패류 종자생산(전복) 데이터
- 분야농축수산
- 유형 텍스트 , 이미지
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.1 2023-12-13 데이터 최종 개방 1.0 2023-05-04 데이터 개방 (Beta Version) 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2023-12-22 산출물 전체 공개 소개
○ 전복의 안정적인 인공종자 생산을 위해, 인공지능을 통해 최적의 사육환경과 양식장 관리 등을 분석할 수 있는 통합(이미지+센서)데이터 구축, 빅데이터 기반 수산양식업 생산성 향상을 위한 플랫폼 개발에 사용될 수 있는 AI학습용 데이터의 구축 ○ 전복유생의 개체 및 밀도데이터 추정을 위한 이미지데이터 40,000건, 부착규조류의 개체 및 밀도이미지데이터 30,000건, 치패 성장에 따른 수조내 밀도 변화를 파악하기 위한 밀도이미지 및 치패개체 이미지데이터 50,000장등 총 12만건의 데이터 및 환경 시계열 데이터 120,000 건등의 AI학습용 데이터 수집 및 구축
구축목적
○ 전복 치패생산의 경우, 각 양식장별 특성화에 의해 각기 다른 방식의 노하우로 생산되고 있어 환경변화와 질병 등의 문제가 발생했을 경우 효과적인 대응이 어렵고, 과학적 근거 없는 정보에 의해 불필요한 지출을 발생시키는 문제점이 야기, 기존 전복양식에서 전문기술자에 의해 결정되어 왔던 사항들을 AI를 통해 파악 할 수 있게 된다면, 각 양식환경 요인별 영향을 구체적으로 비교하여 환경변화와 질병 등의 문제가 발생할 경우, 이에 대한 효과적인 대응이 가능
-
메타데이터 구조표 데이터 영역 농축수산 데이터 유형 텍스트 , 이미지 데이터 형식 이미지 데이터 : PNG, JPG / 시계열 데이터 : CSV / 라벨링 데이터 : JSON 데이터 출처 전라남도 해양수산과학원 2개 수조, 어가 8개 수조에서 이미지 및 시계열 데이터 수집 라벨링 유형 바운딩박스(이미지), 폴리곤(이미지) 라벨링 형식 JSON 데이터 활용 서비스 (예시)전복유생 채묘시기 및 채묘량 예측, 치패양식 사료투입시기 결정, 사료투입량 계산, 치패 선별 및 출하시기 예측 데이터 구축년도/
데이터 구축량2022년/이미지 : 120,000 개 / 시계열 : 120,000 개 -
1. 구축 데이터 규모
1. 구축 데이터 규모 구분 구축실적 패류종자생산
(전복)데이터유생 유생 개체 이미지 30,000 장 유생 밀도 이미지 10,000 장 부착규조류 부착규조류 개체 이미지 10,000 장 부착규조류 밀도 이미지 20,000 장 치패 치패 개체 이미지 40,000 장 치패 밀도 이미지 10,000 장 수조 환경 시계열 데이터 120,000 건 2. 구축 데이터 분포
2. 구축 데이터 분포 구분 데이터 항목명 데이터수 비율 부착규조류 개체분포 암포라 4,966 49.66% 코코네이스 5,034 50.34% 이미지 데이터 취득시각 분포 01~06 12,361 10.30% 07~12 9,131 7.61% 13~18 88,580 73.82% 19~24 9,928 8.27% 양식장(수조)분포 wt01 22,090 18.41% wt02 17,910 14.92% wt03 10,601 8.83% wt04 10,650 8.88% wt05 10,623 8.85% wt06 10,593 8.83% wt07 10,631 8.86% wt08 10,637 8.86% wt09 10,549 8.79% wt10 5,716 4.76% 촬영장비분포 현미경 70,000 58.33% 디지털 카메라 50,000 41.67% -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드1. AI모델 구분
학습모델은 학습 이미지의 목적와 탐지 영역의 결과가 폴리곤 형태가 나와야 하는 것에 따라서 3가지 학습모델 구현1. AI모델 구분 학습 모델 구분 학습모델 구현 알고리즘 유생 및 부착규조류 개체 탐지 모델 YOLOv7으로 단일 개체 바운딩박스 학습 유생, 부착 규조류 및 치패 밀도 모델 YOLOv7으로 다중 개체 바운딩박스 학습 치패 개체 탐지 모델 YOLACT으로 단일 개체 폴리곤 학습
2. 학습모델 설계 / 개발ㅇ 선행 연구 내용
· YOLO(You Only Look Once)는 실시간 객체 탐지에 사용되는 알고리즘으로 딥러닝 기법 중에 하나인 합성곱신경망(CNN) 방식의 학습모델로 2016년에 나온 YOLOv1을 시작으로 다양한 구현이 존재.
