[논문]기계학습기반 양돈생산성 예측방안

Lee, Woongsup; Sung, Kil-Young; Ban, Tae-Won; Ham, Young Hwa

doi:10.6109/jkiice.2020.24.1.130

기계학습기반 양돈생산성 예측방안
Production Performance Prediction of Pig Farming using Machine Learning 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.24 no.1, 2020년, pp.130 - 133

Lee, Woongsup (Department of Information and Communication Engineering, Institute of Marine Industry, Gyeongsang National University) , Sung, Kil-Young (Department of Information and Communication Engineering, Gyeongsang National University) , Ban, Tae-Won (Department of Information and Communication Engineering, Institute of Marine Industry, Gyeongsang National University) , Ham, Young Hwa (Agrirobotech Co., Ltd.)

Abstract ▼ AI-Helper

Smart pig farm which is based on IoT has been widely adopted by many pig farmers. In order to achieve optimal control of smart pig farm, the relation between environmental conditions and performance metric should be characterized. In this study, the relation between multiple environmental conditions including temperature, humidity and various performance metrics, which are daily gain, feed intake, and MSY, is analyzed based on data obtained from 55 real pig farm. Especially, based on preprocessing of data, various regression based machine learning algorithms are considered. Through performance evaluation, we show that the performance can be predicted with high precision, which can improve the efficiency of management.

주제어

표/그림 (7)

표 Table. 1 Attribute of data for pig farming.
그림 Fig. 1 Performance comparison ADG prediction.
그림 Fig. 2 Performance comparison for FI prediction.
표 Table. 2 MSE for average daily gain prediction.
표 Table. 3 MSE for feed intake prediction.
표 Table. 4 MSE for MSY prediction.
그림 Fig. 3 Performance comparison for MSY prediction.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 55개의 양돈농가에서 수집된 530만 개의 돈사 데이터를 기반으로 양돈농가 생산성 지표를 회귀기반 기계학습을 이용하여 예측하는 방안을 개발하였다. 또한 성능분석을 통해 높은 정확도로 생산성 지표를 예측할 수 있음을 보였고, 실제 수집된 데이터를 사용하였으므로 실제 축사환경에 더 잘 부합한다.
본 연구에서는 돈사에서 수집된 환경 및 개체의 생체특성을 기반으로 회귀기반 기계학습방안을 사용하여 양돈 생산성지표를 예측하는 방안을 제시하였다. 성능분석을 통해서 높은 정확도로 양돈의 생산성을 예측할 수 있음을 확인하였다.
본 연구에서는 스마트 돈사에서 수집된 데이터를 이용하여 각 생산성 지표를 예측하는 방안을 기계학습을 기반으로 개발한다. 특히 실제 생산성 지표의 값을 예측하는 방안을 고려하였고 이를 위해서 회귀방식 기계학습 방안을 이용하였다.
본 연구에서는 실제 양돈농가 및 관리업체와의 컨설팅을 통해 양돈에서 제일 중요한 3가지 생산성 지표를 고려하였다. 우선 돼지의 일별 체중변화 (일당증체, Average daily gain, ADG)을 고려하였다.

