1 |
1
각각 서로 다른 시점에서 작물 또는 가축의 3차원 영상을 촬영하여, 복수의 3차원 영상 데이터를 생성하는 복수의 3차원 영상 획득 모듈;상기 복수의 3차원 영상 데이터에 기초하여 상기 작물 또는 가축의 3차원 생체 형상 데이터를 생성하거나 상기 복수의 3차원 영상 데이터를 미리 학습된 딥러닝 모델에 입력하여 상기 작물 또는 가축의 3차원 생체 형상 데이터를 생성하는 3차원 생체 형상 생성 모듈; 및상기 작물 또는 가축의 3차원 생체 형상 데이터를 미리 학습된 딥러닝 모델에 입력하여 상기 작물 또는 가축의 무게 또는 지정된 부위의 크기 중 적어도 하나를 추정하는 크기 및 무게 추정 모듈을 포함하고,상기 3차원 생체 형상 생성 모듈은,상기 복수의 3차원 영상 데이터(D1)에서 노이즈를 제거하여 전처리하는 3차원 영상 전처리 모듈;상기 전처리된 상기 복수의 3차원 영상 데이터(D1')에서, 객체인 상기 작물 또는 가축에 반사된 도트의 전기 신호 정보에 시점 정보를 반영하여 복수의 포인트 클라우드(D2)를 생성하는 PCL 변환 모듈; 및생성된 복수의 상기 포인트 클라우드(D2)의 합집합을 산출하여 상기 3차원 생체 형상 데이터(D3)를 생성하는 3차원 영상 융합 모듈;을 포함하고,상기 3차원 생체 형상 생성 모듈은,상기 복수의 3차원 영상 획득 모듈 간의 동기화 메커니즘 및 복수의 3차원 영상 획득 모듈 각각의 직교 좌표계 등록 매개 변수를 기초로, 우측 포인트 클라우드, 상측 포인트 클라우드 및 좌측 포인트 클라우드를 결합한 포인트 클라우드 데이터인 3차원 생체 형상 데이터(D3)를 생성하고,상기 딥러닝 모델은,콘볼루션 신경망(CNN; convolutional neural networks)의 구조로 구현되어, 분석 또는 해석하기 위한 특징 추출 부분과 무게 추정을 위한 회귀 부분으로 구성되고,상기 특징 추출 부분은 다수의 컨볼루션 계층과 풀링 계층으로 구성되어, 3차원 생체 형상 데이터(D3)의 특징들을 추출하여 특징맵을 생성하고,상기 회귀 부분은 추출된 특징들을 수치화된 무게로 맵핑시키기 위한 변환 행렬 또는 회귀식을 포함하여 상기 특징 추출 부분에서 생성된 상기 특징맵을 기초로 완전 연결 계층에서 객체의 지정된 부위의 크기, 형상 및 무게를 추정하는 작물 및 가축의 크기 및 무게 추정 장치
|
2 |
2
제 1항에 있어서,상기 딥러닝 모델은,학습용 3차원 생체 형상 데이터의 입력에 기초하여 대상 객체의 추정 무게 또는 지정된 부위의 크기 중 적어도 하나를 출력하도록 미리 학습된, 작물 및 가축의 크기 및 무게 추정 장치
|
3 |
3
제 2항에 있어서,상기 딥러닝 모델은,상기 크기 및 무게 추정 장치와 전기적으로 연결 또는 통신으로 연결된 클라우드 학습 서버의 딥러닝 모듈에서 미리 학습되어 제공된,작물 및 가축의 크기 및 무게 추정 장치
|
4 |
4
삭제
|
5 |
5
제 1항에 있어서,상기 딥러닝 모델은,상기 크기 및 무게 추정 장치와 전기적으로 연결 또는 통신으로 연결된 클라우드 학습 서버의 딥러닝 모듈에서 미리 학습되어 제공된,작물 및 가축의 크기 및 무게 추정 장치
|
6 |
6
제 1항에 있어서,상기 크기 및 무게 추정 장치는,상기 작물 또는 가축의 무게 또는 지정된 부위의 크기 중 적어도 하나를 시각적인 정보로 출력하는 표시 모듈을 더 포함하는,작물 및 가축의 크기 및 무게 추정 장치
|
7 |
7
서로 다른 위치에 배치된 복수의 3차원 영상 획득 모듈이 작물 또는 가축의 3차원 영상을 촬영하여, 복수의 3차원 영상 데이터를 생성하며;3차원 생체 형상 생성 모듈이 상기 복수의 3차원 영상 데이터에 기초하여 상기 작물 또는 가축의 3차원 생체 형상 데이터를 생성하거나 상기 복수의 3차원 영상 데이터를 미리 학습된 딥러닝 모델에 입력하여 상기 작물 또는 가축의 3차원 생체 형상 데이터를 생성하며;크기 및 무게 추정 모듈이 상기 작물 또는 가축의 3차원 생체 형상 데이터를 미리 학습된 딥러닝 모델에 입력하여 상기 작물 또는 가축의 무게 또는 지정된 부위의 크기를 추정하는 것을 포함하고,상기 작물 또는 가축의 3차원 생체 형상 데이터의 생성 시에는,3차원 영상 전처리 모듈이 상기 복수의 3차원 영상 데이터(D1)에서 노이즈를 제거하여 전처리하고,PCL 변환 모듈이 상기 전처리된 상기 복수의 3차원 영상 데이터(D1')에서, 객체인 상기 작물또는 가축에 반사된 도트의 전기 신호 정보에 시점 정보를 반영하여 복수의 포인트 클라우드(D2)를 생성하고,3차원 영상 융합 모듈이 상기 복수의 3차원 영상 획득 모듈 간의 동기화 메커니즘 및 복수의 3차원 영상 획득 모듈 각각의 직교 좌표계 등록 매개 변수를 기초로, 우측 포인트 클라우드, 상측 포인트 클라우드 및 좌측 포인트 클라우드를 결합한 포인트 클라우드 데이터인 3차원 생체 형상 데이터(D3)를 생성하고,상기 딥러닝 모델은,콘볼루션 신경망(CNN; convolutional neural networks)의 구조로 구현되어, 분석 또는 해석하기 위한 특징 추출 부분과 무게 추정을 위한 회귀 부분으로 구성되고,상기 특징 추출 부분은 다수의 컨볼루션 계층과 풀링 계층으로 구성되어, 3차원 생체 형상 데이터(D3)의 특징들을 추출하여 특징맵을 생성하고,상기 회귀 부분은 추출된 특징들을 수치화된 무게로 맵핑시키기 위한 변환 행렬 또는 회귀식을 포함하여 상기 특징 추출 부분에서 생성된 상기 특징맵을 기초로 완전 연결 계층에서 객체의 지정된 부위의 크기, 형상 및 무게를 추정하는 작물 및 가축의 무게 추정 방법
|