[논문]딥러닝 기반의 돼지 호흡기 질병 식별

이종욱; 조현석; 박대희; 정용화

문제 정의

본 논문에서는 소규모의 농장에서도 저비용으로 구축이 가능한 소리 센서 환경에서의 돼지의 호흡기 질병 탐지시스템을 제안한다. 제안된 시스템은 소리 신호에서 스펙트로그램 특징을 추출한 후 이를 최근 각광을 받고 있는 CNN(Convolutional Neural Network)에 입력 정보로 사용한다.
본 논문에서는 실제 돈사에서 수집한 돼지의 소리 데이터를 이용하여 돼지의 호흡기 질병을 식별할 수 있는 시스템을 제안하였다. 제안된 시스템은 먼저 센서로 유입되는 소리를 취득한 후, 해당 소리에서 시간-주파수 대역의 대표적인 특징인 스펙트로그램을 추출하였다.
추출된 특징은 CNN 구조에 적용된 후 돼지의 호흡기 질병을 식별하기 좋은 특징으로 변환된 후 CNN의 최종 계층인 softmax 계층에 적용되어, 호흡기 질병을 효과적으로 탐지 및 식별할 수 있음을 확인하였다. 추후 돈사에서 발생하는 다양한 잡음 환경에서도 강인한 시스템에 관하여 연구하고자 한다.

제안 방법

02[8]을 활용하여 구조를 설계하고 실험을 진행하였다. CNN 구조에 사용한 옵션들은 Xaiver.initializer, Learning rate: 0.001, Max pooling, 각각의 Convolutional layer의 경우 padding 기법을 적용하였으며, Drop out 비율은 50%, 반복횟수 1000, Activation 함수는 Rectified Linear Unit으로 설정하였다. 또한 커널의 개수는 일반적인 구조와 다르게 첫 번째 계층부터 그 수를 크게 하였다.
제안된 시스템은 소리 신호에서 스펙트로그램 특징을 추출한 후 이를 최근 각광을 받고 있는 CNN(Convolutional Neural Network)에 입력 정보로 사용한다. CNN의 계층(layer)을 거치면서 호흡기 질병을 식별하기 좋은 특징으로 변환한 후 최종 softmax 계층에서 정상소리와 호흡기 질병 소리들 중 하나로 분류한다.
실험을 위한 데이터는 충청남도에 위치한 4개의 돼지농장에서 평균적으로 25~30 kg의 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 및 질병에 걸리지 않은 돼지를 확인하였다.
본 논문에서는 실제 돈사에서 수집한 돼지의 소리 데이터를 이용하여 돼지의 호흡기 질병을 식별할 수 있는 시스템을 제안하였다. 제안된 시스템은 먼저 센서로 유입되는 소리를 취득한 후, 해당 소리에서 시간-주파수 대역의 대표적인 특징인 스펙트로그램을 추출하였다. 추출된 특징은 CNN 구조에 적용된 후 돼지의 호흡기 질병을 식별하기 좋은 특징으로 변환된 후 CNN의 최종 계층인 softmax 계층에 적용되어, 호흡기 질병을 효과적으로 탐지 및 식별할 수 있음을 확인하였다.
본 논문에서는 소규모의 농장에서도 저비용으로 구축이 가능한 소리 센서 환경에서의 돼지의 호흡기 질병 탐지시스템을 제안한다. 제안된 시스템은 소리 신호에서 스펙트로그램 특징을 추출한 후 이를 최근 각광을 받고 있는 CNN(Convolutional Neural Network)에 입력 정보로 사용한다. CNN의 계층(layer)을 거치면서 호흡기 질병을 식별하기 좋은 특징으로 변환한 후 최종 softmax 계층에서 정상소리와 호흡기 질병 소리들 중 하나로 분류한다.
실험을 위한 데이터는 충청남도에 위치한 4개의 돼지농장에서 평균적으로 25~30 kg의 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 및 질병에 걸리지 않은 돼지를 확인하였다. 환축및 정상축의 음성 수집은 각 개체로부터 1m의 거리에서 디지털 캠코더(JVC GR-DVL520A, Japan)로 녹화하였다. 돼지의 정상소리(grunt, health cough, scream)와 호흡기질환 소리의 종류별 신호 형태의 예는 그림 2와 같으며, 정상소리 중 하나인 scream과 호흡기 질병 소리인 PMWS, PRRS 그리고 MH 질환은 소리 시그널 자체로는 육안으로 쉽게 구분하기 어렵다.