제안 방법

그 외에 온도와 습도를 기반으로 실효온도(Effective temperature)를 계산하여 분석에 사용하였다. 또한 돼지의 현재 체중에 따라서 결정되는 최적의 돈사온도 (Comfort temperature)를 계산하여 데이터로 활용하였다.
사료요구율이 높을 경우 농가의 농장유지비가 증가하므로 생산성에 악영향을 준다. 그 외에도 입식 개체들 중 실제 도축된 개체의 비율을 나타내는 기간육성율 (Marketed pigs per sow per year, MSY)을 양돈 생산성 지표로 고려하였다.
본 지표는 양돈 농가에서 제일 중요하게 고려하는 지표로서 일당증체가 낮을 경우 돼지를 기르는데 더 오랜 기간이 걸리므로 양돈 농가의 생산성이 저하될 수 있다. 또한 1마리의 개체가 매일 소비하는 사료의 양인 사료요구율(Feed intake, FI)을 고려하였다. 사료요구율이 높을 경우 농가의 농장유지비가 증가하므로 생산성에 악영향을 준다.
이러한 데이터 전처리과정을 통해서 데이터의 양을 효과적으로 줄일 수 있고 과적합의 문제를 해결할 수 있다. 또한 분산팽창계수 (Variance Inflation Factor, VIF)를 고려하여 다중공선성 진단을 통해 사용하는 특성을 선택하였다. 구체적으로 돈사의 온도 값에 대한 VIF값이 100이상으로 크게 계산되어 실제 기계학습방안에서는 돈사 온도 데이터를 사용하지 않았다.
표 2-4에는 각 생산성 지표 예측방안의 정확도를 나타내었다. 본 결과에서는 평균을 이용하여 값을 예측하는 ZeroR 예측방안을 이용하여 기준 성능을 계산하였다. 성능분석 결과에서 확인할 수 있듯이 에이다 부스트 방식이 낮은 오차를 보이고 회귀 트리 방식이 높은 오차를 보이는 것을 확인할 수 있었다.
특히 실제 생산성 지표의 값을 예측하는 방안을 고려하였고 이를 위해서 회귀방식 기계학습 방안을 이용하였다. 본 연구에서 고려한 회귀방안에서는 선형회귀방식(Linear regression), 회귀트리방식(Regression Tree) 및 에이다부스트방식(AdaBoost regression)을 고려하였다. 구체적으로 선형회귀방식에서는 선형방정식을 이용하여 각 생산성을 예측하게 하였다.
이를 해결하기 위해서 일정 시간간격으로 온습도 데이터를 샘플링하고 해당영역에서의 통계적인 특성, 즉 평균, 표준편차, 최소, 최댓값만을 사용하였다. 본 연구에서는 10분(10min), 2시간(2H), 1일(1D) 단위의 시간간격을 고려하였고 각 시간간격에서 10개, 120개, 720개의 온습도 데이터가 샘플링 되어서 사용된다. 이러한 데이터 전처리과정을 통해서 데이터의 양을 효과적으로 줄일 수 있고 과적합의 문제를 해결할 수 있다.
본 장에서는 개발된 양돈 생산성 예측방안의 성능을 분석하였다. 성능 분석에서는 10-겹 교차검정 (10-fold validation)을 통해서 학습데이터를 변화시켜가면서 성능을 분석하였다.
우선 돼지의 일별 체중변화 (일당증체, Average daily gain, ADG)을 고려하였다. 본 지표는 양돈 농가에서 제일 중요하게 고려하는 지표로서 일당증체가 낮을 경우 돼지를 기르는데 더 오랜 기간이 걸리므로 양돈 농가의 생산성이 저하될 수 있다.
개발한다. 특히 실제 생산성 지표의 값을 예측하는 방안을 고려하였고 이를 위해서 회귀방식 기계학습 방안을 이용하였다. 본 연구에서 고려한 회귀방안에서는 선형회귀방식(Linear regression), 회귀트리방식(Regression Tree) 및 에이다부스트방식(AdaBoost regression)을 고려하였다.

대상 데이터

또한 돼지의 현재 체중에 따라서 결정되는 최적의 돈사온도 (Comfort temperature)를 계산하여 데이터로 활용하였다. 다음으로 일령(Initial age), 전입평체(Initial body weight), 전입두수(Number of units), 사육밀도 (Stocking density)와 같은 생체특성을 데이터로 사용하였다.
그 외에 온도와 습도를 기반으로 실효온도(Effective temperature)를 계산하여 분석에 사용하였다. 또한 돼지의 현재 체중에 따라서 결정되는 최적의 돈사온도 (Comfort temperature)를 계산하여 데이터로 활용하였다. 다음으로 일령(Initial age), 전입평체(Initial body weight), 전입두수(Number of units), 사육밀도 (Stocking density)와 같은 생체특성을 데이터로 사용하였다.
본 연구에서는 애그리로보텍의 돈사관리 프로그램 (LEMS)을 사용하는 55개의 양돈농가에서 2017년 10월부터 2018년 9월까지 수집된 530만개의 데이터를 사용하였다.
우선 돈사의 환경데이터로서 돈사의 온도 (Ambient temperature) 및 습도(Humidity)를 측정하여 사용하였다. 그 외에 온도와 습도를 기반으로 실효온도(Effective temperature)를 계산하여 분석에 사용하였다.

