3D 포인트 클라우드가 낙농소 체형 점수 예측을 향상시키는가

초록

본 연구는 1,020마리의 낙농소를 대상으로 깊이 이미지와 3D 포인트 클라우드 데이터를 이용해 체형 점수(BCS)를 예측하는 모델을 비교하였다. 네 가지 데이터 처리 방식(원시 비분할, 전신 분할, 후반부 분할, 손수 만든 특징)에서 깊이 이미지 기반 모델이 전반적으로 높은 정확도를 보였으며, 포인트 클라우드 모델은 후반부 분할에서는 비슷한 성능을 보였지만 노이즈와 모델 구조에 민감하였다. 결론적으로 현재 조건에서는 포인트 클라우드가 깊이 이미지에 비해 일관된 이점을 제공하지 못한다는 결과가 도출되었다.

상세 분석

이 논문은 자동화된 BCS(Body Condition Score) 측정을 위해 깊이 이미지와 3차원 포인트 클라우드 두 가지 시각 정보의 실제 현장 적용 가능성을 정량적으로 평가한다. 데이터는 2024년 11월부터 2025년 2월까지 조지아 주 상업용 낙농장에서 RealSense D455 센서를 이용해 수집했으며, 총 1,020마리, 10,228개의 깊이 CSV 파일과 대응되는 RGB 이미지가 확보되었다. BCS는 두 명의 전문가가 0.25점 단위로 채점했으며, 점수가 일치한 경우만 분석에 포함하였다.

전처리 단계에서는 동일한 원시 깊이 데이터를 두 형태로 변환하였다. 깊이 이미지는 높이값을 8비트 그레이스케일로 정규화하고, 포인트 클라우드는 카메라 내·외부 파라미터를 이용해 3D 좌표로 역투영하였다. 이후 네 가지 실험 설정을 정의했는데, (1) 비분할 원시 데이터, (2) 전신 영역을 자동 세그멘테이션한 데이터, (3) 후반부(힌드쿼터)만 분할한 데이터, (4) 9개의 해부학적 키포인트에서 추출한 거리·면적·부피 등 손수 만든 특징이다. 세그멘테이션은 Grounded SAM으로 초기 마스크를 생성하고, 라벨링 보정을 거쳐 YOLOv11n‑seg 모델을 학습시켜 전체 이미지에 적용하였다. 키포인트 검출은 YOLOv11s‑pose 기반 모델을 877마리의 이미지에 대해 학습시켜 PCK와 RMSE로 성능을 검증하였다.

모델링 측면에서는 깊이 이미지에 대해 ResNet‑18과 ConvNeXt 두 가지 CNN을, 포인트 클라우드에 대해 PointNet과 DGCNN 두 가지 딥러닝 구조를 사용하였다. 손수 만든 특징에는 Random Forest와 LightGBM을 적용해 전통적인 머신러닝 성능을 비교했다. 모든 실험은 개체 수준 교차 검증(cow‑level CV)으로 진행해 데이터 누수를 방지했으며, 동일한 학습·검증·테스트 분할을 유지했다.

결과는 깊이 이미지 기반 모델이 원시 데이터와 전신 분할 데이터에서 일관적으로 높은 정확도(예: RMSE ≈ 0.28)와 높은 R² 값을 기록한 반면, 포인트 클라우드 모델은 노이즈에 취약해 성능 편차가 크고, 전신 분할에서는 정확도가 현저히 낮았다. 후반부만 분할했을 때는 두 데이터 형태가 비슷한 수준의 예측력을 보였으며, 이는 후반부가 BCS와 가장 직접적인 연관성을 갖기 때문으로 해석된다. 손수 만든 특징을 이용한 모델은 두 데이터 형태 모두에서 성능이 크게 떨어졌으며, 이는 복잡한 형태학적 정보를 단순 통계량으로 압축했을 때 손실이 크다는 점을 시사한다. 또한 포인트 클라우드 모델은 PointNet보다 DGCNN이 더 민감하게 성능 변동을 보였으며, 이는 그래프 기반 구조가 포인트 밀도와 잡음에 더 취약함을 의미한다.

전반적으로, 현재 상업용 환경에서 깊이 이미지가 저비용·고신뢰성으로 BCS 자동화에 적합하다는 결론을 내렸다. 포인트 클라우드가 제공하는 3D 기하학적 풍부함이 이론적으로는 장점이지만, 실제 현장 데이터의 잡음, 세그멘테이션 정확도, 그리고 모델 설계 복잡성 때문에 일관된 성능 향상으로 이어지지는 못했다. 향후 연구에서는 고해상도 라이다, 다중 뷰 통합, 혹은 하이브리드 모델(이미지와 포인트 클라우드 결합) 등을 통해 포인트 클라우드의 잠재력을 재평가할 필요가 있다.