Rapid and non-destructive identification of micro-contaminants on eggshell surfaces based on machine vision and deep learning

매일 수백만 개의 달걀이 포장 시설의 컨베이어 벨트를 따라 이동하며 농장에서 식탁까지 여행합니다. 대부분의 과정은 순조롭지만, 달걀 표면은 아주 작고 거의 보이지 않는 위협에 의해 안전이 위협받을 수 있는 취약한 지형입니다. 산란 과정에서 달걀에는 작은 배설물, 혈흔 또는 진흙 조각이 묻을 수 있습니다. 이러한 오염 물질은 단순히 보기 흉한 것뿐만 아니라, 달걀이 올바르게 취급되지 않을 경우 사람을 병들게 할 수 있는 살모넬라와 같은 위험한 박테리아를 옮길 수 있습니다. 수십 년 동안 이러한 미세한 결점을 찾는 유일한 방법은 작업자가 모든 달걀을 하나하나 육안으로 확인하는 것이었으나, 이는 작업자의 시력과 집중력에 의존하는 느리고 고된 작업이었습니다. 인간은 지치기 마련이며, 집중력이 흐트러지면 필연적으로 결함을 놓치거나 달걀 껍데기의 자연스러운 점을 얼룩으로 착각하기도 합니다. 이를 해결하기 위해 엔지니어들은 컴퓨터와 카메라를 사용하여 세상을 '보고' 분석하는 기술인 머신 비전(machine vision)에 주목했으며, 기계의 속도와 숙련된 눈의 정확성을 결 şekilde 자동화된 검사 프로세스를 구축하고자 노력해 왔습니다.

하지만 문제는 달걀 껍데기가 빈 캔버스가 아니라는 점입니다. 달걀은 고유의 자연스러운 질감, 즉 시스템이 찾아내려는 실제 오염 물질과 매우 유사해 보일 수 있는 반점과 색상 변화가 섞인 무늬를 가지고 있습니다. 카메라가 움직이는 달걀의 이미지를 포착할 때, 배경에는 종종 컨베이어 벨트의 질감과 불균일한 조명이 뒤섞여 표준 컴퓨터 프로그램들을 혼란스럽게 만드는 시각적 노이즈를 생성합니다. 이러한 프로그램들은 흔히 무해한 자연적인 점과 위험한 얼룩을 구분하는 데 어려움을 겪으며, 이로 인해 달걀이 불필요하게 폐기되거나, 더 심각하게는 위험한 달걀이 검수를 통과해 버리는 일이 발생합니다. 중국 저장대학교(Zhejiang A&F University)의 연구진은 이러한 혼란을 뚫고 나갈 수 있는 시스템을 구축하여, 움직이는 달걀 위의 가장 작은 결점까지도 빠르고 부드러우며 정밀하게 찾아낼 수 있는 방법을 개발하고자 했습니다.

연구팀은 먼저 컴퓨터가 달걀을 다르게 보는 법을 가르치는 것부터 시작했습니다. 컴퓨터가 얼룩을 식별하려고 시도하기도 전에, 연구진은 컴퓨터가 보고 있는 이미지를 깨끗하게 정리해야 했습니다. 그들은 달걀을 주변 환경으로부터 분리하여, 컴퓨터의 시야에서 컨베이어 벨트와 그림자를 효과적으로 지워내는 프로세스를 개발했습니다. 배경을 균일하고 밝은 흰색으로 바꿈으로써, 시스템은 컴퓨터가 오로지 달걀 표면 자체에만 집중하도록 강제합니다. 이 단계는 컴퓨터를 혼란스럽게 만드는 방해 요소들을 제거하기 때문에 매우 중요합니다. 이미지가 정돈되면 컴퓨터는 매끄러운 흰색 배경을 바탕으로 달걀 껍데기와 그 위의 어두운 점 사이의 대비를 훨씬 더 명확하게 볼 수 있어, 미세한 얼룩이 두드러지게 나타납니다.