· 다른 CNN 계열인 R-CNN 알고리즘과 많이 비교되며 R-CNN에 비하여 속도가 빠른 장점을 가짐. R-CNN이 region proposal과 classifiction 의 2단계로 나누어서 수행되는 것에대비하여 단일 단계의 객체 탐지를 수행하면서 빠른 학습 수행 속도 가능.ㅇ 선행 연구 내용
· YOLO(You Only Look Once)는 실시간 객체 탐지에 사용되는 알고리즘으로 딥러닝 기법 중에 하나인 합성곱신경망(CNN) 방식의 학습모델로 2016년에 나온 YOLOv1을 시작으로 다양한 구현이 존재.
· 다른 CNN 계열인 R-CNN 알고리즘과 많이 비교되며 R-CNN에 비하여 속도가 빠른 장점을 가짐. R-CNN이 region proposal과 classifiction 의 2단계로 나누어서 수행되는 것에대비하여 단일 단계의 객체 탐지를 수행하면서 빠른 학습 수행 속도 가능.
< YOLO Unified Detection >
ㅇ 기타 선행연구 확인 사항
· PP-YOLO
- 중국의 Baidu에서 개발한 프레임워크 Paddle-Paddle에서 제공하는 오픈소스 모델
- 학습 결과 큰 객체 탐지 성능은 좋지만 작은 객체 탐지 성능이 떨어지는걸 확인할 수 있음.
- 과제 특성상 작은 객체를 탐지해서 분류해야 하므로 알맞지 않음.
· YOLOX
- 기존 YOLO와는 달리 2개의 head를 통해 Classification과 Localization을 병렬처리
- 학습 속도가 느리고 튜닝의 한계가 명확.
- Anchor Free Detector로 탐지 성능은 좋지만 속도가 느림.
- FCOS(Fully Convolution One-Stage Object Detection)은 우측과 같이 객체가 겹치게 된다면 바운딩 박스의 정확도가 떨어지는 단점이 있음.
- 위와 같은 단점을 해결하기 위한 기법이 여러 가지 있지만 ATSS, PAA, OTA, SimOTA를 고려.
- SimOTA(Simple Opotimal Traansportation Algorithm)사용
<겹치는 바운딩 박스에 대한 포인트 임계치>
- 해당 알고리즘을 사용한 이유는 위의 이미지와 같이 겹치는 부분에 대한 정교한 처리가 가능하므로 전체적인 mAP가 2.3%로 가장 많이 상승했음.
- 기존 YOLO보다 Average Precision 상승 속도가 빠름.
<기존 YOLO head 비교>
- 과대적합이 다른 모델보다 더 짧은 시간에 나타나서 많은 데이터를 구축하는 과제 특성상 맞지 않음.
- 본 과제에 사용된 YOLOv7는 2022년에 발표된 모델으로 PyTorch 프레임웍 기반으로 개발되어서 최근에 사용되는 알고리즘.ㅇ YOLOv7의 특징
· YOLOv5에 비해 높은 정확도와 빠른 속도
· YOLO계열 모델 중 가장 좋은 성능
· Bag-of-freebies 기법을 사용해 기존보다 더 나은 데이터 증강기법(Data Augmentation) 성능을 제공
· 기존 객체 탐지(Object Detection) 모델들과 다르게 CPU로도 실시간 탐지가 가능
· YOLOv7를 사용한 바운딩박스 객체인식은 이미지 유형 중에서 Group1(type01a, type02a) Dataset 이미지 Group2(type01b, type02b, type03b) Dataset 이미지에 대하여 사용함.
