MyoVision: A Mobile Research Tool and NEATBoost-Attention Ensemble Framework for Real Time Chicken Breast Myopathy Detection

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 닭 가슴살의 구조적 근병증인 **목질성 유방 (Woody Breast, WB)**과 **스파게티 미트 (Spaghetti Meat, SM)**는 육질, 보수성 저하 및 경제적 손실을 초래합니다.
• 현재 한계:
  • 기존 검출 방법은 주관적인 수동 촉진 (Palpation) 이나 시각적 검사에 의존하여 재현성이 낮고 운영자 피로도가 높습니다.
  • 자동화 시스템은 고가의 실험실 등급 장비 (초분광 이미징, 근적외선 분광법 등) 에 의존하여 확장성과 현장 적용성이 제한적입니다.
  • 기존 연구들은 대부분 표면 증상 위주이거나, 이진 분류 (정상/비정상) 에 그쳤으며, 소비자용 스마트폰을 활용한 3 클래스 (정상, WB, SM) 분류 및 연구용 데이터 수집 플랫폼은 부재했습니다.
• 목표: 저비용, 비파괴적인 소비자용 스마트폰을 사용하여 닭 가슴살의 내부 조직 이상을 실시간으로 탐지하고 분류하는 통합 프레임워크 개발.

2. 제안된 방법론 (Methodology)

가. MyoVision 데이터 수집 프레임워크

• 하드웨어: iOS 기반 스마트폰 (Apple Metal GPU 활용).
• 이미징 방식: 투과 조명 (Transillumination) 기법 사용. 백라이트를 통해 조직을 통과한 빛의 2 차원 공간 통합 감쇠 패턴을 포착하여 조직 밀도, 섬유화 경화, 유체 재분포 등의 내부 구조적 변이를 분석합니다.
• 데이터 획득:
  • RAW 이미지: 14-bit RAW (DNG) 형식 (4032x3024) 으로 촬영하여 계산 사진학 파이프라인을 우회하고 방사 측정 무결성을 유지.
  • 3D 깊이 정보: LiDAR(후면) 및 TrueDepth(전면) 를 활용한 점군 (Point Cloud) 수집 및 메쉬 재구성.
  • 메타데이터: 120 개 이상의 필드 (광학 파라미터, IMU 데이터 등) 를 포함하는 JSON 사이드카 파일 생성.
• 연구 도구: 서버 - 클라이언트 아키텍처를 통해 메시 재구성, 자동 분할 (SAM 기반), ChatGPT 기반 분석 지원 등을 제공합니다.

나. 특징 추출 (Feature Extraction)

• RAW 이미지를 회색조로 변환 후 16 개의 수동 제작 (Handcrafted) 구조적 기술자를 추출합니다.
  • 공간적 기술자: 기울기 크기 통계 (평균, 표준편차), 국부 강도 분산, 에지 밀도, 방향성 기울기 히스토그램.
  • 주파수 영역 기술자: 다중 방향 (0°, 45°, 90°, 135°) 가보 (Gabor) 필터를 이용한 근육 섬유 정렬 분석.
  • 형태학적 기술자: 밀집 조직 영역의 상대적 면적 계산.

다. NEATBoost-Attention 앙상블 모델

• 핵심 아이디어: 작은 이질적인 테이블 데이터셋에 대해 수동 튜닝 없이 최적의 하이퍼파라미터와 아키텍처를 자동으로 탐색하기 위해 **NEAT (NeuroEvolution of Augmenting Topologies)**를 적용한 앙상블 학습.
• 모델 구성:
  1. LightGBM: 그래디언트 부스팅 결정 트리 모델.
  2. Attention-MLP: 특징별 주의를 재가중하는 어텐션 기반 다층 퍼셉트론.
• NEAT 최적화 과정:
  • NEAT 알고리즘이 두 모델의 하이퍼파라미터 (예: 트리 깊이, 학습률, 드롭아웃 비율 등) 를 진화적 탐색 (Speciation, Mutation, Crossover) 을 통해 자동 생성.
  • 적합도 (Fitness) 는 K-폴드 교차 검증 기반의 가중 F1 점수로 평가.
• 결합 전략: 최적화된 두 모델의 예측 확률을 **가중 확률 융합 (Weighted Probability Fusion)**하여 최종 분류 수행. 가중치는 Nelder-Mead 심플렉스 최적화를 통해 결정됨.

3. 주요 기여 (Key Contributions)

1. 스마트폰 투과 조명 이미징 프레임워크: 특수 광학 하드웨어 없이 2 차원 공간 통합 감쇠 패턴을 포착하여 내부 근병증을 평가할 수 있는 저비용 솔루션 제시.
2. NEAT 기반 앙상블 (NEATBoost-Attention): 소규모 이질적 데이터셋에서 수동 튜닝 없이 네트워크 토폴로지와 하이퍼파라미터를 동시에 진화시켜 최적의 모델 조합을 자동으로 발견하는 새로운 분류 프레임워크 제안.
3. 통합 모바일 연구 플랫폼 (MyoVision): RAW 이미징, LiDAR 3D 수집, 메쉬 재구성, 자동 분할, AI 보조 분석을 통합한 표준화된 멀티모달 RGB-D 데이터 수집 및 분석 플랫폼 구축.

4. 실험 결과 (Results)

• 데이터셋: 상업적 가공 시설에서 수집된 336 개의 필레 (정상 63, WB 135, SM 52 등).
• 성능 지표 (테스트 세트, n=51):
  • 정확도 (Accuracy): 82.4%
  • 가중 F1 점수 (Weighted F1): 0.83
• 비교 분석:
  • 기존 LightGBM, AttentionMLP, TabularCNN, LightTransformer 등 단일 모델 및 다른 베이스라인 모델보다 우수한 성능을 보임 (F1 점수 기준 약 4~7% 향상).
  • 수천 배 더 비싼 초분광 이미징 시스템 (Hyperspectral Imaging) 의 성능 (약 76.1%) 을 능가하거나 유사한 수준을 달성.
• 세부 분석:
  • Woody Breast: 조직 밀도와 경도로 인한 명확한 구조적 서명 덕분에 가장 높은 재현율 (Recall) 을 보임.
  • Spaghetti Meat: 정상 및 WB 와의 특징 공간 중첩으로 인해 가장 분류가 어려웠으나 (약 70% 재현율), 제안된 앙상블 모델이 비선형 상호작용을 포착하여 성능을 개선했음.

5. 의의 및 결론 (Significance & Conclusion)

• 기술적 의의: 고가의 전문 장비 없이도 소비자용 스마트폰으로 내부 조직의 미세한 구조적 이상을 탐지할 수 있음을 입증했습니다.
• 실용적 가치: MyoVision 플랫폼은 닭고기 품질 평가에 대한 확장 가능하고 재현성 있는 데이터 수집 파이프라인을 제공하며, 향후 백색 줄무늬 (White Striping), 타박상, 피부색 평가 등으로 확장 가능합니다.
• 향후 과제: 스파게티 미트 분류 성능 향상을 위해 LiDAR 기반의 3D 기하학적 기술자와 초분광 정보 등 멀티모달 데이터 통합 및 다양한 시설에서의 대규모 데이터 수집이 필요함.

이 연구는 저비용 모바일 센싱과 **진화적 신경망 최적화 (Neuroevolution)**를 결합하여 식품 품질 검사 분야의 접근성을 혁신적으로 높였다는 점에서 중요한 의미를 가집니다.