선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 잡음환경에서도 강인한 돼지 호흡기 질병 탐지 및 분류 시스템을 제안하였으며, 실제 돈사에서 수집한 돼지 소리 데이터를 이용하여 제안된 시스템의 유효성을 실험적으로 검증하였다. 본 연구에서 제안하는 시스템이 돼지의 호흡기 질병을 조기에 탐지하여, 호흡기 질병의 확산을 사전에 예방하기 위한 유용한 정보로 사용되기를 기대한다.
- 본 연구에서는 저비용으로도 구축이 가능한 소리 센서 기반의 돼지 호흡기 질병 탐지 시스템을 제안하며, 특히 잡음 환경에서도 강인한 시스템의 구성에 초점을 두었다. 제안하는 시스템은 소리 신호에서 잡음에 강인한 성능을 보이는 DNS 알고리즘을 이용하여 질감 정보를 추출하고, 이미지 분류에서 그 성능이 이미 입증된 딥러닝의 대표적 모델인 CNN을 이용하여 돼지 호흡기 질병을 탐지한다.
제안 방법
- Disease detection module에서는 돼지 호흡기 질병을 탐지하기 위하여, 이미지 분류에서 이미 그 성능이 입증된 딥러닝의 대표적 모델인 CNN을 본 연구의 목적에 맞게 설계하여 적용한다. 정상 소리와 호흡기 질병 소리들을 이용하여 CNN을 학습하고, 학습이 완료된 CNN 구조를 이용하여 돼지의 호흡기 질병을 탐지한다.
- 호흡기 질병으로 의심되는 돼지의 혈액을 채취한 후, 바이러스 검사와 혈청 분석으로 PMWS, PRRS, MH에 감염된 돼지와 질병에 걸리지 않은 돼지를 확인하였다. 돼지의 음성 수집은 각 개체로부터 1m의 거리에서 디지털 캠코더(JVC GR-DVL520A, Japan)로 녹화하였다. 수집된 돼지소리들은 0.
- 66초로 구성되었으며, 44,100Hz로 샘플링 되었다. 또한 잡음에 강인한 시스템의 성능 실험을 위하여 다양한 백색잡음(white gaussian noise)을 추가하였다(SNR 18, 15, 12, 9, 6, 3, 0). 수집한 소리는 돼지의 정상 소리 350개(cough: 100, grunt: 110, scream: 140), 호흡기질병 소리 360개(PMWS: 150, PRRS: 140, MH: 70)이다.
- 또한 커널의 크기는 15×15로 시작하여 layer가 깊어질수록 점차 작아지는 구조로 설계하였다.
- 설계한 CNN을 학습하기 위하여 데이터의 80%를 무작위로 선정하여 학습하였고, 나머지 20%를 테스트 데이터로 사용하였다. 모든 노드들은 Xavier를 이용하여 초기화 하였고 learning rate는 0.0005, 활성함수는 ReLU, 학습 횟수는 4000회, drop out 비율은 hidden layer는 70%, fully connected layer는 50%로 설정하였다. 또한 커널의 크기는 15×15로 시작하여 layer가 깊어질수록 점차 작아지는 구조로 설계하였다.
- 본 논문에서 제안하는 잡음에 강인한 돼지 호흡기 질병 탐지 시스템의 구조도는 그림 1과 같으며 크게 3개의 모듈로 구성된다.
- 선형 변환을 통해 정규화 된 소리 신호를 158×158 크기의 2차원 회색조 이미지로 변환하고 DNS를 이용하여 질감 정보를 추출하였다.
- 정상 돼지 소리 350개와 호흡기 질병 소리 360개의 질감 이미지를 대상으로 Tensorflow 1.2.1을 이용하여 CNN 구조를 설계하였다(그림 4 참조). 설계한 CNN을 학습하기 위하여 데이터의 80%를 무작위로 선정하여 학습하였고, 나머지 20%를 테스트 데이터로 사용하였다.
- Disease detection module에서는 돼지 호흡기 질병을 탐지하기 위하여, 이미지 분류에서 이미 그 성능이 입증된 딥러닝의 대표적 모델인 CNN을 본 연구의 목적에 맞게 설계하여 적용한다. 정상 소리와 호흡기 질병 소리들을 이용하여 CNN을 학습하고, 학습이 완료된 CNN 구조를 이용하여 돼지의 호흡기 질병을 탐지한다.
- 본 연구에서는 저비용으로도 구축이 가능한 소리 센서 기반의 돼지 호흡기 질병 탐지 시스템을 제안하며, 특히 잡음 환경에서도 강인한 시스템의 구성에 초점을 두었다. 제안하는 시스템은 소리 신호에서 잡음에 강인한 성능을 보이는 DNS 알고리즘을 이용하여 질감 정보를 추출하고, 이미지 분류에서 그 성능이 이미 입증된 딥러닝의 대표적 모델인 CNN을 이용하여 돼지 호흡기 질병을 탐지한다.
- 추가적인 실험으로 잡음에 강인한 시스템 구조임을 확인하기 위해 잡음이 없는 데이터로 학습을 하고, 백색 잡음 데이터(SNR 18, 15, 12, 9, 6, 3, 0)로 성능을 테스트하였다. 실험 결과는 표 2와 같으며 매우 강한 잡음인 SNR 0을 제외하곤 모두 96%가 넘는 안정적인 결과 값을 확인하였다.