· 다른 Layer Network와 달리 input/output 채널 수의 변화를 통해 카디날리티(Cardinality)를 높이고 새로운 기울기 통로(Gradient Transmission Path) 사용ㅇ 수정사항
· 평가 프로세스에 맞게 TP, FP, Confidence등 혼동행렬(Confusion Matrix)에 맞는 평가 지표 출력 프로세스 개발
· IOU(Intersection Over Union) 임계치(Threshold)에 맞춰 mAP 출력하는 프로세스 개발
· 데이터셋 단위, 클래스 단위, 이미지 단위 재현율(recall), 정밀도(precision), mAP 출력 알고리즘 개발
· 클래스별 이미지 수에 따른 연산처리 속도향상을 위해 기준 클래스 배열 최적화 및 재배치
· 단일 클래스, 다중 클래스에 따라서 객체 탐지 증강기법(Augmentation) 최적화
· 학습 파라미터 설정을 위한 논문과의 비례식으로 최적의 파라미터 산출
<논문대비 개발환경 학습 비율 산출식>
· 단일 클래스 = 단일 클래스의 데이터 대비 학습 능력 향상을 위해 Rotate, Flip, Mosaic 등 증강기법(Augmentation) 사용
<단일 클래스 증강기법(Augmentation) 적용 후 학습 과정 Batch Size 8>
· 다중 클래스 = 다중 객체 탐지의 특성을 살리기 위해Mixup, Scaling 등 증강기법(Augmentation) 적용
<다중 클래스 Augmentation 적용 후 학습 과정 Batch Size 8>
ㅇ 학습 이미지와 모델이 예측한 이미지 비교
<(좌)정답 이미지, (우) 모델이 예측한 이미지>
<최적화 튜닝 과정 일부>
ㅇ Model Optimization
<최적화 튜닝 과정 일부>· 기존 논문에서 소개된 모델에서 데이터의 특성에 맞는 형태의 Hyperparameter를 찾기 위해 최적화 튜닝 과정을 거침
1. 모델 학습을 통한 결과 도출
2. 성능 순으로 정렬 후 어느 파라미터가 영향을 많이 주는지 관측 결과 확인
3. 해당 파라미터 튜닝 후 성능 향상 확인
· 모델 학습중 문제 사항
· 과대적합으로 분류 성능이 저하되는 현상 발생
· 향상 전,후 비교
<(좌)Classification Loss 지표 활용 전, (우)Classification Loss 지표 활용 후>
· 작은 객체는 잘 탐지하지 못하는 문제
<작은 객체 탐지 성능향상을 위해 확대, 축소를 적용>
ㅇ YOLACT의 특징
· 이미지 폴리곤 세그먼트 탐지: 물체의 사각형 위치만을 찾는 객체 탐지에 추가로 사물의 경계를 마스크(mask) 또는 세그먼트(segment) 형태로 찾아내는 학습.
· 동일 클래스의 여러 객체가 있을 경우에 모든 객체를 하나의 라벨로 동일하게 처리하는 semantic segmenation 과 각각을 다른 라벨로 구분하는 instance segmentation이 있으며, 일반적으로 instance segmentation을 구현 모델로 제시됨.
· 전통적인 AI 학습으로는 학습이 어렵기 때문에 딥러닝 방식의 학습모델이 필요하며 대표적인 딥러닝 학습 모델은 객체탐지 학습모델인 R-CNN에서 발전한 Mask R-CNN 과 또 다른 객체탐지 학습모델인 YOLO에서 발전한 YOLACT이 있음.
· 본 과제에서 폴리곤 세그먼트 탐지는 YOLACT을 기반으로 구현함.
· Mask R-CNN은 localization을 수행하는 단계(stage)와 segmentation을 수행하는 단계가 분리되어 있는 것에 대하여 YOLACT은 localization 과 segmentation을 프로토타입 마스크 생성과 인스턴스 별 마스크 coefficient 예측을 병렬 작업으로 나누어서 해결하는 방식으로 단일 stage로 처리함.
