2.1 BLE 기반 스마트 축사 복합환경 멀티센싱

본 연구를 위해 축사 내부의 온도, 습도, 조명을 측정할 수 있는 센서를 포함한 BLE 장치를 개발하였다. 그림 3은 BLE 기반의 멀티센싱 모니터링 시스템 블록도 이다. BLE 장치에서 얻은 데이터는 블루투스 통신을 통해 BLE 비콘 임베디드 시스템으로 전송된다. MQTT는 경량 프로토콜로써, 주로 IoT 장치간에 효율적인 메시지를 교환하는데 사용한다⁽¹⁰⁾. MQTT 브로커(Broker) 역할을 하는 모니터링 서버 컴퓨터는 BLE 비콘 임베디드 시스템에서 전송한 각 BLE 장치의 센서값을 클라이언트 컴퓨터의 구독 정보에 맞게 발행하게 된다. 클라이언트 컴퓨터에서 MQTT 구독을 통해 받은 센서값은 토픽을 통해 구분하여 스마트 축사 모니터링 소프트웨어에서 문자와 그래프로 보여진다.

2.2 BLE 기반 실내 위치 측위 기술을 이용한 가축 개체별 생체 정보 측정

그림 4는 가축 개체별 위치 인식과 체온 측정을 위한 시스템 블록도 이다. CMOS 카메라로 축사를 촬영하고 딥러닝 기반 객체 인식 알고리즘인 YOLOv5를 활용해 가축의 위치를 인식하여 얻은 위치 정보와 특정 개체에 장착된 BLE 장치를 이용해 얻은 위치 정보를 비교하여 가축 개체별 실내 위치를 판단한다. BLE 비콘을 이용해 측정된 개체의 실내 위치 좌표가 YOLOv5 개체 인식 알고리즘에서의 ROI 영역과 일치하면, CMOS 카메라로 촬영된 영상의 필셀 좌표와 일치하는 열화상 카메라로 촬영된 영상의 픽셀 좌표를 통해 특정 개체의 체온을 측정할 수 있다.

스마트 축사 내부에서 사육 중인 가축의 개체별 위치 인식을 위해 개체별로 BLE 장치를 부착한다. BLE 비콘을 통해 BLE 장치를 부착한 가축의 위치 정보를 수집하고 이를 서버 컴퓨터로 전송한다. 실내 측위 알고리즘을 이용해 해당 가축의 실내 위치를 판단한 후 데이터베이스에 기록한다. 동시에 축사 내에 설치되어 있는 카메라로부터 촬영된 영상을 이용해 그림 5와 같이 객체인식 알고리즘을 사용하여 가축 객체를 식별한다. BLE 비콘을 통한 위치 정보와 카메라를 통해 확인된 위치를 통합하여 특정 개체의 정확한 위치를 파악한다.

3.1 실내 측위 알고리즘

실내 측위 시스템에서 데이터의 처리 방법은 삼변측량(Trilateration)을 이용한 방식, 핑거프린팅(Fingerprinting) 방식, 근접법 등이 있다⁽¹⁵⁾. 근접법은 무선 통신 장치가 수신한 RSSI값을 측정하고, RSSI값이 높을수록 장치 간의 거리가 가깝고 정확도가 높다고 판단한다. 핑거프린팅 방식은 트레이닝 단계와 추정 단계로 작동한다. 트레이닝 단계에서는 측위할 지역을 여러 개의 셀로 분할한다. 셀의 크기는 주로 환경의 특성과 요구사항에 따라 설정되며, 셀로 나누는 이유는 정밀한 위치 추정을 가능하게 하기 위함이다. 각 셀 내에는 BLE 비콘의 신호강도(RSSI)를 측정하고 이 값을 저장한다. 더 정확한 위치 정보를 얻기 위해 각 셀에서 수집한 RSSI값 중에서 대표적인 값을 선택하여 데이터베이스를 구축한다. 추정 단계에서는 장치가 위치한 장소에서 주변 BLE 비콘의 RSSI값을 측정하고, 이 값을 이전에 구축한 데이터베이스의 대표 RSSI값과 비교하여 정확한 위치를 추정한다. 이러한 방식으로 환경적인 요소로 인한 영향을 사전에 설정된 정보를 통해 보상하고, 정확도를 향상시킬 수 있다. 하지만 데이터 수집과 데이터베이스 구축에 많은 시간과 노력이 필요하며, 비콘 재배치와 환경 변화에 따라 정확도를 유지하기 위해서는 주기적인 업데이트가 필요하고 비콘의 배치밀도가 낮으면 정확도가 저하될 수 있다.

그림 7은 3개 이상의 기준점 좌표를 활용하여 위치를 측정하는 삼변측량법을 설명하기 위한 그림이다.

BLE 기반 삼변측량법은 BLE와 각 Beacon과의 RSSI값을 거리로 변환한 후 이를 바탕으로 (3)을 활용하여 BLE의 위치 좌표 $(x,\: y)$를 구할 수 있다.

(3)의 방정식을 단순화하기 위해 원 $Beacon_{1}$의 중심 $(x_{1,\:}y_{1})$를 원점으로 선택하면 BLE의 위치$(x,\: y)$는 (4)와 같다.

