Multi-Species Egg Morphometry and Weight Prediction Using Computer Vision

기술 요약: 컴퓨터 비전을 이용한 다종 알(Egg)의 형태 측정 및 무게 예측

문제 정의
알의 크기와 무게는 가금 산업에서 육종 선택, 부화 관리 및 품질 등급 분류를 위한 중요한 지표 역할을 한다. 전통적인 측정 방식은 수동 캘리퍼스와 저울에 의존하며, 이는 노동 집약적이고 속도가 느리며 인간의 오류가 발생하기 쉽다. 컴퓨터 비전이 비접촉식 대안을 제공함에도 불구하고, 여전히 상당한 과제가 남아 있다. 알은 2차원 이미징으로는 정확하게 포착하기 어려운 비대칭적이고 3차원적인 난형(ovoid) 구조를 가지고 있으며, 다양한 가금 종에 걸쳐 이미지 유도 형태 측정값과 수동 표준 간의 정확도를 검증하는 연구가 부족하다. 또한, 종 간(예: 닭 vs 거위) 형태 측정 모델의 전이 가능성 역시 거의 탐구되지 않았다.

방법론
본 연구는 스마트폰 기반의 이미징 시스템을 딥러닝과 결합하여 알의 탐지, 측정 및 무게 예측을 자동화하였다.

• 데이터셋: 총 661개의 알(닭 504개, 거위 157개)을 스마트폰 카메라로 촬영하였다. 각 이미지에는 스케일 보정을 위한 참조 객체(치수 21.1 cm × 16.0 cm의 공책)가 포함되었다. 데이터셋은 층화 추출되어 훈련(69.9%), 검증(15.0%), 테스트(15.1%) 세트로 분할되었다.
• 탐지 모델: 저자들은 알과 참조 객체를 모두 탐지하기 위해 **Oriented Bounding Boxes (OBB)**를 적용한 YOLO11x를 사용하였다. 모델은 416 × 416 픽셀 이미지에 대해 최대 400 에포크(epoch) 동안 학습되었다.
• 차원 계산: 다단계 절차를 통해 픽셀 기반 OBB 좌표를 실제 세계의 센티미터(cm)로 변환하였다. 여기에는 참조 객체를 기반으로 한 스케일링 계수 계산과 체계적 오차를 최소-화하기 위한 특정 보정 계수(길이: -0.058 cm, 너비: -1.641 cm) 적용이 포함되었다.
• 보정(Calibration): 체계적 편향을 해결하기 위해 5-겹 교차 검증(5-fold out-of-fold, OOF) 예측을 사용하여 종 특이적 선형 보정을 수행하였다. 보정 모델은 manual = a · cv_raw + b의 형태를 취한다.
• 무게 예측: 길이(L)와 너비(W)를 기반으로 세 가지 모델링 접근 방식을 사용하여 알의 무게를 예측하였다:
  1. 최소제곱 선형 회귀(Ordinary least-squares linear regression).
  2. 로그-선형 멱법칙(Log-linear power-law) 모델.
  3. L, W, L·W, L², W², 형상 지수(L/W), 타원체 부피 근사치, L³를 포함한 확장된 특징 세트에 대한 릿지 회귀(Ridge Regression, RidgeCV).
• 평가 지표: 성능은 평균 절대 오차(MAE), 평균 제곱근 오s차(RMSE), 피어슨 상관계수, Bland–Altman 분석(편향 및 일치 한계), 그리고 out-of-fold $R^2$ 값을 통해 평가되었다.

주요 결과

• 탐지 성능: YOLO11x-OBB 모델은 테스트 세트에서 정밀도(precision) 99.93%, 재현율(recall) 100%, mAP@0.5 99.50%라는 탁월한 탐지 지표를 달면하였다.
• 형태 측정 정확도:
  • 원시 측정값(Raw Measurements): 보정 전, 컴퓨터 비전(CV) 측정값은 특히 너비 추정에서 닭보다 거위 알에서 더 높은 오차를 보였다. 이는 거위 데이터셋의 크기가 작고 거위 이미지에서의 유효 픽셀 표현력이 낮기 때문인 것으로 분석되었다.
  • 보정의 영향: 종 특이적 보정은 체계적 편향을 크게 감소시켰다. 닭의 경우, 길이 MAE가 0.662 cm(원시)에서 0.088 cm(보정 후)로 감소하였다. 거위의 경우, 길이 MAE는 1.491 cm에서 0.283 cm로 개선되었다. 그러나 거위의 너비 보정은 상관관계를 유의미하게 개선하지 못했으며, 낮은 상관관계가 유지되었다.
• 무게 예측:
  • 닭의 알: 보정된 CV 차원을 사용한 릿지 회귀는 out-of-fold $R^2$ 0.929, MAE 2.21 g을 달성하였다. 수동 차원으로 학습된 모델은 이보다 약간 더 나은 성능($R^2$ = 0.962, MAE = 1.41 g)을 보였다.
  • 거위의 알: 무게 예측의 정확도가 낮았다. 수동 차원을 사용한 릿지 회귀는 $R^2$ 0.816 (MAE 4.52 g)을 기록한 반면, 보정된 CV 차원은 $R^2$ 0.436 (MAE 9.29 g)을 기록하였다. 저자들은 거위의 낮은 성능이 너비 예측 정확도의 한계와 연관되어 있다고 언급하였다.

의의 및 주장
본 논문은 OBB 탐지, 종 특이적 보정, 형태 측정 모델링을 활용한 저비용 스마트폰 기반 설정이 알의 측정 및 무게 예측을 위한 실용적인 비접촉 솔루션을 제공한다고 주장한다.

• 실용성: 본 연구는 고가의 3D 레이저 시스템이 반드시 필요하지 않으며, 2차원 이미징과 머신러닝의 결면으로도 비접촉 등급 분류를 위한 유사한 효용성을 달성할 수 있음을 입증하였다.
• 종 특이성: 연구는 "단일 모델(one-size-fits-all)" 접근 방식이 불충분함을 강조한다. 특히 길이에 대한 측정 일치도를 실질적으로 높이기 위해서는 종 특이적 보정이 필수적이다.
• 한계 및 범위: 저자들은 시스템이 닭의 알에는 잘 작동하지만, 거위의 알에 대한 정확도는 데이터셋 크기와 이미지 해상도, 특히 너비 추정 측면에서 제한적임을 겸허히 인정하였다. 그들은 향-후 다른 형태를 가진 종들을 위해 더 높은 해상도의 카메라나 다중 뷰(multi-view) 이미징이 성능을 개선할 수 있을 것이라고 제안하였다.
• 응용 분야: 제안된 시스템은 자동 등급 분류 및 품질 분류를 위해 가금 육종, 부화장 및 달걀 포장 시설에서 활용될 잠재력이 있는 것으로 확인되었다.

본 연구는 알을 다루는 물리적 과정이 여전히 과제로 남아 있으나, OBB 탐지와 보정된 회귀 모델의 통합이 가금 산업에서 알의 형태 측정 및 무게 예측을 자동화하는 실행 가능한 경로를 제공한다고 결론짓는다.