An AI-enabled radiometric ocular thermography framework for monitoring heat vulnerability and welfare in poultry
본 연구는 가금류의 안구 열화상 촬영을 자동화하기 위해 YOLO11n-seg 모델과 웹 기반 모바일 플랫폼을 활용하는 AI 기반 프레임워크를 제시하며, 이를 통해 어린 병아리가 성계보다 안구 온도가 유의미하게 높다는 것을 밝혀내어 열 스트레스 모니터링 및 복지 평가를 용이하게 한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
열기는 가금류 산업 세계에서 조용하지만 끊임없이 몰아치는 적입니다. 닭이 고온에 장기간 노출되면 신체가 이를 견뎌내기 위해 고군분투하게 되며, 이는 성장 저하, 산란율 감소, 그리고 심한 경우 폐사로 이어집니다. 농가들에게 있어 과제는 새들이 질병의 명백한 징후를 보이기 전, 즉 조기에 이러한 스트레스를 감지하는 것입니다. 눈은 중요한 단서를 제공합니다. 눈의 온도는 새의 심부 체온과 밀접하게 연관되어 있기 때문에, 눈을 모니터링하는 것은 열 스트레스에 대한 조기 경보 시스템 역할을 할 수 있습니다. 그러나 붐비는 축사 안에서 개별 조류의 온도를 확인하는 것은 매우 힘든 일입니다. 이를 수동으로 수행하려면 가금류의 움직임을 멈추게 하고, 각 개체를 잡아서 온도를 측정해야 하는데, 이 과정은 느리고 동물에게 스트레스를 주며, 수천 마리의 가금류를 대상으로 규모를 키우는 것이 불가능합니다.
이를 해결하기 위해 연구자들은 열화상 촬영과 인공지능의 결합에 주목했습니다. 열화상 카메라는 동물의 피부에 직접 닿지 않고도 방사되는 열을 포착하여, 따뜻한 영역이 더 밝게 보이는 이미지를 생성할 수 있습니다. 하지만 카메라만으로는 혼란스러운 장면 속에서 어떤 부분이 새의 눈인지 구별하거나, 움직이는 새들 사이에서 특정 부위의 온도를 자동으로 계산할 수 없습니다. 바로 이 지점에서 인공지능이 디지털 조수로서 역할을 하며, 특정 신체 부위를 인식하고 복잡한 이미지에서 정밀한 데이터를 추출하는 법을 배울 수 있습니다. 목표는 농민이 단순히 축사를 걸어 다니며 이미지를 캡처하고, 가금류의 열적 건강 상태에 대한 보고서를 즉각적으로 받는 시스템을 구축하는 것입니다.
최근 인도에서 진행된 한 연구에서, 한 독립 연구자가 가금류를 위해 특별히 설계된 이러한 시스템을 개발하고 테스트했습니다. 이 연구는 모바일 기기에서 실행되면서도 열화상 이미지 내에서 닭의 눈을 자동으로 찾아 온도를 측정할 수 있는 완전한 프레임워크를 만드는 데 집중했습니다. 연구는 오디샤 주의 두 가금류 사육장에서 무더운 여름 한 달 동안 진행되었습니다. 한 사육장에는 성조(약 26주령)가 있었고, 인접한 다른 사육장에는 어린 유조(약 13주령)가 있었습니다. 연구자는 핸드헬드 열화상 카메라를 스마트폰에 연결하여 사육장을 돌아다니며 움직이는 새들의 이미지를 캡처했습니다. 카메라는 일반 가시광선 사진과 모든 픽셀에 실제 온도 데이터를 포함하고 있는 원시 열화상 이미지를 모두 기록했습니다.
프로젝트의 핵심은 컴퓨터 프로그램이 닭의 눈을 인식하고 분리하도록 가르치는 것이었습니다. 연구자는 먼저 특수 소프트웨어를 사용하여 선택된 이미지 속의 눈을 수동으로 표시함으로써 컴퓨터가 학습할 수 있는 예시 세트를 만들었습니다. 이 예시들은 '세그멘테이션 네트워크(segmentation network)'라고 불리는 유형의 인공지능 모델을 훈련하는 데 사용되었습니다. 단순히 새 주변에 상자를 그리는 모델과 달리, 이 시스템은 눈만을 정밀하게 따라 그리는 윤곽선을 그려서 새의 머리와 주변 환경으로부터 눈을 분리하도록 훈련되었습니다. 연구진은 성조와 유조의 눈 크기와 외형이 서로 다르기 때문에, 각각의 연령대에 특화된 두 가지 버전의 모델을 별도로 훈련시켰습니다.