· YOLACT의 기본 모델인 ResNet-101 백본을 기본으로 구성되어 C1~C5까지 feature map을 구성하고 이것을 다시 Feature Pyramid Network(FPN)을 통해서 P3~P7까지 5개의 feature map을 새롭게 생성
· 병렬 subtask로 인스턴스별 마스크 coefficent 에측을 하는 Prediction Head와 프로토타입 마스크 생성을 하는 Protonet을 수행하고 이후 결과를 조합하여 해당 세그먼트를 잘라내고 임계값을 평가하여 결과 생성3. 서비스 활용 시나리오
전복치패의 성장에 따른 크기,밀도 등의 현황을 파악하여 먹이급이 여부 및 필요로 하는 먹이 급이량을 제시 할 수 있으며, 수조별 적정 밀도를 파악하여 성장일수에 따른 전복치패 선별시기와 크기, 밀도 등의 전문지식을 필요로 하는 양식 최적화가 가능1 유생관리 밀도 파악으로 채묘시기 및 채묘량 예측 유생단계별 변태과정의 이미지 자료를 수집하여 각 단계별 발달현황과 밀도를 파악해 유생 관리에 최적의 밀도 유지 및 발달 단계에 따른 채묘시기와 적정 채묘량에 대한 의사결정에 활용 2 먹이생물군집의 우점종 및 밀도파악, 우점종에 따른 치패성장의 영향 파악, 먹이생물 밀도량 계산을 통해 사료투입시기 결정 각 환경에 따른 부착규조류의 우점종 및 밀도 변화를 비교하여 우점종과 밀도가 치패성장단계에서 미치는 영향을 조사해 적정 우점종을 선택 3 성장일수에 따른 사육현황 파악(크기, 밀도), 적정 성장일수에 따른 사료투입 시기와 사료투입량 계산, 선별 및 출하시기 예측 치패의 성장일수에 따른 크기, 밀도 변화를 축적하여 이미지 촬영을 통해 간편하게 성장단계와 밀도를 파악함으로서 단계에 따른 사료투입시기와 투입량을 결정하며, 적정 선별시기와 출하시기를 예측 -
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드[데이터 포맷]
전체 6종의 이미지 원천 데이터와 라벨 데이터
○ 전복 유생 개체/밀도 데이터
- 원천 데이터(이미지, 형식 : PNG)
- 라벨 데이터(json) :유생 개체와 밀도 모두 바운딩박스○ 전복 부착규조류 개체/밀도 데이터
- 원천 데이터(이미지, 형식 : PNG)
- 라벨 데이터(json) : 부착규조류 개체와 밀도 모두 바운딩박스○ 전복 치패 개체/밀도 데이터
- 원천 데이터(이미지, 형식 : JPEG)
- 라벨 데이터(json) : 치패 개체는 폴리곤, 치패 밀도는 바운딩 박스[데이터 구성 및 어노테이션 포맷]
○ 전복 유생 개체/밀도 데이터
- 원천 데이터
< 유생 개체 이미지 > < 유생 밀도 이미지 > - 데이터 구성 및 어노테이션 포맷
○ 전복 유생 개체/밀도 데이터- 데이터 구성 및 어노테이션 포맷 구분 항목명 타입 필수여부 설명 1 version String Y 버전 2 flags Object N label의 상위 클래스 3 shapes Object N 어노테이션 정보 3-1 shapes[].label String N 라벨 이름 3-2 shapes[].points[] Number N 좌표 정보 3-3 shapes[].group_id Object N 그룹 아이디 3-4 shapes[].shape_type Object N 어노테이션 타입
rectangle, polygon, Null3-5 shapes[].flags Object N label의 상위 클래스 4 imagePath String Y 이미지 이름 5 imageData Object N 이미지 해시 값 6 imageHeight Number Y 이미지 세로 길이 7 imageWidth Number Y 이미지 가로 길이 8 file_attributes Object N 파일 메타 정보 8-1 fileVersion String N 파일명 체계 버전 8-2 waterTankId String N 수조 ID 8-3 collectedDate Number N 이미지 수집 날짜 8-4 collectedTime String N 이미지 수집 시간 8-5 magnification Object N 이미지 배율 8-6 type String N 촬영 이미지 유형 8-7 step String N 개체 발달 단계 8-8 state String N 정상 여부 8-9 round String N 촬영 회차 8-10 device Number N 촬영 기기 - 라벨 데이터
{
"version": "4.5.9",
"flags": {},
"shapes": [
{
"label": "egg_fert_nor_bb",
"points": [
[
1275.521686832813,
927.4129811403144
],
[
1702.7299308902936,
509.9493829620341
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
}
],
"imagePath": "v001_45_type01a_wt01_220615_16_100_01_01_001.png",
"imageData": null,
"imageHeight": 1922,
"imageWidth": 2560,
"file_attributes": {
"fileVersion": "v001_45",
"waterTankId": "wt01",
"collectedDate": 220615,
"collectedTime": "16",
"magnification": 100,
"type": "type01a",
"step": "egg_fert",
"state": "normal",
"round": "001",
"device": 1
}
}
○ 전복 부착규조류 개체/밀도 데이터
- 원천 데이터
< 부착규조류 개체 이미지 > < 부착규조류 밀도 이미지 >
- 데이터 구성 및 어노테이션 포맷○ 전복 부착규조류 개체/밀도 데이터- 데이터 구성 및 어노테이션 포맷 구분 항목명 타입 필수여부 설명 1 version String Y 버전 2 flags Object N label의 상위 클래스 3 shapes Object N 어노테이션 정보 3-1 shapes[].label String N 라벨 이름 3-2 shapes[].points[] Number N 좌표 정보 3-3 shapes[].group_id Object N 그룹 아이디 3-4 shapes[].shape_type Object N 어노테이션 타입 rectangle, polygon, Null 3-5 shapes[].flags Object N label의 상위 클래스 4 imagePath String Y 이미지 이름 5 imageData Object N 이미지 해시 값 6 imageHeight Number Y 이미지 세로 길이 7 imageWidth Number Y 이미지 가로 길이 8 file_attributes Object N 파일 메타 정보 8-1 fileVersion String N 파일명 체계 버전 8-2 waterTankId String N 수조 ID 8-3 collectedDate Date N 이미지 수집 날짜 8-4 collectedTime String N 이미지 수집 시간 8-5 magnification Object N 이미지 배율 8-6 type String N 촬영 이미지 유형 8-7 planktons.types[] String N 규조류 종류 8-8 position String N 수조 내 샘플 채집 위치 8-9 round String N 촬영 회차 8-10 device Number N 촬영 기기
