.
F. Khellah, "Texture classification using dominant neighborhood structure," IEEE Transaction on Image Processing, Vol.21, No.11, pp.3270-3279, 2011.
F. Khellah, "Textured image denoising using dominant neighborhood structure," Arabian Journal for Science and Engineering, Vol.39, No.5, pp.3759-3770, 2014.
M. Kang, I. Jeong, B. Choi, and J. Kim, "Multiple faults diagnosis in induction motors using two-dimensional texture features and support vector machine of vibration signals," Korean Institute of Next Generation Computing Journal, Vol.9, No.6, pp.24-34, 2013.
I. Choi, H. Song, S. Lee, and J. Yoo, "Facial expression classification using deep convolutional neural network," Journal of Broadcast Engineering, Vol.222, pp.162-172, 2017.
Z. Wangm, A. C. Bovik, H. R. Sheikh, and E. P. Simoncelli, "Image quality assessment: from error visibility to structural similarity," IEEE Transaction on Image Processing, Vol.13, No.4, pp.600-612, 2014.
J. Jang and Y. Kim, "The study of image quality evaluation and compression method using contourlet transform," Journal of the Semiconductor and Display Technology, Vol.9, No.4, pp.57-61, 2010.
TensorFlow ver.1.21. http://www.tensorflow.org (Accessed: 09. Aug. 2017)
J. Han, M. Kamber, and J. Pei, "Data mining: concepts and techniques," 3rd ed., San Francisco, Morgan Kaufmann Pub., USA, 2012.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.