전주대학교 인공지능학과

1. 기술개요:

  이 연구는 대규모 브로일러 생산에서 전통적인 중량 측정 방법의 높은 인건비와 스트레스 반응 문제를 해결하기 위해 비침습적 자동 브로일러 중량 추정 및 예측 방법을 개발했다. 머신 러닝 알고리즘, 특히 Gaussian 혼합 모델(GMM), Isolation Forest, 그리고 클러스터링 구조를 식별하기 위한 Ordering Points To Identify the Clustering Structure(OPTICS)를 사용하여 데이터 특성을 필터링하고 추출하는 두 단계의 클러스터링 및 노이즈 감소 과정을 통해 개별 살아있는 브로일러의 현재 중량을 추정한다. 실시간 중량 예측은 다항식 피팅과 그레이 모델을 결합하고 예측 정확도 피드백에 따라 모델 매개변수를 조정함으로써 달성되었다.

2. 채택된 저널/학회:

  이 논문은 2023년 11월 23일에 MDPI Agriculture 저널에 "Application of Machine Learning Algorithms for On-Farm Monitoring and Prediction of Broilers’ Live Weight: A Quantitative Study Based on Body Weight Data"라는 제목으로 게재되었다.

3. 주요내용:

  브로일러의 체중을 실시간으로 모니터링하고 예측하기 위해 머신 러닝 알고리즘을 사용한 비침습적 방법을 개발했다. 연구는 다음과 같은 주요 단계를 포함한다:

  (1). 데이터 수집 및 전처리: 중량 데이터를 수집하고, 노이즈를 줄이기 위해 임계값 기반 데이터 처리 및 MissForest 방법을 사용해 결측값을 채움.

  (2). 다단계 클러스터링: Gaussian 혼합 모델과 OPTICS를 사용하여 데이터 클러스터링 및 노이즈 제거.

  (3). 중장기 예측: 다항 회귀 분석을 사용해 중장기 예측을 수행.

  (4). 단기 예측: 그레이 모델(GM (1, 1))을 사용해 단기 예측을 수행.

  (5). 예측 정확도 평가: SMAPE 값을 사용해 예측 정확도를 평가.

4. 기대효과 및 향후계획:

  이 방법은 대규모 브로일러 사육 환경에서 중량 모니터링과 예측의 정확성을 향상시키는 동시에 구현 비용을 절감할 수 있다. 연구 결과는 예측 정확도가 높은 수준임을 보여주었으며, 이는 농장 경영 및 수익 최적화에 크게 기여할 것으로 기대된다. 향후 연구로는 현대 브로일러 농장에서 수집할 수 있는 더 많은 요소들을 포함하여 실시간으로 브로일러의 중량을 효율적으로 추정하고, 브로일러 급여, 건강 개선, 수확 및 닭고기 생산 계획과 관련된 결정을 조정할 계획이다. 또한, 이 시스템은 다른 농장 동물의 중량 추정에도 사용할 수 있을 것으로 예상된다.