대상 데이터

본 논문에서 식별하고자 하는 돼지 소리는 정상인 경우의 소리와 호흡기 질병들 중 하나인 PMWS, PRRS, MH이며, 제안한 CNN 구조는 다음 그림 1과 같다.
호흡기 질병 식별을 위한 CNN 구조를 설정하기 위하여 데이터의 80%를 무작위로 선택하였으며, 나머지 20%를 테스트 데이터로 사용하였다. 설정된 CNN 구조는 입력 계층, CNN 계층(Convolutional layer, Pooling layer), Fully-connected 계층, Softmax 계층 그리고 출력 계층으로 구성되며, 실험에 사용한 구조는 그림 1과 같다.
실험에 사용한 컴퓨터의 사양은 Windows 10, Intel®i7-7700K CPU@4.2GHz, 32GB Ram, Geforce GTX 1080Ti 이다.
2GHz, 32GB Ram, Geforce GTX 1080Ti 이다. 실험을 위하여 취득한 정상소리는 {grunt 110, healthy cough 100, scream 140}, 호흡기 질병 소리는 {PMWS 150, PRRS 140, MH 70}이다. 호흡기 질병 식별을 위한 CNN 구조를 설정하기 위하여 데이터의 80%를 무작위로 선택하였으며, 나머지 20%를 테스트 데이터로 사용하였다.
실험을 위하여 취득한 정상소리는 {grunt 110, healthy cough 100, scream 140}, 호흡기 질병 소리는 {PMWS 150, PRRS 140, MH 70}이다. 호흡기 질병 식별을 위한 CNN 구조를 설정하기 위하여 데이터의 80%를 무작위로 선택하였으며, 나머지 20%를 테스트 데이터로 사용하였다. 설정된 CNN 구조는 입력 계층, CNN 계층(Convolutional layer, Pooling layer), Fully-connected 계층, Softmax 계층 그리고 출력 계층으로 구성되며, 실험에 사용한 구조는 그림 1과 같다.

이론/모형

모든 소리 스펙트로그램은 128 × 128 크기로 조정한 후 CNN의 입력으로 사용하였다. CNN은 최근 구글(Google)사에서 개발한 오픈소스 기계학습 엔진인 TensorFlow 1.02[8]을 활용하여 구조를 설계하고 실험을 진행하였다. CNN 구조에 사용한 옵션들은 Xaiver.
또한, 커널의 사이즈는 12 × 12로 시작한 후 점차 작은 크기로 설정하였으며, 최종 커널 사이즈는 3×3이다. 실험에 사용한 평가지표는 precision, recall, f-measure이다.

성능/효과

본 논문에서 제안하는 돼지 호흡기 질병 식별 시스템의 구조는 크게 3개의 모듈로 구성된다: 1) 소리 센서로부터 소리를 취득하는 단계, 2) 취득한 소리 데이터에서 스펙트로그램 정보를 추출하는 단계, 3) 돼지의 호흡기 질병을 식별하기 위하여, 정상과 호흡기 질병 소리들을 이용하여 CNN을 훈련하고, 훈련된 CNN 구조를 이용하여 돼지의 정상 및 호흡기 질병을 식별하는 단계.
혼동행렬의 PMWS 결과를 보면 30개의 테스트 데이터 중 28개는 PMWS로 올바르게 식별되었으나, PRRS와 MH로 각각 1개씩 잘못 판단된 결과를 확인할 수 있다. PRRS는 모두 올바르게 판단되었으며, MH는 1개가, 정상적인 소리는 70개 중 단 하나만 질병으로 잘못 식별되었다.
설정한 구조를 이용하여 학습을 진행한 결과 99.5%의 학습률을 기록하였으며, 해당 구조에서 테스트를 진행한 결과 평균 precision 95.7%, recall 96.2%, f-measure 95.9%의 안정적인 성능을 보였으며, 혼동행렬(confusion matrix)은 다음의 표 1과 같다.
제안된 시스템은 먼저 센서로 유입되는 소리를 취득한 후, 해당 소리에서 시간-주파수 대역의 대표적인 특징인 스펙트로그램을 추출하였다. 추출된 특징은 CNN 구조에 적용된 후 돼지의 호흡기 질병을 식별하기 좋은 특징으로 변환된 후 CNN의 최종 계층인 softmax 계층에 적용되어, 호흡기 질병을 효과적으로 탐지 및 식별할 수 있음을 확인하였다. 추후 돈사에서 발생하는 다양한 잡음 환경에서도 강인한 시스템에 관하여 연구하고자 한다.
혼동행렬의 PMWS 결과를 보면 30개의 테스트 데이터 중 28개는 PMWS로 올바르게 식별되었으나, PRRS와 MH로 각각 1개씩 잘못 판단된 결과를 확인할 수 있다. PRRS는 모두 올바르게 판단되었으며, MH는 1개가, 정상적인 소리는 70개 중 단 하나만 질병으로 잘못 식별되었다.

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

딥러닝 기반의 돼지 호흡기 질병 식별
Classification of Porcine Wasting Diseases using Deep Learning 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

딥러닝 기반의 돼지 호흡기 질병 식별 Classification of Porcine Wasting Diseases using Deep Learning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

딥러닝 기반의 돼지 호흡기 질병 식별
Classification of Porcine Wasting Diseases using Deep Learning 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper