A lightweight visual system for determining the gender of poultry based on artificial intelligence

현대 양계 산업의 분주한 세계에서, 단순한 생물학적 사실 하나가 복잡한 경제적 결정을 이끌어냅니다. 바로 수컷 병아리와 암컷 병아리가 성장에 필요한 식단이 다르다는 점입니다. 수컷은 체중을 늘리기 위해 고에너지 사료를 먹어야 가장 잘 자라는 반면, 암컷은 산란량을 극대화하기 위해 고단백 식단이 필요합니다. 수십 년 동안 농부들은 병아리가 부화한 후 성별을 구분하기 위해 두 가지 주요 방법에 의존해 왔습니다. 한 가지 방법은 숙련된 작업자가 아주 작은 총배설강을 직접 육안으로 검사하는 것으로, 속도는 빠르지만 인간의 실수나 피로에 취약합니다. 다른 방법은 전문 기계를 사용하는 것인데, 이는 정확하지만 대규모 운영을 하기에는 비용이 지나치게 많이 들고 속도가 느립니다. 두 방식 모두 현대의 효율적인 농장이 요구하는 수요를 따라가는 데 어려움을 겪고 있으며, 이는 저렴하면서도 정밀한 솔루션에 대한 공백을 남겨두고 있습니다.

이러드한 과제로 인해 연구자들은 인공지능, 특히 컴퓨터 비전을 사용하여 병아리의 성별을 "보는" 방법을 탐구해 왔습니다. 이전의 몇몇 시도들은 병아리의 울음소리나 깃털의 질감을 분석하려 했으나, 이러한 방법들은 소음이 많고 예측 불가능한 실제 부화장의 환경에서는 종종 실패하곤 합니다. 소리는 기계 소리에 쉽게 묻히기 쉽고, 깃털은 성별 식별에 필요한 미세한 신체적 차이를 가릴 수 있기 때문입니다. 이를 해결하기 위해 연구진은 병아리의 성별을 결정하는 내부 기관인 생식기에 직접 초점을 맞춘 새로운 시각 시스템을 개발했습니다. 첨단 이미지 인식 기술과 특수 카메라 설정을 결ert하여, 그들은 높은 정확도로 병아리의 성별을 식별할 수 있는 도구를 만들어냈으며, 이는 더 인도적이고 효율적인 축산으로 나아가는 잠재적인 경로를 제시합니다.

연구진은 가장 근본적인 장애물인 데이터 문제부터 해결하기 시작했습니다. 컴퓨터에게 수컷과 암컷 병아리를 구별하는 법을 가르치기 위해서는 각 성별의 특정 신체적 특징을 보여주는 명확한 이미지 라이브러리가 방대하게 필요했습니다. 그들은 생후 1일 된 노란색 브로일러 병아리의 고해상도 사진 1,200장 이상을 수집했습니다. 비침습적인 정교한 과정을 통해 전문가들은 각 병아리의 총배설강 부위를 조심스럽게 노출시켜 생식기를 포착했습니다. 이미지를 통해 뚜렷한 차이가 드러났는데, 수컷 병아리는 작고 둥근 돌출부를 보이는 반면, 암컷 병아리는 상대적으로 평평하게 보였습니다. 그러나 이 부위는 부드러운 다운 깃털 아래 숨겨져 있고, 촬영 과정에서 사람의 손가락이 병아리를 잡는 경우가 많아 시야를 가리거나 혼란스러운 그림자를 만들 수 있기 때문에 이미지를 포착하는 것이 어렵습니다. 이를 극복하기 위해 연구팀은 중국 최초로 표준화된 데이터셋을 구축하였으며, 각 이미지를 수컷 또는 암컷으로 세심하게 라벨링하여 인공지능 시스템의 토대를 마련했습니다.

데이터를 확보한 후, 연구팀은 인간 전문가가 작업에 접근하는 방식을 모방하되 기계의 속도와 일관성을 갖춘 2단계 시스템을 구축했습니다. 첫 번째 부분은 '탐지기(locator)' 역할을 합니다. 잘 알려진 객체 탐지 기술을 사용하여, 시스템은 병아리의 이미지를 스캔하여 생식기가 위치한 정확한 지점을 즉시 찾아내며, 나머지 신체 부위나 깃털, 그리고 병아리를 잡고 있는 사람의 손가락은 무시합니다. 그런 다음 해당 작은 영역만을 잘라내어 표준 형식으로 크기를 조정합니다. 이 단계는 매우 중요한데, 이는 다른 시스템들을 혼란스럽게 만드는 시각적 노이즈를 제거하여 컴퓨터가 오직 관련 있는 생물학적 특징에만 집중할 수 있도록 보장하기 때문입니다.