- 라벨 데이터
{
"version": "4.5.9",
"flags": {},
"shapes": [
{
"label": "pnk_amph_bb",
"points": [
[
765,
529
],
[
835,
671
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
}
],
"imagePath": "v001_45_type02a_wt03_220410_13_200_000001_01_001.png",
"imageData": null,
"imageHeight": 1200,
"imageWidth": 1600,
"file_attributes": {
"fileVersion": "v001_45",
"waterTankId": "wt03",
"collectedDate": 220410,
"collectedTime": "13",
"magnification": 200,
"type": "type02a",
"planktons": {
"types": [
"pnk_amph_bb"
]
},
"position": "top",
"round": "001",
"device": 1
}
}○ 전복 치패 개체/밀도 데이터
- 원천 데이터
< 치패 개체 이미지 > < 치패 밀도 이미지 >
- 데이터 구성 및 어노테이션 포맷○ 전복 치패 개체/밀도 데이터- 데이터 구성 및 어노테이션 포맷 구분 항목명 타입 필수여부 설명 1 version String Y 버전 2 flags Object N label의 상위 클래스 3 shapes Object N 어노테이션 정보 3-1 shapes[].label String N 라벨 이름 3-2 shapes[].points[] Number N 좌표 정보 3-3 shapes[].group_id Object N 그룹 아이디 3-4 shapes[].shape_type Object N 어노테이션 타입
rectangle, polygon, Null3-5 shapes[].flags Object N label의 상위 클래스 4 imagePath String Y 이미지 이름 5 imageData Object N 이미지 해시 값 6 imageHeight Number Y 이미지 세로 길이 7 imageWidth Number Y 이미지 가로 길이 8 file_attributes Object N 파일 메타 정보 8-1 fileVersion String N 파일명 체계 버전 8-2 waterTankId String N 수조 ID 8-3 collectedDate Date N 이미지 수집 날짜 8-4 collectedTime String N 이미지 수집 시간 8-5 magnification Object N 이미지 배율 8-6 type String N 촬영 이미지 유형 8-7 length Object N 치패 개체 길이 8-8 place String N 파판 / 쉘터 구분 8-9 position String N 수조 내 샘플 위치 8-10 round String N 촬영 회차 8-11 device Number N 촬영 기기
- 치패 개체 라벨 데이터
{
"version": "4.5.9",
"flags": {},
"shapes": [
{
"label": "baby_poly",
"points": [
[
2701.919618362029,
1801.5463615578178
],
……………,
[
2663.824381402117,
1830.0776098106573
]
],
"group_id": null,
"shape_type": "polygon",
"flags": {}
}
],
"imagePath": "v001_45_type03a_wt03_220801_14_xxx_02_01_001.jpg",
"imageData": null,
"imageHeight": 4000,
"imageWidth": 6000,
"file_attributes": {
"fileVersion": "v001_45",
"waterTankId": "wt03",
"collectedDate": 220801,
"collectedTime": "14",
"magnification": null,
"type": "type03a",
"length": null,
"place": "shelter",
"position": "top",
"round": "001",
"device": 2
}
}- 치패 밀도라벨 데이터
{
"version": "4.5.9",
"flags": {},
"shapes": [
{
"label": "baby_dens_bb",
"points": [
[
4875.647752659392,
416.67002061902355
],
[
5131.860377244109,
127.5005854030767
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "baby_dens_bb",
"points": [
[
4844.817187875338,
732.4175289246715
],
[
5244.551407144441,
412.4175289246714
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "baby_dens_bb",
"points": [
[
3939.634558895755,
401.2522060773124
],
[
4263.243581452146,
34.334912844229606
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "baby_dens_bb",
"points": [
[
1581.7398220536497,
377.1920557013725
],
[
1800.6871904747024,
71.62814592693636
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "baby_dens_bb",
"points": [
[
4933.086320167066,
3258.726394378567
],
[
5214.298441379187,
2951.193926846099
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "baby_dens_bb",
"points": [
[
4834.7313418120875,
3756.0424116945846
],
[
5201.830908911655,
3487.297822949996
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
}
],
"imagePath": "v001_45_type03b_wt03_220801_14_xxx_02_03_001.jpg",
"imageData": null,
