기존 온·습도 센서와 여러 가스센서에 의해 측정 및 제어되는 돈사환경제어시스템에 돼지의 체온조 절행동에 근거한 생체정보를 이용하여 외부 환경정보를 보정한다면 보다 정밀한 축사 환경제어를 할 수 있다. 이를 위한 본 연구는 ICT기술을 접목한 스마트돈사의 정밀환경제어를 위한 기초연구로 획득된 이 미지를 바탕으로 돼지의 행동특성을 3가지로 분류하기 위한 영상처리시스템 알고리즘을 제시하고자 한 다. 공시재료는 실험돈사에서 사육되고 있는 육돈용 자돈(F2, 36~40kg) 3마리를 이용하였으며, 영상처 리를 수행하고자 천정에 설치된 카메라를 통해 획득된 이미지를 이용하였다. 영상처리를 위한 프로그램 은 Visual Studio C과 다양한 영상처리를 위해 개발된 오픈 소스 라이브러리인 OpenCV Library를 이 용하여 구현하였다. 행동분류 알고리즘은 각 돼지의 중심점 데이터, 돼지가 차지하는 면적, 돼지 사이 의 거리를 구하고자 전처리를 수행한 이미지를 RGB 색상계에서 YCrCb 색상계로 변환하였으며, 히스토 그램 평활화(Histogram Equalization), cvBlob함수를 사용하여 Labeling 알고리즘을 수행하였다. 영상 처리 결과, 검증 이미지를 대상으로 군집형태 A로 판단된 결과는 면적만 고려한 것과 거리와 면적을 같 이 고려하였을 때 인식률 95%를 나타내었다. 군집형태 B의 경우 면적만을 고려하였을 경우 65%, 면적 과 거리를 모두 고려하였을 경우 95%로 나타났다. 군집형태 C의 경우 면적만을 고려하였을 경우 25%, 면적과 거리를 모두 고려하였을 경우 100%로 나타나 환경정보 보정자료로 활용이 가능한 것으로 판단 되었다.

국내 벼 건조기간의 기상조건에 적합한 열펌프를 설계, 제작하여 기본 성능을 측정하고, 건조온도 20-50oC 범위에서 벼 건조실험을 통하여 건조특성 및 소요에너지를 분석하였다. 열펌프는 건압축 냉동 사이클에서 냉동효과는 173.8 kJ/kg이었으며, 냉매순환량은 49.6 kg/hr이었다. 따라서, 성능계수는 5.5로 표준냉동사이클에서 냉매 R-22의 성능계수 4.0에 비해 높은 값을 나타내었으며, 목표 건조공기의 온도 30oC 및 상대습도 40%에 도달하는 시간은 6분 및 7분으로 만족할 만한 수준이었다. 건조온도와 곡온과의 온도차이는 건조온도 21.9oC에서는 약 1.5oC, 건조온도 48.7oC에서는 약 8.5oC로서, 건조실에서 상승한 곡온은 템퍼링실에서 충분한 냉각이 이루어지는 것으로 판단되었다. 건조온도 21.9, 30.7 38.8 및 48.7oC에서 건조속도는 0.29, 0.61, 0.85 및 1.25%/hr로 나타나 상용건조기와 유사한 수준이었다. 건조온도 21.9oC에서 소요에너지는 325 kJ/kg, 건조온도 30.7, 38.8 및 48.7oC에서는 667, 692 및 776 kJ/kg로 나타나 외기조건에 따라 건조소요에너지의 차이가 발생했지만, 화석연료를 사용하는 상용 화력건조기의 벼 건조 소요에너지 4,000-5,000 kJ/kg에 비해 평균 86% 절감되는 것으로 나타났다.

The capacity of a pressure fan can be designed based on the air flow resistance of containers packed with fruits and vegetables in a pressure cooling system. This study was conducted to develop an air flow resistance model that was dependent on changes in the air flow rate and the method of stacking containers. The air flow resistance of a container packed with uniformly shaped balls was 1.5 times greater than the sum of the air flow resistance of a vacant container and that of a wire net container packed with only balls. In addition, the air flow resistance increased exponentially as the width of the stacks increased; however, the air flow resistance did not increase greatly as the length and height of the stacks increased, which indicates that the air flow resistance is primarily influenced by the width of the stack in the air flow direction. The air flow resistance in two lines of stacking was up to 17% less than that of the width of the stack. It was also possible to determine the air flow resistance using a function of the air flow resistance through a single container and develop a prediction model. A prediction model of air flow resistance that is dependent on the stacking method and the air flow resistance of a single container was developed.