본 연구는 성장 단계별 돼지의 평균 사료 섭취량을 추정하고, 각 매개변수 간의 상관분석을 통해 변수를 선별한 후, 기계학습 기반 회귀분석을 통해 돼지의 사료 섭취량(FI)을 예측하는 모델을 만들고자 한다. 본 실험은 2023년 9월 14일부터 2023년 12월 15일까지 93일 동안 진행하였다. 사료는 09:00와 17:00 하루에 2회 제공하였으며, 제공된 사료의 양은 돼지의 평균 체중의 5%를 지급하였다. 돼지의 몸무게(PBW)는 매일 09:00에 이동식 돈형기를 사용하여 측정하였다. 축산환경관리시스템(LEMS) 센서를 이용하여, 돈사 내 온도(RT), 상대습도(RH), NH3를 5분 간격으로 수집하였다. 성장 단계를 3단계로 나누었으며, 각 GS1, GS2 및 GS3으로 명명하였다. 각 성장 단계별 평균 사료 섭취량과 표준편차를 구하여, 유의미성과 성장 단계별 사료 섭취의 경향을 분석하였다. 각 모델의 성능평가( , RMSE, MAPE) 시 8:2의 비율로 데이터를 분할하여, 정확도 검증을 수행하였다. 연구 결과 성장 단계별 돼지의 사료 섭취량에 유의미한 차이(p < 0.05)가 있음과 돼지가 성장할수록 일정한 양의 사료를 섭취하는 것을 확인하였다. 또한 각 변수의 상관분석 시 FI와 PBW에서 강한 상관관계가 나타났으며(R > 0.94), 각 모델의 성능평가 결과 RFR 모델이 가장 높은 정확성(  = 0.959, RMSE = 195.9, MAPE = 5.739)을 보였다.

This study aims to estimate the average feed intake (FI) of pigs at different growth stages, select variables through correlation analysis
between parameters, and develop a machine learning-based regression model to predict pigs' feed intake (FI). The experiment was conducted
over 93 days, from September 14, 2023, to December 15, 2023. Feed was provided twice a day at 09:00 and 17:00, with the amount
given being 5% of the pigs' average body weight. The pigs' body weight (PBW) was measured daily at 09:00 using a portable pig
scale. Temperature (RT), relative humidity (RH), and NH3 levels inside the barn were collected every 5 minutes using Livestock
Environment Management System (LEMS) sensors. The growth stages were divided into three phases, referred to as GS1, GS2, and
GS3. The average feed intake and standard deviation for each growth stage were calculated to analyze the significance and trends in
feed intake across different stages. For model performance evaluation ( , RMSE, MAPE), the data was split in an 8:2 ratio for accuracy
validation. The results showed a significant difference in feed intake across the growth stages (p < 0.05), confirming that pigs consume
a consistent amount of feed as they grow. Additionally, a strong correlation was found between FI and PBW (R > 0.94) during the
correlation analysis. In terms of model performance evaluation, the Random Forest Regression (RFR) model demonstrated the highest
accuracy (  = 0.959, RMSE = 195.9, MAPE = 5.739).

초록
Abstract
서론
재료 및 방법
    1. 실험 장소 및 실험 대상
    2. 실험 데이터 수집 및 정리
    3. 실험 데이터 분석
    4. 성능평가
결과 및 고찰
    1. 일별 데이터 분석 및 상관분석결과
    2. 성장 단계별 돼지의 사료 섭취량 추정
    3. 기계학습 기반 사료 섭취량 예측 모델 비교
감사의 글
References

• 서은완(경상국립대학교 스마트팜학과(스마트팜연구소) 대학원생) | Eun Wan Seo (Graduate student, Department of Smart Farm, Gyeonsang National University (Institute of Smart Farm), Jinju 52828, Korea)
• 강대영(경상국립대학교 스마트팜학과(스마트팜연구소) 대학원생) | Dae Yeong Kang (Graduate student, Department of Smart Farm, Gyeonsang National University (Institute of Smart Farm), Jinju 52828, Korea)
• 전성우(경상국립대학교 스마트팜학과(스마트팜연구소) 대학원생) | Seong Woo Jeon (Graduate student, Department of Smart Farm, Gyeonsang National University (Institute of Smart Farm), Jinju 52828, Korea)
• 니바스 뎁 찬드라(경상국립대학교 바이오시스템공학과(스마트팜연구소) 대학원생) | Nibas Chandra Deb (Ph. D. student, Department of Bio-systems Engineering, Gyeongsang National University (Institute of Smart Farm), Jinju 52828, Korea)
• 아룰모지엘렌체쟌(경상국립대학교 바이오시스템공학과(스마트팜연구소) 대학원생) | Elanchezhian Arulmozhi (Ph. D. student, Department of Bio-systems Engineering, Gyeongsang National University (Institute of Smart Farm), Jinju 52828, Korea)
• 김현태(경상국립대학교 생물산업기계공학과(스마트팜연구소) 교수) | Hyeon Tae Kim (Professor, Department of Bio-Industrial Machinery Engineering, Gyeongsang National University (Institute of Smart Farm), Jinju 52828, Korea) Corresponding author