데이터처리

회귀트리방식에서는 결정트리구조를 이용하여 값을 예측하였고, 트리의 최대 깊이는 6으로 설정하였다. 마지막으로 에이다부스트방식은 예측이 잘못된 값들을 적응적으로 고려하는 앙상블 알고리즘으로 본 연구에서는 base classifier로 깊이가 4인 회귀트리를 사용하였다. 성능 분석에서 평균제곱근 오차 (Mean Squared Error)를 성능지표로 사용하였다.
성능 분석에서는 10-겹 교차검정 (10-fold validation)을 통해서 학습데이터를 변화시켜가면서 성능을 분석하였다. 표 2-4에는 각 생산성 지표 예측방안의 정확도를 나타내었다.
시 과적합(overfitting)이 발생할 수 있다. 이를 해결하기 위해서 일정 시간간격으로 온습도 데이터를 샘플링하고 해당영역에서의 통계적인 특성, 즉 평균, 표준편차, 최소, 최댓값만을 사용하였다. 본 연구에서는 10분(10min), 2시간(2H), 1일(1D) 단위의 시간간격을 고려하였고 각 시간간격에서 10개, 120개, 720개의 온습도 데이터가 샘플링 되어서 사용된다.

이론/모형

본 연구에서 고려한 회귀방안에서는 선형회귀방식(Linear regression), 회귀트리방식(Regression Tree) 및 에이다부스트방식(AdaBoost regression)을 고려하였다. 구체적으로 선형회귀방식에서는 선형방정식을 이용하여 각 생산성을 예측하게 하였다. 회귀트리방식에서는 결정트리구조를 이용하여 값을 예측하였고, 트리의 최대 깊이는 6으로 설정하였다.
마지막으로 에이다부스트방식은 예측이 잘못된 값들을 적응적으로 고려하는 앙상블 알고리즘으로 본 연구에서는 base classifier로 깊이가 4인 회귀트리를 사용하였다. 성능 분석에서 평균제곱근 오차 (Mean Squared Error)를 성능지표로 사용하였다.

