논문 상세보기
pp.85-92
본 연구는 돼지 간 거리(PD), 돈사 내 상대 습도(RRH), 돈사 내 이산화탄소(RCO2) 세 가지 변수를 사용하여, 네 개의 데이터 세트를 구성하고, 이를 다중 선형 회귀(MLR), 서포트 벡터 회귀(SVR) 및 랜덤 포레스트 회귀(RFR) 세 가지 모델 기계학습(ML)에 적용하여, 돈사 내 온도(RT)를 예측하고자 한다. 2022년 10월 5일부터 11월 19일까지 실험을 진행하였다. Hik-vision 2D카메라를 사용하여, 돈사 내 영상을 기록하였다. 이후 ArcMap 프로그램을 사용하여, 돈사 내 영상에서 추출한 이미지 안 돼지의 PD를 계산하였다. 축산환경관리시스템(LEMS) 센서를 사용하여, RT, RRH 및 RCO2를 측정하였다. 연구 결과 각 변수 간 상관분석 시 RT와 PD 간의 강한 양의 상관관계가 나타났다(r > 0.75). 네 가지 데이터 세트 중 데이터 세트 3을 사용한 ML 모델이 높은 정확도가 나타났으며, 세 가지 회귀 모델 중에서 RFR 모델이 가장 우수한 성능을 보였다.
This study aims to predict the room temperature (RT) in pig barn using three machine learning (ML) models: multiple linear regression (MLR), support vector regression (SVR), and random forest regression (RFR) models. These models were applied across four datasets, with the input parameters including the distance between each pig (PD), room relative humidity (RRH), and room carbon dioxide (RCO2) levels in the pig barn. The experiment was conducted from October 5th to November 19th, 2022. A Hik-vision 2D camera was used to record pig videos, and the ArcMap program was utilized to calculate PD using images extracted from these videos. Moreover, a Livestock Environment Management System (LEMS) sensor was used to measure RT, RRH, and RCO2. The results of the study revealed a strong positive correlation between RT and PD (r > 0.75). Among the four datasets constructed through different input combinations, ML models using dataset 3 observed high accuracy, and among the three regression models, the RFR model exhibited the best performance.
재료 및 방법
1. 실험 장소 및 실험 대상
2. 돈사 내 데이터 수집
3. 데이터 분석 및 정리
4. 입력 조합 및 기계학습
5. 성능평가
결과 및 고찰
1. 상관분석결과
2. 입력변수의 조합에 따른 결과비교
3. 모델에 따른 결과 비교
감사의 글
References