"imageHeight": 4000,
"imageWidth": 6000,
"file_attributes": {
"fileVersion": "v001_45",
"waterTankId": "wt03",
"collectedDate": 220801,
"collectedTime": "14",
"magnification": null,
"type": "type03b",
"length": null,
"place": "shelter",
"position": "bottom",
"round": "001",
"device": 2
}
}[실제예시]
[실제예시] 원본 JSON파일 
{ "version": "4.5.9",
"flags": {},
"shapes": [
{
"label": "egg_fert_nor_bb",
"points": [
[
228.59911101900678,
1673.7163019527484
],
[
761.3263578822362,
1136.4153451441432
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "egg_fert_nor_bb",
"points": [
[
1102.63163580265,
1744.395257341299
],
[
1622.0730010773373,
1231.947495505259
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
}
],
"imagePath": "v001_45_type01a_wt01_220913_05_100_01_01_220.png",
"imageData": null,
"imageHeight": 1922,
"imageWidth": 2560,
"file_attributes": {
"fileVersion": "v001_45",
"waterTankId": "wt01",
"collectedDate": 220913,
"collectedTime": "05",
"magnification": 100,
"type": "type01a",
"step": "egg_fert",
"state": "normal",
"round": "220",
"device": 1
}
}
{ "version": "4.5.9",
"flags": {},
"shapes": [
{
"label": "egg_troc_nor_bb",
"points": [
[
916.435518443375,
801.1650126073055
],
[
1301.9273812440829,
426.2308546544782
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
}
],
"imagePath": "v001_45_type01a_wt01_220616_06_100_02_01_150.png",
"imageData": null,
"imageHeight": 1922,
"imageWidth": 2560,
"file_attributes": {
"fileVersion": "v001_45",
"waterTankId": "wt01",
"collectedDate": 220616,
"collectedTime": "06",
"magnification": 100,
"type": "type01a",
"step": "egg_troc",
"state": "normal",
"round": "150",
"device": 1
}
}{ "version": "4.5.9",
"flags": {},
"shapes": [
{
"label": "egg_veli_nor_bb",
"points": [
[
914.5539895055299,
1157.1272810092792
],
[
1519.2408407858989,
433.26403024350554
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
}
],
"imagePath": "v001_45_type01a_wt02_220611_05_100_03_01_450.png",
"imageData": null,
"imageHeight": 1922,
"imageWidth": 2560,
"file_attributes": {
"fileVersion": "v001_45",
"waterTankId": "wt02",
"collectedDate": 220611,
"collectedTime": "05",
"magnification": 100,
"type": "type01a",
"step": "egg_fveli",
"state": "normal",
"round": "450",
"device": 1
}
}{ "version": "4.5.9",
"flags": {},
"shapes": [
{
"label": "egg_stra_nor_bb",
"points": [
[
1188.3584788412293,
1138.9054708132142
],
[
1752.1537501674502,
605.9339048957233
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
}
],
"imagePath": "v001_45_type01a_wt01_220617_10_100_04_01_018.png",
"imageData": null,
"imageHeight": 1922,
"imageWidth": 2560,
"file_attributes": {
"fileVersion": "v001_45",
"waterTankId": "wt01",
"collectedDate": 220617,
"collectedTime": "10",
"magnification": 100,
"type": "type01a",
"step": "egg_stra",
"state": "normal",
"round": "018",
"device": 1
}
}{ "version": "4.5.9",
"flags": {},
"shapes": [
{
"label": "egg_dens_bb",
"points": [
[
153.69174782597236,
526.5529195281581
],
[
361.9536126576378,
747.231285049368
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "egg_dens_bb",
"points": [
[
157.99789653033565,
1273.2568064652703
],
[
369.1259851099916,
1472.1171434609987
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
}
],
"imagePath": "v001_45_type01b_wt01_221015_11_100_99_99_166.png",
"imageData": null,
"imageHeight": 1586,
"imageWidth": 1561,
"file_attributes": {
"fileVersion": "v001_45",
"waterTankId": "wt01",
"collectedDate": 221015,
"collectedTime": "11",