3.2 적응형 삼변측량법을 이용한 위치 인식 알고리즘

실내 위치 인식을 위하여 기존 삼변측량법 적용 시 주변 환경의 변화, 다중 경로 간섭, 장애물 등으로 인한 신호 강도의 불안정성과 이로 인한 현실적인 환경에서의 거리와 RSSI 간의 불일치가 발생하여 정확한 위치 인식 결과를 얻을 수 없는 상황이 발생한다. 기존 삼변측량법은 3개 이상의 기준점 좌표를 활용하여 위치를 측정하는 알고리즘으로 삼변측량을 위해 사용되는 RSSI값은 모두 신뢰할 수 있는 값이여야한다. 하지만 스마트 축사 내의 가축 개체별 위치를 인식하기 위해 해당 개체에 BLE 장치를 부착한 경우 다른 개체에 의한 통신 음영이나 해당 개체의 다양한 움직임 등으로 인한 노이즈로 인해 신뢰할 수 없는 RSSI값을 포함하게 된다. 이와 같은 이유로 삼변측량법으로 개체의 위치를 인식하지 못하게 되거나 위치 인식 정확도가 현저히 낮아질 수 있다. 이를 극복하기 위해 본 논문에서는 스마트 축사 내의 가축 개체별 위치 인식 정확도를 높이기 위한 새로운 스마트 축사 적응형 삼변측량 알고리즘을 개발하였다.

적응형 삼변측량 알고리즘은 그림 8과 같이 기존 삼변 측량법을 적용하기 위해 사용된 3개의 RSSI값 중 신뢰할 수 없는 RSSI값이 존재할 때 위치 인식 정확도를 높일 수 있는 방법이다. 신호강도가 가장 큰 Beacon 3개를 선정한 다음 (2)를 사용하여 각 비콘의 거리 $d_{1}$, $d_{2}$, $d_{3}$ 를 구하고 (3)의 방정식을 수립한다. (3)의 방정식을 (5)와 같은 함수로 변환 후 (6)을 이용하여 두 원의 교점을 지나는 직선과 교점 $\lambda_{n}$을 구할 수 있다.

교점$\lambda_{n}$의 개수가 1개 이상인 경우 각 교점과 $Beacon_{3}$와의 거리 $\overline{\lambda_{n}Beacon_{3}}$를 구한 후, 판단식 (7)의 조건을 만족하는 교점의 개수 $\delta$을 구한다. $\lambda_{n}$의 개수와 $\delta$에 따라 적응형 삼변측량법 적용 조건을 판단한다.

$\delta$의 값이 1인 경우 기존 삼변측량법을 적용하고, $\delta$의 값이 1이 아닌 경우 패턴 $\phi_{1}$와 패턴 $\phi_{2}$로 구분하여 각 패턴에 맞는 알고리즘을 적용하여 BLE 위치를 판단한다. 교점$\lambda_{n}$의 개수가 2개이고 $\delta$의 값이 2인 경우를 패턴 $\phi_{1}$라고 정의한다. 그림 8은 패턴 $\phi_{1}$인 경우 중 하나를 나타낸다.

교점$\lambda_{n}$의 개수가 2개이고 $\delta$의 값이 0인 경우를 패턴 $\phi_{2}$ 라고 정의한다. 그림 9는 패턴 $\phi_{2}$인 경우 중 하나를 나타낸다.

그림 10은 패턴 $\phi_{1}$과 패턴 $\phi_{2}$의 경우 BLE 위치를 판단하는 방법이다. 패턴 $\phi_{1}$, $\phi_{2}$는 삼변측량법을 적용하기 위해 사용된 3개의 RSSI값 중 1개의 RSSI값의 신뢰성이 의심되는 경우이다. 그림 8과 그림 9에서의 $Beacon_{3}$이 수신받은 RSSI값은 신뢰성이 의심되는 값으로 판단된다. 따라서 그림 8과 그림 9의 $Beacon_{3}$을 알고리즘 적용 대상에서 제외한 다음 그림 10과 같이 두 원 $Beacon_{1}$과 $Beacon_{2}$을 정의한다.

그림 10에서 점$P(x_{P},\:y_{P})$는 두 원 $Beacon_{1}$과 $Beacon_{2}$의 중심점을 지나는 직선 위의 한 점이다. (8)을 사용하여 점$P$의 좌표를 계산하고 BLE의 위치로 판단한다.

(6)을 이용하여 구한 교점$\lambda_{n}$의 개수가 0인 경우는 신호 강도가 약한 두 개의 비콘이 수신받은 RSSI값의 신뢰성이 의심되는 경우이며 이를 패턴 $\phi_{3}$라 한다. 그림 11은 패턴 $\phi_{3}$일 경우 BLE 위치를 판단하는 방법을 보여준다.

그림 11에서 (8)을 사용하여 계산된 $P$와 원 $Beacon_{1}$ 의 중심점을 지나가는 직선의 방정식은 (9)과 같다. 두 방정식 (9)과 (10)를 이용하여 구한 두 개의 교점 중 $P$와의 거리가 가장 가까운 점 $B\le(x_{b\le},\: y_{b\le})$를 BLE의 실제 위치로 판단한다.

적응형 삼변측량법은 기존 삼변측량법에서 발생하는 외부 간섭으로 인한 불안정한 위치 인식 정확도를 효과적으로 극복할 수 있다. 기존의 위치 측정 방법들은 주로 복잡한 알고리즘과 사전설정이 필요하다. 하지만 적응형 삼변측량법은 신뢰성 있는 RSSI값을 효과적으로 활용하여 비교적 간단한 알고리즘을 통해 위치 인식의 불안정성을 최소화하였다. 이는 실시간 위치 추적의 측면에서 높은 효율성을 보인다.