시스템의 두 번째 부분은 최종 결정을 내리는 '두뇌'인 '분류기(classifier)'입니다. 이 구성 요소는 인간의 뇌를 모델로 한 일종의 컴퓨터 프로그램인 특수 신경망을 사용하여 잘라낸 이미지를 분석합니다. 연구진은 이 네트워크가 두 가지 특정 요소, 즉 영역의 전체적인 형태와 그 내부의 세부 사항에 주목하도록 설계했습니다. 그들은 시스템이 배경의 노이즈를 무시하면서 이미지의 가장 중요한 부분에 집중할 수 있게 하는 메커니즘을 통합했는데, 이는 마치 사람이 특정 세부 사항에 집중하기 위해 눈을 가늘게 뜨고 배경을 차단하는 것과 같습니다. 심층적인 특징 추출 층과 이러한 이중 초점을 결합함으로써, 시스템은 이미지가 다소 불완전하더라도 수컷의 미세한 원형 돌기나 암컷의 평평한 표면을 인식하는 법을 학습합니다.

테스트 결과, 이 시스템은 놀라운 정밀도로 성능을 발휘했습니다. 통제된 실험에서 이 새로운 시스템은 91% 이상의 확률로 병짜의 성별을 정확히 식별해 냈습니다. 이는 표준 탐지 모델만 사용했을 때의 정확도가 55%에 불과했던 것에 비해 상당한 개선을 보여준 것으로, 실제 환경의 복잡한 이미지를 처리하는 데 있어 특화된 설계가 얼마나 필수적인지를 입증했습니다. 또한 연구진은 복잡한 트랜스포머 구조나 고전적인 합성곱 신경망(CNN)을 기반으로 한 여러 인기 있는 인공지능 모델들과 자사의 시스템을 비교했습니다. 연구진의 시스템은 가장 높은 정확도를 달면서도 계산 자원을 더 적게 사용하여, 더 빠르고 소규모 농장에서 흔히 볼 수 있는 제한된 하드웨어에도 더 적합했습니다.

연구진은 시스템이 단순히 추측하는 것이 아니라 실제로 올바른 생물학적 특징을 학습하고 있는지 확인하기 위해, 컴퓨터가 결정을 내릴 때 어디를 "보고" 있는지 시각화하는 기법을 사용했습니다. 결과에 따르면, 연구진의 시스템은 생식기 부위, 즉 돌출부나 평평한 영역에 날카롭게 집중한 반면, 다른 모델들은 주변의 깃털이나 사람의 손가락에 의해 주의가 분산되는 모습을 보였습니다. 이는 시스템이 배경의 우연한 패턴을 찾는 것이 아니라, 인간 전문가들이 사용하는 것과 동일한 해부학적 단서에 의존하고 있음을 확인시켜 주었습니다. 상업적 부화장에서 설정된 실제 현장 테스트에서, 이 시스템은 적당한 가격의 저렴한 하드웨어에서 6시간 동안 연속으로 작동하며, 조명 변화나 병아리를 다루는 사람의 손길에 관계없이 초당 약 11~12마리의 병아리를 일관된 정확도로 처리했습니다.

본 연구는 이 경량화된 시각 시스템이 축산업에 실질적이고 저렴한 대안이 될 수 있다고 결론짓습니다. 성별 식별 과정을 높은 정확도로 자동화함으로써, 노동력과 값비싼 기계에 대한 의존도를 줄여 비용을 낮추고 동물 복지를 향상시킬 수 있을 것으로 기대됩니다. 연구진은 자신들의 데이터셋과 시스템 소스 코드를 공개하여 다른 이들이 이 연구를 발전시킬 수 있도록 초대했습니다. 현재 시스템은 단일 품종의 병아리를 특정 조건 하에 테스트했지만, 이 접근 방식의 성공은 현대 농업의 다양하고 까다로운 환경에 적응할 수 있는 견고하고 자동화된 도구를 개발하기 위한 명확한 경로를 제시합니다.