"magnification": 100,
"type": "type01b",
"step": "dens",
"state": "dens",
"round": "166",
"device": 1
}
}{ "version": "4.5.9",
"flags": {},
"shapes": [
{
"label": "pnk_amph_bb",
"points": [
[
716,
545
],
[
884,
655
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
}
],
"imagePath": "v001_45_type02a_wt08_220503_13_200_000001_01_004.png",
"imageData": null,
"imageHeight": 1200,
"imageWidth": 1600,
"file_attributes": {
"fileVersion": "v001_45",
"waterTankId": "wt08",
"collectedDate": 220503,
"collectedTime": "13",
"magnification": 200,
"type": "type02a",
"planktons": {
"types": [
"pnk_amph_bb"
]
},
"position": "top",
"round": "004",
"device": 1
}
}{ "version": "4.5.9",
"flags": {},
"shapes": [
{
"label": "pnk_dens_bb",
"points": [
[
779.8057685043123,
689.0322127938327
],
[
822.8475573870285,
725.900619934579
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "pnk_dens_bb",
"points": [
[
599.6840434661849,
294.4410246665278
],
[
635.9278018960697,
331.65477772419706
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "pnk_dens_bb",
"points": [
[
793.7189321571652,
86.93291298103782
],
[
834.9562438558503,
115.71828518755024
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "pnk_dens_bb",
"points": [
[
15.896347863405254,
322.55540368004006
],
[
74.03306291502315,
355.4655442106812
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
}
],
"imagePath": "v001_45_type02b_wt09_220416_13_200_99_01_018.png",
"imageData": null,
"imageHeight": 902,
"imageWidth": 898,
"file_attributes": {
"fileVersion": "v001_45",
"waterTankId": "wt09",
"collectedDate": 220416,
"collectedTime": "13",
"magnification": 200,
"type": "type02b",
"planktons": {
"types": [
"pnk_dens_bb"
]
},
"position": "top",
"round": "018",
"device": 1
}
}{ "version": "4.5.9",
"flags": {},
"shapes": [
{
"label": "baby_poly",
"points": [
[
3690.122448979592,
3280.4238618524323
],
[
3661.551020408163,
3284.709576138147
],
[
3650.122448979592,
3281.852433281004
],
[
3631.551020408163,
3274.709576138147
],
[
3638.6938775510203,
3261.852433281004
],
[
3639.069817400644,
3249.1183252837386
],
[
3625.563323894151,
3251.196247361661
],
[
3611.551020408163,
3263.2810047095754
],
[
3598.6938775510203,
3256.138147566718
],
[
3582.9795918367345,
3237.5667189952896
],
[
3577.7711161019433,
3224.1832603486737
],
[
3569.4594277902547,
3214.8326109980244
],
[
3561.147739478566,
3202.365078530492
],
[
3555.952934283761,
3181.5858577512713
],
[
3547.641245972073,
3161.8455980110116
],
[
3547.641245972073,
3145.222221387635
],
[
3542.4464407772675,
3120.28715645257
],
[
3539.3295576603846,
3100.54689671231
],
[
3534.1347524655794,
3082.8845590499727
],
[
3534.1347524655794,
3073.533909699323
],
[
3529.9789083097353,
3050.67676684218
],
[
3525.823064153891,
3036.131312296726
],
[
3522.7061810370083,
3016.3910525564656
],
[
3524.78410311493,
2999.7676759330893
],
[
3522.7061810370083,
2981.0663772317907
],
[
3523.745142075969,
2955.092351257765
],
[
3525.823064153891,
2945.741701907116
],
[
3526.862025192852,
2928.079364244778
],
[
3531.017869348696,
2908.3391045045178
],
[
3537.2516355824623,
2893.7936499590637
],
[
3546.6022849331116,
2873.014429179843
],
[
3556.9918953227225,
2854.313130478544
],
[
3568.420466751294,
2836.6507928162064
],
[
3588.1607264915533,
2820.0274161928296
],
[
3596.472414803242,
2812.7546889201026
],
[
3608.939947270774,
2806.5209226863362
],
[
3615.1737135045405,
2799.2481954136088
],
[
3626.6022849331116,
2796.131312296726
],
[