이미지 준비가 완료되자, 연구진은 운영의 '두뇌'인 객체 인식을 위해 설계된 정교한 컴퓨터 프로그램으로 눈을 돌렸습니다. 그들은 먼저 속도가 빠르고 사진 속 사물을 찾는 능력이 뛰어난 것으로 유명한 강력하고 현대적인 탐지 시스템인 YOLOv8s로 시작했습니다. 그러나 표준 버전의 프로그램은 달걀 위의 미세한 얼룩을 찾는 특정 과업을 수행하기에는 충분하지 않았습니다. 이 모델은 매우 작은 점을 놓치거나 달걀 껍데기의 자연스러운 질감을 결함으로 오인하는 경향이 있었습니다. 이를 해결하기 위해 연구진은 프로그램의 구조에 세 가지 구체적인 업그레이드를 추가했습니다. 첫째, 컴퓨터가 전체적인 맥락을 이해하도록 돕는 모듈을 추가하여, 이미지의 서로 다른 부분들이 전역적으로 어떻게 연관되는지 파악할 수 있게 했습니다. 둘째, 컴퓨터에게 가장 중요한 특징에 더 집중하고 관련 없는 배경 소음은 무시하도록 지시하는 스포트라이트와 같은 메커니즘을 도입했습니다. 마지막으로, 아주 작은 물체도 잡아낼 수 있도록 설계된 특화된 레이어를 추가하여, 아주 작은 먼지 한 점이라도 간과되지 않도록 보장했습니다.

이러한 결합된 개선의 결과물은 그들이 AEP2-YOLOv8s라고 부르는 새로운 시스템입니다. 실제 달걀 이미지의 대규모 컬렉션을 통해 테스트했을 때, 이 업그레이드된 시스템은 기존 버전보다 현저히 우수한 성능을 보였습니다. 이 시스템은 높은 정확도로 오염 물질을 성공적으로 식별해냈으며, 수정되지 않은 모델에 비해 정확한 타겟을 찾는 능력을 거의 7% 포인트 향상시켰습니다. 또한 이 시스템은 달걀의 자연스러운 패턴과 실제 오염을 구분하는 데 특히 탁월하여 오보(false alarm)의 수를 줄였습니다. 아울러 얼룩의 경계를 더 타이트하게 그려냄으로써 더욱 정밀하게 위치를 찾아냈습니다. 연구진은 다른 유형의 어텐션 메커니즘(attention mechanisms)들도 존재하지만, 자신들이 선택한 특정 조합이 속도와 극도의 정확성 사이의 균형을 맞추며 이 특정 문제에 가장 적합하게 작동했다는 것을 발견했습니다.

이 연구는 달걀에 손상을 주거나 생산 라인의 속도를 늦추지 않고도 달걀 검사를 자동화하는 것이 가능하다는 것을 보여줍니다. 시각적 입력을 정화하고 올바른 세부 사항에 집중하는 컴퓨터의 능력을 정교화함으로써, 연구진은 농장 환경의 복잡한 현실을 처리할 수 있는 도구를 만들어냈습니다. 이 시스템이 완벽한 것은 아닙니다. 얼룩이 극도로 희미하거나 조명 조건이 까다로운 경우에는 여전히 과제가 남아 있지만, 이는 큰 진전을 의미합니다. 이 연구는 이미지 정화 작업과 스마트하고 표적화된 탐지 소프트웨어 업그레이드를 결합함으로써, 우리가 가장 작은 위협을 찾아내는 데 있어 인간의 눈보다 훨씬 더 신뢰할 수 있는 기계를 구축할 수 있음을 시사합니다. 이러한 접근 방식은 현대 농업에 요구되는 높은 생산 속도를 유지하면서도, 우리 식탁에 오르는 달걀이 깨끗하고 안전하도록 보장하는 실질적인 경로를 제시합니다.