모델 훈련이 완료된 후, 이들은 사육장에서 캡처한 수백 장의 이미지에 적용되었습니다. 시스템은 성조 123마리와 유조 128마리의 눈을 성공적으로 식별하고 윤곽을 그렸습니다. 식별된 각 눈에 대해 소프트웨어는 해당 열화상 이미지의 온도 데이터를 추출했습니다. 분석 결과, 두 집단 사이에 명확하고 유의미한 차이가 나타났습니다. 유조의 평균 안구 온도는 성조보다 0.741°C 높았습니다. 이 결과는 유조가 성조에 비해 열 스트레스를 더 많이 겪고 있거나 스스로 냉각하는 능력이 떨어짐을 시사합니다. 통계적 분석을 통해 이 차이가 단순한 무작위 변동이 아니라 데이터 전반에서 관찰된 일관된 패턴임을 확인했습니다.
결과의 신뢰성을 확보하기 위해 연구자는 엄격한 테스트를 거쳤습니다. 데이터를 섞고 재분석했을 때도 온도 차이가 유지되는지 확인하기 위해 수천 번의 시뮬레이션 리샘플링 테스트를 수행했습니다. 대다수의 테스트에서 유조가 일관되게 더 높은 온도를 보였습니다. 또한 연구는 작업의 난이도를 다루었는데, 유조의 눈은 특징이 작고 덜 뚜렷하여 컴퓨터가 위치를 찾기 어렵기 때문에 유조를 위해 훈련된 모델이 성조용 모델보다 약간 덜 정밀하다고 언급했습니다. 이러한 어려움에도 불구하고, 시스템은 데이터를 성공적으로 처리하여 명확한 열 프로필을 제공했습니다.
이 연구의 결실은 농민을 위한 실용적인 도구입니다. 연구자는 사용자가 열화상 이미지를 업로드하고, 대상이 성조인지 유조인지를 선택하면 즉시 안구 온도 추정치를 받을 수 있는 모바일 웹 애플리케이션을 제작했습니다. 이 앱은 또한 심각도 분류를 제공하여, 사용자가 온도가 건강한 상태를 나타내는지 아니면 열 스트레스 경고 신호인지를 이해할 수 있도록 돕습니다. 이러한 방식은 동물을 방해하거나 값비싼 고정 장비 없이도 가금류의 복지를 모니터링할 수 있는 방법을 제시합니다. 열 스트레스 감지를 자동화함으로써, 이 시스템은 농민이 과열로 인한 심각한 결과가 발생하기 전에 조기에 개입할 수 있도록 돕습니다.
연구자는 이 연구가 유망한 해결책을 제시하면서도 몇 가지 한계점이 있음을 인정했습니다. 데이터가 두 개의 서로 다른 사육장에서 수집되었기 때문에, 연령 외에도 환기나 미세 기후의 미세한 차이와 같은 요인이 온도 측정에 영향을 미쳤을 수 있습니다. 또한, 사육장이 혼잡하여 일부 새들이 가려져 있었는데, 이는 모든 영상 시스템에 도전 과제가 될 수 있습니다. 연구자는 열화상 안구 촬영이 강력한 도구이지만, 가금류의 건강에 대한 완전한 그림을 그리기 위해서는 물 섭섭량이나 새들의 일반적인 자세와 같은 다른 관찰 사항과 결합될 때 가장 효과적이라고 제안했습니다.
궁극적으로 이 연구는 인공지능을 사용하여 단순한 열화상 사진을 상세한 건강 보고서로 바꿀 수 있음을 보여줍니다. 이 연구는 유조가 성조보다 여름 더위에 실제로 더 취약하다는 사실을 확인했으며, 이제 이 현상을 자동으로 지속적으로 모니터링할 수 있게 되었습니다. 이 기술을 모바일 플랫폼을 통해 접근 가능하게 만듦으로써, 본 연구는 가금류의 웰빙을 정밀하고 세심하게 추적하여 열 스트레스가 위기로 변하기 전에 감지하고 대처할 수 있는 새로운 축산 관리 표준을 열어가고 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.