성능/효과

표시하였다. 결과에서 확인할 수 있듯이 3가지 회귀방식 알고리즘 모두 생산성을 비교적 정확하게 예측하는 것을 확인할 수 있었고 특히 에이다부스트 방식이 높은 정확도를 보이는 것을 확인할 수 있었다.
구체적으로 일당증체는 1일 단위 샘플링의 에이다 부스트 방식에서, 사료요구율과 기간육성율은 2시간 단위 샘플링의 에이다부스트 방식에서 제일 낮은 오차를 보이는 것을 확인할 수 있었다. 이를 통해서 데이터의 전처리도 예측의 정확도에 큰 영향을 주는 것을 확인할 수 있었다.
이를 통해서 데이터의 전처리도 예측의 정확도에 큰 영향을 주는 것을 확인할 수 있었다. 더불어 사료요구율은 제안 방안의 성능이 기준결과 비해서 낮은 것을 확인할 수 있고 본 지표는 제안방안으로 예측이 어려움을 확인할 수 있다.
또한 성능분석을 통해 높은 정확도로 생산성 지표를 예측할 수 있음을 보였고, 실제 수집된 데이터를 사용하였으므로 실제 축사환경에 더 잘 부합한다. 본 예측방안을 통해 농가의 생산성을 극대화하도록 돈사환경을 조절할 수 있다.
표1의 데이터에서 확인할 수 있듯이 최적 돈사온도에 비해서 돈사의 온도가 대체적으로 높게 유지되는 것을 확인할 수 있는데 이는 본 연구에서 사용한 무창돈사의 특성 때문이다. 또한 일당증체의 평균값이 0.74kg으로 양돈에서 일반적으로 고려하는 일당 증체 값인 0.8kg에 비해서 다소 작을 것을 확인할 수 있다.
본 결과에서는 평균을 이용하여 값을 예측하는 ZeroR 예측방안을 이용하여 기준 성능을 계산하였다. 성능분석 결과에서 확인할 수 있듯이 에이다 부스트 방식이 낮은 오차를 보이고 회귀 트리 방식이 높은 오차를 보이는 것을 확인할 수 있었다.
성능분석을 통해서 높은 정확도로 양돈의 생산성을 예측할 수 있음을 확인하였다. 본 예측 방안은 스마트 돈사에서 양돈의 생산성을 최대화 하도록 돈사 환경요소를 조절하는데 사용할 수 있다.
것을 확인할 수 있었다. 이를 통해서 데이터의 전처리도 예측의 정확도에 큰 영향을 주는 것을 확인할 수 있었다. 더불어 사료요구율은 제안 방안의 성능이 기준결과 비해서 낮은 것을 확인할 수 있고 본 지표는 제안방안으로 예측이 어려움을 확인할 수 있다.

후속연구

성능분석을 통해서 높은 정확도로 양돈의 생산성을 예측할 수 있음을 확인하였다. 본 예측 방안은 스마트 돈사에서 양돈의 생산성을 최대화 하도록 돈사 환경요소를 조절하는데 사용할 수 있다. 현재 더 많은 데이터를 수집하여 정확도를 증가시키고 회귀방식 이외에 분류 기반 생산성 지표 예측방안도 개발 중에 있다.

참고문헌 (7)

W. Lee, K. -H. Han, H. -T. Kim, H. Choi, Y. Ham, and T. -W. Ban, "Prediction of Average Daily Gain of Swine based on Machine Learning," Journal of Intelligent Fuzzy Systems, vol. 36, no. 2, pp. 923-933, Mar. 2019.

상세보기
S. Nitikanchana, S. Dritz, M. Tokach, J. DeRouchey, R. Goodband, and B. White, "Regression Analysis to Predict Growth Performance from Dietary Net Energy in Growing-finishing Pigs," Journal of Animal Science, vol. 93, no. 6, pp. 2826-2839, Jun. 2015.

상세보기
M. Ryu, J. Yun, T. Miao, I. Ahn, S. Choi, and J. Kim, "Design and Implementation of A Connected Farm for Smart Farming System," in Proc. of IEEE SENSORS, Busan, South Korea, Nov. 2015.
K. Han, W. Lee, and K. Sung, "Development of a Model to Analyze The Relationship Between Smart Pig-farm Environmental Data and Daily Weight Increase Based on Decision Tree," Journal of Korea Institute of Information and Communication Engineering, vol. 20, no. 12, pp.2348-2354, Dec. 2016.

원문보기 상세보기
M.S. Lee, and Y.C. Choe, "Forecasting Sow's Productivity using the Machine Learning Models," Journal of Agricultural Extension & Community Development, vol. 16, no. 4, pp. 939-965, Dec. 2009.
W. Lee, J. Ryu, T. Ban, S. Kim, and H. Choi, "Prediction of Water Usage in Pig Farm based on Machine Learning," Journal of Korea Institute of Information and Communication Engineering, vol. 21, no. 8, pp.1560-1566, Aug. 2017.

원문보기 상세보기
W. Lee, S. Kim, J. Ryu, and T. Ban, "Fast Detection of Disease in Livestock based on Deep Learning," Journal of the Korea Institute of Information and Communication Engineering, vol. 21, no. 5, pp. 1009-1015, May. 2017.

원문보기 상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증