- 실험에 사용한 데이터는 충청남도와 경상남도에 위치한 돈사들에서 평균적으로 25～30kg의 총 36마리의 이유자돈(Yorkshire, Landrace, Duroc)을 대상으로 수집하였다. 호흡기 질병으로 의심되는 돼지의 혈액을 채취한 후, 바이러스 검사와 혈청 분석으로 PMWS, PRRS, MH에 감염된 돼지와 질병에 걸리지 않은 돼지를 확인하였다. 돼지의 음성 수집은 각 개체로부터 1m의 거리에서 디지털 캠코더(JVC GR-DVL520A, Japan)로 녹화하였다.
대상 데이터
- 1을 이용하여 CNN 구조를 설계하였다(그림 4 참조). 설계한 CNN을 학습하기 위하여 데이터의 80%를 무작위로 선정하여 학습하였고, 나머지 20%를 테스트 데이터로 사용하였다. 모든 노드들은 Xavier를 이용하여 초기화 하였고 learning rate는 0.
- 돼지의 음성 수집은 각 개체로부터 1m의 거리에서 디지털 캠코더(JVC GR-DVL520A, Japan)로 녹화하였다. 수집된 돼지소리들은 0.13～2.66초로 구성되었으며, 44,100Hz로 샘플링 되었다. 또한 잡음에 강인한 시스템의 성능 실험을 위하여 다양한 백색잡음(white gaussian noise)을 추가하였다(SNR 18, 15, 12, 9, 6, 3, 0).
- 또한 잡음에 강인한 시스템의 성능 실험을 위하여 다양한 백색잡음(white gaussian noise)을 추가하였다(SNR 18, 15, 12, 9, 6, 3, 0). 수집한 소리는 돼지의 정상 소리 350개(cough: 100, grunt: 110, scream: 140), 호흡기질병 소리 360개(PMWS: 150, PRRS: 140, MH: 70)이다. 이에 대한 소리 신호의 파형은 그림 2와 같으며, 육안으로 소리 신호의 파형을 쉽게 구분하기는 어렵다는 것을 확인 할 수 있다.
- 실험에 사용한 데이터는 충청남도와 경상남도에 위치한 돈사들에서 평균적으로 25～30kg의 총 36마리의 이유자돈(Yorkshire, Landrace, Duroc)을 대상으로 수집하였다. 호흡기 질병으로 의심되는 돼지의 혈액을 채취한 후, 바이러스 검사와 혈청 분석으로 PMWS, PRRS, MH에 감염된 돼지와 질병에 걸리지 않은 돼지를 확인하였다.
이론/모형
- Texture extraction module에서는 Khellar가 제안한 DNS 알고리즘[9]을 이용하여 질감 정보를 추출한다. DNS는 주로 진동신호와 이미지에서 특징을 추출하는 잡음에 강인한 알고리즘으로 소리신호의 특징 추출에 적용되는 연구는 본 연구가 최초로 판단된다.
- 실험 성능 측정을 위한 지표로는 precision, recall,f-measure를 사용하였다[10]. 실험 결과는 표 1과 같으며, 본 연구에서 제안한 시스템의 평균 precision은 97.
성능/효과
- 그 결과 64×64의 크기를 갖는 질감 이미지를 생성하였다.
- 실험 성능 측정을 위한 지표로는 precision, recall,f-measure를 사용하였다[10]. 실험 결과는 표 1과 같으며, 본 연구에서 제안한 시스템의 평균 precision은 97.72%, recall은 94.88%, f-measure는 96.28%의 안정적인 성능을 확인하였다.
- 추가적인 실험으로 잡음에 강인한 시스템 구조임을 확인하기 위해 잡음이 없는 데이터로 학습을 하고, 백색 잡음 데이터(SNR 18, 15, 12, 9, 6, 3, 0)로 성능을 테스트하였다. 실험 결과는 표 2와 같으며 매우 강한 잡음인 SNR 0을 제외하곤 모두 96%가 넘는 안정적인 결과 값을 확인하였다.
후속연구
- 본 논문에서는 잡음환경에서도 강인한 돼지 호흡기 질병 탐지 및 분류 시스템을 제안하였으며, 실제 돈사에서 수집한 돼지 소리 데이터를 이용하여 제안된 시스템의 유효성을 실험적으로 검증하였다. 본 연구에서 제안하는 시스템이 돼지의 호흡기 질병을 조기에 탐지하여, 호흡기 질병의 확산을 사전에 예방하기 위한 유용한 정보로 사용되기를 기대한다. 향후 연구로는 인위적인 백색잡음 이외에 실제 돈사에서 발생하는 다양한 잡음 소리를 추가하여 실험하는 연구를 수행함으로써 현실적인 시스템의 구축에 그 초점을 맞추고자 한다.
- 본 연구에서 제안하는 시스템이 돼지의 호흡기 질병을 조기에 탐지하여, 호흡기 질병의 확산을 사전에 예방하기 위한 유용한 정보로 사용되기를 기대한다. 향후 연구로는 인위적인 백색잡음 이외에 실제 돈사에서 발생하는 다양한 잡음 소리를 추가하여 실험하는 연구를 수행함으로써 현실적인 시스템의 구축에 그 초점을 맞추고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.