3641.1477394785666,
2796.131312296726
],
[
3657.7711161019433,
2790.9365071019206
],
[
3671.2776096084367,
2789.8975460629595
],
[
3682.7061810370083,
2788.858585023999
],
[
3701.407479738307,
2788.858585023999
],
[
3723.2256615564884,
2793.0144291798424
],
[
3742.965921296748,
2800.28715645257
],
[
3759.589297920125,
2807.5598837252974
],
[
3775.1737135045405,
2820.0274161928296
],
[
3789.7191680499955,
2833.5339096993234
],
[
3803.2256615564884,
2846.0014421668557
],
[
3814.6542329850595,
2862.624818790232
],
[
3827.1217654525926,
2879.2481954136088
],
[
3839.589297920125,
2902.105338270752
],
[
3843.745142075969,
2920.8066369720505
],
[
3848.939947270774,
2942.624818790232
],
[
3855.1737135045405,
2961.3261174915306
],
[
3858.290596621424,
2976.9105330759467
],
[
3862.4464407772675,
3001.8455980110116
],
[
3861.407479738307,
3024.7027408681543
],
[
3861.407479738307,
3046.5209226863362
],
[
3859.3295576603846,
3068.3391045045178
],
[
3856.2126745435016,
3088.079364244778
],
[
3852.0568303876576,
3109.8975460629595
],
[
3846.8620251928523,
3129.637805803219
],
[
3842.7061810370083,
3150.41702658244
],
[
3836.472414803242,
3166.0014421668557
],
[
3828.1607264915533,
3184.7027408681543
],
[
3820.8879992188263,
3205.481961647375
],
[
3807.3815057123325,
3217.949494114908
],
[
3796.9918953227225,
3233.533909699323
],
[
3784.52436285519,
3247.0404032058163
],
[
3768.939947270774,
3259.5079356733495
],
[
3754.3944927253197,
3266.7806629460765
],
[
3744.0048823357097,
3273.014429179843
],
[
3730.498388829216,
3278.209234374648
],
[
3711.797090127917,
3280.28715645257
]
],
"group_id": null,
"shape_type": "polygon",
"flags": {}
}
],
"imagePath": "v001_45_type03a_wt08_220916_15_xxx_02_02_076.jpg",
"imageData": null,
"imageHeight": 4000,
"imageWidth": 6000,
"file_attributes": {
"fileVersion": "v001_45",
"waterTankId": "wt08",
"collectedDate": 220916,
"collectedTime": "15",
"magnification": null,
"type": "type03a",
"length": null,
"place": "shelter",
"position": "center",
"round": "076",
"device": 2
}
}{ "version": "4.5.9",
"flags": {},
"shapes": [
{
"label": "baby_dens_bb",
"points": [
[
2668.3265306122457,
1969.9591836734694
],
[
2856.3265306122457,
1781.9591836734696
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "baby_dens_bb",
"points": [
[
3802.8571428571427,
1706.2857142857147
],
[
4134.857142857143,
1454.2857142857144
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "baby_dens_bb",
"points": [
[
3215.428571428572,
2579.9999999999995
],
[
3598.571428571429,
2188.571428571428
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
}
],
"imagePath": "v001_45_type03b_wt10_220814_15_xxx_02_02_002.jpg",
"imageData": null,
"imageHeight": 4000,
"imageWidth": 6000,
"file_attributes": {
"fileVersion": "v001_45",
"waterTankId": "wt10",
"collectedDate": 220814,
"collectedTime": "15",
"magnification": null,
"type": "type03b",
"length": null,
"place": "shelter",
"position": "center",
"round": "002",
"device": 2
}
} -
데이터셋 구축 담당자
수행기관(주관) : 원투씨엠 주식회사
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 김치권 070-7018-9433 [email protected] AI모델 설계 및 구현 수행기관(참여)
수행기관(참여) 기관명 담당업무 전라남도 해양수산과학원 데이터 수집환경 구성 및 데이터 수집관리 사단법인 미래농업포럼 수집 데이터 정제, 가공 및 검수, 경진대회 및 홍보활동 전주정보문화산업진흥원 구축데이터 품질관리 및 TTA대응 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 김치권 070-7018-9433 [email protected]
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 [email protected] 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.